検索

Googleが開発した、機械学習計算に特化した専用プロセッサ。

JSONなど決まった形式で出力させ、プログラムで扱いやすくする手法。

応答をJSON形式で返させること。アプリ連携で最もよく使われる。

生成しながら逐次テキストを返す方式。体感の待ち時間を短くできる。

タグで囲んだXML形式で出力させる手法。Claudeでの構造化に適する。

出力のランダム性(多様さ)を調整するパラメータ。高いほど創造的。

GitHubが提供する、コード補完・生成のAIアシスタント。

大量の並列計算が得意な演算装置。AIの学習・推論に不可欠。

「憲法」と呼ばれる原則のリストに基づき、AI自身が応答を評価・改善する、Anthropic独自の訓練手法。

複数回のやり取りを重ねて進める対話形式。文脈を引き継ぐ。

1回の入力と1回の応答で完結する対話形式。

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。

モデルへの入力となる、データの性質を数値化した個々の項目。

画像の外側を、自然につながるようにAIが描き広げる技術。

単位時間あたりに処理できる量。システムの処理能力を表す。

指示と理想の応答のペアで学習させ、指示に従う能力を高める手法。

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。

理想的な応答例を正解として学習させる、ファインチューニングの基本段階。

AIモデルを外部ツールやデータソースに接続するための、Anthropic提唱のオープンな標準規格。

構成要素を一つずつ取り除き、各部分の貢献度を調べる検証手法。

画像や映像をコンピュータに認識・理解させる技術分野。物体検出や顔認識などを含む。

人間が日常使う言葉(自然言語)をコンピュータに理解・生成させるための技術分野。

入力ごとに一部の専門家(サブネットワーク)だけを使い、効率的に大規模化する設計。

人間の言葉から意図や意味を読み取る技術。音声アシスタント等の基盤。

プロンプト内で指示と素材を区切る記号。誤解や注入を防ぐ。

リクエストから応答が返るまでの待ち時間。短いほど快適。

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。

NVIDIA製GPUで汎用計算を行うための開発基盤。AI計算の事実上の標準。

プロンプト内に入出力の手本を数例示すことで、AIに望む形式や傾向を学ばせる手法。

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。

手本を一切示さず、指示だけでタスクを解かせるプロンプト手法。

手本を1例だけ示してタスクを解かせるプロンプト手法。

LLMが、あらかじめ定義された関数を構造化された形で呼び出す仕組み。

NVIDIA製の推論高速化エンジン。GPU上で推論を最適化する。

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。

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。

AIの目標や振る舞いを、人間の意図・価値観と一致させること。AI安全性の中核課題。

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。

[[claude]]を開発するAI企業。AIの安全性研究を重視する方針で知られる。

Anthropicが掲げるAIの理想像。「役立ち・無害・誠実」の3つの頭文字をとった指針。

あるタスクで学習済みのモデルを、別の関連タスクに転用して効率的に学習する手法。

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。

複数の数値を、合計が1になる確率分布に変換する関数。多クラス分類の出力に使う。

教師あり学習で、各データに与える正解の情報。

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。

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。

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。

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。

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。

乱数の初期値。固定すると生成結果を再現しやすくなる。