AIは、物理的な機械の形で存在する。

GPT-2は、非常に性能が高かったために、潜在的な誤用や悪用に関する危険性から、初めはフルモデルの公開が控えられた。

AIの研究は、第二次世界大戦などを背景として、始まった。

AIの進化に伴い、人間の仕事が奪われる可能性に加え、プライバシーや倫理的な問題が生じる可能性も危惧されている。

AIに知能をもたらす仕組みとして、大きく分けるとクラスタリングと機械学習の2つの手法がある。

ルールベースは、大量のルールをプログラムする必要がない簡易なシステムであり、開発やメンテナンスの時間とコストを節約できる。

機械学習は、従来のルールベースの人工知能に対し、コンピュータ自身がデータからパターンを見出し、予測や判断を行うというアプローチである。

教師あり学習とは、入力したデータに対して正解データのペアを与えずに、モデルをトレーニングする手法である。

次削減とは、データの次を減らすことで、情報を保持しながらデータの特徴を抽出することをいう。

強化学習は、ゲームAIの開発などのみならず、自動運転車のような実世界の技術開発にも広く応用されている。

ノーフリーランチ定理とは、どの問題にも万能で汎用的なアルゴリズムが存在するというものである。

ニューラルネットワークを構成するノードが、情報や物事の大切さの情報量を調整することを「重み付け」という。

過学習の回避方法であるドロップアウトとは、パラメータを調・制限して、モデルの複雑さを制限し、適切な量の情報を学習するようにする方法である。

AIの4つのレベルのうち、レベル3は、機械学習を利用したAIで、入力から自らデータパターンを見出し、それに基づいて最適な出力を調して返すものである。

シンギュラリティとは、技術的特異点ともいわれ、AIが人間を超越して知能的に自己進化する状態をいう。

1980年代後半に、ジェフリー・ヒントンとテリー・セジュノスキーの率いる研究グループによって、ボルツマンマシンが提唱された。

制限付きボルツマンマシンが改良されて、ボルツマンマシンが生まれた。

制約付きボルツマンマシンは、人工ニューロンの間の接続を特定のルールに基づいて制約し、データ処理をネットワークの入力部分と推定部分の2つに分けることで、効率化している。

制約付きボルツマンマシンは、教師あり学習をすることはできるが、教師なし学習をすることはできない。

自己回帰モデルは、過去のデータから将来を予測する方法で、株価や天気などの時間の経過により変化するデータの予測に特に効果的である。

ディープラーニングは、人間の脳の働きを模倣した技術で、複雑なパターンを学習する能力があるが、2006年に制約付きボルツマンマシンを多段的に重ねた深層ネットワークが提唱され、そこから飛躍的に発展した。

CNNは、画像認識や画像処理において非常に効果的なモデルであるが、画像の局所的な特徴から全体的な特徴を抽出することはできない。

VAEは、デコーダとエンコーダの2つの部分から構成されるが、デコーダの役割は、入力データを、そのデータの重要な特徴を捉えた潜在ベクトル（潜在変数）と呼ばれる低次の表現に変換することである。

GANは、生成器と識別器という2つのネットワークから構成され、トレーニングは、この2つのモデルが互いに競い合う形で行われる。

RNNとは、回帰型ニューラルネットワークのことで、過去の情報を記憶しながら新しい入力を処理するという特性があり、長い連続したシーケンスデータの処理に適する。

LSTMは、並列学習に適し、大規模データの学習にも時間がかからない。

Transformerモデルは、CNNやRNNを使用せず、自己注意力を採用するモデルであるが、RNNやLSTMと異なり、データの順番に依存せず、すべての要素を一度に考慮に入れて処理できるという特性がある。

BERTモデルの重要な特性の一つに双方向性があるが、これは、単語の意味を決定する際に、その単語の前後の単語を利用することで、単語の意味がその周囲の文脈により変わる場合でも、適切に意味を捉えることができるという特性である。

BERTモデルの特徴の一つのNSPは、ある文が別の文の直後に来るかどうかを予測するもので、これにより、BERTには2つの文の関連性を理解する能力がある。

BERTは、2019年にFacebook AIがRoBERTaの改良モデルとして発表したもので、RoBERTaの約10倍のデータ量と長い時間を使って訓練されている。

ALBERTは、BERTを軽量にしたモデルで、パラメータの数を大幅に削減し、モデルの効率を向上させているが、ハードウェアリソースの制限や電力の制限など、計算りソースが制限されている環境においては、高いパフォーマンスを実現することができない。

GPT-3.5は、InstructGPTと異なり、RLHFを採用していない。

ハルシネーションとは、AIモデルが不正確な情報・誤った情報を、あたかも正確な情報・正しい情報のように生成することをいい、GPT-4は、GPT3.5と比べ、ハルシネーションの割合が低下している。

GPT-4は、マルチモーダルなモデルで、テキストや画像、音声、動画などの異なる種類のデータを一度に処理することが可能である。

自然言語処理（NLP）とは、コンピュータに人間の言葉を理解させるための技術である。

テキスト生成AIを利用することにより、与えられたテキストの内容を理解し、関連する情報の補完・拡張やアイデアの創出ができ、偏見や差別的な表現の生成もなくなる。

テキスト生成AIを利用することにより、 情報や誤った情報が生成される可能性があることに加え、プライバシーとセキュリティに課する問題が生じる可能性もある。

画像生成AIにおける画像データ作成手法としては、RNNは用いられない。

画像生成AIにおける画像データ作成手法としては、GANやVAEが用いられない。

画像生成AIの利用における一般的な前処理手法は、画像のリサイズ、正規化、データの水増し等である。

音楽生成AIの学習データとして、MIDIファイルは用いられない。

音楽生成AIの学習過程では、ディープラーニングモデルを用いてデータセットの情報を水増しするが、RNNは、シーケンスデータの処理に長け、音楽（音符の連続）の生成に適する。

生成AIを利用することにより、与えられたデータの内容を理解し、関連する情報を補完・拡張することができるため、特定のデータが不足している場合において、不足部分を補って生成することも可能である。

音声生成AIのトレーニングにおいては、一般的に教師あり学習が用いられる。

動画生成AIの学習においては、GANとVAEは用いられない。

画生成AIのトレーニングにおいては、AIが動画データを処理しやすいようにフレームごとに分割する前処理をするが、動画の各フレーム間の一貫性を保つことが必要である。

画生成AIのトレーニングにおいては、RNNは利用されない。

生成AIの利用のメリットとして、アクセシビリティの向上が挙げられる。

生成AIの利用のデメリットとして、その業界の職業に影響を与える可能性が挙げられる。

ディープフェイク（深層偽造）とは、ディープラーニングを活用して、人の顔や動きを再現・変更する技術で、学習にはGANやVAE等のディープラーニングモデルが用いられる。

ディープラーニングを活用して、人の顔や動きを再現・変更する技術をディープフェイクというが、人間の目や現行のAI技術で見分けることが十分可能であるため、虚備の映像が生成・拡散されるリスクは低い。

インターネットリテラシーには、テクノロジーの理解、情報リテラシー、セキュリティとプライバシー、デジタル市民権といったものが含まれる。

フィッシング詐欺とは、メール・Webサイトを通じ、詐欺者が正規の機関やサービス提供者を装って、ユーザーから個人情報や金融情報などを不正に収集しようとする手口の詐欺である。

QRコードは、攻撃者に悪用されるリスクのない安全なものである。

カフェや施設の名称が付いたフリーWi-Fiは、正規のネットワークであるため、通言を盗聴されるリスクはなく安全である。

インターネットでは、データのダウンロードの場面のみならず、データのアップロードの場面でもセキュリティに関わる脅威がある。

マルウェアとは、悪意のあるソフトウェアのことで、コンピュータや利用者に被害をもたらすことを目的としたソフトウェアの総称である。

マルウェア対策として、アンチウィルスソフトを導入し、最新の状態にしたうえであれば、ファイルをダウンロードして開いてもスキャンが実行されるため安全である。

ランサムウェアとは、感染したコンピュータから大量のスパムメールを送言するコンピュータウイルスである。

フィッシング詐欺対策として、不審なリンクは開かないようにすることが重要である。

ソーシャルエンジニアリング攻撃におけるスピアフィッシングとは、特定の個人や組織を標的にしたフィッシング攻撃の一種で、ユーザーになりすますことで情報を盗む手法をいう。

ソーシャルエンジニアリング攻撃におけるプレテキストとは、魅力的に見える情報や商品でユーザーの興味をひき、個人情報を得たりマルウェアをダウンロードさせたりする手法をいう。

ソーシャルエンジニアリング攻撃におけるブラックメールとは、秘密情報や他者に知られたくない情報をつかんだ攻撃者が、その情報を公開しない代わりに金銭を要求する手法をいう。

プライバシー設定をせずにインターネットやアプリケーションを利用していると、知らぬ間にプライベートな情報が閲覧・収集される可能性がある。

個人情報保護法の目的として、個人の権利利益を保護することが挙げられているが、個人情報の有用性に配慮することについては挙げられていない。

個人情報保護法において、「個人情報」とは、個人に関する一定の情報をいい、死者に関する情報も含まれる。

取り扱う個人情報によって識別される特定の個人の数に関わらず、個人情報データベース等を事業の用に供している者は、個人情報取扱事業者に該当する。

個人のメールアドレスは個人情報に該当するが、企業の財務情報は個人情報に該当しない。

要配慮個人情報とは、本人に対する不当な差別、偏見その他の不利益が生じないように、その取扱いに特に配慮を要する一定の個人情報をいう。

本人の人種、信条、社会的身分、病歴、犯罪の経歴、犯罪により害を被った事実は、いずれも要配慮個人情報に含まれる。

機微情報とは、個人情報保護法で定められているもので、要配慮個人情報よりも狭い概念である。

匿名加工情報とは、個人情報の区分に応じて、法に定められた措置を講じて、特定の個人を識別できないように個人情報を加工し、当該個人情報を復元できないようにした情報である。

特許権とは、企業や商品の識別マークについて、設定登録をすることで発生する権利である。

商標権とは、新しい発明、技術、製品、プロセスなどに対して、特許庁に出願し、設定登録をすることにより発生する権利である。

商標権とは、新しい発明、技術、製品、プロセスなどに対して、特許庁に出願し、設定登録をすることにより発生する権利である。

著作権とは、著作物を創作した者に与えられる権利であり、著作者に自動的に付与され、設定登録等をしなくても発生する。

肖像権は法律で明文化された権利ではないが、一般的には、日本国憲法第13条の幸福追求権に基づいて保護されると解されている。

パブリシティ権は、肖像権を構成する要素の一つであり、特定の個人の名前、画像、声、その他の個人を特定する特徴について、他人がその個人の許可なく商業的に利用することを制限する権利である。

生成AI技術の進歩により、さまざまな作業が効率化され、新たなアイデア・デザインの生成も容易になるため、知的財産権の侵害や肖像権・パブリシティ権の侵害は問題とならなくなる。

不正競争防止法で保護される営業秘密といえるためには、秘密管理性・有用性・非公知性の3つの要件を満たす必要がある。

不正競争防止法で規制される周知な商品等表示主体の混同行為とは、他人の商品・営業表示として著名なものと同一または類似のものを、自己の商品・営業表示として使用する行為をいう。

AI生成物は、AIが生成したものであるが、AI生成物自体に著作権が認められる可能性もある