新しい生成AIサービスを選ぶとき、「パラメータ数が大きい」以外に比較すべきものはどれですか。
モデル規模は一要素です。実際の仕事で代表例と失敗例を試し、必要な品質と運用条件に合うかを見ます。
用途での品質、速度、費用、利用条件、安全性: 実務でモデルを選ぶ際に必要な複数の評価軸です。
ロゴの大きさだけ: ブランド表現であり、モデルの実用性能を示しません。
会社名のアルファベット順だけ: 能力や適合性とは関係しません。
発表資料のページ数だけ: 資料量は、利用目的での品質を保証しません。
CHAPTER 01 / REVIEW
生成AIへ進む前に、AIが学ぶ仕組みと歴史を整理します。
章末テスト
モデル規模は一要素です。実際の仕事で代表例と失敗例を試し、必要な品質と運用条件に合うかを見ます。
用途での品質、速度、費用、利用条件、安全性: 実務でモデルを選ぶ際に必要な複数の評価軸です。
ロゴの大きさだけ: ブランド表現であり、モデルの実用性能を示しません。
会社名のアルファベット順だけ: 能力や適合性とは関係しません。
発表資料のページ数だけ: 資料量は、利用目的での品質を保証しません。
正解ラベルがない状態で、データの似ている度合いからまとまりを探すため、教師なし学習のクラスタリングが候補になります。見つけたグループの意味は人が確認します。
教師なし学習によるクラスタリング: 正解のないデータから似た特徴のグループを探す目的に合います。
教師あり学習による回帰: 回帰は正解となる連続数値を予測する課題で、名前のない集団発見とは異なります。
強化学習による報酬最大化: 行動と報酬を繰り返す問題ではなく、既存データの構造を探す課題です。
人が全顧客へ正解ラベルを付けるだけ: まだ正解グループが決まっていないため、先に似た構造を探すことが目的です。
Attentionは、現在の処理に関係する入力部分を計算し、文脈上重要な関係を捉える助けになります。
Attention: 入力内の要素同士の関係を計算し、重要度を付ける仕組みです。
データ漏洩: 評価時に知ってはいけない情報が混ざる問題で、文脈関係を計算する仕組みではありません。
クラスタリング: 似たデータをグループ化する教師なし学習の方法です。
損失の削除: 学習方法を表す正式な用語ではなく、損失を測らなければ改善方向を決められません。
学習済みモデルへ新しい入力を渡し、予測や生成の結果を得る工程が推論です。普段の会話で質問するたびに、モデル全体を一から学習し直しているわけではありません。
推論: 学習済みモデルに新しい入力を渡し、予測や生成の結果を得る工程です。
事前学習: 大量のデータから基礎的なパターンを学ぶ、利用前の学習工程です。
正解ラベルの作成: 教師あり学習用のデータに、人が正解情報を付ける作業です。
学習データの収集: モデルを学習させる材料を集める工程で、回答を作る工程ではありません。
モデルは、学習データから得たパターンや関係を計算に使える形で保持したものです。ChatGPTの会話画面などのサービスと、その内部で結果を作るモデルは分けて考えます。
モデル: 学習データから得たパターンを保持し、予測や生成を担う中核部分です。
サービス画面: 利用者が操作する入口です。画面の奥でモデルが入力を処理します。
学習用データそのもの: モデルを作る材料です。学習後のモデルそのものとは区別します。
プロンプト: モデルに渡す指示や入力です。学習結果を保持する中核部分ではありません。
商品や言葉が変われば入力の傾向も変わります。運用後も性能を監視し、停止・再評価・改善の手順を持ちます。
分布変化を疑い、新しいデータで再評価し、基準を超えれば人の確認へ戻す: 運用中の変化へ安全に対応する流れです。
公開時に合格したので何もしない: 公開後も環境は変わり、性能低下が起こります。
誤分類の記録を削除する: 原因分析と改善に必要な情報を失います。
利用者へ同じ言い方だけを強制する: 現実の利用を狭めるだけで、モデルの変化対応や評価にはなりません。
複数の層を通すことで、画像の線から形へ進むように、単純な入力を判断に役立つ複雑な表現へ変換できます。
単純な特徴を組み合わせ、より複雑な特徴へ段階的に変換できる: 中間層を重ねる重要な役割です。
入力したデータを必ず一字一句そのまま保存できる: ニューラルネットワークの主目的はデータの完全保存ではなく、パターンを学んで予測や生成に使うことです。
人による目的設定や評価が一切不要になる: 何を入力し、何を正解とし、どう評価するかは人が設計します。
計算を行わずに正解だけを取り出せる: 各層で数値計算を行い、出力を作ります。
学習では、予測と正解の差が小さくなるように、多数の重みを少しずつ調整します。
各入力の影響度を表す多数の重み: 重みは入力をどれだけ強く見るかを表し、学習によって調整されます。
利用者が操作する画面の配置: 画面はサービスの操作部分です。モデル内部の学習対象とは別です。
学習データに書かれた文章の文字色: 文字色が目的に関係する特殊な課題を除き、文章モデルの中心的な学習対象ではありません。
コンピューターの保存フォルダ名: ファイル管理上の名前であり、モデルが知識や傾向を獲得する仕組みではありません。
出力側の誤差から前の層へたどり、どの重みをどちらへ直せば損失が減るかを求めます。
各重みが誤差へ与えた影響を逆向きに計算する: 誤差逆伝播の説明です。計算結果を使って重みを更新します。
正解データを見ないまま結果を公開する: 学習の仕組みではなく、危険な運用です。
入力画面へ同じ質問をもう一度表示する: 画面操作であり、モデル内部の学習計算ではありません。
モデルの全知識を一つの文章へ変換する: 知識は多数のパラメータへ分散しており、一文へ変換する処理ではありません。
生成AIは、入力と学習したパターンから適切そうな内容を組み立てます。文章の自然さは高くても、すべての内容を一次情報と照合して保証しているわけではありません。
自然な文章を作ることと、事実を保証することは別だから: 文章として自然な候補を作る能力と、内容の真偽を保証する仕組みは別です。
生成AIは短い文章しか学習していないから: 学習データには長い文章も含まれます。文章の長さが、誤りの根本原因ではありません。
生成AIは入力された文章をそのまま表示するだけだから: 入力を単純に再表示するのではなく、学習したパターンを使って出力を生成します。
会話形式のサービスでは検索機能を一切使えないから: 検索機能を使えるサービスもあります。ただし検索できても、出典と内容の確認は必要です。
行動の結果として得る報酬やペナルティを手掛かりに、長期的な得点を増やす行動を学ぶのが強化学習です。
強化学習: 行動後の加点・減点を手掛かりに、将来の得点を増やす進み方を学びます。
教師あり学習: 各場所での正解行動を毎回ラベルとして教えているわけではありません。
教師なし学習: データのまとまりを探すのではなく、行動を選び報酬を得る課題です。
単純な並べ替え: 順番を整理するだけでは、行動結果から方策を改善できません。
AIは技術分野全体を表す大きな呼び名です。機械学習はAIを実現する方法、深層学習は機械学習の一種、生成AIは新しい内容を作るAIの一分野です。ChatGPTは生成AIを会話形式で利用するサービスです。
生成AIはAI全体の一分野で、深層学習などの技術が使われる: AIが最も広い概念です。生成AIはAIの一分野で、その実現に深層学習などが使われます。
AIと生成AIは、名前が違うだけで同じもの: 生成AIはAI全体の一部です。予測・分類・異常検知など、生成を目的としないAIもあります。
深層学習は機械学習より広い分野: 関係が逆です。深層学習は、多層のニューラルネットワークを使う機械学習の一種です。
ChatGPTはAIという技術分野そのもの: ChatGPTは生成AIを会話形式で利用するサービスです。AI全体を指す名前ではありません。
条件と処理が明確なので、ルールベースが適しています。新しいAI方式が登場しても、料金計算や承認条件など、必ず同じ規則を守らせたい場面ではルールベースが有効です。
人が条件を決めて、その条件どおりに動かす: 数値条件と実行内容が明確なので、ルールベースで確実に処理できます。
過去の文章から次の単語を予測させる: 文章生成の仕組みであり、決められた売上条件の判定には不要です。
画像の特徴を何層にも分けて学習させる: 画像認識などに使う深層学習の説明で、今回の数値条件とは目的が違います。
利用者との会話から目的を自由に変更させる: 目的を変えさせる必要はなく、決めた条件を確実に守ることが重要です。
少数の重要事例を一件も見つけていません。データが偏る場合、正解率だけでは目的達成を判断できません。
正解率だけでなく、不正の見逃しを測る指標も確認する: 失敗の種類と業務影響を捉えるために必要です。
99%なので無条件で完全自動化する: 重要な不正をすべて見逃しており、目的を達成していません。
不正10件は少ないので評価から除外する: 少数でも影響が大きい事例こそ評価に含める必要があります。
正解率を100%と読み替える: 数値を変更しても性能は改善せず、誤解を増やします。
RNNは過去の状態を順に渡すため、長い依存関係と計算の並列化に難しさがありました。
遠く離れた情報を保ちにくく、順番処理のため並列化しにくい: RNNの代表的な課題です。
画像の近い画素しか入力できない: CNNの局所処理と混同しています。RNNは時系列や文章の順序を扱います。
必ず最新ニュースを自動検索してしまう: 検索は別機能であり、RNNの構造上の課題ではありません。
重みを一つも持てない: RNNも学習によって調整する重みを持ちます。
章末テスト