生成AIの用語と解説

感情分析は、口コミなどの文章から書き手の気持ちが肯定的か否定的かを判定する処理です。 【関連】文章要約は、内容を短くまとめる処理です。

報酬は、強化学習でエージェントの行動の良し悪しを示すために環境から与えられる数値です。 【関連】方策は、どの状態でどの行動をとるかの決め方です。

第3次AIブームは、ビッグデータと計算機性能の向上を背景に、深層学習の成果から始まりました。 【関連】第2次AIブームは、エキスパートシステムが中心でした。

第1次AIブームは、推論と探索で迷路やパズルのような問題を解くことが中心でした。 【関連】第2次AIブームは、専門家の知識をルールにするエキスパートシステムが中心でした。

学習率は、1回の更新でパラメータを動かす「歩幅」です。大きすぎると最適な値を飛び越えます。 【関連】バッチサイズは、1回の更新に使うデータの数です。

混同行列は、実際のクラスと予測したクラスの組み合わせごとに件数をまとめた表です。 【関連】混同行列の件数から、適合率や再現率を計算できます。

誤差逆伝播法（バックプロパゲーション）は、誤差を出力側から入力側へ伝えて各層の勾配を求めます。 【関連】求めた勾配で重みを直すのが勾配降下法です。

勾配消失問題は、層が深いと入力側へ伝わる勾配がほぼゼロになり学習が進まない問題です。 【関連】活性化関数をReLUにすると和らぎます。

ドロップアウトは、学習のたびに一部のニューロンをランダムに無効にして過学習を防ぐ工夫です。 【関連】早期終了は、学習を途中で打ち切る方法です。

データ拡張は、回転・反転・明るさの変更などで手元のデータを加工し、数を人工的に増やす工夫です。 【関連】アノテーションは、データに正解を付ける作業です。

交差検証は、データを分割し、評価用の部分を入れ替えながら学習と評価を繰り返す方法です。 【関連】ホールドアウト法は、一度だけ分けて評価します。

k-means法は、決めた数のグループへ、各グループの中心との距離をもとにデータを分ける教師なし学習の手法です。 【関連】k近傍法は、近いデータの多数決で分類します。

ランダムフォレストは、無作為に選んだデータや特徴量で多数の決定木を作り、多数決や平均で予測します。 【関連】勾配ブースティングは、木を順に足して誤りを直していきます。

RNN（再帰型ニューラルネットワーク）は、前の時点の情報を次の計算に引き継いで順番のあるデータを扱います。 【関連】CNNは、画像の特徴を取り出すのが得意です。

適合率は、陽性と予測したもののうち実際に陽性だった割合です。 【関連】再現率は、実際の陽性のうち正しく見つけた割合です。

再現率は、実際に陽性であるもののうち、正しく陽性と予測できた割合（見逃しの少なさ）です。 【関連】適合率は、陽性と予測したうち当たった割合です。

形態素解析は、文章を意味を持つ最小単位に区切り、品詞を判定する技術です。 【関連】構文解析は、単語どうしの文法上の関係を調べます。

フレーム問題は、無数の事柄から課題に関係することだけを選び出すのが難しいという問題です。 【関連】トイ・プロブレムは、現実より単純化した問題のことです。

ReLUは、入力がゼロ以下ならゼロ、正ならその値をそのまま出力します。勾配が消えにくく、深層学習でよく使われます。 【関連】ステップ関数は、正なら常に1を出す点が違います。

ソフトマックス関数は、複数の出力を合計が1になる確率のような値に変換します。 【関連】シグモイド関数は、一つの値を0から1の範囲に収めます。

正則化は、損失関数にパラメータの大きさに応じた罰則を加え、モデルの複雑化を防ぐ工夫です。 【関連】正規化は、データの値の範囲をそろえる前処理です。

次元の呪いは、特徴量の種類が増えるほど必要なデータ量や計算量が急増する問題です。次元削減で和らげられます。 【関連】勾配消失問題は、層が深すぎると起こる問題です。

主成分分析は、ばらつきが最も大きい方向から順に新しい軸を取り、情報をまとめる次元削減の代表的な手法です。 【関連】k-means法は、データをグループに分ける手法です。

k近傍法は、距離の近い学習データを決めた数だけ選び、その多数決でクラスを決めます。 【関連】k-means法は、正解なしでグループを作る手法です。

サポートベクターマシンは、境界と最も近いデータとの距離（マージン）が最大になる境界を探します。 【関連】k近傍法は、近いデータの多数決で分類します。

LSTMはRNNを改良したもので、ゲートで情報を残すか忘れるかを調整し、長い系列でも情報を保てます。 【関連】CNNは、画像の特徴を取り出すのが得意です。

F値は、適合率と再現率の調和平均です。どちらかが低いとF値も低くなります。 【関連】正解率は、全体のうち当たった割合を見ます。

平均二乗誤差は、予測値と実際の値の差を2乗してから平均した回帰の評価指標です。 【関連】平均絶対誤差は、差の絶対値を平均します。

自己教師あり学習は、文章の一部を隠して当てるなど、ラベルのないデータ自体から問題を作って学びます。 【関連】半教師あり学習は、少量の正解付きデータも併せて使います。

シンボルグラウンディング問題は、記号と実世界の意味をコンピュータが自力で結び付けられない問題です。 【関連】フレーム問題は、必要な事柄だけを選び出せない問題です。

アルゴリズムは、問題を解いたり処理したりするための決まった手順・計算方法です。機械学習も、学習の手順をアルゴリズムとして実行しています。 【関連】プロトコルは、機器どうしが通信するときの約束事です。

セグメンテーションは、画素ごとに何に当たるかを判定し領域を塗り分けます。自動運転で道路と歩道を分けるのに使われます。 【関連】物体検出は、物の位置を四角い枠で示します。

早期終了（アーリーストッピング）は、検証データでの誤差が下がらなくなった時点で学習を打ち切る工夫です。 【関連】ドロップアウトは、一部のニューロンを無効にする方法です。

エポックは、訓練データ全体を一巡して学習するごとに1回と数える単位です。多すぎると過学習しやすくなります。 【関連】イテレーションは、パラメータを1回更新するごとに数えます。

ロジスティック回帰は、重み付きの和をシグモイド関数に通して確率を出す分類の手法です。名前は回帰でも用途は分類です。 【関連】線形回帰は、数値そのものを予測します。

モラベックのパラドックスは、人に簡単な歩く・見るといった動作ほどAIには難しいという、ロボット研究から生まれた指摘です。 【関連】フレーム問題は、関係する事柄を選ぶ難しさです。

NPUは、AIの計算を高速かつ省電力で行う専用の部品で、端末内でAIを動かすエッジAIを支えます。 【関連】GPUは、もともと画像描画のために作られた部品です。

韻律（プロソディ）は、声の高さの上がり下がり・強さ・間の取り方などの話し方の特徴です。 【関連】音素は、言葉の音を区別する最小の単位です。

ボコーダは、声の特徴を表す数値から実際の音の波形を作り出す、音声合成の最後の仕上げを担う部品です。 【関連】イコライザは、周波数ごとの音の強さを調整する道具です。

バイトペア符号化（BPE）は、よく並んで現れる文字の組を順に一つにまとめて語彙を作るトークン化の方法です。 【関連】形態素解析は、辞書を使って文を品詞に区切ります。

残差接続は、層への入力を出力に足し合わせる近道で、深いネットワークでも学習を安定させます。トランスフォーマーの各層にも使われています。 【関連】ドロップアウトは、過学習を防ぐ工夫です。

パープレキシティ（困惑度）は、次の語の予測の迷いを表す指標で、値が小さいほど良いとされます。 【関連】BLEUは、訳文を参照訳と比べる機械翻訳の指標です。

大規模言語モデル（LLM）は、大量の文章で言葉の使い方を学び、質問応答や文章作成ができる巨大なモデルです。 【関連】画像認識モデルは、写っている物を見分けるモデルです。

トークンは、モデルが文章を処理する単位で、単語や単語の一部に区切られます。料金や入力の上限もトークンで数えることが多いです。 【関連】パラメータは、モデル内部で学習される数値です。

事前学習は、用途を絞らず大量のデータで土台となる幅広い知識を身に付けさせる最初の段階です。 【関連】ファインチューニングは、その後で用途に合わせて調整する段階です。

ファインチューニング（微調整）は、学習済みモデルに用途向けのデータを追加で学ばせて調整する方法です。 【関連】プロンプトの工夫は、モデル自体を変えません。

マルチモーダルは、文章・画像・音声など種類の違うデータをまとめて扱えることです。モーダルはデータの種類を指します。 【関連】マルチタスクは、複数の課題をこなすことです。

言語モデルは、続きに来そうな語を予測して足すことを繰り返して文章を作ります。決まった文を覚えて出しているわけではありません。

識別系AIは、入力された画像や文章が何かを見分け・分類するAIです。迷惑メールの判定が代表例です。 【関連】生成系AIは、新しい文章や画像を作り出します。

動画生成AIは、文章で伝えた場面や動きから動く映像を作ります。広告や説明動画の下書きに使われます。 【関連】画像生成AIが作るのは、一枚の静止画です。