A不正解
大規模な汎用の基盤モデル (FM) による判定
大規模な汎用モデルは文脈を読んで文章を生成するのに強い一方、応答が遅く、1 件あたりの費用も大きくなりがちです。数ミリ秒で返す要件と費用の抑制には合いません。
QUESTION
ある通販サイトは、注文ごとに配送が遅れる恐れを数値の点数で表し、1 件あたり数ミリ秒で返したいと考えています。判定に使用するのは重量・配送先の地域・配送区分などの数値と区分の情報だけです。同社は運用費も抑えたいと考えています。 この判定に最も適切な手法は、次のうちどれですか。
1 / 1
回答を選択してください
正解B
解説
決まった数値項目から低コストで点数を返す用途に、どのモデルの規模と種類が合うかを選ぶ問題。
- 1「1 件あたり数ミリ秒で返したい」低レイテンシの要件
- 2「判定に使用するのは重量・配送先の地域・配送区分などの数値と区分の情報だけ」入力が構造化された数値・カテゴリの項目で、文章ではない
B正解
従来型 ML による判定
従来型 ML は、基盤モデル (FM) より前からある、教師あり学習や教師なし学習による機械学習です。重量や配送先などの決まった数値の項目から点数を出す用途は、従来型 ML の得意分野です。小さなモデルは、大きなモデルより 1 件あたりの費用を抑えやすい傾向があります。
C不正解
小さな事前トレーニング済み FM を API で呼び出す判定
小型でも FM の得意は生成・会話・意味の理解です。決まった項目から数値の点数を出す用途では、従来型 ML のほうが目的に合います。
D不正解
複数の従来型モデルを同時に呼び出して平均する判定
複数のモデルを同時に呼び出して平均すると、1 件ごとの呼び出しと計算がモデルの数に応じて増えます。運用費を抑える要件に反します。
ポイント
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