自動機械学習で提供するパラメーターと条件を使用して Azure Machine Learning がモデルを自動的に生成する方法について説明します。

このセクションでは、一般的な機械学習ワークフローについて説明し、Amazon でこれらのタスクをどのように達成するかを要約します SageMaker。

序章：動いて使えるAIを作る 「どうすればAIを上手く活用できるのか？」実務家の皆様が日々悩まれている問いではないでしょうか。新たにDX担当や新規事業担当に任命されてAI活用を丸投げされ途方に暮れている方もいると思います。 私は新卒から14年間外資コンサルティングファームに在籍していましたが、様々なクライアントでその様な場面を目の当たりにしてきました。 デジタル/AIの重要性には誰からも異論が出ず「AIをレバレッジする」「AI中心のアーキテクチャの実現」「AIと人間の協働」・・・という類のコンセプトはたくさん上がるが具体化が一向に進まない、というケースです。 私は最後は戦略部門

文系ビジネスパーソンが抑えるべきAI用語を厳選し、できるだけわかりやすく解説していく。AIの専門書などで難解なAI用語群に一度は心折れた方でも安心いただけるよう、 “出る順”と称し文系マーケターにとって必要な用語を解説図と共にお伝えをしていく。

ビジネスマン向け AI 技術概要解説の資料。Multi-Modal Learning、Ensemble Learning（集合学習）、Transfer Learning（転移学習）、Meta Learning、GAN等の解説スライド含む。 他、関係するAI技術関連の記事はこちらにて執筆： http…

AIが秘めた大きな可能性の裏にはブランドを毀損する大きなリスクが存在します。PwCはガバナンスと規制の遵守を、倫理的かつ説明可能な形を担保しながらAIを活用する支援をします。

DataOpsの成否は、データを届ける側の部門（Data）とデータを活用する側の部門（Ops）の協働がカギを握る。具体的には、「データを活用し業務を改善する」「データ活用で得られた価値や知見をフィードバックしてデータを改善する」というサイクルを、関係部門と担当者の全員が協働しながら高速かつ高品質に回していくことが重要である（図1）。

「AIを使えば何でもできる」という考えに警鐘を鳴らすのがNTTデータ。目的設計こそが肝心だという。データサイエンティストだけでなくコンサルタント、ITエンジニアという体制を持つNTTデータが、最新のAI活用事例などをもとに伝える。

AI開発を円滑に進めるための契約・法務・知財 - Download as a PDF or view online for free

AI業界の事情に詳しいマスクド・アナライズさんが、2019年のAI業界を振り返る。 (1/4)

Hikaru Kashidaです。 僕が誰かというと、2018年時点ではざっくりこういう者です。 Twitter / 取材1 / 取材2 / 取材3 / 登壇1 / 登壇2  ↓ 本書きました。他の共著さんも結構面白いのでよかったらどうぞ ↓ データサイエンティスト養成読本 ビジネス活用編 Software Design plusamzn.to Amazon.co.jpで購入する とても昔に、データサイエンティストの定義について語る文章を書いたことがあるのですが、その内容を少しリメイク&加筆してnoteに載せて

AI開発で人間の関与が減るほど、優秀なAIが出来上がる――。これは歴史に基づく経験則であり、今後も同じことが続くだろう。

近年、AIモデルを手軽に扱える環境が整ってきたこともあり、開発したモデルをシステムに組み込む実用化フェーズへの関心が高まっている。 本記事ではAIプロジェクトのフェーズについて定義し、その中で起こるAI固有の課題について紹介する。

前回は、人間とAIが協働して価値を創出する「ミッシング・ミドル」領域において必要となる人間の役割やスキルセットについて説明しました。今回は、実際に業務プロセスにAIを融合していく上で生じる課題と、その課題を解消しAIを最大限活用するために必要な要素について解説します。

データの収集や可視化のために無闇な投資をしても、データが活用できなければ、組織は成功を再現できず、失敗からも学ぶことができません。このような状況を続ければ、さらなる悪化を招く「Doom Loop（絶望のループ）」に陥ってしまいます。そこで重要になるのが「データリテラシー」です。荻野英希氏による寄稿コラム。

AIの実ビジネス適用には、データを中心としたデータドリブンのエコシステムを形成することが必要不可欠となるだろう。

AI（人工知能）は「作って終わり」ではなく、その後の運用次第で成否が決まると言っても過言ではない。運用時に気を付ける3つのポイントとは。 (4/5)

第6回特許情報シンポジウムでの講演資料です

前回は、機械学習の各種手法について取り扱った。実際に学習するに当たって、以下の手法や考え方がある。学習データの扱い方評価指標機械学習にて手元のデータを学習することで、そのデータの分類、回帰ができるようになるが、重要なのは未知のデータに対しての予測能力である。しかし、機械学習にとっての未知は、人間にとっても