LLMの最新トレンド - 2025年3月
|
LLMは自然言語処理において重要な役割を果たしています。ファインチューニング、ゼロショットモデル、マルチモーダル対応など、技術の進化を遂げてきました。また、思考型モデルによる論理的推論の強化や、AIエージェントによる自律的なタスク実行により、ビジネスの効率化に貢献しています。 |
2025-03-29 |
機械学習の概要と基礎知識
|
この文書は、機械学習の概要と基本概念について説明しています。正答率、再現率、特異度、適合率などの評価指標や、F値、混同行列、決定係数、ROC曲線などの概念について解説されています。また、機械学習と統計学の違いや共通点、AI/ML関連の用語の定義と意味についても説明されています。 |
2021-08-30 |
自然言語処理での応用
|
自然言語処理では、言語モデルを利用して文の自然さを確率で表現し、意味の近い言葉を同じように扱う仕組みが重要です。言語モデルは文脈によって単語の出現確率が決まることを利用し、分布仮説と呼ばれる考え方が主流です。単語の意味は周囲の単語によって形成され、Word2Vecなどの手法を用いて単語の意味を数値で表現します。また、トークンと呼ばれる単位で自然言語を扱い、トークンのベクトル表現を学習することで文の意味を表現します。AI/MLによる自然言語処理の流れは、単語辞書の準備、分散表現学習用のコーパスの準備、コーパスのトークン化、トークンのベクトル学習、ラベルデータの準備、入力文のトークン化、トークンのベクトル取得、機械学習モデルへの入力の順で行われます。事前学習済みモデルを利用することで分散表現の準備をスキップできます。 |
2021-08-30 |
教師あり学習・教師なし学習の概要
|
教師あり学習と教師なし学習の概要について説明されています。教師あり学習では勾配ブースティングやニューラルネットワークが紹介され、教師なし学習ではクラスタリングや次元削減、異常検知が説明されています。さらに、それぞれのアルゴリズムについても詳細が説明されています。 |
2021-08-30 |
MLOpsの概要
|
MLOpsは機械学習の開発と運用を統合する実践であり、機械学習モデルのライフサイクルにDevOpsの原則と手法を適用します。MLOpsの主な目的は機械学習システムの品質保証であり、機械学習パイプラインの自動化やモデルの改善と安定運用を実現します。MLOpsには様々なツールが使用され、成熟度レベルに応じた段階的な導入が推奨されます。 |
2023-11-03 |
LLMの発展によるAI/ML開発の変化
|
LLMの発展により、AI/ML開発には個別のプロジェクトでの検証が必要であり、プロンプトエンジニアリングはLLMに依存しています。特化モデルとの住み分けやRAGによる外部知識の利用、ファインチューニングの意義、ランダム性を考慮した評価方法、コスト計算の検討、そしてLLMOpsの登場が重要です。 |
2023-11-08 |
最新のLLMを利用したシステム開発
|
最新のLLMを利用したシステム開発についての記事です。LLMを利用したシステム開発では、基盤モデルの構築、特定タスクへのファインチューニング、独自データからの知識統合が重要です。LLMチェインの設計やモデルの選択、評価系の構築、データ準備、アプリケーション構築なども取り組むべき課題です。 |
2023-11-15 |
