この用語集は、AI 関連のさまざまな用語を理解するための確かな出発点を提供します。 AI は急速に進化している分野であり、時間の経過とともに新しい用語や概念が登場する可能性があることに留意してください。 信頼できる情報源や業界の出版物を参照して、常に最新の情報を入手することが重要です。
この用語集は、AI 関連のさまざまな用語を理解するための確かな出発点を提供します。 AI は急速に進化している分野であり、時間の経過とともに新しい用語や概念が登場する可能性があることに留意してください。 信頼できる情報源や業界の出版物を参照して、常に最新の情報を入手することが重要です。
Gen AI プロンプト「未来的なハードドライブを備えたブライアン・ビーラー」
AI (人工知能) 用語の AI トップ用語集とその定義をまとめました。
- アルゴリズム： 問題を解決したりタスクを達成したりするためにマシンが従う一連の指示またはルール。
- 人工知能（AI）： 視覚認識、音声認識、意思決定、問題解決など、通常人間の知能を必要とするタスクを実行する、機械、特にコンピューター システムによる人間の知能プロセスのシミュレーション。
- 機械学習（ML）： 明示的にプログラムすることなく、コンピューター システムが経験から学習し、改善できるようにする AI のサブセット。 ML アルゴリズムにより、マシンはパターンを認識し、予測を行い、時間の経過とともにパフォーマンスを向上させることができます。
- 深層学習： 複数の層を持つニューラル ネットワークを使用してデータを階層的に処理し、複雑な特徴を抽出する機械学習の特定のサブフィールド。画像認識や音声認識などのタスクで特に効果的です。
- フェデレーテッド ラーニング: データを分散化してプライベートに保ちながら、複数のデバイスまたはサーバーが連携してモデルをトレーニングするアプローチ。モバイル デバイスなどのシナリオでよく使用されます。
- 量子コンピューティング: 量子ビット (量子ビット) を活用して、特定の種類の計算を従来のコンピューターよりも大幅に高速に実行する、計算への最先端のアプローチ。
- 神経網： 人間の脳の構造と機能にヒントを得た計算モデル。これは、データを処理および変換するためにレイヤーに編成された相互接続されたノード (ニューロン) で構成されます。
- 神経進化: ニューラル ネットワークと進化的アルゴリズムを組み合わせた手法。ニューラル ネットワークのアーキテクチャやパラメータを進化させるために使用されます。
- 大規模言語モデル (LLM): 教師あり学習を使用して大量のデータでトレーニングされた機械学習モデルは、特定のコンテキストで次のトークンを生成し、ユーザー入力に対する意味のあるコンテキストに応じた応答を生成します。 「大規模」とは、言語モデルによる広範なパラメーターの使用を指します。たとえば、GPT-3 には 175 億のパラメーターがあり、作成時点で利用可能な最も重要な言語モデルの XNUMX つとなっています。
- 自然言語処理（NLP）： NLP のサブフィールドは、人間が読めるテキストの生成に焦点を当てており、自動コンテンツ作成などのアプリケーションでよく使用されます。
- コンピュータビジョン： 画像やビデオなどの世界の視覚情報を機械が解釈して理解できるようにする AI の分野。
- 強化学習： エージェントが環境と対話することで意思決定を学習する機械学習の一種。報酬または罰則の形でフィードバックを受け取り、意思決定能力を向上させるように導きます。
- 教師あり学習： 機械学習の一種。モデルがラベル付きデータでトレーニングされます。これは、各入力に対して正しい出力が提供されることを意味します。目標は、モデルが情報を正しい結果に正確にマッピングする方法を学習することです。
- 教師なし学習： 機械学習の一種。ラベルのないデータでモデルがトレーニングされ、特別なガイダンスなしでデータ内のパターンや構造を見つける必要があります。
- 半教師あり学習: 教師あり学習と教師なし学習の組み合わせ。ラベル付きデータとラベルなしデータの組み合わせでモデルがトレーニングされます。
- 転移学習: 事前トレーニングされたモデルを新しいタスクの開始点として使用し、限られたデータでより高速かつ効率的なトレーニングを可能にする手法。
- ナレッジグラフ: エンティティ、その属性、関係を捉えた知識の構造化表現。これにより、高度な情報検索と推論が可能になります。
- 畳み込みニューラル ネットワーク (CNN): 画像などのグリッド状のデータを処理するために設計されたニューラル ネットワークの一種。 CNN は、コンピューター ビジョン タスクに特に効果的です。
- リカレント ニューラル ネットワーク (RNN): ニューラル ネットワークの一種で、テキストや時系列などの連続データに適しています。 RNN は、連続した情報を効果的に処理するために過去の入力の記憶を維持します。
- 生成的敵対的ネットワーク（GAN）： ニューラル ネットワーク アーキテクチャの一種。ジェネレーターとディスクリミネーターという 2 つのネットワークで構成され、相互に競合して画像や音声などの現実的なデータを生成します。
- AI のバイアス: AI システムにおける不公平または差別的な結果の存在を指します。多くの場合、偏ったトレーニング データや設計上の決定が原因で発生します。
- AI における倫理: AI システムを開発および導入する際に、責任を持って使用され、個人や社会に害を及ぼさないようにするための道徳的原則とガイドラインを考慮すること。
- 説明可能な AI (XAI): 意思決定について透明性のある説明を提供し、AI によって生成された結果の背後にある理由を人間が理解できるようにする AI システムを設計するという概念。
- エッジ AI: クラウドベースの処理に依存するのではなく、AI アルゴリズムをエッジ デバイス (スマートフォン、IoT デバイスなど) に直接展開することで、より高速でプライバシーを意識した AI アプリケーションが可能になります。
- ビッグデータ： 従来の方法を使用して処理するには大きすぎるか複雑すぎると考えられるデータセット。これには、意思決定を改善するための貴重な洞察とパターンを収集するために大量の情報を分析することが含まれます。
- モノのインターネット（IoT）： データの収集と交換を可能にするセンサーとソフトウェアを備えた相互接続されたデバイスのネットワーク。
- AIaaS (サービスとしての AI): クラウドを介した AI ツールとサービスの提供により、企業や開発者は基盤となるインフラストラクチャを管理することなく AI 機能にアクセスして使用できるようになります。
- チャットボット： NLP と AI を使用してユーザーとの人間のような会話をシミュレートするコンピューター プログラム。通常、カスタマー サポート、仮想アシスタント、メッセージング アプリケーションに導入されます。
- コグニティブ・コンピューティング: 学習、言語理解、推論、問題解決などの人間の認知能力を模倣することを目的とした AI のサブセット。
- AIモデル: AI システムの数学的表現。トレーニング プロセス中にデータから学習され、新しい入力が与えられたときに予測や決定を行うことができます。
- データのラベル付け： 教師あり機械学習タスクの正しい出力を示すために、データに手動で注釈を付けるプロセス。
- バイアスの軽減: AI システムのバイアスを軽減または排除し、公平性と公平な結果を確保するために使用される技術と戦略。
- ハイパーパラメータ: 学習率、隠れ層の数、バッチ サイズなど、機械学習アルゴリズムの動作とパフォーマンスを制御するためにユーザーが設定するパラメーター。
- 過剰適合： 機械学習における、モデルがトレーニング データに対して非常に優れたパフォーマンスを発揮するものの、パターンを学習するのではなくトレーニング セットを記憶するために、新しいまだ見たことのないデータに一般化できないという状態。
- アンダーフィッティング： モデルがトレーニング データ内のパターンをキャプチャできず、トレーニング データと新しい未確認データの両方でパフォーマンスが低下する機械学習の状態。
- 異常検出: 予想される動作に適合しないデータ内のパターンを特定するプロセス。不正行為の検出やサイバーセキュリティでよく使用されます。
- アンサンブル学習： 複数のモデルを組み合わせて最終的な予測を行う手法。多くの場合、個別のモデルを使用するよりも全体的なパフォーマンスが向上します。
- TensorFlow： Google が開発したオープンソースの機械学習ライブラリで、さまざまなタイプのニューラル ネットワークを構築およびトレーニングするためのフレームワークを提供します。
- PyTorch： Facebook によって開発されたオープンソースの機械学習ライブラリで、ディープ ラーニングや研究目的で特に人気があります。
- 強化学習エージェント: 強化学習システムの学習エンティティは、環境と対話し、報酬を受け取り、累積報酬を最大化するための決定を下します。
- GPT (生成事前トレーニング済みトランスフォーマー): 人間のようなテキストを生成する機能で知られる大規模言語モデルのファミリー。 GPT-3 は、OpenAI によって開発された最もよく知られたバージョンの XNUMX つです。
- チューリングテスト: アラン・チューリングによって提案された、機械が人間と区別できない知的な動作を示すことができるかどうかを判断するためのテスト。
- 特異点: AI と機械知能が人間の知能を超え、社会とテクノロジーに根本的な変化が起こる未来の仮想点。
- 群れのインテリジェンス: アリやミツバチなどの社会的生物の集団行動にヒントを得た AI アプローチで、個々のエージェントが協力して複雑な問題を解決します。
- ロボット工学： 自律的または半自律的にタスクを実行できるロボットの設計、構築、プログラミングに焦点を当てる AI およびエンジニアリングの分野。
- 自律走行車： AI、コンピューター ビジョン、センサーを使用して人間の介入なしでナビゲーションおよび動作する自動運転車および車両。
- 顔認識： 顔の特徴に基づいて個人を識別し、認証するために使用される AI 主導のテクノロジー。
- 感情分析： NLP テクニックを使用してテキストの中で表現されている感情や感情を判断するプロセス。ソーシャル メディアのモニタリングや顧客のフィードバック分析でよく使用されます。
- ゼロショット学習: モデルがトレーニング中にそのタスクの例を見なくても、一般知識を使用してタスクを実行できる ML のタイプ。
- ワンショット学習: 限られたデータから学習することを目的として、クラスごとに 1 つまたは少数の例のみを使用してモデルがトレーニングされる ML のバリエーション。
- 自己教師あり学習: モデルが入力データから独自の監視信号を生成する学習アプローチ。ラベルのない大規模なデータセットでモデルを事前トレーニングするためによく使用されます。
- 時系列分析: 長期にわたって一定の間隔で収集されたデータ ポイントを分析および予測するための技術。金融や環境科学などの分野で重要です。
- 敵対的攻撃: 悪意のある入力が AI モデルを誤解させるように設計された手法。現実世界の課題に対するモデルの堅牢性をテストするためによく使用されます。
- データ拡張： 回転、平行移動、スケーリングなどのさまざまな変換を適用することにより、トレーニング データの多様性を高めるために使用される方法。
- ベイジアンネットワーク: 不確実性の下で推論するために使用される、一連の変数間の確率的関係を表すグラフィカル モデル。
- ハイパーパラメータの調整: 最高のモデルのパフォーマンスを達成するために、ハイパーパラメーターの最適な値を見つけるプロセス。
StorageReview と連携する
ニュースレター | YouTube |ポッドキャスト iTunes/Spotifyは | Instagram | Twitter | TikTok | RSSフィード
