Ｄａｔａ‐ｃｅｎｔｒｉｃ ＡＩ入門
発売日：2025年1月
- ページ数
- ２６３ｐ
- ISBN
- 978-4-297-14663-4
- 著者情報
- 片岡 裕雄（カタオカ ヒロカツ）
２０１４年慶應義塾大学大学院博士（工学）。２０２４年現在、産業技術総合研究所上級主任研究員、オックスフォード大学Ａｃａｄｅｍｉｃ Ｖｉｓｉｔｏｒおよびｃｖｐａｐｅｒ．ｃｈａｌｌｅｎｇｅ主宰。時空間モデルのベースライン３Ｄ ＲｅｓＮｅｔの研究開発、実データ不要の事前学習法数式ドリブン教師あり学習（Ｆｏｒｍｕｌａ‐Ｄｒｉｖｅｎ Ｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ
ＦＤＳＬ）を提案。２０１９／２０２２年度ＡＩＳＴ Ｂｅｓｔ Ｐａｐｅｒなど
宮澤 一之（ミヤザワ カズユキ）
ＧＯ株式会社にてコンピュータビジョン技術の研究開発や実装を担うチームのリーダーを務める。２０１０年に東北大学にて博士号を取得後、三菱電機株式会社に入社し、映像解析や自動外観検査などの研究開発に携わる。２０１９年より株式会社ディー・エヌ・エーにてモビリティ向けのコンピュータビジョン技術の研究開発およびチームマネジメントに従事し、２０２０年に同社が関わり設立された株式会社Ｍｏｂｉｌｉｔｙ Ｔｅｃｈｎｏｌｏｇｉｅｓに転籍。２０２３年４月にＧＯ株式会社へ商号変更。定期的な勉強会を開催している
齋藤 邦章（サイトウ クニアキ）
ＯＭＲＯＮ ＳＩＮＩＣ Ｘ Ｃｏｒｐｏｒａｔｉｏｎシニアリサーチャー。２０１８年に東京大学情報理工学系研究科創造情報学専攻の修士課程を修了し、アメリカＢｏｓｔｏｎ ＵｎｉｖｅｒｓｉｔｙのＣｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ専攻の博士課程に進学。Ｎｖｉｄｉａ、Ｍｅｔａ、Ｇｏｏｇｌｅでリサーチインターンを経験。大学およびインターン先では、ドメイン適合、半教師付き学習、画像生成、Ｖｉｓｉｏｎ‐Ｌａｎｇｕａｇｅに関する研究を行い、２０２３年に博士号を取得。２０２３年より現職。現在は画像と言語療法にかかわる研究に従事
清野 舜（キヨノ シュン）
ＳＢ Ｉｎｔｕｉｔｉｏｎｓ株式会社シニアリサーチエンジニア。２０２２年に東北大学大学院情報科学研究科博士後期課程を修了し、博士（情報科学）を取得。２０１９年より理化学研究所革新知能統合研究センターにて勤務したのち、２０２２年にＬＩＮＥ株式会社（現：ＬＩＮＥヤフー株式会社）に入社。２０２４年より現職。現在は主に大規模言語モデルの研究開発に従事
小林 滉河（コバヤシ コウガ）
ＳＢ Ｉｎｔｕｉｔｉｏｎｓ株式会社チーフリサーチエンジニア。２０２１年に筑波大学大学院図書館情報メディア研究科修士課程修了。同年よりＬＩＮＥ株式会社（現：ＬＩＮＥヤフー株式会社）に入社。２０２４年より現職にて、大規模言語モデルのファインチューニングに関する研究開発およびチームマネジメントに従事
河原塚 健人（カワハラズカ ケント）
東京大学大学院情報理工学系研究科特任助教。２０１７年に東京大学工学部機械情報工学科を卒業、２０１９年・２０２２年に東京大学大学院情報理工学系研究科知能機械情報学専攻の修士課程・博士課程を修了し、博士（情報理工学）を取得。２０２２年より現職、筋骨格ヒューマノイドの身体設計と制御、深層学習に基づく知能ロボットシステムの研究に従事
鈴木 達哉（スズキ タツヤ）
２０２０年に上智大学大学院理工学研究科を修了後、株式会社ディー・エヌ・エーに入社。現在はＧＯ株式会社へ出向し、コンピュータビジョンに関する研究開発に従事
セブン-イレブン受取り(送料無料)
発送目安
発売日（発売日以降は当日）～2日で発送
宅配（送料¥550税込）
発送目安
発売日（発売日以降は当日）～2日で発送
交通状況・天候の影響や注文が集中した場合等、お届けにお時間をいただく場合がございます。
商品説明
高品質なデータを設計・開発する技術。
Data-centric AIとは、機械学習の権威でありGoogleのAI研究チームを率いたAndrew Ngが2021年に提唱した、モデルよりもデータに主眼を置くというAI開発のアプローチです。過去数十年にわたりAI開発においては、固定されたデータセットに対してニューラルネットワークをはじめとしたモデルを適用し、そのモデルを改善することに関心が寄せられていました。しかし、このモデルを中心としたアプローチでは、データセットへの過度な依存やデータセットが抱える課題への無意味な適合により、実用において期待ほどモデルの性能が改善しないといった問題が指摘されています。そのため近年はモデルを固定したうえで、データ拡張、アノテーションの効率化や一貫性の担保、能動学習といったデータに工夫を加えることによってモデルの性能を向上させるアプローチに注目が集まっています。本書では、Data-centric AIの概要を解説したあとに、画像認識、自然言語処理、ロボットといった分野におけるデータを改善するための具体的なアプローチを解説します。最終章では、企業における実践的な取り組みを紹介します。
目次
まえがき
第1章 Data-centric AIの概要
1.1 Data-centric AIとは
1.1.1 Model-centric AIとData-centric AI
1.1.2 ラベルの一貫性
1.1.3 データセットサイズとデータ品質との関係
1.1.4 MLOpsの役割
1.1.5 ビッグデータからグッドデータへ
1.1.6 まとめ
1.2 データセットのサイズとモデルの性能の関係
1.3 データの品質の重要性
1.3.1 AIシステムにおける品質特性
1.3.2 データの品質が与える影響
1.4 おわりに
第2章 画像データ
2.1 画像認識におけるData-Centric AIとは
2.2 画像認識モデルの基礎知識
2.2.1 代表的な画像認識タスクとデータセット
2.2.2 CNN
2.2.3 ViT
2.2.4 モデルの評価方法
2.2.5 モデルとデータのスケール
2.3 データを拡張、生成する技術
2.3.1 データ拡張とその恩恵
2.3.2 人工的にデータを生成する技術
2.4 不完全なアノテーションからの学習
2.4.1 自己教師学習
2.4.2 半教師付き学習
2.4.3 モデルベースでのアノテーションデータのクリーニング方法
2.5 画像と言語ペアの関係性を学習した基盤モデル
2.5.1 CLIP
2.5.2 BLIP
2.5.3 Data-CentricなVLデータの評価とデータの安全性
2.6 能動学習
2.6.1 予測の不確かさに基づく考え方
2.6.2 多様性に基づく考え方
2.6.3 予測の不確かさとデータの多様性両方に基づく考え方
2.7 おわりに
ほか
商品詳細
- シリーズ名
- ＭＬ Ｓｙｓｔｅｍｓ
- 出版社名
- 技術評論社
- サイズ
- ２１ｃｍ
- 対象年齢
- 一般
- フォーマット
- 単行本
注意事項
- 本の帯に関して
- 帯つきでの出荷はお約束しておりません。
商品ページに、帯のみに付与される特典物等の表記がある場合でも、確実に帯つきでの出荷はお約束しておりません。
また、帯は商品の一部ではなく「広告扱い」のため、帯の有無・破損による交換や返品は承っておりません。 - 版・表紙について
- 版・表紙（カバー）のご指定は承っておりません。ご注文いただくタイミングによっては、お届けする商品の版や表紙が商品ページ上のものとは異なる場合がございます。
また、初版にのみにお付けしている特典（初回特典、初回仕様特典）がある商品は、商品ページに特典の表記がされている場合でも、無くなり次第終了となります。
