サイト内で一部広告が表示されます
【0024】AIと社会
学習目標:AIを利活用するための、考えるべき論点や基本となる概念を国内外の議論や事例を参照に理解する
学習項目:
- AIのビジネス活用と法・倫理
AIのビジネス活用においては、AIによる経営課題の解決と利益の創出が期待されます。一方で、法の順守や倫理的な配慮も欠かせません。AIの活用には、ビッグデータ、IoT(Internet of Things)、RPA(Robotic Process Automation)、ブロックチェーンなどの関連技術も密接に関わっています。
詳細キーワード:
- AIによる経営課題の解決と利益の創出:AIを活用することで、業務の効率化や新たな価値の創出が可能になります。
- 法の順守:AIの利活用においては、関連法規を順守し、適切な管理体制を整備することが求められます。
- ビッグデータ:AIの学習に必要な大量のデータを指します。
- IoT(Internet of Things):物理的なモノがインターネットを通じて相互に通信し、データをやり取りすること。AIとの組み合わせで、様々な応用が可能になります。
- RPA(Robotic Process Automation):ルールベースの業務自動化技術。AIと組み合わせることで、より高度な自動化が実現できます。
- ブロックチェーン:分散型台帳技術。AIと組み合わせることで、データの信頼性や安全性を高められます。
AIと社会
G検定では、プライバシー、公平性、説明責任の重要性について理解しておく必要がある。
ビッグデータ、IoT、RPAの概念を把握することが重要。
【0025】AIプロジェクトの進め方
学習目標:AIプロジェクトをどのように進めるか、全体像と各フェーズで注意すべき点などを理解する
学習項目:
- AIプロジェクト進行の全体像
- AIプロジェクトの進め方
- AIを運営すべきかの検討
- AIを運用した場合のプロセスの再設計
- AIシステムの提供方法
- 開発計画の策定
- プロジェクト体制の構築
AIプロジェクトを進める際には、CRISP-DMやMLOpsなどの方法論を参考にすると良いでしょう。AIの導入には、BPR(Business Process Re-engineering)が必要になることもあります。AIシステムの提供方法としては、クラウドやWeb APIの活用が一般的です。プロジェクトの成功には、データサイエンティストを含む適切な体制の構築が欠かせません。また、プライバシー・バイ・デザインの考え方を取り入れ、プライバシー保護を設計段階から組み込むことが推奨されています。
詳細キーワード:
- CRISP-DM(Cross-Industry Standard Process for Data Mining):データマイニングのプロセスを標準化したフレームワーク。
- MLOps(Machine Learning Operations):機械学習モデルの開発・運用を効率化するための手法。
- BPR(Business Process Re-engineering):業務プロセスを根本的に見直し、再設計すること。
- クラウド:インターネット上でコンピューティングリソースを提供するサービス。
- Web API(Application Programming Interface):ソフトウェア同士が通信するためのインターフェース。WebベースのAPIを指します。
- データサイエンティスト:データ分析や機械学習のスキルを持つ専門家。
- プライバシー・バイ・デザイン:システムの設計段階からプライバシー保護を組み込む考え方。
AIプロジェクトの進め方
G検定では、CRISP-DM、MLOpsについて理解しておく必要がある。
AIプロジェクトにおけるデータサイエンティストの重要性を把握することが重要。
【0026】データの収集
学習目標:AIの学習対象となるデータを取得・利用するときに注意すべきことや、データを共有しながら共同開発を進める場合の留意点を理解する
学習項目:
- データの収集方法および利用条件の確認
- 法令に基づくデータ利用条件
- 学習可能なデータの収集
- データセットの偏りによる注意
- 外部の役割と責任を明確にした連携
AIの学習データの収集においては、個人情報保護法をはじめとする関連法規を順守し、適切な利用条件の下でデータを取得・利用することが重要です。オープンデータセットの活用や、転移学習の適用も有効な手段です。データの偏りには注意が必要で、サンプリング・バイアスを避けるための工夫が求められます。他企業や他業種との連携、産学連携、オープン・イノベーションなどを通じてデータを共有し、共同開発を進める場合は、役割と責任を明確にし、適切な契約を締結することが重要です。
詳細キーワード:
- オープンデータセット:自由に利用・再配布できるデータセット。
- 個人情報保護法:個人情報の適正な取り扱いを定めた法律。
- 不正競争防止法:営業秘密の保護などを目的とした法律。
- 著作権法:著作物の利用ルールを定めた法律。
- 特許法:発明の保護と利用を目的とした法律。
- 個別の契約:データの利用条件を個別に取り決める契約。
- データの網羅性:データが対象領域を偏りなくカバーしている度合い。
- 転移学習(Transfer Learning):ある問題で学習したモデルの知識を、別の問題に転用すること。
- サンプリング・バイアス:データの収集方法による偏り。
- 他企業や他業種との連携:異なる企業や業種との協力関係。
- 産学連携:産業界と学術機関との協力関係。
- オープン・イノベーション:外部の知見やリソースを活用したイノベーションの手法。
- AI・データの利用に関する契約ガイドライン:経済産業省が公表したAIやデータの利用に関する契約作成のためのガイドライン。
データの収集
G検定では、データ収集における法的・倫理的配慮の重要性について理解しておく必要がある。
データバイアスへの注意を把握することが重要。
【0027】データの加工・分析・学習
学習目標:集めたデータを加工・分析・学習させるときの注意点を理解する
学習項目:
- データの加工
- プライバシーの配慮
- 開発・学習環境の準備
- アルゴリズムの設計・調整
- アセスメントによる次フェーズ以降の実施の可否検討
データの加工・分析・学習の段階では、プライバシーへの配慮が重要視されています。匿名加工情報の取り扱いや、カメラ画像の利活用に関するガイドラインの順守などが求められます。また、AIの倫理的・法的・社会的な影響(ELSI)についても考慮が必要です。開発・学習環境の準備では、Python、Docker、Jupyter Notebookなどのツールが一般的に使用されます。アルゴリズムの設計・調整では、説明可能AI(XAI)の観点が重視され、AIの意思決定プロセスの透明性確保が求められます。フィルターバブルや公平性(FAT)の問題にも留意が必要です。アセスメントの結果を踏まえ、次フェーズ以降の実施可否を検討することが重要とされています。
詳細キーワード:
- アノテーション:データに対して、ラベルや注釈を付与すること。
- 匿名加工情報:個人情報を加工して、特定の個人を識別できないようにした情報。
- カメラ画像利活用ガイドブック:カメラ画像の適正な利活用のためのガイドブック。
- ELSI(Ethical, Legal and Social Issues):倫理的・法的・社会的な課題。
- ライブラリ:特定の機能を提供するプログラムの集合体。
- Python:AIの開発でよく使われるプログラミング言語。
- Docker:アプリケーションを開発・配布・実行するためのプラットフォーム。
- Jupyter Notebook:対話型のプログラミング環境。
- 説明可能AI(XAI: Explainable AI):AIの意思決定プロセスを人間が理解できるように説明する技術。
- フィルターバブル:ユーザーの好みに合わせて情報が取捨選択され、多様な意見に触れにくくなる現象。
- FAT(Fairness, Accountability, Transparency):公平性、説明責任、透明性。
- PoC(Proof of Concept):概念実証。新しい概念やアイデアの実現可能性を検証すること。
データの加工・分析・学習
G検定では、データ前処理の重要性について理解しておく必要がある。
ELSIへの配慮を把握することが重要。
説明可能AIの重要性の理解を深めておく。
【0028】実装・運用・評価
学習目標:実際にサービスやプロダクトとしてAIシステムを世に出す局面で注意すべきことを理解する
学習項目:
- 本番環境での実装・運用
- 成果物を知的財産として守る
- 利用者・データ保持者の保護
- 悪用へのセキュリティ対策
- 予期しない振る舞いへの対処
- インセンティブの設計と多様な人の巻き込み
AIシステムの実装・運用・評価の段階では、知的財産の保護、利用者・データ保持者の保護、セキュリティ対策が重要です。著作物やデータベースの著作物、営業秘密などの知的財産を適切に管理する必要があります。個人情報の取り扱いにおいては、GDPR(General Data Protection Regulation)などの規制にも留意が必要です。敵対的な攻撃(Adversarial attacks)やディープフェイク、フェイクニュースなどの悪用リスクに対するセキュリティ対策も欠かせません。AIシステムが予期しない振る舞いを示した場合の対処方針も検討しておく必要があります。多様なステークホルダーのニーズを考慮し、適切なインセンティブ設計を行うことも重要です。
詳細キーワード:
- 著作物:人間の思想又は感情を創作的に表現したもの。
- データベースの著作物:素材の選択又は体系的な構成によって創作性を有するデータベース。
- 営業秘密:事業活動に有用な技術上又は営業上の情報であって、秘密として管理されているもの。
- 限定利用データ:公開されていないデータで、利用者が許諾を得てアクセスできるもの。
- オープンデータに関する運用除外:オープンデータの運用において、公開が適切でないとされるデータの除外規定。
- 秘密管理:情報を秘密として管理するための措置。
- 個人情報:生存する個人に関する情報であって、特定の個人を識別できるもの。
- GDPR(General Data Protection Regulation):EU(欧州連合)の個人情報保護規則。
- 十分性制定:個人データの越境移転において、移転先の国や地域が十分なレベルの保護措置を講じているかどうかの評価。
- 敵対的な攻撃(Adversarial attacks):AIモデルを欺くように設計された入力データによる攻撃。
- ディープフェイク:AIを用いて作成された偽の画像や動画。
- フェイクニュース:虚偽の情報を含むニュース。
- アルゴリズムバイアス:アルゴリズムが持つ偏り。
- ステークホルダーのニーズ:AIシステムに関わる様々な立場の人々の要望や期待。
実装・運用・評価
G検定では、AIシステムのセキュリティ対策の重要性について理解しておく必要がある。
GDPRへの配慮を把握することが重要。
ステークホルダー間の調整の重要性の理解を深めておく。
【0029】クライシス・マネジメント
学習目標:AIプロジェクトにおいてコーポレートガバナンスや内部統制、予期せぬことが起きた場合の対応などクライシス・マネジメント(危機管理)に備えることの重要性を理解する
学習項目:
- 体制の整備
- 有事への対応
- 社会と対話・対応のアピール
- 指針の作成と議論の継続
- プロジェクトの計画への反映
AIプロジェクトにおけるクライシス・マネジメントの重要性が強調されています。コーポレートガバナンスや内部統制の体制を整備し、有事への対応策を準備しておくことが求められます。シリアス・ゲームなどを通じて危機対応能力を向上させることも有効です。炎上対策とダイバーシティの観点も重要です。AIと安全保障・軍事技術の関係にも留意が必要です。AIプロジェクトの実施状況を公開し、社会との対話を通じて透明性を確保することが推奨されています。Partnership on AIなどの原則や指針を参考にすることも有益です。運用の改善やシステムの改修を継続的に行い、次の開発につなげていくことが重要とされています。
詳細キーワード:
- コーポレートガバナンス:企業統治。企業の経営を監視・監督するための仕組み。
- 内部統制の更新:組織内部の統制・管理体制を最新の状況に合わせて更新すること。
- シリアス・ゲーム:現実の問題を扱うゲーム。危機管理能力の向上に活用される。
- 炎上対策とダイバーシティ:ソーシャルメディア上での炎上に対応しつつ、多様性を尊重すること。
- AIと安全保障・軍事技術:AIの軍事利用に関する議論。
- 実施状況の公開:AIプロジェクトの進捗状況や結果を公開すること。
- 透明性レポート:企業活動の透明性を確保するための報告書。
- よりどころとする原則や指針:AIの開発・利用において参照すべき原則や指針。
- Partnership on AI:AIの責任ある開発と利用を促進するための団体。
- 運用の改善やシステムの改修:AIシステムの運用やシステム自体を継続的に改善すること。
- 次への開発と循環:現在のプロジェクトの経験を次の開発に活かし、継続的に改善を図ること。
以上が、ディープラーニングの社会実装に向けての学習項目についての詳細な解説になります。
クライシス・マネジメント
G検定では、AIガバナンスの重要性について理解しておく必要がある。
説明責任と透明性の確保を把握することが重要。
ステークホルダーとの継続的な対話の重要性の理解を深めておく。