ビジネスパーソンのためのAI実践講座① ~AIの仕組みを知ろう~
自分はエンジニアではないから人工知能(AI)を使えない、もしくは自社はテクノロジー企業ではないからAIとは縁がない、などと思っていませんか。 本動画は、非エンジニアの方がプログラミング言語を使わずにAIを実際に使うための実践講座です。①「AIの仕組みを知ろう」では、そもそも人工知能(AI)とは何なのか、AIにはどのような種類があり、ビジネスに導入するとどんなことが可能なのかについて導入部分を学びます。 監修:森谷 和弘 データ解析設計事務所 代表、データアナリティクスラボ株式会社 取締役 CTO、データサイエンティスト協会 スキル定義委員 株式会社富士通金融システムズ(現 富士通株式会社)でデータベースエンジニアとしてのキャリアを積み、その後データ・フォアビジョン株式会社にてデータベースソリューションや金融工学系ソフトウェアの開発、データサイエンス、人事等の役員を担当。2018年よりフリーランスとして独立し、AIコンサルタント、機械学習エンジニア、データサイエンティスト、データアーキテクトとして活動。2019年、データアナリティクスラボ株式会社を共同経営者として起業し、データサイエンティストを未経験者から実践経験者へと育成する事業に従事。
会員限定
より理解を深め、他のユーザーとつながりましょう。
63人の振り返り
k-akira
営業
過学習や未学習、次元の呪いの概要を理解した。正則化については自分で調べたい。
1
kenjiro_fujita
コンサルタント
機械学習の難しさがなんとなくわかった。GlobalとLocalの2つの視点で考えていきたい。
1
yasupii
その他
機械学習は、人間ができないことをやってくれるという期待感が強い。その分、予測結果も「大丈夫だろう」と信じてしまう傾向が強いと思う。しかし、過学習や、予測結果の説明の難しさが存在することを忘れてはいけないことを学んだ。どんな理由があろうとも、使う側には「責任が生じる」ことからは逃れられない。
1
choko0504
メーカー技術・研究・開発
ニューラルネットワークを活用した際の予測の説明の難しさについて学ぶことができた。
微分の連鎖率で重みを更新していくため結果の解釈が難しいことは実務で利用してみて感じた。
1
mainichi365
IT・WEB・エンジニア
説明の難しさを感じる
0
fukashi_uehara
メーカー技術・研究・開発
Googleフォトでは「ゴリラ」のラベル付けができないことが示されましたが、これは「最新の科学技術をもってしてもAIは黒人とゴリラを識別できない」という意味ではありません。AIのバイアスや誤作動により世間からバッシングされるのを恐れるテクノロジー企業は、技術的には可能な機能であっても、安全のためにあえて製品やサービスでは無効化することがあるからです。
0
madogiwazoku
その他
素人には難しすぎました。頭が痛いです。鼻血もでそうです。
0
kazumi_100pot
金融・不動産 関連職
過学習の問題の基本的なところは理解しているつもりですが、正則化や次元圧縮まで含めてしっかりと説明できるようにしていきたいです。
0
chikako_k
IT・WEB・エンジニア
ゴリラとタグづけされた少女がかわいそうでした。修正が難しいことの解決方法が知りたかったです。
0
haruka-
その他
過学習に陥っていると気づけることが重要
0
ta-mo-
IT・WEB・エンジニア
機械学習の結果を説明するのは難しいと感じた。
結果はブラックボックスのイメージになるので、本コースで説明する例を説明頂いたと思う。
ただ、それが本当に説明になっているのか、が課題になるように思う。
0
yokoishida
コンサルタント
チャットBotでかなり遊んだので機械の実力はわかる気がする。本人大まじめの答えが、人間には知ったかぶりか無教養のおしゃべり人間に思えることが多々ある。
0
w_axl
メーカー技術・研究・開発
根拠が説明できないのは なかなか悩ましいですね
技術が進歩して 根拠や理由も解説できるようになることを期待しています
0
pinguino
販売・サービス・事務
気を付けるべき点を知った上で上手に活用したい。
0
70sp1208
その他
動画を視聴して改めて機械学習の難しさがわかった。実際に実務に携わっておらず、馴染みが薄いこともあるが、せっかくの機会なので、是非機械学習の概念を習得していきたい。
0
vz3000
IT・WEB・エンジニア
機械学習の結果を説明する難しさが理解できた。未学習・過学習の状況、帯域的説明や局所的説明などを適切に判断していけるよう経験を積んでいきたい。
0
tsuyoshi_asano
経営・経営企画
学習結果としてMost Likelyな答えを機械的に出しているのに、ヒトの主観で「望ましくない結果」をはじく必要があるのはなかなか難しい問題。AIが判別できない問題を裁く仕事はAIに代替できないのかもしれない。
0
inyourmind
建設・土木 関連職
「未学習」と違って「過学習」は質が悪いということがわかった。
0
naoki_sasano
メーカー技術・研究・開発
過学習と未学習という事象があることを知った。過学習を防ぐための正則化について詳しく学習したいが、推奨される書籍は何か?
0
i_mura888
金融・不動産 関連職
学習後の精度が想定した値と異なる時にどう対処すれば良いかの参考になります。
0
tsukamotoya
営業
大事なことですね。ゴリラのタグ付は怖いですね。業務や日常において活用できることを学習致しました。
0
michiyomichiyo
その他
説明できることの重要性が分かった
0
atsushi_komaki
金融・不動産 関連職
DS検定リテラシーレベルのために。
0
h-kozawa
メーカー技術・研究・開発
機械学習の基礎について、復習の機会となりました。
0
user-name01
販売・サービス・事務
過学習の概念を学んだ。また、出力された結果を説明する方法にも言及していて、参考になった。
0
s-ma
経営・経営企画
説明できるAIの構築が難しいことを理解した
0
4ktake
人事・労務・法務
理解がより深まってきた。さらに学習したい。
0
grateful
専門職
機械学習であっても間違ってしまう事がある事を学びました。
0
sesesese
その他
何らかの方法でという説明が何回かありましたが、
その方法が知りたいです。
0
hhmorimoto
メーカー技術・研究・開発
機械学習の難しさも理解した上で活用して行きたいと思います
0
masato_86
専門職
機械学習の予測の説明の難しさについて学んだ。
0
k--g--
その他
グーグルも間違えることがある、というのが良い教訓になりました。
0
shin_yako
販売・サービス・事務
参考になりました。仕事への活用を考えます
0
cs1960
販売・サービス・事務
大変勉強になりました。
0
dense
メーカー技術・研究・開発
批判を覚悟でコメントすると
ゴリラと判定されて、なんで人間は、怒ったり、いけないと思ったりするのでしょうか。
この感情を、生成AIも学べば、持つことができるようになるのでしょうか。
0
moveon-s
資材・購買・物流
機械学習についてもっと理解を深めないとG検定は合格できないと思いました。
0
yutahayasaka
その他
説明が難しい。理解まではたどり着けていないので、再度視聴したい。
0
suzuqp
IT・WEB・エンジニア
説明が難しかった。改善方法についても説明があるとよかった。
0
takumi_1453
経営・経営企画
■過学習と未学習
①汎化誤差と訓練誤差の比較
・汎化誤差の評価が訓練誤差に比べ非常に
大きくなることがある
・訓練誤差も汎化誤差も非常に大きくなる
場合もある
・原因と対処法
→過学習
・訓練誤差が十分小さいにも関わらず
汎化誤差が大きい場合、
「モデルは訓練用データを過学習し
ている」状態
*練習問題は完全に解けるが実際の
テストで点が悪い)
*モデルの表現能力が高すぎる
*訓練用データの数が少ない
→未学習
・訓練誤差と汎化誤差が共に高いまま
「モデルは訓練用データを未学習し
ている」状態
*練習問題も本番テストも点が悪い
*データの性質とモデルが噛み合っ
ていない
*計算条件が不適切
②機械学習で問題になるのは過学習
・未学習
→気づきやすく(汎化誤差求めるまでも
ない)改善もしやすい
・過学習
→気づきにくく改善もしにくい
→過学習の抑制法として正則化がある
■次元の呪い
・入力の次元数(説明変数の数)が
増えると学習難易度が指数的に増える
→難しさの例
*学習時間が長くなる
*十分な予測精度を出すために
膨大なデータ量が必要
・近年のビッグデータ化に伴い次元(変
数)は増加傾向
→説明変数の数を減らす工夫が必要!!
■予測結果を説明すること
・機械学習モデルが予測した結果について
結果になった根拠を説明する事が難しい
*モデルが複雑になりがちなNNWは特に
難しい
・予測結果説明のアプローチ
→大域的(global)な説明
・モデル全体の解釈を試みる
*各説明変数の寄与度を用いて理由
を説明
(線形回帰の場合、パラメータが
寄与度)
*NNWなどの複雑なモデルを決定木
や線形モデルなどのシンプルなモ
デルで近似したモデルで説明
→局所的(local)な説明
・ある1つのデータの解釈を試みる
*予測に用いた入力データについて
各値の寄与度を算出し、その結果
を用いて説明
*入力データに関連が深い学習デー
タ等を提示する事によって説明
・差別的タグ付けを説明する事は困難
アルゴリズムが勝手に写真に対して差別
的タグ付け
→アルゴリズムの変更では解決できず学
習用データセットから差別に該当する
ラベルを外す処置
0
sakurai_shingo
人事・労務・法務
業務に活かせます。よ
0
take515
メーカー技術・研究・開発
機械学習の難しさのポイントを理解した。
0
taka1962
販売・サービス・事務
AIを利用し何か新しい見方をしようとすれば、その見方を納得させるだけの根拠を示す必要性が高いので、この講義にあった対応方法を試していたいと思います。
0
hr-sakai
その他
次元の呪い。知らないうちにはまってたような気がする。どうしても精度の高い結果を求めすぎて、時間がかかってしまった事を思い出した。
0
e_co
販売・サービス・事務
機械学習の難しさを理解しました。
便利ですが、使う側の知識不足が重大なミスにも繋がる恐ろしさ、結果の説明の難しさを感じた。
0
stani
専門職
機械学習の向上には、機器の性能向上とひとの努力やルール化が重要である。
0
k_yuna
販売・サービス・事務
学びを深めることが出来ました。
0
koichi_seya
その他
設変変数が増えるほど、説明が難しくなることや、それに対する対応などわかりたすいモデルに近似する手法など勉強になった。
0
shirojpn
メーカー技術・研究・開発
機械学習の難しさ 特にニューラルネットワークにおける グローバル、ローカルでの説明方法について理解が深まった。
0
moco_fuwa
その他
根拠付けをする難しさを理解できた
0
makidayo
IT・WEB・エンジニア
なぜ、その結果が出たのかの原因が特定できないというところが、機械学習の難しさなんだなと思うのと同時に、なぜそのような結果を出したのかを分析するのは楽しそうだと思った。わかるかわからないかはわからないが、突き止めたら面白そう。
0
watanabe-tat
専門職
機械学習の難しさは、その結果を説明することである。深層学習と近似した機械学習モデルで説明を代替する手法が想定される。また教師あり学習データを機械学習モデルで分類、アノテーションさせて、学習データの特徴を機械学習モデルのパラメーターで説明する手法も考えられる。
0
hi-std
IT・WEB・エンジニア
機械学習の難しさがわかった
0
iso_ken
専門職
訓練誤差がどんどん減っていくことが楽しくなって、過学習はついついやってしまいがちである。目的である汎化誤差を小さくするということを忘れないようにしなければならない。
0
matute
IT・WEB・エンジニア
機械学習の結果を説明する難しさが理解できた。機械学習を進める際、未学習・過学習の状況を分析すると共に生成した機械学習結果を単に信じるのではなく、帯域的説明や局所的説明である程度説明できるようにしたい。
0
t_htn
経営・経営企画
機械学習の課題が把握できた。
データ分析業務で活用する場合は、この観点に留意し、
精度の高い分析に繋げたいと思う
0
toshi-iwai
経理・財務
過学習が良くわからなかったので復習したいと思います。
0
ken222
営業
機械学習の難しさをしっかり理解したい。
0
hfkd156036
金融・不動産 関連職
過学習と未学習について理解できた。
0
512177
資材・購買・物流
誤差の認識をもってデータを取り扱うことが重要
0
test_test___
メーカー技術・研究・開発
機械学習も当然万能ではなく難しい点もあるということを改めて認識した。
0
iwc_co
建設・土木 関連職
具体的なイメージにつなぐことができなかった。
0
vegitaberu
人事・労務・法務
AI、機械学習の限界は、ぜひとも知っておきたいところです。ひと通りの復習はできたと思いますが、限界も、日々変わっていると思いますので、適宜、キャッチアップしていきたいと思います。
0
ks070341
その他
機械学習の難しさについて理解できた。対外的な問題も生じ得ることを覚えておきたい。
0