文系ＡＩ人材になる

投稿元：

レビューを見る

ちょうど、著者の登壇イベントで話をきいてその足で書店で購入して読みました。

AIのビジネス活用について、幅広にわかりやすく、具体的な事案が多数あるだけでなく、文系の人がまさにAIを使う具体的な方法がかかれていて、かなり良書だと思います。

投稿元：

レビューを見る

AIで何ができるかを知ることを目的にするなら良本。ただ数年で役に立たなくなりそうな情報。

不満を減らす
不便を減らす
コストを減らす
作業時間を減らす

満足を増やす
便利を増やす
売上を増やす
仕事の付加価値を上げる

投稿元：

レビューを見る

　数式は出てこないし、説明も平易でわかりやすい。本書だけでAI企画力が即座に身につくわけではないが、AIの基礎知識、できること、できないことが理解できた。人とAIとの共存を前向きにとらえる内容で、希望の持てる一冊。

投稿元：

レビューを見る

プログラミングの概念基本とアイディアや課題解決のワークフローが紹介されている。そして、最終章に事例がワークフローを用いながらわかりやすく紹介されている。

投稿元：

レビューを見る

文系的なアプローチでAIの理解を深めることについては、ちょっと期待外れ。様々な事例紹介があるので、もう少し踏み込んで調査してみるべきか。

投稿元：

レビューを見る

文系AI人材の新たな仕事
AI企画、構築、プロマネ、現場導入、利用管理
理系AI人材がやらないすべての仕事をやる

AIと働く力を身につける4ステップ
AIのキホンを丸暗記する、作り方をざっくり理解する、企画力を磨く、事例をとことん知る

AI、機械学習、ディープラーニングの3分類
AIは技術全体、機械学習は特徴を人が定義、ディープラーニングは機械が定義

学習方式の3分類
教師あり学習は、答えがあるデータで学習。分類と回帰の2パターン。
教師なし学習は、答えがないデータで学習。クラスタリング。
強化学習は、あるべき結果を目指して選択と報酬罰を繰り返してよりよい状態を作ること。エージェント、行動と環境。

活用タイプ別の8分類
＝機能別4タイプ×役割別2タイプ
機能別は識別系、予測系、会話系、実行系
役割別は代行型と拡張型

用語集
学習と予測、教師あり学習と教師なし学習、目的変数と説明変数、アルゴリズム、過学習、アノテーション、時系列モデル、データ前処理、PoC(proof of concept)、ニューラルネットワーク、正解率と再現率、適合率、AUC(area under curve)、

AIの作り方
データ作成、学習、予測

投稿元：

レビューを見る

フレームワークはわかりやすいかな。バズワードの匂いは若干するけど。3年後くらいに読み直すと興味深いかも。

投稿元：

レビューを見る

これからのAIは、作る側であるエンジニアに加え、実際のビジネスの場で利用する側も重要である。
内容は読みやすいので、今後訪れるであろう、誰もがAIを使う時代に向けて、私も含む文系人材の意識形成と基礎知識の習得に有用と思う。

投稿元：

レビューを見る

Excelもある程度使えるだけで、当然自分で作れるわけじゃない。「AIはExcelくらい誰もが使うツールへ」という帯に惹かれて購読。

AIについてざっくり俯瞰的に解説してくれているのはありがたい。自分の担当業務から、是非やろう！というアイデアは思い浮かばなかったが、人事関連なら、
・退職予測
・従業員からの問合せ対応
という感じだろうか。

航空業界なら、
・需要予測からのダイナミックプライシング
・同じく、増便・減便検討
・新規就航地の検討
・コールセンターの問合せ対応
とかかな…こちらは折を見て関連部門に聞いてみよう。

投稿元：

レビューを見る

シンギュラリティ問題やAIに仕事や職業が奪われる等のネガティブなイメージがありますが、AIは人間の仕事を助けるツールなんです。

そんなAIをどのように利用していくか丁寧に解説されています。

AIと人間の仕事の分類法「I型」「逆T型」「O型」「T型」「－型」はとてもわかりやすい。

投稿元：

レビューを見る

プログラミングができない自分として、AIとどう付き合っていけばいいのか？少し道筋が立った。
今更プログラミングを学ぶのにもエネルギーがいるし、その技術で何か作り上げられるかというと仕事で使えるレベルのものではないと思っていたけれど、今はGUIベースや構築済みのAIサービスがかなりできてきており、仕組みを理解して上手にそれらを活用する方がよっぽど利用価値が高い。

そう思うとプログラミングそのものではなく、あらゆるサービスにアンテナを張りながら自分の仕事に適したサービスを上手な利用していくことがポイントだと思った。

投稿元：

レビューを見る

これからの本格的なAI社会では、「AIを作る」専門家だけでなく、AIのことをよく理解し、的確に「AIを使う」人材も重要なポジションを担うことになります。

以下メモ。


- [ ] AIはExcelくらい誰もが使うツールとなる。「AIをどう作るか？」よりも、「AIをどう使いこなすのか？」のほうが大きな課題になりつつある。そこで重要になるのが、ビジネスの現場も知っている文系AI人材なのです。
- [ ] (1)AR社会で職を失わないために。(2)文化のためのAIキャリア。(3)AIのキホンは丸暗記で済ます。(4)ARの作り方をザックリ理解する。(5)AI企画力を磨く。(6)AI事例をトコトン知る。業種ばっか×活用タイプ別の45事例。(7)文系AI人材が社会を変える。
- [ ] 「AIを作る」と「AIを使う」は別のもの。これまでのAI人材教育は、AIを「作る」ことにフォーカスされていました。AIを「作る」側の教育環境が充実してきた一方で、AIを「使う」側の教育環境や、人材キャリアをフォローアップする環境はまだまだ整っているとはいえません。
- [ ] 数年前まではAIはほとんどゼロベースからスクラッチで作られていました。しかし、技術やサービスが発達し、必ずしもスクラッチでAIを作らなければいけない時代が終わりました。スクラッチでAIを作る代わりに、次の3つの選択肢が登場したのです。「1.コードベースのAI構築環境で作る」「2.GUIベースのAI構築環境で作る」「構築済みAIサービスを使う」。
- [ ] 上手に活用する「文系AI人材」が重要に。自らAIを作れば、カスタマイズ性は高いですし、AIの精度の追求もできるのですが、作る人材の確保や作ったものを維持するコストが大きくなります。なお、AIを作る場合でも「コードベースのAR構築環境」はカスタマイズ性が高いですが、扱うのが比較的難しく時間がかかります。それに比べて「GUIベースのAI構築環境」のカスタマイズ性はやや落ちますが、簡単で早いのが特徴です。そして、「構築済みAIサービス(すでに作られたAI)」を使う場合は、より簡単になり、導入までの時間も早くなります。また、総コストも多くの場合下がる傾向にあります。一方で、自らARを作るのに比べて、カスタマイズ性は低くなります。
- [ ] このように選択肢が増える中で、利用用途によっての適切な判断が必要になってきており、「AIを作るのか、作るならどこまでカスタマイズするのか、あるいは、自らは作らずに、すでに作られたARを使うのかを判断する能力」が非常に重要となってきているのです。
- [ ] 「AIをうまく使う」人がビジネスを動かす。つまり、ビジネスや業務知識に詳しく、かつAIにも精通した人材がより重宝される時代に入ったのです。
- [ ] 文系AI人材の仕事は、理系AI人材がやらない「すべての仕事」。

- [ ] 「AI企画」はAIをどのように活用するかを考える仕事。「WHO:誰のためのAI？」「WHY:なぜAIが必要？」「WHICH:どのタイプのAI？」「WHAT:どんなAI？」「HOW:どう分業する？」「WHEN:いつまでにどう用意する？」といったAI企画の5W1Hを練る仕事です。ARを作ることを目的にせず、ビジネス課題を解決するするために、あるいは、顧客の不便を解消するために、ARのプランを詳細化し、計画の解像度を上げていきます。
- [ ] 「AIを作る���ロマネ」はプロジェクトマネジメント全般が仕事。「GUIのAI構築環境で作る」は文系AI職でも可能。「構築済みAIサービス選定」でどれを使うのか検討。
- [ ] 「文系AI人材」になるための4つのステップ。「1.AIのキホンを丸暗記する」「2.AIの作り方をザックリ理解する」「3.AI企画力を磨く」「4.AR事例をトコトン知る」。
- [ ] AIのキホンは「AI分類」「AI基礎用語」「AIの仕組み」の3つを理解することで押さえることができます。1つ目は、「AI、機械学習、ディープラーニングの3大分類」、2つ目は「学習方式の3分類」、3つ目は「活用タイプ別のAI8分類」です。


- [ ] 学習方式の3分類。教師あり/教師なし/強化学習。あらかじめ答えが分かるように整理をしてあげたデータによって学習されるのが教師あり学習(答えあり学習)です。さらに、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。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をいいます。AIの自己解釈による集合作りを「クラスタリング」と呼びます。教師なし学習は、どの観点で集合を分けているのが言語化されず、人による解釈が難しい場合があります。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のがおすすめです。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、強化学習は、よい選択を繰り返させるための学習です。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、報酬と罰を与えてながら学習することで最終的にもっともよい状態を作ろうとします。たとえば、「試験問題のある1問を解けるようにする」のが教師あり学習で、「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」のが強化学習である、といえばイメージしやすいでしょうか。そして、強化学習においては、「エージェント」と「行動」と「環境」という考え方があります。「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。


- [ ] 「識別系×代行型AIの活用例」。これまで人間が行ってきた様々な単純作業を担っていきます。例えば「24時間体制で行うNG画像の検閲」「不良品の振り分け作業」「テーマパークでの顔認証による入場」「レジンなし店舗での商品取得の検知」「送電線画像からの状態検出」。
- [ ] 「識別系×拡張型ARの活用例」。人間では行うとことのできない作業を行います。例えば「医療現場における検査精度の向上」「大量の動画から行う情報の自動抽出」。
- [ ] 「予測系×代行型ARの活用例」。データから人が先の予測を行い、判断を下していた作業をARが代行します。例えば「ローンの審査(融資後の取引状況の予測)」「ネットワーク監視」「はつでんしのデータによる異常値検知」。
- [ ] 「予測系×拡張型ARの活用例」。人間が正確には予測し得ない事象や対象について高精度予測を可能にすることになります。例えば「顧客行動予測」「需要予測」「最適販売価格の設定」「コールセンターの呼量予測」「離職者の予測」。AIは多様で複雑なインプットから、的確な予測を出すことがとても得意です。いつどれくらいのお客様が来場するか？いつ何がどれくらい売れるか？こうした需要予測と呼ばれるテーマもAIは非常に力を発揮します。過去の実績データや天気データ、祝日データや関連するイベントのデータなどから、日単位、週間単位、時に月間単位で、来場者数や販売数の予測を人間が行うよりも高精度で実施します。スーパーや複合施設の来場者の予測や、特定商品の販売数の予測をARにより行うことによって、スタッフ配置を適切に行ったり、キャンペーンの企画を練り直したり、商品の仕入れ数を最適にすることができるようになります。「どれくらいの人が何を買うか」が予測できるようになると、最適な価格設定ができるようにもなります。ダイナミックプライスにより利益が最大になる価格をAIが導き出すのです。
- [ ] 「会話系×代行型AIの活用例」。これまで人間が会話を通じて行ってきた仕事をするタイプのARになります。例えば「施設内の会話による案内」「音声による注文の対応」「チャットボットや音声対応によるコールセンター対応」「社内内線電話の取り次ぎ」「対話音声のテキスト化と要約」
- [ ] 「会話系×拡張型AIの活用例」。人がこれまで行えなかった会話にまつわる業務を担ってくれるAI。例えば「専門家の置き換え」「対話による感情分析」「多言語での対応」。
- [ ] 「実行系×代行型AIの活用例」。これまで人が行ってきた何かを動かす行為をAIにより代行していきます。例えば「自動運転士」「工場内作業」「倉庫内作業」「データ入力作業」「ロボットによる店頭案内」。
- [ ] 「実行系×拡張型ARの活用例」。「身体(物体)を動かす」領域において人ができなかったことを実現していくAI。例えば「ドローンのARによる拡張」「自立型機械制御」。

■出る準備でAI基礎用語を丸暗記する。
- [ ] 「学習と予測」「教師あり学習と教師なし学習」「目的変数と説明変数」「アルゴリズム」「過学習」「アノテーション」「時系列モデル」「データ前処理」「PoC」「ニューラルネットワーク」「正解率と再現率・適合率」「AUC」