|
|
|
| ◇第１章 人工知能による業務効率化と応用展開◇ |
|
第1節 人工知能による業務効率化とその課題
1．現場で働き始めた人工知能
1.1 会話を磨いてセールス用チャットボットの会話力を支援
1.2 見込み客を勝手に選んでくれる営業アシスタント
1.3 商品の値付け
1.4 自動発注
1.5 保険の査定
1.6 非定型なゴミの処理
2．更なる進化を目指す実証実験
2.1 無人化する工場
2.2 チケットの価格を決める人工知能
2.3 契約の確実な履行
2.4 自動運転とドローンがもたらす物流の変化
2.5 管理会計
3．見えてきた課題
3.1 機械の人事評価に人は納得できるか
3.2 判断のプロセスをオープンにする
3.3 商品の値付けにはフィードバックが必要
3.4 人工知能の偏りと個性
第2節 人工知能の得意・不得意と効率化への適用
1．ＡＩ研究の歴史を振り返る
1.1 古典ＡＩ：記号を用いた知能
1.2 新しいＡＩ：生物を模倣した知能
2．深層学習
2.1 深層学習の誕生
2.2 プロ棋士に勝利したＡＩ
2.3 ＡＩの課題（評価基準の設計）
3．知識の獲得と体系化
3.1 知識の獲得と体系化の歴史
3.2 Ｑ＆Ａシステム・ワトソン
3.3 情報の信頼性
3.4 問題の表現方法
4．ＡＩの得意なこと／不得意なこと
5．まとめ
第3節 人工知能を導入するための業務の見える化のやり方
1．ＡＩの概要と従来のIT技術との相違点
1.1 ＡＩとは何か
1.2 ＡＩと従来のIT技術との相違点
1.2.1 開発方法論の違い
1.2.2 人の役割の違い
1.2.3 データガバナンスの重要性
2．ＡＩ導入時における「見える化」
2.1 構想・企画
2.1.1 目的の明確化
2.1.2 システム構成および業務フローの見える化
2.1.3 データの見える化
2.1.4 計画立案
2.2 仮説検証・ＰｏＣ
2.2.1 データの評価・加工
2.2.2 モックアップ作成
2.2.3 検証結果の評価
2.3 開発・実装
2.3.1 要件定義
2.3.2 設計
2.3.3 実装
2.3.4 テスト
2.4 保守・運用
2.4.1 状態監視
2.4.2 不具合対応
2.4.3 維持・メンテナンス
3．ユーザー企業における取り組み
3.1 事例
3.1.1 株式会社ブリヂストン
3.1.2 キユーピー株式会社
3.1.3 セコム株式会社
3.2 事例から得られる示唆
第4節 ＡＩを活用し、研究開発業務に期待できることとは何か
1．ＡＩでできること
2．機械学習でできること
3．深層学習でできること
4．ＡＩの活用や適用に向けたアプローチ
5．適用の効率化：転移学習とクラウドの活用
6．新規事業の開拓
6.1 データと課題設定
6.2 複数課題の組み合わせ
7．まとめとして：ＡＩによる研究開発業務への期待
第5節 ＡＩを使った知財業務の効率化の方法
1．ＡＩ利用の対象となる知財業務とは
1.1 知財業務の種類とは
1.1.1 特許調査
1.1.2 特許分析
1.1.3 特許分類
1.1.4 特許性判断
1.1.5 特許関連文書類の作成
1.1.6 特許管理
1.2 知財業務担当者の範囲
1.3 ＡＩを搭載した知財業務ツール
1.4 特許庁のＡＩ技術適用についての取組み
1.4.1 業務の棚卸・選定
1.4.2 ソリューション案の導入の可能性
1.5 一般的な知財業務と特許庁業務の関係からの考察
2．知財業務へのＡＩ利用について
2.1 ＡＩへの期待と幻滅
2.1.1 調査目的によるＡＩへの評価の違い
2.1.2 重要ワードの評価の違い
2.2 ＡＩ技術利用に向くもの、向かないもの
2.3 重要ワードの含まれる特許がノイズ側に評価される理由
2.3.1 醜いアヒルの子の定理
2.3.2 重要ワードがあるのにＡＩが評価しない理由
2.4 再学習の必要性
2.4.1 適合性フィードバック
2.4.2 教師データの再評価
3．ＡＩと人の評価の融合
3.1 重要ワードの含まれている被判定特許をサーチ側の教師特許とする
3.2 ＡＩ判定確率値に重要ワードの出現確率の変数を加える
3.3 重要ワードの出現確率のみでの判定をする
第6節 ＡＩ活用で社内業務を効率化する方法
1．人間の機能の代替としての考え方
2．ＡＩで可能になること（一例）
2.1 認識＋予測
2.2 予測・分類
2.3 『判断（最適化）』
3．ＡＩの価値を最大化させるために必要なこと
4．ＡＩの代表的な技術＝『機械学習』
5．ＡＩ／機械学習を社内業務に適用するプロセスとポイント
5.1 構想フェーズ
5.2 ＰｏＣフェーズ
5.3 実装フェーズ
5.4 運用フェーズ
第7節 失敗しないＲＰＡ導入の進め方
1．業務量が少ない中小企業でも効果が出るのか
2．安定して稼働するのか
3．開発は現場でさせるべきか
4．取引先を巻き込んだ業務改善
|
|
| ◇第２章 人工知能開発の見積もりと検収基準の考え方◇ |
第１節 人工知能開発の見積もり方法
1．人工知能開発の心構え
2．人工知能開発の作業工程
2.1 企画・要求仕様の作成
2.2 システム設計
2.3 モデル作成のためのデータ収集
2.4 データ前準備
2.5 機械学習（モデルの作成）
2.6 モデルの評価
2.7 モデルを利用するシステムの開発
2.8 モデルを利用するシステムの開発のテスト
3．２つの参考プロジェクト
3.1 参考プロジェクト①「為替の未来予測」
3.1.1 企画・要求仕様の作成
3.1.2 システム設計
3.1.3 モデル作成のためのデータ収集
3.1.4 データ前準備
3.1.5 機械学習（モデルの作成）
3.1.6 モデルの評価
3.1.7 モデルを利用するシステムの開発
3.1.8 モデルを利用するシステムの開発のテスト
3.2 参考プロジェクト②「液晶文字認識による履歴保存」
3.2.1 企画・要求仕様の作成
3.2.2 システム設計
3.2.3 モデル作成のためのデータ収集
3.2.4 データ前準備
3.2.5 機械学習（モデルの作成）
3.2.6 モデルの評価
3.2.7 モデルを利用するシステムの開発
3.2.8 モデルを利用するシステムの開発のテスト
4．完成したシステムのその後
4.1 為替の未来予測
4.2 液晶文字認識による履歴保存
5．人工知能開発の見積もり方法
5.1 為替の未来予測
5.2 液晶文字認識による履歴保存
第2節 人工知能開発における検収基準の考え方
０．検収基準について
1．機械学習を利用した人工知能開発の特徴
1.1 従来のソフトウェア開発との違い
1.2 人工知能開発の特徴
1.3 想定する人工知能開発の手法
2．機械学習を利用した人工知能開発における検収基準の考え方
2.1 人工知能開発における契約形態と検収について
2.2 実際の現場における開発状況について
第3節 イスラエルベンチャー企業とのＡＩ共同研究・開発の進め方
1．自己紹介と弊社について
2．中東のシリコンバレーイスラエルについて
3．第三次ＡＩブームのきっかけ
4．イスラエルスタートアップのエコシステムの実態と本質
4.1 人材の話
4.2 グローバル企業の拠点が集積
4.2.1 イスラエルは、新しい技術、発明の出所として実績が多数
4.2.2 スタートアップが、毎月80社以上、毎年800～1000社程度新たに誕生
4.3.3 企業のＲ＆Ｄが、300以上集積
4.3.4 最後は、新領域の研究、創造、開発で世界的にトップを走る人材群
4.3 次々と生まれるスタートアップ
4.4 国内外からの盛んなスタートアップ投資と豊富なＥＸＩＴ実績
5．人口知能関連のスタートアップ
5.1 人間の感覚器官の代替領域
5.2 ＩｏＴ領域
5.3 自動運転関連領域
5.4 ヘルスケア・医療
5.5 他分野（小売り、法律、セキュリティ）
5.6 ロボット
6．人工知能関連イスラエルベンチャーとの共同研究・開発の進め方（１）
7．人工知能関連イスラエルベンチャーとの共同研究・開発の進め方（２）
7.1 社内体制の策定
7.2 社内体制の構築
7.3 協業先の探索と連携
8．人工知能関連イスラエルベンチャーとの共同研究・開発の進め方（３）
8.1 筋が良い提携先
8.2 自社のビジネス目線
8.3 軌道修正
8.4 撤退基準
|
|
| ◇第３章 人工知能と知的財産、契約・法的留意点◇
|
|
第1節 ＡＩ・ＩｏＴ・データの業務活用における法的留意点
1．著作権法との関係
1.1 著作権法の平成30年改正（2019年1月1日施行）
1.1.1 30条の4（権利者の利益を通常害さない場合）による利用
1.1.2 47条の5（権利者に及ぶ不利益が軽微な場合）による利用
1.2 外国の著作物を日本で利用する場合
2．個人情報保護法との関係
2.1 利用目的として特定し，通知等する必要があるか
2.1.1 個人情報を学習用データセットとして利用する場合
2.1.2 学習用データセットに個人情報を入力して結果を出力する場合
2.2 外部のＡＩサービスの利用と第三者提供
2.2.1 自社のオンプレミスの環境に導入して外部にデータ提供しないケース
2.2.2 ベンダのクラウド・サービスを利用するケース
2.2.3 オンプレミスの環境で追加学習した学習済みモデルをベンダに提供するケース
2.2.4 クラウド・サービスを利用する過程で追加学習が行われた学習済みモデルをベンダが利用するケース
3．顧客のデータを学習用データセットとして利用すること
3.1 不正競争防止法の「営業秘密」
3.2 不正競争防止法の「限定提供データ」
3.3 契約上の制限
4．ＡＩの利用と法的責任
4.1 契約当事者間における債務不履行
4.1.1 「債務」の内容が不明確であること
4.1.2 帰責性・因果関係が不明であること
4.2 第三者に対する責任
4.2.1 不法行為責任
4.2.2 製造物責任
第2節 ＡＩ・データの利用に関する契約ガイドライン（ＡＩ編）
1．ＡＩ・データの利用に関するガイドライン策定の経緯
2．ＡＩの利用に関するガイドラインの概要
2.1 本ガイドラインが対象とするＡＩ技術
2.2 探索的段階型の開発方式・モデル契約の提唱
3．ＡＩソフトウェア開発の特徴
3.1 従来のソフトウェア開発と比較した場合のＡＩソフトウェア開発の特性
3.1.1 学習済みモデルの内容・性能等が契約締結時に不明瞭な場合が多いこと
3.1.2 探索的なアプローチが採用されやすいこと
3.1.3 学習済みモデルの内容・性能等が学習用データセットによって左右されること
3.1.4 ノウハウの重要性が特に高いこと
3.1.5 生成物に更なる再利用の需要が存在すること
3.2 学習済みモデルの特性を理解することの重要性
4．ＡＩソフトウェアの開発・利用をめぐる契約の現状
4.1 ＡＩソフトウェアの契約に関して問題になりやすい点
4.2 契約の検討に向けた視点
4.2.1 知的財産権等に関する規定
4.2.2 責任分配に関する規定
5．契約内容の決定
5.1 権利帰属・利用条件の設定
5.1.1 知的財産権
5.1.2 取決めにおける考慮要素
5.2 責任の分配
5.2.1 学習済みモデルの生成
5.2.2 学習済みモデルの利用
6．ＡＩソフトウェアの開発契約
6.1 ＡＩソフトウェアの開発契約とは
6.2 開発方式
6.2.1 学習済みモデル生成に適した開発方
6.2.2 「探索的段階型」開発の各段階
6.3 契約における考慮要素
6.3.1 契約の法的性質
6.3.2 契約における交渉のポイントと留意点
7．ＡＩ技術の利用契約
7.1 ＡＩ技術の利用とは
7.2 学習済みモデルの利用サービス
7.2.1 サービスの利用方式と提供形態
7.2.2 契約の形式
7.2.3 契約における考慮事項
8．国際的取引の視点
9．本モデル契約
9.1 位置づけ
9.2 利用の際の留意点
9.3 本モデル契約の特徴
9.4 各モデル契約
9.4.1 アセスメント段階：秘密保持契約書
9.4.2 PoC段階：導入検証契約書
9.4.3 開発段階：ソフトウェア開発契約書
9.4.4 追加学習段階
第3節 ＡＩ・データの利用に関する契約ガイドライン（データ編）
1．ＡＩ・データ契約ガイドラインの概要（総論）
1.1 ガイドラインの位置付けと、データ契約の3類型
1.2 データ・オーナーシップ
2．データ提供型契約
2.1 派生データ等の利用権限
2.2 提供データの品質等に関する責任
2.3 提供データの目的外利用、第三者提供の禁止
2.4 クロスボーダー取引における留意点
2.5 データに個人情報等が含まれる場合の留意点
3．データ創出型契約
3.1 対象データの範囲・粒度
3.2 創出データや派生データの利用権限
3.3 第三者への利用許諾等の有無、範囲
3.4 データ内容および継続的創出の保証／非保証
3.5 収益分配、コスト・損失負担
4．データ共用型（プラットフォーム型）契約
4.1 プラットフォーム型における主要な特徴
4.2 利用規約の要否
4.3 参加者の範囲
4.4 対象データの範囲、利用目的
4.5 派生データ等の成果物の取扱い
4.6 プラットフォーム事業者の選定
第4節 人工知能が生み出した物の著作権法上の取扱いとその留意点
1．AI生成物の著作権法上の取扱い
1.1 AI生成物の著作物該当性
1.2 人の創作物とAI創作物の線引きについて
2．AI生成物をビジネス上用いる際の留意点
2.1 契約とビジネスモデル
2.1.1 想定するケース
2.1.2 ①不特定多数の人間が利用可能な状態とする場合
2.1.3 ②特定の当事者に利用させる場合
2.2 AI生成物の権利侵害及びその責任
2.2.1 権利侵害の成否
2.2.2 AI生成物による権利侵害の責任
|
|
| ◇第４章 人工知能エンジニアの確保の仕方と人材育成の方法◇ |
|
第1節 社内でＡＩ人材を育成する重要なポイント
1．ＡＩ人材は社内に必要であるか
1.1 構想の外注から始まる失敗
1.2 最初からエンジニアを育成する失敗
1.3 ＡＩ活用の成功に必要な役割と順番
1.4 採用か育成か
2．どのような育成計画が望ましいか
2.1 育成計画の作成方法
2.2 具体的な育成計画の作成例
2.3 育成期間中の取り組み方
第2節 ＡＩ人材育成
1．ＡＩ人材の定義と社会の状況
2．コミュニティ型のＡＩ人材育成法
2.1 プログラミング中心
2.2 コンペティション
2.3 ディスカッションボードの運営とプロジェクトベース学習
3．まとめと将来展望
第3節 ＡＩ人財の育成と発掘の方法
1．そもそも人工知能とは
2．日本国内特有の問題点
3．３つのブームのもたらしたＡＩエンジニアフルスタックへの渇望
4．サービサーにとっての『ＡＩ人財』の確保と育成
4.1 人財採用
5．ＡＩ人財の育成までのプロセス
6．データエンジニア、データサイエンティストの必要最低限の採用基準
7．中途社員採用の宝の山の領域
8．データサイエンス力側で注目している領域
9．人財育成に関して
9.1 データ分析業界のビジネスモデル概要
9.2 人財の分布
9.3 常駐分析時における人財育成
9.4 スポットでの分析業務受託
9.5 お客様のデータを持ち帰り、定常的な分析業務サービスを提供する
9.6 データ分析業の門戸を叩く候補者の傾向
10．シェフと食材、ＡＩ人財とデータ
11．卒業先とキャリアパス
12．ＡＩ人財は外注すべきか、内製すべきか
13．必要悪な最新技術
14．技術顧問制度とモチベーション
15．管理か、伸ばすか
|
|
|
◇第５章 人工知能を活用した市場予測と新規研究開発テーマ発掘の方法◇
|
|
第1節 文書データを用いた「アイデア」を自動生成する人工知能の研究と活用事例
1．創造性の自動化に関連した従来研究
2．「アイデア」を自動生成する創造的な人工知能
2.1 本研究の作業仮説
2.2 新しい概念の組み合わせの発見手法の概要
2.3 意味ネットワークの自動生成
2.4 意味ネットワークの変化を機械学習で扱う方法
2.5 訓練済みの機械学習モデルを用いたアイデアの生成
3．創造的な人工知能を研究する意義
4．産業界における効率化の事例
第2節 階層性を考慮した潜在ニーズの発掘へのＡＩ活用法
1．潜在ニーズ可視化エージェントのコンセプト
1.1 大学内ＩＴ相談と潜在ニーズ可視化
1.2 対話エージェントによるエスカレーション
1.3 問題の所在
1.4 潜在ニーズ可視化エージェントの全体設計
1.4.1 発話生成ルール構築エンジン
1.4.2 質問応答エンジン
1.4.3 質問登録ＵＩ
1.5 質問応答エンジンの動作に関する概要設計
2．階層性を考慮した潜在ニーズの抽出手法
2.1 手法の概要
2.2 ＬＤＡを用いた問合せ因子および原因因子の自動抽出
2.3 係り受け解析を用いた入力文書の細分化
2.4 問合せ因子と原因因子間の相関ルールマイニング
3．潜在ニーズ可視化エージェントの実装
3.1 発話生成ルールの構築アルゴリズム
3.2 システム構成およびＵＩ
4．実データに対する潜在ニーズの抽出手法の適用
4.1 概要
4.2 対象データ
4.3 ＬＤＡおよび相関ルールマイニングによる問合せ因子・原因因子の抽出と構造化
4.3.1 本解析の目的
4.3.2 解析方法
4.3.3 解析条件
4.3.4 解析結果
4.3.5 考察
4.4 階層性を考慮した潜在ニーズの抽出
4.4.1 本解析の目的
4.4.2 解析方法
4.4.3 解析条件
4.4.4 解析結果
4.5 対象データに基づくトピックモデルの評価と改善点の検討
4.5.1 本解析の目的
4.5.2 解析方法
4.5.3 解析条件
4.5.4 解析結果
4.5.5 考察
第3節 研究開発を起点とする新規事業開発における人工知能の活用意義
1．研究開発を起点とした新規事業開発の重要性
1.1 研究開発を起点とした新規事業開発への期待の高まり
1.2 研究開発を起点とした新規事業開発 成功の鍵
2．生活者の「不」に着目する意義
2.1 カスタマーインであることの重要性
2.2 機能訴求の「ウォンツ」でなく生活シーン起点の「ニーズ」への対応
2.3 「不」の「潜在ニーズ」を解消するペイン起点のマーケティングへ
3．生活者の「不」を集め価値化する不満買取センター
3.1 不満買取センターとは
3.2 不満買取センター サービス運営における業務効率化
4．「不」のインサイト抽出に用いる人工知能「ITAS」
4.1 「ＩＴＡＳ（Ｉｎｓｉｇｈｔ Ｔｅｃｈ
Ｔｅｘｔ Ａｎａｌｙｔｉｃｓ Ｓｅｒｖｉｃｅ）」とは
4.2 ＩＴＡＳ「意見タグＡＩ」
4.3 ＩＴＡＳ「可視化ＡＩ」
4.4 ＩＴＡＳ「感情分類ＡＩ」
4.5 優先課題図
5．企業の新規事業開発支援事例
5.1 ライオンが掲げる経営戦略とイノベーションラボ
5.2 オーラルケア領域での研究開発を起点とした新商品開発
5.3 本事例における人工知能の活用効果
第4節 機械学習を活用した需要予測の方法
1．機械学習，その前に
1.1 打ち手を先に決める
1.1.1 調達を最適化すべきもの
1.1.2 価格を最適化すべきもの
1.1.3 調達と価格を複合的に最適化すべきもの
1.2 機械学習で解くべき問題か？
1.2.1 過去事例が少ない
1.2.2 影響因子のタイミングや内容が事前に把握できない
1.2.3 イベントの発生による影響パターンが定まっていない
2．機械学習を活用することに決めたら
2.1 時系列データについて知っておく
2.1.1 時系列データの特性
2.1.2 見せかけの回帰
2.2 アルゴリズムの選定
2.3 分布変換
2.4 特徴量エンジニアリング
2.4.1 日付，時間に関する特徴量
2.4.2 前期同日実績
2.4.3 イベント
2.4.4 現時点での予約数
2.4.5 気象データ
2.5 バリデーション
2.6 評価指標
2.6.1 ＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ）
2.6.2 ＭＡＥ（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ）
2.6.3 ＲＭＳＬＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｌｏｇａｒｉｔｈｍｉｃ
Ｅｒｒｏｒ）
2.6.4 ＭＡＰＥ（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｐｅｒｃｅｎｔａｇｅ Ｅｒｒｏｒ）
|
|
| ◇第６章 人工知能を活用した研究開発テーマの評価と意思決定の方法◇ |
|
第1節 研究開発における異分野連携と意思決定支援のためのデータ設計科学
1．ＡＩとデータ
1.1 ＡＩとデータの世界的なブームと期待
1.2 データを取り巻く環境の変化
1.3 日本のデータ戦略と現在
2．ＡＩ・データ利活用の課題
3．異業種共創プラットフォーム：データ市場
3.1 異分野データ連携とイノベーションの課題
3.2 データジャケット
3.3 Ｉｎｎｏｖａｔｏｒｓ Ｍａｒｋｅｔｐｌａｃｅ ｏｎ Ｄａｔａ Ｊａｃｋｅｔｓ（ＩＭＤＪ）
3.4 アクション・プランニング（ＡＰ）
3.5 異分野データ連携支援アプリケーション
4．データ活用のデザインプロセス：データ設計科学
4.1 データ設計プロセスの課題
4.2 ＶＡＲＩＡＢＬＥ ＱＵＥＳＴを用いたデータ設計支援
5．研究開発・ビジネス領域での成果例
|
|
| ◇ 第７章 実験短縮・研究開発効率化への人工知能活用の方法◇ |
|
第1節 画像認識における画像収集時のデータ分析短縮の仕方
1．画像認識処理における人工知能の活用
1.1 開発環境
2．課題
3．データ分析短縮の仕方
3.1 画像アノテーションツール ＯｂｊｅｃｔＭａｋｅｒ
ｖ2.0
3.2 ポジティブ画像(正解データ）の自動収集
3.3 アノテーションファイルの自動作成
3.4 ネガティブ画像（不正解データ）の収集と一覧ファイルの自動化
3.5 評価
第2節 人工知能等を活用した新材料開発の模索について
1．新規材料の探索における人工知能等の応用について
2．マテリアルズ・インフォマティクスの最先端研究分野への適用事例について
3．課題に解決に向けての取り組みと今後の見通し
第3節 人工知能による新薬開発・創薬の方法
1．ＡＩ創薬の全容と現状
1.1 ディープラーニングの登場とＡＩ創薬研究
1.2 ＡＩ創薬の主要な分野
2．ＡＩバーチャル・スクリーニング
2.1 リガンド準拠バーチャル・スクリーニング
2.1.1 マルチタスク型ディープラーニングの応用
2.2 構造ベースのディープラーニングによるバーチャル・スクリーニング--ＡｔｏｍＮｅｔ
2.2.1 データセット
2.2.2 方法
2.2.3 結果
3．ＡＩを用いた標的分子探索法
3.1 深層学習を用いた「ネットワーク埋め込み」（Ｄｅｅｐ
Ｓｔｒｕｃｔｕａｌ ｎｅｔｗｏｒｋ Ｅｍｂｅｄｄｉｎｇ）
3.2 長谷－田中の標的分子探索法Ｐｈａｒｍ－ＡＩ
3.3 辻－田中の追加属性を加えた構造的深層ネットワーク埋め込み法による薬剤分子探索
3.4 創薬初期段階のＡＩパイプライン化
3.5 ディープラーニングの困難点
4．その他のＡＩ創薬研究－ＡＩ毒性学
第4節 人工知能による毒性予測の方法
1．計算科学的毒性予測手法開発の歴史とその発展
2．計算科学的毒性予測手法の現状と課題
2.1 計算科学的の毒性予測手法の方法論と分類
2.2 Ｒｅａｄ－Ａｃｒｏｓｓにおけるグルーピングアプローチの概要
2.2.1 アナログアプローチ
2.2.2 カテゴリーアプローチ
2.2.3 （Ｑ）ＳＡＲ
2.2.4 計算科学的手法によるシステム構築の実際
2.3 最近の各種毒性予測システムの現状と課題
2.3.1 発がん性（遺伝毒性）および変異原性
2.3.2 急性経口毒性
2.3.3 心毒性
2.3.4 肝毒性
2.3.5 呼吸器毒性
2.3.6 眼/皮膚刺激性および腐食性
2.3.7 内分泌かく乱関連毒性
2.3.8 環境毒性
2.3.9 体内動態予測モデル
3．予測システムの検証
4．計算科学的毒性予測システムの課題と展望
5．毒性関連ビッグデータを用いた毒性予測システム（ＡＩ－ＳＨＩＰＳ）の構築について
5.1 プロジェクトの目的と背景
5.2 プロジェクトの概要および特色
5.2.1 プロジェクトの概要
5.2.2 プロジェクトの特色
5.2.3 ＡＩ－ＳＨＩＰＳ今後の展開
|
|
| ◇ 第８章 人工知能を活用した特許調査と技術動向分析◇ |
|
第1節 機械学習を用いた効率的な特許調査の方法
1．概要
1.1 機械学習の種類
1.2 特許調査における機械学習利用時の留意点
1.2.1 フレーム問題
1.2.2 ノーフリーランチ定理（ＮＦＬ 定理）
1.2.3 醜いアヒルの子の定理
1.2.4 シンボルグラウンディング問題
1.2.5 過学習
1.3 特許公報（文書）の類似度による先行技術調査
1.4 商用解析ツールでの機械学習応用事例
1.5 ＳＤＩ調査と技術動向調査への機械学習の応用
第2節 KIBITを用いた自然言語処理と特許調査への応用
1．AIエンジン「KIBIT」
1.1 KIBIT誕生の背景，ディスカバリとは
1.2 KIBIT特長
1.3 KIBITによる解析プロセス
2．Patent Explorerによる特許調査
2.1 Patent Explorerとは
2.2 Patent Explorer導入時のポイント
3．Patent Explorerの運用
3.1 調査対象，母集団の設定
3.2 教師データの設定
3.3 スコア上位からレビュー
3.4 Patent Explorerの利用例
3.5 学習精度の向上
第3節 昭和電工における特許調査での人工知能活用
1．類似技術検索
2．知財業務でＡＩを活用するために
2.1 自然言語処理の取扱い
2.2 ＡＩの限界
2.3 知財業務へのＡＩ活用とは
第4節 機械学習による特許テキスト情報処理と技術動向分析
1．特許の仕組みと技術情報の内容
1.1 特許制度の仕組み
1.2 公開特許情報の内容
1.3 特許引用情報の特徴
2．機械学習を使った特許情報による技術動向分析
2.1 概括
2.2 自然言語情報の前処理
2.3 ベクトル空間モデルの作成
2.4 教師付き機械学習と特許自動分類
2.5 教師なし機械学習と技術動向分析
3．特許情報処理に関する研究の方向性
第5節 特許文書分析にＡＩを活用する方法
1．従来の特許文書分析
1.1 全体像の把握
1.2 トレンドの把握
1.3 競合他社の動向把握
1.4 用途と技術の関係把握
1.5 従来の特許文書分析の課題
2．新たな特許文書分析を展開する人工知能技術
2.1 ＰＬＳＡ（確率的潜在意味解析）
2.1.1 ＰＬＳＡの理論の概要
2.1.2 ＰＬＳＡの特長
2.1.3 トピックモデルの関連手法
2.1.4 ＰＬＳＡの共起行列構成の工夫
2.2 ベイジアンネットワーク
2.2.1 ベイジアンネットワークの特長
2.2.2 テキストデータの分析におけるベイジアンネットワークの適用
2.3 新たなテキスト分析技術：Ｎｏｍｏｌｙｔｉｃｓ
3．Ｎｏｍｏｌｙｔｉｃｓを応用した特許文書分析事例
3.1 分析データ
3.2 用途と技術のトピックの抽出
3.2.1 トピック抽出の方法
3.2.2 トピック抽出の結果
3.3 トピックのスコアリング
3.3.1 トピックのスコア計算の方法
3.3.2 トピックのスコアリングの結果
3.4 トピックのトレンド分析
3.5 トピックの競合分析
3.5.1 出願人のポジショニングマップ
3.5.2 出願人の出願動向
3.6 用途と技術の関係分析
3.6.1 用途⇒技術の関係分析
3.6.2 技術⇒用途の関係分析
|
|
|
◇第９章 人工知能を活用した営業業務効率化の方法◇
|
|
第1節 ＡＩ音声認識を活用した営業業務効率化の方法
1．音声認識の市場化
2．働き方改革の流れと音声認識のニーズ
3．音声認識の導入効果
3.1 情報入力のスピード向上
3.2 情報の量の向上
3.3 情報の質の向上
4．音声認識の利用・ニーズが拡大する業界
4.1 金融業界
4.2 製薬業界
4.3 民間企業での議事録作成
5．更なる効果と期待
6．課題
第2節 ＡＩ／人工知能を活用した業務効率化の方法
1．業務改革を実現するＡＩ／人工知能導入の肝
1.1 顧客・利用者の立場に立った、「人とＡＩの使い分け」
1.2 日々の業務の中で「自然に学習させる仕組み」
2．コールセンターでＡＩ 音声認識＆対話要約で業務効率化を実現
3．通話モニタリング業務を大幅に効率化・高度化した証券会社
4．コールセンター含む様々な顧客接点業務の高度化を支援するＴＲＡＩＮＡシリーズ
5．ＴＲＡＩＮＡによる業務効率化３事例
5.1 サッポロＨＤの社内ヘルプデスク・チャットボット
5.1.1 実証実験① 問合せの自動回答
5.1.2 実証実験② 申請業務の代行
5.2 経済産業省 国会会議録分析システム
5.3 コールセンターでのオペレータ業務のハンズフリー化を実現
5.3.1 応対業務中のハンズフリー化機能
5.3.2 電話終了後のハンズフリー化機能
6．今後の拡張・発展領域
第3節 ＤＨＬジャパンの営業部隊を支えるデータアナリティクスの取り組み
1．適用対象について
2．初期の取組について
2.1 マネジメントの支援を得る
2.2 データエンジニアリング
2.2.1 ＤＷＨ
2.2.2 ＥＴＬプログラム
2.2.3 データマイニング用のデータマート
2.3 汎用の利用予測 機械学習の活用
2.3.1 顧客毎、サービス毎の利用確率予測
2.3.2 主な用途
2.4 汎用の利用予測でのデータ加工プロセス
3．業務応用の事例紹介
3.1 課題について
3.2 ソリューションの基本アイデア
3.3 ソリューションの開発と導入
3.4 導入効果
4．データサイエンティストの役割について
4.1 適した人材について
4.2 営業組織としてのＰＤＣＡ
4.3 フリーハンドのソリューション提供
4.4 現場業務には近いが、技術と向き合うには不向き
第4節 NIコンサルティングにおけるＡＩを活用した営業業務効率化の方法
1．Ｓａｌｅｓ Ｆｏｒｃｅ ＡｕｔｏｍａｔｉｏｎからＳａｌｅｓ Ｆｏｒｃｅ Ａｓｓｉｓｔａｎｔへ
1.1 １９９０年代に生まれたＳＦＡは管理のためのツールだった
1.2 支援するためのツールだから正しい情報が入力される
2．フィードバックではなくフィードフォワード
2.1 フィードバックとフィードフォワードの違いとは
2.2 ＡＩがあるからフィードフォワードできる
3．ビッグデータは必ずしも必要ない
3.1 営業における正解とは何か
3.2 深層学習（ディープラーニング）で正解が導けるか
3.3 エキスパートシステムを機械学習で補強していく
|
|
|
◇第１０章 人工知能を活用した社内業務効率化の方法◇
|
|
第1節 現場で差が出る「使えるＡＩ」と「使えないＡＩ」
1．会話型ＡＩさくらさんの開発
2．ユーザーに育てられたＡＩさくらさん
3．多言語対応ニーズの高まり
4．「使えるＡＩ」と「使えないＡＩ」
4.1 ＡＩのサービス形態
4.2 導入実績
4.3 拡張性・カスタマイズ性
5．ＡＩの拡張性
6．将来の展望
7．更に未来のＡＩ
8．ＡＩの今そこにある危機
第2節 ＲＰＡとＡＩを活用した最高水準の業務自動化の方法
1．7つの柱
2．5つのＡＩ技術
2.1 文書理解
2.2 視覚的理解
2.3 プロセスの理解
2.4 会話型の理解
2.5 カスタムＡＩ／ＭＬスキル
2.5.1 運用面のハードル
2.5.2 技術的ハードル
3．5つのＡＩ技術を支える2つの環境
3.1 分析プラットフォーム
3.2 再利用性／パートナーエコシステム
3.3 柱の活用
第3節 人工知能を活用した音声自動文字起こしに関する考察
1．プロダクト開発の経緯
1.1 プロトタイプ
1.2 音声認識技術
1.3 採用要素技術
1.3.1 Ｗｅｂ Ａｕｄｉｏ
1.3.2 Ｗｅｂ Ｓｏｃｋｅｔ
1.3.3 Ｗｅｂ Ｓｐｅｅｃｈ
1.3.4 その他
1.4 システム構成
2．人工知能活用に関する考察
2.1 人工知能の現状
2.1.1 日本語認識性能
2.1.2 集音精度
2.2 人工知能のこれから
第4節 インダストリー4.0時代の業務効率化 ～「課題解決先進県・徳島」からの挑戦～
1．これまでの業務効率化の取組み
1.1 テレワークの土壌
1.2 テレワーク先進県・徳島
1.3 テレワークを活用した業務効率化
2．ＡＩやＲＰＡなどの革新技術の活用
2.1 「ＡＩ要約・実証実験」の実施
2.2 情報発信力の強化と業務効率化
2.3 ＡＩ要約サービスの提供
2.4 実証実験の結果概要
2.5 ＲＰＡの活用
2.6 これまでの会計事務の現状
2.7 ＲＰＡの導入・実証実験結果
3．本格導入に向けて
第5節 人工知能による自動翻訳の現状とその精度とリスク
1．機械翻訳の歴史
1.1 「機械翻訳」というアイデアの起源（1947年）
1.2 機械翻訳研究のはじまり（1954年）
1.3 エキスパートシステム・ルールベースによる機械翻訳（1965～1980年代）
1.4 フレーム問題
1.5 統計機械翻訳の登場（1980年代～2000年代）
1.6 ニューラル機械翻訳の登場（2010年代～）
1.7 小括
2．ニューラル機械翻訳の特徴
2.1 多言語翻訳が容易
2.2 大量の対訳データの必要性
2.2.1 教師データについて
2.3 内部のブラックボックス
2.4 ニューラル機械翻訳はフレーム問題を突破できるのか？
2.5 小括
3．現状の機械翻訳の精度
3.1 ニューラル機械翻訳の翻訳精度における一般的特性
3.1.1 対訳データとアルゴリズム
3.1.2 人工知能を学習する方法への注目
3.1.3 言語間の相性
3.1.4 文脈や専門性
3.2 翻訳精度の計測法
3.3 訳抜けの問題
3.4 人工知能研究と言語
3.5 小括
4．機械翻訳の導入の注意点とリスク
4.1 機械翻訳導入の注意点
4.1.1 機械翻訳の導入目的
4.1.2 使用する機械翻訳の選定
4.2 機械翻訳のリスク
4.2.1 訳抜け
4.2.2 責任主体
4.3 小括
第6節 人工知能による今後の通訳
1．通訳産業の推移
1.1 黎明期
1.2 会議通訳からビジネス通訳への拡大
1.3 コミュニティ通訳の需要
2．通訳と翻訳の違い
2.1 要求されるスキル
2.2 言語変換時間
2.3 情報量の違い
3．ＡＩを使った通訳
3.1 ＡＩ通訳の仕組み
3.2 課題１「正解はひとつではない」
3.3 課題２「視聴覚情報の欠落」
3.4 課題３「背景情報の欠如」
3.5 まとめ
4．通訳の種類と通訳者の準備作業
4.1 形態としての種類
4.2 仕事の種類と準備作業
4.2.1 国際会議・シンポジウム・セミナー
4.2.2 交渉・協議
4.2.3 記者会見・プレスインタビュー
4.2.4 レセプション
4.2.5 社内会議
4.2.6 ＩＲ投資家対応面談
4.2.7 商談
4.2.8 随行
4.2.9 放送通訳
4.2.10 コミュニティ通訳
4.2.11 医療通訳
4.2.12 司法通訳
5．ＡＩの活用の可能性
5.1 通訳案件前
5.2 通訳案件当日の業務
5.3 通訳案件後の業務
5.4 ＡＩで代替え可能な業務
|
|
|
◇ 第１１章 人工知能を活用した人事業務効率化の方法◇
|
|
第1節 人事領域におけるＡＩ活用の現状と留意点
1．日本におけるＨＲテクノロジーの動向
2．ＨＲテクノロジー利活用の背景
2.1 効率性の向上
2.2 効果性の向上
2.3 従業員経験の質の向上
3．人事領域におけるＡＩ活用例
3.1 チャットボットによる問合せ対応
3.2 採用選考場面での自動採点
3.3 ＡＩによる採用マッチングの効率化・精度向上
3.4 自然言語処理技術の応用によるリスク管理
3.5 ＡＩによる休職・退職リスク予測
3.6 ＡＩによる活躍予測
3.7 自然言語処理の応用による従業員のコミュニケーション状態や感情の可視化
4．ＡＩ活用に対する従業員や学生の感情
4.1 従業員の感情
4.2 学生の感情
4.3 両者から推察されること
5．人事におけるＡＩ活用の留意点
5.1 個人情報の取り扱い
5.2 バイアスへの対処
5.3 透明性の問題
5.4 画一化の問題
第2節 マインドテックにおける人工知能を活用した人事業務効率化の方法
1．人事業務に人工知能の活用が求められる背景
1.1 人材の流動性を前提にした人事戦略
1.2 人工知能の活用がもたらす予測可能な人事業務
2．人工知能を活用したパフォーマンスモデルの設計
2.1 パフォーマンスモデルの設計
2.2 人材のパフォーマンスを特徴づけるデータ
2.3 人工知能によるパフォーマンスモデルの特徴
3．パフォーマンスモデルをベースにした人事業務の効率化の事例
3.1 採用の最適化の事例
3.2 配置の最適化の事例
4．人工知能の落とし穴と重要性を増す人事の役割
4.1 人工知能の落とし穴
4.2 人材の可能性と研修データ
4.3 重要性を増す人事の役割
第3節 ＨＲテクノロジーを活用したＨＲ領域業務効率化の方法
1．ＨＲテクノロジーの動向
1.1 ＨＲテクノロジーの世界の動向
1.2 ＨＲテクノロジーの日本の動向
2．ＨＲ領域業務でのＨＲテクノロジー活用事例
2.1 日本国内のＨＲテクノロジー活用先進事例
2.2 ＨＲ領域業務でのＨＲテクノロジー活用先進事例
3．ＨＲ領域業務の更なる効率化に向けた今後のＨＲテクノロジー
|
|
|
◇ 第１２章 人工知能を異常予測・予知へ活用する方法◇
|
|
第1節 人工知能を活用した部品の寿命予測の方法
1．取替問題
2．予兆保全
2.1 事後保全（ｂｒｅａｋｄｏｗｎ ｍＡＩｎｔｅｎａｎｃｅ）
2.2 予防保全（ｐｒｅｖｅｎｔｉｖｅ ｍＡＩｎｔｅｎａｎｃｅ）
2.3 予兆保全（ｐｒｅｄｉｃｔｉｖｅ ｍＡＩｎｔｅｎａｎｃｅ）
2.3.1 部品寿命の延長
2.3.2 ダウンタイム低減による生産性向上
2.3.3 サービスコスト削減
2.3.4 サービス活動のスキルレス化
2.3.5 マネタイズ
3．予兆保全の成熟度モデル
3.1 接続（Ｃｏｎｎｅｃｔ）
3.2 監視（Ｍｏｎｉｔｏｒ）
3.3 分析（Ａｎａｌｙｓｉｓ）
3.4 最適化（Ｏｐｔｉｍｉｚｅ）
3.5 自律（Ａｕｔｏｎｏｍｙ）
4．寿命予測の分析プロセス
4.1 ビジネスの理解
4.2 データの理解
4.3 データの準備
4.4 モデル開発
4.5 モデルの検証
5．モデル開発の流れ
5.1 データを分析してモデル開発に入れるか判断する
5.1.1 レコード数は十分か
5.1.2 ターゲット数は十分か
5.2 分析の枠組みを決める
5.3 分析手法を決める
5.3.1 理解しやすさで選ぶ
5.3.2 少しでも精度のよい手法を選ぶ
5.3.2 計算コストで選ぶ
5.4 モデルをチューニングする
5.4.1 モデルのハイパーパラメータをチューニングする
5.4.2 説明変数を変える
5.5 運用効果をシミュレーションする
5.6 運用効果の検証
6．気をつけること
6.1 目的と目標を明確にする
6.2 必ずデータ分析担当以外をチームにいれる
6.3 最初から難しいことに取り組まない
6.4 成果をあげられるように取り組む
6.5 データから目的は出てこない
第2節 プラント操業への人工知能・機械学習活用とロードマップ
1．機械学習の知能とドメイン知識
1.1 機械学習の持つ“知能”
1.2 ノーフリーランチ定理とドメイン知識
2．設備システムへの異常検知，異常予測への適用
2.1 ｐＨ 計の劣化度診断への適用例
2.2 圧縮機システムの状態診断と異常予兆検出への適用例
2.3 オフライン解析のオンライン化の原理
3．人工知能によるプラント制御
3.1 プラント操業のための強化学習
3.2 酢酸ビニルモノマー製造プラントモデルへの適用
第3節 横河電機によるプラント設備での機械学習活用方法
1．プラントにおける機械学習の設備保全への応用のユーザ要求と課題
1.1 プラントでの機械学習を用いた解析の特徴
1.2 プラント設備保全への機械学習の応用への課題
2．機械学習でのキャビテーション発生の予兆検知
2.1 キャビテーションの予兆を検知するために必要な圧力伝送器データ
2.2 キャビテーション発生実験設備
2.3 実験データ解析とその結果
2.4 実験データ解析とその考察
3．Ｓｕｓｈｉ Ｓｅｎｏｒ を用いた機械学習での回転機器の予兆検知
3.1 小型無線振動・表面温度センサ「Ｓｕｓｈｉ
Ｓｅｎｓｏｒ」の特長
3.1.1 簡便性
3.1.2 豊富なバリエーション
3.1.3 プロフェッショナリズム
3.2 Ｓｕｓｈｉ Ｓｅｎｓｏrのシステム構成
3.3 Ｓｕｓｈｉ Ｓｅｎｓｏｒデータを用いた機械学習による回転機器の設備保全予測
3.3.1 Ｓｕｓｈｉ Ｓｅｎｓｏｒ機械学習の今後の展開
第4節 ロボットとＡＩによる生産システム
1．ロボットを用いた自動生産における課題
2．本生産システムの構成
3．本生産システムの思考の自動化
3.1 行動価値関数と強化学習(Ｑ学習)
3.2 仮想工場の役割
4．本生産システムの効果
4.1 技術者工数の抑制
4.2 生産速度向上と装置サイズの適正化
5．本生産システムの拡張の可能性の検証
5.1 拡張した本生産システムの概要説明
5.2 対象となる工場フロアおよび生産工程フローモデル
5.3 拡張した本生産システムの『思考の自動化』：Ｄｅｅｐ Ｑ－Ｌｅａｒｎｉｎｇ
5.4 拡張した本生産システムによる効果
第5節 人工知能を活用した医薬品化合物の効能および副作用の予測
1．化合物の効能や副作用の作用メカニズム
1.1 化合物・タンパク質間相互作用
1.2 予測手法の枠組み
2．化合物の効能の予測
2.1 教師付き学習による効能予測
2.2 化合物応答遺伝子発現情報による効能予測
2.3 標的タンパク質を介した効能予測
2.4 パスウェイ制御に基づく効能予測
3．化合物の副作用の予測
3.1 化学構造情報に基づく予測
3.2 標的分子情報に基づく予測
3.3 化学構造情報と標的分子情報の融合による予測
|
|
| ◇ 第１３章 人工知能を活用したセキュリティ対策と効率化の方法◇ |
|
第1節 人工知能の活用によるセキュリティ対策のパラダイムシフト
1．すでに崩れているセキュリティ対策の安全神話
1.1 インターネット分離神
1.2 ソフトウェア神話
1.3 アンチウィルス神話
2．セキュリティ対策のパラダイムシフト
3．人工知能技術の応用の可能性
3.1 第一世代：ウィルスの実行ファイルを機械学習する方式（静的解析）
3.2 第二世代：ウィルスの動作を機械学習する方式（ふるまい検知型）
3.3 第三世代：自システムの平常状態を機械学習する方式（自己学習型）
4．最新の人工知能による対策
4.1 最近のサイバーセキュリティの課題
4.1.1 未知のウィルスの検知率向上
4.1.2 人手による対処の効率化
4.2 ＡＳＩの特徴
4.2.1 人工知能を活用した自システムのリアルタイム異常検知
4.2.2 分析の効率化と対処の自動化
4.3 ＡＳＩの評価
4.3.1 課題(1) 未知のマルウェアの検知率向上
4.3.2 課題(2) 人手による対処の効率化
5．人と人工知能の共同による業務の効率化
5.1 人工知能の長所・短所
5.2 セキュリティ運用の比較
5.2.1 監視フェーズ
5.2.2 検知フェーズ
5.2.3 分析フェーズ
5.2.4 対処フェーズ
5.3 ＡＩによるセキュリティ業務の効率化のまとめ
第2節 ＡＩを活用した組織内ネットワークのセキュリティ対策事例
1．サイバー攻撃対策におけるインシデント対応
2．組織内ネットワークにおける対策技術の関連研究と位置付け
3．テンソル分解とＤＮＮを活用した学習手法: Ｄｅｅｐ Ｔｅｎｓｏｒ
3.1 テンソルデータ学習技術
3.1.1 構造制約テンソル分解による特徴抽出
3.1.2 誤差逆伝搬によるターゲットコアテンソル最適化
3.2 解釈可能モデルによる近似と重要特徴量のスコア化
3.3 テンソルデータ拡充手法
4．ＡＩ適用事例1: 攻撃進行度判定技術
4.1 攻撃進行度の推定と使用データセット
4.1.1 履歴の結合とテンソルデータ化
4.2 問題設定の詳細と評価結果
4.2.1 動的活動観測データセットと活用データ詳細
4.2.2 特徴の抽象化とデータ規模
4.2.3 実験方法と評価指標
4.2.4 精度評価結果
4.2.5 評価結果の解釈可能モデルによる寄与度算出
5．ＡＩ適用事例2: 攻撃・業務判定技術
5.1 対処判断の学習，評価用データの詳細
5.1.1 コマンド操作特徴のテンソルデータ化
5.1.2 テンソルデータ拡充手法による亜種攻撃データ生成
5.2 実験方法
5.3 実験計画
5.4 業務通信の誤判定について
|
|
