AI
生成 AI
ブログ記事の執筆に強い日本語ローカルLLMを探す
手元のM3 MacBook Air（24GB）で動く日本語ローカルLLMの中から、このブログの執筆を任せる一本を選びました。長文の日本語の自然さで比べた結果と、OllamaのAPIを呼び出す具体的な手順・渡したプロンプトまで載せています。
#機械学習タグの記事
表示切り替え
AI
生成 AI
【第3回】音声モデルはLLMに近づく ― TTSとSpeech2Speechの教師データ
音声合成（TTS）は、かつてMel Spectrogramを正解にしていました。しかし最近のモデルは、音声を「音声トークン」に変換し、それを予測します。構造はもうLLMそっくりです。第3回では、TTSとSpeech2Speech（音声翻訳・声質変換・エンドツーエンド会話AI）の教師データの作り方を追い、対応データ収集の難しさとその回避策までを整理します。全5回シリーズ第3回。
AI
生成 AI
【第2回】画像生成は「ノイズ」か「トークン」を当てる ― TXT2IMGの教師データとキャプション
画像生成にはGAN・自己回帰（トークン）型・拡散モデルの系統があり、いまの主流はStable Diffusionのような拡散モデルです。拡散型は「画像を直接描く」のではなく「加えたノイズを当てる」ことを学び、自己回帰型はLLMのように「次の画像トークン」を当てます。第2回では、画像とテキストのペアの集め方・CLIPによる品質フィルタから両方式の教師データまでを最小コードで整理します。全5回シリーズ第2回。
AI
生成 AI
【第1回】生成AIは何を「正解」に学ぶのか ― 自己教師あり学習とLLM
LLMも画像生成も、人間が全件ラベルを付けた教師データで学んでいるわけではありません。カギは「元データから入力と正解を機械的に作る」自己教師あり学習です。第1回では、元データと教師データの違い、そしてLLMがどうやってテキストそのものを次トークン予測問題に変えて学ぶのかを、最小コードとともに整理します。全5回シリーズ第1回。
AI
生成 AI
【第3回】AIを生徒にして脱・中級 ―「わかったつもり」を卒業する
「だいたい分かる」で止まりがちな中級者が次の段階へ進む鍵は、AIに教えることです。前提・制約・判断基準・例外まで言語化する過程が、暗黙知を形式知へ変える訓練になります。AIを「理解を映す鏡」として使う学習法と実践5ステップを解説します。シリーズ第3回。
AI
生成 AI
【第2回】ビギナーこそAIで経験を積む ― いちばん伸びるのは、初心者だ
AIが答えをくれる時代、初心者は不利なのか。むしろ逆です。開発環境の構築やコンテナ・VMなど詰まりやすい題材をAIと一緒に試し、一緒に失敗する——その反復（イテレーション）でビギナーは最速で経験を積めます。AIにたくさん失敗させて観察する使い方まで解説。シリーズ第2回。
AIAIAIAIAIAI
ブログ記事の執筆に強い日本語ローカルLLMを探す
手元のM3 MacBook Air（24GB）で動く日本語ローカルLLMの中から、このブログの執筆を任せる一本を選びました。長文の日本語の自然さで比べた結果と、OllamaのAPIを呼び出す具体的な手順・渡したプロンプトまで載せています。
【第3回】音声モデルはLLMに近づく ― TTSとSpeech2Speechの教師データ
音声合成（TTS）は、かつてMel Spectrogramを正解にしていました。しかし最近のモデルは、音声を「音声トークン」に変換し、それを予測します。構造はもうLLMそっくりです。第3回では、TTSとSpeech2Speech（音声翻訳・声質変換・エンドツーエンド会話AI）の教師データの作り方を追い、対応データ収集の難しさとその回避策までを整理します。全5回シリーズ第3回。
【第2回】画像生成は「ノイズ」か「トークン」を当てる ― TXT2IMGの教師データとキャプション
画像生成にはGAN・自己回帰（トークン）型・拡散モデルの系統があり、いまの主流はStable Diffusionのような拡散モデルです。拡散型は「画像を直接描く」のではなく「加えたノイズを当てる」ことを学び、自己回帰型はLLMのように「次の画像トークン」を当てます。第2回では、画像とテキストのペアの集め方・CLIPによる品質フィルタから両方式の教師データまでを最小コードで整理します。全5回シリーズ第2回。
【第1回】生成AIは何を「正解」に学ぶのか ― 自己教師あり学習とLLM
LLMも画像生成も、人間が全件ラベルを付けた教師データで学んでいるわけではありません。カギは「元データから入力と正解を機械的に作る」自己教師あり学習です。第1回では、元データと教師データの違い、そしてLLMがどうやってテキストそのものを次トークン予測問題に変えて学ぶのかを、最小コードとともに整理します。全5回シリーズ第1回。
【第3回】AIを生徒にして脱・中級 ―「わかったつもり」を卒業する
「だいたい分かる」で止まりがちな中級者が次の段階へ進む鍵は、AIに教えることです。前提・制約・判断基準・例外まで言語化する過程が、暗黙知を形式知へ変える訓練になります。AIを「理解を映す鏡」として使う学習法と実践5ステップを解説します。シリーズ第3回。
【第2回】ビギナーこそAIで経験を積む ― いちばん伸びるのは、初心者だ
AIが答えをくれる時代、初心者は不利なのか。むしろ逆です。開発環境の構築やコンテナ・VMなど詰まりやすい題材をAIと一緒に試し、一緒に失敗する——その反復（イテレーション）でビギナーは最速で経験を積めます。AIにたくさん失敗させて観察する使い方まで解説。シリーズ第2回。