人工知能システムのプロジェクトがわかる本 の商品レビュー

本橋洋介(著者)

2019/01/24

AIプロジェクト特有の開発プロセスを説明している。
サンプルを多く提供しており、通常の開発にも参考になる。

付録に提案書のサンプルがあり、提案から開発の流れをイメージしやすい。

2020/12/04

技術書ではなく、システムプロジェクトとしての流れと留意点が具体例を用いて説明されている。モデリング技術ではなく、SIerがどう提案し、どうプロジェクトを進めるのか？という観点では、さらっと読めるし、分析系のシステムを構築する流れがつかめる。発注側の担当者あたりによさそうな本（納品側は、願わくばこんな本を必要としないほどのレベルを期待したいけど）

2018/10/12

20181010読了。

Twitterだかブログで、機械学習系の人がおすすめしてたのを見て購入。

前処理や分析の方法についてや、プロジェクトを動かす上での顧客への説明の仕方(AIについてのリテラシの低い相手への説明方法)や、評価面、運用方法(どうモデルを更新する？その確認は？)など記載。
実務での流れがイメージできる記載になっていてとても良かった。

会社でリクエストして購入してもらったが、個人用として買い直した。

2018/03/25

自分はトライアルしか経験したことないですし、
実際は機械学習というより可視化に留まったけど、
どういうことを考慮して機械学習プロジェクトに臨めば
よいかが非常に分かりやすく書いています。

今後もデータ活用プロジェクトは増えていくと思うので、
そういったときにどのようにしてマネジメントしていけば
よいかを知るには十分だと思います。

実践してきた内容も多かったので、スッと入ってきた。

【勉強になったこと】
・機械学習が向いているケースは以下3点
　①安定的に学習できる
　②価値が出やすい
　③失敗が許容される
　特に③は重要。だからレコメンドとかに使われやすい。

・機械学習プロジェクトでは、企画フェーズの後に、
　必ずトライアルフェーズを設けること。
　データも見ずして出来る・出来ないは判断できない。

・利用するデータは細かければ細かいほど良い。
　あとから集計してサマることは出来るから。

・前処理では説明変数、目的変数それぞれの傾向を
　まずは抑えること。
　数値データであればバラつきや平均を、
　文章であれば文字数や形態素解析による単語の発生頻度を、
　画像であれば基本的には目視にて確認すること。

　画像以外でも、一度は自分の目で確認すること。

・トライアル終了後の評価ポイントは以下4点
　①モデルそのものの精度
　②結果に対する解釈性
　③過学習の発生頻度
　④実行時間（学習・実行それぞれの性能）

・過学習が発生しやすいケース
　学習データ数が少ない
　説明変数の数が多すぎる
　機械学習のアルゴリズムが複雑

・機械学習プロジェクトでは要件定義工程でも
　分析評価作業を組み込むこと。
　これは、トライアル時よりも多くのデータを活用し、
　実際の業務でも適用出来るかを確認するために行う。

・学習データが多すぎても精度は劣化する。
　例えば時系列データの場合、過去の傾向が強く効き、
　現状に当てはまらなくなるといった問題が起きる。

2018/02/28

設定したケーススタディ・説明例にかなり忠実にいろいろと説明がある

機械学習の各手法の説明が途中にあるが、簡潔ながらかなり要点がまとまっていて良い

前処理の話、トライアルでのアルゴリズム評価の話、保守フェーズでのデータや人工知能の更新の話などが興味深い

人工知能の出力する予測値に信頼情報も付加しようとか如何にも実際にやられたっぽい記述で参考になる点が多い