Enviar pesquisa
Carregar
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
•
1 gostou
•
2,837 visualizações
Deep Learning Lab(ディープラーニング・ラボ)
Seguir
TDSE 脇坂 博之 氏
Leia menos
Leia mais
Tecnologia
Denunciar
Compartilhar
Denunciar
Compartilhar
1 de 44
Baixar agora
Baixar para ler offline
Recomendados
落合陽一 筑波大 講演資料 10月17日
落合陽一 筑波大 講演資料 10月17日
Yoichi Ochiai
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
ゲーム体験を支える強化学習の実応用について
ゲーム体験を支える強化学習の実応用について
Jun Okumura
Self training with noisy student
Self training with noisy student
harmonylab
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
Hironori Washizaki
機械学習システムの品質保証に向けた課題とコンソーシアム活動
機械学習システムの品質保証に向けた課題とコンソーシアム活動
Hideto Ogawa
モデル高速化百選
モデル高速化百選
Yusuke Uchida
落合陽一前陣速攻のスライド0131 #JILS
落合陽一前陣速攻のスライド0131 #JILS
Yoichi Ochiai
Recomendados
落合陽一 筑波大 講演資料 10月17日
落合陽一 筑波大 講演資料 10月17日
Yoichi Ochiai
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
ゲーム体験を支える強化学習の実応用について
ゲーム体験を支える強化学習の実応用について
Jun Okumura
Self training with noisy student
Self training with noisy student
harmonylab
(修正)機械学習デザインパターン(ML Design Patterns)の解説
(修正)機械学習デザインパターン(ML Design Patterns)の解説
Hironori Washizaki
機械学習システムの品質保証に向けた課題とコンソーシアム活動
機械学習システムの品質保証に向けた課題とコンソーシアム活動
Hideto Ogawa
モデル高速化百選
モデル高速化百選
Yusuke Uchida
落合陽一前陣速攻のスライド0131 #JILS
落合陽一前陣速攻のスライド0131 #JILS
Yoichi Ochiai
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
西岡 賢一郎
(2021.10) 機械学習と機械発見 データ中心型の化学・材料科学の教訓とこれから
(2021.10) 機械学習と機械発見 データ中心型の化学・材料科学の教訓とこれから
Ichigaku Takigawa
「あなたがいま読んでいるものは文字です」~画像情報学から見た文字研究のこれから
「あなたがいま読んでいるものは文字です」~画像情報学から見た文字研究のこれから
Seiichi Uchida
Neural text-to-speech and voice conversion
Neural text-to-speech and voice conversion
Yuki Saito
DRIVE CHARTを支えるAI技術
DRIVE CHARTを支えるAI技術
Yusuke Uchida
IT系エンジニアのためのプレゼンテーション入門
IT系エンジニアのためのプレゼンテーション入門
Masahito Zembutsu
動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット
Toru Tamaki
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
cvpaper. challenge
#FTMA15 先端技術とメディア表現3
#FTMA15 先端技術とメディア表現3
Yoichi Ochiai
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
Takahiro Kubo
卒論パワポVer3 伊東純平
卒論パワポVer3 伊東純平
純平 伊東
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
SSII
落合流先生流の論文要旨フォーマット
落合流先生流の論文要旨フォーマット
森 哲也
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
機械学習応用のためのソフトウェアエンジニアリングパターン
機械学習応用のためのソフトウェアエンジニアリングパターン
HironoriTAKEUCHI1
SSII2022 [OS3-02] Federated Learningの基礎と応用
SSII2022 [OS3-02] Federated Learningの基礎と応用
SSII
【卒業論文】深層生成モデルを用いたユーザ意図に基づく衣服画像の生成に関する研究
【卒業論文】深層生成モデルを用いたユーザ意図に基づく衣服画像の生成に関する研究
harmonylab
Explanation in Machine Learning and Its Reliability
Explanation in Machine Learning and Its Reliability
Satoshi Hara
異常音検知の実用化に向けて
異常音検知の実用化に向けて
Ryohei Yamaguchi
[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?
Deep Learning JP
なぜ数学と理系人材がビジネスの現場で必要とされるのか
なぜ数学と理系人材がビジネスの現場で必要とされるのか
Hirofumi Ikeda
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
Recruit Technologies
Mais conteúdo relacionado
Mais procurados
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
西岡 賢一郎
(2021.10) 機械学習と機械発見 データ中心型の化学・材料科学の教訓とこれから
(2021.10) 機械学習と機械発見 データ中心型の化学・材料科学の教訓とこれから
Ichigaku Takigawa
「あなたがいま読んでいるものは文字です」~画像情報学から見た文字研究のこれから
「あなたがいま読んでいるものは文字です」~画像情報学から見た文字研究のこれから
Seiichi Uchida
Neural text-to-speech and voice conversion
Neural text-to-speech and voice conversion
Yuki Saito
DRIVE CHARTを支えるAI技術
DRIVE CHARTを支えるAI技術
Yusuke Uchida
IT系エンジニアのためのプレゼンテーション入門
IT系エンジニアのためのプレゼンテーション入門
Masahito Zembutsu
動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット
Toru Tamaki
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
cvpaper. challenge
#FTMA15 先端技術とメディア表現3
#FTMA15 先端技術とメディア表現3
Yoichi Ochiai
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
Takahiro Kubo
卒論パワポVer3 伊東純平
卒論パワポVer3 伊東純平
純平 伊東
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
SSII
落合流先生流の論文要旨フォーマット
落合流先生流の論文要旨フォーマット
森 哲也
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
機械学習応用のためのソフトウェアエンジニアリングパターン
機械学習応用のためのソフトウェアエンジニアリングパターン
HironoriTAKEUCHI1
SSII2022 [OS3-02] Federated Learningの基礎と応用
SSII2022 [OS3-02] Federated Learningの基礎と応用
SSII
【卒業論文】深層生成モデルを用いたユーザ意図に基づく衣服画像の生成に関する研究
【卒業論文】深層生成モデルを用いたユーザ意図に基づく衣服画像の生成に関する研究
harmonylab
Explanation in Machine Learning and Its Reliability
Explanation in Machine Learning and Its Reliability
Satoshi Hara
異常音検知の実用化に向けて
異常音検知の実用化に向けて
Ryohei Yamaguchi
[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?
Deep Learning JP
Mais procurados
(20)
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
(2021.10) 機械学習と機械発見 データ中心型の化学・材料科学の教訓とこれから
(2021.10) 機械学習と機械発見 データ中心型の化学・材料科学の教訓とこれから
「あなたがいま読んでいるものは文字です」~画像情報学から見た文字研究のこれから
「あなたがいま読んでいるものは文字です」~画像情報学から見た文字研究のこれから
Neural text-to-speech and voice conversion
Neural text-to-speech and voice conversion
DRIVE CHARTを支えるAI技術
DRIVE CHARTを支えるAI技術
IT系エンジニアのためのプレゼンテーション入門
IT系エンジニアのためのプレゼンテーション入門
動作認識の最前線:手法,タスク,データセット
動作認識の最前線:手法,タスク,データセット
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
#FTMA15 先端技術とメディア表現3
#FTMA15 先端技術とメディア表現3
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
卒論パワポVer3 伊東純平
卒論パワポVer3 伊東純平
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
SSII2020 [OS2-02] 教師あり事前学習を凌駕する「弱」教師あり事前学習
落合流先生流の論文要旨フォーマット
落合流先生流の論文要旨フォーマット
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
機械学習応用のためのソフトウェアエンジニアリングパターン
機械学習応用のためのソフトウェアエンジニアリングパターン
SSII2022 [OS3-02] Federated Learningの基礎と応用
SSII2022 [OS3-02] Federated Learningの基礎と応用
【卒業論文】深層生成モデルを用いたユーザ意図に基づく衣服画像の生成に関する研究
【卒業論文】深層生成モデルを用いたユーザ意図に基づく衣服画像の生成に関する研究
Explanation in Machine Learning and Its Reliability
Explanation in Machine Learning and Its Reliability
異常音検知の実用化に向けて
異常音検知の実用化に向けて
[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?
Semelhante a 深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
なぜ数学と理系人材がビジネスの現場で必要とされるのか
なぜ数学と理系人材がビジネスの現場で必要とされるのか
Hirofumi Ikeda
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
Recruit Technologies
企業が求めるデータサイエンティスト人材像-データサイエンティスト 国内企業動向調査(2019)より
企業が求めるデータサイエンティスト人材像-データサイエンティスト 国内企業動向調査(2019)より
The Japan DataScientist Society
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
Hirono Jumpei
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
Hirono Jumpei
「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク 榊 剛史
「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク 榊 剛史
Leading Edge Co.,Ltd.
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Recruit Technologies
データサイエンスとデータエンジニア
データサイエンスとデータエンジニア
nagix
AI・データ利活用継続の鍵はビジネススキル
AI・データ利活用継続の鍵はビジネススキル
The Japan DataScientist Society
データ分析をビジネスに活かす!データ創出・活用から、分析、課題解決までのDX時代のデータ活用事例のご紹介 ~不揃いのデータとの格闘~
データ分析をビジネスに活かす!データ創出・活用から、分析、課題解決までのDX時代のデータ活用事例のご紹介 ~不揃いのデータとの格闘~
NTT Software Innovation Center
Dlc ri
Dlc ri
Hirokuni Uchida
Io taiプロジェクトの進め方、組織作り 20180208_ver1.02
Io taiプロジェクトの進め方、組織作り 20180208_ver1.02
Microsoft Azure Japan
事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?
事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?
Norihiko Nakabayashi
Oracle Data Miner で始める簡単・高速な機械学習
Oracle Data Miner で始める簡単・高速な機械学習
Tamakoshi Hironori
リクルートを支える横断データ基盤と機械学習の適用事例
リクルートを支える横断データ基盤と機械学習の適用事例
Tetsutaro Watanabe
経済を理解する数字の見方、上司が見たい数字の見せ方
経済を理解する数字の見方、上司が見たい数字の見せ方
MKT International Inc.
20161101_ITスキル研究フォーラム主催セミナー講演資料_「SoR」と「SoE」を繋げる人材育成プラン_ITI 関 和美
20161101_ITスキル研究フォーラム主催セミナー講演資料_「SoR」と「SoE」を繋げる人材育成プラン_ITI 関 和美
it-innovation
第24回SIA例会プレゼン資料
第24回SIA例会プレゼン資料
Tae Yoshida
雇用・働き方の未来 人とインテリジェント・テクノロジー
雇用・働き方の未来 人とインテリジェント・テクノロジー
Accenture Japan
コンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネス
Yusuke Uchida
Semelhante a 深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
(20)
なぜ数学と理系人材がビジネスの現場で必要とされるのか
なぜ数学と理系人材がビジネスの現場で必要とされるのか
リクルートにおけるデータのインフラ化への取組
リクルートにおけるデータのインフラ化への取組
企業が求めるデータサイエンティスト人材像-データサイエンティスト 国内企業動向調査(2019)より
企業が求めるデータサイエンティスト人材像-データサイエンティスト 国内企業動向調査(2019)より
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク 榊 剛史
「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク 榊 剛史
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
Struggling with BIGDATA -リクルートおけるデータサイエンス/エンジニアリング-
データサイエンスとデータエンジニア
データサイエンスとデータエンジニア
AI・データ利活用継続の鍵はビジネススキル
AI・データ利活用継続の鍵はビジネススキル
データ分析をビジネスに活かす!データ創出・活用から、分析、課題解決までのDX時代のデータ活用事例のご紹介 ~不揃いのデータとの格闘~
データ分析をビジネスに活かす!データ創出・活用から、分析、課題解決までのDX時代のデータ活用事例のご紹介 ~不揃いのデータとの格闘~
Dlc ri
Dlc ri
Io taiプロジェクトの進め方、組織作り 20180208_ver1.02
Io taiプロジェクトの進め方、組織作り 20180208_ver1.02
事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?
事業会社が開催する人材育成プログラム ”Data Science BOOTCAMP”とは?
Oracle Data Miner で始める簡単・高速な機械学習
Oracle Data Miner で始める簡単・高速な機械学習
リクルートを支える横断データ基盤と機械学習の適用事例
リクルートを支える横断データ基盤と機械学習の適用事例
経済を理解する数字の見方、上司が見たい数字の見せ方
経済を理解する数字の見方、上司が見たい数字の見せ方
20161101_ITスキル研究フォーラム主催セミナー講演資料_「SoR」と「SoE」を繋げる人材育成プラン_ITI 関 和美
20161101_ITスキル研究フォーラム主催セミナー講演資料_「SoR」と「SoE」を繋げる人材育成プラン_ITI 関 和美
第24回SIA例会プレゼン資料
第24回SIA例会プレゼン資料
雇用・働き方の未来 人とインテリジェント・テクノロジー
雇用・働き方の未来 人とインテリジェント・テクノロジー
コンピュータビジョン技術の実応用とビジネス
コンピュータビジョン技術の実応用とビジネス
Mais de Deep Learning Lab(ディープラーニング・ラボ)
Edge AI ソリューションを支える Azure IoT サービス
Edge AI ソリューションを支える Azure IoT サービス
Deep Learning Lab(ディープラーニング・ラボ)
DLLAB Healthcare Day 2021 Event Report
DLLAB Healthcare Day 2021 Event Report
Deep Learning Lab(ディープラーニング・ラボ)
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
Deep Learning Lab(ディープラーニング・ラボ)
医学と工学の垣根を越えた医療AI開発
医学と工学の垣根を越えた医療AI開発
Deep Learning Lab(ディープラーニング・ラボ)
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
Deep Learning Lab(ディープラーニング・ラボ)
厚生労働分野におけるAI技術の利活用について
厚生労働分野におけるAI技術の利活用について
Deep Learning Lab(ディープラーニング・ラボ)
先端技術がもたらす「より良いヘルスケアのかたち」
先端技術がもたらす「より良いヘルスケアのかたち」
Deep Learning Lab(ディープラーニング・ラボ)
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
Deep Learning Lab(ディープラーニング・ラボ)
「言語」×AI Digital Device
「言語」×AI Digital Device
Deep Learning Lab(ディープラーニング・ラボ)
深層強化学習と実装例
深層強化学習と実装例
Deep Learning Lab(ディープラーニング・ラボ)
深層強化学習を用いた複合機の搬送制御
深層強化学習を用いた複合機の搬送制御
Deep Learning Lab(ディープラーニング・ラボ)
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Deep Learning Lab(ディープラーニング・ラボ)
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Deep Learning Lab(ディープラーニング・ラボ)
Jetson x Azure ハンズオン DeepStream With Azure IoT
Jetson x Azure ハンズオン DeepStream With Azure IoT
Deep Learning Lab(ディープラーニング・ラボ)
Jetson x Azure ハンズオン DeepStream Azure IoT
Jetson x Azure ハンズオン DeepStream Azure IoT
Deep Learning Lab(ディープラーニング・ラボ)
Jetson 活用による スタートアップ企業支援
Jetson 活用による スタートアップ企業支援
Deep Learning Lab(ディープラーニング・ラボ)
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
Deep Learning Lab(ディープラーニング・ラボ)
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
Deep Learning Lab(ディープラーニング・ラボ)
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
Deep Learning Lab(ディープラーニング・ラボ)
[Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
[Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
Deep Learning Lab(ディープラーニング・ラボ)
Mais de Deep Learning Lab(ディープラーニング・ラボ)
(20)
Edge AI ソリューションを支える Azure IoT サービス
Edge AI ソリューションを支える Azure IoT サービス
DLLAB Healthcare Day 2021 Event Report
DLLAB Healthcare Day 2021 Event Report
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
ICTを用いた健康なまちづくりの 取り組みとAI活用への期待
医学と工学の垣根を越えた医療AI開発
医学と工学の垣根を越えた医療AI開発
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
Intel AI in Healthcare 各国事例からみるAIとの向き合い方
厚生労働分野におけるAI技術の利活用について
厚生労働分野におけるAI技術の利活用について
先端技術がもたらす「より良いヘルスケアのかたち」
先端技術がもたらす「より良いヘルスケアのかたち」
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
AIによる細胞診支援技術の紹介と、AI人材が考える医療バイオ領域における参入障壁の乗り越え方
「言語」×AI Digital Device
「言語」×AI Digital Device
深層強化学習と実装例
深層強化学習と実装例
深層強化学習を用いた複合機の搬送制御
深層強化学習を用いた複合機の搬送制御
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Azure ML 強化学習を用いた最新アルゴリズムの活用手法
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Jetson x Azure ハンズオン DeepStream With Azure IoT 事前準備
Jetson x Azure ハンズオン DeepStream With Azure IoT
Jetson x Azure ハンズオン DeepStream With Azure IoT
Jetson x Azure ハンズオン DeepStream Azure IoT
Jetson x Azure ハンズオン DeepStream Azure IoT
Jetson 活用による スタートアップ企業支援
Jetson 活用による スタートアップ企業支援
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
[Track 4-6] ディープラーニングxものづくりが日本を強くする ~高専DCONの挑戦~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track3-2] AI活用人材の社内育成に関する取り組みについて ~ダイキン情報技術大学~
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
[Track1-1] AIの売上予測を発注システムに組み込んだリンガーハットのデータ活用戦略
[Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
[Track1-2] ディープラーニングを用いたワインブドウの収穫量予測
Último
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru Tamaki
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
Ryo Sasaki
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Toru Tamaki
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
sugiuralab
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
danielhu54
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
Último
(10)
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
Postman LT Fukuoka_Quick Prototype_By Daniel
Postman LT Fukuoka_Quick Prototype_By Daniel
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
深層学習モデルと統計モデルHR現場で適切だったのはどっち!?
1.
テクノスデータサイエンス・エンジニアリング株式会社 〒163-1427 東京都新宿区西新宿3-20-2東京オペラシティタワー27階 TEL:03(6383)3261 FAX:03(6383)3262 DLLAB2周年イベント: ディープラーニングの社会実装を阻むものは何か? 深層学習モデルと統計モデル HR現場で適切だったのはどっち!? 2019年6月8日
2.
Page 2Tecnos Data
Science Engineering All Rights Reserved 目次 大手顧客企業における採用最適化事例の概要1 大手顧客企業の採用フローの現状と課題2 課題解決のために提示した2つの方法3 適切だった方法はどっち?4 この事例での学び5
3.
Page 3Tecnos Data
Science Engineering All Rights Reserved 会社紹介 テクノスデータサイエンス・エンジニアリング(略称:TDSE)は、 企業の課題やニーズに対してデータサイエンスの力でビジネスに役立つ価値を引き出し お客さまの事業競争力を高めるご支援をします。 名称 テクノスデータサイエンス・エンジニアリング 株式会社 所在地 東京都新宿区西新宿3-20-2 東京オペラシティタワー27階 設立 2013年10月17日 代表者 代表取締役 城谷直彦 資本金 8億3,318万円 上場 東証マザーズ(証券コード7046) 従業員数 101名(2018年4月時点) 主要株主 株式会社テクノスジャパン 株式会社エヌ・ティ・ティ・データ あいおいニッセイ同和損害保険株式会社 最先端研究所で研究実績のあるメンバーを中心に構成 データサイエンティスト在籍数(2018年4月現在) 総勢 67名 理系修士以上 63名 理系博士号取得者 28名 データ活用 サービス AIサービ ス共同開発 プロダクト 提供 事業内容 トータルサポート体制でお客さまを支援 組織組成支援 欧州原子核研究機構(CERN)、ブルックヘブン 国立研究所(BNL)、フェルミ国立加速器研究所 (FNAL)、理化学研究所 素粒子物理学、地球科学、情報工学、物性物理、 数学、理論化学、複雑系科学、計量経済学 主な研究機関 主な出身分野
4.
Page 4Tecnos Data
Science Engineering All Rights Reserved 自己紹介 ◼脇坂 隆之 (わきさか たかゆき) ~2012年:大学院で素粒子物理学 (高エネルギー物理学) に関する研究 ~2019年:ビジネス分野におけるデータアナリティクス業務に従事 ~2012年 ~2019年 分析分野 • 金融業 • 製造業 • デジタルマーケティング • ヒューマンリソース(HR) etc
5.
Page 5Tecnos Data
Science Engineering All Rights Reserved はじめに
6.
Page 6Tecnos Data
Science Engineering All Rights Reserved お伝えしたいこと ビジネス課題を理解し ビジネス価値が生れる AI技術を活用する
7.
Page 7Tecnos Data
Science Engineering All Rights Reserved お伝えしたいこと ✓ 昨今、多くの企業で採用や配属などのHR業 務の効率化や最適化にAI技術の活用シーン が増えてきています ✓ しかし、AI技術と一口に言っても様々あり、 それぞれに特徴(精度、解釈性、etc)があり ます ✓ すなわち、ひとつのAI技術がすべての業務 に活用できません ✓ 弊社の大手顧客企業の採用最適化事例から 適切なAI技術の活用についてお伝えいたし ます
8.
Page 8Tecnos Data
Science Engineering All Rights Reserved 1. 大手顧客企業における採用最適化事例の概要
9.
Page 9Tecnos Data
Science Engineering All Rights Reserved 事例概要 【業 種】製造業 【従業員数】数万人 顧客企業 テーマ 課題 施策 効果 顧客企業の1部署における新卒採用活動のAI技 術を使った効率化 新卒応募者全員から優秀な人財を効率的に採用 したい 応募時の採用データ※1から1次面接到達確度の 高い応募者を抽出して、その応募者に対して魅 力訴求を行う ※1 エントリデータ/SPIデータ 応募者の1次面接到達確率を統計モデルで見え る化(定量化)して、魅力訴求にフィードバック することで採用活動の効率化ができた
10.
Page 10Tecnos Data
Science Engineering All Rights Reserved 2. 大手顧客企業の採用フローの現状と課題
11.
Page 11Tecnos Data
Science Engineering All Rights Reserved 新卒採用の現状フロー エ ン ト リ ー 一 次 面 接 最 終 面 接 内 々 定 入 社 初 期 母 集 団 会 社 説 明 会 一 次 リ ク ル ー ト 二 次 リ ク ル ー ト 現状フロー
12.
Page 12Tecnos Data
Science Engineering All Rights Reserved 新卒採用の現状フロー エ ン ト リ ー 一 次 面 接 最 終 面 接 内 々 定 入 社 初 期 母 集 団 会 社 説 明 会 一 次 リ ク ル ー ト 二 次 リ ク ル ー ト ✓ 採用フローのステップが多く、応募者全員をフローに流せない ✓ 応募者順の上位に絞り込んで、採用フローに流している 現状フロー 応募順で絞込 リクルート活動で魅力訴求
13.
Page 13Tecnos Data
Science Engineering All Rights Reserved 新卒採用の現状フロー エ ン ト リ ー 一 次 面 接 最 終 面 接 内 々 定 入 社 初 期 母 集 団 会 社 説 明 会 一 次 リ ク ル ー ト 二 次 リ ク ル ー ト ✓ 採用フローのステップが多く、応募者全員をフローに流せない ✓ 応募者順の上位に絞り込んで、採用フローに流している ✓ 採用確度の低い応募者にも、機会均等に魅力訴求していて非効率!! ✓ 採用確度の高い応募者には、機会損失が発生している!! 現状フロー 応募順で絞込 リクルート活動で魅力訴求
14.
Page 14Tecnos Data
Science Engineering All Rights Reserved 現状フローの課題 エ ン ト リ ー 一 次 面 接 最 終 面 接 内 々 定 入 社 初 期 母 集 団 会 社 説 明 会 一 次 リ ク ル ー ト 二 次 リ ク ル ー ト 応募順で絞込 リクルート活動で魅力訴求 現状フロー
15.
Page 15Tecnos Data
Science Engineering All Rights Reserved 3. 課題解決のために提示した2つの方法
16.
Page 16Tecnos Data
Science Engineering All Rights Reserved 新卒採用フローのAI化 エ ン ト リ ー 一 次 面 接 最 終 面 接 内 々 定 入 社 初 期 母 集 団 会 社 説 明 会 一 次 リ ク ル ー ト 二 次 リ ク ル ー ト 応募順で絞込 リクルート活動で魅力訴求 現状フロー
17.
Page 17Tecnos Data
Science Engineering All Rights Reserved 新卒採用フローのAI化 現状フロー
18.
Page 18Tecnos Data
Science Engineering All Rights Reserved 新卒採用フローのAI化 現状フロー
19.
Page 19Tecnos Data
Science Engineering All Rights Reserved 新卒採用フローのAI化 エ ン ト リ ー 一 次 面 接 最 終 面 接 内 々 定 入 社 初 期 母 集 団 会 社 説 明 会 一 次 リ ク ル ー ト 二 次 リ ク ル ー ト
20.
Page 20Tecnos Data
Science Engineering All Rights Reserved 新卒採用フローのAI化 エ ン ト リ ー 一 次 面 接 最 終 面 接 内 々 定 入 社 エ ン ト リ ー 一 次 面 接 最 終 面 接 内 々 定 入 社 初 期 母 集 団 初 期 母 集 団 会 社 説 明 会 一 次 リ ク ル ー ト 二 次 リ ク ル ー ト リ ク ル ー ト AI化
21.
Page 21Tecnos Data
Science Engineering All Rights Reserved 課題解決の2つの方法 エ ン ト リ ー 一 次 面 接 最 終 面 接 内 々 定 入 社 初 期 母 集 団 リ ク ル ー ト ✓ 応募時の採用データから1次面接到達確率をAIモデルで算出し、 確率の高い応募者を抽出して、その応募者に対して魅力訴求を行う • 採用データ:エントリーデータ、SPIデータ • AIモデル:2値分類モデル ① Deep Learning ② ロジスティック回帰 課題解決方法
22.
Page 22Tecnos Data
Science Engineering All Rights Reserved 課題解決の2つの方法 エ ン ト リ ー 一 次 面 接 最 終 面 接 内 々 定 入 社 初 期 母 集 団 リ ク ル ー ト ✓ 応募時の採用データから1次面接到達確率をAIモデルで算出し、 確率の高い応募者を抽出して、その応募者に対して魅力訴求を行う • 採用データ:エントリーデータ、SPIデータ • AIモデル:2値分類モデル ① Deep Learning ② ロジスティック回帰 課題解決方法
23.
Page 23Tecnos Data
Science Engineering All Rights Reserved 課題解決の2つの方法 エ ン ト リ ー 一 次 面 接 最 終 面 接 内 々 定 入 社 初 期 母 集 団 リ ク ル ー ト ✓ 応募時の採用データから1次面接到達確率をAIモデルで算出し、 確率の高い応募者を抽出して、その応募者に対して魅力訴求を行う • 採用データ:エントリーデータ、SPIデータ • AIモデル:2値分類モデル ① Deep Learning ② ロジスティック回帰 課題解決方法 1次面接到達確率は 80%です。
24.
Page 24Tecnos Data
Science Engineering All Rights Reserved 課題解決の2つの方法 エ ン ト リ ー 一 次 面 接 最 終 面 接 内 々 定 入 社 初 期 母 集 団 リ ク ル ー ト ① Deep Learning • 「1次面接到達確率の高い応募者を抽出する」という観点で選択 ② ロジスティック回帰 • 課題には、「採用確度の高い応募者の抽出」と「効率的な魅力訴 求を行う」という2つの観点がある • それらを実現するために「解釈性のある予測モデル」を選択 課題解決方法 1次面接到達確率は 80%です。
25.
Page 25Tecnos Data
Science Engineering All Rights Reserved 課題解決の2つの方法 エ ン ト リ ー 一 次 面 接 最 終 面 接 内 々 定 入 社 初 期 母 集 団 リ ク ル ー ト ① Deep Learning • 「1次面接到達確率の高い応募者を抽出する」という観点で選択 ② ロジスティック回帰 • 課題には、「採用確度の高い応募者の抽出」と「効率的な魅力訴 求を行う」という2つの観点がある • それらを実現するために「解釈性のある予測モデル」を選択 課題解決方法 顧客担当者の思い 1次面接到達確率は 80%です。
26.
Page 26Tecnos Data
Science Engineering All Rights Reserved 課題解決の2つの方法 エ ン ト リ ー 一 次 面 接 最 終 面 接 内 々 定 入 社 初 期 母 集 団 リ ク ル ー ト ① Deep Learning • 「1次面接到達確率の高い応募者を抽出する」という観点で選択 ② ロジスティック回帰 • 課題には、「採用確度の高い応募者の抽出」と「効率的な魅力訴 求を行う」という2つの観点がある • それらを実現するために「解釈性のある予測モデル」を選択 課題解決方法 顧客担当者の思い 1次面接到達確率は 80%です。 なぜならば…
27.
Page 27Tecnos Data
Science Engineering All Rights Reserved 4. 適切だった方法はどっち?
28.
Page 28Tecnos Data
Science Engineering All Rights Reserved 2つの方法の特徴あるある Deep Learning ロジスティック 回帰 デメリットメリット
29.
Page 29Tecnos Data
Science Engineering All Rights Reserved 2つの方法の特徴あるある デメリットメリット 高い予測精度 が出やすい 解釈が難しい Deep Learning ロジスティック 回帰
30.
Page 30Tecnos Data
Science Engineering All Rights Reserved 2つの方法の特徴あるある デメリットメリット 高い予測精度 が出やすい 解釈が難しい 解釈がし易い 高い予測精度 は出にくい Deep Learning ロジスティック 回帰
31.
Page 31Tecnos Data
Science Engineering All Rights Reserved 2つの方法の特徴あるある デメリットメリット 高い予測精度 が出やすい 高い予測精度 は出にくい Deep Learning ロジスティック 回帰
32.
Page 32Tecnos Data
Science Engineering All Rights Reserved そもそも、課題は何だっけ? 課題 新卒応募者全員から優秀な人財を効率的に採用 したい
33.
Page 33Tecnos Data
Science Engineering All Rights Reserved そもそも、課題は何だっけ? 課題 新卒応募者全員から優秀な人財を効率的に採用 したい 観点① 観点➁
34.
Page 34Tecnos Data
Science Engineering All Rights Reserved そもそも、課題は何だっけ? 観点① 観点➁
35.
Page 35Tecnos Data
Science Engineering All Rights Reserved そもそも、課題は何だっけ? 観点① 観点➁
36.
Page 36Tecnos Data
Science Engineering All Rights Reserved そもそも、課題は何だっけ? 観点① 観点➁ すなわち
37.
Page 37Tecnos Data
Science Engineering All Rights Reserved 5. この事例での学び
38.
Page 38Tecnos Data
Science Engineering All Rights Reserved 繰り返しになりますが ビジネス課題を理解し ビジネス価値が生れる AI技術を活用する
39.
Page 39Tecnos Data
Science Engineering All Rights Reserved 学び ✓ 顧客は、AI(技術)は得体の知れないモノだが、魔法 の杖のように何でもやってくれると夢想している ✓ (少なくとも)2019年6月時点では、魔法の杖は存在 しない (人が、AI/DL技術によって構築されたモデルを理解できるようになればもしかして…) ✓ ビジネス課題に対して、それに合ったデータ分析技 術を活用しなければ、ビジネス価値は生まれない ✓ それは、集計でも良いし、統計モデルでも良いし、 機械学習モデルでも良いし、Deep Learningでも良 い。とにかく合ったヤツを選ぶ!!
40.
Page 40Tecnos Data
Science Engineering All Rights Reserved 最後に
41.
Page 41Tecnos Data
Science Engineering All Rights Reserved TDSEサービス紹介 ビジョン策定から運用まで提供 データサイエンスで、ビジョン策定、データ分析・最適化、AI を活用した 運用しくみづくり、分析活用基盤の構築など、データ分析・活用を軸にお 客様のニーズや課題にあったサービスをご提供致します。 企業の意思決定の軸を 経験と勘からデータとITへ変革 DXコンサルティング 成果につながる 分析チームの内製化を支援 データサイエンティスト 育成支援 データサイエンティストによる 分析コンサルティング アナリティクス コンサルティング 集めたデータを価値ある 情報へ変換 IoTデータ活用支援 顧客の「本音」を抽出、分析 SNS分析サービス 分析の目的に応じた最適な システム基盤構築 分析基盤構築
42.
Page 42Tecnos Data
Science Engineering All Rights Reserved AIビジネス活用を成功させるには“組織”としての対応が必要であるため、 TDSEではワンストップでAIビジネス成功へ向けた教育トレーニングを展開 しております。 成果につながる分析チームの内製化を支援 データサイエンティスト育成支援サービス データサイエンティスト育成講座は 経産省「第四次産業革命スキル習得講座」に 認定されています。
43.
Page 43Tecnos Data
Science Engineering All Rights Reserved ご清聴ありがとうございました。
44.
●お問い合わせ この文書は、著作権法及び不正競争防止法上の保護を受けております。 文書の一部或いは全てについて、テクノスデータサイエンス・エンジ ニアリング株式会社から許諾を得ずに、いかなる方法においても無断 で複写、複製、転記、転載、ノウハウの使用、企業秘密の開示等を行 うことは禁じられております。 本文記載の社名・製品名・ロゴは各社の商標または登録商標です。 テクノスデータサイエンス・エンジニアリング株式会社 TEL:03-6383-3261 FAX:03-6383-3262 Page 44Tecnos
Data Science Engineering All Rights Reserved
Baixar agora