Search Results

注：この文書は英語の原文からの自動翻訳です。 AI component とは AI component は、本物の AI 作業が行われるプロジェクトの具体的な部分 — 分析、生成、予測、ランキング、意思決定 — です。マーケティングのラベルやブランドの言及ではありません。DecAIHub のプロジェクトカードでは、AI component フィールドは一つの問いに答えます：ここで AI は具体的に何をするのか？ 要約： AI component は、データが入り、AI 駆動の結果が出てくる具体的な仕組みです — ロ...

注：この文書は英語の原文からの自動翻訳です。 AI component と use case DecAIHub の各プロジェクトカードには、似ているようで異なる問いに答える二つのフィールドがあります：AI component と Use case です。前者はプロジェクト内部の具体的な技術を表し、後者はそのプロジェクトがユーザーのために何をするかを表します。両者を混同すると、AI が本物かどうか、製品が本当の問題を解決しているかどうかを評価しづらくなります。 要約： AI component はシステム内部で AI...

注：この文書は英語の原文からの自動翻訳です。 自動化 vs 本物の AI コンポーネント 多くのクリプトプロジェクトは、単純な自動化を「AI」とラベル付けしています。事前設定されたルールに従うトレーディングボット、ガス価格でトランザクションをルーティングするスマートコントラクト、しきい値で発火する通知システム — これらは 自動化 であり、人工知能ではありません。このページは両者を区別するのに役立ちます。 要約： 自動化は固定されたルールに従います。本物の AI コンポーネントはデータから学習し、確率的な出力を生み...

注：この文書は英語の原文からの自動翻訳です。 他者のモデルをラップする API wrapper とは API wrapper とは、別の会社の AI モデル — OpenAI の GPT、Anthropic の Claude、Google の Gemini など — をその API 経由で呼び出し、その結果を自社製品の一部として提示するプロジェクトです。これは製品に「AI を追加する」最も簡単な方法であり、クリプト AI プロジェクトで最も一般的なパターンです。 要約： API wrapper はあなたの入力を他者...

注：この文書は英語の原文からの自動翻訳です。 AI エージェントとは AI エージェント とは、自身の環境を認識し、意思決定を行い、目標を達成するために行動を起こすことができるソフトウェアシステムです — すべてのステップを人間が指示する必要はありません。電卓とパーソナルアシスタントの違いを考えてみてください。電卓はあなたが入力した質問にちょうど答えますが、アシスタントはあなたのより広い目的を理解し、どのステップを踏むべきかを考え、それらを実行し、結果を確認し、仕事が完了するまで続けます。 AI の世界では、「エー...

注：この文書は英語の原文からの自動翻訳です。 アシスタント、コパイロット、チャットボット、エージェントの違い これら四つの用語を、リモコンのスペクトル上の位置だと考えてください。チャットボット はトランシーバーのようなものです：あなたが話し、それが話し返す、それでやり取りは終わりです。アシスタント は、あなたのために物事を調べてくれるスマートスピーカーのようなものです。コパイロット は、地図を読み、曲がる場所を提案するが、決してハンドルを握らない助手席のドライバーのようなものです。エージェント は自動運転車です —...

注：この文書は英語の原文からの自動翻訳です。 RAG（Retrieval-Augmented Generation）とは オープンブック試験を受ける学生を想像してください。すべての質問に記憶だけで答える代わりに、学生は教科書をめくり、最も関連するページを見つけ、それを読み、覚えていた知識と新しく調べた事実を組み合わせて答えを書きます。Retrieval-Augmented Generation（RAG） は、大規模言語モデルに対して同じように働きます。モデルはトレーニング中に記憶したことだけに頼るのではなく — ま...

注：この文書は英語の原文からの自動翻訳です。 zkML とは zkML（Zero-Knowledge Machine Learning） は、ゼロ知識証明を用いて、機械学習モデルが 推論 を正しく実行したことを — モデルの重み、入力データ、またはその両方を明かすことなく — 検証する技術です。それは暗号学的な保証を提供します：「この出力は、この入力に対してこのモデルが生成したものである」、そして誰もが秘密の情報を見ることなくその証明を検証できます。 要約： zkML は、モデルやデータを露出することなく、AI モ...

注：この文書は英語の原文からの自動翻訳です。 AI 品質メトリクスとは何か、なぜ重要か AI 品質メトリクスとは、AI システムがそのタスクをどれだけうまくこなすかを——マーケティングの言葉ではなく、文脈を伴う数値で——表す測定可能な値です。主張がエビデンスを上回りがちな crypto AI の領域では、品質メトリクスは「我々の AI は強力だ」と「我々のモデルは定義されたテストセットで 82% の精度を達成する」とのあいだの違いそのものです。 要約： 測定可能な品質データがなければ、AI の主張は検証できません。...

注：この文書は英語の原文からの自動翻訳です。 マーケティングの AI が動作する AI と等しくない理由 マーケティング上の AI と動作する AI のギャップは、DecAIHub が取り組む中心的な問題です。数百のクリプトプロジェクトが、ブランディングで「AI 搭載」「最先端の AI で構築」「当社の AI エンジン」といった言葉を使います — しかし検証可能なアーティファクトを探すと、多くはコードも、モデルも、ベンチマークも、技術文書も持っていません。このページでは、マーケティングの言葉だけがなぜ証拠にならない...

注：この文書は英語の原文からの自動翻訳です。 AI コンポーネントとしての推論 AI コンポーネントとしての 推論（inference） は、プロジェクトがトレーニング済みモデルを本番で実行して出力 — 予測、分類、生成されたテキスト、画像、その他の結果 — を生成することを意味します。DecAIHub のプロジェクトカードが AI component フィールドに推論関連の値を挙げているとき、それはシステムのどこかでモデルが入力データを受け取り AI 主導の結果を返すことを示します。これは、AI が単に約束され...

注：この文書は英語の原文からの自動翻訳です。 AI component としてのコンピューティング AI component としての コンピューティング とは、プロジェクトが AI ワークロード向けの計算資源 — GPU、TPU、CPU — を提供またはオーケストレーションすることを意味します。DecAIHub のプロジェクトカードが AI component フィールドにコンピューティング関連の値を列挙するとき、それはインフラレイヤーを記述します。すなわち、モデルがトレーニングまたは実行されることを可能にする...

注：この文書は英語の原文からの自動翻訳です。 データ収集とラベリング データ収集（Data collection） は、さまざまなソースから生データを集めるプロセスです。データラベリング（Data labeling、アノテーションとも呼ばれる） は、そのデータが教師あり トレーニング に使えるように、正しい答えやメタデータを付けるプロセスです。両者は合わさって、生の情報を使用可能な データセット に変える、欠かせないパイプラインを形成します。 要約： 収集は素材を集め、ラベリングはそれを AI にとって有用にします...

注：この文書は英語の原文からの自動翻訳です。 AI component としての分析とランキング AI component としての 分析とランキング とは、プロジェクトが AI または機械学習を用いてエンティティ——プロジェクト、トークン、ウォレット、リスク、市場状況——をスコアリング、分類、ランク付け、または分析することを意味します。DecAIHub のプロジェクトカードの AI component フィールドに分析関連の値が記載されているとき、それは訓練済みモデルがデータを処理し、構造化された出力——スコア...

注：この文書は英語の原文からの自動翻訳です。 AI component としてのトレーニング AI component としての トレーニング とは、プロジェクトが AI モデルをトレーニングするシステムまたはパイプライン — 学習された表現を生み出すためにデータ上でモデルの重みを更新すること — を備えていることを意味します。DecAIHub のプロジェクトカードが AI component フィールドにトレーニング関連の値を列挙するとき、それは具体的な仕組みを表します。すなわち、プロジェクト内でモデルが構築ま...

注：この文書は英語の原文からの自動翻訳です。 検索・ナレッジレイヤー 検索・ナレッジレイヤー（retrieval and knowledge layer） とは、関連情報を保存・索引化・検索し、AI モデルが根拠に基づいた回答を生成できるようにするシステムです。これは、モデルがトレーニング中に記憶した内容だけに頼るのではなく、外部知識（ドキュメント、オンチェーンデータ、プロトコル仕様、市場イベントなど）へのアクセスをモデルに与えるインフラです。 要約： 検索レイヤーは RAG の「R」です。モデルが回答を生成する前...

注：この文書は英語の原文からの自動翻訳です。 AI コンポーネントとしてのエージェント AI コンポーネントとしての エージェント（Agents） とは、プロジェクトの AI レイヤーがエージェントフレームワーク — 入力を知覚し、意思決定を行い、しばしば記憶、ツール、目標を伴って行動するシステム — を中心に構築されていることを意味します。DecAIHub のプロジェクトカードが AI component フィールドにエージェント関連の値を記載するとき、それは具体的な技術アーキテクチャ、すなわち自律的または半自...

注：この文書は英語の原文からの自動翻訳です。 複合 AI カテゴリの読み方 DecAIHub は各プロジェクトに AI/Agents | DeFi や AI/Compute | Infra のような 複合カテゴリ ラベルを割り当てます。これらのラベルはコンパクトに見えますが、二つの情報を同時に運びます：プロジェクトがどんな種類の AI の作業を行うか、そしてその作業をどこに適用するか。このページでは、それらの読み方を説明します。 要約： | の前の部分は AI のサブカテゴリ（AI が何をするか）です。 | ...