本日の講義では、まず前回の課題で取り上げた人工知能（AI）、機械学習（ML）、深層学習（DL）、および生成AI（GenAI）の定義とそれぞれの特徴について解説します。その後、Teachable Machineを使った機械学習の基本的な体験を通じて、実際にモデルを訓練し、画像分類を行う流れを体感してもらいます。特に転移学習の仕組みと少数のデータで高精度な判別が可能となる理由についても触れます。最後に、生成AIの本質であるTransformerモデルに焦点を当て、次回へとつなげます。

スライド資料

本日の内容

• 前回の課題の解説
  • 人工知能、機械学習、深層学習、生成AI、それぞれの定義と意味
  • GPTとは?
• 機械学習について理解する
  • Teachable Machineで機械学習体験!
• 生成AIの本質に迫る: Transformerについて
  • ニューラルコンピューティングからGPTへと至る30年の歴史

前回の課題の解説

• 課題1: 4つの用語の定義
  • 人工知能 (Artificial Intelligence, AI)
  • 機械学習 (Machine Learnig, ML)
  • 深層学習 (Deep Learning, DL)
  • 生成AI (Generative AI, GenAI)
• 課題2: GPTについて
  • GPTとは?
  • 「G」「T」「P」の意味

「人工知能」「機械学習」「深層学習」「生成AI」それぞれの定義と意味

映像を視聴

ポイント:

• AI、ML、DL、Gen AIの定義
• 学習について (教師あり学習、教師なし学習)
• 深層学習、ディープニューラルネットワークについて
• 生成AIは深層学習の一部
• 生成モデルと識別モデル
• 大規模言語モデル: PaLM、LaMDAなど
• Transformerモデルの重要性
• Text-to-Text、Text-to-Image、Text-to-Videoなどの様々な生成AIモデル

Teachable Machineで機械学習体験

• Googleの提供するTeachable Machineにアクセス
• 本格的な生成AIについて考えていく前段階として、機械学習の基本を学ぶ
• 教師あり学習 (転移学習) の基本の流れを体験
• 画像読み込み → ラベル付け → 学習 → クラス分け (判別)
• 様々な画像で試しながら実感してみる!

なぜ少数の画像で判別できるのか?

• 画像のクラス分け (Image classification)
• 本来であれば膨大な学習データが必要
• 画像 + ラベルのセット

大規模な画像データベースの例: ImageNet

ImageNet

• 物体認識の研究で用いるために設計された大規模な画像データベース
• 2024年10月現在、14,197,122個の画像を学習

転移学習 Transfer Learning

• Teachable Machineが少数の画像で学習できる原理
• あるタスクで学習したモデルを、関連する新しいタスクに適用させる手法
• ゼロからネットワークを学習させるよりも高速で簡単
• 学習にかかる時間を短縮できる
• 学習対象となるサンプルデータの不足を補うことができる

転移学習はどのように動作しているのか

実習: Image Projectで遊んでみる!

• Teachable MachineのImage Projectで遊んでみましょう
• どのような判別をさせてみたら面白いことができそうか?
  • 画像を学習させてみる
  • イラストを描いて判別させてみる
  • ジェスチャーを学習させてみる
    ..etc.

次回予告 – 生成AIの本質に迫る

GPTとは? GPTに至る歴史

次回はいよいよGPTについて迫っていきます! 事前に予習したい方は以下のビデオを視聴してみてください。