ガウス過程（GP）は、歴史的データの少量や他の情報源から正確な予測を生成できる確率的AI技術であり、信号内のノイズに関係なく機能します。

これは、bell curveが多くの自然および社会現象に固有の調和と対称性を優雅に描写するガウス（または「正規」）分布の原則に基づいた数学的特性に基づいています。

一般的に、機械学習モデルは現実のプロセスや活動の数学的表現です。モデルは、観察されているシステムのメカニクスを分析して、それをよりよく理解し、将来どのように振る舞うかを予測することを可能にします。これにより、より情報に基づいた意思決定ができるようになり、意思決定プロセスを自動化することもできます。

確率的であるため、GPモデルは単一の予測を生成するのではなく、すべての可能な結果を記述し、それぞれの結果の可能性を計算します。これは、特定の回答が正しい結果になる確率が90％であると判断し、その予測に適切な信頼レベルを置き、より情報に基づいた決定を下すことができるということを意味します。

GPは、「事前」を調べることによって機能します。これは、既存のデータの意味や傾向に関する専門的知識を包み込み、ベイズ推論を使用して「事後」を計算します。これは、事前とデータの両方に適合するすべての可能な結果の確率的記述です。各予測には信頼区間が割り当てられ、モデルがどれだけ数学的に可能性が高いと信じているかの範囲を構成します。

GPは専門知識の適用がモデルに多くの情報を提供するため、特にデータ効率が良いです。その結果、モデルは少量の簡単に利用可能なデータで訓練され、リアルタイムでライブデータに基づいて予測を生成でき、時間、エネルギー、およびハードウェアコストが過度にかかることはありません。

信頼区間を計算する能力は、GPの実際の力と有用性を構成します。一連の可能な結果自体がガウス分布であり、モデルの予測を構成する平均（平均値）と、その平均から結果がどれだけ偏差しているかを記述する分散を持つことがあります。分散が狭い場合、不確実性はそれに応じて低くなり、モデルはその予測に自信を持つことができます。分散が広い場合、不確実性はそれに応じて高くなり、モデルはその自信の欠如を透明に認識しなければなりません。