スケーリング則とは?モデルを大きくすると性能が上がる経験則
スケーリング則は、モデルの大きさ・データ量・計算量を増やすと誤差がべき乗で下がるという経験則です。Kaplan らと Chinchilla の論文の数字、結論が食い違った理由、読み違えやすい点が分かります。
AIスケーリング則は、モデルの大きさ・データ量・計算量を増やすと誤差がべき乗で下がるという経験則です。Kaplan らと Chinchilla の論文の数字、結論が食い違った理由、読み違えやすい点が分かります。
CloudAX の提案で Snowflake と Databricks が並んだときの判断軸を、計算を動かすアカウント、表の形式と台帳、触る人の言語、請求先の 4 つに分け、提案者に確かめることと合わせて公式ドキュメントで整理しました。
CloudSnowflakeのSnowpark・Feature Store・Model Registryが機械学習のどの工程を受け持つかを公式ドキュメントで整理し、AWSのSageMaker AIで組む場合との対応と課金の落とし穴も分かります。
Cloudデータウェアハウスは入れる前に形を決め、データレイクは生のまま置き、レイクハウスはレイクのファイルに表の管理を足します。3つの違いとAWSでの受け持ち、選び分けの目安をまとめました。
AI時系列基盤モデルの仕組みを、従来の予測との違い、Chronos-2・TimesFM・Timestralの入力と出力、P10・P50・P90の読み方、評価とライセンスの落とし穴まで一次情報をもとに解説します。
AIワールドモデルは、いまの状態と行動から次に世界がどうなるかを予測するAIのモデルです。LLMとの違い、Genie・JEPA・Dreamerなどの代表例、ロボットやゲームでの使い道と限界を一次情報をもとに解説します。
AI判断モデルは文章を書かず、決めた選択肢ごとの確率だけを返すAIです。LLMより速く安い理由、確率の使い方、OpenAIやCloudflareなど各社のモデルと落とし穴が分かります。
AI画像生成のプロンプトに自分の売れ筋と市場の売れ筋を混ぜて渡したら、生成が自分寄りに偏る構造でした。出どころで枠を分けて比率をコードに守らせ、ヒントも分けた記録です。
AISLM(小規模言語モデル)は手元の機器で動く大きさの言語モデルです。Phi-3やGemma 4を例に、小さくても使える理由、向いている仕事、知識の量や込み入った計画での弱点が分かります。
AI自分の承認・却下の履歴で画像の好みを学ばせたら、AUC 0.992 が出ました。原因は好みではなく生成した時期の違いでした。時代当てのプローブで見抜き、同じ時期のデータで測り直した記録です。