自然言語処理編

フレームワーク編

個人の地域密着型アウトドアショップがデジタルマーケティングで業績を飛躍的にアップさせていくストーリーに乗せて、DMの基礎を… 個人の地域密着型アウトドアショップがデジタルマーケティングで業績を飛躍的にアップさせていくストーリーに乗せて、DMの基礎を学ぶ

ヨシュア・ベンジオ スチュアート・J・ラッセル ジェフリー・ヒントン ニック・ボストロム ヤン・ルカン フェイフェイ・リー デミス・ハサビス アンドリュー・エン ラナ・エル・カリウビ レイ・カーツワイル ダニエラ・ルス ジェイムズ・マニカ ゲアリー・マーカス バーバラ・J・グロース ジュディア・パール ジェフリー・ディーン ダフニー・コラー デイヴィッド・フェルッチ ロドニー・ブルックス シンシア・ブリジール ジョシュア・テネンバウム オーレン・エツィオーニ ブライアン・ジョンソン

ディープラーニング活用なくしてビジネスの飛躍的成長なし

機械学習のフレームワークChainerのバージョンアップ対応版。特に畳み込みニューラルネットトワークについても解説。 Chainerのバージョン2でディープラーニングのプログラムを作る 本書はChainer を使ってディープラーニングのプログラムの作り方を示すものです。ディープラーニングは複雑なネットワークで表現された関数の回帰の問題と見なせます。そしてこのような問題は勾配法で解きます。この観点から Chainer によるプログラムの作成法を示しました。Chainerが2にバージョンアップしたため、2に対応し発行するものです。畳み込みニューラルネットワークについても解説しています。 はじめに 第0章 Chainer とは 第1章 NumPy で最低限知っておくこと 第2章 ニューラルネットのおさらい 第3章　Chainer の使い方 第4章　Chainer の利用例 第5章　Trainer 第6章　Denoising AutoEncoder 第7章　Convolution Neural Network 第8章　word2vec 第9 章Recurrent Neural Network 第10章　翻訳モデル 第11章　Caffe のモデルの利用 第12章　GPU の利用 参考文献 ソースプログラム 第11章　Caffeのモデル利用 第12章　GPUの利用

面白さを追求したPython自然言語処理の入門書が登場。コピー＆ペーストでサンプルを動かしながら、楽しく基本が学べます。 Python自然言語処理を、遊びながら学ぼう！ 「面白さ」と「学び」がひとつに詰まった入門書！ 本書は、プログラミング言語Pythonによる自然言語処理を、 「面白さ」「ユニークさ」を追求したサンプルプログラムで学べる入門書です。 ●「オレ ニク タベル ウマイ！」原始人語の翻訳機を作ろう ●メロスはいつまで激怒していた？原作から心情を分析！ ●あの文豪が新作を書いたら？架空の小説を執筆しよう ●コンピューターは「群馬」と「栃木」の違いを見分けられるのか？ ●「ナミ」と「フネ」から「サザエ」は生まれる？子どもの命名AIを作ろう ●AIが三国志を読んだら、武将たちのライバル関係を理解できるのか？ ●「赤の他人」の反対は「白い恋人」？あらゆる対義語を自動生成しよう プログラムは、すべて実行ボタンひとつで簡単に動くため、 プログラミングに慣れていなくても、すらすら読み進められます。 また本書では勉強にはつきものの、 難しい専門用語の解説や、複雑な数式の説明は登場しません。 まずは、奇想天外なサンプルを動かして、楽しく遊んでみてください。 勉強をしているつもりはなくても、いつの間にか、 基本的な知識や、分野の全体像が身についているはずです。 【こんな人におすすめ！】 ・Pythonによる自然言語処理を学びたい初心者 ・他の入門書を読んで、挫折してしまった人 ・プログラミングでとにかく面白いことがしてみたい人 第1章　1行で愛を作る 第2章　ハロー！ゲンシジン！ 第3章　メロスの激おこ具合を冷静に可視化する 第4章　江戸川＆コナンの小説を自動生成してみる 第5章　「？？」－「群馬」＝「宇都宮」－「栃木」を機械に求めさせる 第6章　両親の名前の漢字を足し算して、子供を命名するAIを作る 第7章　もしAIが三国志を読んだら。孔明や関羽のライバルは誰なのか？ 第8章　「赤の他人」の対義語は「白い恋人」、をAIで自動生成する 終章　天才的なアイデアを出して開発するための5つのコツ

AIで「ソニック」「レトロゲーム」「Unityゲーム」「マインクラフト」「スタークラフト2」「FX・株トレード」を攻略 AIで「ソニック」「レトロゲーム」「Unityゲーム」「マインクラフト」「スタークラフト2」「ロボット制御」「FX・株トレード」を攻略 人工知能によるゲームの攻略は、ゲーム開発者のみならず、機械学習を学びたい学生や研究者にとっても、最もホットな話題となっており、日々新たな攻略アルゴリズムが発表されています。そのなかでも、2015年12月に設立された非営利団体「OpenAI」は、その中心的な存在となっています。 「OpenAI」は、誰でも自由に使える強化学習ツールキット「OpenAI Gym」を公開しており、このなかにはAtraiのゲーム環境やロボット制御の環境などの学習用の環境が多数含まれています。本書では、この「OpenAI Gym」を使って、ゲームを攻略するAIを作るための手法を手順を追って解説しています。 「OpenAI Gym」では、さまざまな強化学習アルゴリズムがまとめられた「Stable Baselines」を組み合わせて学習を行うため、本書でも「Stable Baselines」の概要から各アルゴリズムの詳細、学習状況の監視の方法などをサンプルを作りながら紹介しています。 Atraiのゲーム環境には、AIで攻略するための無償のゲームが数多く含まれていますが、「OpenAI Gym」の「Gym Retro」環境は、より高度な市販ゲームを攻略するためのもので、本書では実際に有償の「ソニック・ザ・ヘッジホッグ」（セガ／メガドライブ版）のゲームを入手して攻略していきます。 「OpenAI Gym」は、レトロゲーム以外にも「マインクラフト」「スタークラフトII」といった最新ゲームを攻略するための環境、Unityゲームを攻略するためのGymラッパー、ロボット制御の強化学習、FX・株の値動きを予測する環境など、多数の環境が接続でき、本書の最後ではさまざまなバリエーションの学習の概要も取り上げます。 1章　深層学習と開発環境の概要 　1-1 人工知能と機械学習 　1-2 教師あり学習と教師なし学習と強化学習 　1-3 強化学習 　1-4 開発環境と開発フレームワーク 2章　Pythonの開発環境の準備 　2-1 Anacondaの準備 　2-2 Google Colabの準備 　2-3 Pythonの文法 3章　OpenAI Gymツールキットの概要と環境構築 　3-1 OpenAI Gymの概要 　3-2 OpenAI Gymのインストールと動作確認 　3-3 Gymインタフェース 　3-4 行動空間と状態空間 4章　強化学習アルゴリズムStable Baselinesの概要と環境構築 　4-1 Stable Baselinesの概要とインストール 　4-2 強化学習アルゴリズムの分類と特徴 　4-3 平均報酬と平均エピソード長の出力とMonitorの利用 　4-4 モデルの保存と読み込み 　4-5 TensorBoardとコールバックによる学習状況の監視 　4-6 マルチプロセッシングの概要と実装 　4-7 Stable Baselines Zooによる学習済みモデル実行 5章　Atari環境の攻略 　5-1 Atari環境の学習 　5-2 前処理 　5-3 ハイパーパラメータの調整 　5-4 クラウド学習 　5-5 模倣学習によるAtrai環境の学習 6章　Gym Retro環境の攻略 　6-1 Gym Retro環境の構築 　6-2 Gym Retroの学習 　6-3 ゲームインテグレーションの作成 7章　ソニック環境の攻略 　7-1 ソニック環境の準備 　7-2 強化学習によるソニック環境の攻略 　7-3 模倣学習によるソニック環境の攻略 　7-4 ソニックのAIをさらに強化する試み 8章　さまざまな強化学習環境 　8-1 OpenAIのMuJoCo環境とRobotics環境 　8-2 PyBullet 環境：オープンソースな3D物理シミュレーション環境 　8-3 AnyTrading：トレーディングの強化学習環境 　8-4 Unity ML-Agents：Unityの強化学習環境 　8-5 Gymラッパー：Unity ML-Agents環境をGym環境に変換 　8-6 MarLÖ：マインクラフトの模倣学習環境 　8-7 PySC2：StarCraft IIの強化学習環境 　8-8 そのほかの強化学習環境

「音声認識」とは音声信号から発話内容を認識することで、AIスピーカなどに利用されている技術です。本書は、音声認識技術の発展経緯を学びながら、深層学習を用いた最新の音声認識システムを実装できるまでを目的とし、手法の目的やアルゴリズムの概要を解説、続いて数式レベルでの詳説、最後にソースコード付きで実装という流れで解説しています。特に手法の概要については「その手法は何を目的として生み出されたのか」という経緯と「なぜその手法は前述の目的を達成できるのか」について直感的に理解できるよう工夫しています。

グーグルエンジニアらへの取材に基づきその技術をやさしく解説 最新の事例から、将来のビジネスの変化を探る１冊 ディープラーニングは、人工知能や機械学習と何が違う？ この技術によって将来、ビジネスはどう変化する？ グーグルのエンジニアらへの取材に基づき、 その技術をやさしく解説するとともに 最新の事例から、将来のビジネスの変化を探る１冊。 　囲碁のプロ棋士に勝つ、クイズのチャンピオンに勝つ──、人工知能（ＡＩ）はこうした特定分野で象徴的な成果を上げてきました。しかし、最近ではＡＩが人々の生活や経済活動を改善して、世の中を変えていく可能性を示す実例が次々と出てきました。 　例えば、米グーグルは、ＡＩを使った「Google翻訳」の精度を大きく改善し、長年「実用的ではない」と言われてきた機械翻訳を日常生活では十分実用的なレベルへと引き上げました。また、同社はデータセンターにおけるサーバーなどの冷却電力を40％も削減しました。これもＡＩを活用して空調や窓の調節・開閉など約120の要素を制御し最適化した成果です。大手ＩＴ企業は次々と、画像認識、音声認識、翻訳といったＡＩ機能を安価に提供し始めており、いわば「蛇口をひねればＡＩがすぐ使える」時代が間もなく到来します。 　このＡＩの進化をけん引するのが、脳の神経回路が仕組みの原点にある「ディープラーニング」という技術です。本書では、グーグルのエンジニアらへの取材に基づき、このディープラーニング技術をやさしく解説。また、将来のビジネスがどう変わるのか、グーグルのサービスや日本企業の取り組み事例から探るとともに、その未来の姿に迫ります。 序 章 ディープラーニングがすべてのビジネスを変える 第1章 人工知能と機械学習とディープラーニングはどう違う? 第2章 ディープラーニングの仕組み 第3章 グーグルのディープラーニング活用事例 第4章 ディープラーニングで業務効率化、国内で続々始まる 第5章 データ×目的で整理し、活用の展開図を描こう 第6章 ディープラーニングが課題を解決する未来へ グーグルクラウド・マシンラーニング・グループ研究責任者のジア・リーさんに聞く 序章 ディープラーニングがすべてのビジネスを変える 　ビッグデータでディープラーニングが実力発揮 　トヨタは日米の全乗用車を通信対応に 　人工知能でイノベーションを生む時代に 　中小企業にも人工知能の恩恵 １章　超入門 人工知能と機械学習とディープラーニングはどう違う？ 　ディープラーニングは機械学習の一部 　機械学習は人間がプログラムを作らない 　コンピューターの発達がディープラーニングを可能に 「リサーチの洪水」のごとき人工知能の広がり 「モバイルファースト」から「ＡＩファースト」へ ２章　入門 ディープラーニングの仕組み 　機械学習「以外」の人工知能とは 　機械学習の基本 　機械学習といってもいろいろな手法がある 　ニューラルネットワークは脳の神経構造 　分類の仕方はコンピューターが自分で学んでいく 　ネット上の「遊び場」でニューラルネットを理解 　教師あり学習と強化学習 「アルファ碁」は強化学習をフル活用 ３章　グーグル事例編 グーグルのディープラーニング活用事例 ■未来へ向けて、広がるディープラーニングの活用 　話しかけて使う家庭のＡＩコンシェルジュ 　人間相手のように話が通じる？！ ■自動運転を支えるディープラーニング 　ディープラーニングでデータセンターを劇的に省エネ化 ■人間の目を超える、ものを見分ける画像認識 　写真を自動で分類する「Ｇｏｏｇｌｅフォト」 　お絵描きを人工知能が評価する「Ｑｕｉｃｋ，Ｄｒａｗ！」 　コンピューターも夢を見られるか？「ディープドリーム」の実験 　優れたアートや音楽を生み出す「マジェンタ」 　動画像の認識も！　「読唇術で人間の専門家に勝つ」 ■文章を理解するテキスト分析 　自動で返信メールの候補文を作る「Ｉｎｂｏｘ」 　迷惑メールフィルタの精度も格段に向上 　企業の情報検索をスムーズにする「グーグルスプリングボード」 ■話しかけるだけでコンピューターと意思疎通をする「音声認識」 　会話しながら人間をサポートする「Ｇｏｏｇｌｅ アシスタント」 　合成音声もピアノの曲も作成できる「ＷａｖｅＮｅｔ」 ■言語の壁を越える可能性が見えてきた「機械翻訳」 　ニューラルネットでＧｏｏｇｌｅ翻訳が進化 ■ディープラーニングの成果を手軽に使える「機械学習ＡＰＩ」 　カスタマイズしたディープラーニングを活用できる「テンソルフロー」 　ディープラーニングが向く領域、向かない領域 ４章　企業事例編 ディープラーニングで業務効率化、国内で続々始まる ■安藤ハザマ、トンネル工事の岩盤の堅さを判定 　掘削工事の自動的な最適化まで視野に ■クルマの写真から型式まで特定、オークネットＩＢＳ 　年間約５００万台の中古車データを活用 　クルマの向きが識別できず悩む 　中古車取引の活性化に貢献 ■エアロセンス、ドローン空撮データへ活用 　少ない教師データで自動車の台数検出システムを構築 　測量の効率を高めるマーカーを開発 ■Ｐｅａｃｈ、音声認識ＡＩで運航案内を24時間化 　人と人工知能の役割分担 ■三井住友ＦＧ、カード不正検知精度が劇的に向上 　コールセンターへは全席に導入 　データから答えは出てこない ５章　活用フレームワーク編 データ×目的で整理し、活用の展開図を描こう ■データ×目的による整理法 　先行する画像データの活用 　音声データはコールセンター中心 　まずはコスト削減から入るのが現実的 ■成功に必要な常識と人材の転換 　活用の展開図を描けるか 　必要な人材像は？ 　機械学習はコモディティー化、次の特別な存在は ６章　将来展望編 ディープラーニングが課題を解決する未来へ グーグルクラウド・マシンラーニング・グループ研究責任者のジア・リーさんに聞く 　技術革新の牽引役はディープラーニング 　人間は優秀、アルゴリズムの研究はまだまだ途上 　ディープラーニングは「データハングリー」 　現実世界の課題を解決することがＡＩ研究の目標 おわりに

近年、AIスピーカをはじめとした音声認識システムがさまざまな場面で使われています。一般的に音声認識システムは1人の声を聞き取ることを想定しており、それ以外の音があると聞きたい声を正確に聞き取ることが難しくなります。「音源分離」とはさまざまな音が混ざった中から欲しい音だけを抽出する技術です。音源分離の基礎からPythonを用いた実装までを詳しく解説しています。本書は中級者以上に向けた、特定の技術分野のアルゴリズムの紹介と、それを実装したコードを解説する、より技術的・実践的な「機械学習実践シリーズ」です。

Pythonを使った機械学習の入門に最適な1冊！ 近ごろ話題の機械学習、「気になるけどなんだか難しそう……」と思っていません か？　実は、機械学習の基本はとてもシンプルで、プログラミング初心者にも最 適なんです。本書は、プログラミングやPython、機械学習の初心者向けに、マン ガでPython機械学習を解説します。機械学習の代表的な手法である単回帰をはじ め、重回帰やk近傍法、k平均法などの考え方を、「ペットのウサギの理想体重 は？」「予算内の引っ越し先は？」といった身近な問題を通じて解説するので、 やさしく楽しく学べます。Pythonの開発環境もブラウザさえあれば無料で使える Google Colaboratoryを用いるので、面倒な環境構築は一切不要。インターネッ トに接続できるパソコンがあればすぐに学習を開始できます。ほかの機械学習の 書籍だと難しかったという方へも、オススメの一冊です。「そろそろ常識 知っ ておこう! 」シリーズは、会話形式の解説をマンガテイストに進化させ、マン ガ、会話、チュートリアルをシームレスに組み合わせたニュースタイルの解説 書。常識とされながらも覚えにくいテーマをピックアップし、要点をマンガでわ かりやすく解説します。 第1章　Pythonを触ってみよう 第2章　Pythonの基礎 第3章　機械学習を体験してみよう 第4章　機械学習を実践しよう 第5章　データを集めるには

線形代数の意味と面白さをゼロから学ぶ一冊！　ゼロから学ぶためのアイディアを盛りだくさん入れわかり易くした。 はじめが、だいじ！　寝ころんで読める脳に心地よい線形代数入門。「行列の掛け算は、なぜあんな変な掛け方をするの？」といった誰もが抱く疑問を、ことごとく氷解させる超入門書！ はじめが、だいじ！ 寝ころんで読める脳に心地よい線形代数入門。 「行列の掛け算は、なぜあんな変な掛け方をするの？　」 といった誰もが抱く疑問を、ことごとく氷解させる超入門書！ 肩のこらない優しい説明 （1）具体的なイメージがつかめるようにした。 （2）算数から大学レベルの数学へすんなり移行できるようにした。 （3）ミステリー仕立ての会話で息抜きを。 （4）簡単な練習問題で知識の漏えいを防止。 （5）ストーリーマンガを読むような面白さ。 ●1章　行列式とは要するに面積のことなのだ 1．1．ベクトルってなんだろう 1．2．1次独立とはこんな意味 1．3．いよいよ行列式さっそうと登場 ●2章　3次元以上の行列式を征服する 2．1．3次元のベクトル 2．2．いよいよ神秘の4次元へ ●3章　直交する世界～内積と外積 3．1．まざまざと知る内積の威力と魅力 3．2．外積が面白いほどわかる！ 3．3．神さまの仕掛けを掘り起こす ●4章　線形変換のココロ 4．1．1次変換のこころを探る 4．2．行列の掛け算はなぜあんなふうなのか ●5章　逆行列のひみつ 5．1．単位行列はビップなのである 5．2．行列の1次方程式を解くには 5．3．逆行列に秘められた意味 5．4．行列式の乗法公式は美しい 5．5．転置の定理の証明を完成しよう ●6章　固有値を「体感」する 6．1．固有値はいろいろ大切なのである 6．2．対称行列のひみつ 6．3．固有値の応用でグランドフィナーレ

強化学習編

AIのベースの一つである機械学習とは、コンピュータに大量のデータや経験を与えることによって、事象のパターン・ルールを発見し、予測などまでをも実現する技術である。機械学習の基礎から筆者らの最先端の研究までを初めての人にもわかりやすく解説する一冊。 はじめに 1　機械学習とは何か――人工知能（AI）の基礎知識 1.1　人間の学習能力をコンピュータで再現する「機械学習」 1.2　AI研究、これまでとこれから 1.3　人工知能の／による／のための研究 2　人工知能と社会 2.1　研究者とともに、学生とともに、エンジニアとともに 2.2　さまざまな分野におけるAI技術の応用 2.3　AIと社会の関係 3　機械学習の基礎 3.1　AIの学習モデルと学習法 3.2　3種類の機械学習 3.3　教師付き学習とは 3.4　教師なし学習とは 3.5　強化学習とは 3.6　機械学習の原理：「学習する」とは 3.7 なぜ教師付き学習で予測が当たるのか？ 3.8 直線で分離できない問題への対応 4　高度化する教師付き学習 4.1　誤りを含む教師情報への対応 4.2　弱い教師情報の活用 4.3　限られた情報からロバストに：信頼できる機械学習に向けて 4.4　理研AIPに見る汎用基盤研究の現在地 5　今後の展望 5.1　モデルと学習法と、ある種の制約 5.2　機械学習の新技術：生成AI 5.3　AIと人間の未来

文科と理科両方の学生のために，統計的なものの考え方の基礎をやさしく解説するとともに，統計学の体系的な知識を与えるように，編集・執筆された．豊富な実際例を用いつつ，図表を多くとり入れ，視覚的にもわかりやすく親しみながら学べるよう配慮した． 第1章 統計学の基礎（中井検裕，縄田和満，松原 望） 第2章 1次元のデータ（中井検裕） 第3章 2次元のデータ（中井研裕，松原 望） 第4章 確率（縄田和満，松原 望） 第5章 確率変数（松原 望） 第6章 確率分布（松原 望） 第7章 多次元の確率分布（松原 望） 第8章 大数の法則と中心極限定理（中井検裕） 第9章 標本分布（縄田和満） 第10章 正規分布からの標本（縄田和満） 第11章 推定（縄田和満） 第12章 仮説検定（縄田和満，松原 望） 第13章 回帰分析（縄田和満） 統計数値表 練習問題の解答

アルゴリズム取引にPythonを利用する方法を解説。自動取引戦略をシステマチックに構築、デプロイするための選択肢を学ぶ。 Pythonを使ってトレードを始めたい人に最適！ 『Pythonによるファイナンス 第2版』の著者が、アルゴリズムトレードにPythonを利用する方法を解説する書籍です。具体的には、アルゴリズムトレード用の適切なPython環境の設定、データの取得、NumPy/pandasを使ったデータ分析、取引戦略のバックテスト、市場予測、ストリーミングのリアルタイム処理等、アルゴリズム取引のさまざまな側面にPythonを適用するさまざまな手法を紹介することにより、自動取引戦略をシステマチックに構築、デプロイするために、どんな選択肢があるのかを学ぶことができます。 アルゴリズム取引にPythonを利用する方法を解説。自動取引戦略をシステマチックに構築、デプロイするための選択肢を学ぶ。

自社のシステムに人工知能の導入を検討している人が、人工知能システムの開発および運用・保守の一連のプロセスを把握できる。 自社システムに人工知能を導入したいときに読む本！ 機械学習をはじめとする人工知能への期待は増加していますが、 人工知能が搭載されたシステムを開発するプロジェクトマネージャの数は足りておらず、その数は今後さらに必要になっていきます。 また、大規模システムに人工知能が入るようになっていくと、それを運用・保守する仕事も必要となります。 大規模なシステムになるほど、「開発工程において何をするのか」を規定することが重要であり、 人工知能が搭載されたシステムの開発で行うことを体系的に理解しなければなりません。 本書では、人工知能システムを企画・開発し、運用・保守したい人向けに、 企画から運用までの一連のプロセスのノウハウを解説します。 【本書のポイント】 ・人工知能システムの開発を行うエンジニアやプロマネ向けのノウハウ集 ・人工知能システムの企画書や開発計画書が書けるようになる ・人工知能のトライアルを計画・実施できるようになる ・人工知能システムの開発および運用・保守の一連のプロセスを把握できる Chapter1 実用化されつつある人工知能 人工知能の定義 人工知能の歴史 人工知能の利用用途 認識の具体例 分析の具体例 対処の具体例 Chapter2 通常のシステムと人工知能システムの開発プロセスの違い 人工知能システムの開発プロセス 企画フェーズでの特徴 トライアルフェーズでの特徴 開発フェーズでの特徴 運用・保守フェーズでの特徴 Chapter3 人工知能システムの企画 目的の設定 システム構成の検討 業務フローの作成 データ選び スケジュール検討 運用・保守方針の検討 Chapter4 人工知能プロジェクトのトライアル トライアルのプロセス 分析内容定義 データ観察 モデル設計 データの加工 結果の評価（１）－評価指標の決定 結果の評価（２）－精度の評価 結果の評価（３）－解釈性の評価 結果の評価（４）－過学習度合いの評価 結果の評価（５）－CASE STYDYでの評価例 Chapter5 人工知能システムの開発 開発フェーズのプロセス要件定義工程（１）－計画作りー 要件定義工程（２）ー精度の確認ー 要件定義工程（３）ーデータ量の決定ー 要件定義工程（４）ー更新方法の決定ー 要件定義工程（５）ー学習データが少ないときの対応方法 要件定義工程（６）ー異常値処理方法の決定 設計工程 テスト工程 Chapter6 人工知能システムの運用・保守 人工知能を見守る 人工知能を育てる（１）－自動再学習ー 人工知能を育てる（２）－忘れさせるー 人工知能を育てる（３）－新しい知識を教えるー 人工知能と人の協調 付録 提案依頼書 開発提案書 トライアル分析提案書 トライアル分析報告書 WBS 機能要件定義書・非機能要件定義書 要件定義のためのデータ分析結果報告書

人工知能 人工知能と世界の見方 人工知能と社会

今の人工知能（AI）を正しく理解して活用し 導入効果を最大化するAIビジネス書の決定版 AIブームはとどまるところを知らず、企業や組織はAI活用の実践フェーズに突入しつつあります。 一方で、AIに関する様々な誤解がいまだに蔓延しており、深層学習（ディープラーニング）をはじめとする「今のAI」をどうすればビジネスに生かせるかの理解も進んでいません。 AIは非常に大きな可能性を秘めています。今のAIを効果的に活用すれば生産性やROI（投資対効果）の劇的な改善につながります。 一方でAIは癖のある道具であり、使いこなすには正しい理解と十分なノウハウが欠かせません。 本書は30年以上にわたりAIの開発や導入・活用を手掛けてきた筆者が、AIのビジネス活用に必要なすべてを具体的に解き明かす待望の一冊です。 今のAIで何がどこまでできるのかにはじまり、AI活用の進め方や評価方法、データを確保する手順、ハードやソフトの選び方、人材育成のやり方までを豊富な実例で具体的に説明します。 今がAI導入の絶好のチャンス。ここで決断しないと、国内外のライバルに後れを取ることになりかねません。 自社のAI活用に取り組むIT部門や経営企画部門、業務部門、顧客企業のAI活用を支援するベンダーやコンサルタントなど、AI活用に関わる人必携の一冊です。 ≪第1章　今のAIで何ができるか／できないのか≫ AIに関する「よくある誤解」 天文学的なデータ量・計算量を駆使する囲碁AI 「子供の知能」をいかに生かすか 画像監視が有用なビジネス領域を考える 深層学習は「生データコンピューティング」 AIを三つの軸で分類 深層学習はどのように特徴を抽出するのか 「パターン認識」はAIの目や耳 深層学習による機械翻訳が圧勝した理由 「強いAI」の誕生は早くて22世紀？ 指数関数の本当の怖さ 知識量は高々2次曲線的に増える 　【コラム】強いAI、汎用AI（AGI）の研究は科学か？ 今の深層学習を活用しない手はない 深層学習と他の方式の組み合わせも有用 ≪第2章　深層学習活用の基本的な流れ≫ AI活用に欠かせない目標設定 同じ評価データを利用可能にする 精度指標は「適合率」と「再現率」 前提となる正解が一つとは限らない 適合率と再現率、どちらを重視するか？ アマチュアとプロで求める精度は異なる 深層学習の精度評価実験は非常に簡単 共通の特徴と多彩な違いを反映した正解データを用意 開発環境を使ったデータ学習の流れ オーバーフィッティングに注意 ≪第3章　目標精度評価・活用の実際≫ ◆例1　車載カメラで危険映像候補を認識 危険運転の分類から自動運転の課題が分かる コスト削減効果は単純計算で7200倍 交通標識のAI対応やRFID化も必要に ◆例2　日本語OCR（文字認識） ◆例3　希少がんなどの病理診断を支援 精度目標の設定と予算見積もりは「鶏と卵」 自動運転は様々な観点での総合評価が必要 テスラ車の事故はなぜ起こったのか 事前の期待値を考慮したサービス評価が大切 実務フローの構想で有用な「取り違え行列」 確率値付きの判定結果で分岐条件を精密化 確信度に応じて処理を場合分け 検体や医療機関ごとに最適な精度を設定 AIの揚げ足取りをする意味 対話ボットの精度をどう評価するか 「対話成立度合い」で精度を定量評価 ITILを参考に業務フローを改善 例外的事態のデータを機械学習させて活用 ≪第4章　具体例で見るAI導入の実際≫ 企業はデジタル・エンタープライズに進化 AIを実装し、APIとして公開 AI導入の概略と社内体制 　【コラム】情シスはAIの担当になれるか 正解データをうまく作るための留意点 アノテーターによるラベル付けの実際 少しずつ異なる正解データを「水増し」する 深層学習の導入は辛抱強く 運用時のトータルシステム構成を描く GPUを選ぶ：現状はエヌビディア一択 ハードウエア機器を選ぶ：性能は10数年前の最先端スパコン以上 メインメモリーの容量にも注意 　【コラム】小型化の動きが加速 　～GPU内蔵ノートPCやUSBアクセラレータ GPUクラウドという選択 　【コラム】タダほど高いものはない？ 　無料のデータ学習サービスの実用性 深層学習の仕組みは多彩 主要な深層学習フレームワークの特徴と選び方 多種類のネットワーク構造の中でどれを選ぶか？ プログラム言語はほぼPython一択 既成のAIリソースの活用を意識する 完成したAIをアプリケーション化、API化する 作ったAPIを世界に公開する 様々なセキュリティ対策、プライバシーへの配慮 目には目を、AIにはAIを AI導入支援企業側を守る不正コピー対策 ソースコードをあえて一部開示する提供方法も ≪第5章　AI導入を支える人材が持つべきスキル≫ ユーザー企業はAI人材をどう確保するか ユーザー企業のマネジャーが心得るべきポイント AI時代に必要なのはシャーロック・ホームズのような思考力 AI要員に求められる資質と専門分野 旧来のIT知識が足を引っ張る恐れも 「正解データの整備」が開発作業の中心に APIエコノミーでマッシュアップの達人がより大切に AI要員に欠かせない高いコミュニケーション能力 知識は急速に陳腐化する 知識労働から知能労働へ 知識はタダ同然になっていく AIと人間の役割分担を考える 人間はビッグデータ無しにそこそこの確度で推論できる 異なる専門家のコラボを実現する「ペア要求開発」 AIプロジェクト推進の原動力となる人材 熟練職人芸をAIに移植した後の空洞化対策 ≪第6章　AIの産業応用で今後留意すべきこと≫ ビッグデータの役割はより重要に AIを利用して人々がデータに圧倒されないようにしたい 現在のAIにも存在する「知識獲得ボトルネック」 データの整備や付加価値化にこそAIを活用すべき 正解データの整備・収集時の留意点 日本はAI導入の「伸びしろ」が大きい 店員と同じように接客できるAIが登場する？ AI研究者にとって人文科学や哲学は重要 ベーシックインカムでは問題は解決しない AGI＝汎用AIを道具として扱う