6/26 データ量の観点から見た機械学習とその業務での活用方法

横浜国立大学　大学院環境情報研究院　教授　工学博士　長尾 智晴　氏
【専門】知能情報学・知能ロボティクス
【講師紹介】　 

 　我が国ではChatGPTなどの生成系AIの業務での積極的な利用を推奨する専門家や実業家が多いです。これらの機械学習ツールは大量の学習データをもとにして作られており、確かに高性能ですが、説明性が低く、出力の真偽とデータソースが不明で、権利侵害の可能性もあるため、利用に当たっては充分に注意する必要があります。また、企業がもつデータの中には少量のものも多く、“深層学習の適用が困難”という理由だけで、対処法があるにも関わらずAIの導入をあきらめる会社もあります。
　前者のような大量学習、後者のような少量学習のもつ特徴と問題点、有効な利用方法を充分に理解した上で、業務で適材適所で利用することが求められています。
　本セミナーは正にその一助となることを目標にしています。今後，AIに利用されるのか／利用するのかを決めるのはあなた自身です。AIに不慣れな非技術職の方々を含む、より多くの方々に聴いて頂ける平易で解り易い説明を行ないますので、ぜひ積極的にご参加頂ければ幸いです。

１．序論：機械学習入門
　1-1 人工知能と機械学習
　　　～AI世代・AIの課題・将来展望～
　1-2 機械学習の分類と手法
　　　～EBLとIBL・教師あり／なし学習～

２．大量データに基づく機械学習とその応用
　2-1 人工神経回路網と深層学習の基礎
　　　～原理・構造・学習法～
　2-2 深層学習による画像処理・認識
　　　～DNN・CNN・U-Net・YOLOなど～
　2-3 深層学習による自然言語処理
　　　～Transformer・GPT・ChatGPTなど～
　2-4 深層学習による時系列予測
　　　～RNN・LSTM・DQN・PLMなど～
　2-5 深層学習による異常検知
　　　～AE・CAE・VAE・U-MAPなど～

３．少量データに基づく機械学習とその応用
　3-1 少量データの学習における課題
　　　～データの水増し・欠損の補間など～
　3-2 少量データからの関数推定／最適化
　　　～EMアルゴリズム・ベイズ最適化・GP～
　3-3 学習事例が少ない場合の画像認識
　　　～半教師付き学習・GAN・CGなど～
　3-4 データが少ない場合の異常検知
　　　～１クラスSVM・シミュレータの利用～
　3-5 進化的機械学習
　　　～進化計算法による処理の自動構築～

４．企業の業務での機械学習法の利用
　4-1 企業でのAI開発について
　　　～基本方針・トレンド・外注時の注意～
　4-2 深層学習の効果的な利用方法
　　　～説明性・リスク・ルールとの共存など～
　4-3 ChatGPTなどの生成系AIの有効な利用方法
　　　～利用上の注意・どこに利用するか？～
　4-4 データが少ない場合のAI導入
　　　～データ収集・学習法の選択・AutoML～
　4-5 AI人材の育成方法
　　　～必要な人材とその育成方法～

５．まとめと質疑応答・AIよろず相談室

付録１：代表的な機械学習法
付録２：進化計算法入門
付録３：横浜国立大学の紹介

※詳細・お申込みは上記

「お申し込みはこちらから」（遷移先WEBサイト）よりご確認ください。