検索

乱数の初期値。固定すると生成結果を再現しやすくなる。

新モデルに本番と同じ入力を裏で流し、影響なく挙動を検証する手法。

プログラムコードに特化して学習した大規模言語モデル。コード生成・補完に使う。

自然言語の指示などからプログラムコードをAIが書き出すこと。

AIの入出力に設ける安全のための制約・チェックの仕組み。

個人情報がAIの学習・利用で漏れたり悪用されたりしないよう守ること。

データにノイズを加え、個人を特定できなくしつつ全体の傾向は保つ技術。

人間の好みの評価を報酬として[[reinforcement-learning]]を行い、AIの応答を人間の価値観に近づける手法。

論文と実装コード、ベンチマーク結果を結びつけて公開するサイト。

コード生成能力を測る代表的ベンチマーク。テスト通過率で評価する。

GitHubが提供する、コード補完・生成のAIアシスタント。

Anthropicが開発する大規模言語モデル。安全性と有用性の両立を重視して設計されている。

コードの統合・テスト・デプロイを自動化する開発手法。

コード・モデル・データの変更履歴を記録し、いつでも復元できる仕組み。

スマホなど端末の中だけでAIを動かす形態。通信不要でプライバシーに強い。

AIを中核に据えたコードエディタ。対話的な開発に強い。

人間の脳の神経細胞(ニューロン)の仕組みを模倣・着想源とした、機械学習の数理モデル。

膨大なテキストで訓練された巨大な言語モデル。文章生成・要約・対話などを高い精度でこなす。

[[embedding]]で数値化したデータを保存し、意味の近さで高速に検索できるデータベース。RAGの基盤。

事前学習済みのモデルを、特定タスク向けの追加データで再訓練し、専門特化させる手法。

文章・画像・音声・動画などの新しいコンテンツを生み出すAIの総称。LLMや画像生成モデルを含む。

AIの開発・利用が社会に与える影響を倫理的に考え、責任ある形に導くための分野。

1回のパラメータ更新でまとめて処理する訓練データの件数。

量子化でモデルを圧縮しつつLoRAで微調整する、さらに省メモリな手法。

モデルが一度に扱えるトークン数の長さ。コンテキストウィンドウの大きさ。

重みが公開され、誰でも入手・改変・自社運用できる大規模言語モデル。

データをベクトル化し、意味の近さで検索する手法。RAGの基盤。

言葉の表面ではなく意味を理解して関連情報を探す検索。

AIが自分の誤りに気づき、自ら訂正する能力。

モデルの性能を共通の基準で測り、比較するための標準テスト。

本来見つけるべきもののうち、実際に検出できた割合。取りこぼしの少なさ。

陽性と判定したもののうち、実際に正しかった割合。誤検出の少なさ。

クラウドに送らず、現場の機器側でAI処理を行う形態。

リクエストを複数のサーバーに振り分け、負荷の集中を防ぐ仕組み。

データを集めず、各端末で学習した結果だけを集約してモデルを作る手法。

人の作業に寄り添い、提案・補助するAI。「副操縦士」の比喩。

細部を自分で書かず、AIへの指示と対話で進める新しい開発スタイル。

意味理解やAIを活用し、より的確に目的の情報へ導く検索。