目指したいん自分があるのにそれに向かう努力をしない・・・ついさぼってしまうというのは自分で自分を裏切っているということなんだ。
「努力は裏切らない」っていうけど、逆にそれをしないってことは自分で自分を裏切っているということなんだ。
がんばらなきゃ。
目指したいん自分があるのにそれに向かう努力をしない・・・ついさぼってしまうというのは自分で自分を裏切っているということなんだ。
「努力は裏切らない」っていうけど、逆にそれをしないってことは自分で自分を裏切っているということなんだ。
がんばらなきゃ。
「LGBT」って言葉がかなりメジャーになってきたと思ったら、「Q」が増えて、「LGBTQ」なんですね・・。
雑誌 ”COURRiER 5・6 2023” の特集が「カラダの新常識」。
面白かったので、ポイントをピックアップしてみました。
詳細は、ぜひ本文にて!
座りすぎは寿命を縮める?
朝型・夜型は遺伝で決まる?
サウナは本当に体にいい?
セックスは運動になるの?
水をたくさん飲むと健康になる?
16時間の断食に効果はない?
さて、、この答えは????
(AIがもたらす脅威について岡本太郎風に生成した画像:提供 DALL·E)
第7回 AI・人工知能 EXPO【春】を見てきました。コロナ後の開催ということもあり、出展企業は思ったほど多くなく古豪はあまりなかった印象でした。どこもかしこもキーワードは「生成AI」とか「ChatGPT」でそれさえ出していれば足を止めてもらえるというような感じでした。
さて、ChatGPTがこのあとどのようにビジネスに展開されるかについて考えるところを書いていきます。
著者:高柳 慎一, 長田怜士
監修:株式会社ホクソエム
予測精度0.001%の改善をビジネスの成果に!
「評価指標でXXXという最高のスコアが出た!」と喜び勇んで、機械学習モデルが出力してくる予測結果をもとにビジネスを運用したとします。 ところが、ビジネス上のKPIと相関が高い評価指標を選んでいなかったために、KPIの推移を見てみると大した変化がありませんでした。 あるいは「毎日夜遅くまで残業をして、特徴量生成とクロスバリデーションによって評価指標を改善しました!」というデータサイエンティストがいたとします。ところが、KPIの改善のためには そこまで高い評価指標の値を達成する必要ありませんでした。このようなケースでは、データサイエンティストが費やした工数がすべて水の泡となってしまいます。———-(はじめにより)———- このような状況が起きてしまう背景にはさまざまな原因が考えられますが、あえて一言で言うと「データサイエンスの問題が解くべきビジネスの問題と乖離していた」ためです。 機械学習モデルの”良し悪し”を決めるときには、評価指標(Evaluation Metrics)を必要とします。本質的に評価指標の設計方法は自由であり、ビジネス上の価値を考慮して自ら作成することも可能です。RMSEやAUCといったスタンダードなものから、ドメインに特化した数値まで、あらゆる指標が評価指標になりえます。では評価指標はどのように決めるのが良いのでしょうか。また、どのように決めれば冒頭のような悲しい状況を生まずに済むのでしょうか。 本書はこれらの疑問に答えるため、機械学習の良し悪しを決める評価指標を軸に、解くべきビジネスの問題をどうやってデータサイエンスの問題に落とし込むのか、その原理を解説していきます。この原理が普遍的なものであれば、ビジネスがどんなものであっても応用できると考えることができます。 回帰、分類で使用するスタンダードな評価指標についても、基本から丁寧に解説します。本書を読むことで、どのようなケースでどの評価指標を選ぶべきかがわかり、評価指標の読み間違いを避けることができます。 |
著者:齋藤 優太, 安井 翔太
監修:株式会社ホクソエム
(概要) 予測に基づいた広告配信や商品推薦など、ビジネス施策の個別化や高性能化のために機械学習を利用することが一般的になってきています。その一方で、多くの機械学習エンジニアやデータサイエンティストが、手元のデータに対して良い精度を発揮する予測モデルを得たにもかかわらず、実際のビジネス現場では望ましい結果を得られないという厄介で不可解な現象に直面しています。実はこの問題は、機械学習の実践において本来必要なはずのステップを無視してしまうことに起因すると考えられます。機械学習を用いてビジネス施策をデザインする際に本来踏むべき手順を無視して予測精度の改善だけを追い求めると、「解くべき問題の誤設定」や「バイアス」といった落とし穴に気づかぬうちにハマってしまうのです。 この問題を解決するためには、機械学習のビジネス応用において必要となる前提条件を着実にクリアしなくてはなりません。しかし多くの現場では、「学習」や「予測精度」などに関する手法やテクニックのみに注目してしまう傾向があり、「機械学習にどのような問題を解かせるべきなのか」「実環境と観測データの間の乖離(バイアス)の問題にどのように対処すべきか」といった効果的なビジネス施策をデザインするために重要な観点が軽視されがちです。機械学習をビジネス施策に活かすための前提が整えられていないにもかかわらず、発展知識を身に付けたり論文の内容をそのまま実装したところで、望ましい結果を継続的に得ることは難しいのです。 本書では、ビジネス施策を自らの手で導くために必要な汎用的な考え方を身につけることを目指します。そのため本書ではまず、機械学習をビジネス現場で活用する際に本来踏まねばならないステップを明文化した汎用フレームワークを導入します。そしてその汎用フレームワークを活用しながら、効果的な施策を自らの手で導出する「施策デザイン」の流れを繰り返し体験します。これまで軽視されてきた「機械学習の威力を担保するために必要な前提のステップ」をフレームワークとして明文化し、データから施策を導くプロセスを自らデザインするという斬新なコンセプトで、ビジネスにおける変幻自在/臨機応変な機械学習の応用を可能にすることが、本書の最終目標です。(こんな方におすすめ) ・ 機械学習エンジニア ・ データサイエンティスト ・機械学習エンジニア、データサイエンティスト職を志望する学生(目次) 1章 機械学習実践のためのフレームワーク 1.1 機械学習の実践に潜む落とし穴 1.2 機械学習実践のためのフレームワーク 1.3 本章のまとめ 1.4 参考文献 2章 機械学習実践のための基礎技術 2.1 正確な予測を導く 2.2 高性能な意思決定を導く 2.3 Open Bandit Pipelineを用いた実装 2.4 本章のまとめと発展的な内容の紹介 2.5 参考文献 3章 Explicit Feedbackを用いた推薦システム構築の実践 3.1:Explicit Feedbackを用いた推薦システムの構築 3.2 推薦システムの標準的な定式化と手法 3.3 推薦システムに潜むバイアスの問題 3.4 フレームワークに則った推薦システム構築手順の導出 3.5 Pythonによる実装とYahoo! R3データを用いた性能検証 3.6 本章のまとめと発展的な内容の紹介 3.7 参考文献 4章 Implicit Feedbackを用いた推薦システムの構築 4.1 標準的なランキング学習の枠組み 4.2 フレームワークに則ったランキングシステムの学習 4.3 PyTorchを用いた実装と簡易実験 4.4 本章のまとめと発展的な内容の紹介 4.5 次章に向けて 4.6 省略した計算過程 4.7 参考文献 5章 因果効果を考慮したランキングシステムの構築 5.1:本章で扱う発展的な話題 5.2 推薦枠経由で観測される目的変数を最大化する 5.3 プラットフォーム全体で観測される目的変数を最大化する 5.5 本章のまとめと発展的な内容の紹介 5.6 参考文献 付録A 演習問題 |