学んだモデルを使い分ける

1画像の部分と、データの順序に注目する

ニューラルネットワークには、扱うデータに合わせた構造があります。ここでは「画像の小さな範囲を見る」と「前の情報を次へ渡す」を比べます。

CNN（畳み込みを用いて局所的な特徴を扱うニューラルネットワーク）（畳み込みニューラルネットワーク）は、小さな範囲に同じ計算を行うフィルターを動かして、輪郭などの特徴を調べます。この処理が畳み込みです。写真の別々の場所でも、同じ特徴を探せることが画像を扱うときに役立ちます。

RNN（前の状態を次へ渡す構造をもつニューラルネットワーク）（リカレントニューラルネットワーク）は、前の計算の状態を次の計算へ渡します。毎日の気温や文章のように、並び順に意味があるデータを扱う構造です。

CNNはConvolutional Neural Network、RNNはRecurrent Neural Networkの略です。この二つだけですべての用途が決まるわけではなく、画像処理が必ずCNN、文章処理が必ずRNNという意味ではありません。

データのどんな特徴を扱いたいかに注目します。

2生成役と見分け役を競わせる

GAN（Generative Adversarial Network：敵対的生成ネットワーク）は生成器と識別器を組み合わせて学習する仕組みです。生成器が例に似たデータを作り、識別器が実データか生成データかを見分けます。

両者の学習を通じて生成を改善します。生成画像だから内容が事実であるとは限りません。GANは生成の仕組みの一つで、全ての生成AI（人工知能）がGANを使うわけではありません。

3広く学んだ土台を用途へ合わせる

事前学習は先に大量のデータなどでモデルを学ばせることです。基盤モデルは幅広いデータで学び、様々な用途へ適応できる土台となるモデルです。

ファインチューニング（Fine-tuning：追加学習による微調整）は事前学習済みモデルの重みを用途に合うデータで調整します。転移学習は以前の学習で得た知識を別の課題へ利用する広い考え方で、微調整はその一つの方法です。

注釈付けだけの作業や、専門家の規則を登録するだけの仕組みとは異なります。

4大規模言語モデルへ伝える

LLM（Large Language Model：大規模言語モデル）は大量の文章などから言語の規則性を学ぶ大規模なモデルです。文章の生成や要約に使えますが、もっともらしい誤りも出します。

プロンプトエンジニアリングは入力する指示、背景資料、条件、出力形式を工夫することです。例：「次の議事録だけを根拠に決定事項を3項目で。未決定は区別して」。指示を書き直すだけなら通常、重みを更新する微調整とは別です。

入力待ちを示す画面のプロンプトとも文脈を区別します。出力は元資料と照合します。