主催 株式会社 情報機構
日時 2021/09/16（木）10:30 ～ 16:30
受講料 47,300 円（税込）
受講方法
オンライン開催（Zoom）
講師
横浜国立大学 大学院環境情報研究院 教授 工学博士 長尾 智晴 先生
ウェビナー概要
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。
対象者
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。
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