ストーリー

LLMの全体像

主要モデルファミリー

2024-2025年時点で、本番システムに採用される主要なLLMファミリーは以下の通りです。

クローズドモデル vs オープンモデル

graph TD
    Title["モデル選択マトリクス"]

    subgraph Closed["クローズドモデル（API提供）"]
        C1["初期コスト: 低い（従量課金）"]
        C2["運用コスト: 利用量に比例"]
        C3["データ管理: 外部送信あり"]
        C4["カスタマイズ: ファインチューニング"]
        C5["レイテンシ: ネットワーク依存"]
        C6["最新性: 自動的に最新"]
    end

    subgraph Open["オープンモデル（自前ホスティング）"]
        O1["初期コスト: 高い（GPU/インフラ必要）"]
        O2["運用コスト: 固定費（推論インフラ）"]
        O3["データ管理: 完全自社管理"]
        O4["カスタマイズ: フルカスタマイズ可能"]
        O5["レイテンシ: 自社インフラ次第"]
        O6["最新性: 手動アップデート必要"]
    end

    Title --- Closed & Open

    classDef title fill:#1e40af,stroke:#1e40af,color:#fff,font-weight:bold
    classDef closed fill:#fee2e2,stroke:#ef4444
    classDef open fill:#dbeafe,stroke:#3b82f6
    class Title title
    class C1,C2,C3,C4,C5,C6 closed
    class O1,O2,O3,O4,O5,O6 open

トークンエコノミクス

トークンとは何か

LLMはテキストをトークンという単位で処理します。トークンは単語や文字の断片です。

// トークンカウントの概算
// 英語: 1 token ≈ 4文字 ≈ 0.75単語
// 日本語: 1 token ≈ 1-2文字（モデルにより異なる）

interface TokenUsage {
  promptTokens: number;    // 入力トークン数
  completionTokens: number; // 出力トークン数
  totalTokens: number;     // 合計トークン数
}

// コスト計算の例
function calculateCost(usage: TokenUsage, pricing: ModelPricing): number {
  const inputCost = (usage.promptTokens / 1_000_000) * pricing.inputPerMillion;
  const outputCost = (usage.completionTokens / 1_000_000) * pricing.outputPerMillion;
  return inputCost + outputCost;
}

interface ModelPricing {
  model: string;
  inputPerMillion: number;  // USD per 1M input tokens
  outputPerMillion: number; // USD per 1M output tokens
}

主要モデルの価格比較（2025年時点の参考値）

コストシミュレーション

// 月間コストのシミュレーション
interface UsageProjection {
  dailyRequests: number;
  avgInputTokens: number;
  avgOutputTokens: number;
}

function estimateMonthlyCost(
  projection: UsageProjection,
  pricing: ModelPricing
): { monthlyCost: number; costPerRequest: number } {
  const monthlyRequests = projection.dailyRequests * 30;
  const totalInputTokens = monthlyRequests * projection.avgInputTokens;
  const totalOutputTokens = monthlyRequests * projection.avgOutputTokens;

  const inputCost = (totalInputTokens / 1_000_000) * pricing.inputPerMillion;
  const outputCost = (totalOutputTokens / 1_000_000) * pricing.outputPerMillion;
  const monthlyCost = inputCost + outputCost;

  return {
    monthlyCost: Math.round(monthlyCost * 100) / 100,
    costPerRequest: Math.round((monthlyCost / monthlyRequests) * 10000) / 10000,
  };
}

// 例: 社内ナレッジベースRAG
const ragProjection: UsageProjection = {
  dailyRequests: 1000,       // 1日1000クエリ
  avgInputTokens: 3000,      // システムプロンプト + 検索結果 + ユーザー質問
  avgOutputTokens: 500,      // 回答
};

// GPT-4o の場合
// Input: 30,000 * 3000 / 1M * $2.50 = $225.00
// Output: 30,000 * 500 / 1M * $10.00 = $150.00
// 月間合計: $375.00（約1リクエスト$0.0125）

// GPT-4o-mini の場合
// Input: 30,000 * 3000 / 1M * $0.15 = $13.50
// Output: 30,000 * 500 / 1M * $0.60 = $9.00
// 月間合計: $22.50（約1リクエスト$0.00075）

モデル選定のフレームワーク

5つの評価軸

モデル選定は以下の5軸で評価します。

graph TD
    Center((モデル選定))
    Quality["品質 / Quality"] --- Center
    Cost["コスト / Cost"] --- Center
    Latency["レイテンシ / Latency"] --- Center
    Security["セキュリティ / Security"] --- Center
    Scalability["スケーラビリティ / Scalability"] --- Center

    style Center fill:#1e293b,stroke:#475569,color:#f8fafc
    style Quality fill:#dbeafe,stroke:#2563eb,stroke-width:2px,color:#1e40af
    style Cost fill:#d1fae5,stroke:#059669,color:#065f46
    style Latency fill:#fef3c7,stroke:#d97706,stroke-width:2px,color:#92400e
    style Security fill:#fee2e2,stroke:#dc2626,color:#991b1b
    style Scalability fill:#f3e8ff,stroke:#7c3aed,color:#5b21b6

評価マトリクス

interface ModelEvaluation {
  model: string;
  quality: {
    accuracy: number;       // 回答の正確性 (1-10)
    coherence: number;      // 文脈の一貫性 (1-10)
    instructionFollowing: number; // 指示追従性 (1-10)
    japaneseQuality: number;     // 日本語品質 (1-10)
  };
  performance: {
    ttft: number;           // Time to First Token (ms)
    tokensPerSecond: number; // 出力速度 (tokens/sec)
    contextWindow: number;   // コンテキスト長
  };
  cost: {
    inputPer1M: number;
    outputPer1M: number;
    monthlyEstimate: number;
  };
  security: {
    dataResidency: string[];     // データ保存地域
    soc2Compliant: boolean;
    hipaaCompliant: boolean;
    onPremiseOption: boolean;
  };
}

ユースケース別推奨モデル

モデル選定の実践プロセス

Step-by-Step ガイド

graph TD
    S1["1. 要件定義"] --> S2["2. 候補の絞り込み"]
    S2 --> S3["3. ベンチマーク評価"]
    S3 --> S4["4. 最終選定"]

    S1 --- S1a["入力/出力の形式は？"]
    S1 --- S1b["許容レイテンシは？
（リアルタイム or バッチ）"]
    S1 --- S1c["月間リクエスト見込みは？"]
    S1 --- S1d["データの機密性レベルは？"]
    S1 --- S1e["対応言語は？
（日本語品質の重要度）"]

    S2 --- S2a["セキュリティ要件でフィルタ"]
    S2 --- S2b["コンテキスト長でフィルタ"]
    S2 --- S2c["予算でフィルタ"]

    S3 --- S3a["自社データでの品質評価"]
    S3 --- S3b["レイテンシ計測"]
    S3 --- S3c["コスト試算"]

    S4 --- S4a["プライマリモデル決定"]
    S4 --- S4b["フォールバックモデル決定"]
    S4 --- S4c["将来のスケーリング計画"]

    style S1 fill:#dbeafe,stroke:#2563eb,stroke-width:2px,color:#1e40af
    style S2 fill:#d1fae5,stroke:#059669,color:#065f46
    style S3 fill:#fef3c7,stroke:#d97706,stroke-width:2px,color:#92400e
    style S4 fill:#f3e8ff,stroke:#7c3aed,color:#5b21b6
    style S1a,S1b,S1c,S1d,S1e fill:#f3f4f6,stroke:#9ca3af,color:#374151
    style S2a,S2b,S2c fill:#f3f4f6,stroke:#9ca3af,color:#374151
    style S3a,S3b,S3c fill:#f3f4f6,stroke:#9ca3af,color:#374151
    style S4a,S4b,S4c fill:#f3f4f6,stroke:#9ca3af,color:#374151

マルチモデル戦略

本番システムでは、単一モデルに依存せず、用途に応じて複数モデルを使い分けるのが推奨されます。

// マルチモデルルーター
interface ModelRouter {
  route(request: LLMRequest): ModelConfig;
}

class SmartModelRouter implements ModelRouter {
  route(request: LLMRequest): ModelConfig {
    // 複雑な推論が必要な場合 → 高性能モデル
    if (request.requiresReasoning) {
      return { model: 'claude-3-5-sonnet', provider: 'anthropic' };
    }

    // 単純な分類・抽出タスク → 軽量モデル
    if (request.taskType === 'classification' || request.taskType === 'extraction') {
      return { model: 'gpt-4o-mini', provider: 'openai' };
    }

    // 超長文の処理 → Gemini
    if (request.inputTokens > 100_000) {
      return { model: 'gemini-1.5-pro', provider: 'google' };
    }

    // デフォルト
    return { model: 'gpt-4o-mini', provider: 'openai' };
  }
}

まとめ

チェックリスト

• 主要LLMファミリーの特徴を把握した
• トークンエコノミクスとコスト計算を理解した
• モデル選定の5つの評価軸を理解した
• マルチモデル戦略の考え方を理解した

次のステップへ

LLMの全体像を把握しました。次のセクションでは、LLMを活用する最も重要なアーキテクチャパターンであるRAG（Retrieval-Augmented Generation）の基礎を学びます。

LLMの力を最大化する鍵は、適切な文脈を与えることにあります。

推定読了時間: 40分