|
|
|
人工知能の 現状、課題と未来像 |
|
|
第1節 | 人工知能はあなたに何をしてくれるのか |
1. | 注目される人工知能ー3度目のブームを迎えて |
1.1 | 人工知能とは |
1.2 | 人工知能のブームと冬の時代 |
1.3 | 現在の人工知能ブームを支えるもの |
2. | 人工知能が現在できること |
2.1 | 探索 |
2.2 | 推論 |
2.3 | 分類 |
2.4 | 回帰 |
2.5 | クラスタリング |
2.6 | 次元削減 |
3. | 人工知能はIoT,ビッグデータによってドライブする |
3.1 | デジタルツイン |
3.2 | デジタイゼーションとデジタライゼーション |
第2節 | 日本のIoT・AIの技術的対応―国の対応― |
1. | 第四次産業革命 |
2. | Society5.0 |
2.1 | 官民研究開発投資拡大プログラム(PRISM:プリズム) |
2.2 | 戦略的イノベーション創造プログラム(SIP:エスアイピー) |
3. | Connected Industries |
4. | 人工知能戦略会議 |
5. | 人工知能技術戦略 |
5.1 | 重点分野 |
5.2 | 発展段階のフェーズ分類 |
5.3 | 各分野の産業化ロードマップ |
5.3.1 | 生産性(目指すべき社会像) |
5.3.2 | 健康、医療・介護(目指すべき社会像) |
5.3.3 | 空間の移動(目指すべき社会像) |
6. | 国際的な議論のためのAI開発ガイドライン案 |
6.1 | 国際的な議論のためのAI開発ガイドライン案 |
|
|
第3節 | 人工知能の現状・課題?何ができて何ができないのか? |
1. | 人工知能概論 |
1.1 | 人工知能とは |
1.2 | 人工知能の活用のメリット |
1.3 | 人工知能の機能領域 |
2. | 人工知能の活用事例 |
2.1 | 中古車売買価格の予測 |
2.2 | 公開前コンテンツの文章校正 |
第4節 | 人工知能の未来像とその具体的アプローチ |
1. | 人工知能の課題と人工知能/人間が優れている知的能力 |
2. | 人工知能の未来像:人間と協調するAI |
3. | インタラクティブAIに必要な具体的技術:HAIとIIS |
3.1 | ヒューマンエージェントインタラクションHAI |
3.2 | 知的インタラクティブシステムIIS |
第5節 | 迫り来る労働力不足をチャンスに変える―人工知能を活用した近未来の組織・人材の変化― |
1. | 迫り来る労働力不足と日本の選択 |
2. | 人工知能による職業の代替可能性 |
3. | 社会の目指す方向とは |
4. | 未来の業務・組織と求められる人材像 |
第6節 | 人工知能のこれから(使用者と提供者、それぞれの責任) |
1. | はじめに |
2. | あふれる人工知能 |
3. | ブラックボックス |
4. | 「人工知能」の産みの親を探す |
4.1 | 手法 |
4.2 | 学習データ |
4.3 | 試験データ |
4.4 | 「人工知能」の産みの親の責任 |
|
|
|
人工知能技術活用の取り組み |
|
|
第1節 | 富士通における人工知能技術開発の取り組み |
1. | 富士通の目指すAI |
1.1 | Human Centric AI Zinraiの特長 |
1.2 | Zinraiのサービス提供 |
1.3 | Zinraiの4つの技術カテゴリ |
2. | Zinraiの学習技術 |
2.1 | 時系列データを対象にしたDeep Learning |
2.2 | Deep Tensor:グラフ構造データを対象にしたDeep Learning |
3. | 説明可能なAI |
第2節 | NECにおけるAIを活用した社会価値創造への取り組み |
1. | NECが目指すAIによる社会価値創造 |
2. | AIによる社会価値創造の事例 |
2.1 | カスタマーエクスペリエンス領域 |
2.1.1 | カスタマーエクスペリエンスと「NEC Customer Experience Solutions」 |
2.1.2. | NEC Customer Experience Solutions実践事例 |
2.2 | AIとTelecommunication技術によるネットワークの品質確保から自動運用へ |
2.2.1 | ネットワーク事業における課題と自動運用への道 |
2.2.2 | AIとTelecommunication技術によるネットワーク自動運用へのアプローチ |
2.2.3 | 現在の取組み事例: サービス品質劣化予測 |
2.3 | プラント運用保全領域 |
2.3.1 | インバリアント分析技術による故障予兆監視 |
2.3.2 | 事例:発電プラント向け故障予兆監視システム |
2.4 | パブリックセーフティ領域 |
2.4.1 | 街中映像監視 |
2.4.2 | 群衆行動解析 |
|
|
第3節 | NTTが目指す4つのAIとその基盤技術 |
1. | NTTが目指す4つのAI |
2. | 人の発する情報を読み解き,意図・感情を理解するAgent-AI |
3. | 心と身体を読み解き,深層心理・知性・本能を理解するHeart-Touching-AI |
4. | 人間・モノ・環境を読み解き,瞬時に予測・制御するAmbient-AI |
5. | 複数のAIがつながり社会システム全体を最適化するNetwork-AI |
第4節 | JSTにおける先導的AI関連プロジェクトの紹介 |
1. | 戦略的創造研究推進事業とは |
2. | 先導的AI関連プロジェクトの紹介 |
2.1 | CREST イノベーション指向の基礎研究の推進 |
2.1.1 | CREST「ビッグデータ応用」と「ビッグデータ基盤」 |
2.1.2 | CREST「人間と調和した創造的協働を実現する知的情報処理システムの構築」 |
2.1.3 | CREST「イノベーション創発に資する人工知能基盤技術の創出と統合化」 |
2.1.4 | CREST「人間と情報環境の共生インタラクション基盤技術の創出と展開」 |
2.2 | さきがけ 世界的研究リーダーの輩出 |
2.2.1 | さきがけ 「社会と調和した情報基盤技術の構築」 |
2.2.2 | さきがけ「新しい社会システムデザインに向けた情報基盤技術の創出」 |
2.2.3 | さきがけ「人とインタラクションの未来」 |
2.3 | 独創的な若手研究者の「個の確立」を支援する新規プログラムACT-I「情報と未来」 |
2.4 | 社会技術研究開発「人と情報のエコシステム」 |
|
|
|
人工知能・機械学習に関連する知財の現状と問題点 |
|
|
1. | 人工知能ビジネスに関連する知的財産の現状 |
1.1 | 人工知能の概要 |
1.2 | 人工知能ビジネスを保護可能な知的財産権の種類 |
1.3 | 生データ,学習用データセットの保護 |
1.3.1 | 特許権による保護の可能性 |
1.3.2 | 著作権による保護の可能性 |
1.3.3 | 不正競争防止法(営業秘密)による保護の可能性 |
1.4 | 機械学習アルゴリズムの保護 |
1.5 | 学習済みモデルの保護 |
1.5.1 | 特許権による保護の可能性 |
1.5.2 | 著作権(プログラムの著作物)による保護の可能性 |
|
|
1.5.3 | 営業秘密による保護の可能性 |
1.6 | 識別フェーズの保護 |
2. | 人工知能ビジネスを巡る知的財産上の問題点 |
2.1 | 学習済みモデルについての問題点 |
2.2 | 派生モデル |
2.3 | 蒸留 |
2.4 | オープンイノベーションと学習済みモデル |
2.5 | 時系列データを対象にしたDeep Learning |
2.6 | Deep Tensor:グラフ構造データを対象にしたDeep Learning |
3. | 説明可能なAI |
|
|
|
人工知能と法的問題 〜AIビジネスを始めるにあたっての一般的な法的留意点〜 |
|
|
1. | 人工知能技術の発展と法的問題に関する議論 |
2. | AI特有の法的問題 |
2.1 | 概要 |
2.2 | @AI生成物と知的財産権の関係 |
2.3 | AAIにより自動集積されたデータベースの取扱い |
3. | AIビジネスをめぐる法的問題 |
|
|
3.1 | データの分類 |
3.2 | データ一般の法的取扱い |
3.3 | データの収集・利活用などをめぐる法的問題 |
3.3.1 | 著作権法上の取扱い |
3.3.2 | 不正競争防止法上の取扱い |
3.3.3 | 不法行為法上の取扱い |
3.3.4 | その他の法的制限 |
3.3.5 | 契約上の取扱い |
|
|
|
人工知能の研究開発動向〜日本と世界の比較〜 |
|
|
1. | 人工知能研究の対象範囲 |
2. | 人工知能研究の発展の経緯 |
2.1 | グランドチャレンジが人工知能の研究を加速させてきた(黎明期〜2000年代) |
2.2 | 第三次人工知能ブームの主役は民間企業に(2010年代〜) |
3. | 国内外の研究開発動向 |
|
|
3.1 | 米国の研究開発戦略 |
3.2 | カナダの研究開発戦略 |
3.3 | 欧州の研究開発戦略 |
3.4 | 中国の研究開発戦略 |
3.5 | 日本の研究開発戦略 |
|
|
|
機械学習とディープラーニング |
|
|
第1節 | 機械学習とは何か |
1. | 機械学習の定義 |
1.1 | 統計(処理)と機械学習の違い |
1.2 | より厳格な機械学習の定義 |
2. | 機械学習の分類 |
2.1 | 教師付き学習(Supervised learning) |
2.2 | 教師なし学習(Unsupervised learning) |
2.3 | 強化学習 |
3. | 機械学習の応用 |
4. | 機械学習のためのツール |
5. | 機械学習の問題点 |
5.1 | 過学習の評価 |
5.2 | 汎化誤差と「バイアスとバリアンスのトレードオフ」 |
5.3 | 正則化 |
6. | ディープラーニングへの展開 |
第2節 | ディープラーニングの仕組み |
1. | 何ができるのか |
2. | 問題の見方 |
3. | ニューロンの発火 |
4. | 学習の仕組み |
5. | ブレークスルー |
|
|
6. | 視覚野をモデル化したCNN |
7. | 多様なネットワーク構造 |
8. | GPUの活用 |
9. | なぜ今なのか |
第3節 | 機械学習における学習の効率化手法 |
1. | 機械学習全体の効率化 |
1.1 | 課題・目標の設定 |
1.2 | 機械学習手法のカスタマイズの必要性 |
1.3 | 汎化能力とモデル選択の問題 |
1.4 | モデルとアルゴリズムの選び方 |
1.5 | データ取得から結果の流れ |
2. | ベイズモデリングによる効率化 |
2.1 | ベイジアンネットによるモデル作成 |
2.2 | ベイズ推論の効率化 |
3. | モデルの検証と選択の効率化 |
3.1 | 交差検証 |
3.2 | 情報量規準 |
3.3 | 正則化パス追跡による効率化 |
4. | 転移学習による効率化手法 |
4.1 | 転移学習とは |
4.2 | ディープラーニングと転移学習 |
|
|
|
ディープラーニングを用いた画像認識 |
|
|
1. | はじめに |
2. | 画像認識への応用 |
2.1 | Convolutional Neural Network (CNN) |
|
|
2.2 | 細胞内画像処理への応用 |
2.3 | 画像ラベリング(セマンティックセグメンテーション)への応用 |
|
|
|
人工知能における音声認識・音声対話技術 |
|
|
1. | 機械学習としての音声認識技術−HMMからDNNへ− |
1.1 | HMMによる音声認識 |
1.2.1 | 特徴抽出 |
1.2.2 | 音響モデルとしてのHMM |
1.2.3 | HMMの学習 |
1.2.4 | 大語彙連続音声認識−WFSTによる音声の表現− |
1.2 | DNNを用いた音声認識(1)−DNN-HMM法− |
|
|
1.3 | End-to-End音声認識に向けて |
2. | 対話処理へのDNNの導入−End-to-end対話処理へ− |
2.1 | 対話処理 |
2.1.1 | 一問一答とオートマトン制御 |
2.1.2 | フレームによる対話理解 |
2.2 | 対話処理へのDNNの応用 |
2.2.1 | 対話状態追跡(Dialogue State Tracking) |
2.2.2 | Sequence-to-Sequence応答生成 |
|
|
|
機械学習による異常検知 |
|
|
1. | 機械学習による異常検知とその種類 |
2. | 統計的手法による異常検知 |
2.1 | データの分布が正規分布の場合 |
2.2 | データの分布が混合分布の場合 |
3 | ニューラルネットワークワークによる異常検知 |
4 | サポートベクターマシンによる異常検知 |
|
|
5 | クラスタリングによる異常検知 |
6. | 決定木による異常検知 |
7. | アンサンブル学習による異常検知 |
8. | その他の方法 |
9. | 異常検知の評価法 |
|
|
|
人工知能エンジニアの育て方 |
|
|
第1節 | エンジニアと機械学習/深層学習 |
1. | エンジニアも機械学習を学ぶ |
1.1 | 価値の重心が移動している |
1.2 | 機械学習×デザイン思考=課題解決 |
2. | 機械学習と深層学習の活用方法 |
2.1 | データマイニングにおけるプロセス |
2.2 | 機械学習と深層学習をどのように学ぶか |
|
|
2.3 | 機械学習の活用における留意点 |
第2節 | データサイエンティストの育成 |
1. | データサイエンスとは |
2. | データサイエンティスト育成の海外動向 |
3. | データサイエンスの要素技術と価値創造 |
4. | 文理融合的な分野としてのデータサイエンス |
|
|
|
人工知能の自動車への活用 |
|
|
第1節 | 人工知能・ICTの技術動向と自動車技術への今後の展開 |
1. | 自動運転技術の実現とその競争力ある事業化の為にDeep Learning等の人工知能は必須 |
2. | コンピュターシュミレーションと公道走行テストの推進あるのみ |
3. | ビッグデータ、IoT、Deep Learning、クラウド技術が今後の企業の国際競争力の源泉 |
4. | 自動運転と通信 |
5. | 人間のドライバーの死傷事故の確率を下回る実証データを公道テストから無事故で叩き出す |
第2節 | 自動運転に向けた危険予測システムの構築 |
1. | 危険予測の必要性 |
2. | 自己組織化マップと多層自己組織化マップ |
2.1 | 自己組織化マップ |
2.2 | 多層自己組織化マップ |
3. | 意味情報を伝搬する多層自己組織化マップ |
4. | 道路形状クラスタリングのシミュレーション |
|
|
第3節 | 機械学習に基づく速度規制標識の検出と認識 |
1. | 速度規制標識の検出 |
2. | 速度規制標識の速度認識 |
第4節 | 階層型深層強化学習を用いた車両系の最適経路探索 |
1. | 準備 |
1.1 | 学習アルゴリズム |
1.2 | Experience Replay |
1.3 | ターゲットネットワークの固定 |
2. | 階層型強化学習 |
2.1 | Option |
2.2 | Hierarchical Deep Q-Network(h-DQN) |
2.3 | Hindsight Experience Replay |
3.4 | 輪車の制御への応用 |
3.1 | 問題設定 |
3.2 | ネットワークの構成 |
3.3 | 学習アルゴリズム |
3.4 | 数値シミュレーション |
|
|
|
人工知能の医療・ヘルスケアへの活用 |
|
|
第1節 | ヘルスケア・医療分野における人工知能の活用への期待 |
1. | コンセプトの時代を加速するAI |
2. | 医師も仕事を奪われる時代が来る? |
3. | センサーと人工知能のカップリング |
4. | ヘルスケアと医療分野の理解 |
5. | ヘルスケア、医療分野それぞれのAI応用の勘所 |
6. | ヘルスケア×医療分野でのA.I.応用の事例 |
7. | <薬剤師の視点>人工知能、ビッグデータに期待する事 |
第2節 | 医療・健康分野に於ける人工知能・ビッグデータ活用事例 |
第3節 | 医学領域における人工知能 Deep Learning の応用〜ディープラーニングの特性・使い方とバイオメディカルを中心とした応用技術〜 |
1. | 緒言・技術概観 |
1.1 | 人工知能の種類 |
1.2 | ディープラーニングとは何か |
1.3 | ディープラーニングが対象とするデータの特性 |
2. | 具体的な応用 |
2.1 | 創薬 |
2.2 | 画像解析・病理診断 |
2.3 | 診断・カルテ解析 |
2.4 | 在宅医療 |
2.5 | ウイルス・病原菌解析 |
3. | 必要なコンピューター、プログラムと専門教育 |
4. | 医療現場での応用 |
4.1 | 人工知能応用型医療技術開発内容について |
4.2 | 産業応用の視点 |
第4節 | AI・ディープ・ラーニングが医療・創薬分野に与えるインパクトと可能性 |
1. | はじめに――医療ITと人工知能 |
2. | これまでの人工知能(AI)と「これからの人工知能」 |
2.1 | 定義と分類 |
3. | ディープ・ラーニング(Deep Learning)の革命性 |
3.1 | ニューロコンピュータのこれまでの限界 |
3.2 | ディープ・ラーニングの革命性 |
3.3 | 内在的特徴を自動的に学ぶオートエンコーダ方式 |
4. | 人工知能は医学・医療に何をもたらすか |
|
|
4.1 | 人工知能の医学への応用のパラダイム変換 |
4.2 | 「ビッグデータ医療」時代の到来と医療のパラダイム変化 |
4.3 | 多因子疾患の網羅的分子解析―「メタオミックス」 |
4.4 | ビッグデータの縮約方法としてのディープ・ラーニング |
4.5 | ディープラーニングの医療への応用の期待 |
5. | ディープラーニングの創薬への寄与 |
5.1 | 生体プロファイル型計算創薬の分類 |
5.2 | AI創薬 |
第5節 | 人工知能による良質な睡眠の解析技術 |
1. | 個人の睡眠パターンの可視化 |
1.1 | 睡眠パターン可視化の流れ |
1.2 | バースト抽出法による睡眠関連音イベントの検出 |
1.3 | 時系列カーネル自己組織化マップによる睡眠パターンの可視化 |
1.3.1 | 自己組織化マップ |
1.3.2 | カーネル自己組織化マップ |
1.3.3 | 時系列カーネル自己組織化マップ |
1.4 | 睡眠パターンの可視化結果 |
2. | 睡眠パターンの時系列モデリングに基づく睡眠の良否判別 |
2.1 | 睡眠の良否判別の流れ |
2.2 | 音イベントの自動分類 |
2.3 | 隠れマルコフモデルによる睡眠パターンの時系列モデリング |
2.4 | 睡眠の良否判別法 |
2.5 | 睡眠の良否判別結果 |
第6節 | ニューラルネットワークによる、がん発症部位推定(試行) |
1. | データ |
2. | ニューラルネットワークの構成 |
3. | がん発症部位推定のテスト |
第7節 | 人工知能・ロボット技術における薬剤師業務代替の可能性 |
1. | 薬剤師業務の概要 |
2. | 機械化の現状 |
3. | ロボットの導入 |
4. | 医療の質向上のために |
|
|
|
人工知能の工場、品質管理への活用 |
|
|
第1節 | 工場の設備監視/保全におけるAI活用 |
1. | 工場でAIを活用する際の課題 |
2. | 現場で使える「インバリアント分析技術」 |
3. | 適用領域 |
3.1 | 製造プラントの故障予兆監視 |
3.2 | 大規模装置の故障分析 |
3.3 | 建造物劣化診断 |
4. | 今後の展望 |
第2節 | 生産工程におけるヒューマンエラーの予兆の検知とその導入,活用の留意点 |
1. | はじめに |
2. | 生産工程におけるヒューマンエラー |
2.1 | 単調作業 |
2.2 | ヒューマンエラーの定義 |
2.3 | 安全の維持 |
3. | IoT技術とディープラーニングを利用したヒューマンエラーの予兆検知 |
3.1 | IoT技術と人工知能による現場力の向上 |
3.2 | IoT技術による作業者の動作の監視 |
3.2.1 | センシング |
3.2.2 | Working Rhythmの算出 |
3.3 | ディープラーニングによるヒューマンエラーの予兆検知 |
3.3.1 | ディープラーニングによる危険度の算出 |
3.3.2 | 人工知能と人間の協同 |
3.4 | ヒューマンエラーの予兆検知の精度 |
4. | 予兆が表れる部位の推定 |
4.1 | K-means法を用いた作業者のタイプ分類 |
第3節 | 機械学習を用いた画像認識技術と外観検査への応用 |
1. | 画像認識技術の概要 |
1.1 | キー技術 |
1.2 | 画像の撮影 |
1.3 | 機械学習 |
1.4 | 一般的な物体認識の処理フロー |
2. | 欠陥検出技術 |
2.1 | 入力データ |
2.1.1 | 正確なラベル付け |
2.1.2 | 大量データの収集 |
2.1.3 | Data Augmentation |
2.2 | 特徴量の設計 |
2.3 | 機械学習の種類 |
2.4 | 性能評価 |
2.4.1 | 性能の評価方法 |
2.4.2 | クロスバリデーション |
2.4.3 | 過学習 |
2.4.4 | ROC曲線とAUC |
3. | 自動外観検査の実例 |
3.1 | 機械学習を用いた自動外観検査システムの設計のポイント |
|
|
3.2 | 実例 |
3.2.1 | 外観検査アルゴリズムコンテスト2014 |
3.2.2 | アルゴリズム |
3.2.3 | 結果 |
4. | 画像認識技術を用いた欠陥検査の今後の動向 |
第4節 | 次世代産業ロボットのためのAIとクラウド技術 |
1. | 産業用ロボットのためのAI技術 |
2. | 認識のためのAIの問題と解決法 |
2.1 | 認識のためのAIの問題 |
2.2 | 認識のためのAIをクラウドに接続 |
3. | Watsonを利用したシステム実装 |
3.1 | 「身体制御のためのAI」システム |
3.2 | AI⇔HIクラウドシステム |
3.3 | HIシステム |
3.4 | Watsonの訓練と自律運用 |
3.5 | 「ラストワンピース」はロボットハンド |
4. | AI⇔HIクラウドサービスのメリット |
4.1 | 労働者のメリット |
4.2 | 工場のメリット |
4.3 | サーバのメリット |
第5節 | AIを用いた多品種少量生産のロボット化 |
1. | はじめに |
2. | 概要 |
3. | 手法 |
3.1 | 物理シミュレータ |
3.2 | Convolutional Neural Network(CNN) |
3.3 | 識別器 |
3.4 | 把持可能位置検出モデル |
3.5 | 結果 |
第6節 | 人工知能による製品性能の予測と設計・材料・設備条件の最適化〜実用化レベルのレシピジェネレーター開発事例〜 |
1. | 背景 |
1.1 | コイルに関して |
1.2 | コイルの開発目標 |
1.3 | コイルの生産技術 |
1.4 | コイルの開発の流れと課題 |
2. | 個別最適解を実験レスで求める「設計,材料,設備条件⇒量産時のコイル性能平均値とバラつき」予測式の開発 |
3. | 要素技術者から見た開発ツールとしての人工知能技術の比較 |
4. | 実験レス(試作レス)開発環境の構築例 |
5. | まとめ |
5.1 | 人工知能による「設計条件×材料条件×設備条件」統合シミュレーション |
5.2 | 開発生産性効果 |
|
|
|
マテリアルズ・インフォマティクス |
|
|
第1節 | 計算化学からのデータを利用したマテリアルスインフォマティクス |
1. | リチウム空気電池の構造パラメータの推算への人工知能の利用 |
2. | インフォマティクスによる微粒子の合金触媒への吸着エネルギーの推算 |
3. | 結晶構造からの蛍光体の温度消光特性の推算 |
4. | 今後の展望 |
第2節 | 物質情報処理の高度化のためのAI技術応用研究の動向 |
1. | はじめに |
2. | 国内外のプロジェクト動向 |
3. | 材料開発でのAI活用研究事例と課題 |
3.1 | ベイズ最適化による新規熱電材料の探索と発見 |
3.2 | Materials Library の作成によるハイスループット計測技術 |
3.3 | 研究に応用する際の課題 |
(1) | 解析可能なビッグデータの不在 |
|
|
(2) | 物質データの高次元性 |
(3) | 統一的な表現方法・データ処理方法の不在 |
4. | AI技術を伴う研究課題解決の道筋 |
4.1 | AIエンジニアリング市民権の獲得 |
(1) | 予測 |
(2) | 分類 |
4.2 | 課題設定とブレイクダウン |
4.3 | 明日できることからまず始める |
第3節 | マテリアルズ・インフォマティクスと熱伝導材料・ナノ構造設計 |
1. | 低熱伝導単結晶材料設計に対するMIの適用 |
2. | MIによる熱伝導ナノ構造設計 |
第4節 | マテリアルズ・インフォマティクスによるプロセスも含めたポリマー材料設計 |
1. | はじめに |
2. | プロセスも含めたポリマー材料設計戦略 |
3. | 少ない実験データから出発して目標物性を達成するには |
4. | プロセス・インフォマティクスの展開 |
|
|
|
人工知能による新規事業、商品企画、研究開発への活用 |
|
|
第1節 | 人工知能の事業機会を自社ビジネスに落とし込む |
1. | 人工知能をビジネスとして捉えるランドスケープ |
2. | 人工知能をどの領域で活用するのか |
3. | 事業領域選定の落とし穴 |
4. | ビジネスモデル構築の5ステップ |
5. | ビジネスモデルにおける人工知能の価値 |
6. | 市場が立ち上がるためのポイント |
第2節 | ウェブ文書と機械学習で新しい商品コンセプトを生み出す創造的な人工知能 |
1. | 機械学習を用いた創造的な人工知能 |
1.1 | 本研究の作業仮説 |
1.2 | 機械学習を用いた法則性の抽出と技術的な課題 |
1.3 | 意味ネットワークの自動生成 |
1.4 | 意味ネットワークの変化を機械学習で扱う方法 |
1.5 | 訓練済みの機械学習モデルを用いたアイデアの生成 |
2. | 実際のデータを用いた仮説2の検証 |
3. | 抽出した法則性にしたがってAIが出力したアイデアの例 |
4. | 関連研究 |
5. | 産業応用の事例 |
第3節 | 膨大な論文・特許データの分析による事業展開可能性の探索と新しいアプリケーションの探索 |
1. | 学術俯瞰の持つ可能性 |
1.1 | 背景:学術俯瞰の必要性 |
1.2 | 引用ネットワーク分析による学術俯瞰 |
2. | 事業展開可能性の探索 |
2.1 | 分析手法 |
2.2 | 分析結果 |
3. | 新しいアプリケーション(技術の応用領域)の探索 |
3.1 | 分析手法 |
3.2 | 分析結果 |
第4節 | 人工知能・機械学習を利用したマーケティングリサーチ |
1. | マーケティングリサーチ |
1.1 | データの種類 |
1.1.1 | 1次データと2次データ |
1.1.2 | 質的データと量的データ |
1.2 | 定量的調査と定性的調査 |
2. | 自然言語処理を用いたマーケティング分析 |
2.1 | 機械学習による自然言語処理 |
2.1.1 | 形態素解析 |
2.1.2 | 文書特徴量TF-IDFとN-gram |
2.1.3 | 機械学習アルゴリズムによる処理 |
3. | ディープラーニングによるマーケティング分析 |
3.1 | 単語の分散表現 |
|
|
3.2 | ディープラーニングを用いたテキストの分類 |
第5節 | AI(人工知能)を使ったデジタルマーケティングと将来像 |
1. | デジタルマーケティングの背景 |
1.1 | デジタルマーケティングがブームになっている背景 |
1.2 | 大きな環境の変化 |
2. | AIを利用したデジタルマーケティングの将来象 |
2.1 | キックーが無くなったその後のデジタルマーケティング |
2.2 | AIを利用したデジタルマーケティングの現在 |
2.3 | AIを使ったデジタルマーケティングの将来像 |
第6節 | マネジメントに求められるAIリテラシー |
1. | AIのもたらすもの |
2. | 前提となる知見 |
2.1 | 科学的マネジメントと新技術 |
2.2 | 計算機性能向上の背景 |
2.3 | AIの二つの側面 |
3. | AIの概要 |
4. | センシング |
5. | 認識 |
5.1 | 再現率と適合率 |
5.2 | データを扱う3つの視点 |
6. | 解釈・推論 |
6.1 | 知識と推論 |
7. | 統計的知見: |
7.1 | 相関関係と因果関係 |
7.2 | 検定と確からしさ |
8. | 認知科学的知見:バイアスの影響 |
9. | 導入にあたっての留意点 |
第7節 | 人工知能を使った特許調査技術 |
1. | FRONTEOの人工知能エンジン「KIBIT」 |
1.1 | 訴訟の現場で生まれた人工知能 |
1.2 | KIBITの機能 |
(1) | 学習フェーズ |
(2) | 推論フェーズ |
1.3 | KIBITが動作する具体例 |
1.4 | KIBITと各アプリケーションとの位置づけ |
2. | 特許実務への応用 |
2.1 | KIBIT Patent Explorerの概要 |
2.2 | KIBIT Patent Explorerを用いた特許調査の進め方 |
2.3 | 無効審決を利用した性能の検証 |
(1) | 特許第3621023号 |
(2) | 特許第3662815号 |
(3) | 特許第3893292号 |
第8節 | AIを活用したコンタクトセンター業務の自動化 |
1. | はじめに |
2. | 背景 |
3. | AI活用したコンタクトセンター業務の自動化 |
|
|
|
人工知能とセキュリティ |
|
|
第1節 | 機械学習による脅威情報作成と侵入検知 |
1. | 現在のサイバーセキュリティ犯罪 |
2. | 最新の脅威には既存防御技術では対応できない |
3. | セキュリティ対策の問題点にある背景 |
4. | 第3次AI(Artificial Intelligence、人工知能)の登場 |
4.1 | AIセキュリティ製品の脅威特定方法による分類 |
4.1.1 | 脅威特定型 |
4.1.2 | 異常特定型 |
4.1.3 | 脅威挙動特定型 |
4.2 | 学習データならびに脅威情報収集方法による分類 |
4.2.1 | ネットワークセンサー型 |
4.2.2 | 端末エージェント型 |
5. | AIセキュリティ製品 Damballa Network Insight |
5.1 | 機械学習の要素 |
5.2 | DGA検知に対する応用 |
|
|
5.2.1 | 従来のテクニックによるDGAの検知 |
5.2.2 | 機械学習によるDGAの検知 |
5.2.3 | マルコフ連鎖 |
5.2.4 | ベイズ理論 |
5.3 | 教師ありと教師なし機械学習 |
第2節 | 人工知能関連技術のサイバーセキュリティへの活用 |
1. | 背景 |
2. | サイバーセキュリティと機械学習 |
2.1 | AIの3つの波における現状 |
2.2 | 機械学習の活用 |
3. | マルウェアのモデリングの仕組み |
3.1 | 収集 |
3.2 | 抽出 |
3.3 | 学習 |
3.4 | 検証 |
3.5 | モデルの適合度 |
4. | 機械学習活用レベルと今後 |
|
|
|
人工知能の農業への活用 |
|
|
第1節 | スマート農業のすすめ〜現在と今後〜 |
1. | 「スマート農業」のビッグウエーブが到来 |
1.1 | 先駆的取り組みはまだ5%? |
1.2 | 家族間での活用 |
1.3 | 人的ミスの回避のため |
1.4 | まずは自分が培ってきた農業を知る |
2. | 匠の知識の形式知化に向けて〜知財が農家の新たな収益源に〜 |
2.1 | 作付けコンシェルジュも |
2.2 | 匠の技術継承、病害虫対策でも |
2.3 | リアルとバーチャルの融合 |
2.4 | 知財が農家の新たな収益源に |
2.5 | 生産現場での「スマート農業」ニーズ |
3. | 食のバリューチェーン全体でのニーズ |
3.1 | 安心・安全とは |
3.2 | 地産地消、ブランド保護 |
4. | バリューチェーン外でのニーズ |
4.1 | 金融、保険業でのICT活用(フィンテック) |
4.2 | 種苗、農機メーカーでは |
4.3 | 指導員、そして農業委員会 |
5. | 次世代の食・農情報流通プラットフォームとは |
5.1 | 農産物の情報流通基盤 |
5.2 | 生産者と消費者のニーズをマッチング |
5.3 | 「オープンデータ」を活用し「ビッグデータ」をAIにて解析 |
5.4 | 時代の社会インフラにも |
5.5 | 食・農に関係する全てのプレーヤーとともに |
第2節 | 人工知能による環境の計測・予測・制御と防除ロボットの開発 |
|
|
1. | はじめに |
2. | ソフトコンピューティング技術を用いた日射量・風速・風向予測システム |
2.1 | 日射量予測モデル |
2.2 | 風速・風向予測モデル |
3. | 施設園芸ハウス内の温湿度空間分布計測システム |
4. | 自律移動型防除ロボット |
4.1 | 試作した自律移動型防除ロボットのハードウェア構成 |
4.2 | 自律走行制御システム |
第3節 | 農業IoTソリューションにおける次世代農業システムとAIの活用 |
1 | 確定的知識を応用した人工知能 |
1.1 | 確定的な知識に基づいた判断を行う |
1.2 | ルールベース推論 |
2 | コンピュータによる学習とその応用 |
2.1 | 教師データと自然 |
2.2 | 圧倒的な多様性の中で何を学習するのか |
3 | 農業IoTとの連携活用 |
3.1 | 農業分野におけるIoTの位置づけ |
3.2 | 農業分野におけるIoTの応用 |
3.3 | IoT、センサーと農業 |
3.4 | 農業IoTの本質的な価値 |
3.5 | 農業IoTに関する潜在的な課題 |
4 | 次世代農業システムとAIの活用の可能性 |
4.1 | 日本の工業技術を農業に応用 |
4.2 | 世界標準技術の採用 |
4.3 | 人工知能の適用分野 |
|
|
|