ITエンジニアのためのAI基礎2020
•Transferir como PPTX, PDF•
1 gostou•531 visualizações
ITシステムの開発を主にやっています。為安圭介です。 数年間、リーダという役割をいただいて、数十名のチーム運営を経験してきました。 今回は、自分でも未だにちゃんと理解していないような気がするAIの基礎について、あらためてまとめてみました。 このスライドをまとめる間に、令和1年が令和2年になってしまいました。
Recomendados
Mais conteúdo relacionado
Semelhante a ITエンジニアのためのAI基礎2020
Semelhante a ITエンジニアのためのAI基礎2020 (20)
Mais de Keisuke Tameyasu
Mais de Keisuke Tameyasu (14)
Último
Último (10)
ITエンジニアのためのAI基礎2020
- 1. ITエンジニアのためのAI基礎 2020 EssentialPrinciplestoAIGeneralist AI BASICS IT ENGINEERS for 為安 圭介
- 2. 紹介 為安 圭介（ためやす けいすけ） NECソリューションイノベータ北海道支社 仕事 企業向けWebシステムやスマホAP開発 興味 チーム作り、リーダシップ 著書 『GRIT TEAMS』 https://www.facebook.com/keisuke.tameyasu 自己紹介
- 4. AIとは All religions, arts and sciences are branches of the same tree. AIBASICS for ITENGINEERS
- 8. なぜ今AIがブームなのか The more I learn, the more I realize I don’t know. The more I realize I don’t know, the more I want to learn. AIBASICS for ITENGINEERS
- 10. AI発展の歴史 There are only two ways to live your life. One is as though nothing is a miracle. The other is as though everything is a miracle. AIBASICS for ITENGINEERS
- 11. AIブームの歴史 松尾 豊（著）@KADOKAWA『人工知能は人間を超えるか』をもとに加筆 ル ー ル に よ る A I デ ー タ に よ る 学 習 A I ル ー ル 化 の コ ス ト に よ り 発 展 で き な い 時 代 ル ー ル を コ ン ピ ュ ー タ 自 ら が 創 り 出 せ る よ う に な り 、 大 き な 発 展 の 可 能 性
- 12. 12 第１次AIブーム（1956〜1960年代） 探索・推論の時代 1947 1956 1969 アラン・チューニングによって 「人工知能」の概念が提唱される。 ダートマス会議 ジョン・マッカーシーにより初めて公式の場で 「人工知能（ArtificialIntelligence）」という言葉 が使われる。 フレーム問題 どのように例外に対応しながら、コンピュータに 判断させればよいか？古典的な人工知能では世の 中の情報の処理に限界があることが指摘される。 1956年、ダートマス・ワークショップに４人の人工知能研究者が集まり、人工知能 （Artificial Intelligence）という言葉が決まる。 その後、探索・推論の研究が進み、迷路、パズル、チェス、オセロなどにコンピュータが 挑戦できるように。だが、フレーム問題やニューラルネットワークの特定条件下における 限界が示されたことなどから、多くの研究が打ち切りとなり、ブームは終焉を迎える。
- 16. ディープラーニングの威力 現実世界の中から 「特徴表現を何にするか」 については、 すべて人間が決めてきた こ れ ま で 「どのようなデータをもとに 何を特徴表現すべきか」を コンピュータが自動的に獲得 することができる、という 可能性が示された デ ィ ー プ ラ ー ニ ン グ 登 場 以 降 簡単な特徴量をコンピュータが見つけ出し、それをもとに高次な特徴量を見つけ出す。 その特徴量を使って表される概念を習得し、その概念を使って知識を記述する。 人工知能最大のその難問に、１つの道が示された。
- 17. AI活用分野と今 Anyone who has never made a mistake has never tried anything new. AIBASICS for ITENGINEERS
- 20. AI活用分野の例
- 23. 日本のAI施策 統合イノベーション戦略2019（内閣府）より抜粋 AI技術 • すべての高校卒業生（約100万人/年）が基礎的 なリテラシー習得等抜本的な教育改革 • AI研究開発ネットワーク創設 • AI社会原則の国際枠組み構築 環境エネルギー • 「革新的環境イノベーション戦略」の策定 安全・安心 • 技術ニーズとシーズのマッチングの仕組みの構築 • 重要技術分野への予算、人材等の資源の重点配分 農業 • 「健康に良い食」の解明、スマート農業の実装展開 その他の重点分野 • 衛星データ/海洋データ活用、宇宙ベンチャー支援、 海洋プラスチックごみ対策 基盤的技術分野 応用分野
- 24. AIシステム開発 It is high time that the ideal of success should be replaced by the ideal of service. AIBASICS for ITENGINEERS
- 25. AIビジネス化プロセス 1.データ 収集 3.モデル 開発 4.評価 事業化 量 質 多様性 性能 サイズ 学習法 表現力 処理性能 実機品質 標準化 ビジネス 課題設定 問題分析 課題設定 AI有効性 プ ロ セ ス 重 要 要 素 2.データ 処理 品質 AIシステム開発
- 26. カメラ センサ AIシステム開発の流れと使用技術 クレンジング 1.データ収集 2.データ処理 モデル設計 3.モデル開発 4.評価 学習 検証 拡張 デプロイ 推定蓄積 画像処理ソフト アノテーション システム 学習フレームワーク 高スペックマシン 評価用デバイス アプリケーション プ ロ セ ス 技 術 要 素 アノテーション 入手
- 28. AIシステム開発 ビジネス課題の設定が重要 （何が問題で、何を解くべき課題とするのか） ビジネス課題 の設定 AIシステム開発 事業化 重要 ※AIシステム開発は、特に「AIそのもの」が目的になりがち
- 29. 機械学習の基礎知識 Try not to become a man of success but rather to become a man of value. AIBASICS for ITENGINEERS
- 30. そもそも学習とは何か
- 35. 機械学習のアルゴリズム分類
- 36. 機械学習の分類 教師あり学習 教師なし学習 強化学習 分類 回帰 クラスタリング 次元の削減 Q学習など • 決定木 • ランダムフォレスト • SVM • 単純ベイズ • ロジスティクス回帰 • ニューラルネットワーク • 線形回帰 • SVR • ポアソン回帰 • ランダムフォレスト • ニューラルネットワーク • K平均法 • 混合ガウス分布 • スペクトルクラスタリング • ニューラルネットワーク • 主成分分析 • オートエンコーダ （ニューラルネットワーク） • Q-Learning • モンテカルロ法 • DQN • ニューラルネットワーク
- 37. 37 教師あり学習 1 2 3 データセット 正解データ 1 23 予 測学 習
- 40. 機械学習の代表的なアルゴリズム
- 41. 決定木 天気 マラソンに行くか？ 気温 風 行く 0 行かない 10 行く 3 行かない 7 行く 8 行かない 2 行く 5 行かない 5 晴れ 曇 雨 行く 8 行かない 2 25度以上 25度未満 強い 弱い 条件分岐によってグループを分割し、解くべき最小単位に分類していく手法。 モデルをツリーで表現できるので、どの説明変数が目的変数にどのように効いて いるのかが視覚的に分かりやすいという特徴がある。 • 代表的な分類モデルであ る分類木と回帰モデルで ある回帰木の総称。 • ノンパラメトリックな （母集団が正規性を持た ない）場合に有効。 • 分類性能は低く過学習を 起こしやすい。
- 42. 42 ランダムフォレスト 決定木をたくさん作って多数決する（または平均を取る）ような手法。 分類や回帰に利用できる。 画像 画像は豚か？牛か？ 分類木１ 分類木２ 分類木３ 豚 猪 豚 豚 多数決（分類）または平均値（回帰） 分類器 • それぞれの決定木が似たよ うなものだと精度が低くな るため、各決定木の作成に 工夫が必要。 ・異なるデータで作る ・異なる説明変数を条件分岐の 候補とする • 大量のデータが必要だが精 度は高い
- 47. ニューラルネットワーク 入力層ｘ 隠れ層z 出力層y 3層のパーセプトロン ニューラルネットワークとは、人間の脳神経系のニューロンを数理モデル 化したものの組み合わせのこと。 ニューロン ニューラルネットワーク
- 48. 48 ニューラルネットワーク 正しい値が出て来るように学習させるためには、重み付けの値を調整する必要がある。 例えば「３」の画像を入力し、「８」と判定された場合には、W1、W2を変えて調整する。 （誤差逆伝播法） （例）手書き文字認識 48 エムニスト （正解ラベルのついた 手書き文字データセット） 入力層ｘ 重み付け W1 隠れ層z 重み付け W2 出力層y 3層のパーセプトロン 0の確率 0.05 1の確率 0.05 2の確率 0.05 3の確率 0.40 4の確率 0.05 5の確率 0.10 6の確率 0.05 7の確率 0.05 8の確率 0.15 9の確率 0.05… … 3 ×784 ×10 28×28=784 ピクセルの画像
- 50. 50 機械学習における難問 特徴量とは、機械学習の入力に使う変数のこと。 特徴量に何を選ぶかによって予測精度が大きく変化する。 文字認識 → ○ 画像の中心、大きさ... ✕ 色... 年収予測 → ○ 性別、年齢、職業... ✕ 身長、誕生日... 例） この判断はコンピュータにはできない。 機械学習の精度を上げるのは、「どんな特徴量を入れるか」に かかっているが、それは人間が頭と時間を使って考えるしかなかった。 これが「特徴量設計」における機械学習最大の難問であった。
- 51. ディープラーニング
- 52. 52 機械学習とディープラーニングの違い 入力層ｘ 隠れ層z 出力層y 入力層ｘ 隠れ層z × n 出力層y 機械学習 ディープラーニング 層の深さ
- 55. 自己符号化器（オートエンコーダ）
- 56. 56 機械学習とディープラーニングの違い 入力層ｘ 隠れ層z × n 出力層y 3層のニューラルネットワークでうまくいくなら 4層、5層とすれば精度は上がるはず！ 現実にはうまくいかず、精度が上がらない。 深い層だと誤差逆伝播が、下の方まで届かない。 なぜ？ 実際にやってみると・・・ ① 1層ずつ階層ごとに学習していく ② 自己符号化器（オートエンコーダ）を使用する 解決策
- 58. 学習の評価
- 61. Confusion Matrix 説明のため、混同行列を書き換える （それぞれの象限（クラス）を「TP」「FP」「FN」「TN」と呼ぶ） 予測 Positive Negative 実 際 Positive TP True Positive FN False Negative Negative FP Flase Positive TN True Negative
- 62. ４つの評価指標
- 63. 正解率 (Accuracy) 正解率とは、予測が正しい割合（精度）のこと。 正解率 ＝（TP + TN）／ 全体 わかりやすく直感的に 学習モデルの「精度」を示す のに使う。 ＜活用場面＞
- 64. 再現率（Recall） 再現率とは、実際に正しいものを、予測で正しいと発見できる割合。 再現率 ＝TP／ (TP + FN) 見逃しが重大な事態となるケー スに使う。（例えば「癌」を予 測するモデルの場合など） 予測の誤りが多少多くとも、抜 け漏れを少なくしたい場合は再 現率を重視する。 ＜活用場面＞
- 65. 適合率（Precision） 適合率とは、正しいと予測した中で、実際に正しかった割合。 適合率 ＝TP／ (TP + FP) 見逃しがあっても正確な予測を 重要視したい場合に使う。 （例えば、メールのスパム予測 など） ＜活用場面＞
- 66. F値（F-measure, f1-score） F値は、適合率と再現率の両方を見て性能を評価する指標。 F値 ＝2 * 再現率 * 適合率／ (再現率 + 適合率) ※再現率と適合率の調和平均 適合率と再現率はトレードオフの関係であり、どちらか一方で性能を測ることは難しい。 そのため、バランス良く性能を評価したい際にF値を使用する。
- 67. 評価時の注意
- 69. 正解率の罠 例えば、検証用データセットが下記の構成だった場合 ＜全体データ数 100個＞ インフル陽性 5個 インフル陰性 95個 この場合、常に「陰性」と返す学習モデルがあれば、正解率は95％となる。 データセットの偏り データセットの偏りに注意！ → F値などを用いる
- 70. AIビジネス Genius is the man of average ability who makes an effort. AIBASICS for ITENGINEERS
- 71. 71 世界企業の時価総額の変化 平成元年はランキング上位50位のうち、 日本企業が32社、平成30年は1社 平成元年がインターネット黎明期として、 平成30年は「ディープラーニング黎明期」 と捉え、比較して考える インターネットという技術をビジネスに 取り込んできた企業が大きく成長している 2018/8/20 ダイヤモンド・オンライン ディープラーニング黎明期の今、この技術を ビジネスに取り入れ活用できる企業が大きく 成長する可能性があるのではないか 松尾豊氏講演より
- 72. 先端技術に関する企業力 技術×課題解決の掛け算 • 黎明期は技術だけでも勝てる • それ以降は、１０×１よりも７×７の方が強い 国内で伸びている企業は？ • SaaS／クラウド • わかりやすく特化した受託開発／プロダクト 方向性 • DLを重要なEnabler（成功要因）のひとつと捉え、受託から入って、きちんと領域を 特化していくことで確実に成長が可能 松尾豊氏講演より
- 74. 企業内でAI活用を推進するには The value of a man should be seen in what he gives and not in what he is able to receive. AIBASICS for ITENGINEERS
- 75. 企業におけるAI活用の5つのメソッド 1. パイロットプロジェクトを実行し、勢いをつける 2. 社内AIチームの構築 3. 社内へのAI講義・トレーニングの提供 4. AI活用戦略の構築 5. 社内外に対しAI活用戦略を説明 『AI Transformation Playbook』by Andrew
- 76. 現場の課題 Learn from yesterday, live for today, hope for tomorrow. The important thing is not to stop questioning. AIBASICS for ITENGINEERS
- 77. データ収集と加工の難しさ
- 78. 現場の工夫 問題 対策 結果 データ量が少ない。また、入手に 時間がかかる。 関係者に協力を依頼。また、デー タ取得のわかりやすい手順と専用 ツールを開発し、提供 入手サイクルが早くなり、データ 量も増加。ただし、精度向上には まだまだ不足。 対象物のまわりのデータノイズが 多い。 OpenCV等でデータクレンジング。 ツールに慣れが必要で、別の手段 を講じることに。複数のクラウド サービスを比較したが、適したも のが無いため、自前でシステム化。 アノテーションのやり方が担当者 でばらつきがある。 手順書を作成。担当者を教育。 それでもばらつきがあるため、担 当者を１～２名専任に。またアノ テーションシステムを活用。 データ量は増えるが、データパ ターンが少ない。 アングル、距離、背景など、様々 な条件でデータ取得を行っていた だくよう、手順書を詳細化。 パターンは増えたものの、各パ ターンのデータ量はまだ不足。 距離精度が低い。 デバイスを変えて試行。 期待する精度のデバイスが無く、 距離の固定化も検討。 例）
- 79. 企業内推進の落とし穴
- 81. エースと白ひげのやり取りを思い出してみる @集英社／尾田栄一郎 ONE PIECE57巻 第552話、58巻 第563話より
- 82. 誰から生まれようとも… 人間みんな海の子だ！！ @集英社／尾田栄一郎 ONE PIECE57巻 第552話、58巻 第563話より
- 83. おわり TEAM BUILDING 39 SpecialThanks To S.T, A.K, E.O, S.S, T.U, M.F Y.Y
Notas do Editor
- ＡＩの研究は1940年代より始まった。ただし、20世紀のＡＩは人間がプログラムした作業しかできない。演算能力が優れた〝機械〟でしかなかった。 ところが2000年代に入ると、ＡＩのパターン認識能力が飛躍的にアップした。ＡＩはインターネット上にある膨大な情報（ビッグデータ）を活用して学習し、加速度的にパターン認識の精度を上げていったのである。例えばアマゾン等で買い物をすると出てくる「○○さんへのおすすめ」は、まさにこの代表格で、ＡＩは統計確率的な技術によって、そのユーザーの嗜好に合わせたパターンを抽出できるようになったのだ。 さらに2012年頃より、脳科学の研究成果をＡＩ開発に応用した「ディープラーニング」という技術が登場。これはデータの特徴を学習し、人間でも気づかないような、さまざまな〝分類パターン〟を独自に見つけ出し、抽出する機械学習手法のひとつで、これをビジネスに活用しようと、今、多くの企業が注目しているのだ。 一方、それらＡＩ技術を支えるハードの進化も見逃せない。例えば20年ほど前に「スーパーコンピューター」と呼ばれていたものは、その大きさがビル一棟分もあり、電気代も１日数千万円もかかっていた。それが今や、家庭にあるパソコンが同等の性能を持っていたりする。その他、バッテリーやセンサー、モーター類などの性能がアップし、かつコストが下がったことで、ロボット開発にも多くの民間企業が参入しはじめているのである。