Generatived（Beta）｜生成AIの最新ニュースとトレンドを提供

Vertex AIの機能強化により、Gemini 2.5がリリースされました。画像、音声、動画の入力に対応したチューニング機能が追加されました。このアップデートにより、ユーザーは独自のデータを用いて大規模言語モデル（LLM）を微調整できるようになり、特定のビジネスコンテキストやタスクに特化したモデルを構築できます。これらの新機能により、動画の自動要約、詳細なイベント認識、コンテンツモデレーション、動画キャプションの改良など、幅広いアプリケーションの開発が容易になります。

同社は、ビデオ入力を用いた効果的なチューニング実験を実施するためのベストプラクティスを概説しています。これには、タスクのコンテキスト、タスク定義、および出力仕様を明確に定義する正確なプロンプトの作成が含まれます。マルチラベルビデオタスクの場合、ラベル分布のバランスをとること、およびビデオあたり10ラベル未満のタスクにはマルチラベル定式化を使用することを推奨しています。シングルラベルビデオタスクの場合、多数派クラスへの偏りを回避するために、データ分布のバランスをとることを推奨しています。

ビデオチューニングの準備として、トレーニングデータセットと検証データセットに.jsonlファイルを使用し、それらの重複がないようにする必要があります。Gemini 2.0以降のモデルをチューニングする際は、効率的なトレーニングのためにMEDIA_RESOLUTION_LOW設定を使用することを推奨しています。この設定により、各フレームを表すトークン数が少なくなり、パフォーマンスに大きな影響を与えることなくトレーニングプロセスを高速化できます。

最後に、同社はチューニングのためのハイパーパラメータ設定に関するガイダンスを提供し、 Vertex AIが提供するインテリジェントなデフォルト設定から始めることを推奨しています。これらのデフォルト設定はデータセットの特性に基づいており、さらなる最適化のための強力なベースラインとして機能します。ユーザーは、損失グラフと精度グラフを使用してチューニング済みモデルのパフォーマンスを評価し、推論プロンプトの形式、コンテキスト、分布をチューニングデータセットに合わせて調整することで、最適な結果を得ることができます。