AI と ML の基礎 #1
入力の分布が同じでも関係が変われば、コンセプトドリフト
入力の分布が変わったならデータドリフト、入力と結果の関係が変わったならコンセプトドリフトです。
・入力の分布が変わる → データドリフト
・入力と結果の関係が変わる → コンセプトドリフト
・トレーニングデータに過剰に合う → 過学習
ラベルの量と、どこまで使うかで学習方式を選ぶ
ラベル付きデータが少量で、ラベルなしデータが大量にある場合です。両方を同じ学習で使うなら、半教師あり学習が当てはまります。
・ラベルの有無だけでなく、両方を使うかどうかで判断します。
・ラベルなしだけなら教師なし学習、ラベル付きだけなら教師あり学習です。
・基盤モデルの事前トレーニングで使う自己教師あり学習は、データ自体からラベルを作る方式です。
バイアスは属性グループ間の不均衡
正解の「属性グループ間の不均衡」を押さえます。
・バイアスは、トレーニングデータや予測が年齢などの属性で偏ることを指します。
・全体の正解率が高くても、特定の属性のグループで精度が低ければバイアスがあると見なされます。
・公平性は目指す性質、説明可能性と透明性はそれぞれ別の性質として区別します。
数値の点数は決まった項目の小さなモデル
決まった項目から数値の点数を低い費用で返すなら、小さな従来型 ML が向きます。
・数値の予測・点数付け → 従来型 ML
・応答が速く費用が低い → 小さなモデル
何を判定するかで応用分野を選ぶ
AI の応用分野は、何を判定するかで見分けます。
・写っている人や物の内容を判定する → コンピュータビジョン
・文章の指示から新しい画像を作る → 生成 AI
・まれで不審な事象を見つける → 異常検知
・報酬を手がかりに試行錯誤で行動を学ぶ → 強化学習