Glossary

0-9

1-shot learning 2-stage detector 3D convolution 4D data 5G + AI 6DoF pose estimation 7D representation 8-bit quantization 9-layer network 0-shot learning

A

AGI / Artificial General Intelligence Algorithm Autoencoder Artificial Intelligence (AI)Attention

B

BERT Backpropagation Batch Normalization Boosting Bias

C

CNN / Convolutional Neural Network Clustering Cross-Validation Chatbot Classifier / Classification

D

Deepfake Deep Learning Data Augmentation Deterministic Model Discriminative Model

E

Epoch Ensemble Learning Encoder Explainable AI (XAI)Embedding

F

Fine-tuning Forward Propagation Fusion / Multimodal Fusion Foundation Model Feature Extraction

G

GAN / Generative Adversarial Network Grounding Graph Neural Network (GNN)Gradient Descent Generative AI

H

Hyperparameter Heuristic Hidden Layer Hierarchical Model Hallucination

I

Instruction tuning Instance / Sample Intelligence Amplification / Augmentation Interpretability Imbalanced Data

J

JAX JSONL / JSON-lines Jittering Joint Embedding Juxtaposition

K

K-Shot Learning K-means Clustering KL Divergence (Kullback–Leibler Divergence)Kernel Trick Knowledge Distillation

L

LSTM / Long Short-Term Memory Learning Rate Latent Variable Loss Function Large Language Model (LLM)

M

Multi-head Attention Multimodal / Multimodality Meta-learning Model Machine Learning (ML)

N

NLP / Natural Language Processing NLU / Natural Language Understanding Neural Network Novelty Detection / Anomaly Detection Normalization

O

One-hot Encoding Overfitting Optimizer Online Learning Objective Function

P

Pooling Parameter Pretraining Prompt Policy / Reinforcement Learning Policy

Q

Q-learning Queue / Buffer Query Quality Estimation Quantization

R

RNN / Recurrent Neural Network Retrieval Augmented Generation (RAG)Reinforcement Learning (RL)Regularization Representation Learning

S

Softmax Sampling Sequence Modeling Supervised Learning Self-Supervised Learning

T

Tuning / Hyperparameter Tuning Tokenizer Transformer Training Data Transfer Learning

U

U-Net Underfitting Universal Approximation Theorem Unsupervised Learning Uncertainty Estimation

V

Vision Transformer (ViT)Vector Embedding Validation Set Vanishing / Exploding Gradient Variational Autoencoder (VAE)

W

Weight Decay Whitening / Whitening Transformation Workflow Word Embedding Weak Supervision

X

XAI / Explainable AI XLM XLNet XOR problem X-axis / feature axis

Y

Yoga of AI Y-transform / YUV YAGNI (You Aren't Gonna Need It)Y-axis / feature axis Yield (model yield / throughput)

Z

Z-score Normalization Zero-shot Learning / Zero-shot inference Zero-gradient phenomenon Zero-centric / Zero-bias initialization Zygosity in augmentation

リトリーバル増強生成 (RAG)とは？

リトリーバル増強生成 (RAG) は、リトリーバルと生成技術を組み合わせたモデルで、自然言語処理 (NLP) 分野で広く使用されています。

RAG の核心的なアイデアは、関連情報をリトリーバルすることによって生成モデルの能力を強化し、生成されたテキストの関連性と正確性を向上させることです。通常、RAG はまず知識ベースから関連するテキスト片をリトリーバルし、それらの片を生成モデルへのコンテキスト入力として使用します。

このアプローチにより、モデルは内部の知識だけでなく、外部情報源を活用して出力の質を向上させることができます。RAG の典型的なシナリオは、質問応答システムです。このシステムでは、モデルがユーザーの質問に基づいてデータベースから情報をリトリーバルし、より情報豊かな回答を生成できます。

RAG の未来は有望です。知識ベースが継続的に拡大・更新されるにつれて、RAG モデルは複雑な質問をよりよく処理し、より正確な回答を提供できるようになります。さらに、RAG はコンテンツ生成や対話システムなど、さまざまな分野にも適用できます。

しかし、RAG はいくつかの課題に直面しています。関連情報を効率的にリトリーバルする方法、リトリーバルした情報を処理する方法、生成されたコンテンツの一貫性と連続性を維持する方法が、研究すべき重要な問題です。それにもかかわらず、RAG モデルの利点は明らかであり、リトリーバルと生成の強みを組み合わせることで、自然言語処理タスクの性能を大幅に向上させることができます。