TechCrunchは包括的なAI用語集を発表します

人工知能は、複雑で進化する分野です。科学者はこの分野に飛び込みますが、多くの場合、専門用語を使用しているため、残りの人が追いつくのが難しくなります。そのため、この用語集を作成しました。AI業界のカバレッジで使用する重要な用語とフレーズを理解するのに役立ちます。 AI研究の最新の進歩と潜在的なリスクを反映して、新しい用語と概念が出現するにつれて、このリストを更新し続けます。

AIエージェントAIエージェントは、AIテクノロジーを活用してさまざまなタスクを処理するツールです。これは、シンプルなAIチャットボットができることを超えています。費用の提出、旅行やレストランの予約の予約、コードの管理と執筆などのことを考えてください。ただし、「AIエージェント」という用語は、誰に尋ねるかによって意味が異なります。その可能性を完全に実現するためのインフラストラクチャはまだ開発されていますが、コアアイデアは複数のAIシステムを活用してマルチステップタスクを実行できる自律システムです。

「どの動物が背が高く、キリンか猫か」などの簡単な質問に直面したときの思考の連鎖、あなたの脳は通常、それほど努力せずにそれに答えることができます。しかし、トリッキーな問題については、40頭と120本の脚を持っていることを知っているときに農民が持っている鶏や牛の数を把握するなど、いくつかの方程式（この場合は20羽の鶏と20頭の牛）を書き留める必要があるかもしれません。

AIでは、チェーンオブ考えの推論には、問題をより小さく中間の手順に分解して、最終結果の精度を高めることが含まれます。時間がかかる場合がありますが、論理的またはコーディングシナリオで特に役立ちます。これらの推論モデルは、従来の大規模な言語モデルに基づいて構築されており、強化学習を通じて考えられた連鎖プロセス用に洗練されています。

（参照：大規模な言語モデル）

ディープラーニングディープラーニングは、多層的な人工ニューラルネットワーク（ANN）構造を使用する一種の自己改善機械学習です。このセットアップにより、線形モデルや決定ツリーなどのより単純な機械学習方法よりも、より複雑な相関が可能になります。深い学習アルゴリズムの設計は、人間の脳の神経経路からインスピレーションを得ています。

ディープラーニングモデルは、人間を定義する必要なく、自分でデータの重要な機能を識別できます。彼らはまた、間違いから学び、繰り返しと調整を通じて時間の経過とともに改善します。ただし、パフォーマンスを発揮するには、多くのデータ（100万ポイントのポイント）が必要であり、開発コストを削減できる単純なモデルよりもトレーニングに時間がかかります。

（参照：ニューラルネットワーク）

微調整微調整には、新しい専門データを使用して、特定のタスクまたは領域のパフォーマンスを高めるためにAIモデルをさらにトレーニングすることが含まれます。多くのAIのスタートアップは、大規模な言語モデルから始まり、それらを微調整して、独自のドメイン固有の知識を使用して、特定の業界またはタスクに適しています。

（参照：大手言語モデル[LLM]）

大手言語モデル（LLM）大規模な言語モデル、またはLLMS、ChatGpt、Claude、Google's Gemini、Meta's Ai Llama、Microsoft Copilot、MistralのLEチャットなどの人気AIアシスタント。これらのアシスタントとチャットするとき、あなたはあなたの要求を処理するLLMと対話し、多くの場合、Webブラウジングやコード通訳などのツールを使用しています。

AIアシスタントとLLMSは、異なる名前で移動できます。たとえば、GPTはOpenaiの大規模な言語モデルであり、ChatGPTはそれに基づいて構築されたAIアシスタント製品です。

LLMは、単語やフレーズが互いにどのように関連するかを学ぶ数十億パラメーター（または重み）を備えた深いニューラルネットワークであり、言語の多次元マップを作成します。彼らは、本、記事、トランスクリプトからの膨大な量のテキストについて訓練されています。 LLMにプロンプ​​トを与えると、最も可能性の高いパターンに基づいて応答を生成し、以前に来たものに基づいて次の単語を予測します。

（参照：ニューラルネットワーク）

ニューラルネットワークニューラルネットワークは、特に大規模な言語モデルが作用した後、深い学習のバックボーンと生成AIツールの急増を形成する多層アルゴリズム構造です。

データ処理のための人間の脳の相互接続された経路を模倣するという概念は、1940年代にさかのぼります。しかし、ビデオゲーム業界のおかげで、このアイデアを実現させたのは、グラフィカル処理ユニット（GPU）の台頭でした。これらのチップにより、より多くのレイヤーを備えたトレーニングアルゴリズムが可能になり、音声認識、自律ナビゲーション、創薬などの分野でのパフォーマンスが大幅に向上しました。

（参照：大手言語モデル[LLM]）

Weights Weightsは、AIモデルの出力を形成して、トレーニングデータのさまざまな機能にどれだけの重要性（または重量）が与えられるかを決定するため、AIトレーニングで重要です。基本的に、重みは、手元のタスクのデータセットで最も関連するものを強調する数値パラメーターです。それらは、入力を乗算することで機能します。

通常、トレーニングはランダムに割り当てられた重みから始まります。これは、モデルがターゲットをより密接に一致させる出力を生成しようとすると、時間の経過とともに調整されます。たとえば、住宅価格を予測するAIモデルは、ベッドルームやバスルームの数、不動産が分離されているか半戸建てであろうと、駐車場やガレージがあるかどうかなどの要因に重みを割り当てる可能性があります。これらの重みは、使用されるデータに基づいて、各要因がプロパティの値にどれだけ影響するかを反映しています。