ある企業が、画像と言語を組み合わせたAIの活用案を検討している。活用案と、それに対応するタスクやモデルの組み合わせとして、最も不適切なものを1つ選べ。
正解と解説を見る
解説
正解 C
この問題の論点：活用案に合うマルチモーダルタスク
ポイント
画像と質問文の両方を入力して答えを出すのはVQAです。画像から説明文を作るだけのImage Captioningとは区別します。
選択肢ごとの解説
- A
適切
Image Captioningは、画像を入力として、その内容を表す説明文を生成するタスクです。Webページの画像に付ける代替テキストの作成は、典型的な活用例です。
- B
適切
Text-To-Imageは、文章を入力として、その内容に合う画像を生成するタスクです。DALL-Eなどの画像生成モデルが代表例で、企画段階のイメージ作りに使われます。
- C
不適切 正解
画像と質問文の両方を入力として、質問への答えを出すのはVisual Question Answering（VQA）です。Image Captioningは質問を受け取らずに画像全体の説明文を作るため、特定の問いに答える目的には合いません。
- D
適切
Flamingoは、画像と文章が交互に並ぶ入力を扱えるモデルです。数件の例をプロンプトとして示すだけで、追加の学習なしに新しいタスクに対応できるFew-shotの能力が特徴です。
試験での狙われ方
活用場面を示し、何を入力して何を出力するかから、対応するタスク名を選ばせる形がよく見られます。