AI学習とは、大量のデータをAIモデルに読み込ませながら、モデル内部の数値（パラメータ）を少しずつ調整し、目的のタスクを正しくこなせるようにしていく作業のことです。
図でみるAI学習
- 01データ収集
- 02前処理
- 03学習
- 04評価
- 05デプロイ
AIの学習は、データを集めて整え、モデルを学習させ、性能を評価し、問題なければ実運用へ展開するという工程を経ます。
具体例 AI学習の身近な例
画像認識モデルを学習させる場合、数百万枚の「犬」「猫」とラベル付けされた画像を繰り返しモデルに見せ、間違えるたびにパラメータを調整していく、という工程がAI学習にあたります。
重要な点
- データ収集・前処理・学習・評価・改善というサイクルを繰り返す工程
- 大規模モデルの学習には数週間〜数ヶ月規模のGPU計算資源が必要になることがある
- 学習コストの大きさが、大規模AIを開発できる企業を限定する要因になっている
技術的背景
[object Object]
よくある誤解
- 「学習」は一度きりの作業ではなく、データ収集、前処理、学習、評価を何度も繰り返すプロセスです。
- 学習に使うデータが多ければ多いほど良いとは限らず、データの質や偏りの管理も同じくらい重要です。
学習の前後関係
AI学習
先に理解しておきたい用語
次に学ぶとよい用語
よくある質問
AIの学習と推論はどう違いますか？
学習はモデルを「作る」工程で計算コストが高く、推論は完成したモデルを「使う」工程です。詳しくは推論の項目を参照してください。
