問題番号: No.3490 (しっかりモード)

画像認識と自然言語処理など、複数の異なるモーダリティの情報を組み合わせて処理する人工知能技術において、画像の内容に基づいて質問に答えたり、映像のキャプションを生成したりする代表的な応用タスクを総称して何というか。