SlideShare une entreprise Scribd logo
1  sur  56
AI/人工知能
Artificial Intelligence
ITソリューション塾・第34期
2020年6月3日
AIとは何か
人間は何を作ってきたのか
鳥のように空を飛びたい
馬のように速く走りたい
魚のように海に潜りたい
人工知能の2つの方向性
視覚(See)
聴覚(Listen)
対話(Talk)
異なる領域で多様で複雑な問題を解決する個別の領域において知的に振る舞う
自己理解・自己制御
意識・意欲を持つ
自ら課題を発見し
自律的に能力を高めてゆく
人間が課題を発見し
人間が能力を高めてゆく
汎用型人工知能
AGI : Artificial General Intelligence
特化型人工知能
AI : Artificial Intelligence
AIとAGIの関係
汎用型人工知能
AGI : Artificial General Intelligence
特化型人工知能
AI : Artificial Intelligence
特定の領域に特化した
知的処理
汎用的で自律的に拡張する
知的処理
 共通するのは何か?
 違うのは何か?
 足りないのは何か?
何を知るべきを見つける
どうすればいいかを探す
特化型と汎用型の違い
6
オープンな問い
 自分は何をすべきか?
 生きるとはどういうことか?
 世界はどうあるべきか?
クローズドな問い
 「これ」について教えて欲しい?
 「これ」でいいのだろうか?
 「これ」でうまくいくだろうか?
専門的 総合的
汎用型人工知能
 哲学や芸術
 発明や発見
 運動 など
特化型人工知能
 画像診断
 将棋や囲碁
 音声認識 など
IoT メカトロニクス
知能・身体・外的環境とAI
7
認識 意志決定 運動構成
感覚器 運動器官
骨格、関節、筋肉、靭帯、腱
外的環境
身体
知能
影響受容
AI(人工知能)
意識
脳の活動領域
8
ある ない
ある ない
ある ない
ある
(少ない学習データ)
ある
(膨大な学習データ)
高い 低い
(ひとつの知的処理に特化)
高い 低い
低い 高い
人間は身体に備わる様々な感覚器からの情報も含め総合して知覚・認識
しているが、機械には身体がないのでそれができない。
自分が現在何をやっているか、今はどんな状況なのかなどが自分でわか
る心の働きである意識により、人間は様々な知的処理を同時に実行し、
それを統合・制御しているが、機械にはできない。
人間は、自分の考えや選択を決心し、実行する能力、あるいは、物事を
成し遂げようとする意志を持っているが、機械にはない。
人間は少ない学習データからでも効率よく学習できる能力をそなえてい
るが、機械は膨大な学習データとそれを処理できる膨大な計算能力(消
費エネルギー)を必要とする。
人間はひとつの脳で様々な種類の知的処理が可能だが、機械は特定の知
的処理に特化している。
人間は、神経の機能単位が消失しても、それを自律的に補填・回復させ
ることができるが、機械にはそれができない。
人間の場合、1千億個のニューロンによる超並列処理がおこなわれてい
るが、その数を増やすことはできない。しかし、機械のプロセッサーは
増やすことはできる。
人間の知性と機械の知性
意識
身体性
意志
学習能力
汎用性
可塑性
スケーラ
ビリティ
高い 低い
人間の脳の消費エネルギーは思考時で21ワット/時程度のエネルギーを
消費するが、機械の場合はその数千倍から数万倍を必要とする。例えば、
GoogleのAlphaGoの消費電力は25万ワット/時とされている。
エネルギー
効率
ある ある 共に記憶能力はあるが、人間の場合は、身体的な感覚を含む記憶が可能
であり、記憶内容やメカニズムは必ずしも同じではない。
記憶能力
機
能
的
特
徴
器
質
的
特
徴
人間の知性 機械の知性 補足説明
「人工知能」と言われるものの4つのレベル
9
単純制御:指示されたことをそまま行う
予め定められたルールに従い制御する(人工知能搭載○○)。
 気温が上がるとスイッチを切るエアコン
 洗濯物の重さで洗濯時間を自動的に変更する洗濯機
 ひげの伸び具合で剃り方を変える電気シェーバーなど
ルールベース:指示されたことを自ら考えて実行する
外の世界を観測することによって振る舞いを変える。
振る舞いの種類・パターンを増やすため、予め多数のルールを用意しておく。
 「駒がこの場所にあるときは、こう動かすのがいい」といった予め決められたルールに従って、
これからの打ち手を探索して打つことができる囲碁や将棋のシステム
 与えられた知識ベースに従って、検査の結果から診断内容や処方する薬を決めて出力する医療診断システム
機械学習:着眼点は人間が教え、対応パターンを自動的に学習する
人間があらかじめルールを細かく決めて組み込んでおかなくても、
大量のデータから対応パターンを自ら見つけ出す。
ただし学習のための着眼点(特徴量)は人間が設計。
 「駒がこの場所にあるときは、こう動かすのがいい」ということを設定しておかなくても、
対戦を繰り返すことでコンピュータ自身が自分で学習する将棋や囲碁のシステム
 診断データや生体データを多数読み込み、ある病気とある病気に相関があるということを自分で学ぶ医療診断システム
深層学習:着眼点を人間が教えずに、対応パターンを自動的に学習する
学習に使う変数(着眼点/特徴量)を自分で学習して見つけ、
対応のパターンを見つけ出す。
 一連の症状が患者の血糖異常を表していて、複数の病気の原因になっているようだ、
ということを自分で見つけ出すことができる医療診断システム
 状況に応じて、最適な判断をおこなう自動運転の自動車
レ
ベ
ル
1
レ
ベ
ル
2
レ
ベ
ル
3
レ
ベ
ル
4
人工知能と機械学習
人工知能と機械学習
人工知能(Artificial Intelligence)
人間の”知能”を機械で
人工的に再現したもの
基礎的
応用的
知識表現
推論 探索
機械学習
自然言語理解感性処理
画像認識
エキスパートシステム
データマイニング
情報検索
音声認識ヒューマンインターフェース
遺伝アルゴリズム
マルチエージェント
ニューラルネット
ゲーム
プランニング
ロボット
人工知能の一研究分野
人工知能と機械学習の関係
12
人工知能 Artificial Intelligence/AI
機械学習 Machine Learning
ニューラル・ネットワーク
Neural Network
深層学習
Deep Learning
人間の”知能”を機械で
人工的に再現したもの
強いAI:コンピュー
タに人間と同様の知
能を持たせた仕組み
弱いAI:コンピュー
タに人間と同様の知
的な振る舞い・処理
をさせる仕組み
データからグループ分
けのためのルール(モ
デル)を作る仕組み
脳の仕組みを参考に作
られた機械学習の手法
従来よりも精度の高いモ
デルを作ることができる
ニューラル・ネットワー
クの手法
遺伝アルゴリズム、エキスパートシステム、音声認識、画像認識、感性処理、機械学習、
ゲーム、自然言語処理、情報検索、推論、探索知識表現、データマイニング、ニューラル
ネット、ヒューマンインターフェース、プランニング、マルチエージェント、ロボット
データ
プログラム
モデル
機械学習がやっていること
モデル
入力をどう処理して
出力するかのルール
入力 出力
人間の思考で
ルールを作る
実験・観察・思考
データ分析で
ルールを作る
機械学習
機械学習がやっていること
モデル
レントゲン写真から
「癌」の病巣を
識別するルール
入力 出力
癌
データ分析で
ルールを作る
機械学習 癌の病巣が写っている
大量のレントゲン写真
ある患者のレントゲン写真 「癌」の病巣を表示
レントゲン写真から
「癌」の病巣を見つける「モデル」
ルールベースと機械学習の違い
このレントゲン写真に、肺ガンが
写っているかどうかを知りたい!
レントゲン写真に、
肺ガンが写ってい
るかどうかを見分
けるためのルー
ルーを学び・経験
を積んで会得する。
レントゲン写真に、このルールーを適用する
レントゲン写真に、肺ガンがうつっているかどうかを判定する
見分けるための特徴の組合せ
/目の付け所を人間が教える特徴量
特徴量を人間が教えるのではなくデータを
分析して見つけ出してくれるのか深層学習
レントゲン写真に、
肺ガンが写ってい
るかどうかを見分
けるためのルー
ルーを記述する。
ルールベース
レントゲン写真に、
肺ガンが写ってい
るかどうかを見分
けるルールーを
データを分析して
生成する。
機械学習
ルールベースと機械学習
Sheep Dog
を見分ける仕様
やルール
= if XX
Then XXX
else XXX
Mop
を見分ける仕様
やルール
= if XX
Then XXX
else XXX
Sheep Dog
を見分ける仕様
やルール
0101011101010
1110101001011
1110010101010
Mop
を見分ける仕様
やルール
0111100101010
1101010001010
1110100100101
人間が記述 データから生成
GoogleのAI学習教材より
機械学習の仕組み
17
IoT Web
Mobile
データ
モデル
推論機械学習
Machine Learning
識別予測 判断ゾウ or カバ? 正常 or 異常?晴れ or 雨?
データ(学習データ)を分析して
特徴が共通するグループに分ける
ための基準/ルール(モデル)を作る
モデルを使ってグループ分けする
音声認識
顔認証
自動運転
創薬支援
天気予報 画像診断 人材採用故障予測
機械翻訳 競技アドバイス惑星探査 ヒビ割れ点検
製品品質検査
機械学習アプリケーション
推論モデル/学習モデルという
学習データという
モデルとは何か
18
動物 多次元の座標空間で表現された
特徴の組合せが似通ったグループ
特徴 1
特徴 2
特徴 3
楽器
乗り物
機械学習
データからモデル
を生成する仕組み
モデル
特徴の軸をデータから生成
最適な軸の組合せをソフトウェアが調整
特徴の軸を人間が指定
最適な軸の組合せを人間が調整
深層学習
Deep Learning
機械学習
深層学習ではない
どんな計算をしているか
19
 大量のサンプル・データ(例えば、癌の病巣が写っているレントゲン写真)の特徴を独自に数字化する。これを
特徴量という。
 これを座標軸*として、空間(特徴空間)上にサンプル・データを配置した時、最もうまく分離する特徴量(座
標軸)の組合せを作る。これが最適化された「推論モデル」となる。
 深層学習(ディープラーニング)以前の機械学習は、この座標軸=特徴量の組合せを人間が設定しなければなら
なかったが、深層学習はこれをデータを分析することで、自分で見つけ出すことができる。
最適化された推論モデル
*イラストは表現上の制約から3つの座標軸で表しているが、実際の座標軸は数百を越える。
機械学習と推論(1)
耳
目
口
特徴量
猫と犬を識別・分類する
ために着目すべき特徴
人間が
観察と経験で
決める
機械学習
統計確率的
アプローチ
機械が
データ解析して
決める
機械学習
ディープラーニング
(深層学習)
「特徴量」ごとに
猫/犬の特徴を
最もよく表す値を
見つけ出す
学習
猫の特徴を最もよく表す
特徴量の組合せパターン
犬の特徴を最もよく表す
特徴量の組合せパターン
猫の推論モデル 犬の推論モデル
大量の学習データ 大量の学習データ
犬
dog
猫
cat
機械学習と推論(2)
特徴の抽出
推論モデルとのマッチング
猫 犬
推論モデル推論モデル
「猫」の推論モデルに
98%の割合で一致している
推論結果
だから「この画像は猫である」
「特徴量」に着目して
それぞれの値を計算する
推論
特徴量未知のデータ
耳
目
口
学習と推論
22
大量の学習データ
機械学習 学習済
推論モデル
アプリケーション
対象
データ
推論
エンジン
 CT画像データ
 通話音声データ
 LIDERデータ
など
推論
判別
 画像:癌病巣の発見
 音声:話者の特定
 センサ:障害物回避
など
GPUや専用LSIを使用
消費電力より並列処理性能を優先
FPGAやDSPなどを使用
高速処理と低消費電力を優先
GPU: 大規模並列処理可能なプロセッサ
FPGA:プログラミング可能なLSI
DSP:信号処理に特化したLSI
LIDAR:レーザーの反射光から周辺環境の3次元的な構造を読み取る装置
学習
Learning
推論
Inference
一般的機械学習とディープラーニングとの違い
23
耳 27%
目 48%
口 12%
特徴量
「特徴量」とは、猫と犬を識別・分類するために着目すべき特徴
正しく認識 82%
誤った認識 18%
認識結果
耳 27%
目 48%
口 12%
特徴量
学習
ディープラーニング
学習
推論
ディープラーニング
推論
正しく認識 82%
誤った認識 18%
認識結果
人間が認識結果が
最適になる組合せを
見つける
機械が認識結果が
最適になる組合せを
見つける
学習データ
教師付きデータ 学習データの一部
評価データ
ニューラル・ネットワークの仕組み
長い尻尾 縞模様
しなやかな
四肢
尖った耳 ・・・
猫を認識
特徴量
猫の特徴を示す要素
特定の特徴量に
反応するニューロン
上位階層の特定・複数の
組合せが反応すると
反応するニューロン
上位階層の特定・複数の
組合せが反応すると
反応するニューロン
「猫」が入力されると
強く反応するニューロン
深層学習(ディープラーニング)以前の機械学習は、
人間が設定しなければならなかったが、
深層学習はこれを自分で見つけ出す。
ニューロンとは「神経細胞」。
その繋がりをニューラル・ネットワークという。
機械学習における3つの学習方法
25
機械学習
Machine Learning
教師あり学習
Supervised Learning
入力と正解例の関係を示したデータ
を学習データとして入力し、その関
係を再現するように特徴を抽出、モ
デルを生成する。
教師なし学習
Unsupervised Leaning
なんの説明もない学習データを入力
し、抽出した特徴のパターンから類
似したグループを見つけ出し、それ
ぞれのモデルを生成する。
強化学習
Reinforcement Learning
推論結果に対して評価(報酬)を与
えることで、どのような結果を出し
て欲しいかを示し、その結果をもう
まく再現できるモデルを生成する。
回帰
Regression
分類
Classification
クラスタリング
Clustering
バンディット
アルゴリズム
Bandit Algorism
Q学習
Q Learning
売上予測
人口予測
需要予測
不正検知
など
故障診断
画像分類
顧客維持
など
レコメンド
顧客セグメンテーション
ターゲットマーケティング
など
ゲーム
広告
自動運転
リアルタイム判断
など
決定木、ランダム
フォレスト、線形回
帰など
k平均法、kモード、
DBSCANなど
次元削減
Dimensionality
Reduction
SVM、ロジスティッ
ク回帰、ナイーブベ
イズなど
主成分分析、特異値
分解、潜在的ディレ
クトリ配分法など
新しい学習法
26
教師あり学習 教師なし学習半教師あり学習
自己教師あり学習
強化学習
逆強化学習
模倣学習
メタ学習
少数の教師ありデータと大量の教
師なしデータを使って学習する手
法
人間のお手本データをもとに教師
あり学習をして行動計画などを立
てる手法
教師なしデータに対してAIが正解
メタデータをタグづけしそれを教
師ありデータとして学習する手法
学習の仕方を学習するとも呼ばれ
る、複数のタスクの学習結果を利
用して新しいタスクの学習効率を
上げる手法
人間のお手本データを分析し、強
化学習における「報酬」を分析す
る手法
表紙データを使って学習する手法 教師なしデータだけで学習する手
法
「報酬」が高くなるように学習す
る手法
ディープラーニングの2つの課題
27
ディープラーニングの課題
大量の学習データ
が必要
結果が
説明できない
精度を高める高めるためには
大量の学習データを
用意しなければならない。
なぜ、この結果になったのかを
説明できない。
学習データの
精度を上げる
学習データを
水増しする
転移学習
を行う
解決策
説明可能な
手法を使う
説明が必要な用途
には使わない
解決策
「機械学習」の課題
28
大量の学習データ
・・・
機械学習
少ない学習データ
・・・
機械学習
「機械学習」の大きな課題の1つは、
その性能を上げるために大量の学習データを必要とすること
・・・
機械学習
ルール
目標値
OR
解決策
移転学習 強化学習・GANs
転移学習 Transfer Learning
29
大量の学習データ
タンパク質の特徴を
整理したデータ
・・・
タンパク質の分類方法を学習した
ニューラル・ネットワーク
機械学習
少ない学習データ
敗血症患者の血液から
取得した
タンパク質の特徴データ
・・・
敗血症を判別する
ニューラル・ネットワーク
機械学習
「転移学習」とは、すでに学習したモデル(学習済ニューラル・ネットワーク)を
少ない学習データで別の領域に適応させる技術
敵対的生成ネットワーク GANs:Generative Adversarial Networks
30
生成者
Generator
識別者
Discriminator
画像
画像
元データ
レプリカ
元データの特徴から
できるだけ本物に近い
レプリカを生成する
元データの特徴から
元データと同じかどう
かを識別しようとする
 「生成者」はレプリカをできるだけ元データに近づけようとし、「識別者」は確実に見分けられるように互いに競い合う。
 「識別者」の能力が次第に上がり元データとレプリカをうまく見分けられるようになり、「生成者」は更に本物に近いレプ
リカを造れるようになる。
 これを繰り返してゆくことで、「生成者」は元データと区別が付かないレプリカを造れるようになる。
認識や識別などの受動的機能
深層学習(ディープラーニング)
生成や復元などの能動的機能
敵対的生成ネットワーク(GANs)
深層強化学習 deep reinforcement learning
31
勝
勝
負
プラス評価
マイナス評価
プラス評価
ゲームを繰り返し、結果の勝(プラス評価)/負(マイナス評価)
から、結果に至るプロセスひとつひとつを評価し、勝(プラス評
価)になる一番効果的/効率的なプロセスの組合せを見つけてゆく
強化学習 reinforcement learning
ブロック崩しなどのゲーム 囲 碁
 ゲームに勝つために有効な特徴(量)を画像から直
接見つけ出すために深層学習(deep learning)のア
ルゴリズムであるCNN(convolutional neural
network)を使用する。
 複雑なゲームでも人間が何を基準に勝ち負けを評価
するかを教えなくても、自分で勝ちパターンを見つ
け出す。
 対戦ゲームの場合は、機械の中でお互いに対戦させ
て、学習の回数を増やし、勝ちターンを見つけ出し
て行く。
深層強化学習 deep reinforcement learning
Deep Mind社のDQN(Deep Q-Learning)など
 囲碁の世界チャンピオンに勝ったAlphaGo/Alpha Go Zeroが有名
人工知能のロボットへの実装
32
反射的行動
行動の抽象化
理論化する
Input Output
 何かが来たらよける
 大きな音がしたら逃げだす
 段差があれば後退する など
 何かが近づいたら危険かどうかを判断する
 大きな音がしたら影響があるかを見極める
 段差があれば乗り越えられるかどうか判別する など
 どういう場所が危険かを理解する
 音の種類により危険かどうかを区別する
 段差の限界を把握する など
情
報
の
抽
象
化
行
動
の
生
成
サブサンプション・アーキテクチャ
Subsumption Architecture
自律化
「自動化」と「自律化」の違い
34
「触るとやけどをするから触らないように」
と指示され、その通りそれに従う
火を触るとどうなるかを自分で確かめ
やけどを負った後、二度と触らないとい
あるいは、どこまでなら近づけるか
といったルールを自分で作る
自動化
Automation
自律化
Autonomous
決められたやり方をその通りにこなす 自分で学習してルールを生成する
自動化から自律化への進化
連続する作業の自動化
生産管理・販売管理・工程管理など
伝票や作業の流れなどのオンライン処理
最適対応が求められる作業の自動化
状況の変化をセンサーやログによって収集し
パターン化されたルールに基づき機器を制御
状況に応じて自ら判断する作業の自動化=自律化
未知の状況にも対応し、自ら判断して実行する
人
間
の
与
え
た
ル
ー
ル
や
判
断
基
準
に
従
っ
て
人
間
が
介
在
す
る
こ
と
な
く
実
行
す
る
。
機
械
が
自
ら
ル
ー
ル
や
判
断
基
準
を
生
成
し
人
間
が
介
在
す
る
こ
と
な
く
実
行
す
る
単一作業の自動化
給与計算・部品表展開など
のバッチ処理
自律走行できる自動車
36
レベル4・5
レベル3
レベル2
レベル1
レベル0
自動運転
自動運転
運転支援
運転支援
支援なし
ドライバーが常にすべての操作
(加速・操舵・制動)を行う。
加速・操舵・制動のいずれかをシ
ステムが行う。
加速・操舵・制動のうち複数の操
作をシステムが行う。
加速・操舵・制動を全てシステム
が行うが、システムから要請があ
ればドライバーはこれに応じる。
加速・操舵・制動を全てシステム
が行い、ドライバーは関与しない。
*レベル4は高速道路や特定の地域などに限定される。
事故責任
自動運転のためのプラットフォーム
37
参 照
アップデート
3次元地図
走行アルゴリズム
教科学習
アップデート
自動車 5G クラウド
GPU、FPGA、センサーなど 高信頼
ネットワーク
3次元地図データベース
ディープラーニングなど
人工知能の実用
一般的なプログラムと機械学習を使ったプログラム
39
達成目標
業務目的
処理プロセス
アルゴリズム
判断や分類
のルール
(一般的プログラムでは分岐条件) データによる
機械学習
人間の
経験や習慣
人間の
経験や習慣
一般的なプログラム 機械学習を使ったプログラム
自動化ツール
Google Cloud AutoML
Microsoft Azure ML
AWS SageMaker など
AIと人間の役割分担
データを準備
意志決定
学習方式の選択
パラメーターの調整
可視化・分類・予測
問いを生みだす
解決したいこと・知りたいことを決める
膨大なデータの中から、人間
の経験に基づく先入観なしに
規則、相関、区分を見つける
新たな問いを生みだす
判断・制御
モデル
公式・ルール・関数など
機械学習の活用プロセス
41
モデル運用
機械学習
モデル作成
学習データ
収集・加工
学習データ
定義
問題定義
 問題発見
 ゴール設定・KPI定義
 業務方針決定
 ノウハウの形式知化
 目的変数の決定
 説明変数決定
 データソース決定
 データ収集
 加工プログラム開発
 アルゴリズム選択
 コーディング
 パラメータチューニング
 環境構築
 コーディング
 デプロイ&テスト
 経営や業務  業務  IT
 計算科学
 統計学
 計算科学
 IT
 業務
プロセス
タスク
スキルや知識
IoTにおける学習と推論の関係
学習
learning
 大規模な計算能力
 学習専用プロセッサー
 長時間演算
推論
inference
学習モデル 学習モデル学習モデル 学習モデル学習モデル
 比較的小規模な計算能力
 推論専用プロセッサー
 短時間演算
学習データ
ビジネス・プロセスのデジタル化
43
見える化
グラフ・モニター・イメージなど
データ化
ビジネス・プロセスのデジタル化
分析
統計・機械学習
機械 人間
高速に結果 考察して仮説
なぜ?
どうして?
こうしたい!
疑問・仮説
そして判断
IoT・Web・Mobileなど
学習と推論の役割分担
44
学習
推論
学習
推論
 大規模な計算能力
 専用プロセッサー
 長時間演算
 比較的小規模な計算能力
 専用プロセッサー・省電力
 短時間演算
学習モデル 学習モデル
学習
推論
学習モデル学習モデル
クラウドでモデルを作り、
そのモデルをエッジのデバ
イスに送りリアルタイムの
現場のデータから予測や判
定を行う。
リアルタイム性が重要な処
理は、できるだけ現場に近
い場所で処理できたほうが
有利。また、機器の個体差
にも対処できる。
クラウドで完結するサービ
スに適用。
学習
推論
推論モデル(予測や分類などの
ルール)を大量のデータから作る
推論モデルを使って現場データ
から予測や分類、判断/判定を行う
AISing,HACURUS,
SOINN など
ARAYA,LEAPMIND,
IDENなど
ABEJA,Microsoft,Google,
Facebook,Amazon,
Preferred Networkなど
NVIDIA,Intelなど
デバイス側のAIチップ(エッジAIチップ)の必要性
電力消費量の増加
 世界の電力消費量は伸び続けており、環境問題
としても取り沙汰されている。
 デバイスが増加し、データのやり取りが増加す
るとさらに世界の電力消費量が大きくなる可能
性が高い。
リアルタイム性への対応
 データ転送などによる通信遅延の発生は,遠隔
医療や産業ロボット、自動運転では通信遅延は
命取りになる場合がある。
 自動運転で認識が遅れてブレーキが遅れるなど
即時応答が必要な分野は多い。
深層学習が前提となったシステム構造
46
深層学習フレームワーク
学習処理実行基盤
画像解析
動画認識
音声認識
話者認識
言語理解
文章解析
機械翻訳 知識表現 検索
コールセンター
顧客応対
営業支援
提案活動支援
医療
診断支援
創薬支援 その他
その他
文献データ
社内業務
データ
概念体系
辞書
音響データ
言語データ
画像データ
動画データ
その他
アプリケーション
ソリューション
認識系
サービス
学習基盤
知識ベース
学習データ
A
I
プ
ラ
ッ
ト
フ
ォ
ー
ム
人工知能の可能性と限界
機械翻訳の現状とそのプロセス
音声認識
Speech
Recognition
機械翻訳
machine
translation
音声合成
Speech
synthesis
2016:人間並み 2018〜19:人間超え 2018〜19:人間との区別困難
プロの逐次翻訳に匹敵(状況による)
60
50
40
30
20
10
一般の人が翻訳した場合よりも高品質であることが多い
非常に高品質で適切かつ流暢な翻訳
高品質な翻訳
理解できる適度な品質の翻訳
主旨は明白だが文法上の重大なエラーがある
主旨を理解するのが困難
ほとんど役に立たない
BLEUスコア
19851990 1995 2000 2005 2010 2015 2020
統計的機械翻訳
SMT(Statically Machine Translation)
ニューラル機械翻訳
NMT(Nural Machine Translation)
BLEU: BiLingual Evaluation Understudy
人間にしかできないこと・機械にもできること
帰還した爆撃機の被弾状況
 銃撃を受けても帰還できたのはなぜか?
 帰還した爆撃機の銃撃箇所の分布を調べてみた。
 この範囲への銃撃なら飛行は継続できる。
 これ以外に被弾したので撃墜されたのではないか?
意味を理解する
問いを作る
第二次世界大戦中、イギリスはドイツより多くの爆撃機を失っていた。 彼らは装甲を追加することに決めたが、相当の費
用がかかるので追加する場所を慎重に選択する必要があった。
撃墜された爆撃機の被弾状況(想定)
 帰還した爆撃機にはない銃撃箇所の分布を想定した。
 この範囲が銃撃されたら飛行は困難になる。
 ここへの銃撃を防ぐことはできない。
 墜落しやすい箇所の装甲を強化すれば墜落は防げる。
正解を見つける
結果を検証する
Abraham Wald
(ハンガリーの数学者)
が提示した解決策
AIにできること、人間に求められる能力
自分で問いや問題を
作ることができない
与えられた問いや問題には
人間よりも賢く答えられる
問いや問題を作る能力
人工知能を使いこなす能力
結果を解釈し活用する能力
人間に求められる能力
AI
Whyから始める
いかなる問題を解決するのか?
Purpose(目的/存在意義)を
明確にする
どのように問題を解決するのか?
構想や体制、開発や運用の
方針や計画を明確にする
何を使って問題を解決するのか?
技術や手法、製品やサービスなどの
手段を具体化する
WHY
HOW
WHAT
人間と機械の役割分担
WHY
HOW
WHAT テクノロジーにより
置き換えられる領域
AI、ロボット、クラウド、自動化など
人間でなければ
できない領域
なぜ、なんのために、何をしたいかなど
超高齢化社会を人工知能やロボットで対応
53
人工知能やロボットを積極的に駆使し、労働生産性やQOL(Quality of Life)の向上が急務
ベーシックインカム(Basic Income/BI)
54
一定金額の現金を国民全員に無条件で給付する制度
無理して働かなくてもよくなり
倒産や雇用への不安も解消する
柔軟な労働市場が生まれる
労働力の質が高まる
産業構造の転換が容易になる
年金や子ども手当、失業保険など
がBIに統合される
恣意的な給付の選別がなくなり
制度運営のコストが削減される
不公平感が解消される
社会や経済の発展と安定に貢献する
生存に対する給与 手厚いセイフティネット
まとめ:IoTとAI
社会の不確実性が”メチャメチャ”増大している
 直近の社会・経済・政治の変化がまったく予測できない。
 想定外の競争相手が、異業種から突然やってくる。
 顧客の好み・関心事・判断基準がどんどん変わる。
企業が生き残り、事業を継続するには、
圧倒的なビジネス・スピードを持たなくてはならない
 現場の事実をデータで、リアルタイムに把握する。
 データを使って「デジタル・ツイン」を構築する。
 デジタル・ツインを使って、高速に最適解を見つけ出す。
IoTで現場の事実をデータとして収集し
AIで最適解を見つけ、判断する
56
ネットコマース株式会社
180-0004 東京都武蔵野市吉祥寺本町2-4-17
エスト・グランデール・カーロ 1201
http://www.netcommerce.co.jp/

Contenu connexe

Tendances

最近のDQN
最近のDQN最近のDQN
最近のDQNmooopan
 
Bayesian Uncertainty Estimation for Batch Normalized Deep Networks
Bayesian Uncertainty Estimation for Batch Normalized Deep NetworksBayesian Uncertainty Estimation for Batch Normalized Deep Networks
Bayesian Uncertainty Estimation for Batch Normalized Deep Networksharmonylab
 
学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」西岡 賢一郎
 
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門Shohei Hido
 
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法CV分野におけるサーベイ方法
CV分野におけるサーベイ方法Hirokatsu Kataoka
 
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けてSSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けてSSII
 
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~SSII
 
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門までAttentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門までAGIRobots
 
マルチエージェント強化学習 (MARL) と M^3RL
マルチエージェント強化学習 (MARL) と M^3RLマルチエージェント強化学習 (MARL) と M^3RL
マルチエージェント強化学習 (MARL) と M^3RLHarukaKiyohara
 
局所特徴量と統計学習手法による物体検出
局所特徴量と統計学習手法による物体検出局所特徴量と統計学習手法による物体検出
局所特徴量と統計学習手法による物体検出MPRG_Chubu_University
 
ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心に
ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心にウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心に
ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心にRyosuke Tachibana
 
CNN-SLAMざっくり
CNN-SLAMざっくりCNN-SLAMざっくり
CNN-SLAMざっくりEndoYuuki
 
Deep Learningと画像認識   ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識   ~歴史・理論・実践~nlab_utokyo
 
Object Detection & Instance Segmentationの論文紹介 | OHS勉強会#3
Object Detection & Instance Segmentationの論文紹介 | OHS勉強会#3Object Detection & Instance Segmentationの論文紹介 | OHS勉強会#3
Object Detection & Instance Segmentationの論文紹介 | OHS勉強会#3Toshinori Hanya
 
物体検出の歴史まとめ(1) 20180417
物体検出の歴史まとめ(1) 20180417物体検出の歴史まとめ(1) 20180417
物体検出の歴史まとめ(1) 20180417Masakazu Shinoda
 
DLLab 異常検知ナイト 資料 20180214
DLLab 異常検知ナイト 資料 20180214DLLab 異常検知ナイト 資料 20180214
DLLab 異常検知ナイト 資料 20180214Kosuke Nakago
 
ロボティクスにおける SLAM 手法と実用化例
ロボティクスにおける SLAM 手法と実用化例ロボティクスにおける SLAM 手法と実用化例
ロボティクスにおける SLAM 手法と実用化例Yoshitaka HARA
 
SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~
SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~
SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~SSII
 

Tendances (20)

最近のDQN
最近のDQN最近のDQN
最近のDQN
 
Bayesian Uncertainty Estimation for Batch Normalized Deep Networks
Bayesian Uncertainty Estimation for Batch Normalized Deep NetworksBayesian Uncertainty Estimation for Batch Normalized Deep Networks
Bayesian Uncertainty Estimation for Batch Normalized Deep Networks
 
学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」学習時に使ってはいないデータの混入「リーケージを避ける」
学習時に使ってはいないデータの混入「リーケージを避ける」
 
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
 
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
 
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けてSSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
 
Semantic segmentation
Semantic segmentationSemantic segmentation
Semantic segmentation
 
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
 
Attentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門までAttentionの基礎からTransformerの入門まで
Attentionの基礎からTransformerの入門まで
 
マルチエージェント強化学習 (MARL) と M^3RL
マルチエージェント強化学習 (MARL) と M^3RLマルチエージェント強化学習 (MARL) と M^3RL
マルチエージェント強化学習 (MARL) と M^3RL
 
局所特徴量と統計学習手法による物体検出
局所特徴量と統計学習手法による物体検出局所特徴量と統計学習手法による物体検出
局所特徴量と統計学習手法による物体検出
 
ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心に
ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心にウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心に
ウェーブレット変換の基礎と応用事例:連続ウェーブレット変換を中心に
 
LiDARとSensor Fusion
LiDARとSensor FusionLiDARとSensor Fusion
LiDARとSensor Fusion
 
CNN-SLAMざっくり
CNN-SLAMざっくりCNN-SLAMざっくり
CNN-SLAMざっくり
 
Deep Learningと画像認識   ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識   ~歴史・理論・実践~
 
Object Detection & Instance Segmentationの論文紹介 | OHS勉強会#3
Object Detection & Instance Segmentationの論文紹介 | OHS勉強会#3Object Detection & Instance Segmentationの論文紹介 | OHS勉強会#3
Object Detection & Instance Segmentationの論文紹介 | OHS勉強会#3
 
物体検出の歴史まとめ(1) 20180417
物体検出の歴史まとめ(1) 20180417物体検出の歴史まとめ(1) 20180417
物体検出の歴史まとめ(1) 20180417
 
DLLab 異常検知ナイト 資料 20180214
DLLab 異常検知ナイト 資料 20180214DLLab 異常検知ナイト 資料 20180214
DLLab 異常検知ナイト 資料 20180214
 
ロボティクスにおける SLAM 手法と実用化例
ロボティクスにおける SLAM 手法と実用化例ロボティクスにおける SLAM 手法と実用化例
ロボティクスにおける SLAM 手法と実用化例
 
SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~
SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~
SSII2021 [OS1-01] 水産養殖 x IoT・AI ~持続可能な水産養殖を実現するセンシング/解析技術~
 

Similaire à LiBRA 07.2020 / ITソリューション塾・第34期・AI

【ITソリューション塾・第29期】AI
【ITソリューション塾・第29期】AI【ITソリューション塾・第29期】AI
【ITソリューション塾・第29期】AIMasanori Saito
 
Javaone報告会2016
Javaone報告会2016Javaone報告会2016
Javaone報告会2016yuki shiroma
 
「なぜ人工知能は人と会話ができるのか?」
「なぜ人工知能は人と会話ができるのか?」「なぜ人工知能は人と会話ができるのか?」
「なぜ人工知能は人と会話ができるのか?」Youichiro Miyake
 
先端ITサービス ‐AIを使用したサービスに焦点を当て- .pdf
先端ITサービス ‐AIを使用したサービスに焦点を当て- .pdf先端ITサービス ‐AIを使用したサービスに焦点を当て- .pdf
先端ITサービス ‐AIを使用したサービスに焦点を当て- .pdfHiroshi Takahashi
 
人工知能についての基礎知識
人工知能についての基礎知識人工知能についての基礎知識
人工知能についての基礎知識Yuta Inamura
 
エンジニアのための勉強会 #1 『AI』
エンジニアのための勉強会 #1 『AI』エンジニアのための勉強会 #1 『AI』
エンジニアのための勉強会 #1 『AI』Naoki Yoshitake
 
理想のAIと現実の機械学習
理想のAIと現実の機械学習理想のAIと現実の機械学習
理想のAIと現実の機械学習Hiroki Tanioka
 
LiBRA 05.2021 / Juku_AI
LiBRA 05.2021 / Juku_AILiBRA 05.2021 / Juku_AI
LiBRA 05.2021 / Juku_AIMasanori Saito
 
Innovative City Forum 2020 講演資料
 Innovative City Forum 2020 講演資料 Innovative City Forum 2020 講演資料
Innovative City Forum 2020 講演資料Youichiro Miyake
 
人工知能勉強会人工知能(AI)業界まとめ(個人中小企業向け)非エンジニアでも参加できるAIビジネス tsubasa
人工知能勉強会人工知能(AI)業界まとめ(個人中小企業向け)非エンジニアでも参加できるAIビジネス tsubasa人工知能勉強会人工知能(AI)業界まとめ(個人中小企業向け)非エンジニアでも参加できるAIビジネス tsubasa
人工知能勉強会人工知能(AI)業界まとめ(個人中小企業向け)非エンジニアでも参加できるAIビジネス tsubasa翼 宮崎
 
A study of the human functions for the agi design (japanese)(motohiro okaya) ...
A study of the human functions for the agi design (japanese)(motohiro okaya) ...A study of the human functions for the agi design (japanese)(motohiro okaya) ...
A study of the human functions for the agi design (japanese)(motohiro okaya) ...MotohiroOkaya
 
インタラクションデザインにおける知的財産運用について
インタラクションデザインにおける知的財産運用についてインタラクションデザインにおける知的財産運用について
インタラクションデザインにおける知的財産運用についてYosuke Sakai
 
AI幸福論 - AIも感情や意識を持ちうるのか -
AI幸福論  - AIも感情や意識を持ちうるのか - AI幸福論  - AIも感情や意識を持ちうるのか -
AI幸福論 - AIも感情や意識を持ちうるのか - Youichiro Miyake
 
自動化とAIの違いはなにか?
自動化とAIの違いはなにか?自動化とAIの違いはなにか?
自動化とAIの違いはなにか?Youichiro Miyake
 
AIとは?? ~正しい理解のために過去のブームを振り返りながら解説~
AIとは?? ~正しい理解のために過去のブームを振り返りながら解説~AIとは?? ~正しい理解のために過去のブームを振り返りながら解説~
AIとは?? ~正しい理解のために過去のブームを振り返りながら解説~Yamato OKAMOTO
 
情報法制研究所 第5回情報法セミナー:人工知能倫理と法制度、社会
情報法制研究所 第5回情報法セミナー:人工知能倫理と法制度、社会情報法制研究所 第5回情報法セミナー:人工知能倫理と法制度、社会
情報法制研究所 第5回情報法セミナー:人工知能倫理と法制度、社会Hiroshi Nakagawa
 

Similaire à LiBRA 07.2020 / ITソリューション塾・第34期・AI (20)

【ITソリューション塾・第29期】AI
【ITソリューション塾・第29期】AI【ITソリューション塾・第29期】AI
【ITソリューション塾・第29期】AI
 
Javaone報告会2016
Javaone報告会2016Javaone報告会2016
Javaone報告会2016
 
「なぜ人工知能は人と会話ができるのか?」
「なぜ人工知能は人と会話ができるのか?」「なぜ人工知能は人と会話ができるのか?」
「なぜ人工知能は人と会話ができるのか?」
 
先端ITサービス ‐AIを使用したサービスに焦点を当て- .pdf
先端ITサービス ‐AIを使用したサービスに焦点を当て- .pdf先端ITサービス ‐AIを使用したサービスに焦点を当て- .pdf
先端ITサービス ‐AIを使用したサービスに焦点を当て- .pdf
 
人工知能についての基礎知識
人工知能についての基礎知識人工知能についての基礎知識
人工知能についての基礎知識
 
次世代脳シンポジウム(2016年12月19日)
次世代脳シンポジウム(2016年12月19日)次世代脳シンポジウム(2016年12月19日)
次世代脳シンポジウム(2016年12月19日)
 
エンジニアのための勉強会 #1 『AI』
エンジニアのための勉強会 #1 『AI』エンジニアのための勉強会 #1 『AI』
エンジニアのための勉強会 #1 『AI』
 
理想のAIと現実の機械学習
理想のAIと現実の機械学習理想のAIと現実の機械学習
理想のAIと現実の機械学習
 
人工知能と身体
人工知能と身体人工知能と身体
人工知能と身体
 
Kenkyuumatome
KenkyuumatomeKenkyuumatome
Kenkyuumatome
 
LiBRA 05.2021 / Juku_AI
LiBRA 05.2021 / Juku_AILiBRA 05.2021 / Juku_AI
LiBRA 05.2021 / Juku_AI
 
Innovative City Forum 2020 講演資料
 Innovative City Forum 2020 講演資料 Innovative City Forum 2020 講演資料
Innovative City Forum 2020 講演資料
 
人工知能勉強会人工知能(AI)業界まとめ(個人中小企業向け)非エンジニアでも参加できるAIビジネス tsubasa
人工知能勉強会人工知能(AI)業界まとめ(個人中小企業向け)非エンジニアでも参加できるAIビジネス tsubasa人工知能勉強会人工知能(AI)業界まとめ(個人中小企業向け)非エンジニアでも参加できるAIビジネス tsubasa
人工知能勉強会人工知能(AI)業界まとめ(個人中小企業向け)非エンジニアでも参加できるAIビジネス tsubasa
 
A study of the human functions for the agi design (japanese)(motohiro okaya) ...
A study of the human functions for the agi design (japanese)(motohiro okaya) ...A study of the human functions for the agi design (japanese)(motohiro okaya) ...
A study of the human functions for the agi design (japanese)(motohiro okaya) ...
 
インタラクションデザインにおける知的財産運用について
インタラクションデザインにおける知的財産運用についてインタラクションデザインにおける知的財産運用について
インタラクションデザインにおける知的財産運用について
 
AI幸福論 - AIも感情や意識を持ちうるのか -
AI幸福論  - AIも感情や意識を持ちうるのか - AI幸福論  - AIも感情や意識を持ちうるのか -
AI幸福論 - AIも感情や意識を持ちうるのか -
 
第6回WBAシンポジウム:人の手のひら AIの手のひら
第6回WBAシンポジウム:人の手のひら AIの手のひら第6回WBAシンポジウム:人の手のひら AIの手のひら
第6回WBAシンポジウム:人の手のひら AIの手のひら
 
自動化とAIの違いはなにか?
自動化とAIの違いはなにか?自動化とAIの違いはなにか?
自動化とAIの違いはなにか?
 
AIとは?? ~正しい理解のために過去のブームを振り返りながら解説~
AIとは?? ~正しい理解のために過去のブームを振り返りながら解説~AIとは?? ~正しい理解のために過去のブームを振り返りながら解説~
AIとは?? ~正しい理解のために過去のブームを振り返りながら解説~
 
情報法制研究所 第5回情報法セミナー:人工知能倫理と法制度、社会
情報法制研究所 第5回情報法セミナー:人工知能倫理と法制度、社会情報法制研究所 第5回情報法セミナー:人工知能倫理と法制度、社会
情報法制研究所 第5回情報法セミナー:人工知能倫理と法制度、社会
 

Plus de Masanori Saito

211101_最新トレンド_パッケージ
211101_最新トレンド_パッケージ211101_最新トレンド_パッケージ
211101_最新トレンド_パッケージMasanori Saito
 
211101_LiBRA_クラウド
211101_LiBRA_クラウド211101_LiBRA_クラウド
211101_LiBRA_クラウドMasanori Saito
 
211101_LiBRA_インフラ
211101_LiBRA_インフラ211101_LiBRA_インフラ
211101_LiBRA_インフラMasanori Saito
 
LiBRA 10.2021 /クラウドコンピューティング
LiBRA 10.2021 /クラウドコンピューティングLiBRA 10.2021 /クラウドコンピューティング
LiBRA 10.2021 /クラウドコンピューティングMasanori Saito
 
LiBRA 10.2021 / インフラとプラットフォーム
LiBRA 10.2021 / インフラとプラットフォームLiBRA 10.2021 / インフラとプラットフォーム
LiBRA 10.2021 / インフラとプラットフォームMasanori Saito
 
LiBRA 10.2021 / 開発と運用
LiBRA 10.2021 / 開発と運用LiBRA 10.2021 / 開発と運用
LiBRA 10.2021 / 開発と運用Masanori Saito
 
LiBRA 10.2021 / DX以外
LiBRA 10.2021 / DX以外LiBRA 10.2021 / DX以外
LiBRA 10.2021 / DX以外Masanori Saito
 
LiBRA 10.2021 / DXとこれからのビジネス
LiBRA 10.2021 / DXとこれからのビジネスLiBRA 10.2021 / DXとこれからのビジネス
LiBRA 10.2021 / DXとこれからのビジネスMasanori Saito
 

Plus de Masanori Saito (20)

211101_DXの基礎
211101_DXの基礎211101_DXの基礎
211101_DXの基礎
 
211101_最新トレンド_パッケージ
211101_最新トレンド_パッケージ211101_最新トレンド_パッケージ
211101_最新トレンド_パッケージ
 
211101_DevOps
211101_DevOps211101_DevOps
211101_DevOps
 
211101_LiBRA_クラウド
211101_LiBRA_クラウド211101_LiBRA_クラウド
211101_LiBRA_クラウド
 
211001_LiBRA_IoT
211001_LiBRA_IoT211001_LiBRA_IoT
211001_LiBRA_IoT
 
211101_LiBRA_DX
211101_LiBRA_DX211101_LiBRA_DX
211101_LiBRA_DX
 
211101_LiBRA_インフラ
211101_LiBRA_インフラ211101_LiBRA_インフラ
211101_LiBRA_インフラ
 
211101_LiBRA_ERP
211101_LiBRA_ERP211101_LiBRA_ERP
211101_LiBRA_ERP
 
211101_LiBRA_AI
211101_LiBRA_AI211101_LiBRA_AI
211101_LiBRA_AI
 
211101_LiBRA_DX以外
211101_LiBRA_DX以外211101_LiBRA_DX以外
211101_LiBRA_DX以外
 
LiBRA 10.2021 / ERP
LiBRA 10.2021 / ERPLiBRA 10.2021 / ERP
LiBRA 10.2021 / ERP
 
LiBRA 10.2021 / DX
LiBRA 10.2021 / DXLiBRA 10.2021 / DX
LiBRA 10.2021 / DX
 
LiBRA 10.2021 /クラウドコンピューティング
LiBRA 10.2021 /クラウドコンピューティングLiBRA 10.2021 /クラウドコンピューティング
LiBRA 10.2021 /クラウドコンピューティング
 
LiBRA 10.2021 / インフラとプラットフォーム
LiBRA 10.2021 / インフラとプラットフォームLiBRA 10.2021 / インフラとプラットフォーム
LiBRA 10.2021 / インフラとプラットフォーム
 
LiBRA 10.2021 / AI
LiBRA 10.2021 / AILiBRA 10.2021 / AI
LiBRA 10.2021 / AI
 
LiBRA 10.2021 / 開発と運用
LiBRA 10.2021 / 開発と運用LiBRA 10.2021 / 開発と運用
LiBRA 10.2021 / 開発と運用
 
LiBRA 10.2021 / DX以外
LiBRA 10.2021 / DX以外LiBRA 10.2021 / DX以外
LiBRA 10.2021 / DX以外
 
LiBRA 10.2021 / ERP
LiBRA 10.2021 / ERPLiBRA 10.2021 / ERP
LiBRA 10.2021 / ERP
 
LiBRA 10.2021 / IoT
LiBRA 10.2021 / IoTLiBRA 10.2021 / IoT
LiBRA 10.2021 / IoT
 
LiBRA 10.2021 / DXとこれからのビジネス
LiBRA 10.2021 / DXとこれからのビジネスLiBRA 10.2021 / DXとこれからのビジネス
LiBRA 10.2021 / DXとこれからのビジネス
 

Dernier

IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)ssuser539845
 
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdf
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdfTaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdf
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdfMatsushita Laboratory
 
ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦
ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦
ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦Sadao Tokuyama
 
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見Shumpei Kishi
 
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~arts yokohama
 
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法ssuser370dd7
 
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-LoopへTetsuya Nihonmatsu
 
2024 01 Virtual_Counselor
2024 01 Virtual_Counselor 2024 01 Virtual_Counselor
2024 01 Virtual_Counselor arts yokohama
 
20240326_IoTLT_vol109_kitazaki_v1___.pdf
20240326_IoTLT_vol109_kitazaki_v1___.pdf20240326_IoTLT_vol109_kitazaki_v1___.pdf
20240326_IoTLT_vol109_kitazaki_v1___.pdfAyachika Kitazaki
 

Dernier (12)

2024 03 CTEA
2024 03 CTEA2024 03 CTEA
2024 03 CTEA
 
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)
IFIP IP3での資格制度を対象とする国際認定(IPSJ86全国大会シンポジウム)
 
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdf
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdfTaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdf
TaketoFujikawa_台本中の動作表現に基づくアニメーション原画システムの提案_SIGEC71.pdf
 
ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦
ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦
ARスタートアップOnePlanetの Apple Vision Proへの情熱と挑戦
 
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見
持続可能なDrupal Meetupのコツ - Drupal Meetup Tokyoの知見
 
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~
2024 02 Nihon-Tanken ~Towards a More Inclusive Japan~
 
2024 04 minnanoito
2024 04 minnanoito2024 04 minnanoito
2024 04 minnanoito
 
What is the world where you can make your own semiconductors?
What is the world where you can make your own semiconductors?What is the world where you can make your own semiconductors?
What is the world where you can make your own semiconductors?
 
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法
情報処理学会86回全国大会_Generic OAMをDeep Learning技術によって実現するための課題と解決方法
 
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ
「今からでも間に合う」GPTsによる 活用LT会 - 人とAIが協調するHumani-in-the-Loopへ
 
2024 01 Virtual_Counselor
2024 01 Virtual_Counselor 2024 01 Virtual_Counselor
2024 01 Virtual_Counselor
 
20240326_IoTLT_vol109_kitazaki_v1___.pdf
20240326_IoTLT_vol109_kitazaki_v1___.pdf20240326_IoTLT_vol109_kitazaki_v1___.pdf
20240326_IoTLT_vol109_kitazaki_v1___.pdf
 

LiBRA 07.2020 / ITソリューション塾・第34期・AI