検索

目標達成までの手順をAI自身が組み立てること。エージェントの中核能力。

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。

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。

画像の一部を指定して、その部分だけをAIに描き直させる技術。

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。

多層の[[neural-network]]を用いて、データから複雑な特徴を自動的に学習する機械学習の一分野。

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。

正解ラベルのないデータから、隠れた構造やグループ(クラスタ)を自動的に見つけ出す学習方法。

少量のラベル付きデータと大量のラベルなしデータを組み合わせて学習する手法。

データ自身から擬似的な正解を自動生成し、人手のラベルなしで学習する手法。

モデルを学習させるために使うデータ。質と量が、最終的なモデルの性能を大きく左右する。

大量のデータから規則やパターンをコンピュータ自身に学ばせ、予測や分類を行わせる手法。

エージェントが環境の中で試行錯誤し、報酬を最大化する行動を学んでいく機械学習の枠組み。

勾配降下法で、一度の更新でパラメータをどれだけ動かすかを決めるハイパーパラメータ。

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。

特定の人の声をAIで再現し、任意の文章をその声で話させる技術。

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。

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。

確率の高い上位k個の候補だけに絞り、その中から次の語を選ぶ手法。

確率の高い候補を累積pまで残してその中から選ぶ、出力の絞り込み手法。

AIの判断の根拠を人間が理解できる形で示すための技術・取り組み。

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。

人の逐次指示なしに、自ら計画・実行して目標を達成するAI。

大きな課題を、扱いやすい小さなサブタスクに分割すること。

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。

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。

負荷に応じて計算資源を自動で増減させる仕組み。

人間の知的なふるまい(学習・推論・認識・判断)をコンピュータで実現する技術や研究分野の総称。

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。

損失関数の傾き(勾配)をたどって、誤差が最小になる方向へパラメータを少しずつ更新する最適化手法。

訓練データに過剰に適合し、未知のデータに対する予測性能(汎化性能)が低下してしまう現象。

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。

データがどのカテゴリ(クラス)に属するかを予測する、教師あり学習の代表的タスク。

連続的な数値を予測する、教師あり学習の代表的タスク。価格や気温の予測などに使われる。

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。

学習データの偏りなどに起因して、AIの判断が特定の傾向や不公平を生んでしまうこと。

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。

学習を始める前に人間が設定する、学習の進め方を制御する値。

損失関数を最小化するよう、モデルのパラメータを調整していく過程。

訓練データ全体を1回学習し終える単位。学習の繰り返し回数を表す。

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。

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。

モデルが複雑になりすぎるのを抑え、過学習を防ぐための工夫の総称。

「0より小さければ0、大きければそのまま」を返す、最も広く使われる活性化関数。

機械学習に用いるデータの集まり。通常は訓練・検証・テストに分けて使う。

学習にも調整にも使わず、最終的な性能を公平に評価するためのデータ。

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。

教師あり学習で、各データに与える正解の情報。

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。

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。