転移学習は、事前にトレーニングされたモデルを、異なるが関連するタスクに適応させる AI の技術です。
詳しい説明は次のとおりです。
転移学習: 大規模なデータセットで事前トレーニングされた基本モデルを取得し、それをタスク固有の小規模なデータセットで微調整します。
基本重み: 事前トレーニング済みモデルの既存の基本重みが再利用され、新しいタスクに合わせてわずかに調整されるため、モデルを最初からトレーニングするよりもプロセスが効率的になります。
利点: このアプローチでは、モデルがすでに獲得した知識を活用し、新しいタスクのトレーニングに必要なデータと計算リソースの量を削減します。
参考文献:
Tan, C., Sun, F., Kong, T., Zhang, W., Yang, C., & Liu, C. (2018).「ディープ トランスファー ラーニングに関する調査」。国際人工ニューラル ネットワーク会議。
Howard, J.、Ruder, S. (2018)。テキスト分類のためのユニバーサル言語モデルの微調整。
計算言語学会第56回年次会議の議事録（第1巻：長編論文）に掲載。

コスト削減: AI は反復的で時間のかかるタスクを自動化できるため、生産と運用におけるコストを大幅に削減できます。リソースの割り当てを最適化し、エラーを最小限に抑えることで、企業は運用コストを削減できます。

顧客対応チーム: これらのチームは、エンドユーザーの視点から AI ベースのアプリケーションの要件を理解し、定義する上で重要な役割を果たします。これらのチームは、ユーザー中心の AI ソリューションを設計するために不可欠な、顧客のニーズ、問題点、望ましい結果に関する洞察を収集します。

多様なデータ ソース: 多様なソースからの入力を利用することで、AI モデルが幅広いシナリオ、方言、コンテキストにさらされるようになります。この多様性により、モデルの一般化が向上し、データが均一すぎる場合に発生する可能性のあるバイアスを回避できます。

生成的敵対ネットワーク (GAN) は、競争的な設定で連携して動作する 2 つのニューラル ネットワーク (ジェネレーターとディスクリミネーター) を含む人工知能モデルの一種です。ジェネレーター ネットワークは新しいデータ インスタンスを生成し、ディスクリミネーター ネットワークはそれを評価します。ジェネレーターの目標は、実際のデータと区別がつかないデータを生成することであり、ディスクリミネーターの目標は、実際のデータと生成されたデータを正しく分類することです。この競争プロセスにより、新しい高品質のデータが生成されます1。
フィードフォワード ニューラル ネットワーク (オプション OA) は、ノード間の接続がサイクルを形成せず、本質的に競合的ではない基本的なニューラル ネットワークです。トランスフォーマー (オプション OC) は、翻訳やテキスト要約などのタスクのために、自然言語などのデータ シーケンスを処理するために自己注意メカニズムを使用するモデルです。変分オートエンコーダー (VAE) (オプション OD) は、確率的エンコーダーとデコーダーを使用して新しいデータ インスタンスを生成するニューラル ネットワークの一種ですが、2 つのネットワーク間の競合設定は発生しません。したがって、正解は B です。生成的敵対的ネットワーク (GAN) は、ジェネレーター ネットワークとディスクリミネーター ネットワーク間の競合的相互作用によって定義される 2 です。