おはようございます、YASUです。
AIF(AWS Certified AI Practitioner)の学習を進める中で、何度も混乱したポイントがいくつかあります。今日は、そのつまずきやすいポイントを整理した学習ノートとしてまとめておきます。
結論
AIFでよくつまずくポイントは、大きく3つに分類できます。「モデルの説明可能性」「生成タスクとモデルアーキテクチャの対応関係」「責任あるAIの用語」です。それぞれ、直感と逆だったり、用語が問題文に直接出てこなかったりするひっかけがあり、丸暗記より整理された考え方を持っておく方が対応しやすいと感じました。
ポイント1:モデルの説明可能性(Explainability)
「説明可能性が高いモデルを選べ」という問題で、性能の高さと説明可能性の高さを混同しやすいのが最大の落とし穴です。
- 説明可能性が高い:線形回帰、ロジスティック回帰、決定木(判断の過程がそのまま追える)
- 説明可能性が低い:サポートベクターマシン(特に非線形カーネル)、ランダムフォレスト、ニューラルネットワーク(深層学習)
「性能が高い=AIっぽい」というイメージから、つい説明可能性も高そうだと思い込みがちですが、実際は逆で、複雑で高性能なモデルほど中身がブラックボックス化しやすい、というトレードオフの関係があります。
ポイント2:生成タスクとモデルアーキテクチャの対応関係
「用語が問題文に直接出てこない」パターンが特に厄介でした。例えば以下のような言い回しから、該当するアーキテクチャを逆算する必要があります。
- 「新しいキャッチコピーを考えて」→ Transformer(文章生成が得意なLLMの基盤)
- 「商品画像を新しく生成したい」→ 拡散モデル(Diffusion Model)(ノイズから徐々に画像を作り出す)
- 「画像の中の特定の要素を識別・検出したい」→ オブジェクト検出モデル(すでにある画像から何かを見つけ出す)
整理のコツは、「作る(生成)」か「見つける(検出)」か、そして「テキストか画像か」という2つの軸で考えることです。「検出」という単語がそのまま出てこず、「識別したい」「特定したい」のような言い換えで出題されることも多いので、動詞のニュアンスに注目する癖をつけておくと安心です。
ポイント3:責任あるAI関連の用語整理
この分野は用語同士が似ていて混同しやすいので、まとめて整理しておきます。
- Hallucination(幻覚):学習データにもプロンプトにも存在しない、事実と異なる情報をもっともらしく生成してしまう現象
- Bias(バイアス):学習データの偏りにより、出力が特定グループに不公平な結果をもたらす現象
- Guardrails:有害コンテンツのフィルタリングや個人情報のマスキングなど、モデルの出力を安全にコントロールする仕組み
また、「組織が生成AIを導入する際、最初に行うべきこと」を問う問題では、モデル選定やインフラ構成より先に「横断的なガバナンス体制の構築」が優先される、という点も繰り返し出てくる考え方でした。
ポイント4:プロンプトエンジニアリング・RAG・ファインチューニングの使い分け
この3つの手法は、「モデルの重みを変えるかどうか」という軸で整理すると分かりやすくなります。
- プロンプトエンジニアリング:モデルには触れず、聞き方だけを工夫する
- RAG:モデルには触れないが、外部の資料を検索してプロンプトに含める
- ファインチューニング:モデルに追加学習させて、重みそのものを書き換える
コストと手間の観点では、「プロンプトエンジニアリング→RAG→ファインチューニング」の順に試すのが一般的なアプローチとされています。問題文に「モデルの重みは変更したくない」という条件が出てきたら、その時点でファインチューニングは除外できる、という判断軸が使えます。
推論パラメータの整理
- Temperature:低くすると決定論的で一貫性のある出力に、高くすると多様でランダムな出力になる
- Top-K:次に生成する単語の候補を、確率が高い順に上位いくつかへ絞り込む
- Max Tokens:一度の応答で生成できるトークン数の上限。応答の長さとコストをコントロールする
まとめ
- 説明可能性は「シンプルな構造ほど高い」という、性能とは逆のトレードオフがある
- 生成タスクとモデルの対応は「作る/見つける」「テキスト/画像」の2軸で整理する
- 責任あるAIの用語(Hallucination、Bias、Guardrails)は混同しやすいので個別に押さえる
- プロンプトエンジニアリング・RAG・ファインチューニングは「重みを変えるか」で判断する
何度もつまずいたポイントをこうして言語化しておくと、次に似た問題に出会った時の対応力が上がる気がします。それでは、また明日!
コメント