AI／機械学習が「遅い・重い・回らない」ボトルネックの原因と対処法【アーカイブ配信】

～GPU・データ・モデル選定を構造的に整理する～

１．なぜAIプロジェクトは「重く」なるのか
　1-1 AI開発のライフサイクルとボトルネックの正体
　1-2 「とりあえず回す」から「設計して回す」へのマインドセット転換

２．【実行環境編】GPUの真実とPythonの限界
　2-1 なぜGPUが必要なのか
　　　並列演算の仕組みとVRAM容量の重要性
　2-2「遅い」の正体
　　　CPU-GPU間のデータ転送ボトルネック（PCIe帯域）
　2-3 Python特有のオーバーヘッドと、ライブラリ（PyTorch/TensorFlow）による回避
　2-4 混合精度演算（Mixed Precision）や分散学習の考え方

３．【データ戦略編】量と質のトレードオフ
　3-1 データ量の正義
　　　スケーリング則（Scaling Laws）の基本
　3-2 少量データでの戦い方
　　　Data Augmentation（データ拡張）
　　　画像・テキストでの手法
　3-3 転移学習（Transfer Learning）
　　　既存の知能を「借りる」技術
　3-4 「回らない」を防ぐデータパイプライン
　　　前処理の効率化

４．【モデル選定編】自作AI vs 基盤モデル＋プロンプト
　4-1 徹底比較表： 開発コスト、推論速度、カスタマイズ性の違い
　4-2 自作モデル（Scratch/Fine-tuning）の出番
　　　特定ドメインへの深い特化、エッジデバイス動作、機密データの処理
　4-3 基盤モデル（LLM等）＋プロンプトの出番
　　　汎用タスク、プロトタイプの高速作成、RAG（検索拡張生成）の活用
　4-4 適用範囲の判断基準
　　　「精度・コスト・速度」の三角形で考える

　【質疑応答】