AI開発しくじり先生から学ぼう「失敗しないAI開発の秘訣となる仮説とは？」
- 2. 自己紹介 ディップ株式会社 次世代事業準備室 dip AI.Lab シニアマネジャー AINOW編集長 HCD-NET認定 人間中心設計専門家 ・新規事業開発・インフラエンジニア ・プログラマー ・UXディレクター ・プロダクトオーナー・RPA推進
- 12. PoCの前に大事な事がある
- 21. AINOWのご紹介
- 26. 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
- 28. 今回の失敗を振り返ってみた
- 33. 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
- 34. 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
- 36. 試しにエクセルで同じ条件でリストを作ってみた ※モデル生成時に用いた特徴を自ら作成 （エリア ✕ 職種 ✕ 応募数 ✕ 競合掲載情報）
- 37. ここならコールしてみたい！
- 38. AIとか分析すらいらないじゃん
- 39. 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
- 49. 結論 → 事実 → 事象 事象 → 因果 → 結論 現実 → 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
- 61. 2. 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。
- 62. 3. 3つの推論法によって立案と検証を俯瞰して考える アブダクションにより 仮説を立案する 演繹法により 仮説検証を行う 帰納法により 検証結果を評価/学習する 顧客の発見 繰り返す事で仮説が確証へ
- 68. 失敗と仮説生成をもっと研究していきたい 仮説立案はアート的と言われるが、科学的に説明ができるはず 検証の方法だけでなく、立案についてももっと事例をオープンに 仮説立案 仮説検証 アブダクション 演繹法
- 71. Thank You