11. Tecnos Data Science Engineering All Rights Reserved 2017 11Page
システムが創出する価値の考え方
AI活用システムの価値はAIがどのくらい賢いかに依存しま
す
設計通りにデータを処理できる
設計通りにデータを処理できる
AIが想定通りに賢い
+
=
=
価値
価値
Q.どんなデータがあれば「できる」のか?
A.AI活用システムの場合は「できる」が程度問題なので、どの程度「できれば」、
投資対効果が出るのかをコンサルティングさせてください
従来のシステム
AI活用システム
12. Tecnos Data Science Engineering All Rights Reserved 2017 12Page
AI活用の考え方
AIの利用には必ず精度問題が伴うことを、理解したうえで
活用する必要があります
AIを利用する人にも理解してもらう必要があります。上層部
が精度問題を理解したうえで、AIシステム利用者に対して適
切なインセンティブを与えることも場合によっては必要です
AIの予測精度が70%
3割も外れる!!
使えない!!
70%当たることによる利益と
30%外れることによる損失では
どちらが大きいか?
13. Tecnos Data Science Engineering All Rights Reserved 2017 13Page
AI活用の考え方
AIの利用には必ず精度問題が伴うことを、理解したうえで
活用する必要があります
AIを利用する人にも理解してもらう必要があります。上層部
が精度問題を理解したうえで、AIシステム利用者に対して適
切なインセンティブを与えることも場合によっては必要です
AIの予測精度が70%
3割も外れる!!
使えない!!
70%当たることによる利益と
30%外れることによる損失では
どちらが大きいか?
絶対に停止させたくないようなク
リティカルな設備について、拙速
に「POC→システム化」を構想して
はいけない。むしろ研究開発とい
う捉え方のほうが健全
⇔
チョコ停をなくしたい場合に100%
の精度は必須ではない
14. Tecnos Data Science Engineering All Rights Reserved 2017 14Page
実証分析(POC)を進めるにあたっての留意事項
データ量と機械学習モデルの精度の間には強い相関があるの
で、ある程度合理的な精度を達成した時点でシステム化して
データ収集を推進するアプローチをとったほうが合理的と考
えられます
“Scaling to Very Very Large
Corpora for Natural
Language Disambiguation”
Michele Banko and Eric Brill
Microsoft Research, 2001
アルゴリズムの差異より
も、データを増やすこと
のほうが精度の改善につ
ながるケースもある
15. Tecnos Data Science Engineering All Rights Reserved 2017 15Page
Deep Learningは万能ではない
ImageNetをつかって
学習したネットワークが
99.6%以上の確信度で
判定した結果
Nguyen A, Yosinski J, Clune J. Deep Neural Networks are
Easily Fooled: High Confidence Predictions for
Unrecognizable Images. In Computer Vision and Pattern
Recognition (CVPR ’15), IEEE, 2015.
16. Tecnos Data Science Engineering All Rights Reserved 2017 16Page
Deep Learning のすゝめ
MS Azure の Data Science Virtual Machine を利用すると、
わずか数分でDeep Learning 環境が整います
18. Tecnos Data Science Engineering All Rights Reserved 2017 18Page
トレーニングのすゝめ
数式を使わない、図表
を用いた説明により、
Deep Learningを概念
的に理解することがで
きます
丁寧な作業手順のハン
ズオンにより、実践力
が身につきます