教師あり
既知の正解がある例から学習：不正/非不正、価格、カテゴリ、需要。
分類 · 回帰
/ ノート 01 · 基礎
AIのツールボックスを開こう。
中身を一つずつ見ていきましょう。名称を覚える必要はありません。各技術がどんな問いに答えるかを理解すれば十分です。
01
/ 学習方法
データから学ぶ3つの方法。
不具合を認識したいとします。分類済みの例を見せる、システムにグループを見つけさせる、あるいは行動を試させて信号を受け取らせる。この3つの道がそこから生まれます。
教師なし
事前ラベルなしで構造を探索：クラスタ、類似性、トピック、異常行動。
クラスタリング · 次元削減強化ごとに
環境内での行動・報酬・結果によって学習。
コントロール · 計画知性は世界の観察から始まる。
データ化の前にある実世界のスケール、信号、パターン。
02
/ できること
知覚
予測
生成
意思決定
アクション
次に、その実力を見てみましょう。
学習の形が訓練を説明します。現実で道具を選ぶには、必要な能力を問うのが有効です。
信号を情報に変える
ビジョン、音声、センサー、ドキュメント。
想定結果を見積もる
需要、リスク、保守、異常。
条件付きコンテンツを作成
テキスト、コード、画像、音声、動画。
規則の下で選択肢を比較
最適化・計画・レコメンド
環境内でツールを使う
エージェント、ロボット、自動化。
03
/ 生成AI
LLM
VLM
周知
Embeddings
創造するツールに到達しました。
基盤モデルは大量のデータから一般的な関係を学習します。その後、指示、例、自社文書で方向づけできます。そこで難しそうな略語が出ますが、かなり具体的な部品を指します。
大規模言語モデル。トークンで動作し、テキスト・コード・構造的推論に強みがあります。
ビジョン-言語モデル。画像を言語に結びつけ、シーンの記述・比較・質問応答を行います。
ノイズから信号を再構成して学習する生成系ファミリー。画像・音声・動画で広く用いられる。
類似コンテンツを互いに近くに配置し、セマンティック検索を可能にする数値表現。
04
/ エージェントシステム
AIが行動できると何が変わる？
ここまではツールの解釈・生成。エージェントは目的とツールアクセスを加える：データ探索、下書き作成、手順実行ができる。自律性は魔法ではない。与える権限に依存する。
01目的目指す成果
02コンテキスト知っていること・記憶すること
03ツール閲覧や変更できる項目
04ポリシー順守すべき制限
05検証結果の示し方
エージェントのガバナンスは、誰が責任者か、システムがどのデータと権限で動くか、いつ停止すべきか、結果をどう示すかに答えます。
05
/ 選定基準
決定をもってノートを閉じます。
部品は把握しました。選ぶには原点に戻ります。何を改善したいか、どんな情報があるか、何が悪くなり得るか。
- 01結果を定義する
時間短縮、誤り低減、収益または品質。
- 02データを統治
責任者、可用性、品質、機微性、来歴、利用権。
- 03リスクを絞る
誤った応答や不正な操作の影響。
- 04代替案を比較
ルール、古典的ソフトウェア、小型モデル、または生成システム。
- 05テストし、測定し、責任者を割り当てる
拡張前に評価、モニタリング、停止基準を設定。
次の停留所現行モデルとコンピュータビジョン