到達目標
到達目標:生成AIの技術
基本概念の理解: 生成AIがどのようにテキスト、画像、音声を生成するかの基本を理解する。
シンプルなモデルの使用: 簡単な生成モデルを使用して、基本的な生成タスクを実行する。
到達目標:生成AIの動向
技術動向の認識: AI技術がどのように進化しているかの例を挙げて説明する。
簡単なトレンド分析: 新しい技術がどのように使われているかの例を見つけ、その利点を簡単に説明する。
到達目標:生成AIの利活用
応用事例の理解: 生成AIが日常生活や異なる業界でどのように使われているかを学ぶ。
基本的なプロジェクト: 生成AIを利用して、小さなプロジェクトをグループで企画し発表する。
到達目標:生成AIのリスク
リスクの基本認識: 生成AIがもたらす可能性のある問題点をいくつか挙げ、それについて議論する。
安全な使用の提案: AIを安全に使用するための基本的なガイドラインを学ぶ。
ルーブリック
| 理想的な到達レベルの目安 | 標準的な到達レベルの目安 | 未到達レベルの目安 |
評価項目1 | 生成AIの基本概念を説明し、実例を用いてその応用を議論できる。 | 生成AIの基本概念を理解し、簡単な例で説明できる。 | 生成AIの基本概念を説明するのが難しい。 |
評価項目2 | 生成AIの動向と最新技術について詳しく説明し、その影響を議論できる。 | 生成AIの主要な動向を認識し、基本的な説明ができる。 | 生成AIの動向について具体的な説明ができない。 |
評価項目3 | 生成AIを活用したプロジェクトを計画・実行をもとに、結果を評価または、予想できる。 | 生成AIを使ったプロジェクトの計画や実行に携われる。 | 生成AIプロジェクトの計画や実行に参加できない。 |
学科の到達目標項目との関係
学習・教育到達度目標 (生産システム工学専攻の教育目標)
説明
閉じる
学習・教育到達度目標 (専攻科の教育目標)
説明
閉じる
教育方法等
概要:
このコースでは、生成AIとその応用技術に焦点を当て、情報技術を活用して機械の知能化を進める方法を学びます。学生は生成AIの基本原理、関連する認知科学の理論、及び現実世界の問題に対する知的システムの適用方法について学びます。演習を通じて、理論的な学びを実践的な技術開発に結びつける能力を育成します。
授業の進め方・方法:
座学: AIの基本概念、歴史、及び認知科学の理論についての講義を行います。
演習活動: コンピュータを用いて行います。
ケーススタディ: 実際の問題解決のシナリオを用いて、生成AIの応用を探る。
注意点:
応用能力の強調: 知識を学ぶだけでなく、それをどのように実際の問題に応用できるかを重視します。
レポート提出: 各課題やプロジェクトに関連するレポートは、期限内に必ず提出してください。
評価基準: 授業全体での成績は、レポートと定期的な小テストの合計点で決定されます。合格点は60点以上ですが、各到達目標項目において標準以上の成績が必要です。
自学自習: 講義の予習と復習、さらには授業で学んだ内容の深化のために十分な時間(合計60時間)を自習に充てること。
授業の属性・履修上の区分
授業計画
|
|
週 |
授業内容 |
週ごとの到達目標 |
後期 |
3rdQ |
1週 |
ガイダンス |
コースの概要、目標、評価基準について理解する。
|
2週 |
生成AIの基本 |
生成AIの基本概念、テキスト、画像、音声生成モデルの技術的特徴を理解する。
|
3週 |
大規模言語モデルの構造 |
トランスフォーマーモデル、GPT-3などの基盤モデルとアーキテクチャを理解する。
|
4週 |
学習方法とアラインメント |
大規模言語モデルの学習方法(教師あり、自己教師あり学習)とアラインメント戦略を理解する。
|
5週 |
生成のメカニズム |
コンテキスト内学習、ゼロショット、フューショット学習法を理解し、基本的なサンプリング手法を説明できる。
|
6週 |
生成AIの応用例 |
生成AIを利用した実用例として、テキスト生成、画像生成、音声生成のケーススタディを学ぶ。
|
7週 |
プロンプトエンジニアリング |
効果的なプロンプトを設計し、生成AIを制御する方法を学ぶ。
|
8週 |
拡散モデル |
条件付き生成と拡散モデルの基本を理解し、それらがどのようにして画像や音声の生成に利用されるかを学ぶ。
|
4thQ |
9週 |
オープン化とアクセス |
大規模モデルのオープン化の動向を理解し、オープンソース、オープンデータセットの利点と課題を学ぶ。
|
10週 |
スケーリング法則と計算資源 |
スケーリング則、データセットのサイズと質、計算資源の効率化について理解する。
|
11週 |
マルチモーダルモデル |
マルチモーダルモデルの概念を理解し、異なるタイプのデータを組み合わせる方法とその利点を学ぶ。
|
12週 |
外部ツールとリソースの利用 |
外部ツールとリソースの組み合わせによる大規模モデルの強化方法を学ぶ。
|
13週 |
生成AIのリスクと課題 |
生成AIの技術的、倫理的、法的、社会的リスクを理解し、それらのリスクを低減する方法を学ぶ。
|
14週 |
生成AIの規制と未来 |
新たなリスクの出現とそれに伴う規制化の可能性について学び、未来の展望を探る。
|
15週 |
グループワークと発表準備 |
各グループがセメスターを通じて学んだ内容を基にプロジェクトをまとめ、発表の準備を行う。
|
16週 |
発表会 |
各グループがプロジェクトの成果をクラスの前で発表する。
|
モデルコアカリキュラムの学習内容と到達目標
分類 | 分野 | 学習内容 | 学習内容の到達目標 | 到達レベル | 授業週 |
評価割合
| 小テスト | 発表 | 相互評価 | 態度 | ポートフォリオ | レポート | 合計 |
総合評価割合 | 20 | 30 | 0 | 0 | 0 | 50 | 100 |
基礎的能力 | 10 | 10 | 0 | 0 | 0 | 10 | 30 |
専門的能力 | 10 | 10 | 0 | 0 | 0 | 20 | 40 |
分野横断的能力 | 0 | 10 | 0 | 0 | 0 | 20 | 30 |