深層学習の「見える化」と
次世代の「説明できるAI」
　
S200427K

開催日時：2020年4月27日（月） 10:30-16:30　（10:00受付開始）

会　　場：オームビル（東京都千代田区神田錦町3‐1）
受 講 料：お1人様受講の場合　46,000円[税別]／1名

　　　　　1口でお申込の場合　57,000円[税別]／1口（3名まで受講可能）

　長尾 智晴　氏
　　　　横浜国立大学大学院環境情報研究院 教授（工学博士）
　　　　学部：理工学部　数物・電子情報系学科　情報工学EP
　　　　大学院：大学院環境情報学府　情報環境専攻
　　　　YNU人工知能研究拠点長・NEDO"説明できるAI"採択PRJ代表
　　　　YNU感性脳情報科学研究拠点・文科省COI-S拠点YNU総括
　　　　横浜国大発ベンチャー(株)マシンインテリジェンスCTO
　　　　

　　　●経歴：
　　　　東京工業大学大学院総合理工学研究科出身
　　　　東京工業大学工学部助教授を経て
　　　　2001年より現職

　　　●所属学会：
　　　　情報処理学会，人工知能学会，進化計算学会，IEEEなど

　　　●概要：
　　　　昨今，深層学習(Deep Learning)を企業での業務で利用しようと
　　　　したものの，生成された処理を説明することができず，実際は
　　　　導入できていない企業も多い．本セミナーでは，最近特に必要
　　　　性が注目されている「説明できるAI」について，深層学習など
　　　　のブラックボックス機械学習の説明性向上，決定木などのホワ
　　　　イトボックス機械学習の精度向上の方法，次世代AIである進化
　　　　的機械学習，企業へのAI導入を成功させるコツについて平易に
　　　　解説する．

　

　　１．人工知能と機械学習
　　　　1.1 人工知能の考え方の推移
　　　　1.2 機械学習の種類と方法

　　２．深層学習(ディープラーニング)の基礎と問題点
　　　　2.1 神経回路網の原理と学習法
　　　　2.2 深層学習の基礎と実装方法
　　　　2.3 深層学習の最近の手法
　　　　2.4 深層学習の問題点と課題

　　３．「説明できるAI」～ブラックボックスの説明性向上～
　　　　3.1 説明できるAIとは？
　　　　3.2 学習済の深層回路と入出力の関係性の可視化
　　　　3.3 深層回路の圧縮と簡約化
　　　　3.4 処理過程が理解し易い構造の深層学習

　　４．「説明できるAI」 ～ホワイトボックスの精度向上～
　　　　4.1 進化的機械学習の原理
　　　　4.2 特徴量の最適化による簡潔な認識処理
　　　　4.3 処理過程が説明できる処理の自動生成
　　　　4.4 決定木・決定回路の処理の言葉による説明
　　　　4.5 小規模かつ高性能な回路の自動設計

　　５．業務へのAI導入方法
　　　　5.1 AI導入における基本８原則
　　　　5.2 AIコンサルの事例紹介

　　６.　まとめと質疑応答