# AIナレッジセンター

> セキュリティ・AI エージェントの評価・フィジカル AI・ループエンジニアリングの実務者向けナレッジセンター。各領域を 1 冊の本と見なした章・節の構成で、公開された一次資料を根拠に自社の知見として書いています。各ページの Markdown 版は、HTML と同じ path に .md を付けた URL にあります。

各領域の序章から順に読むと全体が分かります。各行は [題](Markdown 版の URL): 1 行の説明 です。

## セキュリティ

- [セキュリティ（序章）](https://knowledge.uniquex.co.jp/security.md): AI を組み込んだ製品と情報システムを、守る側として検査し、設計し、運用するための本。攻撃の全体像、公開された基準、診断の計画から運用の体制までを、一次資料を根拠に章立てで説明します。

### 第 1 章 AI を組み込んだ製品を狙う攻撃の全体像

- [第 1 章 AI を組み込んだ製品を狙う攻撃の全体像（導入）](https://knowledge.uniquex.co.jp/security/attacks-overview.md): 第 1 章の導入。AI を組み込んだ製品で何が起こりうるかを、守る対象の三つの層と、入口・権限・出力・供給網の四つの主題で一望し、以降の章の地図を示します。
- [1.1 AI システムの構成要素と保護対象](https://knowledge.uniquex.co.jp/security/getting-started.md): AI を組み込んだ製品で守る対象を、従来の情報システム、モデルとそのデータ、ツールを呼び出して行動するエージェントの三つの層に分け、層ごとの入口と参照する基準、守る対象の一覧の作り方を示します。
- [1.2 直接・間接プロンプトインジェクションの仕組み](https://knowledge.uniquex.co.jp/security/prompt-injection.md): LLM が読む内容に含まれる文言が指示として作用する脆弱性について、直接と間接の二つの経路、成立の条件、影響の上限、対策の四つの層を OWASP LLM01（2026） に沿って整理します。
- [1.3 権限の濫用とツール呼び出しの危険](https://knowledge.uniquex.co.jp/security/excessive-agency-and-tool-call-risks.md): AIの誤った提案が実際の操作になる条件を、備品申請の架空例で説明します。機能、権限、自動実行の範囲を分け、被害がどこまで広がるかを考えます。
- [1.4 機密情報と隠れた文脈の漏えい](https://knowledge.uniquex.co.jp/security/sensitive-information-and-hidden-context-leakage.md): AIが扱う情報のどこから漏えいが起こるかを、社内検索の架空例で説明します。非表示の指示、検索した資料、ツールへの送信、ログや保存済み回答を区別します。
- [1.5 出力の誤りと下流への伝播](https://knowledge.uniquex.co.jp/security/output-errors-and-downstream-propagation.md): AIの誤った回答が、人の判断や後続の処理へ広がる経路を説明します。内容の正確さと出力の取り扱いを分け、根拠や確認済みの状態が失われる危険を整理します。
- [1.6 サプライチェーン攻撃とデータ汚染](https://knowledge.uniquex.co.jp/security/supply-chain-attacks-and-data-poisoning.md): AI製品が取り込むモデル、学習データ、ソフトウェアの依存要素に潜む脅威を説明します。汚染が入る段階と下流への影響を分け、誤りと攻撃を混同しない見方を示します。
- [1.8 オープンLLMの自社ホスティングに残るバックドアのリスク](https://knowledge.uniquex.co.jp/security/self-hosted-llm-backdoors.md): バックドア研究、モデルの読み込み、実行権限と通信の指針を照合し、オープンLLMの自社ホスティングで減らせるリスクと残るリスク、受け入れ・評価・停止の判断を説明します。

### 第 2 章 脅威の整理と基準

- [第 2 章 脅威の整理と基準（導入）](https://knowledge.uniquex.co.jp/security/threat-landscape-and-standards.md): 第 2 章の導入。第 1 章で見た脅威を、OWASP Top 10 for LLM Applications 2026、IPA の脆弱性の分類、CVSS・EPSS・KEV、NIST AI RMF といった公開の基準で整理し、社内と依頼先で共通の言葉を持つための章です。
- [2.1 OWASP Top 10 for LLM Applications 2026 の主要リスク](https://knowledge.uniquex.co.jp/security/llm-application-security.md): OWASP Top 10 for LLM Applications 2026 の十項目を、設計を確かめる四つの問いに対応づけ、2025 年版からの変更と、権限分離・出力の検証・人の承認・監視と上限の四つの対策の水準を整理します。
- [2.3 脆弱性の深刻度と悪用可能性の評価指標](https://knowledge.uniquex.co.jp/security/cvss-epss-kev.md): 脆弱性に対応する順番を決めるときに使う CVSS（深刻度）、EPSS（悪用される確率）、KEV（悪用の事実）の定義と違い、三つを重ねて直す順番を決める考え方を整理します。
- [2.4 NIST AI RMFのAIリスク管理の枠組み](https://knowledge.uniquex.co.jp/security/nist-ai-rmf.md): NIST AI RMFは、AIの用途と影響を整理し、評価と対応を結び付ける任意の枠組みです。1.0本文の項目を、担当、評価条件、公開判断の記録へ対応付けます。顧客向けFAQへの変更を例に、権限外の情報や根拠のない回答をどう扱うかを示します。
- [2.7 業界横断で参照するセキュリティ規制と標準](https://knowledge.uniquex.co.jp/security/security-standards-and-regulations.md): セキュリティ基準は、組織管理、製品検査、委託先、業種固有の要求で使い分けます。今回の判断から参照先を選び、要件と作業の記録を対応付けます。外部ユーザー招待を例に、ASVSの要件から正常系と拒否系の検査へ落とす方法を示します。
- [2.8 NIST CSFによるサイバーリスクの整理](https://knowledge.uniquex.co.jp/security/nist-csf.md): NIST CSF 2.0は、サイバーセキュリティで達成したい成果を整理する枠組みです。現状と目標のプロファイルを比較し、不足に担当と完了条件を付けます。AI検索サービスの資産、認可、監視、復旧を例に、未検査と不合格を分けて記録します。
- [2.9 ISO/IEC 27001の情報セキュリティマネジメント](https://knowledge.uniquex.co.jp/security/iso-27001.md): ISO/IEC 27001は、情報セキュリティマネジメントシステムの要求事項を定める規格です。公開概要と委員会の実務ノートを参照し、対策を選んだ理由と実施状況の整理例を示します。有料本文の条項や認証の適合判定は扱いません。
- [2.10 ISO/IEC 27002の情報セキュリティ管理策](https://knowledge.uniquex.co.jp/security/iso-27002.md): ISO/IEC 27002は、情報セキュリティ管理策の実施を考えるための指針です。退職者のアカウントに加え、共有リンクやAPIキーを確認する場面を具体化します。公開概要に基づく説明と当サイトの架空の記入例を分け、有料本文の管理策番号は割り当てていません。
- [2.11 CIS Controlsの実装グループと優先付け](https://knowledge.uniquex.co.jp/security/cis-controls.md): CIS Controlsは、サイバー防御の管理策と保護策を整理した実践集です。実装グループは、リスクと使える資源に応じて取り組む範囲を考える助けになります。公式の管理策一覧を参照し、資産台帳と配布物の部品情報を整理する記入例を示します。
- [2.12 ISO 22301による事業継続の管理](https://knowledge.uniquex.co.jp/security/iso-22301.md): ISO 22301は、事業継続マネジメントシステムの要求事項を定める規格です。停止の影響、代替策、切替の判断と担当を整理します。公開概要を基に、推薦APIの停止から代替表示へ切り替える架空の計画と演習の観点を示します。
- [2.13 ISO/IEC 27017のクラウドセキュリティ管理策](https://knowledge.uniquex.co.jp/security/iso-27017.md): ISO/IEC 27017は、クラウドの提供者と利用者が情報セキュリティ管理策を考えるための指針です。公開概要では2026年版を確認しています。マネージドDBを例に、契約範囲、利用者に残る作業、復元や拒否試験を整理します。
- [2.14 CSA CCMによるクラウド管理策の整理](https://knowledge.uniquex.co.jp/security/csa-ccm.md): CSA CCMは、クラウドの安全管理を確認する管理策の体系です。v4.1の公式公開説明を基に、質問票の回答を自社の要件と照合する方法を示します。ログ保存の例では、回答、契約範囲、自社設定、実際の試験を分けて判断します。
- [2.15 SOC 2の保証報告と委託先の評価](https://knowledge.uniquex.co.jp/security/soc-2.md): SOC 2は、サービス組織のシステムと統制に関する保証報告です。Type 1とType 2では対象となる時点や期間、運用の評価範囲が異なります。調達時には対象サービス、例外、自社に残る統制を読み、追加確認と判断を記録します。
- [2.16 OWASP ASVSのWebアプリケーションのセキュリティ要件](https://knowledge.uniquex.co.jp/security/owasp-asvs.md): OWASP ASVSは、Web機能のセキュリティ要件を設計と検査へ結び付ける標準です。5.0.0の8.2.2と8.3.1を使い、AI検索APIの認可試験を具体化します。正常系、権限外の取得、直接API、検索経由を分けて確認し、この一例を全体適合とは扱いません。
- [2.17 NIST SSDFの安全なソフトウェア開発の枠組み](https://knowledge.uniquex.co.jp/security/nist-ssdf.md): NIST SSDFは、安全なソフトウェア開発の実践を開発工程へ組み込む枠組みです。1.1版のRV群を参照し、依存部品の脆弱性通知から影響判断、修正、配布、原因分析までを具体化します。更新PRの作成と稼働版の修正完了を区別して記録します。
- [2.18 ISO/IEC 42001によるAIマネジメント](https://knowledge.uniquex.co.jp/security/iso-42001.md): ISO/IEC 42001は、組織のAIマネジメントシステムを扱う国際規格です。公開概要を基に、社内用の要約機能を顧客向けへ変更する際の検討例を示します。利用者、文書、保存条件、誤りの影響を見直し、評価と提供判断を記録します。
- [2.19 個人情報保護法ガイドライン通則編の構成](https://knowledge.uniquex.co.jp/security/personal-information-guidelines.md): 個人情報保護法ガイドライン通則編は、個人情報の取扱いに関する法の考え方と対応を示す資料です。令和8年6月一部改正版を基に、外部AIへの送信前に目的、保存、二次利用、委託先を整理します。本文の参照箇所と事実整理の例を示し、個別の適否は実際の処理条件を基に確認します。
- [2.20 医療情報システムの安全管理に関するガイドラインの構成](https://knowledge.uniquex.co.jp/security/medical-information-security-guidelines.md): 医療情報システムの安全管理ガイドライン第7.0版は、役割と保守委託の状況に応じて参照する編を分けます。分岐は一つのSaaSの利用ではなく、すべての対象サーバの更新責任を契約上委託しているかです。公式本文から責任分界、委託管理、非常時の備えを確認し、AI要約導入時の記録へつなげます。
- [2.21 IEC 62443の産業制御セキュリティ](https://knowledge.uniquex.co.jp/security/iec-62443.md): IEC 62443は、産業用の自動化・制御システムのサイバーセキュリティを扱う規格シリーズです。無料の公式解説から、設備を持つ側、組み合わせる側、製品を供給する側の確認対象を整理します。AI画像検査を追加する例で、権限、更新、接続、異常時の担当を具体化します。
- [2.22 ISO/SAE 21434と車載システムのサイバーリスク](https://knowledge.uniquex.co.jp/security/iso-sae-21434.md): ISO/SAE 21434は、自動車の電気電子システムのサイバーセキュリティを扱う規格です。公開概要が示すライフサイクルを基に、遠隔更新への変更時に確認する対象を整理します。更新物、権限、中断、保守、移管の記録例を示し、有料本文の評価方法や適合判定は扱いません。
- [2.23 PCI DSSによる決済カード情報の保護](https://knowledge.uniquex.co.jp/security/pci-dss.md): PCI DSSは、カード会員データ等を保護するための基準です。決済導入時には画面、送信、保存、ログ、問い合わせの流れを整理します。公開概要を基に適用範囲の相談に必要な資料を示し、取得できなかった本文の要件番号やSAQ条件は要約しません。
- [2.24 Web・AIサービスの共通セキュリティ対策と優先順位](https://knowledge.uniquex.co.jp/security/security-control-priorities.md): 対策の優先順位は、資産、外部への露出、被害、復旧の必要性から決めます。NIST CSFとCIS Controlsの関連領域を参照し、確認可能な作業へ分けます。顧客文書検索の例で、権限外の取得、復元未確認、通知の欠落に担当と判定条件を付けます。

### 第 3 章 診断の計画

- [第 3 章 診断の計画（導入）](https://knowledge.uniquex.co.jp/security/assessment-planning.md): 第 3 章の導入。脆弱性診断やペネトレーションテストを依頼する前に決めること（診断と侵入試験の違い、対象と範囲、許可と連絡体制、方式、依頼先、AI 製品に固有の項目）を扱う章の目的と読み方を示します。
- [3.1 脆弱性診断とペネトレーションテストの違い](https://knowledge.uniquex.co.jp/security/vulnerability-assessment.md): 脆弱性診断（弱点を広く列挙する）とペネトレーションテスト（弱点を悪用して目標への到達を確かめる）の定義と種類、目的・範囲・深さの違い、使い分けと順番、結果の限界を整理します。
- [3.2 診断の対象と範囲の決め方](https://knowledge.uniquex.co.jp/security/ordering-a-vulnerability-assessment.md): 脆弱性診断を依頼する前に、対象の一覧（URL、ホスト、API、アカウント種別）、範囲外の明示、本番か検証環境かを決める手順と、範囲が決まった後に決める方式・基準・報告書・直す順番を整理します。
- [3.3 診断の実施許可と連絡体制の文書化](https://knowledge.uniquex.co.jp/security/assessment-authorization-and-contacts.md): 脆弱性診断やペネトレーションテストを始める前に 1 枚の文書に残す項目（所有者の承認、期間と時間帯、実施元、停止条件と手順、連絡先、許す手法の線引き）と、文書が無いときに起こる詰まりを整理します。
- [3.4 自動診断・手動診断・併用方式の比較](https://knowledge.uniquex.co.jp/security/comparing-assessment-methods.md): 脆弱性診断の自動・手動・併用方式を、検出、結果の精査、業務固有の仕様確認に分けて比較します。発注時に揃える条件と、見積や報告での読み違いを説明します。
- [3.5 脆弱性診断サービスの選定基準](https://knowledge.uniquex.co.jp/security/choosing-a-vulnerability-assessment-service.md): 脆弱性診断の依頼先を選ぶために、IPA の適合サービスリストの読み方、担当者の体制、提案範囲、報告書と再診断の条件を比較する観点を説明します。
- [3.6 AI 製品に固有の診断項目](https://knowledge.uniquex.co.jp/security/security-assessment-items-for-ai-products.md): 生成 AI を使う検索・業務支援製品の診断項目を、入力の扱い、検索時の権限、ツールの実行、記憶と利用量の観点から具体例で説明します。

### 第 4 章 発注者が進める診断

- [4.1 検査の四つの段階と発注側の役割](https://knowledge.uniquex.co.jp/security/assessment-phases-and-client-responsibilities.md): 許可済みのセキュリティ検査を、計画・発見・攻撃・報告の四段階で捉え、発注側が実施中の変更、異常、進捗、結果を確認する方法を説明します。
- [4.3 AI システムの試験の発注と受け入れ](https://knowledge.uniquex.co.jp/security/commissioning-and-accepting-ai-system-tests.md): AI システムの試験を依頼するときに指定する対象条件、通常時と攻撃下の成績、試行の数え方、結果を受け取るための証拠と限界を整理します。

### 第 5 章 結果の読み方

- [5.1 診断報告書の構成と読み方](https://knowledge.uniquex.co.jp/security/reading-assessment-reports.md): 脆弱性診断の報告書を、範囲、根拠、影響、対応の順に読み解きます。架空の指摘例を使い、修正担当へ渡せる記録と確認事項を整理します。
- [5.2 脆弱性の修正優先順位の決め方](https://knowledge.uniquex.co.jp/security/prioritizing-vulnerability-remediation.md): 古い依存を固定した使い捨ての対象を osv-scanner 2.7.0 で検査し、見つかった CVE に FIRST の EPSS と CISA の KEV を実際に引いて、CVSS だけの順位とどれだけ違うかを比べた記録です。
- [5.3 脆弱性を修正できない場合の対応](https://knowledge.uniquex.co.jp/security/responding-to-unfixable-vulnerabilities.md): 脆弱性をすぐ修正できないときに、代替措置の効果と限界を確認し、残余リスク、判断者、期限、見直し条件を記録する方法を説明します。
- [5.4 再診断と継続的な管理](https://knowledge.uniquex.co.jp/security/retesting-and-continuous-vulnerability-management.md): 脆弱性の修正後に、適用状況と対策の効果を確かめる手順です。再診断の範囲、判定の根拠、未確認事項を台帳に残し、変更時と期限に応じて見直します。

### 第 6 章 守りの設計

- [6.1 信頼境界の描き方](https://knowledge.uniquex.co.jp/security/drawing-trust-boundaries.md): AIアプリケーションの信頼境界を、問い合わせ対応の架空例で図にする手順です。データの出所と操作の権限を分け、境界で必要な検査と設計の限界を整理します。
- [6.2 権限分離と最小権限](https://knowledge.uniquex.co.jp/security/separating-permissions-and-least-privilege.md): AIアプリケーションの権限を必要な操作と対象に絞る考え方です。問い合わせの下書き作成を例に、認証情報の置き場、モデルへ渡す情報、実行側と下流での認可、権限変更時の確認を説明します。
- [6.3 ツール呼び出しの承認の設計](https://knowledge.uniquex.co.jp/security/designing-tool-call-approvals.md): AI が提案した操作を人が確認する仕組みを、承認の要否、確認画面、実行直前の照合、再試行と承認疲れへの対処について説明します。
- [6.4 入出力の検証](https://knowledge.uniquex.co.jp/security/validating-inputs-and-outputs.md): 架空の問い合わせ 30 件（注入 7 件を含む）を gemini-2.5-flash-lite とローカルの Gemma 4（e2b）に JSON で分類させ、Zod 4.6.5 と Pydantic 2.14.1 で検査して、形式の不備、既定の設定の違い、検査を通る注入の出力を数えた記録です。
- [6.5 MCP を使った外部ツール連携のセキュリティ設計](https://knowledge.uniquex.co.jp/security/securing-mcp-tool-integrations.md): MCP による外部ツール連携で、説明文、接続先、資格情報、作業の識別子をどう扱うかを説明します。2026-07-28版の公式仕様を根拠に、遠隔接続と手元で動かすサーバーの確認点を分けます。
- [6.6 ログ監視と利用量の上限設定](https://knowledge.uniquex.co.jp/security/monitoring-logs-and-limiting-agent-usage.md): AIアプリケーションで残すログ、異常を知らせる条件、トークン・費用・呼び出し回数を止める上限を分けて説明します。架空の問い合わせ支援サービスを例に、秘密の保護、再試行、停止後の扱いを整理します。
- [6.7 入出力の検査の OSS を同じ入力で比べた結果](https://knowledge.uniquex.co.jp/security/comparing-guardrail-oss-tools.md): LLM Guard、NeMo Guardrails、Llama Guard 3 1B に、同じ 54 件の入力と 20 件の出力を通し、検出した件数、誤検出、時間、費用、導入でつまずいた点を、実行した条件とともに記録します。
- [6.8 パスキー対応サイトでアカウントが乗っ取られる条件](https://knowledge.uniquex.co.jp/security/passkey-account-takeover.md): ドイツの研究が103サイトで見つけた問題と、eBayの修正前の実証を解説します。パスキーの登録からログイン、端末紛失時の復旧、身に覚えのない鍵の追加までを追います。
- [6.9 決済情報・個人情報の最小化とユーザー認証の設計](https://knowledge.uniquex.co.jp/security/data-minimization-and-authentication.md): 決済情報や個人情報を集める必要を減らしながら、購入・継続利用・復旧を成立させる設計を解説します。決済の外部委託、パスキー、外部ログインを比較し、ログ・バックアップ・AIへの入力まで検討します。
- [6.10 個人情報を外部に預けて自社サイトで使うサービスの比較](https://knowledge.uniquex.co.jp/security/embedded-personal-data-services.md): 氏名や住所、会員情報、本人確認書類を外部に預けて自社サイトで使う6サービスを比較します。Skyflow・VGS・Auth0・Cognito・Clerk・Stripe Identityの役割と、原文を自社へ戻さないための条件を整理します。
- [6.11 パスワード管理ソフトの技術比較](https://knowledge.uniquex.co.jp/security/password-manager-comparison.md): 1Password、Bitwarden、KeePassXC、Apple Passwordsなど13製品の暗号化、同期、復旧、共有、パスキー移行を比較します。

### 第 7 章 開発工程への組み込み

- [7.1 開発工程ごとのセキュリティテスト](https://knowledge.uniquex.co.jp/security/security-testing-across-development.md): セキュリティの確認を設計、実装、結合試験、配布前に組み込む手順です。架空の文書共有機能を例に、確認する条件、試験データの分離、結果の判断、修正後の再確認と記録を説明します。
- [7.2 依存関係とサプライチェーンの管理](https://knowledge.uniquex.co.jp/security/managing-dependencies-and-supply-chains.md): npm 11.11.0でlockfileからSBOMを作る最小例と結果の読み方を示します。脆弱性検査との使い分け、PyTorchの依存関係インシデント、配布版に結び付ける記録を説明します。
- [7.3 AI が書いたコードの検査](https://knowledge.uniquex.co.jp/security/inspecting-ai-generated-code.md): AIが生成したコードを取り込む前に、仕様、変更差分、実行結果をどう照合するかを説明します。架空の資料検索機能を例に、検査手段の役割と、未確認の場合の取り扱いを整理します。
- [7.5 AI エージェントのセキュリティ検査に使う OSS の役割と選び方](https://knowledge.uniquex.co.jp/security/choosing-ai-agent-security-testing-oss.md): プロンプトインジェクション、ジェイルブレイク、ツールの悪用、情報の漏えいを確かめる OSS を、攻撃を作る検査・入出力の守り・記録との照合の三つの役割に分け、開発中・CI・本番での置き場所と選び方をまとめます。
- [7.6 レッドチームの OSS を同じエージェントで比べた結果](https://knowledge.uniquex.co.jp/security/comparing-red-team-oss-tools.md): garak・PyRIT・promptfoo のレッドチーム機能を、自作の検証用エージェントへ同じ条件で当て、指摘の数、実害との一致、誤検出、時間、費用、CI への組み込みやすさを比べた実測の記録です。
- [7.7 Cloudflare security-audit-skill の仕組みと監査記録の検証](https://knowledge.uniquex.co.jp/security/cloudflare-security-audit-skill.md): Cloudflare の security-audit-skill を固定版で読み、6段階の監査と独立検証を解説します。自作 JSON 12ケースで検査プログラムを動かし、形式の検査で止まる誤りと、事実確認が必要な範囲を確かめました。

### 第 8 章 運用と体制

- [8.4 公開された侵害事例の原因・被害・対策の読み取り](https://knowledge.uniquex.co.jp/security/reading-public-incident-reports.md): 当事者や公的機関が公表した侵害事例を、起点・被害の範囲・対策に分けて読み、自社の確認項目に変える方法を、三つの公開事例で説明します。
- [8.5 アスクルのランサムウェア被害の経過と対策](https://knowledge.uniquex.co.jp/security/askul-ransomware-incident.md): 2025年10月に起きたアスクル株式会社のランサムウェア被害を、当事者の公表だけを根拠に、経過・背景・原因・対策・対応の状況に分けて整理します。
- [8.6 2026年の国内の情報漏えいから学ぶ設計の教訓](https://knowledge.uniquex.co.jp/security/domestic-breach-lessons-2026.md): 2026年に公表されたKDDIのISP向けメール基盤とタイムズカーの情報漏えいを、当事者と公的機関の公表だけで読み、パスワードの保存、委託先の基盤、預かる情報の量、検知と対応の設計に当てはめて整理します。
- [8.7 2026年に公表された国内の不正アクセス事例一覧](https://knowledge.uniquex.co.jp/security/domestic-unauthorized-access-cases-2026.md): 2026年に公表・続報のあった国内29対象を、公式資料の日付と被害の確度で比較します。20事例の対象範囲を一覧内に整理し、訂正や運用変更を分析した個別解説につなぎます。
- [8.8 Studioの不正アクセスとフォーム情報への影響](https://knowledge.uniquex.co.jp/security/studio-unauthorized-access-2026.md): Studioのフォーム回答と外部連携の認証情報について、公表された影響範囲を整理します。画面に見えない保存済み回答と利用組織への影響を分けて確認します。
- [8.16 skyticketの不正アクセスと過去の決済ログの流出](https://knowledge.uniquex.co.jp/security/skyticket-unauthorized-access-2026.md): skyticketが、カード情報は対象外とした初報を訂正した経過を比較します。2017〜2018年の決済ログの残存と、現在のカード非保持を分けて読みます。
- [8.17 infoQの不正アクセスとポイントの不正交換](https://knowledge.uniquex.co.jp/security/infoq-unauthorized-access-2026.md): infoQの初報から確定した持ち出し件数と、ポイント不正交換を別々に整理します。退会後に個人情報を削除した記録が影響範囲の集計にどう関係したかを読みます。
- [8.18 Communeの不正アクセスと漏えい範囲・署名鍵の更新](https://knowledge.uniquex.co.jp/security/commune-unauthorized-access-2026.md): Communeの漏えい対象人数の訂正を、延べ人数と重複の定義から読みます。招待リンクの無効化と署名鍵の更新で確認する範囲も分けて整理します。
- [8.21 お名前.com デスクトップクラウドの不正アクセスと対応状況](https://knowledge.uniquex.co.jp/security/onamae-desktop-cloud-unauthorized-access-2026.md): お名前.com デスクトップクラウド第7報のサービス停止と利用者端末調査を整理します。攻撃予告と確認済みの被害、補償方針と実施完了の状況を区別して読み解きます。
- [8.23 コミックシーモアの不正アクセスとログからの情報流出](https://knowledge.uniquex.co.jp/security/cmoa-unauthorized-access-2026.md): コミックシーモアの第4報で公表された会員DB319件とログ最大約420万件を、対象項目ごとに比較します。パスワードの扱いと段階的再開の条件を整理します。
- [8.32 ふるさとチョイスの不正アクセスと寄附者情報の流出](https://knowledge.uniquex.co.jp/security/furusato-choice-unauthorized-access-2026.md): ふるさとチョイスの初報から第3報を照合し、対象者数と情報項目の追加、外部から表示する情報、管理システムの再開範囲を分けて整理します。
- [8.35 タイムズカーの不正アクセスと本人確認書類への影響](https://knowledge.uniquex.co.jp/security/timescar-unauthorized-access-2026.md): タイムズカー第5報の外部送信・アクセス痕跡を区別し、本人確認書類画像を退会後7年間保有する運用から登録確認後に保有しない運用への変更を整理します。
- [8.36 AIによるサイバー防御を導入する前に考えること](https://knowledge.uniquex.co.jp/security/adopting-ai-cyber-defense.md): AIによるサイバー防御の導入前に、発見から修正までの時間、誤検知、権限、AI自身の安全性、確認を含む総工数をどう評価するか整理します。
- [8.37 バイナンスの不正アクセスと署名サービスを悪用した資産流出](https://knowledge.uniquex.co.jp/security/binance-unauthorized-access-2026.md): バイナンスが2026年11月3日に公表した調査報告を基に、偽の採用面接から社内AIツール、署名サービスへ至った攻撃と、EIP-7702による資産流出を解説します。
- [8.38 無印良品のカード情報流出の可能性とPCI DSSの論点](https://knowledge.uniquex.co.jp/security/muji-card-information-exposure-pci-dss.md): 無印良品のMUJI Card情報流出の可能性について、公式発表とクレディセゾンによる2度の削除依頼の取材報道を整理し、削除の完了確認とPCI DSSの論点を説明します。
- [8.39 デジタルフォレンジックの進め方](https://knowledge.uniquex.co.jp/security/forensic-log-correlation.md): デジタルフォレンジックの進め方を約1万字で解説します。初動、証拠保全、端末・ログ・クラウドの調査、分析、専門家への依頼、報告書、復旧と再発防止まで、判断の観点を整理します。
- [8.40 AWSとGoogle Cloudのデジタルフォレンジック手順](https://knowledge.uniquex.co.jp/security/aws-gcp-forensics-procedures.md): AWS・Google Cloudのフォレンジックに必要な監査ログの設定、検索SQLとCLI、保存済みログとVMディスクの保全手順を具体例で説明します。
- [8.41 委託先への不正アクセス13事案の比較と情報漏えい対策](https://knowledge.uniquex.co.jp/security/vendor-breach-postmortems.md): 2026年秋の中間報告と過去の調査結果を含む13事案から、侵入口・認証情報・被害拡大・データ保管を分類し、統計の限界と委託先管理の対策を整理します。
- [8.42 情報漏えいの発見事例とフォレンジック体制・ログ設計](https://knowledge.uniquex.co.jp/security/breach-discovery-forensic-readiness.md): 国内外の公開統計と漏えい発見の5事例から、調査できるログと体制を整理。AIを使う攻撃、自社エージェントの事故、防御側のAI利用を分け、証拠保全と実行記録の設計を考えます。
- [8.43 2026年の銀行・金融・決済サービスの不正アクセスと情報漏えい](https://knowledge.uniquex.co.jp/security/banking-incidents-november-2026.md): 2026年に公表された国内外の事案について、侵入を受けた組織、持ち出された情報や資金、利用者に通知された内容を一次資料からたどります。
- [8.44 SIEMの仕組みとAWS・Google Cloudでのログ相関分析](https://knowledge.uniquex.co.jp/security/siem-forensic-correlation.md): SIEMによるログ収集、正規化、相関分析の仕組みと、アラートから事実をたどるデジタルフォレンジックの考え方を解説します。AWSとGoogle Cloudで対応するサービスを役割別に紹介します。
- [8.45 EC加盟店のセキュリティ申告と調査対象](https://knowledge.uniquex.co.jp/security/ec-merchant-declarations.md): 加盟店調査では、契約ごとの販売方法を確かめ、対象となる対策の実施状況を確認します。調査義務の主体はクレジットカード番号等取扱契約締結事業者です。メールリンクや継続課金では、価格付き商品を掲載する場所や初回のカード登録方法で回答が変わります。
- [8.46 ECサイトの脆弱性対策と決済時の本人認証](https://knowledge.uniquex.co.jp/security/ec-merchant-payment-security.md): 決済画面を外部に委託していても、商品ページの改ざん対策は加盟店サイト側で確かめます。脆弱性対策は管理者アクセスや診断後の修正など五つの観点で点検します。本人認証は利用契約と本番の決済経路を対応付けて確認します。
- [8.47 EC加盟店の不正ログイン対策と既存店調査](https://knowledge.uniquex.co.jp/security/ec-merchant-account-security.md): 会員登録、ログイン、登録情報の変更で起きる不正を考慮して対策を選びます。既存店調査では、以前の回答の後に追加された経路や機能も確認します。不正利用が急増したときは定期調査を待たずに対応します。
- [8.48 EC加盟店の申告書の回収と点検手順](https://knowledge.uniquex.co.jp/security/ec-merchant-declaration-review.md): 申告を受け付けたら、契約と販売サイトを特定し、回答を各決済経路に照らして確認します。設定が分からない場合は未判定として次の照会事項を記録します。是正が必要な場合は担当者、期限、完了の確認方法を対応付けます。
- [8.49 EC加盟店の対策評価と加盟店審査サービスの違い](https://knowledge.uniquex.co.jp/security/ec-merchant-assessment-services.md): NRIセキュアはEC加盟店の対策を評価し、システムやサイトを診断します。JCBのMarcsを活用したサービスは決済事業者が申込店を審査する際に使います。加盟可否は審査を依頼した決済事業者が判断します。
- [8.52 楽天証券への不正アクセスとテスト環境の顧客情報漏えいのおそれ](https://knowledge.uniquex.co.jp/security/rakuten-securities-test-environment.md): 楽天証券が11月17日に公表した最大約447万口座と最大約1,125万口座では、対象となる情報が異なります。退会者を含む顧客のリスク、楽天証券の安全管理・報告義務と損害賠償の要件を一次資料から解説します。
- [8.53 NewsPicksの不正アクセスから考える開発とリリースの再設計](https://knowledge.uniquex.co.jp/security/newspicks-incident-release-process.md): NewsPicksが2026年11月18日に公表した不正アクセスの調査結果を基に、時系列と対策を整理します。修正版適用後も残ったAPIキーを手がかりに、開発時の入力検証と更新・本番復帰の条件を考察します。
- [8.54 POS端末のマルウェア感染とカード情報窃取の事例](https://knowledge.uniquex.co.jp/security/pos-malware-card-theft-2026.md): POS端末700台超とカード情報100万枚超に関する公開調査を起点に、Windowsの権限昇格、メモリ窃取、暗号化とトークン化の違いを解説します。確認された事実と未公表の侵入経路を分け、店舗の点検項目へつなげます。

## AI エージェントの評価

- [AI エージェントの評価（序章）](https://knowledge.uniquex.co.jp/agent-evaluation.md): AI エージェントが期待どおりに動くかを、測り、確かめ、守り続けるための本。評価の言葉、設計、データ、採点、指標、回帰試験、本番の監視を章立てで扱います。

### 第 1 章 評価の基礎

- [第 1 章 評価の基礎（導入）](https://knowledge.uniquex.co.jp/agent-evaluation/what-is-evaluation.md): AI エージェントの評価の対象と言葉を定める章です。エージェントとワークフローの区別、評価の六つの要素、能力評価と回帰評価、評価データセットとルーブリックを扱います。
- [1.1 エージェントとワークフローの違い](https://knowledge.uniquex.co.jp/agent-evaluation/agent-vs-workflow.md): ワークフローは人が書いた経路で LLM とツールを動かし、エージェントは LLM が経路を決める仕組みです。違い、型、選び方、評価の仕方の変化を整理します。
- [1.2 評価を構成する六つの要素](https://knowledge.uniquex.co.jp/agent-evaluation/getting-started.md): AI エージェントの評価を組み立てる六つの要素（課題・試行・記録・最終状態・採点器・評価セット）を、架空の経費精算の 1 例を通して説明し、英語の原語との対応を示します。
- [1.3 能力評価と回帰評価](https://knowledge.uniquex.co.jp/agent-evaluation/capability-and-regression-evals.md): 能力評価はできるようになってほしいことを測り、回帰評価は以前できていたことが崩れていないかを測ります。二つの目的、開発の段階との対応、課題の移し方を整理します。
- [1.4 評価データセットとルーブリック](https://knowledge.uniquex.co.jp/agent-evaluation/eval-dataset-and-rubric.md): 評価データセットは課題（入力と成功の条件）の集まり、ルーブリックは採点の観点と水準を定めた基準です。構成要素、両者の関係、実務での扱いを整理します。
- [1.5 ハーネスの役割と構成](https://knowledge.uniquex.co.jp/agent-evaluation/agent-harness-components.md): モデル、ツール、環境とハーネスの役割を分け、実行の往復と文脈の引き継ぎを説明します。架空の資料整理を使い、評価時に残す構成条件を示します。
- [1.6 評価に使う OSS の役割と選び方](https://knowledge.uniquex.co.jp/agent-evaluation/choosing-evaluation-oss-tools.md): promptfoo・Inspect AI・DeepEval・Ragas・OpenAI Evals が、AI エージェントの評価のどの部分を受け持つかを整理し、確かめたいことや開発の段階に応じた選定基準を表にまとめます。
- [1.7 AIによるデータ分析を支えるオントロジーとセマンティックレイヤー](https://knowledge.uniquex.co.jp/agent-evaluation/ontology-and-semantic-layer.md): 2026年の製品発表と研究をもとに、オントロジーとセマンティックレイヤーがAIの集計・業務操作をどう支えるかを図解します。注文と返金の例で、指標の移植、権限、回答の評価までをたどります。

### 第 2 章 評価の設計

- [第 2 章 評価の設計（導入）](https://knowledge.uniquex.co.jp/agent-evaluation/evaluation-design.md): AI エージェントの評価を設計する章です。採点の粒度、エージェントの種類別の観点、正確さ以外の観点、設計の落とし穴を扱います。
- [2.1 最終状態・経路・一手という採点の粒度](https://knowledge.uniquex.co.jp/agent-evaluation/evaluation-granularity.md): AIエージェントを最終状態、操作の経路、一回のツール呼び出しといった粒度で採点することの違いを説明します。架空の資料整理を例に、必要な記録と結果の読み分けを示します。
- [2.2 エージェントの種類別の評価の観点](https://knowledge.uniquex.co.jp/agent-evaluation/evaluation-perspectives-by-agent-type.md): 検索回答、問い合わせ、コード修正、画面操作、自動化で何を評価するかを比較します。公開評価の設計と架空の課題例を分け、各指標で分からない範囲も説明します。
- [2.3 正確さ以外に測る観点](https://knowledge.uniquex.co.jp/agent-evaluation/evaluating-beyond-accuracy.md): AIエージェントを正答率だけで比べず、較正、頑健性、公平性、偏り、有害な表現、効率をどう分けて確かめるかを説明します。架空の社内案内サービスを例に、測れた範囲と限界を整理します。
- [2.4 評価設計の落とし穴](https://knowledge.uniquex.co.jp/agent-evaluation/pitfalls-in-evaluation-design.md): AIエージェントの評価で、答えの混入、保留データの不足、目的と指標のずれ、比較条件の変更が結論をどうゆがめるかを説明します。架空の資料検索サービスを例に、結果から言える範囲を整理します。
- [2.5 HyperFrames と Remotion の動画制作と修正の比較](https://knowledge.uniquex.co.jp/agent-evaluation/hyperframes-remotion-video-comparison.md): 同じ指示で作った8秒のお茶の広告を、初稿と修正版の4本で見比べます。価格を1秒早く出すと、片方で文字が重なった理由をコマ送りとコードの変更箇所から説明します。

### 第 3 章 評価データ

- [第 3 章 評価データ（導入）](https://knowledge.uniquex.co.jp/agent-evaluation/evaluation-data.md): AI エージェントの評価データを扱う章です。作り方、期待結果の定義、保守、公開ベンチマークの使いどころを扱います。
- [3.1 評価データの作り方](https://knowledge.uniquex.co.jp/agent-evaluation/building-evaluation-datasets.md): AIエージェントの評価課題を、利用者の依頼、初期状態、成功条件から作る手順です。会議室予約の架空例で、通常・例外・保留の課題と採点の落とし穴を説明します。
- [3.2 評価ケースごとの期待結果の定義](https://knowledge.uniquex.co.jp/agent-evaluation/defining-expected-results.md): AIエージェントの評価で何を正解とするかを、結果・制約・許容される別解に分けて定義します。架空の予約課題を使い、判定条件の書き方と採点の点検方法を示します。
- [3.3 評価データの保守](https://knowledge.uniquex.co.jp/agent-evaluation/maintaining-evaluation-datasets.md): 評価課題の追加、修正、利用停止と版の管理を説明します。架空の申請サービスを使い、変更前後の結果を比較できる条件と、古い課題を残すか外すかの判断を示します。
- [3.4 公開ベンチマークの使いどころ](https://knowledge.uniquex.co.jp/agent-evaluation/using-public-agent-benchmarks.md): SWE-benchとτ-benchを例に、公開評価を候補選びへ使う方法と限界を説明します。得点の実行条件を確かめ、自分の業務で残る確認へつなげます。

### 第 4 章 採点

- [第 4 章 採点（導入）](https://knowledge.uniquex.co.jp/agent-evaluation/grading.md): AI エージェントの採点を扱う章です。ルール・AI モデル・人による方式の比較、LLM 採点の限界、一致度の検証、ルーブリックの作成を扱います。
- [4.1 ルール・AI モデル・人による採点方式の比較](https://knowledge.uniquex.co.jp/agent-evaluation/comparing-grading-methods.md): AI エージェントの採点方法を、確認する対象、費用、結果の安定性、判断の妥当性で比較します。架空の備品予約を例に、ルール・AI モデル・人による判断の分担を説明します。
- [4.2 LLM による採点の仕組みと限界](https://knowledge.uniquex.co.jp/agent-evaluation/llm-judge-mechanisms-and-limits.md): LLM採点器へ渡す材料と基準、回答の順序や長さによる偏り、同じ条件で結果を確かめる方法を、架空の要約課題で説明します。
- [4.3 自動採点と人手採点の一致度の検証](https://knowledge.uniquex.co.jp/agent-evaluation/checking-grader-agreement.md): 架空の規程の問答 40 件に正解のラベルを付け、gemini-2.5-flash-lite とローカルの Gemma 4（e2b）で採点して、一致率・Cohen の κ・見逃しの内訳を、採点の指示を 3 通りに変えて測った記録です。
- [4.4 採点基準（ルーブリック）の作成](https://knowledge.uniquex.co.jp/agent-evaluation/creating-grading-rubrics.md): AIエージェントへの曖昧な要求を、観察できる採点条件と段階へ変える手順です。架空の案内作成を例に、境界例、判定不能、試し採点による基準の修正を説明します。

### 第 5 章 指標と統計

- [第 5 章 指標と統計（導入）](https://knowledge.uniquex.co.jp/agent-evaluation/metrics-and-statistics.md): AI エージェントの評価結果の読み方を扱う章です。成功率と信頼性、ばらつきと信頼区間、版の比較の統計的検証、費用と時間の指標を扱います。
- [5.1 成功率と信頼性の指標](https://knowledge.uniquex.co.jp/agent-evaluation/success-rate-and-reliability-metrics.md): AI エージェントの一回の成功率と、繰り返して成功する信頼性を区別します。架空の問い合わせ結果から、pass@k、pass^k、試行の単位、分母、比較の条件を説明します。
- [5.2 評価結果のばらつきと信頼区間](https://knowledge.uniquex.co.jp/agent-evaluation/evaluation-variability-and-confidence-intervals.md): AI エージェントの評価結果が揺れる原因と、信頼区間の読み方を説明します。架空の成功件数を使い、Wilson 法の計算例、独立性の前提、反復と課題数の違い、比較の限界を整理します。
- [5.4 費用と時間の指標](https://knowledge.uniquex.co.jp/agent-evaluation/measuring-agent-cost-and-time.md): AIエージェントの費用と時間を、一件の仕事と成功条件にそろえて測る考え方です。利用量と料金、応答時間と完了時間、失敗分を含む集計を架空例で区別します。

### 第 6 章 回帰試験と CI

- [第 6 章 回帰試験と CI（導入）](https://knowledge.uniquex.co.jp/agent-evaluation/regression-and-ci.md): AI エージェントの回帰試験と CI を扱う章です。評価を CI に組み込む手順、合否の基準と閾値、評価の実行環境を扱います。
- [6.1 評価を CI に組み込む手順](https://knowledge.uniquex.co.jp/agent-evaluation/integrating-evaluations-into-ci.md): Promptfoo 0.124.1とGitHub Actionsで、AIエージェントの引き継ぎ処理を変更時に検査する例です。固定入力、採点、失敗時の記録、必須チェックまでを具体的な設定でつなぎます。
- [6.2 合否の基準と閾値](https://knowledge.uniquex.co.jp/agent-evaluation/pass-fail-criteria-and-thresholds.md): AIエージェントの一回の実行を合格とする条件と、採点結果から合否を判定する閾値の決め方を説明します。必須条件、境界値、判定不能、調整後の確認と見直しを扱います。
- [6.3 評価の実行環境](https://knowledge.uniquex.co.jp/agent-evaluation/evaluation-execution-environments.md): AI エージェントの評価環境を、実行主体、通信先、保存先に分けて設計する考え方です。架空の備品予約を例に、隔離、初期化、秘密情報、外部依存、異常時の副作用確認を説明します。
- [6.4 評価の OSS を同じエージェントで比べた結果](https://knowledge.uniquex.co.jp/agent-evaluation/comparing-evaluation-oss-tools.md): promptfoo・Inspect AI・DeepEval・Ragas・OpenAI Evals を、同じ検証用エージェント・同じ 20 件・同じ採点用モデルで動かし、判定の一致、LLM 採点のずれ、時間、費用、CI への組み込みやすさを比較した実測の記録です。
- [6.5 LLM 採点を含む評価の実行時間の短縮](https://knowledge.uniquex.co.jp/agent-evaluation/speeding-up-llm-graded-evaluations.md): promptfoo 0.124.1 で 2 件 × 採点 10 項目の評価を流し、採点の同時実行を決める 3 つの上限と採点モデルの思考を変えて、所要時間と、採点モデルが受けた同時実行の数を測った記録です。

### 第 7 章 本番の監視と失敗の分析

- [第 7 章 本番の監視と失敗の分析（導入）](https://knowledge.uniquex.co.jp/agent-evaluation/monitoring-and-failure-analysis.md): AI エージェントの本番での監視と失敗の分析を扱う章です。監視する指標、トレースと計測の規約、失敗の分析と評価への反映、利用者のフィードバックを扱います。
- [7.1 本番環境で監視する指標](https://knowledge.uniquex.co.jp/agent-evaluation/production-monitoring-metrics.md): AI エージェントの本番監視で見る指標を、仕事の完了、品質の兆候、応答時間やエラーに分けて説明します。記録の範囲、分母、確認頻度、通知後の判断を架空の問い合わせで具体化します。
- [7.3 失敗の分析と評価への反映](https://knowledge.uniquex.co.jp/agent-evaluation/analyzing-failures-and-improving-evaluations.md): AIエージェントの失敗を、観測事実、原因候補、再現条件に分けて調べる手順です。架空の申請漏れから評価課題を作り、修正後の確認と運用への引継ぎまで説明します。

### 第 8 章 ガードレールとリリース判断

- [第 8 章 ガードレールとリリース判断（導入）](https://knowledge.uniquex.co.jp/agent-evaluation/guardrails-and-release.md): AI エージェントの安全の確かめ方とリリース判断を扱う章です。ガードレールの試験とレッドチーミング、リリース判断の基準、公開指針との対応を扱います。
- [8.1 ガードレールの試験とレッドチーミング](https://knowledge.uniquex.co.jp/agent-evaluation/testing-guardrails-and-red-teaming.md): AI エージェントの守りを、期待する許可・拒否・保留・人への引き継ぎと、実際の状態変化で確かめます。架空の申請支援を例に、試験範囲、観測、判定不能、通常利用への影響を説明します。
- [8.2 リリース判断の基準](https://knowledge.uniquex.co.jp/agent-evaluation/criteria-for-release-decisions.md): AI エージェントの能力・回帰・安全の評価を、未確認の範囲や運用準備と合わせて読む方法を説明します。架空の候補版を比較し、公開する範囲、保留する理由、再判断の条件を整理します。

## フィジカル AI

- [フィジカル AI（序章）](https://knowledge.uniquex.co.jp/physical-ai.md): ロボットとシミュレーター、学習の方法、安全と法令、製造業と一般の会社の事務への導入を、公開された一次情報を根拠に、1 冊の本の形で説明します。

### 第 1 章 フィジカル AI の基礎

- [第 1 章 フィジカル AI の基礎（導入）](https://knowledge.uniquex.co.jp/physical-ai/what-is-physical-ai.md): 第 1 章の導入。フィジカル AI という言葉の定義、仕組みの全体像、ロボット基盤モデルと Sim-to-Real の関係を、前提知識なしで読める順に案内します。
- [1.1 フィジカル AI の定義と従来のロボットとの違い](https://knowledge.uniquex.co.jp/physical-ai/getting-started.md): フィジカル AI の定義と、人が教示する従来の産業用ロボットとの違いを 5 つの観点で整理し、製造・物流と事務のどこが対象になるか、最初の一歩を示します。
- [1.2 感知・判断・動作からなる仕組みの全体像](https://knowledge.uniquex.co.jp/physical-ai/how-physical-ai-works.md): フィジカル AI を構成する感知・判断・動作の流れと、学習・シミュレーション・安全の位置、部品をつなぐソフトウェア、学習の作業の順を整理します。
- [1.3 ロボット基盤モデルと Sim-to-Real](https://knowledge.uniquex.co.jp/physical-ai/robot-foundation-model-and-sim-to-real.md): 多くの種類のロボットと作業のデータで学習した汎用のモデルと、シミュレーションで学習した方策を実機で動かす方法について、種類、成立条件、両者の関係、実務での判断を整理します。

### 第 2 章 対象の作業と導入計画

- [2.1 導入の進め方の全体像](https://knowledge.uniquex.co.jp/physical-ai/planning-physical-ai-adoption.md): フィジカルAIの導入を、対象作業の選定、限定した試行、条件を変えた検証、現場への引継ぎに分けます。架空の箱の移動作業で、段階ごとの判断と戻る条件を説明します。
- [2.2 製造・物流の作業別の向き不向き](https://knowledge.uniquex.co.jp/physical-ai/choosing-manufacturing-and-logistics-tasks.md): ピッキング、パレタイズ、組立、検査、搬送を、対象物と現場条件で比較します。ロボットの動作と作業全体の完了を分け、候補を絞るための確認項目を説明します。
- [2.3 費用対効果の見積もり方](https://knowledge.uniquex.co.jp/physical-ai/estimating-costs-and-benefits.md): ロボット導入の費用対効果を、現状との差、評価期間、人が担う作業から見積もります。架空の試算で単純回収期間の読み方と限界を説明します。
- [2.4 PoC の設計](https://knowledge.uniquex.co.jp/physical-ai/designing-a-physical-ai-poc.md): フィジカルAIのPoCを、確かめる仮説、対象条件、成功基準、期間、終了時の判断に分けて設計します。架空の箱の仕分けで、技術評価と導入判断の違いを説明します。

### 第 3 章 シミュレーション

- [3.1 ロボットシミュレーターの役割と用途](https://knowledge.uniquex.co.jp/physical-ai/robot-simulator-roles.md): ロボットシミュレーターで、動作、センサー、学習、ソフトウェア連携をどこまで確かめられるかを整理します。架空の箱の移動作業を通して、試験の組み立て方と限界を説明します。
- [3.2 主なシミュレーターの違い](https://knowledge.uniquex.co.jp/physical-ai/comparing-robot-simulators.md): MuJoCo、Isaac Sim、Gazeboを用途・モデル形式・OS/GPU・費用条件で比較します。Pythonの最小例とACT研究でのMuJoCo利用から、再現条件と選定時の合否の判定を具体化します。
- [3.3 デジタルツインと 3D データ](https://knowledge.uniquex.co.jp/physical-ai/digital-twins-and-3d-data.md): デジタルツインの準備では、3Dの形状だけでなく、物理特性と現場の状態を対応付けます。架空の箱の移動作業を使い、データ形式、取り込み後の確認、再現できる範囲の決め方を説明します。
- [3.4 必要な計算機と環境](https://knowledge.uniquex.co.jp/physical-ai/computing-resources-and-environments.md): ロボットのシミュレーション、学習、運用時の推論では、計算機に求める条件が異なります。架空の箱の移動作業を通して、手元とクラウドの使い分け、版と互換性、小さな試験での確認方法を説明します。

### 第 4 章 学習とデータ

- [4.1 模倣学習・強化学習・基盤モデルの全体像](https://knowledge.uniquex.co.jp/physical-ai/learning-methods-and-foundation-models.md): ロボットの模倣学習と強化学習を、学習に使う情報と準備するものから比較します。基盤モデルは学習方法とは別の軸にあることを整理し、架空の箱移動を例に、方法を選ぶ手順と失敗の見方を説明します。
- [4.2 学習データの集め方](https://knowledge.uniquex.co.jp/physical-ai/collecting-robot-learning-data.md): ロボットの学習データを、遠隔操作での収集、公開データの再利用、合成データの生成から整理します。架空の仕分け作業を例に、揃える記録と、追加収集を判断する手順を説明します。
- [4.3 ドメインランダム化と汎化](https://knowledge.uniquex.co.jp/physical-ai/domain-randomization-and-generalization.md): シミュレーションの見た目や物理条件を変えて学ぶドメインランダム化について、変える対象と範囲の決め方、汎化の確かめ方、実機で残る限界を説明します。
- [4.4 学習の評価と失敗の分析](https://knowledge.uniquex.co.jp/physical-ai/evaluating-learning-and-analyzing-failures.md): ロボットの学習結果は、成功の定義、試験条件、試行数をそろえて評価します。架空の箱の移動作業を通し、成功率の読み方、失敗の記録、原因候補の切り分け、改善後の比較を説明します。
- [4.5 NVIDIA NemotronとCosmosの違いを箱運びで読み解く](https://knowledge.uniquex.co.jp/physical-ai/nvidia-nemotron-cosmos.md): NVIDIAの2026年10月のモデル発表と11月の研究報告をもとに、Nemotron 3.5 Super VLとCosmosの役割を整理します。箱を運ぶ場面から、画像の読み取り、操作後の映像予測、物理状態の計算を区別します。

### 第 5 章 実機への移行

- [5.1 シミュレーションと実機の差を生む要因](https://knowledge.uniquex.co.jp/physical-ai/causes-of-the-sim-to-real-gap.md): MuJoCo 3.16.0 で床の上の箱を押して目標に止める小さな場面を作り、摩擦・質量・観測の遅れ・押す位置・時間の刻みを 1 つずつずらして、同じ制御の結果がどれだけずれるかを測った記録です。
- [5.2 実機での段階的な試行と記録](https://knowledge.uniquex.co.jp/physical-ai/staging-and-recording-real-robot-trials.md): 実機での試行を、条件を絞った確認から作業全体の評価へ分けます。構成の版、観測結果、未確認事項を残し、範囲を広げる判断と見直す判断につなげます。

### 第 7 章 事務作業のロボット化

- [第 7 章 事務作業のロボット化（導入）](https://knowledge.uniquex.co.jp/physical-ai/office-automation.md): 第 7 章の導入。製造業ではない一般の会社で、押印・仕分け・封入・受付のような紙や物を扱う事務作業をロボットに任せるときの見方と進め方を案内します。
- [7.1 事務作業のロボット化の全体像](https://knowledge.uniquex.co.jp/physical-ai/office-automation-with-robots.md): 押印、書類の仕分け、封入、受付、備品の管理を例に、紙や物を扱う事務作業のどこが自動化しやすいかを見る観点と、一般の会社が小さく始める手順を整理します。
- [7.2 事務の作業別の向き不向き](https://knowledge.uniquex.co.jp/physical-ai/choosing-office-tasks-for-robot-automation.md): 押印・仕分け・封入・受付を、対象物、判断、例外、やり直しの条件で比較します。作業名から適性を決めず、機械に任せる範囲と現場で確かめる情報を整理します。
- [7.3 書類を扱う作業の設計](https://knowledge.uniquex.co.jp/physical-ai/designing-document-handling-workflows.md): 紙の供給、画像の読み取り、内容の判定、物理的な仕分けをつなぐ設計を説明します。OCRやRPAとの分担と、紙とデータの対応を保つ確認項目を整理します。

### 第 8 章 運用と改善

- [8.1 ロボットの稼働監視と障害対応](https://knowledge.uniquex.co.jp/physical-ai/monitoring-robot-operations-and-handling-failures.md): ロボットの作業結果、機器の診断、通信や処理の記録を分けて監視します。未観測を成功と扱わず、発生条件と構成の版を添えて担当者へ引き継ぐ方法を整理します。
- [8.2 段取り替えと多品種への対応](https://knowledge.uniquex.co.jp/physical-ai/handling-changeovers-and-product-variety.md): 品種変更で変わる対象物、設備、認識条件、完成条件を分けます。構成の記録と切替前後の確認を通じて、多品種への対応範囲を決める考え方を説明します。
- [8.3 学習の更新と再評価](https://knowledge.uniquex.co.jp/physical-ai/updating-learning-and-reevaluation.md): ロボットの成績低下や現場の変更を、設備・設定の是正と再学習に切り分ける手順です。更新候補の比較、実機での段階的な再評価、採用と見送りの記録を整理します。
- [8.4 ロボット運用体制の整備と人材育成](https://knowledge.uniquex.co.jp/physical-ai/robot-operations-team-and-training.md): ロボット運用を続けるには、日々の作業、機器の保守、AIの変更、利用判断を誰が担うかを決めます。架空の仕分け作業を通して、役割に合う教育、担当交代時の引継ぎ、記録の残し方を説明します。

## ループエンジニアリング

- [ループエンジニアリング（序章）](https://knowledge.uniquex.co.jp/loop-engineering.md): 少人数でサービスを開発・運用するための、AI エージェントの実行管理とツールの接続、人に残す判断を扱います。

### 第 1 章 ループエンジニアリングの基礎

- [1.1 ループエンジニアリングとは何か](https://knowledge.uniquex.co.jp/loop-engineering/what-is-loop-engineering.md): AI エージェントに開発と運用の繰り返しの仕事を任せるとき、ループの動き方と止まり方、人の関わり方を設計する考え方を説明します。後半では、UNIQUEX が自社の開発と運用でどう実践しているかを紹介します。

## タグ

- [タグの索引（tags/index.json）](https://knowledge.uniquex.co.jp/tags/index.json): タグごとの記事の URL。辞書は content/tags.json（slug は変えない）
- [プロンプトインジェクション](https://knowledge.uniquex.co.jp/tags/prompt-injection): 外部の文章が AI への指示として働いてしまう問題と、その経路・対策。（8 本。slug は prompt-injection）
- [ツール呼び出し](https://knowledge.uniquex.co.jp/tags/tool-calling): AI が外部のツールや関数を呼び出す動作の設計・承認・評価。（9 本。slug は tool-calling）
- [MCP](https://knowledge.uniquex.co.jp/tags/mcp): AI と外部ツールをつなぐ Model Context Protocol の設計と注意点。（2 本。slug は mcp）
- [権限管理](https://knowledge.uniquex.co.jp/tags/access-control): 最小権限・権限分離・認可など、AI やツールに渡す権限の決め方。（29 本。slug は access-control）
- [サプライチェーン](https://knowledge.uniquex.co.jp/tags/supply-chain): 依存関係・パッケージ・学習データなど、外から取り込むものの管理。（4 本。slug は supply-chain）
- [脆弱性診断](https://knowledge.uniquex.co.jp/tags/vulnerability-assessment): 脆弱性診断・ペネトレーションテストの発注、実施、受け入れ。（8 本。slug は vulnerability-assessment）
- [脆弱性管理](https://knowledge.uniquex.co.jp/tags/vulnerability-management): 見つかった脆弱性の優先順位づけ、修正、再診断、台帳での継続管理。（6 本。slug は vulnerability-management）
- [情報漏えい](https://knowledge.uniquex.co.jp/tags/data-leakage): 機密情報・隠れた文脈・出力経由の情報の漏れ。（28 本。slug は data-leakage）
- [LLM による採点](https://knowledge.uniquex.co.jp/tags/llm-as-a-judge): LLM を採点器にする仕組み、偏り、再現性。（5 本。slug は llm-as-a-judge）
- [採点](https://knowledge.uniquex.co.jp/tags/grading): 採点方式、採点器の検証、採点基準（ルーブリック）の作り方。（8 本。slug は grading）
- [評価データ](https://knowledge.uniquex.co.jp/tags/evaluation-dataset): 評価データの作り方、期待結果、保守、公開ベンチマーク。（5 本。slug は evaluation-dataset）
- [評価の設計](https://knowledge.uniquex.co.jp/tags/evaluation-design): 何をどの粒度・観点で測るかの設計と落とし穴。（6 本。slug は evaluation-design）
- [指標](https://knowledge.uniquex.co.jp/tags/metrics): 成功率・信頼性・ばらつき・費用などの指標の読み方。（6 本。slug は metrics）
- [CI](https://knowledge.uniquex.co.jp/tags/ci): 評価を CI に組み込み、合否と閾値を決める。（5 本。slug は ci）
- [ガードレール](https://knowledge.uniquex.co.jp/tags/guardrails): 入口・出口・ツールの手前に置く守りの設計と、その試験・レッドチーミング。（5 本。slug は guardrails）
- [回帰試験](https://knowledge.uniquex.co.jp/tags/regression-testing): 変更で既存の動きを壊していないかを確かめる試験・評価。（10 本。slug は regression-testing）
- [監視](https://knowledge.uniquex.co.jp/tags/monitoring): 本番・運用中の監視指標、ログ、障害対応。（23 本。slug は monitoring）
- [失敗の分析](https://knowledge.uniquex.co.jp/tags/failure-analysis): 失敗を分類・再現し、評価や学習の改善に戻す。（2 本。slug は failure-analysis）
- [費用](https://knowledge.uniquex.co.jp/tags/cost): 費用・所要時間・費用対効果の見積もりと指標。（5 本。slug は cost）
- [リスク管理](https://knowledge.uniquex.co.jp/tags/risk-management): リスクの評価、受容、代替措置、残余リスクの扱い。（7 本。slug は risk-management）
- [規格・指針](https://knowledge.uniquex.co.jp/tags/standards): NIST・OWASP・国内外の指針など、公的な規格や指針との対応。（11 本。slug は standards）
- [シミュレーション](https://knowledge.uniquex.co.jp/tags/simulation): ロボットシミュレーターの役割・選び方・必要な計算環境。（6 本。slug は simulation）
- [Sim-to-Real](https://knowledge.uniquex.co.jp/tags/sim-to-real): シミュレーションから実機へ移すときの差と、その埋め方。（3 本。slug は sim-to-real）
- [ロボット学習](https://knowledge.uniquex.co.jp/tags/robot-learning): 模倣学習・強化学習・学習データの集め方、学習の更新。（5 本。slug は robot-learning）
- [基盤モデル](https://knowledge.uniquex.co.jp/tags/foundation-model): ロボット基盤モデルの位置づけと使い方。（5 本。slug は foundation-model）
- [PoC](https://knowledge.uniquex.co.jp/tags/poc): 導入前の概念実証の設計、成功基準、導入計画。（3 本。slug は poc）
- [事務作業の自動化](https://knowledge.uniquex.co.jp/tags/office-automation): 事務・書類を扱う作業のロボット化。（3 本。slug は office-automation）
- [ロボット運用](https://knowledge.uniquex.co.jp/tags/robot-operations): 稼働監視、障害対応、運用体制、人材育成。（2 本。slug は robot-operations）

## Optional

- [全文（llms-full.txt）](https://knowledge.uniquex.co.jp/llms-full.txt): 全ページの Markdown を連結したもの
- [用語集](https://knowledge.uniquex.co.jp/glossary.md): 各領域の用語の一覧（HTML 版は /glossary）
