Oracle Cloud Infrastructure (OCI) Language サービスは、テキストを分析し、感情、エンティティ、キーフレーズ、言語検出などの構造化情報を抽出するために特別に設計されています。このサービスは、ユーザーが非構造化テキスト データから洞察を得るのに役立つ自然言語処理 (NLP) 機能を提供します。感情 (肯定的、否定的、中立的) を識別し、エンティティ (名前、日付、場所など) を認識することで、このサービスにより、企業は大量のテキスト データを効率的に処理し、意思決定プロセスに役立てることができます。

機械学習における「モデル トレーニング」とは、入力機能とそれに対応する出力の関係を学習することで、モデルに予測や決定を行うように教えるプロセスを指します。トレーニング中、モデルには、入力と既知の出力 (ラベル) がペアになっている大規模なデータセットが与えられます。モデルは、予測と実際の出力の誤差を最小限に抑えるために、内部パラメータを調整します。時間の経過とともに、モデルはトレーニング データから一般化して、新しい未知のデータに対して正確な予測を行うことを学習します。

OCI Data Science のモデル カタログの主な目的は、機械学習モデルを保存、追跡、共有、管理することです。この機能は、データ サイエンティストと開発者がモデルで共同作業し、そのパフォーマンスを監視し、ライフサイクルを管理できる、整理されたリポジトリを維持するために不可欠です。また、モデル カタログはモデルのバージョン管理を容易にし、最新かつ効果的なモデルが展開に利用できるようにします。この機能は、複数の関係者がテスト、評価、展開のために最新のモデル バージョンにアクセスする必要がある共同作業環境では非常に重要です。

大規模言語モデル (LLM) のコンテキストでは、プロンプト エンジニアリングとファインチューニングは、AI モデルのパフォーマンスを最適化するために使用される 2 つの異なる方法です。
プロンプト エンジニアリングでは、入力プロンプトを設計および構造化して、モデルが具体的で関連性のある高品質の応答を生成するようにガイドします。この手法では、モデルの内部パラメータは変更されませんが、正確で効果的なプロンプトを作成することで、モデルの既存の機能を活用します。ここでの焦点は、コンテキストの指定、入力のフォーマット、およびプロンプトの反復による出力の改善など、モデルにタスクを実行するように要求する方法を最適化することにあります。
一方、微調整とは、事前トレーニング済みのモデルを、より小規模なタスク固有のデータセットで再トレーニングするプロセスを指します。この調整により、モデルはパラメータを適応させて、現在のタスクの特定のニーズに適合させ、特定のアプリケーション向けにモデルを効果的に「特化」することができます。微調整では、モデルの内部構造を変更して、対象タスクでの精度とパフォーマンスを向上させます。
したがって、主な違いは、プロンプト エンジニアリングは入力操作を通じてモデルを効果的に使用する方法に重点を置いているのに対し、ファインチューニングではモデル自体を変更して特殊なタスクでのパフォーマンスを向上させることです。

バックプロパゲーションは、人工ニューラル ネットワーク (ANN) のトレーニング中にニューロン間の接続の重みを調整するために主に使用されるアルゴリズムです。これは、出力層から入力層にエラーを逆方向に伝播させながら、連鎖律を適用して各重みに対する損失関数の勾配を計算する教師あり学習アルゴリズムです。このプロセスにより、重みが更新されてエラーが最小限に抑えられ、時間の経過とともにモデルの精度が向上します。
勾配降下法は、バックプロパゲーションによって計算された勾配に基づいて重みを調整するために使用される最適化アルゴリズムであるため、密接に関連していますが、バックプロパゲーションはこれらの勾配を計算するために使用される特定の方法です。