今年必要となる唯一の AI ガイダンス

人工知能は世界を書き換えるとともに、その仕組みを説明するための全く新しい言語も生み出しています。最近の製品会議やピッチ、パネルディスカッションに参加すれば、LLM（大規模言語モデル）、RAG（検索拡張生成）、RLHF（人間フィードバックによる強化学習）など、技術界隈の非常に賢い人々でさえ不安を感じさせるような用語が飛び交うのを耳にすることでしょう。この用語集は、その問題を解決しようとする私たちの試みです：実際に遭遇する可能性が高い AI 用語を、痛みを伴う英語（pain-English）で定義したものです。あなたがこれらを使って構築しているのか、投資をしているのか、それとも TechCrunch を読んだり関連するポッドキャストを聴いたりして追いつこうとしているのかに関わらず、役立つはずです。この分野は進化し続けるため、私たちは定期的に更新しており、これは記述対象である AI システムと同様に「生きているドキュメント」と捉えてください。 ## AGI 人工一般知能、あるいは AGI は曖昧な用語です。しかし一般的には、多くのタスクにおいて、もしはほとんどのタスクにおいて平均的な人間よりも能力が高い AI を指します。OpenAI の CEO サム・アルトマン氏はかつて、AGI を「[共同作業者として雇用できる] 平均的な人間の同等物」と表現しました。一方、[OpenAI の憲章](https://openai.com/charter/)では、AGI を「経済的に価値のある仕事のほとんどにおいて人間を上回る高度に自律的なシステム」と定義しています。Google DeepMind の理解はこれらの二つの定義とはわずかに異なり、同ラボは AGI を「認知タスクのほとんどにおいて人間と同等以上の能力を持つ AI」と捉えています。混乱しましたか？ご安心を — [AI 研究の最前線の専門家たちも](https://techcrunch.com/2024/10/03/even-the-godmother-of-ai-has-no-idea-what-agi-is/)同じように混乱しています。 ## AI エージェント AI エージェントとは、基本的な AI チャットボットの機能を超えて、経費精算やチケット・レストランの予約、コードの作成と維持など、あなたに代わって一連のタスクを実行するために AI 技術を活用するツールのことを指します。しかし、私たちが以前[説明した](https://techcrunch.com/2024/12/15/what-exactly-is-an-ai-agent/)ように、この新興分野には多くの要素が絡み合っており、「AI エージェント」という言葉は人によって異なる意味を持つ可能性があります。また、その想定された機能を発揮するためのインフラストラクチャもまだ構築途上です。しかし、基本的な概念としては、複数の AI システムを活用して多段階のタスクを遂行する自律型システムを指します。 ## API エンドポイント API エンドポイントを、他のプログラムが押すことでソフトウェアに動作を実行させる「ボタン」だと考えてください。開発者はこれらのインターフェースを使用して統合機能を開発します。例えば、あるアプリケーションから別のアプリケーションへデータを取得できるようにしたり、AI エージェントが人間が各インターフェースを手動で操作することなく、サードパーティのサービスを直接制御できるようにしたりするためです。通常のユーザーが見たり対話したりしない場合でも、ほとんどのスマートホームデバイスや接続プラットフォームにはこれらの隠されたボタン（API エンドポイント）が用意されています。AI エージェントの能力が高まるにつれ、それらは自らこれらのエンドポイントを見つけ利用できるようになり、強力な—そして時には予期せぬ—自動化の可能性を切り開いています。 ## Chain of thought (思考連鎖) 翻訳全文 単純な質問に対して、人間の脳はあまり深く考えずに答えを出すことができます。例えば「キリンと猫、どちらが高いか？」といった問いです。しかし多くの場合、正しい答えを導き出すにはペンと紙が必要で、中間ステップが存在するためです。例えば、農家が鶏と牛を持っていて、頭が合わせて 40 個、足が合わせて 120 本ある場合、答え（鶏 20 羽と牛 20 頭）を出すために簡単な方程式を書く必要があるかもしれません。 AI の文脈における大規模言語モデルの思考連鎖（chain-of-thought reasoning）とは、最終結果の質を高めるために問題をより小さな中間ステップに分解することを意味します。答えを得るには通常時間がかかりますが、特に論理やコーディングの文脈では、その答えが正しい可能性が高まります。推論モデルは従来の大規模言語モデルから発展し、強化学習（reinforcement learning）によって思考連鎖に適応するように最適化されています。 (参照：[大規模言語モデル](#large-language-model)) ## コーディングエージェント これは「AI エージェント」よりもより具体的な概念であり、AI エージェントとは、目標を達成するために自ら一歩ずつ行動できるプログラムを指します。コーディングエージェントは、ソフトウェア開発に適用された専門的なバージョンです。単に人間がレビューして貼り付けるためのコードを提案するだけでなく、コーディングエージェントはコードの作成、テスト、デバッグを自律的に行い、通常は開発者の一日を消費するような反復的で試行錯誤的な作業を処理します。これらのエージェントは、コードベース全体で動作し、バグを見つけ、テストを実行し、人間の監督を最小限に抑えて修正を適用できます。眠らず、集中力を失わない非常に速いインターンシップ生を雇ったようなものですが、他のインターンと同様に、人間がその作業を検証する必要があります。 ## Compute やや多義的な用語ではありますが、「Compute（計算資源）」は一般的に、AI モデルが動作するために不可欠な [計算力](https://carnegieendowment.org/posts/2024/04/a-primer-on-compute) を指します。この種の処理は AI 業界を駆動し、強力なモデルのトレーニングと展開を可能にします。この用語は、計算力を提供するハードウェアの種類、つまり現代の AI 業界の基盤を形成する GPU（グラフィックスプロセッサ）、CPU（中央演算処理装置）、TPU（テンソルプロセッサ）などのインフラストラクチャの略称としてよく使われます。 ## Deep learning 自己改善型機械学習のサブセットであり、AI アルゴリズムは多層化された人工ニューラルネットワーク（ANN）構造を備えて設計されています。これにより、線形モデルや決定木などの単純な機械学習ベースシステムと比較して、より複雑な相関関係を把握することが可能になります。ディープラーニングアルゴリズムの構造は、人間の脳内の神経細胞が相互に接続された経路から着想を得ています。 ディープラーニング AI モデルは、データの中から重要な特徴を自ら特定できるため、人間のエンジニアがこれらの特徴を手動で定義する必要がありません。また、この構造はエラーから学習し、反復と調整のプロセスを通じて自身の出力を改善するアルゴリズムもサポートします。ただし、ディープラーニングシステムが良い結果を得るためには大量のデータポイント（数百万以上）が必要であり、単純な機械学習アルゴリズムと比較してトレーニングに時間がかかるため、開発コストが高くなる傾向があります。 (参照：[ニューラルネットワーク](#neural-network)) ## 拡散モデル 拡散は、多くのアート生成、音楽生成、テキスト生成 AI モデルの核心にある技術です。物理学に着想を得た[拡散システムは、データ（例えば写真や楽曲など）の構造をノイズを加え続けることで徐々に「破壊」します](https://techcrunch.com/2022/12/22/a-brief-history-of-diffusion-the-tech-at-the-heart-of-modern-image-generating-ai/)。物理学において拡散は自発的かつ不可逆的な現象であり、コーヒーに溶けた砂糖を再び角砂糖の形に戻すことはできません。しかし、AI における拡散システムは、この「破壊されたデータ」を復元するための一種の「逆拡散（reverse diffusion）」プロセスを学習することを目指しており、ノイズからデータを回復する能力を獲得します。 蒸留（ディスティレーション）は、「教師モデル」と「生徒モデル」を用いて、大規模な AI モデルから知識を抽出するために用いられる技術です。開発者は教師モデルに対してリクエストを送信し、その出力を記録します。回答の精度を確認するため、これらは時としてデータセットと比較されます。その後、これらの出力は生徒モデルの訓練に使用され、生徒モデルは教師モデルの振る舞いを近似するように訓練されます。 蒸留技術を用いることで、最小限の蒸留損失（distillation loss）で、大規模モデルを基にしたより小型で効率的なモデルを作成することが可能です。これはおそらく、OpenAI が GPT-4 の高速版である「GPT-4 Turbo」を開発した際の方法論でしょう。 AI 企業はすべて内部で蒸留（distillation）を利用していますが、一部の AI 企業が最先端モデルに追いつくためにこれを利用した可能性もあります。競合他社からの蒸留は通常、AI API やチャットアシスタントの利用規約 [違反](https://techcrunch.com/2025/01/29/microsoft-probing-whether-deepseek-improperly-used-openais-api/) に該当します。 ## 微調整（Fine-tuning） これは、AI モデルのさらなるトレーニングを指し、以前のトレーニング焦点よりもより特定のタスクや領域に対してパフォーマンスを最適化することを目的としています。通常、新しい専門的（つまり、タスク指向型）データを投入することによって行われます。 多くの AI スタートアップは、大規模言語モデル [LLM] を出発点として商用製品を構築していますが、独自のドメイン固有の知識と専門知識に基づいた微調整で初期のトレーニングサイクルを補完し、特定のセクターやタスクに対する有用性を高めるために競い合っています。 （参照：[大規模言語モデル [LLM]](#large-language-model)） ## GAN GAN（Generative Adversarial Network: 敵対的生成ネットワーク）は、生成 AI がリアルなデータ（ディープフェイクツールを含むがこれに限定されない）を生成する際の重要な進展を支える機械学習フレームワークの一種です。GAN は、一組のニューラルネットワークの使用を伴います。一方のネットワークはトレーニングデータに基づいて出力を生成し、その出力はもう一方のモデルに渡されて評価されます。 2 つのモデルは本質的に互いに競い合うようにプログラムされています。生成器は出力を判別器を通そうと試みる一方、判別器は人工的に生成されたデータを特定しようと努力しています。この構造化された競争により、追加の人間の介入なしに AI の出力をより現実的なものへと最適化できます。ただし GAN は汎用 AI ではなく、より限定的な用途（例えば、リアルな写真や動画の生成など）において最も効果的に機能します。 ## 幻覚 幻覚は、AI モデルがでたらめな情報を生成する、つまり誤った情報を生成することを指す AI 業界における好ましい用語です。明らかに、これは AI の品質にとって大きな問題です。 幻覚によって生じる生成 AI の出力は誤解を招く可能性があり、実際のリスクにつながる甚至危険な結果をもたらす可能性があります（有害な医療アドバイスが返される健康に関する問い合わせなどを想像してください）。 AI が情報を捏造する問題は、トレーニングデータにギャップがあることが原因であると考えられています。幻覚は、知識のギャップの可能性を減らし、誤情報のリスクを縮小するための手段として、より専門的および/または垂直特化型の AI モデル（つまり、限定的な専門知識を必要とするドメイン固有の AI）への移行を促す要因となっています。 ## 推論 推論（Inference）とは、AI モデルを実行するプロセスのことです。これは、モデルを解放して、過去に見たデータから予測を行ったり結論を導き出したりすることを意味します。明確に述べておくと、推論はトレーニングなしでは発生しません。モデルが効果的にこのトレーニングデータから外挿を行うためには、まずデータセット内のパターンを学習する必要があります。 推論を実行できるハードウェアには、スマートフォン用プロセッサから高性能な GPU（Graphics Processing Unit: グラフィックス・プロセッシング・ユニット）、カスタム設計された AI アクセラレータまで多岐にわたります。しかし、それらすべてが同様に優れたモデル実行能力を持つわけではありません。非常に大規模なモデルの場合、ハイエンドの AI チップを搭載したクラウドサーバー上で動作させるのと比較して、ラップトップ上での予測には非常に長い時間がかかってしまいます。 [参照: [トレーニング](#training)] ## 大規模言語モデル (LLM) 大規模言語モデル、または LLM は、[ChatGPT](https://techcrunch.com/2025/02/12/chatgpt-everything-to-know-about-the-ai-chatbot/)、[Claude](https://techcrunch.com/2025/02/25/claude-everything-you-need-to-know-about-anthropics-ai/)、[Google の Gemini](https://techcrunch.com/2025/02/26/what-is-google-gemini-ai/)、[Meta の AI Llama](https://techcrunch.com/2024/09/08/meta-llama-everything-you-need-to-know-about-the-open-generative-ai-model/)、[Microsoft Copilot](https://techcrunch.com/2024/08/17/microsoft-copilot-everything-you-need-to-know-about-microsofts-ai/)、あるいは [Mistral の Le Chat](https://techcrunch.com/2025/02/28/what-is-mistral-ai-everything-to-know-about-the-openai-competitor/) などの人気 AI アシスタントで使用される AI モデルです。AI アシスタントとチャットする際、あなたはウェブブラウジングやコードインタープリタなど、利用可能なさまざまなツールの助けを借りて、あるいは直接あなたの要求を処理する大規模言語モデルと対話しています。 LLM は、単語やフレーズ間の関係を学習し、言葉の多様な次元マップのような言語表現を作成する、数十億もの数値パラメータ（[または重み、以下参照](#weights)）で構成された深層ニューラルネットワークです。 これらのモデルは、数十億冊の本、記事、および転写物に見られるパターンを符号化して作成されます。LLM にプロンプトを入力すると、そのモデルはプロンプトに最も適合する可能性が高いパターンを生成します。 （参照：[ニューラルネットワーク](#neural-network)） ## メモリキャッシュ メモリキャッシュは、推論（AI がユーザーの問い合わせに応答を生成するプロセス）を強化する重要なプロセスを指します。本質的に、キャッシングは推論をより効率的にするために設計された最適化技術です。AI は明らかに高オクタン数の数学的計算によって駆動されており、その計算が行われるたびにさらに多くの電力を消費します。キャッシュは、特定の計算を将来のユーザー問い合わせや操作のために保存することで、モデルが実行しなければならない計算の数を削減するように設計されています。メモリキャッシュにはさまざまな種類がありますが、その中でもよく知られているのが [KV（キーバリュー）キャッシング](https://huggingface.co/blog/not-lain/kv-caching#:~:text=References%20&%20Further%20Reading-,Introduction,much%20faster%20and%20more%20efficient.) です。KV キャッシングはトランスフォーマーベースのモデルで動作し、回答を生成するのにかかる時間（およびアルゴリズム的な作業量）を削減することで効率を高め、より高速な結果をもたらします。 (参照: [推論](#inference)) ## モデルコンテキストプロトコル (MCP) Model Context Protocol、または MCP は、AI モデルが外部ツールやデータ（ファイル、データベース、Slack や Google Drive などのアプリ）に接続することを可能にするオープンスタンダードであり、開発者があらゆる組み合わせごとにカスタムコネクタを構築する必要はありません。これは AI における USB-C ポートのようなものです。Anthropic が 2024 年に MCP を導入し、後に Linux Foundation に引き継ぎました。その後、OpenAI、Google、Microsoft によって採用され、近年の AI 史において最も急速に普及した標準の一つとなっています。 ## Mixture of Experts (MoE) Mixture of Experts（エキスパートの混合）は、ニューラルネットワークを多数の小さな専門化されたサブネットワーク、つまり「エキスパート」に分割し、特定のタスクに対してその一部のみを活性化させるモデルアーキテクチャです。すべてのリクエストをモデル全体に通すこと（質問ごとにオフィス全体の人員を呼び出すようなもの）ではなく、MoE モデルには組み込みの「ルーター」があり、作業に適した専門家を正確に選定します。これにより、ネットワークの一部しか同時に動作しないため、非常に巨大なモデルであっても比較的高速かつ低コストで実行可能となります。Mistral AI の Mixtral モデルはよく知られた例であり、OpenAI の新しい GPT モデルも同様のアプローチの何らかのバージョンを使用していると考えられていますが、同社はこれを公式に確認したことはありません。 (参照: [Neural network](#neural-network)、[Deep learning](#deep-learning)) ## Neural network ニューラルネットワークとは、ディープラーニングを支える多層化されたアルゴリズム構造を指し、より広く言えば大規模言語モデルの登場に続く生成 AI ツールの全体的なブームの基盤となるものです。 人間の脳内の密接に相互接続された経路からインスピレーションを得てデータ処理アルゴリズムの設計構造とするという考え方は 1940 年代まで遡りますが、この理論の可能性を本当に解き放ったのは、ビデオゲーム産業を通じて登場した比較的新しいグラフィックスプロセッシングハードウェア（GPU）です。これらのチップは、以前の時代には不可能だったよりもはるかに多くの層を持つアルゴリズムのトレーニングに非常に適しており、音声認識、自律型ナビゲーション、創薬など多くの分野において、ニューラルネットワークベースの AI システムがはるかに優れたパフォーマンスを達成することを可能にしました。 （参照：[大規模言語モデル [LLM]](#large-language-model)） ## オープンソース オープンソースとは、基盤となるコードが誰でも使用・検証・改変できるように公開されているソフトウェア、あるいは近年では AI モデルを指します。AI の世界では、Meta の Llama シリーズが代表的な例であり、オペレーティングシステムにおける歴史的な著名な対比は Linux です。オープンソースのアプローチにより、世界中の研究者、開発者、企業が互いの成果の上に構築することが可能となり、進歩が加速するとともに、クローズドシステムでは容易に提供できない独立した安全性監査を可能にします。一方、クローズドソースとはコードが非公開であることを意味し、製品は利用できてもその仕組みを見ることができません。これは OpenAI の GPT モデルなどが該当するケースで、この区別は AI 業界における最も重要な議論の一つとなっています。 ## Parallelization 並列化とは、一つずつ順番に行うのではなく、多くのことを同時に実行することを意味します。例えば、10 人の従業員がプロジェクトの異なる部分を同時に担当する代わりに、1 人の従業員がすべてを順次処理するような状況です。AI において、並列化はトレーニングと推論の両方の根幹をなす概念であり、現代の GPU は数千回の計算を並列に行うように特別に設計されており、これが業界におけるハードウェアの中核となった大きな理由の一つとなっています。AI システムがより複雑になり、モデルが大きくなるにつれて、多くのチップや多くのマシンにわたって作業を並列化できる能力は、モデルをいかに迅速かつ費用対効果高く構築・展開するかを決定する最も重要な要素の一つとなっています。より良い並列化戦略に関する研究は、現在ではそれ自体が一つの学問分野として確立されています。 RAMageddon（ラムアッゲドン）とは、私たちの日常生活で使用するほぼすべてのテクノロジー製品を支えるランダムアクセスメモリ、すなわち RAM チップの供給不足という、あまり楽しくないトレンドがテック業界を席巻していることに対する、少し皮肉めいた新しい用語です。AI 産業が花開くにつれ、最も強力かつ効率的な AI を実現しようと競い合う大手テック企業や AI ラボは、データセンターを稼働させるために膨大な量の RAM を購入しており、一般消費者に残された分はほとんどなくなってしまいました。その供給のボトルネックにより、残っている RAM の価格はますます高騰しています。 これには、ゲーム業界（主要企業がコンソールの価格引き上げを余儀なくされている分野。デバイス用のメモリチップの入手が困難になっているため）、家電製品業界（メモリの不足により、過去 10 年以上で最大のスマートフォン出荷台数の減少を引き起こす可能性がある分野）、そして一般的なエンタープライズコンピューティング（自社データセンターに必要な RAM が十分に確保できない企業がある分野）が含まれます。価格の高騰は、恐ろしい供給不足が解消された後にのみ止まると予想されていますが、残念ながら、それがすぐに起きる兆候は [ほとんど見られません](https://www.tomsguide.com/computing/ram-price-crisis-2026-everything-you-need-to-know)。 ## 再帰的自己改善 AGIと同様に、再帰的自己改善（recursive self-improvement）は、AI がどれほど賢く成長できるか、また人間にどれだけ依存するかが決まる重要な分岐点です。RSI（再帰的自己改善）のシナリオでは、AI モデルが人間の介入なしに自己改良を開始し、能力と自律性の劇的な加速をもたらします。一部の解説では、これは特異点（singularity）に匹敵する壊滅的な瞬間、つまり AI モデルが外部からの干渉に対して免疫を持つようになる瞬間として描かれます。しかし RSI はまた、「AI モデルが自身の後継者を設計できるか」という基本的な能力を指す用語でもあり、エンジニアがこの機能を実装しようとする際、その実現をより容易にしています。[いくつかの最近の AI スタートアップ](https://techcrunch.com/2026/05/28/rsi-is-the-new-agi-and-its-just-as-hard-to-pin-down/) は再帰的自己改善型モデルの開発に取り組んでいますが、その多くは終末論的な含意を否定し、RSI を単なる研究の次のフロンティアとして提示しています。 ## 強化学習 強化学習は、システムが試行錯誤を行い、正解に対して報酬を得ることで学習する AI の訓練方法です。愛するペットにおやつを与えて訓練するようなものですが、この場合の「ペット」はニューラルネットワークであり、「おやつ」は成功を示す数学的なシグナルです。ラベル付き例題の固定データセットでモデルを訓練する教師あり学習とは異なり、強化学習ではモデルが環境を探検し、行動を取り、受け取るフィードバックに基づいて継続的に行動を更新します。このアプローチは、AI にゲームプレイやロボット制御を教え、さらに最近では大規模言語モデルの推論能力を高めるために特に強力であることが証明されています。人間のフィードバックからの強化学習（RLHF）などの技術は、主要な AI ラボがより有用で正確かつ安全なモデルに微調整を行う際の中心的な役割を果たしています。 人間と機械のコミュニケーションにおいて、いくつかの明白な課題があります。人間は自然言語を用いてコミュニケーションをとる一方、AI プログラムはデータに基づいた複雑なアルゴリズムプロセスを通じてタスクを実行します。トークンはこのギャップを埋めるものであり、人間と AI のコミュニケーションにおける基本的な構成要素です。これは、LLM（大規模言語モデル）によって処理または生成されたデータの離散的なセグメントを表しています。トークンは「トークナイゼーション」と呼ばれるプロセスを通じて作成されます。このプロセスは、言語モデルが消化できる bite-sized な単位に生テキストを分解するものであり、コンパイラが人間が理解できる言語をコンピュータが理解できるバイナリコードに変換するのと同様の仕組みです。企業環境では、トークンはコストも決定します。ほとんどの AI 企業が LLM の利用料をトークン数に基づいて課金しているため、ビジネスの利用量が増えるほど、支払額も増加します。 ## トークンスループット したがって、トークンは AI が処理する前に言語を分割するテキストの小さな断片であり、しばしば単語の一部であって完全な単語ではありません。AI のワークロードを理解する上ではこれらは「単語」にほぼ相当します。 スループットとは、特定の期間内に処理できる量のことを指すため、トークン・スループットは本質的にシステムが一度に処理できる AI 作業の量を測る指標です。高いトークン・スループットは AI インフラストラクチャチームにとって重要な目標であり、なぜならこれはモデルが同時に何人のユーザーに対応可能か、また各ユーザーが応答を受け取るまでの速度を決定するからです。 AI 研究者のアンドレイ・カルパティ氏は、自分の AI サブスクリプションがアイドル状態にあるときに不安を感じたことを述べており、これは高額なコンピュータ・ハードウェアが十分に活用されていない大学院生時代の感覚と重なります。この感情は、なぜトークン・スループットの最大化がこの分野で一種の執着となっているのかを捉えています。 ## 訓練 機械学習 AI を開発するには、「トレーニング」と呼ばれるプロセスが必要です。簡単に言えば、これはモデルがパターンから学習し有用な出力を生成できるようにするためにデータを入力するプロセスです。本質的には、システムがデータ内の特性に応答して出力を目的の目標（猫の画像の識別や、要求に応じて俳句を作成するなど）に向けて適応させるプロセスです。 トレーニングは多くの入力が必要となるため高価になりがちですが、必要なデータ量は増加傾向にあり、そのためルールベースの AI にターゲットを絞ったデータを適用して微調整するなどのハイブリッドアプローチは、ゼロから始めることなくコストを管理するのに役立ちます。 [参照：推論 (Inference)] ## 転移学習 以前にトレーニングされた AI モデルを新しいモデル開発の出発点として利用し、通常は関連するが異なるタスクに対応させる技術です。これにより、過去のトレーニングサイクルで得られた知見を再活用できます。 転移学習は、モデル開発の工程を短縮することで効率化とコスト削減を実現します。また、対象となるタスクのためのデータが限られている場合にも有用です。ただし、このアプローチには限界がある点に注意が必要です。汎用的な能力を獲得するために転移学習に依存するモデルは、その専門分野で良好に機能させるためには追加のデータによるトレーニングが必要になる可能性が高いです。 (参照：微調整 (Fine tuning)) ## 検証損失 バリデーション損失は、AI モデルがトレーニング中にどの程度学習しているかを示す数値であり、低いほど望ましいです。研究者たちはこれをリアルタイムの成績表のようなものとして厳密に追跡し、トレーニングをいつ停止するか、ハイパーパラメータをいつ調整すべきか、あるいは潜在的な問題を検証する必要があるかどうかを判断するために利用しています。この指標が示す重要な懸念事項の一つは過学習（overfitting）であり、これはモデルが新しい状況にも適用可能なパターンを真に学習するのではなく、トレーニングデータを単に暗記してしまう状態を指します。これは、教材を本当に理解している生徒と、昨年の試験問題をただ暗記している生徒の違いのようなものです。バリデーション損失は、あなたのモデルがどちらのタイプになりつつあるかを明らかにする役割を果たします。 ## 重み（Weights） 重み（weights）は AI トレーニングの中核をなすものであり、システムをトレーニングするために使用されるデータ内の異なる特徴（または入力変数）に与えられる重要性（または重み付け）の度合いを決定し、それによって AI モデルの出力を形成します。 言い換えれば、重みは特定のトレーニングタスクにおいてデータセットの中で最も顕著な要素が何かを定義する数値パラメータです。これらは入力に対して乗算を適用することでその機能を果たします。モデルトレーニングは通常、ランダムに割り当てられた重みから開始されますが、プロセスが進むにつれて、モデルがターゲットにより近い出力に到達しようとする過程で重みが調整されていきます。 例えば、特定の地域の歴史的不動産データを基にトレーニングされた住宅価格予測用の AI モデルには、寝室や浴室の数、物件が独立型か半独立型か、駐車場やガレージの有無といった特徴に対する重みが含まれる可能性があります。 究極的に、モデルがこれらの各入力に付与する重みは、与えられたデータセットに基づき、それらが物件の価値にどの程度影響を与えるかを反映したものです。 *本記事は新しい情報で随時更新されます。* *当社の記事内のリンクを通じてご購入いただいた場合、[小規模な手数料をいただいている可能性があります](https://techcrunch.com/techcrunch-affiliate-monetization-standards/)。これは当社の編集の独立性には影響しません。

今年必要となる唯一の AI ガイダンス

背景や根拠まで確認しますか？

関連記事

調べる

選ぶ

サイト