DXやAIの基礎が分かる【AI For Everyone】第1週をまとめてみた

Coursera
・AI For Everyone (すべての人のためのAIリテラシー講座)に少し興味がある
・動画を見る時間が取れない
・内容のつまみ食いがしたい
・講義を受けたけど復習したい

本記事では、そんな人のために「AI For Everyone (すべての人のためのAIリテラシー講座)」第1週の内容をまとめてみました。

 

ちなみに「AI For Everyone (すべての人のためのAIリテラシー講座)」の概要については、こちらの記事にまとめています。

講義動画は1時間半くらいありますが、この記事であれば10分もあれば読むことができますよ。

はじめに

このコースのはじめに

このコースのはじめに - AIの基礎 | Coursera

アンドリュー先生から、日本の受講者への挨拶です。

アメリカでにわかに広がりつつある、企業によるAI/DX教育を日本でも展開することが極めて重要だとしています。

DXとは?

DXとは? - AIの基礎 | Coursera

本編に入る前に松尾豊教授からの挨拶があります。

DXの基本的な概念、実例についても解説しています。

DXにおけるAI/DXの重要性

DXにおけるAI/DLの重要性 - AIの基礎 | Coursera

DXにおいてAIが切り開いてきた領域、今後の展望について、松尾豊教授からの説明です。

このコースを学ぶ皆さんへ

このコースを学ぶ皆さんへ - AIの基礎 | Coursera

再びアンドリュー先生からの激励コメントです。

「コースの修了と、AIの導入を頑張ってください!」

AIの基礎

イントロダクション

第1週 イントロダクション - AIの基礎 | Coursera

マッキンゼーの調査によると、AIは2030年までに毎年1,300兆円の価値を生み出すといわれています。また、その影響はすべての業界に及ぶそうです。

ANI(特化型人工知能)とAGI(汎用人工知能)の違いと、その進歩の度合いについて説明しています。一言でいうと、ANIは大きな進歩を見せているものの、AGIはほとんど進んでいません

機械学習

機械学習 - AIの基礎 | Coursera

機械学習のうち重要な役割を果たす「教師あり学習」の概要と応用例について説明しています。

AIはデータの量が多ければ多いほど、その性能は上がる傾向にあります。

また、近年ではニューラルネットワークがAIの進歩に大きな役割を果たしています。

データとは?

データとは? - AIの基礎 | Coursera

整理されたデータとは、エクセルの表のようなデータセットのことを言います。例として、家の広さと価格を並べたデータや、写真とそのラベルなどがあります。そのようなデータは人海戦術で集めたり、機械によって自動で集めることもあります。

AIを構築するためにデータは必要ですが、大量のデータを完全に収集し終わってからAIを構築するのではなく、AIの構築とデータの収集は並行して行うべきです。

なお、ラベルが間違っていたり、データが欠落している場合は、綺麗にしないとそのままでは使えません

AIにまつわる専門用語

AI にまつわる専門用語 - AIの基礎 | Coursera
機械学習 明確にプログラムしなくてもコンピューターに学習させる能力を与える研究分野
データサイエンス データから知識と洞察を抽出する分野
ディープラーニング 入力Aからニューラルネットワークを通じて、出力Bを得る機械学習のひとつの手法

AI企業にするには?

AI企業にするには? - AIの基礎 | Coursera

優れたAI企業になるために必要なものは、ディープラーニングを活用することだけではありません。優れたAI企業になるためには「戦略的なデータの取得」「単一のデータウェアハウス」「多岐にわたる自動化」「新しい役職(Machine Learning Engineer)や分業」など、企業がAIをうまく活用できるような基盤が必要です。

AIトランスフォーメーションを実現するためのステップ

  1. パイロットプロジェクトの実施
  2. 社内チーム組成
  3. トレーニング実施
  4. AI戦略策定
  5. 社内外のコミュニケーション

機械学習でできること、できないこと

機械学習でできること、できないこと - AIの基礎 | Coursera
できること 教師あり学習
人間が1秒で判断できることは、だいたい自動化できる
できないこと 苦情のメールに共感してお詫びのメールを返すなど

機械学習がうまく機能する実例

  • 「単純な」概念の学習
  • 大量の利用可能なデータ

機械学習でできること、できないことー実例

機械学習でできること、できないこと - 実例 - AIの基礎 | Coursera

自動運転車

できること カメラから車の位置を特定
できないこと 複数の人間のジェスチャーを正確に区別すること
・車を停止させようとするジェスチャー
・ヒッチハイクのジェスチャー
・自転車の左折のジェスチャー

X線診断

できること 1万枚のラベル付けされた画像から、肺炎を診断する
できないこと 医学の教科書に載っている10枚の肺炎の画像から、肺炎を診断する

機械学習がうまく機能しない例

  • 少量のデータにおける複雑な概念の学習
  • 新しいタイプのデータに対する実行

非技術者でも分かるディープラーニング概要(パート1)

非技術者でも分かるディープラーニング概要(パート1) - AIの基礎 | Coursera

例えば、Tシャツの需要予測をする場合、必要なのは価格や送料、マーケティング費用、素材などにあたる入力Aと、需要にあたる出力Bだけです。その間に何をどう計算するかは、ニューラルネットワークが自動で処理してくれます。

非技術者でも分かるディープラーニング概要(パート2)

非技術者でも分かるディープラーニング概要(パート2) - AIの基礎 | Coursera

例えば、顔認識でAIが人間の目を認識するとき、目の画像をピクセル単位に分解して、それぞれの明るさを数値として認識します。そこで、ニューラルネットワークは多数の数値を入力として受けとり、写真に写っている人の名前を答えることができます。

ここで、1000ピクセル×1000ピクセルの白黒画像であれば、AIは100万個の数値を入力として受け取ります。これがカラー画像であれば、300万個の数値になります。

やっぱり、今回もアンドリュー先生の講義はすばらしかったです!ちなみに、日本ディープラーニング協会はAI For Everyone (すべての人のためのAIリテラシー講座)だけでなく、G検定も主催してます。興味がある方はこちらの記事に体験記を載せていますので、チェックしてみてください。

以上、最後までお読みいただきありがとうございました。

コメント

タイトルとURLをコピーしました