Name: 【AI】10分でわかるGoogleの初心者向けAI講座
Uploaded: 2025-10-14T20:01:20.000Z
Duration: 9 min 18 s
Description: VoiceTubeの動画で発音を聞きながら英語表現を覚えよう！学べる英語：

If you don't have a technical background,

もしあなたに技術的なバックグラウンドがなくても、

but you still want to learn the basics of artificial intelligence, stick around.

それでも人工知能の基本を学びたいなら、ぜひ最後まで見てください。

転換語

Because we're distilling Google's 4 hour AI course for beginners into just 10 minutes.

今回は、Googleの初心者向け4時間AIコースを、わずか10分に凝縮します。

I was initially very skeptical because I thought the course would be too conceptual.

最初は少し懐疑的でした。コースが概念的すぎるんじゃないかと思ったんです。

We're all about practical tips on this channel, and

このチャンネルは実用的なヒント重視なので、

knowing Google, the course might just disappear after one hour.

Googleだと、コースが1時間で消えてしまうかもしれません。

But I found the underlying concepts actually made me better at using tools like ChatGPT and Google Bard, and

でも実際には、基礎的な概念を学ぶことで、ChatGPTやGoogle Bardなどのツールの使い方が上手くなり、

cleared up a bunch of misconceptions I didn't know I had about AI, machine learning and large language models.

AIや機械学習、大規模言語モデルについて自分でも気づいていなかった誤解が解けました。

So, starting with the broadest possible question, what is artificial intelligence?

では、最も広い視点からの質問です。人工知能とは何でしょうか？

I'm so embarrassed to admit I didn't know this, AI is an entire field of study like physics, and

恥ずかしながら私も知らなかったのですが、AIは物理学のような学問分野全体を指します。

machine learning is a subfield of AI, much like how thermodynamics is a subfield of physics.

そして機械学習はAIのサブ分野で、熱力学が物理学のサブ分野であるのと似ています。

Going down another level, deep learning is a subset of machine learning, and

さらに深く見ると、ディープラーニングは機械学習のサブセットです。

deep learning models can be further broken down into something called discriminative models and and generative models, large language models.

ディープラーニングモデルはさらに、識別モデルと生成モデル（大規模言語モデル）に分類できます。

LLMもディープラーニングに含まれ、

right at the intersection between generative and LLMs is the technology that powers the applications.

生成モデルとLLMの交差部分に、アプリケーションを動かす技術があります。

We're all familiar with ChatGPT and Google Bard.

皆さんもおなじみのChatGPTやGoogle Bardです。

Let me know in the comments if this was news to you as well.

これも知らなかった方はコメントで教えてください。

Now that we have an understanding of the overall landscape and you see how the different disciplines sit in relation to each other, let's go over the key takeaways you should know for each level.

全体の構造を理解し、各分野がどう関連しているかがわかったところで、各レベルで押さえるべきポイントを見ていきましょう。

In a nutshell, machine learning is a program that uses input data to train a model.

要するに、機械学習とは、入力データを使ってモデルを訓練するプログラムです。

That trained model can then make predictions based on data it has never seen before.

その訓練済みモデルは、見たことのないデータに基づいて予測を行うことができます。

For example, if you train a model based on Nike sales data, you can then use that model to predict how well a new shoe from Adidas would sell based on Adidas sales data.

例えば、Nikeの販売データでモデルを訓練すれば、そのモデルを使ってAdidasの新しい靴がどれくらい売れるかを予測できます。

Two of the most common types of machine learning models are supervised and unsupervised learning models.

機械学習モデルの代表的な種類は、教師あり学習と教師なし学習です。

The key difference between the two is supervised models use labeled data and unsupervised models use unlabeled data.

主な違いは、教師ありモデルはラベル付きデータを使用し、教師なしモデルはラベルなしデータを使用する点です。

In this supervised example, we have historical data points that plot the total bill amount at a restaurant against the tip amount and here the data is labeled.

この教師あり学習の例では、レストランの合計金額とチップ額の履歴データがあり、データにラベルが付いています。

Blue dot equals the order was picked up and yellow dot equals the order was delivered.

青い点は持ち帰り、黄色い点は配達です。

Using a supervised learning model, we can now predict how much tip we can expect for the next order given the bill amount and whether it's picked up or delivered.

教師あり学習モデルを使えば、次の注文の合計金額と持ち帰りか配達かから、期待できるチップ額を予測できます。

For unsupervised learning models, we look at the raw data and see if it naturally falls into groups.

教師なし学習モデルでは、生データを見て自然にグループに分かれるかを確認します。

In this example, we plotted the employee tenure at a company against their income.

この例では、社員の勤続年数と収入をプロットしました。

We see this group of employees have a relatively high income to years worked ratio versus this group.

このグループは勤続年数に対して収入が比較的高く、このグループは低い、ということがわかります。

We can also see all these are unlabeled data.

また、すべてラベルなしデータです。

If they were labeled, we would see male, female, years worked, company function, etc.

ラベルがあれば、性別、勤続年数、部署などがわかります。

We can now ask this unsupervised learning model to solve a problem like if a new employee joins, are they on the fast track or not?

この教師なし学習モデルに、「新しい社員は早期昇進コースにいるか？」などの問題を解かせることもできます。

If they appear on the right then no Pro tip.

Another big difference between the two models is that after a supervised learning model makes a prediction, it will compare that prediction to the training data used to train that model and if there's a difference, it tries to close that gap.

もうひとつ大きな違いは、教師ありモデルは予測を行った後、訓練に使ったデータと比較し、差があればそのギャップを埋めようとします。

Unsupervised learning models do not do this.

教師なしモデルはこれを行いません。

By the way, this video is not sponsored, but

ちなみにこの動画はスポンサーなしですが、

it is supported by those of you who subscribe to my paid productivity newsletter on Google Tips.

私の有料ニュースレターに登録してくださっている方々に支えられています。

Link in the description if you want to learn more now we have a basic grasp of machine learning and it's a good time to talk about deep learning, which is just a type of machine learning that uses something called artificial neural networks.

リンクは説明欄にあります。もっと学びたい方はご覧ください。
これで機械学習の基本的な理解ができました。
今はディープラーニングについて話すのに良いタイミングです。
ディープラーニングとは、人工ニューラルネットワークというものを使った機械学習の一種です。

Don't worry, all you have to know for now is that artificial neural networks are inspired by the human brain and looks something like this layers of nodes and neurons and the more layers there are, the more powerful the model.

心配しないでください。今知っておくべきことは、人工ニューラルネットワークは人間の脳に触発されていて、このような形をしているということです。
ノードとニューロンの層で構成され、層が多ければ多いほどモデルは強力になります。

And because we have these neural networks, we can now do something called semi supervised learning whereby a deep learning model is trained on a small amount of labeled data and a large amount of unlabeled data.

そして、このニューラルネットワークがあるおかげで、半教師あり学習（semi-supervised learning）ということができるようになりました。
これは、少量のラベル付きデータと大量のラベルなしデータでディープラーニングモデルを学習させる方法です。

For example, a bank might use deep learning models to detect fraud.

例えば、銀行は不正検出にディープラーニングモデルを使うかもしれません。

The bank spends a bit of time to Tag or label 5% of transactions as either fraudulent or not fraudulent, and

銀行は時間をかけて、取引の5％を不正かそうでないかラベル付けします。

they leave the remaining 95% of transactions unlabeled because they don't have the time or resources to label every transaction.

残りの95％はラベル付けしません。
すべての取引にラベルを付ける時間やリソースがないからです。

The magic happens when the deep learning model uses the 5% of labeled data to learn the basic concepts of the task.

魔法のようなことが起きるのは、ディープラーニングモデルがこの5％のラベル付きデータを使って、タスクの基本的な概念を学習するときです。

Okay, these transactions are good and these are bad.

「この取引は良い、あれは悪い」と学びます。

Okay, apply those learnings to the remaining 95% of unlabeled data and using this new aggregate data set, the model makes predictions for future transactions.

そして、この学びを残りの95％のラベルなしデータに適用します。
この新しい集合データセットを使って、モデルは将来の取引を予測します。

And we're not done because deep learning can be divided into two types, discriminative and generative models.

まだ終わりではありません。ディープラーニングは、識別モデル（discriminative）と生成モデル（generative）に分けられます。

Discriminative models learn from the relationship between labels of data points and only has the ability to classify those data points.

識別モデルは、データポイントのラベル間の関係から学習し、分類する能力しかありません。

Fraud, not fraud for example, you have a bunch of pictures or data points.

例えば不正か不正でないか。データポイントや画像がいくつかあります。

You purposely label some of them as cats and some of them as dogs.

意図的にいくつかを猫、いくつかを犬としてラベル付けします。

A discriminative model will learn from the label cat or dog, and

識別モデルは「猫」「犬」というラベルから学習します。

if you submit a picture of a dog, it will predict the label for that new data point.

そして、犬の画像を送ると、その新しいデータポイントのラベルを予測します。

ようやく生成AI（Generative AI）についてです。

Unlike discriminative models, generative models learn about the patterns in the training data.

識別モデルとは異なり、生成モデルは学習データのパターンを学びます。

Then after they receive some input, for example a text prompt from us, they generate something new based on the patterns they just learned.

そして入力（例えばテキストプロンプト）を受け取ると、学んだパターンに基づいて新しいものを生成します。

Going back to the animal example, the pictures or data points are not labeled as cat or dog.

動物の例に戻ると、画像やデータポイントには「猫」「犬」とラベルが付いていません。

So a generative model will look for patterns.

生成モデルはパターンを探します。

Oh, these data points all have two ears, four legs, a tail, likes dog food, and barks.

「ああ、このデータポイントは耳が2つ、脚が4本、尻尾がある、犬の餌が好きで、吠える」と。

When asked to generate something called a dog, the generative model generates a completely new image based on the patterns it just learned.

「犬」を生成するように指示されると、生成モデルは学んだパターンに基づいてまったく新しい画像を生成します。

There's a super simple way to determine if something is generative AI or not.

生成AIかどうかを判別する簡単な方法があります。

If the output is a number, a classification, spam, not spam, or a probability, it is not generative AI.

出力が数値、分類（スパムか非スパム）、確率なら、生成AIではありません。

It is genai when the output is natural language, text or speech, an image or audio.

出力が自然言語（テキストや音声）、画像、音声なら生成AIです。

Basically, generative AI generates new samples that are similar to the data it was trained on.

基本的に、生成AIは学習データに似た新しいサンプルを生成します。

Moving on to different generative AI model types, Most of us are familiar with text to text models like ChatGPT and Google Bard.

次に、さまざまな生成AIモデルの種類についてです。
ほとんどの人はChatGPTやGoogle Bardのようなテキスト→テキストモデルに慣れているでしょう。

Other common model types include text to image models like Midjourney, Dall E and Stable Diffusion.

その他の一般的なモデルには、Midjourney、DALL·E、Stable Diffusionのようなテキスト→画像モデルがあります。

These can not only generate images, but edit images as well.

これらは画像を生成できるだけでなく、編集も可能です。

Text to video models, surprise surprise can generate and edit video footage.

テキスト→動画モデルは、動画を生成・編集できます。

Examples include Google's imagen Video, COG Video, and the very creatively named Make a video.

例としてGoogleのImagen Video、COG Video、そして「Make a video」という名前のモデルがあります。

Text to 3D models are used to create game assets and a little known example would be OpenAI's shapee model.

テキスト→3Dモデルはゲームのアセットを作るのに使われ、OpenAIのShapeeモデルが一例です。

And finally, text to task models are trained to perform a specific task.

最後に、テキスト→タスクモデルは特定のタスクを実行するように訓練されています。

For example, if you type Gmail, summarize my unread emails, Google Bard will look through your inbox and summarize your unread emails.

例えば「Gmailで未読メールを要約して」と入力すると、Google Bardは受信トレイを確認し、未読メールを要約します。

Moving over to large language models, don't forget that LLMs are also a subset of deep learning.

大規模言語モデル（LLM）についても忘れないでください。LLMもディープラーニングの一部です。

And although there is some overlap, LLMs and Genai are not the same thing.

LLMと生成AIは重なる部分もありますが、同じものではありません。

An important distinction is that large language models are generally pre trained with a very large set of data and then fine tuned for specific purposes.

大切な違いは、LLMは一般に非常に大量のデータで事前学習（pre-trained）され、その後特定の目的に合わせて微調整（fine-tune）されることです。

これはどういう意味でしょうか？

ペットの犬を想像してください。

It can be pre trained with basic commands like sit, come down and stay.

「お座り」「伏せ」「待て」などの基本コマンドで事前学習（pre-train）されることができます。

その犬は良い子でジェネラリストです。

But if that same good boy goes on to become a police dog, a guide dog or a hunting dog.

しかし、その犬が警察犬、盲導犬、狩猟犬になるとします。

They need to receive specific training so they're fine tuned for that specialist role.

それぞれの専門役割に合わせて特定の訓練を受け、微調整（fine-tune）される必要があります。

A similar idea applies to large language models.

LLMにも同じ考え方が適用されます。

They're first pre trained to solve common language problems like text classification, question answering, document summarization and text generation, then using smaller industry specific Data sets.

まず、テキスト分類、質問応答、文書要約、テキスト生成など一般的な言語問題を解くために事前学習され、その後、より小規模な業界特化データセットを使って微調整されます。

These LLMs are fine tuned to solve specific problems in retail for finance, healthcare, entertainment and other fields.

これにより、LLMは小売、金融、医療、エンタメなど特定分野の問題を解決できるようになります。

In the real world, this might mean a hospital uses a pre trained large language model from one of the big tech companies and fine tunes that model with its own first party medical data to improve diagnostic accuracy from x rays and other medical tests.

実際の例では、病院が大手企業の事前学習済みLLMを使用し、病院自身の一次医療データで微調整して、X線や他の医療検査から診断精度を向上させることがあります。

This is a win win scenario because large companies can spend billions developing general purpose large language models, then sell those LLMs to smaller institutions like retail companies, banks, hospitals who don't have the resources to develop their own large language models, but

これは双方にメリットがあります。大企業は数十億ドルをかけて汎用LLMを開発し、小規模な小売企業、銀行、病院などに販売できます。小規模機関は自社でLLMを開発するリソースはありませんが、

they have the domain specific data sets to fine tune those models.

特定分野のデータセットを持っているので、それを使って微調整できます。

Pro tip if you do end up taking the full course, I'll link it down below.

プロのコツ：もしフルコースを受講するなら、リンクを下に貼っておきます。

When you're taking notes you can right click on the video player and copy video URL at the current time so can quickly navigate back to that specific part of the video.

ノートを取るときは、動画プレイヤーを右クリックして「現在時刻のURLをコピー」すると、特定の部分にすぐ戻れます。

There are five modules total and get a badge after completing each module.

モジュールは全部で5つあり、各モジュールを修了するとバッジがもらえます。

The content overall is a bit more on the theoretical side, so you definitely want to check out this video on how to master prompting next.

内容はやや理論寄りなので、次に「プロンプトの使い方をマスターする方法」の動画もぜひチェックしてください。