5分間の技術講演 | GPT-4——マルチモーダル大規模モデルの新機能と利点

パート01 GPT-3.5との違い

1.1 GPT-4が入力できる単語数は25,000語に大幅に増加

写真

一般的に、言語モデルの場合、入力単語の数を増やすと次のような利点があります。

（１）より長いテキストの理解と応答：モデルの入力容量が増加すると、GPT-4はより長いテキスト入力を処理できるようになります。これは、長い記事、技術文書、または複雑な問題ステートメントを扱う場合に有利であり、コンテキストをより包括的に理解し、より詳細で正確な応答が可能になります。

（２）文脈と一貫性のより良い処理：入力容量が大きいほど、GPT-4は会話の文脈をより適切に維持し、一貫した応答を生成することができます。入力シーケンスが長くなると、会話の履歴とコンテキストに関する詳細な情報が提供され、ユーザーの意図をより深く理解し、より一貫性のある応答を生成できるようになります。

（３）より複雑なタスクと要件のサポート：モデルの入力容量が大きいほど、GPT-4はより複雑なタスクと要件を処理できるようになります。たとえば、多くの詳細が含まれる質問や複数の側面を考慮する必要がある質問の場合、より関連性の高い情報を受け取り、より包括的な回答を提供できます。

（4）大規模テキストデータの理解の向上：長いテキスト、大規模なデータセット、または大規模な知識ベースの場合、入力容量が大きいほど、GPT-4はこれらのデータをより包括的に理解して処理できるようになります。これは、GPT-4 がデータ分析を実行し、専門試験に合格するための基礎でもあります。

1.2 マルチモーダル入力 → 画像認識から「茎の理解」へ

次の図は、マルチモーダル入力と面白い画像の例です。

写真

テキストベースの GPT-3.5 と比較して、GPT-4 のマルチモーダル入力と深い意味の理解には次のような意義があります。

（１）入力情報の充実：マルチモーダル入力とは、テキストに加えて、画像、ビデオ、オーディオなどの他の形式の情報も含まれることを意味します。これにより、大規模なモデルは、異なる知覚の観点から、より包括的で多様な情報を取得できるようになります。複数のモダリティからの入力を組み合わせることで、ユーザーのニーズをよりよく理解し、対応できるようになります。

（２）より幅広い応用シナリオをサポート：マルチモーダル入力によりGPT-4の応用領域が拡大します。 GPT-4 は、テキストインタラクションの処理に加えて、画像の説明、視覚的な質問への回答、音声認識と合成などのタスクにも参加できるため、より幅広い分野とアプリケーションシナリオで役割を果たし、より包括的で多様なサポートを提供できます。

（３）マルチモーダルインタラクションと体験の促進：マルチモーダル入力は、人間とコンピュータのインタラクションの発展を促進し、より豊かで自然なインタラクション方法を提供します。 GPT-4 は、音声と画像を組み合わせて対話するなど、複数の知覚様式を組み合わせることで、ユーザーの習慣や好みに適応し、よりパーソナライズされた多様なユーザー エクスペリエンスを提供できます。

（4）創造的でユーモラスな表現をサポート：ミームは創造的でユーモラスな表現の一種です。ミームを理解できることにより、GPT-4は創造的でユーモラスな会話にうまく参加できるようになります。これにより、より興味深く、楽しく、個人的な応答が提供され、ユーザーとのエンゲージメントと魅力が向上します。

1.3 データ分析から専門的なテスト合格まで

GPT-3.5と比較すると、GPT-4はグラフの処理と分析、問題の解決に非常に優れています。さらに、よりスマートになったGPT-4は試験も得意です。司法試験、SAT、GRE試験に高得点で合格し、試験で最下位だった前世代のGPT-3.5を完全に打ち負かしたと言えます。

写真

写真

GPT-4 はこれらの分野で次のような意義を持っています。

（1）自動データ分析：GPT-4はデータ分析タスクの一部を引き受けることができ、大量のデータをより効率的に処理するのに役立ちます。データを解析し、重要な情報を抽出し、視覚的なレポートを生成することで、意思決定とビジネス分析に貴重なサポートを提供できます。

（２）人的負担の軽減：データ分析には通常、処理と解釈に多くの時間とリソースが必要です。 GPT-4 が一部のデータ分析タスクを自動で実行できれば、人的負担を軽減し、作業効率を向上させることができます。人々はより複雑なデータの解釈と戦略的な計画に多くの時間を費やすことができるため、仕事の成果と価値が向上します。

（3）意思決定支援：データ分析を通じて、GPT-4はビジネス、市場動向、ユーザー行動に関する洞察を提供することができます。これらの洞察は、意思決定者がより情報に基づいた意思決定を行い、ビジネス プロセスと戦略を最適化するのに役立ちます。 GPT-4 の分析機能は、客観的でデータに基づいた意思決定サポートを提供し、意思決定のリスクを軽減します。

（4）教育・研修への応用：GPT-4がテストに合格すれば、教育・研修の分野で役割を果たすことができる。質問に答え、説明や指導を提供し、生徒に個別の学習サポートを提供することができます。さらに、GPT-4 は模擬試験や評価も提供し、学生が自己評価して試験に備えるのに役立ちます。

パート02 要約

GPTの最新の成果であるGPT-4は、非常に幅広い技術的展望を持っており、将来の開発の中核機能の1つです。ただし、GPT-4はすでに非常に強力であるにもかかわらず、まだ限界があることにも注意する必要があります。たとえば、エラー認識の点では、幻覚を生み出したり、事実を捏造したりする可能性があります。知能レベルの観点から見ると、経験から学習せず、単純な推論エラーを犯すことがあります。さらに観察してみましょう。

パート03 AHPモデリング手順の例

AHP モデリングの手順 (図 1) には、主に、階層的指標モデルの構築、判断マトリックスの構築、単一レベルのソートと一貫性の検証、階層的合計ソートと一貫性の検証、およびその他の実装手順が含まれます。この記事では、特定のタイプのスマートホーム製品のエクスペリエンス スコアリング モデルを例に、説明と分析を行います。

写真

3.1 階層的指標モデルの構築

AHP を意思決定の問題の分析に適用する場合、まず問題を階層化し、階層構造指標モデルを構築する必要があります。モデル内の階層の要素は、次の階層の関連要素を支配する基準として機能します。たとえば、ある種類のスマート家具の製品エクスペリエンス スコアリング モデルを構築する場合、第 1 レベルの指標は、機能の完全性、ハードウェアの信頼性、ユーザー エクスペリエンス、端末のパフォーマンスとして定義されます。各指標は、図 2 に示すように、さらに第 2 レベルの指標に分割されます。

階層型指標モデルのレベル数は、主に問題の複雑さと分析に必要な詳細レベルによって決まります。一般的にレベルの数に制限はありませんが、各レベルで各要素が制御する要素は、一般的に 9 を超えないようにする必要があります。制御可能な要素が多すぎると、両者の比較と判断が困難になるためです。要素は比較的独立した特性を持つ必要もあります。相関関係が高ければ、結果の精度に影響します。

3.2 判断マトリックスの構築

最初のステップで得られた階層的な指標構造は、要因間の関係を反映していますが、異なる意思決定者の頭の中にある要素指標の割合は明らかに異なります。また、ある要因に影響を与える要因が多数ある場合、各要因が要因に与える影響の程度を直接考慮すると、考慮が不完全であるため、一貫性のない、または矛盾する結果が得られる可能性があります。

より信頼性の高いデータを提供するために、n 個の要因が特定の要因に与える影響を比較するとします。要因をペアで比較し、最終的に判断マトリックスを確立する方法を使用します。毎回 2 つの要因を取り、1 から 9 までの数字とその逆数をスケールとして使用して、以下の表 1 の方法を使用して比較します。すべての比較結果は、行列 A で表されます。

これはまだ少し抽象的です。上記のスケールをルールとして使用して、次のように判断マトリックス テーブルを作成します。

表は、要因の相対的な重要性を示しています。値は、意思決定者の主観的な判断、調査や文献に基づく判断、または専門家の議論によって決定される場合があります。上記の表の値は主観的な判断に基づいています。判断マトリックスの対角対称要素は互いに逆数である必要があり、判断マトリックスの値も論理仕様に準拠する必要があることは理解しにくいことではありません。そうでない場合、後続の一貫性チェックに合格しません。例えば、表2では、耐高温性・耐低温性は防水性よりも重要であり、防水性は耐落下性よりも重要です。耐落下性が耐高温性・耐低温性よりも重要であると記入すると、それは明らかに論理エラーになります。

3.3 単一レベルのソートと一貫性チェック

階層的単一ソートとは、判断マトリックスに従って前層の指標要素に関連するすべての要素の重要度順序の重み値を計算し、重みに従ってソートすることです。重み値は、加算法、平方根法、固有ベクトル法によって計算できます。合計方法の例として、表 2 を使用します。まず、行列の各列を標準化し、標準化された要素を行ごとに合計し、最後に合計結果を標準化して各因子の重み値を取得します。図 3 に計算プロセスを示します。

判定マトリックスの値が論理仕様に適合しているかどうかを確認するには、一貫性チェックを実行する必要があります。最大特性根を見つけ、次の一貫性指標 CI を使用して判断の一貫性指標をテストする必要があります。ここで、n は判断マトリックスの次数です。

CI=0 は、判断マトリックスが完全に一貫していることを意味します。CI が大きいほど、判断マトリックスの不一致が深刻になります。次に、CI 値と RI 値に基づいて CR 値を解決し、一貫性が合格かどうかを判断します。

RI の値は、次の平均ランダム一貫性指標表を参照して決定する必要があり、その値 n は判定マトリックスの順序です。

CR < 0.1 の場合、判定マトリックスは一貫性テストに合格したとみなされます。条件が満たされない場合は、判定マトリックスをチェックし、その値を調整する必要があります。

表 2 を例にとり、n の値が 3 の場合、最大特性根を計算します。式は次のとおりです。

AW は、判定マトリックス * 標準化された重み、そして行ごとの累積値です。上記の式によれば、CR<0.1が得られるため、一貫性テストに合格します。他のいくつかの判断マトリックスも同様の方法で解決し、一貫性をチェックすることができます。

3.4 レベルの総合的なソートと一貫性チェック

上記の手順から、前のレイヤーの要素の要素セットの重みベクトルを取得します。最終的には、ターゲットの各要素、特に最下位レベルのランキング重みを取得したいと考えています。ランキング重みの合計は、単一の基準に基づいて重みを組み合わせることで、上から下まで合成する必要があります。例えば、図 1 では、第 2 層の「ユーザー エクスペリエンス」の重みに、第 3 層の「ハードウェア ユーザー エクスペリエンス」の重みと「ソフトウェア ユーザー エクスペリエンス」の重みを掛け合わせて、ターゲットに対する相対的な重みの値を順に求め、最後に重みをソートしています。最下位層の各スキームの全体的な階層順序の一貫性をチェックする必要があり、このチェックは上位層から下位層まで層ごとに実行できます。全順序ランダム一貫性比 CR < 0.1 の場合、階層的全順序結果には満足のいく一貫性があると見なされ、分析結果が受け入れられます。

パート04 関連するユーザーエクスペリエンスデザイン評価の適用方向

上記の分析から、AHP (階層分析プロセス) は、さまざまな要素の重要性を評価および比較するために使用できる多基準意思決定方法であることがわかります。ユーザー エクスペリエンス デザインの評価では、AHP は次の側面にも適用できます。

1) 関連する機能要件の重要性を割り当てる: AHP は、機能要件の相対的な重要性を決定し、製品設計における主要な焦点領域を特定し、製品またはサービスの設計に関する特定のガイダンスを提供するのに役立ちます。

2) 製品や設計ソリューションに関する意思決定を支援: AHP は、さまざまな製品や設計ソリューションを比較して決定するのに役立ちます。設計や製品ソリューションに影響を与える基準を見つけ、AHP を使用してそれらの相対的な重みを計算することで、意思決定者は最終的に最適な製品や設計ソリューションを見つけることができます。

3) 製品改善の優先方向を決定する: AHP を適用することで、ユーザー エクスペリエンスのさまざまな側面を評価してランク付けし、最も改善が必要な領域を決定できます。ユーザー エクスペリエンスを、使いやすさ、効率性、満足度などの複数の側面に分解します。これらの側面を比較して重み付けすることで、意思決定者は製品開発中に改善の優先領域を決定することができます。

4) ユーザー満足度を評価する: AHP はユーザー満足度の評価にも使用できます。満足度をさまざまな影響要因に分解し、比較と重み付け計算を実行することで、ユーザー満足度に最も大きな影響を与える要因と、ユーザー満足度を向上させるために改善する必要がある側面を見つけることができます。

AHP を使用してユーザー エクスペリエンスを評価する場合、主観的なバイアスが結果に影響しないように、比較マトリックスをできるだけ客観的かつ正確に作成する必要があることに注意してください。同時に、評価者とデータ ソースを慎重に選択する必要があります。一般的に、AHP はユーザー エクスペリエンス デザインを改善するための体系的かつ定量化可能な方法を提供し、企業の製品がより満足度の高いユーザー エクスペリエンスを提供するのに役立ちます。

➺ 参考文献

[1] Ye Zhen. AHPに基づくファジィ総合評価法の研究と応用[D]

[2] https://blog.csdn.net/weixin_43095238/article/details/108055579.

[3] https://zhuanlan.zhihu.com/p/448412538.