AIを業務に活用するためにやるべき10のこと

◎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：→それが成功するPJになるのか、失敗するPJになるのか、見極めるための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！

■動画の総視聴時間：約2時間29分

★この講座はLMS型のe-ラーニングです★
過去開催したセミナーの中から、ニーズの多い講座や人気の高い講座をe-ラーニング用にカスタマイズしたものです。
決められた順番に沿って、動画の視聴やテストを進めていきます。
＜受講の流れについて＞

受講開始日

当月15日までのお申し込みの場合：
　当月25日から視聴開始

月末までのお申込みの場合：
　翌月10日から視聴開始

※土日・祝日の場合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、別途追加料金が発生します。受講料の項目をご確認ください。
（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。）

セミナー講師

（株）ウサギィ 取締役 五木田和也 先生

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。

セミナー受講料

1社1～9名でのお申込み　　：　1名あたり　27,500円（税込、資料付）
1社10名以上でのお申込み　：　1名あたり　22,000円（税込、資料付）
1社30名以上でのお申込み　：　1名あたり　16,500円（税込、資料付）

＊学校法人割引；学生、教員のご参加は受講料50％割引。

＊13名以上お申込みの場合は、申込みフォームの備考に追加受講者をご記入ください。
＊受講者とは別に管理者を立てたい場合は、申込時に備考欄にてお申し出ください。

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

●期間延長の場合：1ヶ月あたり4,400円（税込）

受講にあたっての留意点

※受講期間終了後はIDを削除致しますので予めご了承ください。
※講師への質問等はできませんので予めご了承下さい。

①受講開始日までに受講に必要なID、パスワードとURLをメールにてご連絡します。

【ご注意】
本講座で使用される資料は著作物であり、複写・転載・配布・販売を禁止致します。また、一つのIDにつき使用できるのは1名であり、一つのIDを複数名で使用することを禁止致します。

②必ず以下のURLより動作確認をしてからお申込みください。
情報機構 動作確認ページへ→
サンプルページ内の動画の視聴とテストの回答をお試しいただき、正常に動作するか各自にてご確認ください。動作環境以外のPCで受講すると、正常に受講できない可能性がございます。 動作確認やシステム設定に関するサポートは弊社では行っておりませんので、PC設定等のお問い合わせはご遠慮ください。

③受講の流れ
・講座開始日から、コンテンツの動画またはPDFを視聴・閲覧できます。
・Chapterの順番に沿って視聴・閲覧をしてください。前のChapterを終了せずに、次のChapterへは進めません。
・確認テストは、Chapter内の動画は最後まで視聴、PDFは閲覧しないとテストへ進めません。
　なお、回答について講師による添削はありません。
・全てのChapterを終了し、最終テストで一定の基準を上回った方には、修了証（画面上で表示）を発行致します。

セミナー趣旨

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？

セミナープログラム

★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