説明できるAI：XAIの実現方法と業務へのAI導入方法～機械学習の導入上の課題と業務への導入を成功させるコツ～

ブラックボックスではない、
根拠を「説明できる」ホワイトなAIへ！

セミナー講師

 長尾 智晴 先生   横浜国立大学 大学院環境情報研究院　教授 工学博士　

セミナー受講料

1名47,300円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき36,300円
＊学校法人割引；学生、教員のご参加は受講料50％割引。

受講について

※本講座は、お手許のPCやタブレット等で受講できるオンラインセミナーです。

配布資料・講師への質問等について

• 配布資料はPDF等のデータで送付予定です。受取方法はメールでご案内致します。
  （開催1週前～前日までには送付致します）。
  ※準備の都合上、開催1営業日前の12:00までにお申し込みをお願い致します。
  （土、日、祝日は営業日としてカウント致しません。）
• 当日、可能な範囲で質疑応答も対応致します。
  （全ての質問にお答えできない可能性もございますので、予めご容赦ください。）
• 本講座で使用する資料や配信動画は著作物であり、
  無断での録音・録画・複写・転載・配布・上映・販売等を禁止致します。

下記ご確認の上、お申込み下さい

• PCもしくはタブレット・スマートフォンとネットワーク環境をご準備下さい。
• ご受講にあたり、環境の確認をお願いしております（20Mbbs以上の回線をご用意下さい）。
  各ご利用ツール別の動作確認の上、お申し込み下さい。
• 開催が近くなりましたら、当日の流れ及び視聴用のURL等をメールにてご連絡致します。

Zoomを使用したオンラインセミナーとなります

• ご受講にあたり、環境の確認をお願いしております。
  お手数ですが下記公式サイトからZoomが問題なく使えるかどうか、ご確認下さい。
  → 確認はこちら
  ※Skype／Teams／LINEなど別のミーティングアプリが起動していると、Zoomでカメラ・マイクが使えない事があります。お手数ですがこれらのツールはいったん閉じてお試し下さい。
• Zoomアプリのインストール、Zoomへのサインアップをせずブラウザからの参加も可能です。
  ※一部のブラウザは音声（音声参加ができない）が聞こえない場合があります。
  　必ずテストサイトからチェック下さい。
  　対応ブラウザーについて(公式) ;
  　「コンピューターのオーディオに参加」に対応してないものは音声が聞こえません。

セミナー趣旨

  産業・社会の色々な場面で“AI”という言葉が多用されており、企業の業務にもAI導入が必須となっていますが、高性能で話題の深層学習（ディープラーニング）は優れた機械学習法である一方、作られる処理が説明できないこと、万能ではなくチューニングが必要であること、膨大な学習データが必要なこと、回路が大規模なことなど、業務への導入の際に弊害になることが多く、産業界での機械学習・AI利用の妨げになっています。特に処理がブラックボックスになることは企業のコンプライアンス上、あるいはリスク管理上の大きな問題であり、現場や顧客への説明ができなければ機械学習を導入することができません。このため、深層学習などの機械学習を人が理解できるようにするための「説明できるAI (XAI:eXplainable AI)」に注目が集まっています。本セミナーでは、説明できるAI:XAIの考え方・方法論と業務へのAI導入方法、陥りやすいミス、成功の秘訣などについて平易に解説します。

受講対象・レベル

企業で機械学習の利用を考えている方など、人工知能や機械学習に興味のある方ならどなたでも受講可能です。

習得できる知識

・神経回路網・深層学習の原理と問題点
・説明できるAI:XAIの概要と将来展望
・AI導入時のポイントと成功のコツ

セミナープログラム

1．人工知能と機械学習
　1.1 人工知能の考え方の推移と現状の課題
　　　　～AIの過去・現在・未来～
　1.2 機械学習の種類と方法
　　　　～教師あり／なし／半教師付き学習など～

2．深層学習と「説明できるAI:XAI」
　2.1 神経回路網の原理と学習法
　　　　～勾配降下に基づく階層型神経回路網の学習～
　2.2 深層学習の原理・最近の手法・問題点
　　　　～業務利用の観点から～
　2.3 ブラック／ホワイトボックス系機械学習
　　　　～それぞれの特徴・適用対象など～
　2.4 説明できるAIとは？
　　　　～機械学習の説明性・了解性など～

3．「説明できるAI」 ～ブラックボックスの説明性向上～
　3.1 学習済みの深層回路と入出力の関係性の可視化
　　　　～各層の強度や関係性の見える化～
　3.2 深層回路の圧縮と簡約化・構造最適化
　　　　～実装のための回路規模の縮小～
　3.3 可視化を前提とした深層学習
　　　　～可視化を内在させた深層回路～
　3.4 転移学習と浸透学習法(Percolative Learning Method)
　　　　～既存回路・学習時のみ利用可能な情報の有効利用～

4．「説明できるAI」 ～ホワイトボックスの精度向上～
　4.1 特徴量の最適化による簡潔な認識処理
　　　　～進化計算を用いた特徴量の最適化～
　4.2 前処理・処理の最適化・自動構築
　　　　～進化的機械学習・進化的画像処理など～
　4.3 決定木・決定回路の処理の言葉による説明
　　　　～処理を自然言語で説明する～
　4.4 小規模かつ高性能な回路の自動設計
　　　　～構造制約に基づく回路設計～

5．業務へのAI導入方法
　5.1 AI導入における基本8原則
　　　　～やってはいけないこととは？～
　5.2 AIコンサル事例のご紹介
　　　　～AI導入の成功のコツとは？～

6．まとめと質疑応答