11月 Machine Learning15 「確証バイアスによる仮説生成に注意するとAI開発は上手くいく」
Download as PPTX, PDF3 likes1,678 views
11/25に開催されたMachine Learning15で登壇した時の資料です。リーンスタートアップ的アプローチとAI開発（データ分析）の共通点と確証バイアスを疑う事で得られる仮説生成について話しています。
11月 Machine Learning15 「確証バイアスによる仮説生成に注意するとAI開発は上手くいく」
- 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…） サーバ/NW/DB構築 インフラエンジニアを3年くらい AIサービスのプロダクトオーナー、メディア編集長、AI人材の採 用 iOSアプリの企画立案とPM業務を2年
- 8. AINOWのご紹介
- 9. AINOWのご紹介
- 14. 今日は AI × Service 開発の話
- 22. 顧客開発モデルを意識して検証を実施 https://www.slideshare.net/i2key/devlove-devkan 参照: Itsuki Kuroda 「リーンスタートアップと顧客開発とアジャイル開発を一気通貫するッ」@リンスタ関ヶ原
- 24. 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 データサイエンス系のプロジェクトステップ例
- 29. 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 データ価値確認 分析 仮説② 仮説③ データ分析における仮説パターン
- 30. 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 データ価値確認 分析 仮説② 仮説③ データ分析における仮説パターン
- 32. 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 データ価値確認 分析 仮説② 仮説③ 仮説パターンの正解
- 37. 結論 → 理由 → 事象 事象 → 事象 → 結論 現象 → 事象 → 仮説 演繹法 帰納法 アブダクション （仮説生成） 改めて論理的思考法の振り返り
- 44. 1. MVP Canvasを作成する 仮説は何か 仮説から何を学ぶのか 何を作って どうやってMVPを検証するのかどんなMVPか 検証に必要な データ 検証コスト 検証時間 生じるリスク 仮説から得られたこと、学び
- 46. 3. 仮説を選ぶ時に気をつけたい4つの基準 仮説を検証することで１番大きな成果が得られるものを整理する 【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。
- 49. 本日のまとめ
- 57. Thank You