[Medical Generative AI: G5] AI界の「OS」？——医療を変える基盤モデルと、その全体像

TL; DR (要約)

この章の学習目標	1. 基盤モデルの概念: 特定のタスク専用ではない、汎用的な大規模AIモデル（基盤モデル）の考え方を理解する。 2. Transformerの役割: 基盤モデルの発展を支える、TransformerアーキテクチャとAttention機構の重要性を説明できる。 3. 事前学習とファインチューニング: 基盤モデルが「汎用的な知識」と「専門的なスキル」をどう獲得するのか、その2段階の学習プロセスを理解する。 4. 医療特化型モデル: なぜ医療分野で特化型の基盤モデルが必要とされ、どのようなモデルが存在するのかを知る。
前提となる知識	・第2回で学んだ深層学習とニューラルネットワークの基本的な概念 ・第3回で触れた、医療における多様なデータ形式への理解

はじめに：AI開発のパラダイムシフト

AIの世界にいると、時折、これまでの常識がまるで地殻変動のように、根底から変わる瞬間に立ち会うことがあります。私にとって、この「基盤モデル（Foundation Model）」の登場は、まさにそんな体験でした。

これまでのAI開発は、いわば「タスクごとに専用の工具を作る」ようなアプローチが主流でした。X線写真から結節を見つけるためのAI、心電図から不整脈を検出するためのAI——それぞれが、特定の課題解決のために、ゼロから設計され、そのタスク専用のデータで訓練されるのが一般的だったのです。

	従来のアプローチ	基盤モデルのアプローチ
例え	タスク毎に特化した「専用工具」を作る	汎用的な「高性能エンジン(OS)」を先に作る
開発プロセス	課題ごとに、ゼロからデータを集め、モデルを設計・学習	巨大なエンジンを、各課題に合わせて微調整（ファインチューニング）
効率性	非効率。開発ノウハウが再利用しにくい	非常に効率的。エンジンの性能を様々なタスクに活かせる

しかし、近年のAI開発、特に生成AIの世界では、この考え方が大きく変わりました。個別の道具を一つひとつ作るのではなく、まず、極めて強力で汎用的な「エンジン」や「OS（オペレーティングシステム）」を作り、それを様々な目的に合わせて微調整（カスタマイズ）する、というアプローチが主流になったのです。

この、汎用的で再利用可能な大規模AIモデルのことを、スタンフォード大学人間中心AI研究所（HAI）が提唱した基盤モデル（Foundation Model）という言葉で呼びます(4)。今話題のChatGPTのベースとなっているGPTシリーズや、本講座で今後頻繁に登場する様々なモデルは、すべてこの基盤モデルの一種です。

この第4回では、現代医療AIの中核を成すこの「基盤モデル」とは一体何なのか、その心臓部にある技術から、医療分野での特化、そして私たちが実際にそれを使うための第一歩まで、その全体像を掴んでいきましょう。

なお、本記事は各トピックの概要を掴んでいただくためのサマリーです。Transformerの数理的な詳細や、ファインチューニングの具体的なプログラミング実装については、今後の記事でエンジンフードを開けて、一つひとつの部品をじっくりと見ていきますので、ご安心ください。

4.1 AIの進化を牽引するエンジン：TransformerとAttention機構

前のセクションで、私たちは現代のAI開発が「高性能エンジン」としての基盤モデルの上に成り立っている、という大きな絵を見ました。では、その革命的なエンジンを動かす、核心的な設計思想とは一体何なのでしょうか。その答えが、2017年に発表された一本の論文「Attention Is All You Need」で提案された、Transformer（トランスフォーマー）というアーキテクチャです(1)。

このTransformerの登場以前と以後で、AI、特に言語を扱うモデルの世界は、全く別の景色になったと言っても過言ではありません。

「逐次処理」から「並列処理」へ：AIの思考様式の革命

Transformer登場以前の代表的なモデル、例えばRNNやLSTM（第7回参照）は、データを逐次的（Sequential）に処理していました。これは、私たちが本を読むときのように、文章の先頭から一単語ずつ順番に読み進め、前の単語の記憶を頼りに次の単語を理解していく方法です。この方法は直感的ですが、大きな弱点がありました。

• 長期記憶の問題: 長い文章になると、最初の方に書かれていた重要な情報を忘れてしまい、文末の解釈に活かせない（勾配消失問題）。
• 計算速度の問題: 一つ前の計算が終わらないと次の計算に進めないため、処理を並列化できず、モデルの巨大化や学習の高速化に限界がありました。

Transformerは、この「一単語ずつ」という常識を覆し、文章全体を並列的（Parallel）に、つまり「一度にまとめて」処理するアーキテクチャを提案しました。

直感的なイメージ:
熟練の臨床医が、1ページのサマリーを読む場面を想像してください。

• RNN/LSTMの読み方: 一行目から順番に、最後までひたすら読み進める。
• Transformerの読み方: まず、そのページ全体にざっと目を通し、瞬時に「“心不全”という単語は、3行目の“BNP高値”と、8行目の“フロセミド投与”と強く関連しているな」というように、ページ内のあらゆる単語間の関連性を一気に見抜く。

革命の核心：Attention機構

この画期的な並列処理を可能にしたのが、Transformerの心臓部であるAttention（アテンション）機構です。

これは、入力されたデータ系列（例えば、文章中の全単語）の中から、ある一つの単語を解釈する際に、「系列内の、他のどの単語に、どれくらいの強さで“注意”を向けるべきか」という重み（Attention Weight）を、全ての単語の組み合わせについて一気に計算する仕組みです。

このおかげで、Transformerは、RNNが苦手としていた、文の離れた場所にある単語同士の長期的な依存関係（例えば、文頭の主語と文末の述語の関係）も、的確に捉えることができます。

この「並列処理能力」と「長期依存性の克服」という2つのブレークスルーが、重要な意味を持ちました。

• 一つは、GPU（Graphics Processing Unit）の並列計算能力を最大限に活用できるようになったことで、これまでとは比較にならないほど巨大なモデルの学習が可能になったこと。
• もう一つは、その巨大なモデルが、長い文脈を正確に理解できるようになったことで、AIの性能そのものが飛躍的に向上したことです。

基盤モデルというパワフルなエンジンを動かすための、革命的な設計図。それが、このTransformerアーキテクチャなのです。この設計図を手に入れたことで、AI開発者たちは、全く新しいスケールでモデルを訓練するようになりました。次のセクションでは、その具体的な訓練プロセスについて見ていきましょう。

4.2 基盤モデルの作り方：事前学習とファインチューニングという「二段ロケット」

前のセクションで、私たちはTransformerという革命的な「設計図」を手に入れました。では、この設計図を元に、巨大な「エンジン」、すなわち基盤モデルは、一体どのようにして組み立てられ、教育されていくのでしょうか。

そのプロセスは、多くの場合、「事前学習（Pre-training）」と「ファインチューニング（Fine-tuning）」という、明確に分かれた2つのステージで構成されます。私はこれを、目的の衛星を宇宙の特定の軌道に投入するための「二段式ロケット」に例えて考えています。

Stage 1: 事前学習 (Pre-training) – 汎用エンジンを成層圏へ運ぶ、第一段ブースター

まず、第一段の巨大なブースターロケットが、重いペイロード（AIモデル）を大気圏の外、つまり汎用的な知識が広がる空間へと打ち上げます。これが事前学習です。

目的と手法：自己教師あり学習

ここでの目的は、特定の質問に答えることではありません。言語そのものが持つ構造、文法、単語間の関係性、そしてその背景にある世界の常識といった、汎用的で広範な知識をモデルに獲得させることです。

そのために、自己教師あり学習（Self-Supervised Learning）という、非常に賢い学習方法が用いられます。人間が正解ラベル（教師）を用意する必要がないため、この名がついています。

直感的なイメージ:
AIに、インターネット上にある無数の文章から、ランダムに単語を隠した「穴あき問題」を、何十億、何兆回と解かせ続けるのです。

「吾輩は __ である。名前はまだ無い。」

この空欄 __ に入る単語を、AIは文脈から「猫」であると予測する訓練を繰り返します。この単純なタスクを通じて、AIは「吾輩」という一人称と「猫」という名詞が結びつきやすいことや、日本語の文法構造を、人間からの明示的な指示なしに、データそのものから自ら学習していくのです。

スケールと結果

この事前学習には、Web上のテキスト全体に匹敵するほどの超巨大なデータセットと、スーパーコンピュータ級の莫大な計算リソース、そして長い時間が必要です。そのため、この「第一段ブースターロケット」を開発・打ち上げできるのは、今のところ巨大IT企業などに限られています。こうして生まれたのが、「博識だが、特定の専門性はない、汎用エンジン」としての基盤モデルです。

Stage 2: ファインチューニング (Fine-tuning) – 特定の軌道に乗せる、第二段エンジン

事前学習を終えたモデルは、いわば「医学部を卒業したばかりの優秀な研修医」のようなものです。基礎医学や一般常識は完璧ですが、まだ特定の診療科の専門知識や、臨床現場での「お作法」は身についていません。

ファインチューニングは、この研修医を、例えば「循環器内科」に配属させ、専門の論文、診療ガイドライン、症例報告といった高品質なデータを集中して学ばせる「専門研修」のプロセスに他なりません。

この段階では、より小規模で、質の高い、目的に特化したデータセットを用います。事前学習に比べ、計算リソースも時間も格段に少なくて済むため、私たち大学の研究室や個々の開発者レベルでも実施が可能です。この「第二段エンジン」の噴射によって、汎用モデルは特定のドメイン知識を獲得し、「医療に詳しい、専門ツール」へと進化を遂げるのです。

観点	事前学習 (Pre-training)	ファインチューニング (Fine-tuning)
目的	広範な一般知識・言語能力の獲得	特定の専門分野・タスクへの適応
学習データ	Web全体、書籍など（超大規模・玉石混交）	医療論文、診療ガイドライン、Q&Aなど（小規模・高品質）
計算コスト	極めて大きい（巨大IT企業レベル）	比較的小さい（大学・研究室レベルでも可能）
成果物	汎用的な基盤モデル（博識な研修医）	特化型モデル（特定の専門医）

こうして、汎用的な巨大エンジンが、特定の専門性を持つツールへと生まれ変わります。では、このファインチューニングというプロセスを経て、「医療専門」のエンジンには、どのようなものが存在するのでしょうか。次のセクションでは、その最前線を見ていくことにしましょう。

4.3 医療特化型基盤モデルの世界：Med-PaLM, Bio-GPTなど

前のセクションで、私たちは「事前学習」という巨大なロケットで汎用エンジンを打ち上げ、その後に「ファインチューニング」という第二のロケットで、目的に合わせた軌道に乗せる、という基盤モデルの育成プロセスを見てきました。

このセクションでは、その第二ロケットの燃料に「医療」という最高品質のものを入れたら、一体何が起こるのか——つまり、なぜ医療分野で特化型の基盤モデルが必要とされ、どのようなモデルが開発されているのかを探っていきます。

なぜ「専門医」AIが必要なのか？

一般的なLLMは、インターネット上の膨大な情報から学習しており、その知識量は驚異的です。それは、あらゆる科の知識を広く持つ、非常に優秀な「総合診療医」に例えられるかもしれません。しかし、私たちが複雑な心臓手術について相談したいとき、あるいは稀な遺伝性疾患の最新の治療法について知りたいとき、本当に頼りにするのは「心臓血管外科の専門医」や「臨床遺伝専門医」ですよね。

医療AIも全く同じです。汎用LLMは、医療に関する質問にも一見もっともらしい回答をしますが、そこにはいくつかの深刻なリスクが潜んでいます。

リスクの種類	具体例
情報の不正確さ・幻覚（Hallucination）	存在しない薬剤名を生成したり、医学的に誤った治療法を断定的に推奨したりする。
専門用語・文脈の誤解	臨床現場で使われる特有の略語や言い回しを誤解する。例えば、検査結果の「negative」を「悪い結果」と解釈してしまうなど。
知識の鮮度の問題	学習データが古い場合、最新の診療ガイドラインやエビデンスを反映できず、時代遅れの推奨をしてしまう。

こうしたリスクを乗り越え、医療の現場で真に信頼されるパートナーとなるためには、医療データで徹底的にファインチューニングされた「専門医」AIが必要不可欠なのです。

世界で開発が進む、2種類の「専門医」AI

現在、医療特化型モデルは、その学習データと得意な領域によって、大きく2つのタイプに分類できると私は考えています。

① 臨床推論・対話に強い「臨床医タイプ」のAI (例: Med-PaLM)

このタイプのAIは、まさに臨床医のように、患者情報から鑑別診断を考えたり、複雑な質問に答えたりといった、臨床推論（Clinical Reasoning）の能力を磨くことを目的としています。

その代表格が、Google社が開発したMed-PaLMおよびその後継モデルです(2, 3)。これらのモデルは、一般的な知識に加えて、医療Q&Aデータセットや、米国の医師国家試験（USMLE）の問題などでファインチューニングされています。特にMed-PaLM 2は、このUSMLEで「Expert（専門家）」レベルのスコアを達成し、その高い臨床知識と推論能力で世界に衝撃を与えました。

② 生物医学文献の読解に強い「研究者タイプ」のAI (例: BioGPT)

もう一方は、膨大な数の学術論文を読み解き、生命科学の深い文脈を理解することに特化したAIです。Microsoft社が開発したBioGPTや、フロリダ大学が開発したGatorTronなどがこれにあたります。

これらのモデルは、生物医学分野の論文データベースであるPubMedの抄録などを大量に学習しています。そのため、最新の研究動向の要約、新しい治療法の仮説生成、創薬ターゲットの探索といった、研究開発活動を支援する場面で大きな力を発揮します。

観点	汎用LLM (例: GPT-4)	医療特化型LLM (例: Med-PaLM)
主な学習データ	Webテキスト、書籍など（一般的・広範）	医療Q&A、医学文献、診療ガイドラインなど（専門的・高品質）
得意なこと	日常会話、一般的な文章作成、創造的なタスク	臨床的な質問への回答、医療文書の要約、医学情報の検索
弱点・リスク	医療情報の不正確さ、ハルシネーションのリスクが高い	学習データに含まれない、最新の非医療分野の知識は相対的に乏しい

このように、医療に特化したパワフルなモデルが、今、次々と登場しています。では、私たちはどうすれば、この専門医のようなAIたちに「コンサルト」することができるのでしょうか。次のセクションでは、そのための最も身近な入り口であるHugging Faceについて見ていきましょう。

4.4 Hugging Face入門：公開モデルを使ってみよう

「こんなにすごいモデル、一部の巨大企業しか使えないのでは？」と思われるかもしれません。しかし、幸いなことに、多くの基盤モデルがHugging Face（ハギングフェイス）というプラットフォーム上でオープンソースとして公開されており、私たちも比較的簡単に利用することができます(5)。

AI界の「スーパーマーケット」へようこそ

Hugging Faceは、AI開発者にとっては、プログラムコードを共有する「GitHub」のような存在だとよく言われます。例えるなら、AIモデルの巨大な「スーパーマーケット」のようなものです。

世界中の企業や大学の研究者が丹精込めて開発した、様々な「品種」のAIモデル（基盤モデル）が、その性能や使い方、そしてオープンソースのライセンス情報と共に、整然と陳列されています。私たちは、このスーパーマーケットを訪れ、自分の目的に合ったモデルをカートに入れ、手元で試してみることができるのです。

最も簡単な「試食コーナー」：pipeline機能

このスーパーマーケットには、とても便利な「試食コーナー」が用意されています。それが、Hugging Faceのtransformersライブラリに含まれるpipelineという機能です。

pipelineは、

1. 前処理: 人間が書いたテキストを、AIが理解できる数値データに変換する。
2. モデル推論: データをAIモデルに通して、予測結果を出力する。
3. 後処理: AIが出力した数値データを、人間が理解できるテキストに戻す。

といった一連の面倒な処理を、全て一つにまとめて自動で実行してくれます。これにより、私たちはモデルの内部構造を深く知らなくても、そのモデルの能力の一端を、まるで試食するように手軽に体験できるのです。

ハンズオン：AIの「語彙力」を試してみる

では、実際にpipelineを使って、公開されている日本語基盤モデルの能力を試してみましょう。ここでは、東北大学が開発した、日本語の文脈理解に定評のあるBERTモデルcl-tohoku/bert-base-japanese-whole-word-masking（Apache 2.0 Licenseで公開）を使ってみます(6)。

タスクは「穴埋め問題（Fill-Mask）」です。文章の一部を[MASK]という特殊な記号で隠し、AIが文脈を読んで、そこにどんな単語が入るのが最も自然かを予測させます。これは、AIの言語理解能力を試すための、シンプルで良いテストになります。

【実行前の準備】以下のコードを実行するには、あらかじめターミナルやコマンドプロンプトで、AIモデルを動かすためのライブラリ群をインストールしてください。

pip install transformers torch fugashi ipadic unidic_lite

• transformers, torch: AIモデル（PyTorchベース）を動かすための基本ライブラリです。
• fugashi, ipadic, unidic_lite: 日本語の文章を単語に正しく分割するためのライブラリと辞書です。今回のモデルでは内部でこれらを利用します。

# transformersライブラリからpipelineという便利な機能をインポートします
from transformers import pipeline

# 「fill-mask」というタスク（マスクされた単語の予測）を指定します
# model= に、Hugging Faceで公開されているモデルの名前を指定します
unmasker = pipeline('fill-mask', model='cl-tohoku/bert-base-japanese-whole-word-masking')

# マスクされたトークンを含む文章を入力し、AIに予測させます
# [MASK]の部分に何が入るかを、AIが文脈から推測します
result = unmasker("高血圧の患者に[MASK]を処方した。")

# 結果はリスト形式で返ってくるので、forループで一つずつ取り出して表示します
# 上位5つの予測候補が、スコア（確信度）と共に表示されます
for res in result:
    # f-stringを使って、結果を分かりやすく整形して出力します
    print(f"単語: {res['token_str']}, スコア: {res['score']:.4f}, 文: {res['sequence']}")

【実行結果のイメージ（実際のものとは異なります）】

単語: 降圧薬, スコア: 0.1495, 文: 高血圧 の 患者 に 降圧薬 を 処方 し た 。
単語: カルシウム拮抗薬, スコア: 0.0573, 文: 高血圧 の 患者 に カルシウム 拮抗 薬 を 処方 し た 。
単語: 薬, スコア: 0.0387, 文: 高血圧 の 患者 に 薬 を 処方 し た 。
単語: 降圧剤, スコア: 0.0369, 文: 高血圧 の 患者 に 降圧剤 を 処方 し た 。
単語: Ca拮抗薬, スコア: 0.0312, 文: 高血圧 の 患者 に Ca 拮抗 薬 を 処方 し た 。

いかがでしょうか。AIが、単に「薬」といった一般的な単語だけでなく、「降圧薬」や「カルシウム拮抗薬」といった、医学的な文脈において極めて妥当な専門用語を上位候補として挙げていることが分かります。これは、この基盤モデルが、膨大なテキストデータから「高血圧」「患者」「処方」といった単語の共起関係を学び、その文脈を正しく理解していることの証左です。

このように、Hugging Faceというプラットフォームのおかげで、私たちは強力な基盤モデルの能力を、自分の手元で、数行のコードを書くだけで簡単に試すことができるのです。

まとめ：基盤モデルは、医療AI開発の新しい「OS」

今回は、現代の医療AIを理解する上で避けては通れない「基盤モデル」の全体像を概観しました。

1. Transformer/Attention: 基盤モデルを可能にした、革命的な「アーキテクチャ」。
2. 事前学習とファインチューニング: 汎用的な知識と専門的なスキルを獲得するための「学習プロセス」。
3. 医療特化型モデル: 医療の現場で安全かつ高精度に機能させるための「専門化」。
4. Hugging Face: これらの強力なモデルを、私たちが利用するための「プラットフォーム」。

基盤モデルは、これからの医療AI開発における、いわばOS（オペレーティングシステム）のような存在です。このOSの上で、私たちは様々な専門アプリケーション（診断支援、創薬、対話システムなど）を構築していくことになります。このパワフルなOSをどう理解し、どう使いこなし、そしてどう責任を持って応用していくか。それが、これからの医療AI開発者に求められる、最も重要なスキルセットの一つと言えるでしょう。

参考文献

1. Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, et al. Attention is all you need. In: Advances in Neural Information Processing Systems 30. Curran Associates, Inc.; 2017. p. 5998-6008.
2. Singhal K, Azizi S, Tu T, Mahdavi SS, Wei J, Chung HW, et al. Large Language Models Encode Clinical Knowledge. Nature. 2023 Aug;620(7973):172-180.
3. Singhal K, Tu T, Gottweis J, Sayres R, Wulczyn E, Hofer M, et al. Towards expert-level medical question answering with large language models. arXiv preprint arXiv:2305.09617. 2023 May 16.
4. Bommasani R, Hudson DA, Adeli E, et al. On the opportunities and risks of foundation models. arXiv preprint arXiv:2108.07258. 2021 Aug 16.
5. Wolf T, Debut L, Sanh V, Chaumond J, Delangue C, Moi A, et al. Hugging a Transformer. In: Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing: System Demonstrations. 2020. p. 3-8.
6. Devlin J, Chang MW, Lee K, Toutanova K. BERT: Pre-training of deep bidirectional transformers for language understanding. In: Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1. 2019. p. 4171-4186.

---

ご利用規約（免責事項）

当サイト（以下「本サイト」といいます）をご利用になる前に、本ご利用規約（以下「本規約」といいます）をよくお読みください。本サイトを利用された時点で、利用者は本規約の全ての条項に同意したものとみなします。

第1条（目的と情報の性質）

1. 本サイトは、医療分野におけるAI技術に関する一般的な情報提供および技術的な学習機会の提供を唯一の目的とします。
2. 本サイトで提供されるすべてのコンテンツ（文章、図表、コード、データセットの紹介等を含みますが、これらに限定されません）は、一般的な学習参考用であり、いかなる場合も医学的な助言、診断、治療、またはこれらに準ずる行為（以下「医行為等」といいます）を提供するものではありません。
3. 本サイトのコンテンツは、特定の製品、技術、または治療法の有効性、安全性を保証、推奨、または広告・販売促進するものではありません。紹介する技術には研究開発段階のものが含まれており、その臨床応用には、さらなる研究と国内外の規制当局による正式な承認が別途必要です。
4. 本サイトは、情報提供を目的としたものであり、特定の治療法を推奨するものではありません。健康に関するご懸念やご相談は、必ず専門の医療機関にご相談ください。

第2条（法令等の遵守）
利用者は、本サイトの利用にあたり、医師法、医薬品、医療機器等の品質、有効性及び安全性の確保等に関する法律（薬機法）、個人情報の保護に関する法律、医療法、医療広告ガイドライン、その他関連する国内外の全ての法令、条例、規則、および各省庁・学会等が定める最新のガイドライン等を、自らの責任において遵守するものとします。これらの適用判断についても、利用者が自ら関係各所に確認するものとし、本サイトは一切の責任を負いません。

第3条（医療行為における責任）

1. 本サイトで紹介するAI技術・手法は、あくまで研究段階の技術的解説であり、実際の臨床現場での診断・治療を代替、補助、または推奨するものでは一切ありません。
2. 医行為等に関する最終的な判断、決定、およびそれに伴う一切の責任は、必ず法律上その資格を認められた医療専門家（医師、歯科医師等）が負うものとします。AIによる出力を、資格を有する専門家による独立した検証および判断を経ずに利用することを固く禁じます。
3. 本サイトの情報に基づくいかなる行為によって利用者または第三者に損害が生じた場合も、本サイト運営者は一切の責任を負いません。実際の臨床判断に際しては、必ず担当の医療専門家にご相談ください。本サイトの利用によって、利用者と本サイト運営者の間に、医師と患者の関係、またはその他いかなる専門的な関係も成立するものではありません。

第4条（情報の正確性・完全性・有用性）

1. 本サイトは、掲載する情報（数値、事例、ソースコード、ライブラリのバージョン等）の正確性、完全性、網羅性、有用性、特定目的への適合性、その他一切の事項について、何ら保証するものではありません。
2. 掲載情報は執筆時点のものであり、予告なく変更または削除されることがあります。また、技術の進展、ライブラリの更新等により、情報は古くなる可能性があります。利用者は、必ず自身で公式ドキュメント等の最新情報を確認し、自らの責任で情報を利用するものとします。

第5条（AI生成コンテンツに関する注意事項）
本サイトのコンテンツには、AIによる提案を基に作成された部分が含まれる場合がありますが、公開にあたっては人間による監修・編集を経ています。利用者が生成AI等を用いる際は、ハルシネーション（事実に基づかない情報の生成）やバイアスのリスクが内在することを十分に理解し、その出力を鵜呑みにすることなく、必ず専門家による検証を行うものとします。

第6条（知的財産権）

1. 本サイトを構成するすべてのコンテンツに関する著作権、商標権、その他一切の知的財産権は、本サイト運営者または正当な権利を有する第三者に帰属します。
2. 本サイトのコンテンツを引用、転載、複製、改変、その他の二次利用を行う場合は、著作権法その他関連法規を遵守し、必ず出典を明記するとともに、権利者の許諾を得るなど、適切な手続きを自らの責任で行うものとします。

第7条（プライバシー・倫理）
本サイトで紹介または言及されるデータセット等を利用する場合、利用者は当該データセットに付随するライセンス条件および研究倫理指針を厳格に遵守し、個人情報の匿名化や同意取得の確認など、適用される法規制に基づき必要とされるすべての措置を、自らの責任において講じるものとします。

第8条（利用環境）
本サイトで紹介するソースコードやライブラリは、執筆時点で特定のバージョンおよび実行環境（OS、ハードウェア、依存パッケージ等）を前提としています。利用者の環境における動作を保証するものではなく、互換性の問題等に起因するいかなる不利益・損害についても、本サイト運営者は責任を負いません。

第9条（免責事項）

1. 本サイト運営者は、利用者が本サイトを利用したこと、または利用できなかったことによって生じる一切の損害（直接損害、間接損害、付随的損害、特別損害、懲罰的損害、逸失利益、データの消失、プログラムの毀損等を含みますが、これらに限定されません）について、その原因の如何を問わず、一切の法的責任を負わないものとします。
2. 本サイトの利用は、学習および研究目的に限定されるものとし、それ以外の目的での利用はご遠慮ください。
3. 本サイトの利用に関連して、利用者と第三者との間で紛争が生じた場合、利用者は自らの費用と責任においてこれを解決するものとし、本サイト運営者に一切の迷惑または損害を与えないものとします。
4. 本サイト運営者は、いつでも予告なく本サイトの運営を中断、中止、または内容を変更できるものとし、これによって利用者に生じたいかなる損害についても責任を負いません。

第10条（規約の変更）
本サイト運営者は、必要と判断した場合、利用者の承諾を得ることなく、いつでも本規約を変更することができます。変更後の規約は、本サイト上に掲載された時点で効力を生じるものとし、利用者は変更後の規約に拘束されるものとします。

第11条（準拠法および合意管轄）
本規約の解釈にあたっては、日本法を準拠法とします。本サイトの利用および本規約に関連して生じる一切の紛争については、東京地方裁判所を第一審の専属的合意管轄裁判所とします。

---

For J³, may joy follow you.