ビジネス書 自己啓発本 「本当に役立つ本」 紹介 !

年間300冊以上好きで読んでいますので、アウトプットしようと決意。できるだけ質のいい、活かせる情報を。

「文系AI人材になる」 野口 竜司

スポンサーリンク

「AI」は「Excel」くらい誰もが使うツールになる。

「AI はどう作るか?」よりも、「AI をどう使いこなすのか?」
これからの時代はその方が重要。

帯に書かれていたこの文章が目に留まり、ガッツリ理系の私ですが、AIやIoTについてはいろいろ本を読んだけど、つながっていない知識ばかりが入って頭の中が散らかり放題(笑)。そんな状態なので読んでみました。

まだまだ発展途上の領域だからこそ今学ぶべき!

文系AI人材になる

AI関連の本を色々と読みましたが、「この本を1番か2番目に読めば良かったー」と思いました。今や自分でプログラムを一から書いたり、AIのプログラムを簡単に作成できるツールを使用しなくても、各ITメーカーが既に一般人が使えるAIサービスを公開しているからです。この本の良いところの1つとして、専門用語は必要最低限しか書かれていません!

 

この本には、

改めてAIとは何だ?

どんな種類がるの?

どんな活用の仕方がある?

どんな順番でAIって作っていくの?

どうやってAIツールを使う?

という一番気になる部分や欲しい情報が詰まっていたからです。
事例も45個掲載されています!


私は理系ですが、正直いろいろな本を読んで何となくAIについてはわかっていたつもりでした。。。

が、この本のおかげで、すごく頭の中が整理できました。AIについてこれから会社で使用していくことになりそうなので整理できてよかったです。

 

これからAIについて学ぼうという方には最適な1冊だと思います。もちろん理系の方でもこれから使っていかなきゃっ!と焦りを感じている方にぴったりだと思います。

 

著者は立命館大学政策科学部卒業。自身も「文系AI人材」として、さまざまなAIプロジェクトを推進。AIビジネス推進や企業のAIネイティブ化に力を入れる。大学在学中に京都発ITベンチャーに参画。子会社社長や取締役として、レコメンド・ビックデータ・AI・海外コマースなどの分野で新規事業を立ち上げ、その後、ZOZOグループに。大企業やスタートアップ向けのAI研修やAI推進アドバイザリーも提供している。

 

 

この本のポイントは7つ。

①AI社会で職を失わないためには?

②文系のためのAIキャリアとは?

③AIのキホンは丸暗記で済ます

④AIの作り方をザックリ理解しておく

⑤AIの企画力を磨く

⑥AI事例をトコトン知る

⑦文系AI人材が社会を変える

 

理系の私の感想としては、めちゃめちゃ役立つ!助かった!!でした。
理系でも私は情報系やIT系でもなかったので、ちゃんと学んだことがない。
これから仕事でも必要になってくる。ていうか既に一部ではプロジェクトが進んでいる。そんな私にこの7つはドラゴンボール級でした。
(集めても神龍(シェンロン)は出ません(失笑))

 

 

①AI社会で職を失わないためには?

「AI失職」から解放され、AIを使いこなす「AI職」の道への第1歩を踏み出す。
その第1歩こそが、AIを知ること。

 

何を知るか?

 

「AIとの共働き」をまず知る。

AIとの共働きには5つのスタイルがある。

1:人だけで仕事をする「一型」

2:人の仕事をAIが補助する「T型」

3:人の仕事をAIが拡張する「o型」

4:AIの仕事を人が補助する「逆T型」

5:人の仕事をAIが完全に代行する「I型」

 

文系AI人材になる AIと共働き スタイル

 

多くの業務が「I型」化していくことは間違いない。
今からの行動こそが、「人間とAIの共働き」の時代を安泰に過ごすための唯一の特効薬

 

②文系のためのAIキャリアとは?

AIは「作る」から「使う」へ。

 

スクラッチ※でAIを作る代わりの3つの選択肢。
※スクラッチ:ゼロから新たに作り上げること

a) コードベース(プログラミングで)のAI構築環境で作る

b) GUI※ベースのAI構築環境で作る

GUI:グラフィック ユーザー インターフェースの略で、ドラッグ&ドロップやクリックによって扱う操作画面のこと

c) 構築済みAIサービスを使う

 

もちろん難易度はa→cになるほど易しくなる。

「難」スクラッチで作る → コードベース→ GUI → サービス「簡単」

 

構築済みAIサービスには以下のようなものがある。

・GoogleのAIサービス
・AmazonのAIサービス
・LINE BRAIN
・Azure Cognitives Services(マイクロソフトのサービス)
・Watson API(IBMのサービス)

詳細は図表や事例でわかりやすく紹介されています。

 

〇文系AI人材の仕事内容(理系でももちろんオッケー)

AI企画

AIを作る/GUIで作る/サービスで作る

AIの現場導入

AIの利用・管理
上記の流れの中で、「AI方針・投資の判断」も行う。

 

〇一方ガッツリAI理系の仕事は、

AIを作る、構築する(データ用意、学習、予測)

本番稼働AI、システムの構築

AIシステムの運用管理

 

 

そこで、
「AIと働くチカラを身につける4ステップ」

ステップ1:AIのキホンを丸暗記する

ステップ2:AIの作り方をザックリ理解する

ステップ3:AI企画力を磨く

ステップ4:AI事例をトコトン知る

ここで、この本のポイント7つのうち、4つが登場!

 

 

 

③AIのキホンは丸暗記で済ます

AIのキホンとは?

1:「AI分類」

2:「AI基礎用語」

3:「AIの仕組み」

の3つだけ!

分類・基礎用語・仕組み。はい覚えた。

 

では、まずAI分類について。

AIの分類には3つの角度から分類ができる

 

一つ目、「AI、機械学習、ディープラーニングの3大分類」

二つ目、「学習方式の3分類」

三つ目:「活用タイプのAI8分類」

(あー、増えてきた。でも大丈夫!。簡単です。丸暗記しちゃいましょう)

 

一つ目の「AI、機械学習、ディープラーニング」は、

「食べ物 → くだもの → みかん」

と同じ考え方。

 

つまり、

一番大きい枠組みが「AI」

その中に「機械学習」という分野がある。

そして、その「機械学習」の中に「ディープラーニング」がある。

ただ、それだけです。

 

 

AIとは、

人間と同様の知能を実現させようとする技術

 

機会学習とは、

AIの一種。学習により特定のタスクを実行できるようになるAI。学習にあたっては、主に人が特徴(目の付け所)を定義してあげる

 

ディープラーニングとは、

機械学習の一種。人間の脳の神経細胞(ニューロン)をマネした学習方法から発展。
主にマシンが特徴(目の付け所)を自動で定義する

 

※目の付け所とは:赤鬼と青鬼の識別をさせるなら、目の付け所は「色」ですね。

 

ディープラーニングは、「目」、「口、耳」、「身体」の機能をもつ。
「目」→ 画像・動画識別
「口、耳」→ 自然言語・会話制御
「身体」→ 物体制御

 

現在のAIは、機械学習がメインとなっている。さらにその機械学習の中でもディープラーニングは、AI全体の可能性を拡げた新星といえる。

 

では次!

二つ目の「学習方式の3分類」とは?

 

①教師あり学習

②教師なし学習

③強化学習


(AI関連の本には必ず書かれている内容だ)

 

①教師あり学習とは、

「答えあり」学習と覚える。

 

たとえば、果物の写真を使ってディープラーニングに学習させるとすると。

・りんごの写真

・バナナの写真

・みかんの写真

この3つの写真をとにかくたくさん集める。

りんごの写真は1つ目のフォルダ、バナナの写真は2つ目のフォルダ、みかんの写真は3つ目のフォルダに整理して入れてあげる。

そして、それぞれの写真が何の果物なのか「答え」がわかる状態にしてあげる。

このあらかじめ答えがわかるように整理をしてあげたデータによって学習させるのが、「教師あり学習」(答えあり学習)である。

 

この出来上がったAIモデル(学習によって法則化したものをこう呼ぶ)は、知らない写真を読み込んで、なんの果物かを当てることができるようになる。

 

さらに重要!なことですが、
教師あり学習には、「分類」「回帰」の2つのタイプ
が存在します。

(ふぇ~、いろいろ増える・・・。けど大丈夫!!1つずつ整理しながら覚えれば平気、平気!)

 

 

「分類」タイプとは、

いくつかの答え(選択肢)に対して、どれに適応するかどうか当てること。


・果物の画像から、なんの果物かを当てる
・人の写真から、年齢が何十歳代にあてはまるかを当てる
・車の画像から該当する20種類の車メーカーを当てる など。

 

 

「回帰」タイプとは、

選択肢の中から該当するものを当てにいくのではなく、
数値を当てにいくタイプ。


・果物の画像から、賞味期限を当てる
・車の画像から走行距離を当てる
・人の写真から年齢がジャスト何歳なのかを当てる

 

すごーい! 「回帰」は数値をビンゴ!

 

 

②教師なし学習とは、

「答えなし」学習と覚える。

 

教師なし学習は、正解/不正解などの「答え」がないデータで学習させること

 

どういうこと?

 

たとえば、複数の果物の写真を用意します。
なんの分類も用意もしない。言い換えると答えのないデータを機械学習に渡して学習させます。

その結果、できたAIモデルに、

「3つに分けるとしたら、どんな集合が作れる?」

という問いを投げかけると

「こんな集合にわけることができたよ!」

という出力を返してきます。

 

つまり、「カタチ」で分類したり、「色」で分類したり、あくまで機械の自己解釈による集合づくりになる。 なお、

AIの自己解釈による集合作りを「クラスタリング」と呼ぶ。

 

※機械学習を使い始める際は、できるだけ答えのデータが用意できる状態でスタートし、教師あり学習から始めることを著者はおススメしています。

なんとなく、そらそうだなって思う。

 

 

③強化学習とは、

「よい選択を繰り返させるための」学習

 

・強化学習は、教師あり学習と似ていて「答え」のあるデータで学習をさせる。
しかし、教師あり学習とは異なるアプローチで学習させる

 

教師あり学習が、単一的でシンプルに判断できる「答え」を対象とする学習なのに対して、強化学習は、よい選択を繰り返させるための学習である。

言い換えると、複数の選択の組み合わせにより、結果として出る総合的な「答え」(結果としてのあるべき状態)に導く学習ともいえる。

 

ん? ちょっとややこしい。

 

強化学習では、結果としてのあるべき状態を目指して、
適切な選択を何度も繰り返し、
報酬を与えながら学習することで、
最終的にもっとも良い状態を作ろうとする。

 

もうちょっとわかりやすく。

 

たとえば、「試験問題のある1問を説けるようにする」のが教師あり学習。

「毎日の勉強を適切に行っていき、志望校に合格できるようにする」のが強化学習。

というイメージ。

ここで「報酬」をあてはめると、勉強して「実力がつくこと」。
「罰」は志望校から遠のくこと。

 

強化学習には

・エージェント

・行動

・環境

という考え方がある。

 

「エージェント」は「行動を選択」することで「環境」から報酬を得る。

 

ん?

 

志望校に合格するというあるべき姿を目指す例に置き換えると、、、

 

「受験生(エージェント)は、「勉強を適切に行う(行動を選択)」ことで「受験の世界(環境)」から合格に近づくという報酬を得る。

ということ。

 

なんとなくわかったぞ。もうちょい。

 へたな絵ですが、下のようなイメージです。

強化学習 AI

受験の世界(環境)からプラスの報酬を受け取る、つまり受験における実力がついていくことによって、志望校に合格するという方向に向かわせていく。
このように、結果としてあるべき姿に近づく可能性を最大にするのが強化学習。

また、行動として適切な選択をしなかった場合は、報酬の代わりに罰が与えられ、結果としてのあるべき姿から遠のくことになる。

 

 

★強化学習のアプローチが取られているのは次のようなテーマ。

・自動運転

・ロボットの制御

・囲碁や将棋などのAI

なるほど、全てゴール(あるべき姿)に向かって、行動を選択させている。

 

 

 

 

 三つ目:「活用タイプのAI8分類」とは?

 

活用タイプは8種類もあるのかーと思いますが、大丈夫です。
機能別で4つ、役割別で2つ、この組み合わせなので
4×2で8タイプ。

 

・機能別の4種類とは

①識別系AI  → 見て認識する

②予測系AI  → 考えて予測する

③会話系AI  → 会話する

④実行系AI  → 身体(物体)を動かす

 

・役割別の2種類とは

①代行型   → 人間ができることをAIが代わりにしてくれる

②拡張型   → 人間ができないことをAIによってできるようにする

 

 

AI タイプ

上の〇印のところは、本文に全て詳しく書かれています。

各詳細な事例や活用の方法などが書かれています。

 

冒頭で

AIとの共働きには5つのスタイルがあると書きました。

1:人だけで仕事をする「一型」

2:人の仕事をAIが補助する「T型」

3:人の仕事をAIが拡張する「o型」

4:AIの仕事を人が補助する「逆T型」

5:人の仕事をAIが完全に代行する「I型」

 このうち、2,4,5が代行型。3が拡張型ですね。

 

・文系に必要なAI用語を出る順に丸暗記する

 

出る順のAI基礎用語

①学習と予測

②教師あり学習と教師なし学習

③目的変数と説明変数

④アルゴリズム

⑤過学習

⑥アノテーション

⑦時系列モデル

⑧データ前処理

⑨PoC

⑩ニューラルネットワーク

⑪正解率と再現率・適合率

⑫AUC

 

超簡単に説明すると

①学習と予測

学習はAIにデータを与えて法則性を見出してもらうこと。

予測は推論のことで、AIを使う、AIに予測させること。

 

 

②教師あり学習と教師なし学習

既に書きましたね。

 

 

③目的変数と説明変数

目的変数は、予測したい値。(買い物するかどうかなどの値)

説明変数は予測するための値。(過去の購入履歴とか行動履歴の値)

 

④アルゴリズム

学習の手順や方法論のカタマリ。

 

 

⑤過学習

既知のデータに過剰な最適化をしてしまって、知らないデータでは全然当たらない(予測が当たらない)状態のこと。

過学習を防ぐには、学習データの量を増やして偏り(かたより)をなくすことなど。

 

 

⑥アノテーション

AIに学習させるための答えつきのデータを作成する作業のこと。

 

 

⑦時系列モデル

AIモデルの中でも、「時間の流れの概念をもって学習し、未来の予測をするモデルのこと。」

1か月後に何がどれくらい売れるか?などを予想すること。

 

 

⑧データ前処理

データのクリーニングや各種データ操作を行うこと。

各種データ操作とは、AIがデータの特徴をとらえやすくなるための様々な処理を行うこと。

 

⑨PoC

Proof of Concept の略。

概念実証とか事前の実証実験のこと。

要するに、考えたことを本格的に実行するために、ちょっとやってみること。

 

 

⑩ニューラルネットワーク

ディープラーニングのベースとなる仕組み。

機械学習の中にニューラルネットワークという分野があり、その中にディープラーニングがある。

入力層、隠れ層、出力層に分かれている。

 

 

⑪正解率と再現率・適合率

予測系AIの精度を評価する指標。

 

 

⑫AUC

Area Under Curve の略。

どれくらいバランスよく予測を当てられているかを測る指標のこと。

値は最大が1で、当てずっぽうでも0.5になる。

全体の正解率だけでは判断できない偏りをチェックし、バランスよく当てられているかがAUCによってわかる。

 

④AIの作り方をザックリ理解しておく

 

詳細は本文にお任せするとして、超ザックリ、本当にザックリ言いますと、

①データを作成する

②学習させる

③予測させる

はい、この3つの流れでAIを作ります。

 ①には、学習データの準備と、データの前処理があります。

②には、AIモデルの構築とAIモデルの精度検証があります。

③には、AIモデルの実行と運用、そして再学習があります。

 

この本では、この後、

AI企画力を磨く!と題して、どのように考えればよいAIを活用するアイデアがでるか?その具体的方法やテクニック、フォーマットなどが紹介されています。

これは便利で役立つと思いました。

 

これからの時代、といいますか、既にAIやIoTなど世間ではどんどん進化して活用されていっていますが、決して取り残されないよう勉強していきたいと思います。
そんなAIについて学ぶ最初の1冊、はじめの1歩としては、十分過ぎる内容になっています。既にAIに関して何となく知っている方にもおすすめです。頭の中がスッキリ整理されます。ぜひ興味がある方は読んでほしい本です。

 

アマゾンで詳細を見る

文系AI人材になる: 統計・プログラム知識は不要

 

楽天で詳細を見る

文系AI人材になる 野口 竜司