従来型MLと基盤モデルの選択

イントロ

出力の自由度、説明可能性、運用制約で選び分ける

大規模で多様なデータから事前学習され、プロンプトや追加調整によって幅広い下流タスクへ適用できるモデルです。

定義

とは、大規模なデータで事前学習され、多様な下流タスクへ適応できるモデルです。
見分けるポイント: は、構造化データから明確な一つの予測を行う場面で、軽量さや説明しやすさを得やすい選択です。多用途の事前学習済み方式は文章生成、要約、質問応答などへ適応できますが、出力の揺らぎ、費用、遅延、データ管理、を検討します。『新しいモデルほど良い』ではなく、規制と業務制約を含む要件で選びます。

手順

要点

顧客レビューから自由文の返信案を作るなら基盤モデルが自然ですが、融資審査の既知項目から確率を出し、理由を追跡する要件では従来型モデルが適する場合があります。FMを使えることと、統制された業務に採用できることは別です。

例

場面: 工場のセンサー値から故障確率を出す処理と、保守記録を要約して質問へ答える処理を比較します。
順に考えると: 故障確率は構造化特徴量から狭い出力を得るため、従来型の分類モデルが軽量で説明しやすい候補です。記録要約と自然言語質問には、長い文章を扱える基盤モデルが候補です。ただし機密記録の扱い、根拠提示、誤回答時の人手確認を設計します。
ここが結論: 同じ会社のAI案件でも、タスク単位で異なるモデル方式を選べます。

注意

確認

Q1

説明しやすい定型の不正分類を低遅延で大量実行したい場合、まず比較すべき候補はどれですか。

まとめ

AI/MLパイプラインとモデル提供を、AIF-C01の公式objective 1.3.1・1.3.2・1.3.3に沿って、用語、判断順序、例、誤解修正で整理します。

新しいカテゴリが追加されました