481 語
人間のように考えたり振る舞ったりする機械やしくみを作る分野です。
実現した技術が普及すると、ただの自動処理で知能ではないと見なされる現象です。
周りの環境を知覚し、それに応じて自ら行動する主体です。
大量のデータから判断のルール（パターン）を機械自身が見つける方法です。
注目すべき特徴までデータから自分で見つける、機械学習の一種です。
会話で人間か機械か見分けられなければ知能を持つとみなす判定の考え方です。
チューリングテストにもとづき、機械と人間の見分けにくさを競う催しです。
規則どおりの記号操作だけでは意味を理解したといえない、と示す思考実験です。
機械が本当に心を持つとする立場と、道具として知能をまねればよいとする立場です。
記号がそれ自体では実世界の意味に結びつかない、という問題です。
知能には身体を通じて世界とやりとりする経験が欠かせない、という考え方です。
ある行動に関係することだけを無数の可能性から選び出すことの難しさです。
必要な知識を人手で入力していくと、作業が膨大になり限界にぶつかる問題です。
「人工知能」という言葉が初めて使われた、1956年のアメリカの会議です。
単純化された問題は解けても、現実の複雑な問題には通用しないという限界です。
人工知能が人間の知能を超え、その先の変化が予測できなくなるとされる転換点です。
文法の規則と辞書を人が作りこみ、その規則に従って翻訳する方式です。
問題の状態と進める先を枝分かれの形で表した木です。探索はこの木をたどります。
探索木を浅い階層から順に、同じ深さをすべて調べてから次へ進む探し方です。
行けるところまで深くたどり、行き止まりで引き返して別の枝を試す探し方です。
ありうる場合をしらみつぶしにすべて試す、力任せの探し方です。
円盤を規則に従って移すパズルで、探索で解ける問題の代表例です。
相手が最も不利な手を指すと考え、その中で自分の利益が最大の手を選ぶ探索法です。
結果が変わらない枝を早めに打ち切り、Mini-Max 法の計算を減らす工夫です。
ランダムな試行を数多くくり返し、結果から良い手やおよその値を見積もる方法です。
積み木の世界で、言葉による指示を理解して物を動かした初期の対話システムです。
行動の前提と結果を定め、目標へ至る行動の並びを組み立てる手法です。
概念を点、関係を線で結び、知識をつながりの網として表す方法です。
概念どうしのつながりの型です。上位と下位、所有、全体と部分を表します。
概念とその関係をだれもが同じ意味で使えるように整理し、体系化したものです。
Web上の情報に意味の印をつけ、機械が内容を扱えるようにする構想です。
人間の常識をすべて手作業で書き込もうとした、長期の知識構築の試みです。
大量のデータの中から、役立つ規則や傾向を掘り起こす手法です。
Webの中身やリンク、閲覧の履歴から役立つ傾向を掘り起こす手法です。
化合物の構造を推定した、世界初とされるエキスパートシステムです。
血液の感染症を診断し、薬を助言した初期の医療エキスパートシステムです。
相手の言葉をなぞり、決まった型で会話をまねた初期の対話プログラムです。
専門家に質問を重ねて、その知識を聞き出しながら取り込むしくみです。
質問に対して、知識をもとに答えを返すしくみです。
大学入試の突破を目指した、日本の人工知能プロジェクトです。
クイズ番組で人間の王者に勝った、IBMの質問応答システムです。
インターネットの広まりなどで集まるようになった、桁違いに大量のデータです。
仕分け済みの大量のメールから迷惑メールの特徴を学び、自分で判断するしくみです。
行動データから好みの傾向を学び、一人ひとりにおすすめを差し出すしくみです。
大量の文章から言葉の現れやすさの統計を拾って言葉を扱う考え方です。
特徴の数が増えるほどデータがすかすかになり、学習が難しくなる現象です。
脳の神経細胞のつながりです。ニューラルネットワークが手本にしました。
視覚のしくみをまねた、畳み込みの考え方の源流にあたる初期のモデルです。
手書き数字の認識で成果を上げた、初期の畳み込みニューラルネットワークです。
大量の画像に分類のラベルを付けた、大規模な画像データセットです。
画像認識の精度を競い、深層学習が注目される転機になった大会です。
深層学習と探索を組み合わせ、囲碁でトップ棋士に勝った人工知能です。
学んだパターンにもとづき、文章や画像などを新しく作り出す人工知能です。
売上や気温のような、連続する数値を予測する問題です。
データがどの種類に属するかを当てる問題です。
分けたい種類が3つ以上ある分類問題です。
入力と出力の関係を直線（や平面）で近似して数値を予測する手法です。
1つの入力から出力を予測する、最も単純な線形回帰です。
複数の入力を組み合わせて出力を予測する線形回帰です。
出力を確率に変換して分類に使う手法です。名前に回帰とありますが分類用です。
過去の値から次の値を予測する、時系列向けのモデルです。
関係し合う複数の時系列をまとめて予測する、自己回帰モデルの拡張です。
条件による枝分かれをたどって予測を下す、木の形をしたモデルです。
2つの種類の境目を、間の余白が最大になるように引く分類手法です。
境界と最も近いデータとの間の余白を最大にする、SVM の中心の考え方です。
データを高い次元へ写し、直線では分けられないものを分けられるようにする工夫です。
高い次元へ実際に移さず、移した先での近さだけを計算する工夫です。
複数のモデルの予測を組み合わせ、1つより良い結果を得る方法です。
少しずつ違うデータで複数のモデルを並行して作り、多数決や平均でまとめる方法です。
モデルを順に作り、前のモデルの誤りを次が重点的に直していく方法です。
誤差を減らす方向に少しずつモデルを足していくブースティングの一種です。
多数の決定木をばらつかせて作り、その多数決で予測するバギングの代表例です。
重複を許してデータを選び直し、顔ぶれの違うデータの束を作る方法です。
正解ラベルなしに、似たデータどうしを自動でまとめる方法です。
データをあらかじめ決めた k 個のかたまりに分ける、代表的なクラスタリングです。
近いかたまりを順に結合していく、階層的なクラスタリングの手法です。
階層的クラスタリングで、まとまっていく過程を木の形で表した図です。
データを表す特徴の数を、大事な情報を保ちながら減らすことです。
ばらつきが大きい方向を軸に取り直し、少ない次元でデータを表す手法です。
行列をより単純な成分に分解する計算です。次元削減などに使われます。
高い次元のデータの近さを保ちながら、2次元などに描いて可視化する手法です。
点どうしの距離をなるべく保ったまま、低い次元へ配置し直す手法です。
文書が複数の話題の混ざりでできていると考え、話題を推定する手法です。
文書の背後にある話題の混ざり方を確率で表す、代表的なトピックモデルです。
好みの似た利用者の行動をもとに、おすすめを差し出す方法です。
商品そのものの特徴が利用者の好みに合うかで、おすすめを選ぶ方法です。
利用者の行動の記録が足りず、推薦を始められない問題です。
今の状態と行動だけで次が決まる、と考える強化学習の枠組みです。
将来の報酬を今の価値に直すときに、どれだけ割り引くかを決める割合です。
ある状態から先で、どれだけ報酬を得られそうかを表す関数です。
ある状態である行動をとった先の、報酬の見込みを表す関数です。
行動価値を試行錯誤で更新しながら、良い行動を学ぶ代表的な強化学習です。
次の状態で実際に取った行動を使って、行動価値を更新する手法です。
行動の選び方そのものを、報酬が増える方向へ直接調整していく手法です。
得られた報酬をもとに方策を更新する、方策勾配法の基本的な手法です。
行動を選ぶ役と、その良し悪しを評価する役を組み合わせた強化学習の手法です。
試して情報を得ることと、良いと分かった選択を活かすことのつり合いを取る手法です。
ふだんは最善の行動を選び、ときどきランダムに試して探索を混ぜる方策です。
見込みに不確かさの上乗せを足し、その値が最大の行動を選ぶ方策です。
学習に使ったデータに合わせすぎて、新しいデータへの予測が悪くなることです。
学習に使っていない新しいデータに、どれだけうまく対応できるかの力です。
データを分けて、学習と検証を入れ替えながら性能を確かめる方法です。
データを k 個に分け、順に1つを検証、残りを学習として k 回試す方法です。
データを学習用と検証用に一度だけ分けて、性能を確かめる方法です。
同じくらい説明できるなら、より単純なほうを選ぶべきだという指針です。
モデルのあてはまりの良さと複雑さのつり合いから、良いモデルを選ぶ指標です。
AICより複雑さへの罰点が強く、より単純なモデルを選びやすい指標です。
予測と正解の組み合わせを表にまとめ、分類の当たり外れを整理したものです。
陽性を正しく陽性と、陰性を正しく陰性と当てた予測のことです。
陰性を誤って陽性と、陽性を誤って陰性とした予測のことです。
分類の良さを測る代表的な4つの指標です。F 値は適合率と再現率のつり合いです。
しきい値を変えたときの変化を描いた曲線と、その下の面積で性能を測る指標です。
予測と正解の差を2乗して平均した、回帰の誤差の指標です。
平均二乗誤差の平方根をとり、元の単位に戻した誤差の指標です。
予測と正解の差の絶対値を平均した、外れ値に引きずられにくい指標です。
入力に重みをかけて足し、しきい値で出力を決める、最も基本の人工ニューロンです。
単純パーセプトロンを層に重ね、複雑な関係も表せるようにしたものです。
データが入る入力層、途中で処理する隠れ層、結果を出す出力層という層の呼び名です。
コンピュータの中心となる、汎用の計算装置です。
多くの計算を並行して行うのが得意な装置です。深層学習の計算を支えました。
ディープラーニングの計算のために専用に作られた計算装置です。
出力を0から1のなめらかな値に変える活性化関数です。
出力をマイナス1から1の値に変える活性化関数です。
入力が0以下なら0、正ならそのまま通す活性化関数です。深い層で広く使われます。
ReLU で0になる側にも、わずかに傾きを持たせた活性化関数です。
複数の候補の数値を合計1の割合に変換する、多クラス分類の出力の関数です。
予測と正解の差を2乗して平均する、回帰でよく使う損失関数です。
予測した確率と正解のずれを測る、分類でよく使う損失関数です。
2つの確率分布がどれだけ違うかを測る量です。
似たものは近く、異なるものは遠くなるように学ばせる損失です。
基準と同じ仲間を近く、違う仲間を遠くするよう3つ組で学ばせる損失です。
合成関数の傾きを部分ごとの傾きのかけ算で求める、誤差逆伝播法の土台の規則です。
最終的な誤りに、どの部分がどれだけ関わったかを見極める難しさです。
層を深くすると学習の信号が手前へ戻る途中で弱まり、うまく学べなくなる問題です。
勾配が層を経るうちにふくれあがり、学習が不安定になる問題です。
モデルが複雑になりすぎないように制約を加え、過学習を抑える工夫です。
使う特徴の個数そのものを減らそうとする正則化です。
重みの絶対値の合計を抑え、不要な重みを0にしやすくする正則化です。
重みの2乗の合計を抑え、重みを全体に小さくする正則化です。
L1 正則化を使った回帰です。不要な特徴の重みが0になりやすくなります。
L2 正則化を使った回帰です。重みを全体に小さく保ちます。
学習のたびに神経細胞の一部をランダムに休ませ、過学習を防ぐ正則化です。
誤差が小さくなる方向へ、重みを少しずつ動かして学習する方法です。
データを1つずつ、または少しずつ使って重みを更新する勾配降下法です。
データ全体をまとめて使い、1回の更新を行う学習の進め方です。
データを小さな束に分け、束ごとに更新する学習の進め方です。
データが届くたびに、その都度学習を進める方法です。
重みを1回更新する、学習の1ステップのことです。
学習データ全体を1回りぶん学習し終えた区切りです。
重みを一回の更新でどれだけ動かすかを決める、一歩の大きさです。
前回までの更新の勢いを引き継ぎ、学習を速く安定させる工夫です。
更新の大きさを、特徴ごとにこれまでの勾配に応じて調整する最適化手法です。
AdaGrad の、更新が進むほど動けなくなる弱点を補った最適化手法です。
直近の勾配を重く見て、更新の大きさを調整する最適化手法です。
モーメンタムと勾配ごとの調整を合わせた、広く使われる最適化手法です。
Adam の更新幅に上下の枠をはめ、後半を安定させる最適化手法です。
AMSGrad の考えを取り入れ、更新幅に枠をはめた最適化手法です。
ある方向では谷、別の方向では山になっていて、学習が止まりやすい地点です。
周りより良いものの全体では最良ではない解です。そこにはまり込むことがあります。
誤差関数が全体でいちばん低くなる、本当の谷底にあたる解です。
検証の成績が悪くなり始めた時点で学習を打ち切り、過学習を防ぐ工夫です。
モデルを大きくすると、いったん悪化した性能が再び良くなる現象です。
あらゆる問題に万能な手法は存在しない、という考え方です。
層の数や学習の速さなど、学習の前に人が決めておく設定値です。
ハイパーパラメータの候補を格子状に並べ、しらみつぶしに試して探す方法です。
ハイパーパラメータの組をランダムに選んで試す探し方です。
入力ごとの効き具合を表す、学習で調整されるニューラルネットワークの中心の値です。
入力に定数をかけて足すだけの、直線的な関係を表す関数です。
小さなフィルタを画像にすべらせ、位置によらない特徴をとらえるネットワークです。
フィルタを画像にあて、重なりの積を足し合わせて特徴を取り出す計算です。
フィルタを一度に何画素ずらすかを表す幅です。
画像のふちに数値を補い、端の情報や出力の大きさを保つ工夫です。
特徴を取り出すための、小さな重みの窓です。
畳み込みの結果として得られる、特徴の強さを表した出力です。
フィルタの点の間隔を空け、広い範囲を少ない計算で見る畳み込みです。
フィルタに隙間を空けて視野を広げる畳み込みで、Atrous と同じものです。
空間方向とチャンネル方向の2段階に分けて計算を軽くする畳み込みです。
束の中の同じ位置の数値を集め、その平均と広がりをそろえる正規化です。
データ1つの中でその層の数値をそろえる、束の枚数に左右されない正規化です。
特徴の重なりをいくつかのグループに分け、グループごとにそろえる正規化です。
データ1つの中で、特徴の重なり1枚ごとに数値をそろえる正規化です。
まとめる範囲の中で、いちばん大きい値だけを残すプーリングです。
まとめる範囲の値の平均をとるプーリングです。
特徴マップ1枚の全体を、1つの平均値にまとめる操作です。
入力が少しずれても結果が変わりにくい性質を、プーリングなどで得ることです。
スキップ結合により、とても深いネットワークの学習を可能にしたモデルです。
前の時点の出力を次に持ち越し、系列データを扱うネットワークです。
音声や文章、株価のような、時間の順に並んだデータです。
時間方向に展開した RNN に誤差逆伝播法を当てはめて学習する方法です。
情報をどれだけ通すかを調整するしくみです。長い系列の学習を助けます。
ゲート機構と記憶のセルを備え、長い系列の依存を学べるようにした RNN です。
LSTM を簡素にし、少ないゲートで同じような効果を狙った RNN です。
系列を前からと後ろからの両方向に読み、前後の文脈を使う RNN です。
隠れ層の出力を次の時点へ持ち越す、初期の RNN の形です。
出力層の値を次の時点へ持ち越す、初期の RNN の形です。
学習中は自分の出力でなく正解を次の入力に与え、学習を安定させる工夫です。
系列の中でどこに注目すべきかに応じて、重みをつけて情報を集めるしくみです。
同じ系列の中の語どうしの関係に注目し、文脈を取り込むしくみです。
入力側と出力側という、異なる系列の間で注目を向けるしくみです。
複数の注目のしかたを並行して行い、多面的に関係をとらえるしくみです。
Attention で、問い合わせと照らし合わせられる側の目印です。
Attention で、どこに注目したいかを表す問い合わせです。
Attention で、注目の重みに応じて集められる中身の情報です。
語の並び順の情報をベクトルに加えて、Transformer に伝えるしくみです。
Attention を中心に組み立て、系列を並行して処理するネットワークです。
系列を読み込んで別の系列を出力する、符号化と復号の2部構成のモデルです。
入力を圧縮して復元するオートエンコーダを積み重ね、段階的に学習する構成です。
データの背後にある分布を学び、新しいデータを生み出せるオートエンコーダです。
潜在表現の表し方や学び方をそれぞれ工夫した、VAEの代表的な亜種です。
画像の一部を切り出して、学習データを水増しする操作です。
画像の一部を四角く隠して、学習データを水増しする操作です。
画像の一部をランダムな範囲で消して水増しする操作です。
画像を左右や上下に反転して水増しする操作です。
画像を回転させて、学習データを水増しする操作です。
画像の明暗の差を変えて水増しする操作です。
画像の明るさを変えて水増しする操作です。
画像にノイズを加えて水増しする操作です。
2枚の画像とラベルを混ぜ合わせ、新しい学習データを作る操作です。
画像の一部を別の画像で置きかえ、ラベルも割合で混ぜる操作です。
複数の水増し操作をランダムに選んで、組み合わせて適用する方法です。
意味を変えずに言い回しを変え、文章の学習データを水増しする手法です。
画像に写る物体が何かを、あらかじめ決めた種類の中から見分けることです。
特定の物体が何であるかを言い当てることです。
ILSVRC で圧勝し、深層学習が注目される転機になったネットワークです。
小さなフィルタを重ねて深くした、構成のわかりやすい畳み込みネットワークです。
大きさの異なる畳み込みを組み合わせ、深さと効率を両立したネットワークです。
ResNet の層を浅くしつつ幅を広げ、性能を高めたモデルです。
各層を後ろのすべての層につなぎ、情報を密に受け渡すネットワークです。
特徴の重なりごとの重要さを学び、強調と抑制を行うしくみを備えたネットワークです。
深さ・幅・解像度をつり合わせて拡大し、効率よく精度を上げたモデルです。
計算を軽くする工夫で、端末上でも動くようにした畳み込みネットワークです。
端末での速さも評価に入れ、自動探索で設計された軽量モデルです。
ネットワークの構造そのものを、自動で探索して設計する手法です。
画像をパッチに分けて単語の並びのように扱う、自己注意の画像分類モデルです。
画像の中で物体の位置を四角い枠で囲み、種類も当てることです。
領域候補ごとの計算を共有して速くした物体検出手法です。
領域候補の抽出もネットワークで行い、さらに速くした物体検出手法です。
大きさの異なる特徴を組み合わせ、さまざまな大きさの物体をとらえるしくみです。
領域候補の抽出を省き、一度の処理で位置と種類を当てる物体検出手法です。
画像を一度見るだけで位置と種類を当てる、一段階の物体検出手法です。
画像を画素ごとに、どの種類に属するかで塗り分けることです。
同じ種類でも、物体1つひとつを区別して塗り分けることです。
種類ごとの塗り分けと、物体ごとの区別を合わせて行うことです。
全結合層を使わず、畳み込みだけで画素ごとの分類を行う手法です。
縮小と復元を左右対称に組み、セグメンテーションを行うネットワークです。
縮小と復元をつなぎ合わせ、細部を保ってセグメンテーションするネットワークです。
複数の広さで特徴をまとめ、場面全体を踏まえて塗り分けるネットワークです。
隙間を空けた畳み込みで広い範囲を見て、精密に塗り分けるネットワークです。
物体検出に塗り分けを加え、物体ごとの領域まで出す手法です。
画像から人の関節の位置をとらえて、姿勢を割り出すことです。
画像から人の関節の位置をとらえ、姿勢を推定する代表的な手法です。
単語の位置だけを1、残りを0にした、意味の近さを表せないベクトルです。
語順を無視し、どの語が何回現れたかだけで文章を表す方法です。
連続する n 個の語や文字のまとまりで、文章の特徴をとらえる方法です。
語の出現の多さと、めずらしさを掛け合わせて語の重要さを測る方法です。
文章を意味を持つ最小の単位に区切り、品詞などを見分ける処理です。
文の中でどの語がどの語に係るか、文法の組み立てを調べる処理です。
単語を、意味の近さを表す密なベクトルに置きかえたものです。
単語の意味を、たくさんの数からなるベクトルで表す方法です。
周りに現れる語から、単語のベクトルを大量の文章で学ぶ代表的な手法です。
周りの語から真ん中の単語を当てる、word2vec の方式です。
真ん中の単語から周りの語を当てる、word2vec の方式です。
単語を部分文字列に分けて学び、未知の単語に強くしたword2vecの発展形です。
LSTM の中で、情報を保ち続ける記憶の担い手にあたる部分です。
文脈に応じて単語の表現を変える、初期の文脈つき言語モデルです。
文の前後の両方向から文脈を読み、幅広い言語課題に応用できる事前学習モデルです。
言語モデルの理解力を、複数の課題でまとめて測る評価の枠組みです。
大規模化で高い言語能力を示した、代表的な大規模言語モデルです。
きわめて大きな規模で事前学習し、幅広い言語の仕事に使い回せるモデルです。
ある言語の文を、別の言語にコンピュータで翻訳することです。
大量の対訳データの統計にもとづいて翻訳する方式です。
文章から、書き手の肯定的か否定的かといった感情を読み取ることです。
大量の文書から、求める情報を含むものを探し出すことです。
自然な言葉の質問に対し、内容を踏まえて答えを返すことです。
長い文章の要点を保ったまま、短い文章に縮める自然言語処理の仕事です。
連続する音などの信号を、数値の並びに変えることです。
信号を一定間隔で測り、数値に変えて記録する方式です。
信号を、含まれる周波数の成分にすばやく分解する計算です。
周波数ごとの強さのおおまかな形です。声の特徴を表します。
声に含まれる、とくに強く響く周波数の山です。
フォルマントが現れる周波数です。母音の違いなどに対応します。
人の聞こえ方に合わせて、音の高さを表し直した尺度です。
メル尺度をもとに、声の特徴を少ない数でまとめた音声認識用の表現です。
ある言語で、意味の区別に関わる音のきまりの全体です。
言葉の意味の区別に関わる、いちばん小さな音の単位です。
話し声を聞き取り、文字や言葉に変えることです。
文字や言葉から、話し声を作り出すことです。
見えない状態が移り変わりながら音などを生む、と考える確率モデルです。
波形を直接、細かく作り出す自然な音声合成のモデルです。
入力と出力の長さがそろわなくても、系列を対応づけて学習する方法です。
声の特徴から、話しているのが誰かを見分ける技術です。
Q 学習に深層学習を組み合わせ、画面から直接ゲームを学んだ手法です。
価値を高く見積もりすぎる偏りをやわらげた、DQN の改良です。
状態の価値と行動ごとの差を分けて学ぶ、DQN の改良です。
ネットワークに雑音を加え、探索をうながす DQN の改良です。
DQN の複数の改良を組み合わせた手法です。
多数の担い手で並行して経験を集め、学習を速めた手法です。
幅広い種類のゲームで、人を超える成績を収めた強化学習の手法です。
関節の角度のように、行動が連続した値をとる制御の課題です。
複数の担い手が並行して学び、その結果を集めて更新する強化学習手法です。
方策の更新の幅を穏やかに保ち、安定して学ぶ強化学習手法です。
人の好みの評価を報酬にして、モデルの応答を望ましい方向へ整える学習です。
複雑な対戦ゲームで人のチームに挑んだ、強化学習の取り組みです。
難度の高いリアルタイム戦略ゲームで高い成績を収めた強化学習の取り組みです。
模擬環境で学んだ方策を、現実の世界へ移して働かせる考え方です。
模擬環境の条件をわざとばらつかせ、現実にも通じる方策を学ぶ工夫です。
新たに試さず、あらかじめ集めた経験のデータだけから方策を学ぶ方法です。
既存の制御に、学習で得た補正を足し合わせて性能を高める考え方です。
観測から、行動の判断に役立つ状態の表し方を学ぶことです。
学習が進みやすいように、報酬の与え方を工夫することです。
複数のエージェントが、たがいに影響し合いながら同時に学ぶ強化学習です。
生成する側と見破る側を競わせ、本物らしいデータを作る生成モデルです。
畳み込みを取り入れ、画像生成を安定させた GAN です。
対になる例がなくても、画像の作風を別の作風へ変換する GAN です。
対になる画像から、一方をもう一方へ変換することを学ぶ GAN です。
雑音を少しずつ取り除く過程を学び、そこから画像を生み出すモデルです。
複数の写真から立体の見え方を学び、新しい視点の画像を作る手法です。
モデルによって、新しい画像を作り出すことです。
モデルによって、新しい音声を作り出すことです。
モデルによって新しい文章を作り出すことです。主に言語モデルが担います。
ごく少数の例だけを手がかりに、課題をこなすことです。
たった1つの例から、課題をこなすことです。
正解ラベルを人が付けず、データ自身から学びの手がかりを作る学習です。
大量のデータで先に土台を学ばせ、あとの課題に活かす学習です。
事前学習を終え、応用に使える状態にしてあるモデルです。
新しいことを学ぶうちに、前に学んだことを失ってしまう現象です。
少量のラベル付きデータと大量のラベルなしデータを組み合わせて学ぶ方法です。
画像と文章を同じ空間に結びつけ、両者を照らし合わせられるようにしたモデルです。
文章から、それに合う画像を生み出すモデルです。
画像と文章を混ぜて扱い、少ない例で課題に応じるモデルです。
画像の内容を、説明する文章にすることです。
文章による指示から、それに合う画像を生み出す課題です。
画像についての質問に、内容を踏まえて答える課題です。
画像や文章など、さまざまな入出力を1つのモデルで扱う取り組みです。
例を1つも示さずに、指示だけで課題をこなすことです。
大量のデータで広く事前学習し、多くの課題の土台になる大規模モデルです。
ひとつのモデルで、複数の異なる課題をまとめて学ぶことです。
画像のどこを見て判断したかを、地図のように示す手法です。
勾配を使って、判断の根拠となった画像の場所を示す手法です。
予測の周りを単純なモデルで近似し、判断の理由を説明する手法です。
特徴の値を混ぜて壊し、性能の落ち具合から重要さを測る手法です。
各特徴が予測にどれだけ寄与したかを、公平に配分して示す手法です。
モデルの判断の根拠を、人にわかる形で示そうとする取り組みです。
クラウドに送らず、端末の側で推論を行うしくみです。
大きなモデルの振る舞いを、小さなモデルに写し取って学ばせることです。
大きなネットワークの中に、単独でもよく学べる小さな部分が潜むという仮説です。
効きの弱い結合を取り除き、モデルを小さくすることです。
精度を保ちながら、モデルの大きさや計算量を減らす工夫の総称です。
モデルの数値を粗い精度に置きかえ、メモリと計算を減らす軽量化の手法です。
人工知能を、事業の課題解決や価値づくりに役立てることです。
目的の設定から検証、開発、運用へと段階を追って進める取り組みの流れです。
本格開発の前に、実現できるかを小さく試して確かめる検証です。
仕事の進め方そのものを、根本から見直して作り直すことです。
工程を順に進め、前へ戻らないことを基本とする開発の進め方です。
小さく作って試すことをくり返し、変化に対応する開発の進め方です。
社外の知恵や技術も取り入れ、共に新しい価値を生む考え方です。
企業と大学や研究機関が協力して、研究や開発を進めることです。
異なる企業や業種と手を組み、たがいの強みを活かすことです。
プロジェクトに関わる人たちが持つ、はじめに聞き取るべき望みです。
データ分析の案件を、段階に分けて進めるための代表的な手順です。
CRISP-DM の考えを、機械学習の運用まで広げた手順です。
機械学習のモデルを、安定して開発し運用し続けるための取り組みです。
アプリを動かす環境ごとまとめ、どこでも同じように動かせるしくみです。
手元に設備を持たず、ネット越しに計算資源を借りて使うしくみです。
ネット越しに、機能やデータをやり取りするための窓口です。
機械学習で広く使われる、扱いやすいプログラミング言語です。
コードと結果、説明を1つにまとめて書ける分析用の道具です。
データから役に立つ知見を引き出し、AIのモデルを作る専門家です。
データに、正解や意味のラベルを付ける作業です。
分析や学習に使う、大量の文章を集めたデータです。
だれもが使えるように公開された、学習や検証用のデータです。
本来使えない情報が学習に紛れ込み、試験の成績だけ良くなる落とし穴です。
とる値が偶然によって決まる量のことです。
確率変数がどの値をどれだけの確からしさでとるかを表したものです。
連続する値について、ある近辺の確からしさの詰まり具合を表す量です。
確率変数がとる値を、確率で重みづけして平均した値です。
ある事柄が起きたという前提のもとで、別の事柄が起きる確率です。
平均のまわりに左右対称に山なりに広がる、代表的な確率分布です。
成功か失敗かの試行をくり返したときの、成功回数の確率分布です。
成功か失敗かの、1回きりの試行の確率分布です。
まれな出来事が一定の時間や範囲で何回起こるかを表す確率分布です。
値をすべて足して個数で割った、真ん中を表す代表値です。
値を大きさ順に並べたとき、ちょうど真ん中に来る値です。
データの中で最も多く現れる値のことです。
値が平均からどれだけ散らばっているかを表す量です。
分散の平方根で、散らばりを元の単位に戻して表した量です。
値をいくつかの区間に分け、それぞれに入る個数を並べたものです。
他の値から大きく離れた、極端な値のことです。
時系列を一定区間ずつ平均し、細かな上下をならして流れを見る方法です。
2つの量が、同じ向きにどれだけ一緒に動くかを表す量です。
2つの量の直線的な関係の強さを、マイナス1から1で表した指標です。
他の量の影響を取り除いたうえで測った、2つの量の相関です。
直接の関係はないのに、別の要因のせいで相関があるように見えることです。
2つのベクトルの向きの近さで、似ている度合いを測る指標です。
2点の間の、まっすぐな直線の隔たりです。
データの散らばり方を踏まえて測る、偏りを考えた隔たりです。
片方を知ることで、もう片方の不確かさがどれだけ減るかを表す量です。
観測されたデータが最も起こりやすくなるように、モデルの値を定める方法です。
予測と実測の差の2乗の合計が最小になるように、当てはめを行う方法です。
検定で、差や効果がないと仮に置く主張です。
検定で、差や効果があるとする、帰無仮説と対をなす主張です。
特定の個人を識別することができる情報です。
検索できるように整理された、個人情報の集まりに含まれる各情報です。
事業者が、開示や訂正などに応じる権限を持つ個人データです。
指紋やマイナンバーなど、それ自体で個人を識別できる符号です。
人種や病歴など、取り扱いにとくに配慮を要する個人情報です。
特定の個人を識別できないよう加工し、元に戻せないようにした情報です。
他の情報と照合しない限り、個人を識別できないよう加工した情報です。
個人データを、本人以外の他者へ渡すことです。
個人情報を何のために使うかとして定め、示す事柄です。
業務のために、個人データの取り扱いを他者に任せることです。
個人データの保護を定めた、EUの一般データ保護規則です。
創作した表現について、作者に認められる権利です。
思想や感情を、創作として表現したものです。
作者の個性が表れていることです。著作物と認められる条件の1つです。
権利者に無断で著作物を利用し、権利を害することです。
人工知能によって作り出された、文章や画像などの制作物です。
サービスの利用条件を提供者が定め、利用者が同意する取り決めです。
発明について、一定期間、独占して利用できる権利です。
自然法則を利用した、技術的な新しい工夫です。
その発明を実際に生み出した人のことです。
従業者が職務として行った発明のことです。
まだ世に知られていないことです。特許が認められる条件の1つです。
すでにある技術から、たやすくは思いつけないことです。特許の条件の1つです。
創造的な活動から生まれた、形のないものを守る権利の総称です。
秘密として管理され、事業に役立つ、公に知られていない情報です。
特定の相手に限って提供される、まとまった価値あるデータです。
公正な競争を妨げる行いです。独占禁止の観点で問題になります。
ある行為が公正な競争を妨げるおそれがあるかを見る、判断のものさしです。
人工知能やデータの開発・利用の契約について、国が示した指針です。
仕事の完成を約束し、その結果に責任を負う契約です。
仕事の遂行を引き受けるものの、完成そのものは約束しない契約です。
秘密の情報を外に漏らさないと取り決める契約です。
モデルの精度について、あらかじめ水準を約束することです。
納めた後の、修正や維持を取り決める契約です。
ソフトをネット越しに、サービスとして利用する提供の形です。
だれがどのデータをどの範囲で使ってよいかを、契約で定める権利です。
人工知能を作り使ううえで、守るべき価値や規範の考え方です。
人工知能を、社会に受け入れられる形で管理し律するしくみです。
人工知能が尊重すべき、公平さや安全といった基本の価値です。
法律のように、違反すると強制力がおよぶ規範です。
指針や自主ルールのように、強制力はないものの尊重される規範です。
AIがもたらす危険の大きさに応じて、規制や対策の強さを変える考え方です。
組織が、人工知能の扱い方について定める方針です。
多様な人や視点を活かすことです。偏りを避けるうえでも重んじられます。
人工知能のしくみや運用が適切かを、点検し確かめることです。
人工知能が倫理の面で問題を生まないかを、前もって評価することです。
重要な判断に人が関わり、最終的に確かめることです。
運用中の人工知能の働きを、継続して見守ることです。
同じ条件なら、同じ結果を再び得られることです。
どんなデータと手順で判断に至ったかを、あとから追いかけられる性質です。
カメラ画像を扱う際の配慮をまとめた、国の手引きです。
設計の段階から、プライバシーへの配慮を組み込む考え方です。
しくみやデータの偏りが、判断の偏りとして表れることです。
何をもって公平とするかの、複数ある考え方です。
データの集め方の偏りが、結果をゆがめることです。
人種や性別など、差別につながりやすく扱いに注意を要する属性です。
センシティブ属性の代わりとなり、間接的に偏りを持ち込む変数です。
集めたデータが現実の全体を代表せず、一部にかたよっている状態です。
入力にわずかな細工を加え、人工知能に誤りを起こさせる攻撃です。
設計の段階から、安全への配慮を組み込む考え方です。
学習データに悪意ある混入を行い、モデルを狂わせることです。
学習データや、そこに含まれる情報を不正に抜き取ることです。
出力を手がかりに、モデルの中身や働きを不正に写し取ることです。
モデル自体に細工を加え、望まない振る舞いを仕込むことです。
人工知能で作られた、本物と見分けにくい偽の画像や音声、動画です。
事実でない情報を、本当のニュースのように装って広める偽の情報です。
データがどこから来てどう扱われてきたかの履歴です。
判断の根拠を、人にわかる形で示せる度合いです。
中のしくみが見えず、なぜその結果になったか分かりにくい状態です。
似た意見ばかりに囲まれ、考えが偏って強まる現象です。
推薦が好みに合う情報ばかりを見せ、似た情報にしか触れなくなる状態です。
地球規模での気候の変化です。人工知能の電力消費とも関わる論点です。
大きなモデルの学習にかかる、多くの電力とその負荷のことです。
人と人工知能が、役割を分け合いながら共に働くことです。
人工知能に頼るうちに、人の技能が失われていく懸念です。
働き手が足りない状況です。人工知能の活用が期待される背景の1つです。
だれもが排除されずに、参加できるようにすることです。
人工知能を兵器や軍事の目的に使うことです。その是非が論点になります。
亡くなった人を人工知能で再現する際などに、求められる配慮です。
AIに頼りきらず、人が自分のことを自分で考えて決める力です。