出教育法の開発

AI への新規参加者に対する

AI プロトタイプ構築教育法／ AI ニーズ創 出教育法の開発

1.

本

AI

教育法の狙い

2. ＡＩプロトタイプ構築教育法

・デザインマップ法

・典型的なプロトタイプの学習

3. AI

ニーズ創出法

4.

２つの教育法の関連

NPO

法人

M2M

・

IoT

研究会

2018/11/10 ^A

1. AI 教育法の狙い

AI

技術の発展と実用化の広がりで、

AI

への新規参画者 が期待される。当研究会では、

AI

人材育成活動の一環と して、次の特徴を持つ

AI

教育法を開発しております。

①

AI

プロトタイプ構築教育法：

IT

系以外の技術者でも

AI

基礎を理解し、実現したい

AI

仕様のモデルを作り、教材プロトタイプを学習して、実 現したいプロトタイプの構築モデルを作成する教育法。

②

AI

ニーズ創出教育法：

技術者以外の営業部門、企画部門の人が自社の製品 やシステムの競合力向上のために、

AI

機能をどのよう

AI ベンダーの研究・構築技術・営業 / 企画の 3 層

・

AI

は今後、多くの分野で活用されていきます

.

・

AI

は

IoT

の進展にともなってデータ分析に活用されます

.

・

AI

の技術開発

/

利活用の人材は

3

層になると考えます

.

<3

層

> AI

研究者

:

大学

,

研究所

,

企業研究所

<2

層

> AI

開発者

,

構築者

(IT

系

,

１部の非

IT

系

)

<1

層

>

社会の基盤

(

利活用者

,

開発ニーズ提言者

)

２、AIプロトタイプ構築教育法

学生の研究 ^{製品のAI化の検討}

（企業技術者）

AIの基礎学習

•

AI/機械学習とは

•

方法の概要理解

•

①DL系 ②強化学習

③分類/回帰/クラスタリング系

•

AIの応用事例概況

選択の入力

•

応用分野

•

AIでやりた い仕様 (問題定義)

選択エンジン

• デザインマトリクス

•

選択方法

•

デザイン例群 プロトタイプの学習

プロトタイプ例 出力

＜選択事例＞

…

第一次構築 モデル

デザインマップ法

第2次構築モデル作成 オプション:標準データ

による演習

演習

実習データ活用 第３次構築モデル

の作成

プロトタイプ 終了

OR

デザインマップ法

選択入力

・応用分野

・

AI

でやりたいこと

問題型 応

用 分 野

マトリクス

手法 問

題

型 マトリクス データ

種類

問 題 型

マトリクス

デザイン例の 表示群

(

出力

)

第

1

次構築モデル

・問題解決の指針

・デザインマップ選 択の結果

・データ手法の指針

・デザイン事例

手法選択トリー

デザインマトリクス

デザインマップ法のAI選択入力情報

選択入力

・応用分野：製造

,

農林水産 情報サービス

,

運輸

,

物流 金融

/

保険

,

医療

/

福祉 教育

,

・

AI

でどんな効果をだしたいか

・どんなタイプの問題があるか

・どんなデータを活用したいか

・どんな

AI

手法を活用したいか

・どんな事例があるか

デザイン マトリクスの 選択へ

デザインマップ法―応用分野/問題型マトリクス

問題型

応用分野 診断 検査

評価 予測 選定 配分

計画 設計

相談 推薦

監視

制御 他 製造

農林水産

情報サービス

交通

/

物流 流通 金融

/

保険

医療/福祉/介護

サービス/教育

他

デザインマップ法―問題型/データ種類のマトリクス

問 題 型

カテゴリ 画像 時系列信号 社会情報 自然言語

データ 他

種類 静止画 動画 立体

計測 音声 音響 振動

環境

計測 気象 株価 個人

情報 発話 文書

診断 検査/評価

予測 選定/配分 計画/設計 相談/推薦 監視/制御

手法選択トリーの考え方

応用面からの特質の検討

分類を主とした 統計的特質か

データの特質を 学習モデルで決 めるのか,強化 学習含めるか

自然言語 の問題か

データマイニング 深層学習

,

強化学習 自然言語処理 手法

カテゴリー

木構造か 教師 あり

,

なし

教師あり,なし 画像、時系列

強化学習

発話、文書

手法 ^{決定木 クラスタ}_リング

SVM RNN AE CNN

^強化_学習 会話 _{マイニング}^テキスト

デザインマップ法―問題型/手法のマトリクス

問 題 型

カテゴリ データマイニング 深層学習、強化学習 自然言語処理

他 手法 ^{決定木 クラスタ}_リング SVM RNN AE CNN 強化

学習 会話 _{マイニング}^テキスト 診断

検査/評価 予測 選定/配分 計画/設計 相談/推薦 監視/制御

デザインマップ法の出力；第1次構築モデル

<出力項目>

•

応用分野

•

問題型

•

データの種類

•

AI手法

•

考えられる効果

•

参考となる事例

•

参考となるプロトタイプ例

•

留意事例

•

デザイン構築の構成例

機能処理, データ処理

入力処理 出力処理

データ分析AI処理 デザイン構築の構成例

典型的なプロトタイプの学習

目的 分類 プロトタイプ例 フリーソフト他

基礎の 学習

DL,強化学 習系

DL 1.基礎理解用 chainer

〝 2.文字認識 Python

〝 3.異常検出 Jubatus 強化学習 4.迷路脱出 Python

DL 5.TensorFlow ―

分類・回帰 系

分類 6.アヤメの分類 SVM 回帰 7.電力消費予測 Weka 分類 8.簡易文字認識 SVM 産業応用 9.異常検知,予知(DL) 10.駐輪場の危険度表示

＜教材＞

仕様書,解説書,ソースコード

学習のステップ

デザイン マップ法

典型的プロトタイプ の学習

(

解説書

,

ソースコード

)

第

2

次構築モデルの作成

・データの分析の概要

・手法のツール

,

モジュール選択

実習データ集録

①

DL

による異常処理

②

SVM

向けランダムデータ

(

準備済みデータの活用

)

第

1

次構築 モデルの出力

第

3

次構築モデルの作成

・データ分析法

・ツール使用法

DL

用の実習データ

集録機器

OR AI

基礎

学習

実装演習

終了

ー拡張ー

プロト タイプ 構築

学習のステップ

(1)

ＡＩの基礎を学習し、実現したいシステムの仕様をデザインマッ プ法を使って検討した結果を第１次構築モデルとします。

(2)

次に、用意されている典型的なプロトタイプ教材から選んでを学 習します。学習のあと、データ分析の概要、 ツール、モジュール の選択等を第１次構築モデルに付加し、第２次構築モデルを作 成します。

(3)

次に、実習用データを集録し、そのデータを使った演習を行いま す。演習によって得られたデータ分析、ツール使用法等を第２次 構築モデルの付加し、第３次 構築モデルを作成します。

(4)

本教育法はここで終了します。実際の課題に対するプロトタイプ

３、AIニーズ創出教育法：

・営業

・企画 の人

・

AI

機能の基礎、

AI

応用事例

・自社製品シス テムの特徴

,

課 題の整理

・望ましい価値 のイメージ

・問題抽出

・アイディア出し

・プロトタイピング

・評価

・

AI

機能に よる現行製 品の価値 向上

・ニーズの 創出

前学習 デザイン思考に

もとづく実習 整理

・営業

,

企画部門の人が、現場の状況を把握し、製品の 価値向上

,

課題解決のために

AI

を手段の１つとしてどの ように活用すべきかのニーズを創出する手法を学びます

.

デザイン思考の「AIニーズ創出法」への活用

市場の ニーズ

AI技術 の進歩

製品競 合力の 向上

AI

ニーズの創出

Step 1

問題 抽出

Step 5

評価

Step 3 解決の アイディ

ア出し Step 2

問題 定義

Step 4 プロトタ イピング

AIニーズ創出のステップ

①問題抽出

:

市場ニーズ、ユーザニーズから自社製品の問題点、

課題を抽出する。

②問題定義

:

問題点、課題を定義する。

③発想

:

問題、課題解決に

AI

をどう活用して製品競 合力を増すかのアイディアを数多く出す。

④プロトタイピング

:

有効と思われるアイディアの具現化のため のプロトタイプを作成する。

⑤評価

:

問題、課題定義との整合性の確認する。

⑥ニーズ創出の整理：評価内容を整理する。

Step 6

ニーズ 創出の 整理

Step 7

応用指 向構築 モデル

実習による実践のステップ

ステップ 内容

PBL

手法

事前配布 ・AI基礎(応用指向のもの) ・AI応用デザイン事例集

・現製品に対する問題点

,

課題

(

仮定製品でも可

)

^事前課題

①問題抽出 ・事前課題をプレゼンし、問題点を抽出する。

・複数人の場合

,1

つの製品

/

複数可の設定 ^プレゼン

②問題定義 ・問題点

,

課題を定義する

ディスカ

③発想 ッション

(アイディア創出)

・解決策としてAI活用による製品競合力向上のアイディア出し

・ブレーンストーミング等の各種手法の活用

④プロトタイピング

・プロトタイプは、紙上/PC上,PCのシュミレーション,部 材に構築など。紙上の場合、デザイン事例集からの選 択、複合も可

作業

⑤評価 ・②との整合性をユーザ視点でレビュー。状況に よっては、②に戻る。

ディスカ ッション

⑥ニーズ創出 の整理

・⑤のレビュー内容を整理する。

整理

⑦応用指向構 ・⑥で整理した内容を基に、

AI

構築モデル図を作

まとめ

アイデア出し手法の例：

① 代替法、置換法

全体ではなく一部を代替、置換。

② 類似探索法

ＡＩの実績から似ているものを抽出し、

固有の課題に適用。

現状

置

換 アイデア

AI

AI

の実績

（市場実 績）

発 展

類似パ ターン

さらにア イデア を追加 変更

低 高

低

生産性 品質

高

A B

C D

E

F

【二軸法】

低 高

品質 高

A B

C D

E

F 生産性 イノベーション

領域

③ 二軸法→構造シフト発掘法

AI ニーズ創出法学習による期待内容

①製品の高度化により、イノベーションを起す可能性

②製品の新たな使用法、適用法への展開

③製品間の連携強化への橋渡し

④製品の課題の明確化

⑤新たな概念の製品への発展

４、２つのAI教育法の関連

研究者

・自習

,

講義

・ニーズ創出実習

・

AI

機能の基礎

・

AI

応用事例

・自習

,

講義

,

演習

・期間

:1

ヶ月

~3

ヶ月 自習がベース、講義

,

演習

4

日

~6

日

・

AI

機能の基礎

・デザインマップ

・教材プロトタイプ

・プロトタイプ構築

学習内容 学習法,期間

AI

ニーズ創出法

AI

プロトタイプ構築法

<

本教育法

>

技術者

(非IT部門

IT部門)

営業,企画 部門

<

対象

>

５、まとめ

①今回、

AI

プロトタイプ構築教育法と

AI

ニーズ創出教育 法の概要を紹介しました。

②本教育法は、現在、企業の人

,

大学の学生対象に評 価中であり、第

1

版を年末までに

M2M

・

IoT

研究会の

HP

に公開予定であります。

③本教育法は、ＡＩへの新規参画者教育方法の提案でも あります。各企業、団体の方々が、

IT

系以外の技術 者にも、技術者以外の営業

,

企画部門の人へも、ＡＩ教 育を一層充実されることを期待しています。

※ ご清聴ありがとうございました。