【AIモデル学習の仕組みを解説】Hello, Quality World! モデル、アルゴリズム、学習、推論。役割の違いが分かりにくいと感じていませんか？ AIモデル学習の基本的な仕組みや用語の違い、業務に適用する上でのポイントを実務目線で整理・解説します。 #ベリサーブ# #HQW# #AI# #モデル学習# ▼記事はこちら

【📢まもなく最終締切｜Physical AI 応用編1】 AI×ロボット開発を実践的に学ぶ「Physical AI 応用編1」の最終ID登録締切が、明日9/1（火）10:00に迫っています！ 本講座では、実際にAIロボットを開発・運用するために必要なエンジニアリングを体系的に学びます。 🔹MLOps・RobOps 🔹コンピュータアーキテクチャ 🔹ROS2 🔹ハードウェア・通信 🔹AIロボットの開発・運用基盤 など、AIロボット開発を効率よく進めるためのシステム構築について、実例や演習を交えながら学習します。 AIモデルだけでなく、データ収集・モデル学習・検証からロボットの運用まで、Physical AIに必要な力を身につけたい方におすすめの講座です。 まもなく最終募集締切のため、Physical AI・AIロボット開発に関心のある方は、ぜひこの機会にお申し込みください！ 📅ID登録締切：9/1（火）10:00 📅講座申込締切：9/3（木）10:00 ▼詳細・お申し込みはこちら

深層学習の歴史を振り返ると、AlexNetが「手作業で工程を分けるより、入力から出力まで丸ごと1つのモデルで学習させる(end-to-end)方が強い」ことを示したのが革命の始まりだった。ところが生成AIだけはこの流れに乗り切れていない、という指摘から始まる論文が公開された(https://arxiv[.]org/html/2607.27372v1)。 拡散モデルや自己回帰モデル(要素を1つずつ順番に予測して生成するモデル)など、今の生成AIはどれも「生成の手順を細かいステップに分解する」ことで動いている。拡散モデルなら、ノイズだらけの画像を少しずつクリアにしていく数百ステップだ。これは「1つの入力に無数の正解がありうる」多峰性(複数の正解パターンがある)分布を、各ステップではほぼ一意な予測に絞り込むための工夫だが、この分解のせいで学習時(1ステップだけ予測)と推論時(数百ステップ繰り返す)でやっていることが食い違い、end-to-end(学習と推論の手順を完全一致させる訓練方式)にはなっていなかった。 この論文の「Explorative Modeling(探索的モデリング)」は逆転の発想で、生成の手順は分解せず学習ループ自体を分解する。各学習ステップでモデルに複数の候補を生成させ、正解データに一番近いものだけを使って学習する(best-of-k方式)。候補が1個だとモデルの最善手はすべての正解の平均になりぼやけた画像しか出せないが、候補をk個に増やすとそれぞれが別々の正解パターンを担当できるようになる。論文中の犬画像の比較が分かりやすく、候補1個ではほぼ完全にぼやけた模様、候補50個まで増やすと元画像とほぼ見分けがつかない鮮明さになっている。 この「探索の量」はパラメータ数・データ量に続く第三のスケーリング軸として機能し、画像・動画・言語のすべてで性能が単調に向上する。しかも効果はスケールが大きくなるほど強く、データ量を増やした場合の改善幅は7%から36%へ、モデルサイズを増やした場合は13%から23%へ拡大した。効率面ではFLOP(計算量)効率が4.1倍、サンプル効率が6.2倍、パラメータ効率が47%改善し、最強の画像生成レシピではImageNet 256×256でガイダンスなし1.43 FID(生成画像の品質指標、小さいほど良い)というほぼ最先端の性能に到達している。動画生成では過学習も抑えられ、FVD(動画品質指標、小さいほど良い)の最良値が探索なしの37.5から探索ありで30.0まで改善した。 さらにロボット制御タスクでは単体のend-to-end生成モデルとしても機能し、拡散モデルベースの手法と同等の性能を推論ステップ数16分の1から256分の1で達成した。数百回繰り返していた予測が、たった1回の計算で済むことになる。

『ネオクラウドとは（中略）AIモデルの学習と推論分野のみをサポートする専門サービス』 …それはネオなのか？ 次世代ＡＩの主導権争奪戦…「ネオクラウド」とは何か(ハンギョレ新聞) #Yahooニュース#

損保ジャパン、 機械学習モデルの開発を AI エージェントで自動化✨ 問い合わせ対応を支援する社員向けツールの機械学習モデル改良を AI エージェントに進めさせる仕組みを構築。1 週間の実験サイクルが 1 日に短縮し、1 日のうちに何度も試すことができるようになりました。

テーブルデータの機械学習にも、画像やテキストのような「そのまま使える基盤モデル」の時代が来ました。NVIDIAが新しいライブラリを公開しています。 タイトル: Structured Data Models (NVIDIA/structured-data-models) URL: 📝 概要 テーブル・リレーショナルデータ向けの基盤モデル・テンソル型・データプロセッサをまとめた、GPUネイティブなPyTorch互換ライブラリです。 ❓ 解決する課題 構造化データの機械学習は、画像やテキストに比べてGPU活用の基盤整備が遅れており、タスクごとに専用モデルを学習し直す必要がありました。 💡 方法論と提案手法 TabICLv2、KumoTabular、TabFMといったテーブル系モデルと、グラフ構造向けのKumoRelationalを提供。中核となる `TableTensor` は生データをGPU上で損失なくテンソル化する抽象化で、文脈内学習とキャッシュを使ったフィット＆予測の2つの推論パターンに対応します。 🌍 ユースケース 数値・カテゴリ・日時・テキスト・リレーショナルなど多様なデータ型を、少量のコードで事前学習済みモデルに通せます。Python 3.11以上・PyTorch 2.7以上で、pipから直接インストール可能です。 📊 実験結果 テーブル予測において新たな精度と効率のフロンティアを実現し、多様な構造化データセットでのゼロショット性能を主張しています。 #機械学習# #GPU#

🔁 「じっくり考えるほど賢くなる」AIを、勾配爆発を起こさずに学習させる方法が見つかりました。 タイトル: Thinking with Looped Flows URL: 再帰的に隠れ状態を更新して「考える」ループモデルは、これまでBPTT（時間方向の逆伝播）の不安定さに悩まされてきました。Looped Flowsは拡散モデルの学習原理を借りることでこれを解決した手法です。注目ポイントを3つ紹介します。 🧠 BPTTなしで再帰計算を学習 ノイズレベルを徐々に減らしながら各ステップをローカルな損失で学習することで、勾配消失・爆発を起こさずに「考え続ける」状態を安定して学習できます。 ⏱ 推論時に計算量を後から増やせる 学習時より細かい時間刻みで推論するだけで性能が伸び、Sudokuでは8ステップの74.5%から128ステップで97.9%まで向上します。 🏆 ARC-AGIで既存手法を上回る ARC-AGI-1で58.8%、ARC-AGI-2で12.2%を達成し、いずれも従来のループモデル手法を上回りました。 推論時にじっくり計算するほど賢くなる、というテスト時スケーリングの新しい実現方法として興味深い研究です。 #LLM推論# #機械学習#

🔥 DataHiveとは？ @DataHive_ai は、AI × DePINを組み合わせたデータインフラプロジェクト。 AIモデルの学習・開発に必要な高品質データを、分散型ネットワークを通じて収集・処理・提供することを目指しています。 そしてDataHiveの面白いところは、SOLをステーキングしながら$DATA Pointsを獲得できること👇 🔹 SOLステーキング報酬 🔹 $DATA Pointsを獲得 🔹 1 SOLあたり約121 Points / epoch 🔹 約2日ごとにPointsを獲得 🔹 年間では約22,000 Points / SOL 🔹 $DATA Airdropを予定 つまり、 「SOLを保有する」 ↓ 「SOLをステーキング」 ↓ 「ステーキング報酬を得る」 ↓ 「さらに$DATA Pointsを積み上げる」 という仕組み。 しかもDataHiveは、単なるポイント案件ではなく、AIデータインフラという成長市場を狙っている点も注目ポイント。 個人的には、 SOLの価格上昇を狙いながら、ステーキング＋エアドロップを同時に狙える案件 としてチェックしておきたいプロジェクトです🔥 ⬇️参加リファ使って下さい⬇️ （利用で報酬が発生する場合があります。） ⚠️DYOR⚠️ 個人的な調査・考察であり、投資助言や個別推奨ではありません。 ご自身の調査•判断でご参加下さい。 💟最後まで読んでくれた方、フォロー&いいね&リポストをお願いします。 #DataHive# #DATA# #Solana# #DePIN# #AI# #Airdrop#

🎮 コードエージェントが強いのは「実行して検証できる」から。同じ発想をゲーム開発に持ち込み、世界モデルの学習を加速させる研究です。 タイトル: Agentic Game Development as a Verifiable Trajectory Data Engine for Scaling World Models URL: 🧩 概要 動画やCLIPスコアのような曖昧なプロキシ指標では報酬がゲーム化されやすいという「検証可能性のボトルネック」を指摘し、ゲームエンジンの衝突判定・物理演算・navmeshチェックを報酬源として活用する手法を提案しています。 ❗ 解決する課題 空間生成モデル（動画・3D・世界モデル）は信頼できる報酬信号を欠いており、スケーリングしても真の能力向上につながらない「不可検証性の代償」を抱えています。 🛠 方法論と提案手法 エンジン由来の密な構造的報酬と人間の採否判断を組み合わせるRLHEV、Propose→Render→Verify→Repair→Reviewの反復ループを回すAWoMoエージェント、開発トレースを統一構造化するUWDPプロトコルを提案しています。 📊 実験結果 UnitySceneBenchで曖昧プロキシ比+0.098、クロスエンジン汎化はUnity→Godotで0.15→0.35に向上。さらにD4RL Gym-MuJoCoで+48.43%、R2Rナビゲーションで+0.79%の性能向上も確認されています。 #世界モデル# #強化学習#

🦢 TL;DR: 「聞く・話す・割り込む」のタイミングはトップクラス、でもタスク遂行はまだ発展途上。Tencentが音声・映像・エージェントを1つに統合したomni対話モデルを発表しました。 タイトル: Omni Interaction Agent Technical Report（Gander） URL: 📌 ポイント 🧠 「小脳（対話制御）」と「大脳（Claude/Codexで実行）」の二層構造 🎙 音声・映像をチャンク単位でストリーミング処理、外部VAD不要 ✅ ターンテイキング精度100%でGPT-Realtimeの96%を上回る ⚠️ タスク完遂率(Pass@1)は0.400とGPT-Realtimeの0.600に劣る 🔀 音声認識を介さずテキストを直接渡すとPass@1が0.520に改善 🌐 音声×映像の統合でDaily-Omniが単一モダリティ比+19.13pt向上 📦 モデル重み・学習コード・評価ハーネスを公開予定 対話のテンポの良さと、タスクをやり切る正確さは今のところ別物という現実的な結果が興味深いです。 #マルチモーダルAI# #音声対話AI#