ディープラーニング活用の教科書 の商品レビュー

日経クロストレンド(編者)

2022/09/17

ディープラーニングが流行ったタイミングで購入した本の1つ。
本書はディープラーニングが活用されている事例集。技術的知見を得られるものでもないし、この本を読めばG検定合格にぐっと近づけられるという本でもないが、「結局ディープラーニングってどうやって応用するの？」に対するベストアンサーとなっている。
既に次回作が出版されていることもあり、本書はさらっと目を通すので十分と思われる。

2022/05/22

どのようにディープラーニングを実業務で活かしたかだけではなく、例えば異常データが少ない場合にどう対処するかなど、ディープラーニングでなくとも分析全般にヒントになる方法が書かれていた。

2022/05/16

ディープラーニングの活用事例についていくつか取り上げた本。
ディープラーニングはGPT(汎用目的技術)とのことで、いろいろ応用的に使えるらしい。
具体的にアルゴリズムについては自分も理解できてないのだけど、使うことはそんなに難しいわけではないのかなと思った。ただ、重要なのはデータの質と量なのだろうなと思う。
これから日本は人口が減少していくわけだし、もっとうまくAIで代替できるところは代替していく必要があるのだろうな。
それにしても、いろんな事例の話の中に松尾豊氏がでてきて驚いた。有名な人だからこの方にまず相談するという人も多いということなのだろうけど、もっと他に優れたAIの研究者っていないのだろうか。
後、GAN(敵対的生成ネットワーク)という技術は面白いなと思った。アイドルっぽい顔とかアニメキャラとかを自動生成できる技術らしい。このキャラをうまく動かせるようになると、ドラマである人の子ども時代なんかはAIで代替できるんじゃないかと思うのだけど、どうなんだろう(よりその人に似た顔で作れるので)。
他にも、DNN-TTSという音声合成技術も気になった。最近は、やけに自然なAIによる発音がでてくるように思うし、進化していってるんだろうな。
ところで、この本ですごく気になったのが、重要なところの線の引き方について。だいたい、縦書きの本に引き線は、文章の右側というイメージがあるのだけどこの本は文章の左側。何で左側にしたのだろう。そのせいで、線の左側について重要とされてるのかと思って読んでいたら、変なところで線が終わっていて、右側かと気づくことがあった(ただ、横書きだと大抵、文章の上じゃなくて下に引かれてるものなので、そういう意味では文章の左側に引かれているのもおかしくないのかもしれない)。

2021/06/17

ディープラーニングの活用事例を勉強したい人におすすめ

【概要】
●ＡＩの技術発展を基に分類した事例の紹介
●ＡＩをビジネスに活用する企業が直面する疑問

【感想】
●「活用の教科書」というとおり、基礎的知識を持って読んだ方がよく理解できる。
●実現したいことの業務プロセスを分解して、ＡＩがそれぞれを実現できるかを見極め、ＡＩに何を担わせるかが重要になる、ことを理解した。

2020/11/15

ほぼ活用事例を羅列しているだけなので
「活用の教科書」
というタイトルだとちょっと違うかなと思う

2019/07/10

ディープラーニングを日本で実際にどうビジネスに組み込んでいるか、事例が割と豊富に集められている。ややソースが偏っている気もするが、日本ではまだそれくらいしか事例がないのかもしれない。データの入手や利用範囲の割り切り、人間とのタスクの切り分けなどにも多少触れられていて、すごいシステムをアピールする系の記事より現場感があってよい。

2019/07/03

ディープラーニングに関する技術の活用事例集
画像系が多いが、複数社の事例で参考になる部分はあるかもしれないが
結局各社各様、解は一つではないので、あくまで参考程度
結局エンジニアリングを理解してないと、未来がかいなと再認識はできる
必要なら読む程度で良い

2019/06/16

ディープラーニングの様々な活用事例について紹介した一冊。参考になる。

＜メモ＞
・ディープラーニングの発展ロードマップ
　画像認識、マルチモーダルな認識、ロボティクス、インタラクション、シンボルグラウンディング、知識獲得というフロー

・マルチモーダルとは映像、おと、各種センサーなどの情報を複合的に扱うこと。現在急速に技術が進化している分野
行動予測や異常検知を実現する。

・ロボティクスとは、環境変化にロバストな自律的行動を実現するもの。自動運転など。

・オムロン　ドライバー見守り車載センサを開発　認知、判断、操作の状況を判定する。前方注視しているか、運転い復帰できる状態か、運転席にいるかなどを判定する。

・AIがもたらす経営効果は製品サービスの付加価値向上、オペレーション効率化、業務プロセス最適化。

・積極的にモデル開発すべきは、自社にしかないデータを活用した領域

・AIが得意とする領域。１つは法則が自明でない膨大なデータから法則性を見つけ出すこと。もう１つは法則は分かっているが、目的に達する最適な手段がわからないときに手順を見つけ出すこと

・アプローチ
何がしたいのか、何ができるのか
ディープラーニング、機械学習、ITシステム、機械、人のどれでアプローチするか
ディープラーニングの場合
１クラウド、オープンソースを利用
２自社AIを持つ企業のAIを活用（API）
３独自開発　自社開発、ベンチャー、大学など

・活用がうまくいくデータの６条件
１正規化・整形されていて、AIが読み解くべき情報のみに整理されている
２データを説明する情報が多い。説明変数多い
３可能な限り個別の情報が特定されている
４欠損がない
５偏りがない
６データ数が多い
他の例ではデータ量が多い、データのアノテーションの質が高い、アウトプットが明確に定義されているなど

・タスクを分解して、必要なデータを定義し、その上でデータ収集、開発、実証テストとつなげていく。

・AI活用で大切なことはトップのイマジネーション。ビジネスが成立するかどうかの仮設設定力や構想力。そして投資するマインドとスピーディーな意思決定。企業体の変革とAIを中核にしたデジタルシフトを行うことが重要。

2019/05/05

ディープラーニングの活用事例が豊富に掲載されている。
ビジネス課題の話が中心であり、ディープラーニングの仕組みの導入や技術的な要素はあまり情報が無い。

2019/03/23

事例は正直あまり面白くなかった。

　ブレインパッド　アナリティクスサービス本部　副本部長　兼　AI開発部長の太田満久氏も、最初に考慮すべきは、「実現したいタスクは、本当にAIを利用しなければ不可能なのか」だと指摘する。太田氏は、「既存の技術を利用して解決できるならば、無理にAIを使う必要はない」と助言する。

　グーグル・クラウド・ジャパンの大薮氏は、「一般企業が新たなAI活用分野を切り開くのは難しいので、先行事例がある分野で戦った方がいい。」と助言する。

　活用がうまくいくデータの６条件
①正規化・整形されていて、AIが読み解くべき情報のみに整理されている。
②データを説明する情報が多い（データベースでいえば列の数が多い）
③可能な限り個別の情報が特定されている
④欠損がない
⑤偏りがない
⑥データ数が多い