一方、技術の可能性は感じていても、いざ自分の業務にどのように活用していくのか、どのように学んでいけばよいのか、悩まれている方も多いと思います。
エンジニアも機械学習を学ぶ
製造業のエンジニアの方々にとっては、こうした新しい技術に対して、「自分たちが主である」というスタンスを持つことが大切です。「〇△人工知能」を買ってくれば、自分たちの課題が解決するわけではありません。
機械学習の活用では一般に、課題の検討から始まって、自社にどんなデータがどれくらいの規模で存在し、期待できる効果はどの程度か、新たなデータ収集のコストはどれくらいか、といった分析を繰り返すサイクルが必要になります。
従って、製造業のエンジニアの方々にとっては、「機械学習に関して基本的な理解を持ち、自分たちで活用できるくらいの技術力を持つのが良い」というのが、私の考えです。
IT 企業、あるいはスタートアップ企業に依頼することを否定するわけではありませんが、依頼する側に、技術についての基本的な理解と活用する力がないと、なかなか成果があがらないのではないかと思います。
http://techon.nikkeibp.co.jp/atcl/column/15/417263/072500138/
人・牛・馬で作業していた耕作地に耕耘機やトラクターを導入するのと同じ
日本の情報は有料でもクソ
間違ってるからなお悪い
人工知能に重要なハードのGPUはNVIDIA、
データサンプルは検索サービス大手のGoogleが牛耳ってるので
AIのソフトウェア自体はオープンソース
だから日本が国を上げて税金で開発してもムダなだけ
趣味でやってるがさっぱり
多層のニューラルネットワークを用いた学習方法
単層パーセプトロン
順伝播型(ニューラル)ネットワーク
こんなもの関数にできんのか
ITエンジニアじゃなくて製造業のエンジニアがメインになるのはその通りだな
統計駆動なんだから得意分野だろ
同一の質を持つ十分なデータ量がある場面でないと使えん
数学モデルや実装はやればできる程度で大したことない
問題は因子の設計がヒューリスティックであったり、最適化の罠があること
学ぶならそこもやらんとな
https://twitter.com/onodekita/status/720207084432699393
今、フクシマは安全だと主張している人間は、
「当時は危険だという知見はどこにもなかった」 と開き直るだろう
https://twitter.com/onodekita/status/818797635544846336
プルトニウムよりも、花粉、黄砂の方が遙かに重い。
なぜ、「プルトニウムは重いから飛ばない」などという、
嘘っぱちを物理学者が平気で発言できるのか
https://twitter.com/onodekita/status/888727140589420544
原発の安全性を数字で説明しても分からない人にはどうすれば？
⇒事故を起こしてもわからない理系バカ
https://twitter.com/onodekita/status/856970491138985984
『・・僕が見た範囲では、テレビに出演した原子力関係の専門家たちの発言は、
いずれもおおむね正確なものだった。 その一方、危険を煽り立てているのは、
明らかに科学知識の欠如した人たちである・・』（とんでも学会）
https://twitter.com/pandasukidesu/status/425619179811532800
一体、今はどう思っているんでしょうかね。
と学会が、トンデモそのものであることを３１１で満天下にさらけ出してくれました。
https://twitter.com/onodekita/status/425619789063532544
おのできた
福島第二原発に5年、本店原子力技術課安全グループに2年の勤務歴
現在の職業は､暇な・・開業医
ヒューリスティックは
古典的な機械学習の課題だよね
ディープラーニングなんて使わなくても
古典的な機械学習で解決できる問題は
たくさんある。
ID:dTWpxXK+
http://hissi.org/read.php/bizplus/20170727/ZFRXcHhYSys.html
言語としての日本語はある程度防壁として働くので
独自のノウハウをためておくことは無駄ではない
寝返られると台無しだが
使い古された言い回ししかできないのか
犬！と答えてもらうのはいいけど
それで？
まぁ、あんたには関係のない話題だよ
使い道ってのは大事。技術馬鹿はたくさんいるが、ちゃんと応用まで考えられる人材は少ない。
GANなんてすげぇッって思うけど、
自分の業務へどう応用すべきか、すぐには思いつかないわ
いろいろバズってるけど結局それを何に使うの？
まだ始まったばかりでこれから発展して行く。
金儲けのタネだから誰もこんな所に書かないと思うよ
知識や経験で判断できるものは全て
金儲け医療金融製造業物流
判断を含むものまでデーターが用意できる既知の事象なら
人間の精度や正確性を超えて識別判定可能
防犯カメラに残った画像を入力して何国人の可能性が高いかを答えさせるだけでも、
すごく直接的な応用だと思わないか？
例えば部分的に機械学習だけ、最適化手法だけ、を勉強する人が多い。
調査設計やデータ取得方法が優先順位的に上なのだが、何故か数学しか重視されないね。
ゴミデータはどう弄っても結果はゴミなんだよなあ。
体系的につっても体系なんて無いからな
体系が与えられて学べると思ってるのがいかにも日本的
最近は各国で国家機関と大学、ベンチャーが絡んで
DLの特性を鑑みたデータ取得に躍起になってるよ
部分だけ見てる人はいない
それはそれで大事だと思うけど。
生物統計学・統計的品質管理・計量経済学のいずれかでも
勉強すれば調査デザインの重要性や適用するモデルから逆算して
どのデータ形式で集めればよいのか、という事がわかります。
その辺が、行列計算の数学にしか見えてない人は、データ設計という
最も大事な部分を外注しちゃう。
>>34
DLのような大規模データに適した領域と、依然としてスモールデータを扱わざるをえない
領域があると思う。それはコスト面でデータが得られないという場合もあるし、
そもそも分析目的が解釈であり、DLのような予想・分類ではない場合もあるよね。
なんというか、>>2にあるような調査設計を文系の何もわかってない人が担当し、
その結果を数学しかできない人が処理するというのが現状のデータ分析業界。
設計まで担当できる分析者がいない。
そもそも機械学習で解析しようと思ってデータを集めるんじゃなくて、
データがあるから解析しようってことが多いから、その指摘は当てはまらない。
データドリブンな考えに慣れないとダメだよ。
他の制約がなければデータなんて集められるだけ集めておけばいい。
購買動向を解析するなら、各人のセグメント情報（性別とか年齢）と何をどこで買ったかとかの情報があればいいだろ。
それ以外に何を工夫するんだ？ 生物統計の知識がどこに役に立つんだ？
解析を頼む側に必要なのは旧来の統計学の知識じゃなくて、
機械学習の知識な。細かく知ってる必要はないけど、
せめて線形多重回帰ぐらいは数式まで理解できるぐらいじゃないとね。
「文系の何も分かってない人が」というが、別に理系でも同じ。
理系だから機械学習知ってるわけじゃないからね。
パソコン使ったこともない人がパソコンメーカーの社長はできない。
それと同じで機械学習とか人工知能やるなら、人に頼むにせよその知識はこれから必須。
逆にいえば今の日本企業はパソコン知らない人がパソコンビジネスしようとしているようなもので、
欧米に絶対勝てない。
まあ基本データさえ集めればひたすらデータ量に比例して性能が上がるのがDLの特徴だからな
>>35
古典的な機械学習のコンテキストでずっと語ってる方かな
モデルはよくわかんないけどデータを多量にぶっ込めば性能の高い識別器が出来るのがDLの凄いところ
確かに機械学習のスキームに則ってデータをアノテーション付けて収集する必要あるけど
データ設計=モデル設計みたいなのが基本不要
そもそもその、今あるデータから何とかできないか、というのが
失敗の根源になってる。ただデータを集めるにも金がかかるのだからね。
目的から逆算して、収益を伸ばすために何の要因が関係していて、どんな
データを集めるかを考えて欲しい。
ドメイン知識０で誰でも思いつく性別年代だけじゃ大した結果、でてこないでしょ。
そもそも、既存のデータの再利用じゃ大した結果がでないからスレタイのような
状況になってる。
＞他の制約がなければデータなんて集められるだけ集めておけばいい。
重要なデータほど、集めるのにコストがかかるんです。
だからこそ、目的から逆算して優先順位をつけて、どのデータを収集するのか
考える。特に介入効果が目的の場合は、いわゆる社会実験が必要な場合もある。
このときは最小のサンプル数を達成するための計算が必要。ところで生物統計学の中身が
どんなものか知ってますか？
なんかたぶん一人ずれてる
今ディープラーニングはそういう日本のITシステム構築みたいなルーチンで開発回ってない
>重要なデータほど、集めるのにコストがかかるんです。
DeepLearningにとって何が重要かわからないから片っ端からあらゆるデータ集めて投入してフィードバックかけて
ってやってるのがアメリカと中国
色々>>39さんが考えてくれたことを全部やって最先端のところが最終的にたどり着いたのが
＞他の制約がなければデータなんて集められるだけ集めておけばいい。
これを実現するために巨大企業が国や大学巻き込んで大がかりなシステム作りに走ってる
日本の研究者ってすぐこういうのに逃げたがるけど
データが必要で集めれば集めるほど性能上がるなら集めてしまおうってのが日本以外の研究者
あなたが言ってるのは昔からある仮説ドリブンな手法。
アンケート調査とか疫学研究とか臨床試験とか。
もちろん今でも重要なのは間違いないけど、
今の機械学習の中心は、すでに企業がもってるデータをいかに活用するかってところにある。
例えば保険会社であれば既に莫大なデータを持ってる。
これを使って解析しましょうとかってのが主流。
新たなデータを集めるのも手だけど、大抵の企業は十分な質と量のデータをもってる。
それが有効活用できてないって問題の方が大きい。
理由としては機械学習より記録が紙ベースだったりとかそういう問題が多い。
なるほど。そういう分野が有ることは理解しました。
>>41
何ていうのかな。例えば実際のデータで性別・年代しか変数が得られないときに、
それが何億レコードあったとしても大してモデル性能上がらない。
問題は変数の数で、それにコストがかかるという事。全部のデータがDL用に
あるわけではないので。
>>42
＞新たなデータを集めるのも手だけど、大抵の企業は十分な質と量のデータをもってる。
これはかなり疑問だな。よっぽどいい案件に恵まれていたか。
実際に既存の利活用で作ったモデルではLOOCVした時２０％とかザラにあるもの。
性能上げようにも変数の数が少なすぎて意味がないという。
何も考えずに取られたデータはそんなものが大半でした。
＞機械学習の知識な。細かく知ってる必要はないけど、
統計学と機械学習で区別する必要はないかと。どっちも使うので。
そうでないというのなら、統計学と機械学習の区別を教えてください。
本質的には区別する必要はないけど、
例えば平均・分散とかt検定とかは知ってる人は多くても、
機械学習って何やってるか知らない人は多いでしょ。
統計学＝古典的な統計学の範囲
機械学習＝いわゆる多変量解析
ぐらいの認識でいいよ。
あと機械学習には遺伝的アルゴリズムとかニューラルネットとか離散最適化とか、
そういうのも含めるから、そうなると統計学のサブセットとはいえなくなるだろうね。
えっと、、、そこまで低いレベルの低い考えで世の中はデータ集めてないと思うよ
自動運転なんて画像、ステレオカメラ、レーザーレンジファインダ、ミリ波レーダー、車速含めありとあらゆる車のセンサ情報収集してぶっこんでる
既存のデータで何とかなれば嬉しいだろうけど
それでどうにかなると思ってやってる人はこの分野少ないと思うよ
実際には変数の数が少なくて困るより、多すぎて困ることの方が多いのでは。
サンプル数がそれに見合った数必要になったり、いわゆる次元の呪いとか、
計算量的にも時間がかかるようになるからね。
昔からの統計学を学んでもその解決策は教えてくれない。
機械学習を勉強することしかない。
うん。やっぱり分析上で区別する必要は無い気がします。
それは古典的な統計学であって、機械学習でないとかには拘る必要もないでしょう？
実際には解釈する場合、予測する場合で両方使うので。
>>46
そう。だから機械学習のためにデータを集めている場合はそれでいいんです。
DL用に多変数、数億レコードある場合も除く。
そうでなくて、データ分析をまるで想定されてないデータの再活用とか
介入効果を見る場合に困ったことになる。
>>47
だからDL用のデータが有る場合は別ですよ。次元の呪いが問題になる場合、
それこそ数１００億レコードあり、多変数、質もある場合は別。
なんかDL用のデータでない場合の話をしているつもりだけど、話が噛み合ってない気がする。
両方必要だと思う。
デザインや設計は昔からの統計学、予測制度をあげるためには機械学習手法。
特にデータ収集にコストがかかる場合は。
そうなんだ
ちょっと前提違うみたいね
現時点DeepLearningは中身が説明できないからそういうアプローチはないと思ってる
また>>36が言うような意味でも
取り敢えずデータは取れるだけ取ってベストプラクティスを確立、
識別率が実用を超えたらその方法に合わせて
既存のデータ取得の仕組みもそのデータが取れるように改変
で既存のデータそのままで魔法が使える訳ないと思ってるから
誤解の原因は多分、自分がコンサルよりのデータ分析の話をしているのに対して、
あなたは予測やDLや自動化の話をしているという所にある気がする。
そう考えると、たしかに機械学習エンジニアとしては７０％の正答率を７３％にするのが
使命と考えると、そのデータで量・質ともに十分と考えるのも頷ける。
自分は正答率１０％を５０％にする話をしていた。
また予測が目的なら、解釈性は犠牲にして予測性能が高い手法を使う方が良いね。
ただ、DLでは中身が説明できないから使わない、というより、元々の分析の目的が解釈か予測・分類かで
それは決まると思う。
データ分析者と一口に言っても職種内容が全く違う人と話ししている感じでした。、
自分に都合良く取りすぎ
こっちから見ると全然コンサル目線であなた話せてないよ
ただの日本の既存のIT屋か古典的な機械学習の観点
それにこちらは50%を90%にするためには既存のデータじゃダメって話をしてたのに
既存のデータとかデータ収集のコストとか小さな事に拘って大きなとこが見えてなかったのに
言ってることがデタラメすぎるよ
>>52じゃなく>>53ね
なんか古典統計の知識しかないみたいだからもういいや
みんなディープラーニングのコンテキストで話してるのに1人だけ古典統計分析の観点で話してりゃ話噛み合わないよ
コンサルとか関係なく
なんだかな。こう書いてるが、中々取れるだけとるのは難しい。
＞取り敢えずデータは取れるだけ取ってベストプラクティスを確立、
データ収集のコストが小さいと言うが、ウェブアンケート調査や
社内でデータをとるシステムを作るだけで何百万〜何千万かかる。決して”小さい”ことでは無いと思う。
特に予測が９０％超えるような物はそう。もちろんウェブ系の分析は除くとして。
てか、統計学・古典的・新しい機械学習などと分ける必要もないでしょ。
解釈よりなら重回帰、分類木、それが予測よりになるにつれて一般化加法モデルや
lasso、完全な予測ならSVM, xgboostなどと、使い分ければいいだけ。古い＝無意味 ではないし、現に解釈するときに
自分で解釈するときはDeepLearning使わないと言ったじゃん。
経営者 「Aは今までの付き合いがあるから切れないでもB案件は利益が出るなら進めよう」
現場 「人も金もよこさずにAとB同時に出来る訳ねえだろ」
経営者 「AIも従業員も使えねえな」
こんなのになるのが目に見えてるんだがｗ
全然ダメ
ディープラーニングで世界の物差しが変わったのに
昔の物差しで話をしてる
それが使えないから普及しなかったのに
少しディープラーニング勉強した方がいい
まあね。ただ現実のデータが全てDL用ではなく、>>2にあるような
煮ても焼いても食えない物であるのが現実だと思うのでその前提で書いてみた。
逆に、ディープラーニング以外もできるようになった方が得だと言いたいね。
機械学習も統計学も、特に統計学はデータ取得方法も含むので重要。
逆にDLのみというと、お膳立てされたデータ設計で、かつ予測しかできませんと
宣言しているに等しいじゃん。
俺は>>62の言いたい事は良くわかるつもりだがなあ
DLはそもそも極一部の限られた問題しか解けないだろう
１つの宇宙船開発予算は、アポロ計画を例にすれば3兆円
これを直行法L36でサンプルをばら撒くとして108兆円
DLしたいからと標本10,000必要なら30京円が欲しい
まあアポロ計画は極端としても、標本1個データを集めるのに百万〜千万円かかる工学領域は別に珍しく無い
納品されたシステム、プログラムに不具合があった場合、10年後でも無償で修理してもらうことが可能になった。
民法改正で事実上期限が「無制限」になった
不具合を指摘されたらすぐに行動をとるべし 納品物に不具合があれば損害賠償を請求される可能性もある
http://www.atmarkit.co.jp/ait/articles/1706/26/news014.html
http://itpro.nikkeibp.co.jp/atcl/news/17/052601508/?rt=nocnt
改正法では欠陥に気付いてから1年以内にITベンダーに通知すれば、通知後5年以内は修正や報酬の減額などを求められるとしている
全ベンダーが泣いた民法改正案を解説しよう その1
http://www.atmarkit.co.jp/ait/articles/1609/14/news009.html
http://www.atmarkit.co.jp/ait/articles/1609/14/news009_2.html
http://www.atmarkit.co.jp/ait/articles/1609/14/news009_3.html
ポイント1：修補や損害賠償、契約解除の期限がなくなる
従来あった「瑕疵担保期間は引き渡しから1年」という考えはなくなる。
条文にある通り、注文者は成果物が契約の目的に適合しないことを発見したら、
その「発見したときから1年以内」ならさまざまな請求ができる。発見が10年後なら、11年後まで請求可能なのだ。
もっとも、現実のユーザーとベンダーの関係でも、たとえ契約書に「瑕疵担保責任期間は納品から1年と」明記されていても、
「2年目以降は不具合の修正に対応しない」と主張するベンダーはまれだ。多くの場合は、納品から何年たっても、
バグが見つかればユーザーのところに飛んで行き、無償で改修するだろう。
重大な脆弱性が現バージョンから発見されました。こちらでアップデートしたところ、起動ができなくなりました。
至急弊社に来て修正作業をお願いします。なおお金は払わない。また営業に損失が出たので損害請求もする。
客が瑕疵担保責任法の法改正を知ってくると思うから、今後5年無償保証をお願いされるだろう
営業がそれでも仕事を取ってこれるか？たぶん無理だろう。無限に直していたら赤字になる。
こういう保守に弱い言語、ころころ仕様が変わる言語は仕事として発生しなくなってくる。
これは変わり目だ。お前らも早く逃げたほうがいいぞ。RubyやPHPなど動的言語は確実に廃れる。
保守に強い言語のみ生き残れる。
その従来の機械学習や統計学で解けなかった問題が解けるようになるのがディープラーニングなんでしょ
そこに従来の概念持ち込む方がおかしいでしょ
その従来技術の専門家さんなのかもだけど
この先いろんな分野で試されて、DLでなんでもできるわけじゃないんですねと分かるまで10年くらいか
少なくとも従来の古典的な機械学習や統計学ではダメだったお金になる所で一定の実用化が見込める所まで来てるから
各国で凄いお金が注ぎ込まれてる
このスレ見ても分かるように日本だとディープラーニングを理解出来ない
従来の古典的な統計分析屋が大きな顔して新技術の登場を排除しようとするから
完全に出遅れてるね
しょうがないからプリファードネットワークみたいなベンチャー立ち上げて
一部の人達が頑張ってる
ディープラーニングの登場が新しいことを可能にしたのは否定しないよ
でもあれはビッグデータが無いと無力で役に立たない
>>35や>>64が指摘してる様に、たった標本１つのデータ収集コストが10万円以上かかる領域なんて民間には山ほどあって、そんなのには「古典論」の方が性能も高いし役に立つ
もちろん、1兆円位予算があれば、先ずは力技でサンプリングして、次にディープラーニングで古典論を超えた予測も可能だろうけどねw
＞従来の古典的な統計分析屋が大きな顔して新技術の登場を排除しようとするから
ラーニングを理解出来ない
多分そうじゃなくて、「全ての」民間企業の諸問題に応用するには、ディープラーニングは金を食い過ぎるからだよ
サンプリングだけで千億〜1兆円かかるなんて言われたら、Alphabetだって根を上げるさ
明らかにパラダイムシフト
だって、ロジックを解明できなくても結果が出るんよ？
スマホで取れば一発じゃん
銀行、証券、保険、流通、小売、外食、Eコマースとか大量の高質なデータ持ってるんだから、
それを使って解析するってほうが今は重要だよ。
自分持ってる既存技術で誤魔化すために
たくさんある今学ぶべき新技術のうちの一つって位置づけで十分
否定するのに必死
http://www.nicovideo.me/watch/sm30397912
確かにね。
DLの致命的欠点が判ったから今後は棲み分けが進むと思うよ。
聞いた事ないな
作った奴が結果ありきで誘導できちゃうこと
それを明確に否定できないから、全体の信頼性が損なわれる
なぜ凡ミスしたかが人間にはわからない
もっと実用上の致命的欠陥かと思った
過学習と汎化性能の関係でケチつけてるだけかよ
枯れてないものは、天才と凡人で全然違うものになるから全部一括りできない
評価する仕組みがないから、評価できない
結果だしてかえていけばいいじゃん
そのものを否定する奴おらんだろ
過去の学習データにない手を打たれた＆全局的な思考をしてるわけではないため
と言われている
ディープラーニングなんて議論が噛み合わなそう
それは問題設定次第
外挿に信頼性ないのは従来統計も同じ
体の仕組みなんかそう簡単に変えられるものではないから例えば医学に
応用するのはいいだろうな。
>【香港時事】中国共産党は「腐敗して無能」−。
>同国インターネットサービス大手・騰訊（テンセント）の人工知能（ＡＩ）対話プログラムがチャットで異例の共産党批判を展開し、同社が急きょサービスを停止する事態となった。２日付の香港紙・明報が伝えた。
>https://www.jiji.com/jc/article?k=2017080200817&g=int
変えたルールで走らせれば瞬く間に人間を超えるわけだが
ＡＩ工学はバブル期に流行ってたんだぞ
シグモイド関数でgo
ただの多数入力の重み付け