問題 No.3273
テキスト、画像、音声、動画などの異なる複数の種類のデータを同時に統合して理解し、処理を行うAI技術の名称はどれか。
【正解の解説】
マルチモーダルAI
人間の五感のように、目で見た画像、耳で聴いた音声、文字で読んだテキストを同時に組み合わせて総合的に理解する仕組みです。人間が「この写真の動物は、この鳴き声の動物と同じだね」と自然に判断できるように、複数の異なる情報を一つの頭脳でつないで処理できるのが最大の特徴であり、これからのAIの標準的な技術となっています。
スポンサーリンク
【その他の選択肢の解説】
トランスフォーマーAI
初学者が「マルチモーダルAI」と混同しやすい技術用語の一つです。トランスフォーマーはデータの種類を跨いで統合する仕組みそのものではなく、主にテキストなどの連続したデータから言葉の繋がりを高精度に予測するための基礎アーキテクチャを指します。マルチモーダルAIの内部で、データ同士の関係性を読み解くエンジンとしてこのトランスフォーマーが活用されているケースが多くあります。
メタモーフィックAI
試験などで受験者を惑わせるために作られたもっともらしいダミーの選択肢です。形が変わるという意味のメタモルフォーゼなどの言葉から連想させやすいですが、AIモデルの種類としてこのような名称のものは存在しません。知らない用語が出てきたときに、本物のAI技術用語と区別できるように基本的な名称をしっかりと覚えておくことが重要です。
アンサンブルAI
「複数のものを組み合わせる」という意味の響きがマルチモーダルに似ているため、混同しやすい引っ掛けとして配置されています。アンサンブル学習は、同じ種類のデータに対して複数のAIで個別に推論を行い精度を高める仕組みであり、画像や音声といった異なる種類のデータ形式そのものを統合して処理するマルチモーダルAIとは目的もアプローチも全く異なる技術です。