2026年06月23日（火）
10:30～16:30
Tel：03-5857-4811 E-mail：info@rdsc.co.jp
問い合わせフォーム
横浜国立大学 総合学術高等研究院 上席特別教授 長尾 智晴 氏
＜経歴、等＞
東京工業大学大学院出身、東京工業大学助手・助教授を経て、2001年より横浜国立大学教授。YNU人工知能研究拠点長。経産省NEDO「共進化AIプロジェクト」採択課題研究代表者、横浜国大発ベンチャー株式会社マシンインテリジェンスCTO。
＜研究＞
知能情報学／機械学習／感性情報処理／知的画像処理／進化計算法／マルチエージェント／医工連携工学など。
＜学会＞
情報処理学会、電子情報通信学会、電気学会、人工知能学、進化計算学会、IEEEなどに所属して各学会で活動中。
非会員：
55,000円
（本体価格：50,000円）
会員：
49,500円
（本体価格：45,000円）
学生：
55,000円
（本体価格：50,000円）
■ 会員（案内）登録していただいた場合、通常1名様申込で55,000円（税込）から
・1名で申込の場合、49,500円（税込）へ割引になります。
・2名同時申込で両名とも会員登録をしていただいた場合、計55,000円（2人目無料）です。
・3名以上同時申込は1名につき27,500円（税込）です。
■会員登録とは？⇒
よくある質問
30名 ※現在、お申込み可能です。満席になり次第、募集を終了させていただきます。
資料付【PDFで配布いたします】
【Zoomを使ったWEB配信セミナー受講の手順】
１）Zoomを使用されたことがない方は、
こちらからミーティング用Zoomクライアントを
ダウンロードしてください。ダウンロードできない方はブラウザ版でも受講可能です。
２）
セミナー前日までに必ず動作確認をお願いします。Zoom WEBセミナーのはじめかたに
ついては
こちらをご覧ください。
３）開催日直前にWEBセミナーへの招待メールをお送りいたします。当日のセミナー開始
10分前までに招待メールに記載されている視聴用URLよりWEB配信セミナーにご参加
ください。
・セミナー資料は開催前日までにお送りいたします。
無断転載、二次利用や講義の録音、録画などの行為を固く禁じます。
人工知能や機械学習の業務へ利用／改善／信頼性向上などに関心がおありの方々
・対象とするデータに合ったAIの選び方
・AIを「使う」だけでなく「改良する」ことができる人材の育成方法
・深層学習の効率化のための手法
・信頼できるAIをつくるために必要な「説明可能AI（XAI）」
・複雑かつ高度な業務へのAI導入のコツ
企業では現在、主として文書の作成業務にLLMなどのAIを有効活用する動きが盛んであり、一定の成果を挙げつつあります。一方、製造業の企業では、人やロボットが行っている部品の組み立て・溶接や製品の欠陥検査処理などのさらなる効率化が求められていますが、それらはLLMを用いるだけでは解決できません。これらの業務のAIによる効率化には、ロボットがあまり関わらない部分にも次に示すように多くの課題があります：
（1）最適な学習方法の選択：対象とするデータの学習に適した機械学習法を選択する問題。
（2）データの収集と洗練化：データが少ない／データにノイズがある場合などの措置。
（3）市販ソフト／オープンソースソフト：必要な性能が出ない場合の対策。
（4） 深層学習の改良・改善：AIを「使える」から「作る」人材の育成方法。
（5）深層回路の小型化と最適化：性能を落とさずに構造を最適化する方法。
（6）AIの説明性向上：AIを信頼できるものにするための「説明可能AI（XAI）」。
（7） AIの高度利用：解が１つではない意思決定など高度な処理にAIを適用する方法。
本セミナーでは、これらの課題を解決するための方法について、「説明可能AI入門」（コロナ社）の著者である講師が平易に解説します。「AIを既に使っているが精度が上がらなくて困っている」、「処理対象が変わるたびに作り直しが必要でコストがかかる」、「AIの説明性が低くて信頼して利用できない」、「より高度な判断を含む業務にAIを利用したい」などの悩みをおもちの方はぜひご参加下さい。
１．人工知能(AI)と機械学習の現状と課題
1.1 人工知能(AI)と機械学習：考え方とアプローチの推移．
1.2 深層学習(ディープラーニング)概論：基本的な考え方、長所・短所、課題．
1.3 生成系AI・LLM・説明可能AI(XAI)：基本的な手法と考え方
２．最適な学習方法の選択
2.1 機械学習法の種類と特性：各手法の特徴と適用可能範囲など
2.2 対象データに適した学習法の選択：基本的な考え方、選択方法の例
2.3 AutoMLの現状と課題：分野の目標、現状と課題
３．データの収集と洗練化：異常検知
3.1 データが少ない場合の問題：クラス分類における問題の本質
3.2 データの補正と洗練化：欠落データの補間などの前処理
3.3 オートエンコーダ(AE)の利用：正常データの学習による異常検知
3.4 データの水増し方法：シミュレータ・CG・生成AIの利用
４．市販ソフト／オープンソースソフト
4.1 利用可能なソフトウェアの例：事例などの紹介と利用の際の課題
4.2 出力の評価とソフトの特徴の解析：長所・短所・特徴の分析
4.3 入力データの加工による精度向上：入力の削減・最適化、前処理の改善
4.4 他の手法との併用：相補的な利用による精度・信頼性向上
５．深層学習の小型化と最適化
5.1 回路構造の最適化：量子化とPruning化などの基礎手法
5.2 学習の効率化：自己教師あり学習、転移学習と蒸留
5.3 進化計算による構造最適化：原理と方法、事例、NASなど
5.4 浸透学習法(PLM)による入力の最適化：PLMの原理、入力変数の最小化
5.5 素子の改良によるエッジ化：しきい素子以外の利用など
６．AIの説明性向上
6.1 説明可能AI(XAI)とは：XAIの必要性と意義
6.2 説明可能AIの手法：代表的な方法について
７．AIの高度利用
7.1 複数のAIの利用：多様性のある出力の利用方法
7.2 人とAIの協働・共生に向けて：人が信頼できるAIの利用方法とは
８．まとめ・AIよろず相談コーナー
ディープラーニング,AI,人工知能,Deep Learning,WEBセミナー,オンライン
