検索

モデルやデータセットを共有する、AIの「GitHub」とも呼ばれるプラットフォーム。

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。

ノイズを少しずつ除去する過程を学習し、高品質な画像などを生成する生成モデル。

大量データで広く事前学習され、多様な用途の土台となる大規模モデル。

重みが非公開で、主にAPI経由で提供される商用モデル。

テキストなどを意味ベクトルに変換することに特化したモデル。

学習済みモデルを本番環境で稼働させ、推論を提供すること。

学習済みモデルをバージョン管理・保管し、来歴を追える台帳。

モデルを小さく軽くする技術の総称。量子化・蒸留・枝刈りなど。

画像と言語を結びつけて理解する、マルチモーダルモデルの一種。

データから学習した規則を内部に持ち、入力に対して予測や生成を行う仕組み。

テキスト・画像・音声など複数種類の情報をまとめて扱えるAIモデル。

パラメータ数を抑えた小型の言語モデル。端末上での動作や低コスト運用に向く。

重要度の低い重みや接続を削り、モデルを軽量化する技術。

Microsoftが開発した、小型ながら高性能な小規模言語モデル。

入力データと正解ラベルのペアを使ってモデルを訓練し、未知のデータの予測を行う学習方法。

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。

学習中のモデルの性能を確認し、ハイパーパラメータの調整に使うデータ。訓練には直接使わない。

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。

画像認識で威力を発揮する深層学習モデル。フィルタで局所的な特徴を段階的に抽出する。

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。

モデルが学習を通じて獲得する内部の数値。重みやバイアスの総称。

モデルが単純すぎて、訓練データのパターンすら十分に捉えられていない状態。

学習に使っていない未知のデータに対して、モデルが正しく働く能力。

大量の汎用データでモデルに基礎的な知識・能力を獲得させる最初の学習段階。

モデルの一部のパラメータだけを更新し、低コストでファインチューニングする手法群。

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。

パラメータの数値精度を下げてモデルを軽量化し、省メモリ・高速化する技術。

大きな教師モデルの知識を、小さな生徒モデルに移して軽量化する手法。

好まれた応答を直接学習し、報酬モデルなしで人間の好みに合わせる手法。

モデル規模・データ量・計算量を増やすほど性能が予測的に向上する経験則。

モデルの学習データが収集された最終時点。それ以降の出来事は基本的に知らない。

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。

データを潜在空間に圧縮・復元しながら、新しいデータを生成するモデル。

OpenAIが開発した、テキストから画像を生成する代表的モデル。

OpenAIが開発した、テキストから高品質な動画を生成するモデル。

OpenAIが公開した高精度な音声認識モデル。多言語に対応。

ノイズを段階的に取り除く処理。拡散モデルが画像を生成する中核工程。

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。

モデルが自分の予測にどれだけ自信があるかを表す数値。

モデルの信頼度が、実際の正解率と一致するように調整すること。

GPUに搭載されたメモリ。扱えるモデルやバッチの大きさを決める。

機械学習モデルの開発・デプロイ・運用・監視を継続的に回す方法論。

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。

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。

学習フレームワーク間でモデルを共通形式で受け渡すための標準。

モデルを事前に読み込んで待機させ、即座に応答できる状態。

停止状態から起動・モデル読み込みを経て応答するまでの遅延。

稼働中のモデルの性能・コスト・異常を継続的に監視すること。