Definition
マルチモーダルAIシステムは、異なる感覚入力からの情報を統合し、世界に対するより包括的な理解を形成します。単一のデータタイプに制限されたユニモーダルモデルとは異なり、マルチモーダルモデルは視覚、聴覚、言語などの異なるモダリティ間の関係性を学習します。これにより、画像の説明生成、音声からのテキスト変換、または複数種類の入力を組み合わせた複雑な推論が可能になります。
Summary
テキスト、画像、音声、動画など、複数のデータタイプを同時に処理および生成できるAIモデルを指す用語。
Key Concepts
- クロスモーダル学習
- データ融合
- 表現学習
- 感覚入力
Use Cases
- ビジュアル質問応答
- ビデオキャプション生成
- オーディオビジュアル音声認識