aiへの新規参加者に対する - isem...2019/03/22 · 自然言語 の問題か...
TRANSCRIPT
AIへの新規参加者に対するAIプロトタイプ構築教育法/AIニーズ創
出教育法の開発
1. 本AI教育法の狙い
2. AIプロトタイプ構築教育法
・デザインマップ法
・典型的なプロトタイプの学習
3. AIニーズ創出法
4. 2つの教育法の関連
5.まとめ
NPO法人M2M・IoT研究会 2018/11/10A
1
©M2M・IoT研究会 2
1. AI教育法の狙い
AI技術の発展と実用化の広がりで、AIへの新規参画者が期待される。当研究会では、AI人材育成活動の一環として、次の特徴を持つAI教育法を開発しております。
① AIプロトタイプ構築教育法:IT系以外の技術者でもAI基礎を理解し、実現したいAI仕様のモデルを作り、教材プロトタイプを学習して、実現したいプロトタイプの構築モデルを作成する教育法。
② AIニーズ創出教育法:技術者以外の営業部門、企画部門の人が自社の製品やシステムの競合力向上のために、AI機能をどのように活用すべかのニーズを創出する教育法。
©M2M・IoT研究会 3
AIベンダーの研究・構築技術・営業/企画の3層
・AIは今後、多くの分野で活用されていきます.・AIはIoTの進展にともなってデータ分析に活用されます.・AIの技術開発/利活用の人材は3層になると考えます.
<3層> AI研究者: 大学,研究所,企業研究所
<2層> AI開発者,構築者(IT系,1部の非IT系)
<1層> 社会の基盤(利活用者,開発ニーズ提言者)
2、AIプロトタイプ構築教育法
学生の研究 製品のAI化の検討(企業技術者)
AIの基礎学習
• AI/機械学習とは• 方法の概要理解• ①DL系②強化学習③分類/回帰/クラスタリング系
• AIの応用事例概況
選択の入力
• 応用分野
• AIでやりたい仕様(問題定義)
選択エンジン
• デザインマトリクス
• 選択方法
• デザイン例群
プロトタイプの学習
プロトタイプ例 出力
<選択事例>
…第一次構築
モデル
デザインマップ法
4©M2M・IoT研究会
第2次構築モデル作成
オプション:標準データによる演習
演習
実習データ活用
第3次構築モデルの作成
プロトタイプ作成へ
終了
OR
©M2M・IoT研究会 5
デザインマップ法
選択入力
・応用分野・AIでやりたいこと
問題型
応用分野
マトリクス
手法
問題型
マトリクス
データ種類
問題型
マトリクス
デザイン例の表示群
(出力)
第1次構築モデル
・問題解決の指針・デザインマップ選択の結果・データ手法の指針・デザイン事例
手法選択トリー
デザインマトリクス
©M2M・IoT研究会 6
デザインマップ法のAI選択入力情報
選択入力
・応用分野:製造,農林水産情報サービス,運輸,物流金融/保険,医療/福祉教育,
・AIでどんな効果をだしたいか・どんなタイプの問題があるか・どんなデータを活用したいか・どんなAI手法を活用したいか・どんな事例があるか
デザインマトリクスの選択へ
©M2M・IoT研究会 7
デザインマップ法―応用分野/問題型マトリクス
問題型応用分野 診断
検査評価
予測選定配分
計画設計
相談推薦
監視制御
他
製造
農林水産
情報サービス
交通/物流
流通
金融/保険
医療/福祉/介護
サービス/教育
他
©M2M・IoT研究会 8
デザインマップ法―問題型/データ種類のマトリクス
問題型
カテゴリ 画像 時系列信号 社会情報 自然言語
他データ種類
静止画 動画立体計測
音声音響振動
環境計測
気象 株価個人情報
発話 文書
診断
検査/評価
予測
選定/配分
計画/設計
相談/推薦
監視/制御
他
©M2M・IoT研究会 9
手法選択トリーの考え方
応用面からの特質の検討
分類を主とした統計的特質か
データの特質を学習モデルで決めるのか,強化学習含めるか
自然言語の問題か
データマイニング 深層学習,強化学習 自然言語処理手法カテゴリー
木構造か教師
あり,なし
教師あり,なし画像、時系列強化学習
発話、文書
手法 決定木クラスタリング
SVM RNN AE CNN 会話 テキストマイニング
強化学習
©M2M・IoT研究会 10
デザインマップ法―問題型/手法のマトリクス
問題型
カテゴリ データマイニング 深層学習、強化学習 自然言語処理
他
手法 決定木クラスタリング
SVM RNN AE CNN強化学習
会話テキストマイニング
診断
検査/評価
予測
選定/配分
計画/設計
相談/推薦
監視/制御
他
デザインマップ法の出力;第1次構築モデル
<出力項目>
• 応用分野
• 問題型
• データの種類
• AI手法
• 考えられる効果
• 参考となる事例
• 参考となるプロトタイプ例
• 留意事例
• デザイン構築の構成例11©M2M・IoT研究会
機能処理,データ処理
入力処理 出力処理
データ分析AI処理
デザイン構築の構成例
典型的なプロトタイプの学習
目的 分類 プロトタイプ例 フリーソフト他
基礎の学習
DL,強化学習系
DL 1.基礎理解用 chainer
〝 2.文字認識 Python
〝 3.異常検出 Jubatus
強化学習 4.迷路脱出 Python
DL 5.TensorFlow ―
分類・回帰系
分類 6.アヤメの分類 SVM
回帰 7.電力消費予測 Weka
分類 8.簡易文字認識 SVM
産業応用 9.異常検知,予知(DL) 10.駐輪場の危険度表示
12©M2M・IoT研究会
<教材>仕様書,解説書,ソースコード
©M2M・IoT研究会 13
学習のステップ
デザインマップ法
典型的プロトタイプの学習
(解説書,ソースコード)
第2次構築モデルの作成
・データの分析の概要・手法のツール,モジュール選択
実習データ集録
①DLによる異常処理②SVM向けランダムデータ
(準備済みデータの活用)
第1次構築モデルの出力
第3次構築モデルの作成
・データ分析法・ツール使用法
DL用の実習データ集録機器
OR
AI基礎学習
実装演習
終了
ー拡張ー
プロトタイプ構築
©M2M・IoT研究会 14
学習のステップ
(1)AIの基礎を学習し、実現したいシステムの仕様をデザインマップ法を使って検討した結果を第1次構築モデルとします。
(2)次に、用意されている典型的なプロトタイプ教材から選んでを学習します。学習のあと、データ分析の概要、 ツール、モジュールの選択等を第1次構築モデルに付加し、第2次構築モデルを作成します。
(3)次に、実習用データを集録し、そのデータを使った演習を行います。演習によって得られたデータ分析、ツール使用法等を第2次構築モデルの付加し、第3次 構築モデルを作成します。
(4)本教育法はここで終了します。実際の課題に対するプロトタイプの構築はその後の課題となり、適宜、相談することになります。
©M2M・IoT研究会
3、AIニーズ創出教育法:
・営業・企画の人
15
・AI機能の基礎、AI応用事例・自社製品システムの特徴,課題の整理・望ましい価値のイメージ
・問題抽出・アイディア出し・プロトタイピング・評価
・AI機能による現行製品の価値向上・ニーズの創出
前学習 デザイン思考にもとづく実習
整理
・営業,企画部門の人が、現場の状況を把握し、製品の価値向上,課題解決のためにAIを手段の1つとしてどのように活用すべきかのニーズを創出する手法を学びます.
©M2M・IoT研究会
デザイン思考の「AIニーズ創出法」への活用
16
市場のニーズ
AI技術の進歩
製品競合力の向上
AIニーズの創出
Step 1
問題抽出
Step 5
評価
Step 3
解決のアイディア出し
Step 2
問題定義
Step 4
プロトタイピング
AIニーズ創出のステップ
①問題抽出 : 市場ニーズ、ユーザニーズから自社製品の問題点、課題を抽出する。
②問題定義 : 問題点、課題を定義する。③発想 : 問題、課題解決にAIをどう活用して製品競
合力を増すかのアイディアを数多く出す。④プロトタイピング :有効と思われるアイディアの具現化のため
のプロトタイプを作成する。⑤評価 : 問題、課題定義との整合性の確認する。⑥ニーズ創出の整理:評価内容を整理する。⑦応用指向構築モデル:整理した内容を基に、AI構築モデルを構築する
Step 6
ニーズ創出の整理
Step 7
応用指向構築モデル
©M2M・IoT研究会
実習による実践のステップ
17
ステップ 内容 PBL手法
事前配布・AI基礎(応用指向のもの) ・AI応用デザイン事例集
・現製品に対する問題点,課題(仮定製品でも可)事前課題
①問題抽出・事前課題をプレゼンし、問題点を抽出する。・複数人の場合,1つの製品/複数可の設定
プレゼン
②問題定義 ・問題点,課題を定義するディスカッション③発想
(アイディア創出)
・解決策としてAI活用による製品競合力向上のアイディア出し
・ブレーンストーミング等の各種手法の活用
④プロトタイピング・プロトタイプは、紙上/PC上,PCのシュミレーション,部材に構築など。紙上の場合、デザイン事例集からの選択、複合も可
作業
⑤評価・②との整合性をユーザ視点でレビュー。状況によっては、②に戻る。
ディスカッション
⑥ニーズ創出の整理
・⑤のレビュー内容を整理する。整理
⑦応用指向構築モデル
・⑥で整理した内容を基に、AI構築モデル図を作成する。
まとめ
©M2M・IoT研究会 18
アイデア出し手法の例:
① 代替法、置換法全体ではなく一部を代替、置換。
② 類似探索法AIの実績から似ているものを抽出し、固有の課題に適用。
現状
置換
アイデア
AI
AIの実績(市場実績)
発展
類似パターン
さらにアイデアを追加変更
低 高
低
生産性
品質
高
A
B
C D
E
F
【二軸法】
低 高
低
品質
高
A
B
C D
E
F
既存の領域
【構造シフト発想法】
生産性
イノベーション領域
③ 二軸法→構造シフト発掘法
©M2M・IoT研究会 19
AIニーズ創出法学習による期待内容
①製品の高度化により、イノベーションを起す可能性
②製品の新たな使用法、適用法への展開
③製品間の連携強化への橋渡し
④製品の課題の明確化
⑤新たな概念の製品への発展
©M2M・IoT研究会 20
4、2つのAI教育法の関連
研究者
・自習,講義・ニーズ創出実習・期間:1日~2日
・AI機能の基礎・AI応用事例
・自習,講義,演習・期間:1ヶ月~3ヶ月自習がベース、講義,演習4日~6日
・AI機能の基礎・デザインマップ・教材プロトタイプ・プロトタイプ構築
学習内容 学習法,期間
AIニーズ創出法
AIプロトタイプ構築法
<本教育法>
技術者(非IT部門IT部門)
営業,企画部門
<対象>
©M2M・IoT研究会 21
5、まとめ
①今回、AIプロトタイプ構築教育法とAIニーズ創出教育法の概要を紹介しました。
②本教育法は、現在、企業の人,大学の学生対象に評価中であり、第1版を年末までにM2M・IoT研究会のHPに公開予定であります。
③本教育法は、AIへの新規参画者教育方法の提案でもあります。各企業、団体の方々が、IT系以外の技術者にも、技術者以外の営業,企画部門の人へも、AI教育を一層充実されることを期待しています。
※ ご清聴ありがとうございました。