量子化 (Quantization)
解説：データの「解像度」を落として軽くする
量子化（クオンタイゼーション）は、AIモデルのパラメータ（重み）や計算に使われる数値の「表現精度（ビット数）」をあえて落とすことで、モデルを軽量化・高速化する手法です。
通常、AIの学習や推論は「32bit 浮動小数点（FP32）」という非常に細かいメモリを使って計算されます。しかし、エッジデバイス（スマホなど）で動かす場合、そこまでの精密さはオーバースペックなことが多いです。
そこで、データを「粗く」することで、ファイルサイズを劇的に圧縮します。
定規の目盛りの例え
- 量子化なし (FP32)：
「12.3456789 cm」まで測れる超精密な定規を使う。
→ 正確だが、データを記録するノート（メモリ）がすぐに埋まる。計算も大変。 - 量子化あり (INT8)：
「12 cm」くらい大雑把な定規を使う。
→ 多少のズレ（誤差）は出るが、ノートは節約でき、計算も暗算レベルで爆速になる。
FP32 と INT8 の違い
最も一般的なのは、32bit（浮動小数点）から8bit（整数）への変換です。
| 規格 | データサイズ | 特徴 |
|---|---|---|
| FP32 (Single Precision) |
100% (基準) |
通常のPCやクラウドでの学習に使われる。 非常に高精度。 |
| FP16 (Half Precision) |
50% (1/2) | 「半精度」と呼ばれる。精度低下をほとんど起こさずに半分のサイズにできるため人気。 |
| INT8 (Integer) |
25% (1/4) | 「整数」に変換する。劇的に軽くなるが、丸め誤差による精度低下のリスクがある。 |
G検定対策
出題ポイント
- メリット：メモリ使用量が減る（例：FP32→INT8なら1/4になる）。計算速度が向上する。消費電力が減る。
- デメリット：本来の細かい値を丸めてしまうため、「丸め誤差」が発生し、推論精度（正解率）がわずかに低下する可能性がある。
- 混合精度学習 (Mixed Precision)：学習時間を短縮するために、FP32とFP16を場所によって使い分けるテクニックも存在する。
ひっかけ対策
- × 量子化すると精度が向上する
（解説）情報を削ぎ落としているので、精度は基本的に「維持」または「わずかに低下」します。向上することはありません。 - × 量子コンピュータを使う技術である
（解説）名前が似ていますが無関係です。こちらは「Quantization（離散化）」であり、信号処理の用語です。
