AI知識ベース

デジタル・ツイン（Digital Twin）は、高精度、高忠実度、リアルタイムの双方向インタラクションを備えた仮想デジタル空間において、物理的実体や複雑なシステムのミラーモデリング、ダイナミック・マッピング、フルライフサイクル管理を行うための技術システムである。

教師あり学習は、機械学習の最も一般的で基本的な手法のひとつであり、その核となる考え方は、「正解」のある既存のデータセットを使って、予測や判断を行う方法をコンピューターモデルに教えることである。

一般人工知能（AGI）とは、あらゆる認知タスクにおいて人間と同様、あるいはそれ以上に理解し、学習し、推論し、適応し、創造することができる知的システムのことである。

AIガバナンスとは、技術、倫理、法律、社会を網羅する包括的な枠組みであり、AIシステムの設計から開発、導入、最終利用までのライフサイクル全体を効果的に指導、管理、監督するものである。中心的な目標は、技術革新を妨げることではなく、AI技術の開発と応用が確実に始まるようにすることである。

説明可能なAI（XAI）とは、包括的なコンセプト・メソッド・テクノロジーとガバナンス・フレームワークのセットである。

教師なし学習（ULS）は、事前にラベル付けされていないデータセットの処理に焦点を当てた機械学習の重要な一分野である。

半教師付き学習は機械学習の分野で重要な分野であり、学習効果と汎化能力を向上させるために、少量のラベル付きデータと大量のラベルなしデータを用いてモデルを共学習させる。

自己教師あり学習（SSL）は、機械学習分野における新たな学習パラダイムであり、その中核となる考え方は、ラベル付けされていないデータから教師あり信号を自動的に生成し、モデルを訓練してデータの有用な表現を学習することである。

人工知能の安全性（AI Safety）とは、AIシステム、特にますます強力になり自律的に動作するAIシステムが、そのライフサイクルを通じて、有害な結果を招くことなく、人間の意図に従って確実かつ予測可能に動作することを保証する最先端の学際的分野である。

転移学習（Transfer Learning：TL）は、機械学習の分野における重要な一分野であり、その中核となる考え方は、あるタスクやドメインから学んだ知識を、関連はするが異なる別のタスクやドメインに適用することである。

人工超知能（ASI）とは、認知、創造性、問題解決、意思決定などあらゆる領域で人間を凌駕する能力を持ち、人間の知能を凌駕する知的システムである。

AIの公平性とは、AIシステムが、その設計、開発、配備、運用のライフサイクルを通じて、すべての個人や集団を公平かつ不偏の態度で扱うことを保証する学際的な分野である。

リカレントニューラルネットワーク（RNN）は、逐次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である。逐次データとは、言語テキスト、音声信号、時系列など、時間的順序や依存関係を持つデータの集まりを指す。

メタ学習（学習方法の学習）は、機械学習分野の重要な一分野であり、新しいタスクに素早く適応できる学習アルゴリズムの開発に焦点を当てている。

ニューラルネットワーク（NN）は、生物学的な脳におけるニューロンの働き方にヒントを得た計算モデルである。

Federated Learning（FL）は、2016年にグーグルの研究者チームによって初めて提案された革新的な機械学習アプローチで、データプライバシーと分散コンピューティングの課題に対処することを目的としている。

Transformerアーキテクチャは、機械翻訳やテキスト要約のようなシーケンス間のタスクを処理するために設計された深層学習モデルである。コアとなる革新的な点は、従来のループや畳み込み構造を排除し、自己注意メカニズムのみに依存する点にある。モデルがシーケンスの全ての要素を並列に処理できるようにすることで、大規模な...

注意メカニズム（Attention Mechanism）は、人間の認知プロセスを模倣する計算技術で、当初は機械翻訳の分野で応用され、後にディープラーニングの重要な一部となった。

拡散モデルは、画像、音声、テキストなどの新しいデータサンプルを作成するために特別に設計された生成モデルです。このモデルの中核は、物理学における拡散のプロセスにインスパイアされており、高濃度の領域から低濃度の領域への粒子の自然な拡散をシミュレートする。マシンでは...

事前学習済みモデル（PTM）は、人工知能における基本的かつ強力な手法であり、大規模なデータセットで事前学習された機械学習モデルを表す。モデルは大量の情報を処理し、データから一般的なパターンや特徴を学習することで、幅広い知識ベースを形成する。

ロング・ショート・ターム・メモリー（LSTM）は、シーケンスデータを処理するために特別に設計されたリカレント・ニューラル・ネットワークの変種である。人工知能の分野では、シーケンスデータは時系列予測、自然言語処理、音声認識などのタスクで広く使用されている。

大規模言語モデル（Large Language Model：LLM）は、Transformerアーキテクチャを中核とし、膨大なテキストデータに対して学習されたディープラーニングシステムである。このアーキテクチャの自己アテンションメカニズムは、言語の長距離依存関係を効果的に捉えることができる。このモデルの「ラージ...

モデルの微調整（Fine-tuning）は、機械学習における転移学習の具体的な実装である。中核となるプロセスは事前学習モデルに基づいており、大規模なデータセットを用いて一般的なパターンを学習し、広範な特徴抽出能力を開発する。ファインチューニングの段階では、次にタスクに特化したデータセットを導入し、...

自己アテンションは、ディープラーニングにおける重要なメカニズムであり、元々はTransformerアーキテクチャで提案され、広く使われている。コアとなるアイデアは、モデルが入力シーケンス内のすべての位置に同時にアテンションし、各位置を...

マルチタスク学習（MTL）は孤立したアルゴリズムではなく、インテリジェントな機械学習パラダイムである。

正則化は、モデルのオーバーフィッティングを防ぐための、機械学習や統計学における中核的な手法である。正則化は、モデルの複雑さに関連するペナルティ項を目的関数に追加することで、フィッティングの度合いを制御する。一般的な正則化にはL1正則化とL2正則化があり、L1正則化はスパース解を生成し、...

Generative Adversarial Network（GAN）は、2014年にIan Goodfellowらによって提案されたディープラーニングモデルである。このフレームワークは、2つのニューラルネットワークを互いに学習させることで生成モデルを実装する...

ロジスティック回帰は、バイナリ分類問題を解くのに使われる統計的学習手法である。中心的な目的は、入力特徴に基づいてサンプルが特定のカテゴリに属する確率を予測することである。このモデルは、S字関数を用いて固有値を線形結合することにより、線形出力を0と1の間にマッピングする...