小規模言語モデルとは、最先端の大規模モデルよりも、メモリ、レイテンシー、エネルギー、導入要件を抑えながら有用な性能を発揮するよう設計された、コンパクトな言語モデルである。このガイドでは、実務で重要となる仕組み、トレードオフ、評価、制御策について解説する。
マルチモーダル埋め込みは、テキスト、画像、音声などのメディアを互換性のあるベクトル空間に配置し、形式をまたいで関連する概念を比較できるようにします。このガイドでは、実務で重要となる仕組み、トレードオフ、評価方法、制御策を解説します。
AI推論の環境コストは、導入済みのモデルが大規模なワークロードを処理するたびに使用する電力、冷却用水、ハードウェア、地域インフラに由来します。このガイドでは、実務上重要となる仕組み、トレードオフ、評価方法、制御策を説明します。
NIST AIリスク管理フレームワークは、AIのライフサイクル全体で信頼性とリスク管理を取り入れるための、自主的でユースケースに依存しない枠組みです。このガイドでは、実務上重要となる仕組み、トレードオフ、評価、対策について解説します。
報酬ハッキングとは、AIシステムが、設計者の本来の意図に反する行動を通じて、高い測定報酬を達成することを指す。このガイドでは、実務上重要となる仕組み、トレードオフ、評価、制御について解説する。
低ランク適応は、元のパラメーターをすべて変更するのではなく、小さな低ランク更新行列を学習することで、凍結されたモデルをファインチューニングします。このガイドでは、実務上重要となる仕組み、トレードオフ、評価、制御について解説します。
フィジカルAIは、学習した認識、推論、制御を現実世界で動作する機械に応用します。そこでは、不確実性、物理法則、安全上の制約を無視できません。このガイドでは、実務で重要となる仕組み、トレードオフ、評価、制御について説明します。
GraphRAGは、生成型検索をエンティティ、関係性、コミュニティ、またはグラフの走査と組み合わせ、相互につながる事実や全体構造に依存する質問に答えます。このガイドでは、実務上重要となる仕組み、トレードオフ、評価、制御について解説します。
クラス不均衡とは、ある目的クラスが別のクラスより大幅に少ない状態を指します。その結果、集計指標や標準的な学習方法では、最も重要である可能性のあるケースが見過ごされることがあります。このガイドでは、実践において重要となる仕組み、トレードオフ、評価、制御について解説します。
AIレッドチーミングとは、モデルやAIシステムがどのように失敗し、悪用され、意図された境界を侵害し得るかを積極的に探る敵対的テストである。このガイドでは、実務上重要となる仕組み、トレードオフ、評価、制御について解説する。
モデル蒸留とは、教師モデルの出力、内部信号、または確率分布を平滑化したターゲットを使い、より大規模または高性能な教師モデルの振る舞いを、より小さな生徒モデルに移す手法です。このガイドでは、実践で重要となる仕組み、トレードオフ、評価、制御策について解説します。
コンテンツの来歴は、資産の出所と編集履歴に関する検証可能な情報を記録し、人やシステムが、どのように作成または変更されたかを確認できるようにします。このガイドでは、実務上重要となる仕組み、トレードオフ、評価、制御について説明します。
直接選好最適化(DPO)は、参照モデルを基準とする分類型の目的関数を用いて、選好された応答と選好されなかった応答のペアからポリシーを学習します。このガイドでは、その仕組み、トレードオフ、評価方法、実務で重要となる制御について説明します。
AIエージェントの評価では、最終回答を確認するだけでは不十分です。優れた評価では、成果を測定し、実行過程を調べ、試行を繰り返し、安全性の境界をテストするとともに、信頼できる成果を得るためのコストを追跡します。
インストラクションチューニングでは、指示と望ましい応答の例を使って事前学習済みモデルを調整し、対話型タスクでより有用かつ制御しやすく、一貫性のあるモデルにします。このガイドでは、実務上重要となる仕組み、トレードオフ、評価、制御策について解説します。