機械学習・人工知能　業務活用の手引き

★機械学習や人工知能を、本気で実務に活用されたい方々へ
法務～最新技術～企画・システム設計～利活用まで、計19の適用事例を中心に幅広く詳述。導入から運用までの道筋を示します！

●実務活用に向けた運用設計と取り組みの具体的事例
【製造業・開発／マーケティング／自動車／金融／環境／農業／医療 】
・どのようにデータの収集を行うのか？
　⇒センシング技術と用いるデバイス／必要なデータの種類や量／データ収集時に注意すべき点
・社内外に眠るデータの取り扱い方から学習におけるポイント
　⇒ビッグデータの取り扱い方／データが少ない場合の工夫点／精度向上手法／学習手法の選定基準と学習工程／乱雑なデータの検証
・実業務への適用。システムの理論から運用活用方法について
　⇒課題設定から解決のプロセス／導入時に発生する問題と解決方法／サービスの開発工程と運用実績

●実務で機械学習・人工知能を活用する為に。企業として、現場として必要な要件とは？
・ＡＩ、機械学習は万能ツールではない！適切な応用先の把握とマネジメントモデル構築指針
・導入にあたり必要な人材、組織の在り方、ＡＩプラットフォームの特徴と活用方法を解説
・事故に対する責任の所在、データの収集と権利化、ＡＩ生成物などにまつわる法務的課題の検討

●目的別にみる機械学習手法の解説～各手法の得意・不得意を正しく理解！
・業務で抱えている課題に対し、何が最適なアプローチか？どんな手法を用いるべきか？
・各アルゴリズムの情報を集約！プログラム経験が無い方でも、ロジックをしっかり理解できます。

●主流のツールから言語の扱い方まで具体的に学べる！
・話題の「ディープラーニング」。その理論と使い方。何ができて何ができないか？
・Chainer、Tensorflow、Kerasなど・・・サンプルコードを用いた画像＆言語＆センサデータ処理の解説
・Python、R・・・何故人気なのか？その特徴とデータ解析例

第１章 実務で機械学習・人工知能を活用するために
　１．　機械学習と人工知能について
　　１．１　機械学習・人工知能とは
　　１．２　機械学習・人工知能の適用分野
　　　１．２．１　機械学習・人工知能が注目される背景
　　　１．２．２　機械学習・人工知能の適用に工夫がいる例
　　１．３　ビッグデータを活用
　　　１．３．１　機械学習・人工知能の巧拙は活用するデータで決まる
　　１．４　ビジネスで活用する機械学習の手法について
　　　１．４．１　教師ありか教師なしか
　　　１．４．２　その他活用判断基準について
　２．機械学習・人工知能を業務に取り入れるために必要なこと
　　２．１　人材要件
　　２．２　組織要件
　　２．３　AIプラットフォームの活用
　３．機械学習・人工知能を活用するための業務
　　３．１　POC（コンセプトの実現性検証）
　　３．２　モデルマネジメント

第２章　知的財産を含む法務課題について
　第１節　問題点の整理
　第２節　データ収集の場面における諸問題
　　１．他社、他人のデータを収集・加工してよいか
　　　１．１　問題点の整理
　　　１．２　個人情報等
　　　１．３　営業秘密
　　２．収集、加工したデータを自社の権利として保護できないか
　　　２．１　問題点の整理
　　　２．２　特許権による保護
　　　２．３　著作権による保護
　　　２．４　営業秘密による保護
　　　２．５　契約による保護
　第３節　ＡＩプログラムを活用した学習済みモデルの作成場面における諸問題
　　１．個人情報や他人の著作物等を第三者に提供してよいか
　　　１．１　問題点の整理
　　　１．２　個人情報の提供
　　　１．３　著作物の提供
　　２．開発した学習済みモデルを自社の権利として保護できないか
　　　２．１　問題点の整理
　　　２．２　特許権による保護
　　　２．３　著作権による保護
　　　２．４　保護手段の比較
　第４節　ＡＩ生成物の誕生及び利用の場面における諸問題
　　１．ＡＩ生成物を用いたサービスが規制を受けないか
　　２．ＡＩを活用した創作物やＡＩ生成物を用いたサービスを自社の権利として保護できないか
　　　２．１　問題点の整理
　　　２．２　検討
　　３．ＡＩ生成物にかかる未知の課題～おわりにかえて～

第３章　機械学習とそのアルゴリズム
　はじめに
　１．機械学習による予測
　　１．１　線形回帰による予測
　　　１．１．１　最小平均二乗誤差法
　　　１．１．２　正規方程式
　　　１．１．３　最尤推定法
　　　１．１．４　勾配降下法（最急降下法）による方法
　　　１．１．５　確率的勾配降下法による方法
　　　１．１．６　ミニバッチ勾配法による方法
　　１．２　各種勾配法の最適化
　　　１．２．１　正則化
　　　１．２．２　線形回帰についての留意事項
　　１．３　ニューラルネットワーク
　　　１．３．１　単純パーセプトロン
　　　１．３．２　多層パーセプトロン：ニューラルネットワーク
　　　１．３．３　ニューラルネットワークの学習
　　１．４　回帰木
　２．機械学習による識別
　　２．１　線形判別（ロジスティック回帰）
　　２．２　サポートベクタマシン
　　　２．２．１　線形サポートベクタマシン
　　　２．２．２　非線形サポートベクタマシン
　　２．３　分類木
　　２．４　アンサンブル学習
　　　２．４．１　バギング
　　　２．４．２　アダブースト
　　　２．４．３　ランダムフォレスト（Random Forest）
　３．機械学習によるクラスタリング
　　３．１　距離
　　３．２　k-meansアルゴリズム
　　３．３　ＥＭアルゴリズム
　　３．４　階層的クラスタリング
　　３．５　自己組織化マップ
　　３．６　one classサポートベクタマシン
　４．機械学習による行動獲得
　　４．１　動的計画法
　　４．２　ＴＤ学習
　　４．３　Q-learning
　　４．４　Profit Sharing
　おわりに

第４章　機械学習のトレンド
　第１節　各方面から注目を集めるディープラーニング
　　第１項　ディープラーニング概要
　　第２項　ディープラーニングを取り巻く理論
　　　１．ネットワークの学習方法
　　　２．汎化性を向上させる方法
　　第３項　ディープラーニングが変える世界
　　　１．物体検出への応用
　　　２．You Only Look Once
　　　３．Single Shot MultiBox Detector
　　　４．深層強化学習

　第２節 主流の言語～特徴
　　第１項 python～何故pythonなのか？
　　第２項 Install方法
　　　　　WindowsでのInstall方法
　　　　　LinuxでのInstall方法
　　第３項 基本的な構文
　　第４項 データ前処理の具体例

　第３節 ネットから情報を取得する
　　第１項 公開されているデータセット
　　　１．データセットとは
　　　２．公開されているデータセットの一覧
　　　３．データセットを有効に使用する
　　第２項 GitHub
　　　１．概要
　　　２．GitHubを使用したデータセットのダウンロード

　第４節 主流のツール～サンプルコードによる具体的な扱い方
　　第１項 Caffe
　　　１．概要・特徴
　　　２．WindowsでのInstall方法
　　　３．LinuxでのInstall方法
　 　 ４．CNNによる画像処理のサンプル
　　　５．RNNによる言語処理のサンプル
　　　６．RNNによるセンサーデータ処理のサンプル
　　第２項 Tensorflow
　　　１．概要・特徴
　　　２．WindowsでのInstall方法
　　　３．LinuxでのInstall方法
　 　 ４．CNNによる画像処理のサンプル
　　　５．RNNによる言語処理のサンプル
　　　６．RNNによるセンサーデータ処理のサンプル
　　第３項 Keras
　　　１．概要・特徴
　　　２．WindowsでのInstall方法
　　　３．LinuxでのInstall方法
　 　 ４．CNNによる画像処理のサンプル
　　　５．RNNによる言語処理のサンプル
　　　６．RNNによるセンサーデータ処理のサンプル
　　第４項 Chainer
　　　１．概要・特徴
　　　２．WindowsでのInstall方法
　　　３．LinuxでのInstall方法
　 　 ４．CNNによる画像処理のサンプル
　　　５．RNNによる言語処理のサンプル
　　　６．RNNによるセンサーデータ処理のサンプル
　　第５項 OpenCv
　　　１．概要・特徴
　　　２．WindowsでのInstall方法
　　　３．LinuxでのInstall方法
　 　 ４．画像処理のサンプル

第５章　人工知能・機械学習の導入と利活用に向けた設計・取り組み事例
　第１節　製造業・工業
　　第１項　スマート工場におけるIoT／AIの適用
　　　はじめに
　　　１．データ採取のためのセンシング技術
　　　　１．１　AEセンサー
　　　　１．２　AEの信号処理と特徴抽出
　　　２．AI（機械学習）の原理
　　　　２．１　データ解析と課題設定
　　　　２．２　機械学習によるセンシングデータ処理
　　　３．工場における適用事例
　　　　３．１　製品検査と品質管理
　　　　　３．１．１　背景
　　　　　３．１．２　絞り加工
　　　　　３．１．３　研削加工
　　　　　３．１．４　特殊材料
　　　　　３．１．５　まとめ
　　　　３．２　ロボットの健全性評価とAI
　　　　　３．２．１　製造現場での適用
　　　　　３．２．２　スマート工場のIoTとAI
　　　おわりに

　　第２項　組み込み機器やエッジに搭載可能な人工知能
　　　１．エッジに搭載するためのディープラーニングの課題
　　　２．ディープラーニングの演算量削減に向けたネットワーク構造
　　　３．機器やエッジを想定した人工知能アプリケーション例
　　　　３．１　認識に関するアプリケーション例
　　　　３．２　異常分析に関するアプリケーション例
　　　　３．３　最適制御に関するアプリケーション例
　　
　　第３項　インフラ・製造現場における外観検査適用
　　　１．外観検査と機械学習
　　　　１．１　ツール・ライブラリ・開発環境
　　　　１．２　学習器・特徴量の選定
　　　　１．３　データ収集・データチューニング
　　　　　１．３．１　欠陥検出のための観測系
　　　　　１．３．２　欠陥検出のための照明・光学系
　　　　　　（１）偏光の利用
　　　　　　（２）逆反射スクリーンの利用
　　　　　　（３）円錐鏡の利用
　　　　１．４　精度向上・チューニング
　　　２．事例解説
　　　　２．１　路面亀裂解析
　　　　　２．１．１　ウェーブレット変換を用いたコンクリートのひび割れ画像解析手法の開発
　　　　　２．１．２　Random Forestによるコンクリート表面ひび割れの検出
　　　　　２．１．３　WAVELETヒストグラムとSVMによる路面画像からのひび割れの検出
　　　　２．２　粒子解析
　　　　２．３　自動車鋳造部品の欠陥検出
　　　　２．４　その他の事例

　　第４項　劣化画像の復元と応用
　　　１．ツール・ライブラリ・開発環境
　　　２．劣化画像の復元と機械学習
　　　３．データ収集・データチューニング
　　　４．ノイズリダクション
　　　５．超解像
　　　６．欠損データの補間

　　第５項　製造現場で使える人工知能技術～機械学習による産業用ロボットの先進機能
　　　はじめに
　　　１．機械学習の産業用ロボットへの適用例
　　　　１．１　ビジョンセンサによるバラ積み取出し
　　　　１．２　減速機の故障予知
　　　　１．３　キズ検査
　　　おわりに

　　第６項　人工知能を組み込んだ次世代製品開発環境
　　　はじめに
　　　１．富士通の製品開発環境
　　　２．製品開発における課題
　　　　２．１　設計者間での意識すり合わせコストの増大
　　　　２．２　設計者の経験やノウハウへの依存
　　　３．富士通の目指す次世代製品開発環境
　　　４．製品開発への人工知能技術の適用事例
　　　　４．１　プリント基板の層数予測機能
　　　　　４．１．１　プリント基板の層数見積もり作業の重要性
　　　　　４．１．２　機械学習技術の適用
　　　　４．２　形状認識を用いた検証対象部品の自動検出機能
　　　　　４．２．１　構造設計における設計検証作業
　　　　　４．２．２　機械学習技術の適用
　　　　５．人工知能技術の製品開発環境への組込み
　　　最後に
　　
　　第７項　組み込みAI技術
　　　１．AIがもたらす組み込みシステムの変化
　　　　１．１　組み込みシステムとは
　　　　１．２　AIはITの領域からOTの領域へ
　　　２．組み込みシステムへの搭載方法
　　　　２．１　学習と推論実行
　　　　２．２　「弱いAI」の組み合わせが人間を超える
　　　　２．３　ニューラルネットワークの圧縮
　　　　２．４　AIに最適化したハードウェアエンジン
　　　３．組み込みシステムへのAI取り組み事例
　　　　３．１　すべての組み込みシステムへ e-AIトランスレータ
　　　　３．２　スマート工場へ 異常検知システムへの応用
　　　おわりに

　第２節　マーケティング・顧客対応
　　第１項　機械学習活用によるB2Bマーケティングの課題解決
　　　はじめに
　　　１．B2Bビジネスの特性
　　　２．ITの急激な発展による状況の変化
　　　３．機械学習が適用可能な領域と事例
　　　４．活用の検討にあたり必要なこと
　　　おわりに
　　
　　第２項　機械学習を用いた顧客行動予測モデルの構築とその活用
　　　１．機械学習概論
　　　　１．１　機械学習とは
　　　　１．２　パラメータと機械学習
　　　２．機械学習を用いた顧客行動の予測
　　　　２．１　事例概要
　　　　２．２　問題設定
　　　　２．３　データ加工
　　　　　２．３．１　集計単位の検討
　　　　　２．３．２　時間帯を列に持ったデータの作成
　　　　　２．３．３　７日分の時間帯を列に持ったデータの作成
　　　　　２．３．４　説明変数と目的変数のあるデータの作成
　　　　２．４　予測モデルの構築
　　　　　２．４．１　予測モデルの作成手順
　　　　　２．４．２　データの「規則性」「まとまり」の検証
　　　　　２．４．３　ノイズの削除
　　　　　２．４．４　利用する手法の選定
　　　　２．５　アクション
　　　
　　第３項　テキストマイニング技術の最新動向とAPI活用事例
　　　１．顧客の声活用とは？～ビジネス現場で生かされるテキストマイニング技術～
　　　　１．１　飲料業界～Twitterデータの社内共有
　　　　１．２　流通業界～プライベートブランドの強化
　　　　１．３　より効果的に顧客の声を聞く仕組み～テキストマイニング技術と自然言語処理～
　　　２．自然言語処理技術
　　　　２．１　形態素解析と構文解析
　　　　２．２　日々進化する日本語への対応
　　　　２．３　感情解析
　　　３．マーケテイングで使われているテキストマイニングツール「見える化エンジン」
　　　　３．１　「鳥の目と虫の目」を体現したインターフェース
　　　　３．２　感情表現を使ってホットな顧客の声を見つける
　　　４．自然言語処理とテキストマイニング技術のAPI活用事例
　　　　　（コールセンター通話、機械とのコミュニケーション、エントリーシート要点抽出）

　　第４項　機械学習のE-commerceにおける応用について
　　　はじめに
　　　１．AI技術としての機械学習の重要性
　　　２．ECにおける教師あり学習
　　　３．ECにおける教師なし学習
　　　４．ECにおける半教師あり学習
　　　５．ECにおける構造学習
　　　６．楽天におけるオンライン学習
　　　７．ECにおける強化学習への適用例と楽天での利用
　　　８．深層学習
　　　９．研究者へのデータ提供の取り組み
　　　おわりに

　　第５項　カスタマーサポートへの人工知能適用の取り組み
　　　１．カスタマーサポートで利用される人工知能
　　　　１．１　人工知能の導入目的
　　　２．コンタクトセンターで利用される人工知能
　　　３．音声認識のコンタクトセンターへの適用
　　　　３．１　音声認識の処理概説
　　　　３．２　音声認識の導入について
　　　　３．３　音声認識の運用について
　　　４．自然言語処理のコンタクトセンターへの適用
　　　　４．１　自然言語処理の処理概説
　　　　４．２　自然言語処理の導入について
　　　　４．３　企画・要件定義
　　　　４．４　設計
　　　５．さいごに
　　　　５．１　運用を通じて人工知能を成長させることの重要性について
　　　　５．２　カスタマーサポートにおける今後の人工知能活用について
　　
　　第６項　ディープラーニングを利用したレコメンド事例と機械学習によるCRM業務の効率化
　　　はじめに
　　　１．コンバージョンしそうな顧客を予測・抽出してアプローチ
　　　２．顧客タイミングに合わせたメール配信
　　　３．ディープラーニングを活用したレコメンドシステム
　　　まとめ

　第３節　自動車～自動運転を可能にする機械学習技術とその動向
　　　１．自動運転技術概要
　　　２．高精度マップ製作（Mapping）と位置決定（Localization）
　　　　２．１　高精度マップ製作手順
　　　　２．２　高精度マップ製作ツールキット
　　　　２．３　位置決定（Localization）
　　　　２．４　機械学習の役割とデータ量
　　　３．状況把握（Scene Understanding）
　　　　３．１　クルマ周囲のオブジェクトを把握
　　　　３．２　Object DetectionとSemantic Segmentation
　　　　３．３　Convolutional Neural Network教育と試験
　　　４．走行経路計画（Movement Planning）
　　　　４．１　走行経路の計算（ルールベース）
　　　　４．２　走行経路の計算（機械学習ベース）
　　　　４．３　走行経路の計算に必要なデータ量と準備手順
　　　５．ドライバーモニタリング（Driver State）
　　　６．Lidar、カメラ、レーダーなどセンサー技術と今後の展望
　　　　６．１　Lidar技術動向
　　　　６．２ カメラとSensor Fusion
　　　　６．３　レーダーの役割
　　　７．自動運転車の安全性評価（Evaluation）
　　　　７．１　自動運転技術の課題
　　　　７．２　自動運転車の安全性評価方法
　　　　７．３　Waymo自動運転車の安全性を評価する
　　　８．人工知能のメリットと解決すべき課題
　　　９．自動運転技術の進行方法（注目すべき自動運転ベンチャー）

　第４節　金融～人工知能を利用した資産運用支援サービス
　　　はじめに
　　　１．実証実験　第1/第2フェーズ（2016/1/18～2016/3/24）
　　　２．実証実験　第3/第4フェーズ（2016/4/1～2016/5/19）
　　　３．「巫」のアルゴリズム
　　　４．1年間の運用実績と今後の課題

　第５節　環境
　　【調整中】

　第６節　農業～IoT・ビッグデータ・AIを活用したスマート農業への取り組み
　　　はじめに
　　　１．IoT/ビッグデータを活用した施設園芸・植物工場への取り組み
　　　　１．１　導入事例
　　　　１．２　導入効果
　　　２．データマイニング技術を活用した海外大規模農場に対する取り組み
　　　　２．１　実証事例
　　　おわりに

　第７節　医療
　　第１項　人工知能（機械学習）導入・利活用に向けた設計と取り組み事例
　　　１．医療画像・生命科学への応用
　　　　１．１　画像認識と機械学習
　　　　１．２　ツール・ライブラリ・開発環境
　　　　１．３　学習器・特徴量の選定
　　　　　１．３．１　人工ニューラルネットワーク（ANN：Artificial Neural Network）
　　　　　１．３．２　ランダムフォレスト（RF：Random Forest）
　　　　　１．３．３　サポートベクターマシン（SVM：Support Vector Machine）
　　　　　１．３．４　カップリング学習
　　　　　１．３．５　深層学習
　　　　１．４　データ収集・データチューニング
　　　　　１．４．１　DICOM
　　　　　１．４．２　データの正規化・標準化・無相関化・白色化
　　　　　　（１）正規化
　　　　　　（２）標準化
　　　　　　（３）無相関化
　　　　　　（４）白色化
　　　　　１．４．３　データ拡張
　　　　　１．４．４　その他の注意点
　　　　　　（１）誤ってラベル付けされた学習データの除外
　　　　　　（２）学習データ数に偏りがないかの確認
　　　　　　（３）学習データに、学習の妨げになる背景やノイズが入っていないかの確認
　　　　１．５　精度向上・チューニング
　　　　　１．５．１　SVMの精度向上
　　　　　１．５．２　深層学習の精度向上
　　　２．事例解説
　　　　２．１　細胞認識、癌細胞の認識
　　　　２．２　コンツーリング・臓器抽出
　　　　２．３　手術支援ARシステム
　　　　２．４　加齢シミュレーション
　　　　２．５　復顔
　　　　２．６　生命科学・分子生物学

　　第２項　人工知能を用いたビッグデータからの創薬・ドラッグリポジショニング
　　　はじめにーAI創薬をめぐる世界の状況
　　　１．ビッグデータやAIを使った創薬／DR基本枠組み
　　　　１．１　生体分子ネットワークにおいて疾患と薬剤の相互作用を把握する
　　　　１．２　生体分子ネットワーク準拠の計 算創薬/DRの「３層ネットワー ク関係図式」
　　　　１．３　＜疾患─薬剤─生体分子ネットワーク＞の枠組みを用いたDRの実際
　　　　１．４　タンパク質相互作用 ネットワークにおける疾患関連分子と標的分子の「距離」の評価
　　　　　１．４．１　Sunらのランダム歩行による最適な標的分子の探索
　　　　　１．４．２　Barabasiらのタンパク質相互作用ネットワーク上での近接解析による有効性評価
　　　２．人工知能（AI）とくに 深層学習（Deep Learning）を用いた創薬/DR
　　　おわりに