・Unityの補講をしばらくやっていく。
・Unityのビルド⇒そのうち使う。（提出・販売など）
※Unityのバージョン表記について
Unity6.2Beta（6000.2.0b2)
⇒（メジャーバージョン.マイナーバージョン.パッチバージョン＋β版識別子(Beta2)）となっている。
・メジャーバージョンアップ ⇒ 破壊的変更：互換性なし ⇒ 動作しなくても保証されない。
[SUPPORTED]：UnityTechnologiesに問い合わせ可能。正式版ではない。
[LTS]：LongTermSupport（長期サポート）を公言しているバージョン。普通の開発はこちらを使用。
※セマンティックバージョニング
セマンティックバージョニング（Semantic Versioning）は、ソフトウェアのバージョン管理のためのルールセットです。バージョン番号を メジャー.マイナー.パッチ の形式で表し、それぞれの数字には明確な意味があります。
バージョンの構成
メジャーバージョン（X）: 互換性のない変更が加えられた場合に更新される。
マイナーバージョン（Y）: 互換性を保ちつつ新機能が追加された場合に更新される。
パッチバージョン（Z）: 互換性を保ったバグ修正が行われた場合に更新される。
例えば、バージョン 1.2.3 の場合:
1 → メジャーバージョン（大きな変更）
2 → マイナーバージョン（新機能追加）
3 → パッチバージョン（バグ修正）
プレリリースとビルドメタデータ
セマンティックバージョニングでは、プレリリース版やビルド情報を追加することもできます。
プレリリース版: 1.2.3-alpha のように、開発中のバージョンを示す。
ビルドメタデータ: 1.2.3+20230501 のように、ビルド情報を付加する。
このルールを適用することで、開発者やユーザーがバージョンの意味を直感的に理解しやすくなります。詳しくは、公式サイトをチェックしてみてください！(by Copilot)
・プレリリースについて
α版：社内レビューで使用
β版：パブリックβ ⇒ 公開チェック版、クローズドβ⇒公開前社内最終チェック版
Figma：デザインソフト。UIなどの今時点の業界標準。無料で使える。
FigJam(Figma内機能) ⇒ 共有ホワイトボード。思考の整理に便利。
・２D横スクロール
⇒「プレイヤーが進む」ではなく「地上と背景が迫ってくる」のほうが構造がはるかに簡単。
※自分の作るゲームの規模把握をしっかりやること
＊身につけるべきツールと言語
ROI（Return of Investment）１０~１００倍くらい⇒２～３倍くらいまで落ちている。
現代はカジュアルゲームが収益源。そしてカジュアルゲーム開発はUnityが多い。
たまにUnreal Engine。
C++はゲーム業界の需要は縮小傾向。ほかの業界ではいくらでも案件あり。
海外で大きなスタジオで働きたい場合にはC++必須。
格闘ゲームなどの場合はC＋＋が主。UnrealEngineはグラフィック特化のため実用にも耐える。
大手は大体自社エンジン。
Unityではレンダリング等の問題がある為フレームレートが重要になるゲームは無理な傾向。
いずれにせよ、C系は一通り抑えておくこと。
＊AIモデルの自作について
画像に強い、言語に強い、数式に強い、などの特性がある（これはPCの性能的な限界による）
RAGとファインチューニング
AIモデルを構築する際、知識を効果的に活用しながら性能を向上させる方法として「RAG（Retrieval-Augmented Generation）」と「ファインチューニング」があります。それぞれの概要をざっくり説明しますね。
RAG（Retrieval-Augmented Generation）
RAGは、AIが外部の情報を検索して回答を生成する仕組みです。単純な言語モデルは既存の知識のみをもとに回答しますが、RAGでは事前に収集したデータや外部のデータベース、ウェブ検索結果などを活用して、より正確で最新の情報を提供できます。つまり、リアルタイムで知識を補充しながら回答を作る方法ですね。
例えば、商品レビューを要約するAIがあるとします。普通のAIは学習した過去のレビューをもとに要約しますが、RAGを使うと最新のレビューを検索し、それらをもとにした要約を生成できます。これにより、古い知識に頼ることなく、最新かつ正確な回答が可能になります。
ファインチューニング
一方、ファインチューニングは、既存のAIモデルに特定のデータを追加学習させて、そのAIの精度を向上させる方法です。大規模な基盤モデル（例えばGPTなど）に、特定の業界や企業のデータを加えて学習させることで、より専門的な応答を生成できるようになります。
例えば、医療分野向けのチャットボットを作りたい場合、一般的な言語モデルでは医療用語の理解が不完全なことがあります。そこで、医療論文や診療データを使ってファインチューニングを行うと、医療専門用語を適切に理解し、より精度の高い回答を生成できるようになるわけです。
違いと使い分け
・RAG: 外部の最新情報を活用して、動的に知識を補完しながら回答を生成する。
・ファインチューニング: 既存モデルに特化したデータを学習させ、より専門的で精度の高い回答を作る。
どちらもモデルの性能向上に有効な手段ですが、目的に応じて使い分けることが重要です。動的な最新情報が欲しい場合はRAG、特定の分野で専門性を高めたい場合はファインチューニングを活用するのがよいでしょう。（by Copilot)
コメント