セミナー
オンライン同時開催!
日本を代表する“凄腕データサイエンティスト”が指南!
失敗するAI導入プロジェクト!成功するAI導入プロジェクト
~AIベンダの付き合い方からデータ拡張・認識精度を向上する実践手法まで~
開催主旨
情報処理推進機構(IPA)が取りまとめた「AI社会実装推進調査報告書(AI白書2019)」によると、「AIを導入している」と回答した企業は3.1%にとどまり、「実証実験(PoC)を行っている」と回答した企業(7.1%)を加えてもAI導入率は1割という状況です。また、IT関連のメディアによると、AI導入プロジェクトの「7割が失敗」とも言われており、昨今のAIブームにもかかわらず、AI導入は進展してないのが実情です。
製造現場に目を向けると、自動検査や故障予測を目的に導入プロジェクトが立ち上がっていますが、狙った認識(識別)精度が得られず、導入に至らない例が多く聞かれます。おもな要因は、ユーザー側のAIリテラシーの欠如とAIベンダー側のドメイン(現場)の理解不足にあるという声があがっており、AI白書2019においてもユーザー側のAIの理解不足が課題にあげられています。
本講座は、AIベンダーとうまく協調・連携して導入プロジェクトを推進するうえで必須となるAIの基礎知識からプロジェクトの進め方までを紹介します。学習データの準備の仕方のほか、AIベンダーによるAI開発の進め方および認識精度の向上やデータ拡張の手法、AI導入を成功に導くためのプロジェクトの立案~推進方法などを、豊富な事例と講師とのインタラクティブな質疑応答を通じて解説します。
【受講対象】
AI導入を検討している経営クラス・役職者
AI導入プロジェクトの推進担当(若手技術者)
AI導入が停滞している企業の担当者
AI導入を仕切り直して取り組みたい方
AI導入にかかる課題設定をゼロベースで学びたい方
※講義の終盤に機械学習のハンズオンを実施しますのでPCを持参のうえご参加下さい。
ライブ配信セミナーでお申込みされた方は、オンライン配信ツールZoomを使い、出演者自身も自宅から出演いただく形式の「Home to Home」(H2H)セミナーとなります。ご視聴方法(参加用URL等)はご登録くださいましたメールにお知らせいたします。ZOOMでの視聴が困難な方には別途、こちらの手順を参照のうえブラウザ上でご視聴ください。本方法での視聴が難しい方は、他の視聴方法をご案内いたしますので問い合わせ先のメールアドレスまでご連絡ください。
概要
日時 | 2021年 2月3日(水)10:00~17:00 |
---|---|
会場 | 日刊工業新聞社 大阪支社 セミナールーム または、ライブ配信 ※申込フォームにてお選びください ※現地開催の参加者が少数の場合はオンライン開催のみになりますことをご承知おき下さい。 |
受講料 | 現地参加:44,000円(税込) ※振込手数料は貴社でご負担願います。 ※1社複数名のご参加の場合、2人目より10%割引39,600円(税込)致します。 ただし、同セミナーを受講される場合のみ適用させて頂きます。 オンライン参加:39,600円(税込)※オンライン参加は一律の受講料となっております。 |
主催 | 日刊工業新聞社 |
協力 | Quantum Analytics,inc/(株)エクサウィザーズ |
問い合わせ先 | 日刊工業新聞社 大阪支社 事業出版部 セミナー係 TEL : 06-6946-3382 FAX : 06-6946-3389 E-mail : seminar-osaka@media.nikkan.co.jp |
講師
会場アクセス
-
日刊工業新聞社 大阪支社
セミナールーム
大阪市中央区北浜東2-16 - セミナー会場案内図
プログラム
1.AI導入プロジェクトはなぜ失敗する |
1-1 AI導入プロジェクトの7割が失敗!? 1-2 AIリテラシーの不足 :①課題・問題を細分化するスキル/②教師データを収集するスキル/③AIプラットフォームを使うスキル 1-3 要求定義の不備 1-4(自社に合った)AIベンダー(開発パートナー)の選択ミス 1-5 モデルの選択ミス 1-6 社内コンセンサスの不備 1-7 エクサウィザーズなどでの取り組み |
2.AI導入プロジェクトの流れ |
2-1 リサーチフェーズ :①プレリサーチ/本リサーチによる実装手法の決定ほか 2-2 実験フェーズ :①学習データの作成/②実装/③精度向上(パラメータチューニング)/ ④AIの制度評価の注意点(トレーニングデータ・バリデーションデータ・テストデータの使い分け)ほか 2-3 プロトタイプ作成フェーズ :①学習済みモデルのAPI化/②プロトタイプの作成/③PoC 2-4 最終製品実装 :①プロトタイプをもとにリソースを計算/②API化の本実装/③最終実装 2-5 運用を通じての精度向上 :①実運用でのデータ収集/②教師データ化/③さらなる精度向上 |
3.学習データ準備の勘どころ(画像処理を中心に) |
3-1 機械学習を意識した学習データ(データセット)の準備 ①学習データの形式/学習②データの準備/③必要な学習データ 3-2 学習が難しいデータセット ①欠損の多いデータ/②データのラベルに偏りがある/③撮影時の明度が異なる/ ④NG・OKの差異がわかりにくい/⑤キズなど一方向からでは見づらいなど 3-3 学習しやすくするための前処理 ①データ拡張/②不要なデータを取り除く/③領域抽出 3-4 学習データの準備と学習データの量と質の課題(データの不均衡) 3-5 学習データの拡張(Data Augmentation) ①mixup/②GAN等データ拡張/③不良サンプル画像の拡張ほか |
4.判別・認識精度向上の勘どころ |
4-1 AIで解ける課題設定への落とし込み 4-2 データセットの品質向上(データ前処理) 4-3 モデルの選択:モデルとデータ量・精度の関係性 4-4 パラメータ調整 4-5 判別根拠の可視化 |
5.事例で理解するAI導入の勘どころ |
※製造業向けの事例を例に |
6.AI導入プロジェクトを成功するために |
6-1 課題設定に必要な情報(要求定義など) 6-2 AIリテラシーの向上 6-3 AI導入コストと効果の考え方(識別精度の設定など) 6-4 AIの精度・仮設・精度の管理 6-5 PoCサイクル 6-6 判別根拠の明示によるコンセンサス 6-7 経営クラスのコミットと理解 |
7.機械学習のハンズオン |
プログラミング不要のAI構築プラットフォーム「MatrixFlow」などを用いて機械学習のハンズオンを体感いただきます。 |
【ライブ配信セミナーに伴う注意事項について】⇒ 【詳細はこちら】 ※必ずお読みください(お申込みを頂いた時点でご同意頂いたとみなします) |