人工知能の基礎 – パート3：概念
はい Linuxユーザー向けの人工知能（AI）学習に関する最初の2つの記事はいかがでしたか？さて、今日はこの第3部をきっと気に入っていただけると思います。ここでは、この技術分野に関連する最も重要な概念と用語のいくつかを取り上げます。もし前の2つのパートを読んでいない場合は、 第２部では、 違いについてのポイント 記号的人工知能とコネクショニスト人工知能 そして、この技術分野における過去100年間の歴史的な節目について。一方、 最初の部分では、 en AIとは何か、そして既に開発されている様々な種類について （狭義または弱義、生成型およびエージェント型）と、（汎用または強義、および人工超知能）が創造されると予想される。
そして、以前にも述べたように、彼らの時代と同じように、電気、ラジオ、テレビ、コンピューター、電話、インターネット、ソーシャルネットワークを覚えておいてください。 人工知能は、あらゆるものに深く統合される技術として登場しました。そしてそれは、貴重な時間とコストのかかる労働時間を節約し、私たちをより生産的、創造的、多才にすることで、間違いなく、 それは、その存在や仕組みをほとんど知らない人々を徐々に排除していくでしょう。したがって、それに関連するあらゆる事柄について、まずは背景知識を身につけることから始めるのが一番良いでしょう。
人工知能の基礎 – パート1：起源 II
しかし、このことを掘り下げる前に 「刺激的で驚きに満ちた人工知能分野の第三部」さらに具体的に、検討、理解、習得すべき最も重要な概念や用語については、以下を調査することをお勧めします。 この出版物シリーズの過去および最近の関連出版物読み終えて：
人工知能の基礎 – パート3：関連概念と用語
人工知能の分野で常に言及される20の重要な概念と用語
1. 幻覚
幻覚とは、AIシステム、特に自然言語処理を扱うシステムが、入力された情報に基づいて、無関係、意味不明、または誤った結果を生成し始める状況を指します。これは、AIシステムが文脈を正しく理解できていない場合、トレーニングデータに過度に依存している場合、または対象分野を適切に理解していない場合などに発生することがよくあります。
2. 機械学習
人工知能の一分野であり、機械が経験を通して性能を向上させるためのアルゴリズムや統計モデルの開発を包含する。例えば、過去の行動に基づいて顧客離脱の可能性を予測できる機械学習アルゴリズムなどが挙げられる。機械学習プログラムのおかげで、機械は事例から問題を解決することを学習し、データを比較・分類したり、複雑な形状を認識したりすることができるようになる。
3. ディープラーニング
機械学習の一分野であり、多層ニューラルネットワークを用いてデータから学習する。つまり、異なるニューラルネットワーク構造を用いて、意味のあるデータ表現を段階的に学習していく。現在、人工知能（AI）分野で最も人気のある分野である。機械学習アルゴリズムと形式的なニューラルネットワーク、そしてビッグデータの利用が融合して生まれた。
4。 ビッグデータ
ビッグデータとは、情報技術の一分野であり、大規模なデータセットを扱う際に生じる固有の困難を研究する分野です。マクロデータとも呼ばれるこれらのデータセットは、従来の方法では処理するには規模が大きすぎたり、種類が多すぎたりする、大規模で複雑なデータセットを指します。さらに、ソーシャルネットワークやセンサーなど、さまざまなソースから収集されるため、分析して有用な情報を抽出するには、人工知能や機械学習といった高度な技術が必要となります。
5. データセット
データセットとは、通常は表形式で構造化されたデータの集合体です。これは、人工知能モデルのトレーニング、テスト、または検証に使用される、整理されたデータの集合体です。データセットには、テキスト、画像、動画、またはその他の種類の情報を含めることができ、通常は機械学習アルゴリズムがパターンを認識して予測を行えるようにラベル付けされています。
6. モデルトレーニング
モデルトレーニングとは、データセットを用いて人工知能または機械学習モデルに、分類や予測といった特定のタスクを実行させるプロセスです。モデルは、提供されたサンプルに基づいてパラメータを調整し、新しいデータに対する精度を向上させます。
7. 回収による発電量の増加
RAG（Retrieval-Augmented Generation：情報検索拡張生成）は、AIが応答を生成する前に、外部データベースに問い合わせたり、インターネットを検索して新しい情報や更新された情報を取得したりすることを可能にする手法です。新しいデータでモデル全体を再学習させる必要がなく、RAGはAIにとって一種の「リアルタイム教育」として機能します。これは、システムが特定の検証済み文書に依存することを強制するため、AIが情報を捏造する（幻覚）リスクを大幅に低減できるため、非常に有用です。
8. GPT（生成的事前学習トランスフォーマー）
これらはOpenAIが開発した言語モデル群で、ニューラルネットワークを用いて自然なテキストの理解と生成を行います。これらのGPT（Generative Pretrained Transformer）モデルは、Transformerと呼ばれるアーキテクチャを採用しており、膨大なデータセットを用いた学習に基づいて、プロンプトを分析し、最も可能性の高い応答を予測することができます。そのため、GPTは人間の言語理解能力を模倣することが可能です。
9. 自然言語生成（自然言語の生成)
自然言語生成は、人工知能の一分野であり、人間が理解できるテキストや音声を自動的に生成する技術です。これにより、機械は生データを自然な文章や段落に変換することができ、自動要約や仮想アシスタントなどに活用されています。
10. プロンプトエンジニアリング
これは、より正確で生産的かつ革新的な出力、つまり有意義な生成出力を達成するための要求に対するプロンプトを開発する技術です。言い換えれば、生成型人工知能に与える指示を設計、最適化、洗練する科学です。その目標は、AIが正確で関連性が高く、質の高い回答を得られるように導き、一般的な結果や誤った結果を避けるためのコミュニケーションの架け橋となることです。
11。 モデル
モデルとは、学習アルゴリズムの出力を表すオブジェクトのことです。つまり、AIが出力予測を行う際に使用するものです。例えば、基盤モデルは、大規模な言語モデルや、コンピュータビジョン、強化学習モデルなどの他の種類のモデルを含む、AIモデルの幅広いカテゴリです。これらは、幅広いドメインやユースケースに対応するアプリケーションを構築するための基盤となるため、「基盤モデル」と呼ばれています。
12. 大規模言語モデル
これらは、自然言語の理解と生成タスクを実行するために大規模なデータセットでトレーニングされた深層学習モデルの一種です。よく知られているモデルには、BERT、PaLM、GPT-2、GPT-3、GPT-3.5、そして革新的なGPT-4などがあります。これらのモデルは、サイズ（調整可能なパラメータの数）、実行可能なタスクの範囲（コーディング、チャット、科学など）、およびトレーニングに使用された知識ベースにおいて異なります。
13. 小規模言語モデル
これらは、大規模言語モデル（LLM）の小型版と言えるでしょう。どちらも機械学習技術を用いてパターンや関係性を認識し、リアルな自然言語応答を生成します。しかし、LLMは膨大な計算能力とメモリを必要とするのに対し、Phi-3のような小型言語モデルは、より小規模で厳選されたデータセットで学習され、パラメータ数も少ないため、よりコンパクトでオフラインでも使用可能です。
14. バイアス
これらは、AIモデルがデータについて立てる仮定です。「バイアス・バリアンスのトレードオフ」とは、モデルがデータについて立てる仮定と、異なる訓練データが与えられた場合にモデルの予測が変化する量との間で、取るべきバランスのことです。帰納的バイアスとは、機械学習アルゴリズムがデータの基となる分布について立てる仮定の集合です。
15. 自然言語処理
自然言語処理は、機械に人間が話す言語を読み理解する能力を与えることを中心とする学際的な分野です。自然言語処理の研究は、人々が話し言葉や書き言葉の意味をどのように理解し、何がいつどこで起こったのかをどのように理解するのか、また、推測、信念、事実の違いをどのように理解するのかという問いに答えることを目的としています。そのため、膨大な量の言語データを処理するためのコンピュータのプログラミングを伴い、自由形式のテキストを標準化された構造に変換することに重点を置いています。
16.プロンプト
プロンプトとは、コンピュータシステムに応答を生成するよう指示する、または一連の指示（入力）のことです。人工知能の文脈では、特定の応答または出力の生成を誘導・指示するためにモデルに提供される最初の指示、コマンド、質問、要求、またはテキストステートメントを指します。プロンプトはAIにとって刺激またはトリガーとして機能し、期待される応答のトピック、スタイル、方向性、またはタイプを示します。プロンプトの表現方法（フレーミング）は、得られる結果の質と関連性を直接的に決定します。
17. ニューラルネットワーク
これらは、多数の単純な神経ユニット（人工ニューロン）に基づいた計算モデルであり、生物の脳におけるニューロンの軸索で観察される挙動とほぼ類似しています。これらはディープラーニングの基本的な動作単位です。さらに、機械学習またはディープラーニングに基づき、人間の脳の分析メカニズムをモデル化することで、パターン認識と問題解決を可能にする機械学習モデルです。
18. トランスフォーマー
トランスフォーマーは、テキストなどのシーケンシャルデータを処理するために設計されたニューラルネットワークアーキテクチャの一種です。トランスフォーマーは文脈を学習し、結果として意味を理解します。従来のモデルのように順次的にではなく、シーケンス内の異なる要素（単語、文）間の関係を並列的に捉えます。トランスフォーマーは、GPTやBERTといった成功したモデルの基盤となっており、自然言語処理タスクに利用されています。
19.トークン
人工知能におけるトークンとは、GPTやGeminiなどの言語学習モデル（LLM）がテキストを処理、理解、生成するために使用するデータの基本単位（単語、単語の一部、文字、記号など）のことです。これはAIが読み取って分析する「通貨」または重要な情報であり、AIが人間の言語を管理しやすい（計算可能な）チャンクに分解することを可能にします。その結果、AIモデルはトークンを処理してトークン間の関係を理解し、予測、生成、推論などの機能を解き放ちます。トークンの処理が速ければ速いほど、モデルの学習と応答も速くなります。
20．交差検証
これは、分析結果を評価し、機械学習モデルの予測精度を確保するために用いられる手法です。つまり、データセットを複数のサブセット（または「フォールド」）に分割することに重点を置いた、機械学習モデルの評価手法と言えます。モデルは一部のサブセットで学習され、他のサブセットでテストされます。これにより、過学習を抑制し、モデルのパフォーマンスをより確実に推定することが可能になります。
この第3部では、人工知能のその他の基礎事項について調査、理解、習得する価値がある。
これらは、知っておくべき、理解すべき、そして習得すべき数多くの概念や用語のうちのほんの一部にすぎません。 この現代的で革新的な人工知能の分野において。したがって、ここで提供される情報を拡張し、他の情報に簡単にアクセスできるようにするために、私たちはこれを提供します。 AIで作成された興味深いインフォグラフィック 同様に重要かつ不可欠な他の要素について、少しだけご紹介しましょう。
要約
要するに、これが 「刺激的で驚きに満ちた人工知能分野の第三部」 生成型人工知能（GAI）に重点を置くことで、この現代的で革新的な分野における知識とスキルを強化し、向上させることに少し貢献できたかもしれません。忘れないでください。 人工知能とロボット工学は、世界と私たちの生活様式を変えつつある。そして、数年後、量子コンピューティングが商用化され、カシミール効果によって生成される量子エネルギーが全人類に広く利用可能になったとき、それは私たちが今日経験しているものとは全く異なるものになるかもしれません。ですから、今人工知能について学ぶことは、拒否して明日後悔するよりもずっと良いことです。そしてもちろん、私たちの愛する貴重なLinuxコミュニティへの参加、貢献、そして支援を続けることを忘れないでください。
最後に、覚えておいてください 私たちを訪問 «ホームページ» エンESPAÑOLまたは、他の言語で（現在の URL の末尾に 2 文字を追加するだけです。たとえば、ar、de、en、fr、ja、pt、ru など）、より最新のコンテンツを見つけることもできます。