説明可能AI入門―人とAIが共存する未来に向けて [単行本]

説明可能AI入門―人とAIが共存する未来に向けて の 商品概要

• 目次

  〈第1部：人工知能と機械学習〉
  
  1．人工知能と機械学習
  1.1　人工知能の概論　
  　1.1.1　人工知能とは何か　
  　1.1.2　定式化された問題の解法　
  　1.1.3　人工知能のアプローチの変遷　
  　1.1.4　人工知能の解法の例　
  1.2　機械学習の概要　
  　1.2.1　機械学習とは何か　
  　1.2.2　事例ベース学習と説明ベース学習　
  1.3　人工知能の課題　
  演習問題
  
  2．機械学習の方法
  2.1　機械学習の概論　
  　2.1.1　機械学習の目的　
  　2.1.2　機械学習の種類と特徴　
  　2.1.3　特徴空間　
  2.2　教師あり学習法　
  　2.2.1　教師あり学習の課題　
  　2.2.2　サポートベクタマシン　
  　2.2.3　決定木　
  　2.2.4　ブースティング　
  　2.2.5　ランダムフォレスト　
  2.3　教師なし学習法　
  　2.3.1　教師なし学習の課題　
  　2.3.2　k-平均法　
  　2.3.3　自己組織化マップ　
  2.4　半教師あり学習法　
  　2.4.1　半教師あり学習の課題　
  　2.4.2　基礎的な手法　
  演習問題
  
  3．ニューラルネットワークと深層学習
  3.1　ニューラルネットワークの概論　
  　3.1.1　神経細胞と回路網のモデル化　
  　3.1.2　相互結合型NN　
  　3.1.3　階層型NNの原理　
  　3.1.4　階層型NNの学習の特徴　
  　3.1.5　時系列信号向けの階層型NN　
  3.2　深層学習の原理と特徴　
  　3.2.1　多層化技術　
  　3.2.2　深層学習の長所・短所　
  　3.2.3　深層学習の応用例　
  3.3　深層学習の最近の手法　
  　3.2.1　生成AIの手法　
  　3.2.2　大規模言語モデルとトランスフォーマ　
  演習問題
  
  4．説明可能AIとは
  4.1　人による理解について　
  　4.1.1　人が物事を理解・納得するということ　
  　4.1.2　感性の工学的な取り扱いについて　
  　4.1.3　他分野での関連話題　
  4.2　説明可能AI　
  　4.2.1　説明可能AIの定義　
  　4.2.2　説明可能AIの意義と必要性　
  　4.2.3　説明可能AIから共進化AIへ　
  4.3　説明性・精度から見た機械学習の分類　
  　4.3.1　基本的な考え方　
  　4.3.2　ブラックボックス系機械学習の説明性向上　
  　4.3.3　グレー・ホワイトボックス系機械学習の精度向上　
  演習問題
  
  〈第2部：深層回路の説明可能AI〉
  
  5．特徴量・内部状態の可視化
  5.1　深層回路の特徴量の可視化　
  　5.1.1　深層回路における特徴量生成　
  　5.1.2　深層回路の内部状態の可視化　
  　5.1.3　内部状態の可視化手法の例　
  5.2　特徴空間に基づくデータ解析　
  　5.2.1　入力データの特徴解析　
  　5.2.2　オートエンコーダやCAEを用いた異常検知　
  5.3　特徴空間を用いた学習データの水増し　
  　5.3.1　特徴空間の理解　
  　5.3.2　CGによる水増しと特徴空間を用いた画質変換　
  演習問題
  
  6．判断根拠の可視化
  6.1　入力変数・特徴量の重要度解析　
  　6.1.1　入力変数・特徴量の重要度について　
  　6.1.2　相関係数に基づく重要度　
  　6.1.3　決定木における属性の重要度　
  　6.1.4　LIME　
  　6.1.5　SHAP　
  6.2　画像認識の判断根拠の可視化　
  　6.2.1　サリエンシーマップとアテンション　
  　6.2.2　CAM・Grad-CAMなど　
  　6.2.3　GCM　
  　6.2.4　画像の判断根拠領域の可視化の評価方法　
  6.3　時系列信号の判断根拠の可視化　
  　6.3.1　時系列信号の分類タスク　
  　6.3.2　シェープレッツを用いた判断根拠の説明　
  　6.3.3　CFを用いた判断根拠の説明　
  演習問題
  
  7．回路構造の軽量化・最適化
  7.1　基礎的な軽量化手法　
  　7.1.1　基本的な考え方　
  　7.1.2　プルーニング　
  　7.1.3　結合荷重の量子化の検討　
  7.2　深層回路の構造と結合荷重の最適化　
  　7.2.1　最適化問題としての深層回路の学習　
  　7.2.2　確率緩和と連続緩和　
  7.3　進化計算法による構造最適化　
  　7.3.1　進化計算法によるニューラルネットワークの最適化　
  　7.3.2　深層回路の構造最適化　
  　7.3.3　NAS　
  7.4　深層回路の線形和への構造変換　
  　7.4.1　NAM　
  　7.4.2　特徴選択付きNAM　
  　7.4.3　線形回路化による機序の説明　
  演習問題
  
  8．知識の転用・流用・代替
  8.1　転移学習と蒸留　
  　8.1.1　ニューラルネットワークや深層回路における「知識」とは　
  　8.1.2　転移学習　
  　8.1.3　知識蒸留　
  8.2　入力情報の代替と浸透学習法　
  　8.2.1　浸透学習法の基本的な考え方　
  　8.2.2　関連する入力情報の代替技術　
  　8.2.3　浸透学習法の原理と方法　
  8.3　浸透学習法の応用　
  　8.3.1　時系列信号の将来変動予測　
  　8.3.2　入力変数の究極の削減　
  演習問題
  
  〈第3部：深層回路以外の機械学習の改善〉
  
  9．特徴量の最適化と機序の説明
  9.1　機械学習モデルの選択と改善　
  　9.1.1　機械学習モデルの選択方法　
  　9.1.2　少数データに対する機械学習　
  9.2　サポートベクタマシンなどの特徴量の最適化　
  　9.2.1　教師あり学習における特徴量　
  　9.2.2　進化計算法による特徴量の最適化　
  　9.2.3　前処理の最適化による特徴量の改善　
  9.3　決定木の機序の説明　
  　9.3.1　決定木の説明性について　
  　9.3.2　決定木やEDENの機序の言葉による説明　
  演習問題
  
  10．処理の自動構築
  10.1　アルゴリズムやプログラムの自動生成　
  　10.1.1　基本的な考え方　
  　10.1.2　自動プログラミングの研究分野　
  10.2　進化計算法を用いた処理やプログラムの自動構築　
  　10.2.1　進化計算法を用いた処理の自動構築　
  　10.2.2　進化計算法を用いたプログラムの自動構築　
  　10.2.3　遺伝的アルゴリズムによる処理の自動構築　
  　10.2.4　遺伝的プログラミングによる処理の自動構築　
  10.3　処理の自動構築の今後　
  　10.3.1　生成AIによるプログラムの自動生成の今後について　
  　10.3.2　最適化によるプログラムの自動生成の今後について　
  演習問題
  
  〈第4部：人工知能と説明可能AIの今後の展望〉
  
  11．生成AIの説明性について
  11.1　生成AIの説明性向上に必要な技術　
  　11.1.1　求められる解析技術　
  　11.1.2　必要な解析技術に関する補足説明　
  11.2　画像系生成AIの説明性　
  　11.2.1　画像系生成AIの原理と特徴　
  　11.2.2　画像系生成AIの説明性について　
  　11.2.3　画像系生成AIの有効な利用方法　
  11.3　テキスト系生成AIや大規模言語モデルの説明性　
  　11.3.1　言語モデルと大規模言語モデル　
  　11.3.2　テキスト系生成AIの説明性について　
  　11.3.3　テキスト系生成AIの有効な利用方法　
  演習問題
  
  12．人工知能と説明可能AIの今後の展望
  12.1　人工知能の今後の展望　
  　12.1.1　事例ベース学習の効率化・自動化　
  　12.1.2　事例ベース学習から説明ベース学習へ　
  　12.1.3　ニューラルネットワークの進化　
  　12.1.4　人工知能の集団化による機能の拡張　
  12.2　説明可能AIの今後の展望　
  　12.2.1　人による人工知能の教育　
  　12.2.2　「人工脳科学」の必要性について　
  　12.2.3　八百万AIとは？　
  演習問題
  
  付録　進化計算法の概要
  A.1　進化計算法の基礎　
  　A.1.1　基本的な考え方と発展の経緯　
  　A.1.2　例題による進化計算法の原理の理解　
  　A.1.3　遺伝的アルゴリズム　
  A.2　進化計算法のさまざまな手法　
  　A.2.1　遺伝的プログラミングとCGP　
  　A.2.2　進化型多目的最適化　
  　A.2.3　進化計算法と機械学習　
  　A.2.4　進化計算法の今後について　
  
  引用・参考文献
  演習問題解答例
  索引

• 出版社からのコメント

  人とAIが共存する未来のために必要な技術「説明可能AI」について，わかりやすく解説。

• 内容紹介

  著者はこれまでに、特に企業との共同研究や技術相談において、深層学習などのブラックボックス系機械学習の人への説明の必要性・重要性を認識し、それらの解決方法について研究してきました。また、説明可能AI（XAI）に関する技術セミナーや講演をこれまでに何度も担当してきました。この度、本書を執筆する機会を得て、どのような内容にするべきかについて考えました。
  
  ご存じのように、昨今のAIは進展が非常に速く、最新の手法もすぐに陳腐化してしまうため、最新情報をご紹介するだけのような内容は、増刷のときにだけ内容を更新できる書籍という媒体では難しいと感じました。また、逆に、ときを経てもあまり変わらない基礎数学・理論、普遍的な方法などについては、AIの分野でもこれまでに多くの良書が出版されてきています。そこで本書は、出版社の方々ともご相談の上、「説明可能AI（XAI）」について、陳腐化しない基本的な考え方と重要な手法をご紹介するとともに、AIの基礎や関連テーマ、生成AIやLLMなどの最近の話題も入れて、AIの入門書・参考図書としてご利用いただけるようにしました。そして、「AIを作る立場の方」だけでなく、ご専門はAIではないがAIやXAI、人とAIの関わり方にご関心をおもちの「AIを利用する立場の方」にも広く読んでいただけるようにしました。
  
  解説する内容にも独自性が出るように心がけました。一般に「説明可能AI（XAI）」は「深層学習などのブラックボックス系機械学習の判断根拠や機序を人が分かるように説明する分野」とされています。一方、サポートベクタマシンや決定木など、人が理解し易いグレーボックス／ホワイトボックス系機械学習の精度が深層学習と同じくらい高精度になれば、そもそも膨大な学習用データを必要とする深層学習を利用する必要がなくなります。そこで著者は、XAIを「AIの説明性かつ／または精度を高めることで、人がAIを信頼して利用できるようにする技術」と通常より少し広くとらえて、関連する話題とともに本書にまとめました。
  
  大学や専門学校などでの基礎的な講義の教科書・副読本、あるいは研究室やゼミなどでの参考書としてご利用し易いような構成にするとともに、各章に演習問題と参考文献を入れています。本書は、情報系以外の理系の研究者や技術者の方々はもちろん、いわゆる文系のゼミや職場における副読本としてもご利用頂けるのではないかと思っています。
  
  本書が、学校や職場、グループなど様々な場面でAIやXAI、人とAIの関わり方などを議論する際の「きっかけ」や、何かのご参考になれば幸いです。
  
  【キーワード】
  説明可能AI，説明可能なAI，XAI
  
  図書館選書
  本書は「利用者の立場になってAIを考える」をコンセプトに，人にAIの考え方を理解してもらうことを目指す説明可能AI，人とAIをともに進化させることを目指す共進化AI（CAI）やAIの将来展望に力点を置いて解説。

• 著者紹介（「BOOK著者紹介情報」より）（本データはこの書籍が刊行された当時に掲載されていたものです）

  長尾 智晴(ナガオ トモハル)
  東京工業大学（現　東京科学大学）大学院総合理工学研究科出身、工学博士、東京工業大学助手、助教授を経て横浜国立大学教授、現在は横浜国立大学総合学術高等研究院上席特別教授（特任教授）、名誉教授。ＹＮＵ人工知能研究拠点長、横浜国立大学発ベンチャー　株式会社マシンインテリジェンス取締役ＣＴＯ兼務

説明可能AI入門―人とAIが共存する未来に向けて の商品スペック