Skip to content

Commit

Permalink
Update README.md
Browse files Browse the repository at this point in the history 
Update README.md
  • Loading branch information
@yoshioterada
yoshioterada committed Dec 14, 2023
1 parent bf4a712 commit 0a546bb
Showing 1 changed file with 3 additions and 3 deletions.
6 changes: 3 additions & 3 deletions 07-building-chat-applications/translations/ja-jp/README.md
View file
Original file line number Diff line number Diff line change
Expand Up @@ -158,10 +158,10 @@ Microsoftは、大規模言語モデル（LLM）からの回答を生成する
| ----------------------------- | ---------------------------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------- |
| **アップタイム** | アプリケーションが稼働し、ユーザーが利用可能な時間を計測します | ダウンタイムをどのように最小限に抑えますか? |
| **応答時間** | アプリケーションがユーザーからの問い合わせに応答するまでの時間 | クエリ処理をどのように最適化し、応答時間を改善しますか? |
| **精度** | 真陽性予測の割合を、陽性予測の総数で割ったもの　</br>（訳者による追記：モデルで提供される正しい出力の数 (真陽性) と、陽性サンプルの総数 (真陽性+偽陽性) を比較 [1](https://plat.ai/blog/confusion-matrix-in-machine-learning/)） | モデルの精度をどのように確認しますか? |
| **再現率 (Sensitivity)** | 真陽性予測の数を実際の真の数で割った比率 </br>（訳者による追記：真の値の総数に対する、正しく分類された陽性サンプル(TP)の数の比率として計算 [1](https://plat.ai/blog/confusion-matrix-in-machine-learning/)） |　Recall をどのように測定し、改善しますか? |
| **精度** | 真陽性予測の割合を、陽性予測の総数で割ったもの　</br></br>（訳者による追記：モデルで提供される正しい出力の数 (真陽性) と、陽性サンプルの総数 (真陽性+偽陽性) を比較 [1](https://plat.ai/blog/confusion-matrix-in-machine-learning/)） | モデルの精度をどのように確認しますか? |
| **再現率 (Sensitivity)** | 真陽性予測の数を実際の真の数で割った比率 </br></br>（訳者による追記：真の値の総数に対する、正しく分類された陽性サンプル(TP)の数の比率として計算 [1](https://plat.ai/blog/confusion-matrix-in-machine-learning/)） |　Recall をどのように測定し、改善しますか? |
| **F1 スコア** | 精度と再現率の調和平均で、両者のバランスを示します | 目指すF1スコアは何ですか?精度と再現率のバランスをどのように調整しますか? |
| **Perplexity** | モデルが予測した確率分布が、データの実際の分布とどれだけ一致しているかを計測します。(訳者追記：Perplexityは、言語モデルが与えられた文書をどの程度正確に予測できるかを示す指標で、値が小さいほど性能が良い) | Perplexity をどのように最小限に抑えますか? |
| **Perplexity** | モデルが予測した確率分布が、データの実際の分布とどれだけ一致しているかを計測します。</br></br>(訳者追記：Perplexityは、言語モデルが与えられた文書をどの程度正確に予測できるかを示す指標で、値が小さいほど性能が良い) | Perplexity をどのように最小限に抑えますか? |
| **ユーザー満足度指標** | アプリケーションに対するユーザーの評価を計測します。主にアンケートを通じて収集します | ユーザーフィードバックはどのくらいの頻度で収集しますか?それに基づいてどのように改善策を立てますか? |
| **エラー発生率** | モデルが理解や出力で間違いを犯す割合 | エラー発生率を減らすための戦略は何ですか? |
| **再トレーニングサイクル** | 新しいデータや知見を取り入れてモデルを更新する頻度 | どのくらいの頻度でモデルを再トレーニングしますか?再トレーニングサイクルを開始するトリガーは何ですか? |
Expand Down

0 comments on commit 0a546bb

Please sign in to comment.