AIを業務に活用するためにやるべき10のこと

◆動画視聴形式のeラーニング講座です。受講可能期間は4ヵ月間となります。
◇好きな場所で！好きなタイミングで！
◆受講可能期間は4ヵ月間、自分のペースでじっくり学べます！

◎機械学習関連のコンサルタント経験豊富な演者が、
　AIを業務に活かすための「10のこと」を生々しく内情解説！

◎機械学習の活用プロジェクト：
→成功PJになるのか、失敗PJになるのか、見極める一つの指標となるコンテンツ

◎上司の説得や機械学習に触れてもらうきっかけの一つとしても有用です！

講師

（株）ウサギィ 取締役 五木田 和也 氏

＜講師紹介＞
経歴：2011年より機械学習エンジニア業務を開始。現在は（株）ウサギィにて人工知能関連の受託開発を行っている。その他にも様々な会社でロボット制御技術やマーケティングプラットフォーム技術も研究に従事。

必ずお申込み前にＰＣの動作確認をお願いします。

受講開始日・受講料

●受講開始日(申込〆切)：下記よりご選択いただけます。
毎月10日（前月月末の申込まで）
毎月25日（当月15日の申込まで）
　※土日・祝日のお申込は翌営業日扱いとなります。

●受講期間：4ヵ月間
　※期間延長の場合、1ヶ月あたり4,400円(税込（消費税10％））
　（延長は1回限り、最長で6か月まで。終了前日までにお申し出ください。）

●受講料：受講人数に順じます。
1～9名 / 1名あたり 27,500円(税込（消費税10％）、資料付)
10名以上 / 1名あたり 22,000円(税込（消費税10％）、資料付)
30名以上 / 1名あたり 16,500円(税込（消費税10％）、資料付)
100名以上 / joho-lms@johokiko.co.jpまでお問い合わせください。
　※4名以上お申込みの場合、受講者のご所属・お名前・ご連絡先を
　　joho-lms@johokiko.co.jpまでお知らせください。
　※学校法人割引：学生、教員のご参加は受講料50％割引。
　　詳細は「申込要領・手順」を確認ください。

●管理者を設定する場合：4,400円(税込（消費税10％））
　※管理者ご自身が受講する場合、別途受講料がかかります。

★注意事項：
スムーズにご受講いただくために、必ずご一読ください (下記をクリックすると別タブが開きます)。
⇒ ■eラーニング講座申込要領・手順、■受講の流れ
※本eラーニング講座で使用される資料や配信動画は著作物であり、録音・録画・複写・転載・配布・上映・販売等を禁止いたします。
　

講座のポイント

〇この業務にAIは向いてる？不向き？
・あらかじめ知っておきたいAIの得意／不得意
・AIで使えるデータの種類とは？
・教師あり／教師なし／強化学習の違いを動画を元にわかりやすく解説
・AI導入の効果と評価とは？

〇コスト感：おおよその費用はどれくいらなの？

〇AI導入が決まった→まず何をする？

〇外部に委託しよう→抑えるべきチェックリスト

〇外部パートナーの選定方法とは？
・こういう会社は強い
・打ち合わせでこういう言葉をデベロッパ―が使ったら要注意！
・こんな資料が出てきたら機械学習エンジニア失格！

〇デベロッパーにこれだけは伝えておくべきこと
・ベンダー側はどんなところで悩むのか？
・精度「世界最高レベル」のだいたいの目安とは？
・どれくらいのエラーやどのような間違いならを許容できるか？
・データが少なくても何とかする方法は？→あるにはあるが…
・各社、データをどのように手に入れているの？
・契約形態

〇開発完了、そのあとの保守／運用のポイントは？

※動画を再生するには、videoタグをサポートしたブラウザが必要です。
※本動画は講師の著作物となります。

講座のプログラム

★総視聴時間：約2時間29分
★内容項目に関する短時間の動画を「手軽に」「期間内にいつでも／何度でも」視聴！
★簡単な内容ポイントのテストで理解度チェックも可能！

1. AIとは？
　1.1 いろいろなAI
　1.2 AIではないAI
　1.3 いろいろな機械学習
　1.4 機械学習 -教師あり学習-Supervised Learning
　1.5 YOLO((You Only Look Once)による Object Detection(物体検出)
　1.6 機械学習－教師なし学習-Unsupervised Learning
　1.7 機械学習－強化学習-Reinforcement Learning
　1.8 Deep Reinforcement Learning Doesn't Work Yet
　1.9 AIに扱えるデータ
　1.10 AIの得意なこと、不得手なこと
　1.11 Generative Adversarial Network(GAN, 敵対的生成ネットワーク)
　1.12 文章からリアルな画像を生成するGAN
　1.13 Adversarial Example
　1.14 DARPA Robotics Challenge
　1.15 導入の効果

2. AIの中身
　2.1 仕組み(アルゴリズム)はたくさんあり、一長一短
　2.2 Random Forest ランダムフォレスト
　2.3 決定木を使って糖尿病のリスクを予測する
　2.4 決定木をたくさん組み合わせたものがRandom Forest
　2.5 ニューラルネットワーク→深層学習(Deep Learning)
　2.6 ニューロンをたくさんつなぎ合わせたものがニューラルネットワーク
　2.7 深層学習の特徴

3. コスト感

4. AIの必要性の検討－その課題に対して本当にAIが必要？－
　4.1 AI(機械学習)を導入しようかな？と思ったら…
　4.2 それは本当に取り組むべき問題か？
　4.3 それは機械学習でないと解決できないか？
　4.4 それはAIでないと解決できないか？

5. まずはなにをする？
　5.1 AI導入の5ステップ

6. 外部に委託するときの注意
　6.1 まず抑えるべきチェックリスト
　6.2 どれくらいの精度が必要か
　6.3 学習/推論速度はどれくらい必要か、バッチで良いかどうか
　6.4 追加学習/再学習の必要性
　6.5 学習結果の権利、納品形態
　6.6 オンプレ(オンプレミス)とAPI(クラウドなども含む)
　6.7 ブラックボックス化を許容するか
　6.8 まず抑えるべきチェックリスト - 再掲

7. 外部パートナーの選定
　7.1 なぜ選定が重要か
　7.2 見極めかた

8. デベロッパに伝えるべきこと
　8.1 実サービスで機械学習をどう使っていくか
　8.2 どのようなことで悩んでいるか
　8.3 精度100%は可能か?
　8.4 精度99%なら可能か?
　8.5「世界最高レベル」のだいたいの目安
　8.6 どれくらいエラーを許容できるか？→発注側が責任を持って決める
　8.7 どのような間違いを許容できるか？
　8.8 病気のリスク推定の例
　8.9 どのようなことで悩んでいるか
　8.10 データが少なくてもなんとかする方法はある？
　8.11 データはどのように手に入れているか？
　8.12 どのようなことで悩んでいるか
　8.13 なんでもできる…わけではない
　8.14 契約形態
　8.15 どのような形で納品・デプロイするか
　8.16 専用API型
　8.17 公開API型(学習なし)
　8.18 公開API型(学習あり)
　8.19 API方式(専用API、公開API)の利点
　8.20 受注納品・オンプレ方式
　8.21 組み込み方式
　8.22 納品・検品：
　8.23 ブラックボックス化について
　8.24 ブラックボックスが許容しやすい問題
　8.25 ブラックボックスが許容しにくい問題
　8.26 その他、契約・開発・運用に関する話

9. 関連ソフトウェア・サービス
　9.1 各社のクラウドサービス
　9.2 Google, Microsoft, Amazon, IBM, etc…
　9.3 クラウドサービスがあるのならそれだけでよい？
　9.4 大抵はなにかに特化する必要がある
　9.5 よく使うライブラリ・フレームワーク(Deep Learning フレームワーク)
　9.6 よく使うライブラリ・フレームワーク(その他機械学習 フレームワーク)

10. 開発完了！そのあとは…？
　10.1 精度だけではダメ！
　10.2 スパムメール判定の例
　10.3 Accuracy:精度
　10.4 Precision:適合率
　10.5 Recall:再現率
　10.6 適合率(precision)と再現率(recall)の関係
　10.7 F-measure(F値)
　10.8 RecallとPrecisionの調和平均
　10.8 過学習(overfitting):機械学習における最も重要な問題
　10.9 過学習リスク
　10.10 なぜこのようなことが起きるのか？
　10.11 過学習は絶対に避けなければならない
　10.12 過学習を避ける方法
　　-N分割交差判定
　　-交差検定
　10.13 開発?デプロイ後継続的な保守・チューニングが必要
　10.14 機械学習におけるPDCAサイクル
　10.15 成功するプロジェクト＆失敗するプロジェクト