スケーラブルなアーキテクチャ、幅広い事前トレーニング、多様なアプリケーションへの適応性など、AIに革命をもたらす基盤モデルの仕組みをご覧ください。
ファウンデーションモデルは、人工知能(AI)における重要なパラダイムシフトであり、大規模かつ膨大で多様なデータセットでの学習を特徴としている。特定のタスクのために設計された従来の機械学習(ML)モデルとは異なり、基盤モデルは幅広いデータで事前に訓練されているため、タスク固有のデータが比較的少なくても、幅広いダウンストリームアプリケーションに適応させたり、微調整したりすることができる。このアプローチは、しばしば転移学習を活用し、AI開発を加速させ、強力な能力をより利用しやすくする。この言葉は、スタンフォード人間中心人工知能研究所(HAI)によって広められた。
財団モデルは、規模、一般性、適応性という3つの主要な特徴によって定義される。
ファンデーション・モデルの多用途性は、さまざまな分野でのイノベーションの原動力となっている。
主な違いは、スコープと再利用性にある。伝統的なMLモデルは通常、調整されたデータセットを使って、単一の特定のタスクのためにトレーニングされる。新しいタスクが発生した場合、多くの場合、新しいモデルをゼロから構築し、トレーニングする必要がある。しかしファウンデーションモデルは、再利用可能なベースを提供する。その広範な事前学習は一般的な知識を取り込み、それを効率的に特化させることができる。
このパラダイムは、新たなタスクごとに大規模なデータ収集とアノテーションを行う必要性を減らし、モデル展開を高速化できる可能性があるなどの利点をもたらす。しかし、課題としては、事前学習に必要な膨大な計算コストとエネルギー、学習データに存在するバイアスを継承・増幅するリスク、潜在的な悪用や社会的影響に関する重大な倫理的配慮などが挙げられる。Ultralytics HUBのようなプラットフォームは、高度なAIモデルへのアクセス、トレーニング、デプロイのプロセスを合理化し、ユーザーがこれらの強力なテクノロジーを効果的に活用できるようにすることを目的としています。