昨今、深層学習 (ディープラーニング) が注目されており、企業の業務への導入が検討されていますが、深層学習の回路が容易に説明することができないブラックボックスになることが大きな問題になっています。このため、「説明できるAI」に対するニーズが急速に高まりつつあります。説明できるAI・機械学習を作るためには、深層学習などのブラックボックスの処理を明らかにする方法と、決定木などのホワイトボックスの処理の精度を向上させる方法があります。
本セミナーでは、機械学習の産業応用の観点から、これらの技術の現状・課題・将来展望について、具体的な事例を交えながら機械学習に不慣れな方でも理解できるよう平易に解説します。
- 人工知能と機械学習
- 人工知能におけるパラダイムシフト
- 機械学習の種類と特徴
- 帰納学習
- 演繹学習
- 教師あり・なし学習
- 強化学習 など
- 「説明できるAI」とは?
- なぜ必要とされるのか?
- 具体的に何ができれば良いのか? など
- 深層学習 (ディープラーニング) 入門
- 神経回路網について
- 神経細胞
- 相互結合型・階層型回路網
- 確率的勾配降下法 など
- 深層学習の原理と手法
- 深層化の手法
- 深層学習のライブラリ
- 最近の手法 など
- 深層学習の問題点と対応策
- ブラックボックス (深層学習など) の処理を明らかにする方法
- 回路を理解する/説明できるとは?
- 学習済みの深層回路を説明する方法
- 中間層での応答
- ヒートマップの提示
- Grad – CAM など
- 入出力の関係性を調べる方法
- 入力から出力を予測する手法
- Attention
- LIME など
- 深層回路を小さな回路に圧縮・変換する方法
- 原理が分かり易い深層回路を作る方法
- GCM・EGCMや深層零平均正規化相互相関ネット など
- 他の知識を利用・転用する深層学習法
- ホワイトボックス (決定木など) の精度を向上させる方法
- 人が理解し易い機械学習とは何か?
- 処理フローの可視化
- 直観的な知識表現
- ルールベースの手法 など
- 単位処理のモジュール化による構造の最適化
- 進化的画像処理
- コネクショニズム型進化的画像認識 など
- 特徴量の最適化法
- 特徴量の自動選択
- 前処理の導入
- ACSYS・SIFTER など
- 小規模な回路による高度な処理の実現方法
- 進化的セル型回路網
- 進化型ニューラルネットワーク など
- 処理プロセスが分かり易い認識器を作る方法
- 処理プロセスを言葉で説明する方法
- 業務へのAI導入について
- AI導入に成功する企業の特徴
- AI導入の方法と留意点
- 業務へのAI導入事例のご紹介