受講対象 AIについてあまり知識がない人でも分るセミナーを目指していますので 特に指定はありません。 予備知識 特になし 習得知識 1)人工知能および機械学習 2)少量データを用いる機械学習 3)学習データの水増し法 4)説明できるAI:XAI 5)業務へのAI導入法 講師の言葉 企業のDX推進に伴い、人工知能（AI）の業務利用と業務の変革が期待されており、人工知能、特に深層学習（ディープラーニング）などの機械学習を企業で利用する試みがなされています。 しかしながら、AI導入が必ずしもうまくいっていない企業も多いようです。その原因はいくつか考えられますが、そのひとつが「学習データが少なかったり偏ったりしている問題」です。特に画像やセンサの情報を用いた欠陥検査／異常検知では異常のデータがごく少数しか集められないことが多いです。 本セミナーでは、学習データが少ない場合の機械学習の適用方法として、次の２種類の方法について解説します。 1) 少数のデータでも学習できる機械学習を用いる方法 2) 少ない学習データを水増しして学習する方法 さらに、業務へのAI導入に当たって問題になる機械学習法の説明性を高める「説明できるAI:XAI」と，AIを業務へ導入する際の注意点と課題、AI人材育成について説明します。最後に、参加した皆さんで機械学習や業務へのAI導入について自由に意見交換する時間を設定させて頂きます。ご関心がおありの方はぜひご参加下さい。
プログラム
１．人工知能とその業務への応用 1.1 人工知能の定義と歴史 ～AI世代・考え方の推移～ 1.2 機械学習と深層学習 ～定義・深層学習の長所と短所～ 1.3 人工知能の最近の課題 ～説明性・精度保証など～ 1.4 少数学習の問題 ～異常検知など～ ２．少ないデータでも学習できる機械学習法 2.1 分布を推定する方法 ～ベイズ最適化・EMアルゴリズム～ 2.2 関数最適化に基づく方法 ～進化計算(GP・CGP・GMA)～ 2.3 １クラス学習 ～１クラスSVM・Auto Encoder～ 2.4 処理構成要素の組合せ最適化 ～進化的機械学習～ 2.5 単純な処理回路の構築 ～深層回路の構造最適化など～ 2.6 知識を転用する方法 ～転移学習・蒸留・浸透学習～ ３．少ない学習データを増やす方法 3.1 基礎的な Data Augmentation ～基礎的な方法～ 3.2 特徴空間を用いた水増し法 ～Disentangledな表現～ 3.3 学習データを人工的に作る方法 ～CG・シミュレータの利用～ 3.4 深層学習を用いる水増し ～敵対的生成ネットワーク(GAN)～ 3.5 進化計算を用いた学習画像の水増し ～進化的画像生成～ 3.6 クラウドサービスを用いる方法 ～AWSの利用など～ ４．企業へのAI導入について 4.1 説明できるAI:XAIから共進化型AI:CAIへ ～人とAIの協力～ 4.2 AI導入時の注意点 ～課題と解決法～ 4.3 AI人材の育成方法 ～どの方法がベストか？～ ５．まとめ・AIよろず相談室 ～質疑応答とフリーディスカッション～ 付録 進化計算法の原理と特徴 講師紹介 略歴 東京工業大学大学院総合理工学研究科出身 東京工業大学工学部助手，助教授を経て2001年より現職 2008年に大学発ベンチャー株式会社マシンインテリジェンスを起業して取締役CTOを兼任中 所属学会 人工知能学会，情報処理学会，電子情報通信学会，日本ロボット学会，進化計算学会など 各省庁の各種委員会委員・審査員などを務めている
