データ・機械学習用フレームワーク

データの処理や、機械学習のモデルの構築、学習、評価、推論を効率よく行うためのソフトウェアの枠組み。データの前処理、ニューラルネットワークの層の定義、GPUを使った計算などの機能を提供する。TensorFlow、PyTorch、scikit-learnなどがある。

多数の演算コアで大量のデータを並列に処理するプロセッサ。本来は画像の描画処理用だが、行列演算が得意なため、深層学習の学習・推論や科学技術計算にも広く使われる（GPGPU）。生成AIの開発を支える主要な計算資源となっている。

Googleが開発した、機械学習のテンソル（多次元配列）演算に特化したプロセッサ（ASIC）。大量の積和演算を並列に行う構造（シストリックアレイ）を持ち、深層学習の学習と推論を高い電力効率で処理する。主にGoogleのクラウドサービスを通じて提供される。

多数の層を重ねたニューラルネットワークを用いる機械学習の手法。データから判断に役立つ特徴を、人が設計しなくても階層的に自動で獲得できる。大量のデータとGPUなどの計算資源を使って、画像認識、音声認識、自然言語処理、生成AIで高い性能を実現している。

IEEE 754で定める16ビットの浮動小数点数の形式。符号部1ビット、指数部5ビット、仮数部10ビットで、精度と表せる範囲は小さいが、メモリと計算量を節約できるため、深層学習の学習や推論、画像処理で使われる。

隠れ層を多数重ねたニューラルネットワーク（ディープニューラルネットワーク）を使う機械学習の手法で、深層学習ともいう。画像の画素や文章のトークンのような生に近いデータから、予測に有効な特徴を層ごとに段階的に自動で学習できるため、画像認識、音声認識、自然言語処理で従来の手法を大きく上回る精度を出した。大量の学習データとGPUなどの計算資源を必要とし、判断の根拠が分かりにくい。