AI性能を最大化するための設計・評価・改善手法【アーカイブ配信】

～製造業における検査業務などの省力化・効率向上～

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