Machine Learning15での登壇内容です。

1. 人工知能ニュースメディア 「AINOW」
9月ニュース記事の紹介

2. 自己紹介
亀田 重幸
ディップ株式会社
次世代事業準備室 dip AI.Lab マネジャー、AINOW編集長
遺伝子組換えStreptomyces属放線菌による有用物質生産の研究
社会人1年目はPHP、Perlのプログラマー
新規事業を学び、新サービスを出しては失敗しまくる（約30個/年以上…）
バイトルのインフラエンジニアを3年くらい
AIビジネスのプロダクトオーナー
（ビジネス×AIでイノベーションを起こしたい！）

3. AINOWのご紹介
AINOW（エイアイナウ）は、1日のAIニュースを10分で見れる
AIに関する様々な情報が得られるメディア

4. AINOWのご紹介
会社紹介インタビュー AI周辺の情報整理 イベント取材/登壇

5. 誰でも1時間でAIサービスが設計できる
「AI Lean Canvas」

6. AINOWのご紹介

9. AINOWのご紹介

10. AINOWのご紹介
最新のAI動向を記事と共にサイトでご紹介します！

11. AINOWのご紹介
ビジネスとアカデミアが繋がり
AIイノベーションを日本から起こしていきたい
ビジネス現場とAI研究の最前線を繋げていきます

14. アブダクションによる仮説生成がAI開発の
成功ポイントかもしれない!？
データ前処理や分析手法を言い訳にしてる？

15. AIの精度がイマイチ
データ前処理に
時間/コストが掛かる
分析結果を
説明するのが大変
AIに関するプロジェクトの課題は様々

16. データセットや前処理、分析方法以前に
原因があるのではないか考えた事ありますか？

17. AI開発プロジェクトで、失敗を乗り越えて
大きな成果にたどり着ける仮説生成法をご紹介

18. 仮説が何となくあるだけでは
今、失敗したのかどうかもわからず評価できない

19. 最近読んだ書籍の紹介

20. 仮説を立てて検証を実施するが
どのような方法で仮説を作るべきだろうか

21. 仮説検証に必要な3つの論理的思考法

22. 演繹法
帰納法
アブダクション
結論 → 理由 → 事象
事象 → 事象 → 結論
現象 → 事象 → 仮説

23. 演繹法
帰納法
アブダクション
結論 → 理由 → 事象
事象 → 事象 → 結論
現象 → 事象 → 仮説

24. アブダクションとは？
例：朝起きると庭の芝生が濡れていた。
雨が降ると芝生は濡れる。
だから昨晩は雨が降ったのだろう。

25. アブダクションとは？
例：朝起きると庭の芝生が濡れていた。
雨が降ると芝生は濡れる。
だから昨晩は雨が降ったのだろう。
目の前の現象
普遍的事象
仮説
芝生が濡れた理由は「昨晩雨が降った」理由以外にも
「誰かが水をまいた」「夜露で濡れた」などの事象も考えられる

26. データサイエンス系プロジェクトのステップの例
1. 課題/やりたいことを特定する
2. 業務や人間の勘に基づき仮説をだす
3. 必要な特徴量を定める
4. 試す分析手法を定める
5. データを分析できる形にする（前処理）
6. データサイエンスの視点で特徴量をいじる
7. モデルを構築する
8. モデルの精度を確認する
9. モデルや結果を適応する
10. 定期的にメンテナンスを行う
期待する精度が
出なかったら2〜3
に戻る

27. 仮説形成の仕方次第で
データ分析におけるコストと時間が大きく変化

28. 実際にプロジェクトで失敗した話
予測したい事象
仮説① A 仮説① B 仮説① C
データ収集 データ収集 ユーザ利用価値
分析
仮説② 仮説③

29. 実際にプロジェクトで失敗した話
予測したい事象
仮説① A 仮説① B 仮説① C
データ収集 データ収集 ユーザ利用価値
分析
仮説② 仮説③

30. 実際にプロジェクトで失敗した話
予測したい事象
仮説① A 仮説① B 仮説① C
データ収集 データ収集 ユーザ利用価値
仮説② 仮説③・ユーザに最終アウトプットを見せて検証ゴール
・データ収集で失敗して2週間
・分析まで行ったが精度が出ず1ヶ月
そもそも分析しなくても結果がわかった
仮説2、3の可能性も残っているので時間を掛けすぎた

31. どの仮説を選ぶと成功に近づくのか？

32. 1. 仮説を作る際のポイント
解決したい問題の現象から考えられる説明を推測して洗い出す。
・観察できた事とは違う種類の事案なのか？
・観察できない不可能な事案であるか？
反証を考える事で仮説の想像性を膨らませる
【アブダクション―仮説と発見の論理】より抜粋

33. 2. 仮説を選ぶ際の4つの基準
【アブダクション―仮説と発見の論理】より抜粋
1. もっともらしさ（plausibility）：最も理にかなった説明を与えるもの。
2. 検証可能性（verifiability)：仮説は実験的に検証可能でなくてはならない。
3. 単純性（simplicity）：より単純な仮説を選ばなくてはならない。
4. 経済性（economy)：費用や時間が節約できる仮説を選ばなくてはならない。

34. 3. リスク度による仮説選択
もっともリスクの高い場所から試さないと
事業を継続するキャッシュが持たない

35. 「1000回の失敗をしたわけではない
1000のステップを経て電球が発明されたのだ」

36. 実はこのアブダクション
第5の科学「人工知能駆動型科学」の大事な要素

37. 第1の科学 : 経験記述（ケプラーの法則）
第2の科学 : 理論（ニュートン力学）
第3の科学 : シミュレーション（計算科学）
第4の科学 : データサイエンス（機械学習・深層学習）
科学史の流れ
第5の科学 : 人工知能型科学（汎用人工知能）※ 理化学研究所 高橋恒一氏

38. AIが仮説を作ると人間の想像を遥かに超えた
課題解決方法も見つかる可能性

40. 人間はAIが仮説生成した内容を
正しく評価してAIを育てていく役割を担う

41. 汎用人工知能のビジネスでの活用点

42. 参照：第2回WBAIシンポジウム 坂井尚行氏 登壇資料

43. 参照：第2回WBAIシンポジウム 坂井尚行氏 登壇資料

44. アブダクションをAIにやらせる必要があり
データの取得自動化が必要

46. 人工知能YouTuber
始めました!!

47. ・再生数:236
・高評価:15
・低評価:1

48. 「まじすけ」検索で一番上!!

49. 「人工知能」検索で3番目!!

50. チャンネル登録
よろしくね！

51. Thank You