From:山極綾子
先週まで、「データの見方が分からないとか言ってなかった？」
あれ？その手法、この前案出ししたものじゃなかった？もう実装終わったの？
なんですって？提案手法の精度、他の手法に勝ってるの！？
私が所属している研究室では、
全体のゼミとは別に各学年2人程度が所属する「サブゼミ」という制度があります。
そしてその中では、学部4年生の卒論について、博士課程にいる私も含め、
先輩皆で一致団結して研究を進めていきます。
毎週サブゼミを実施しているのですが、その中で持ってきてくれる進捗が、
本当に怖いのです。
まんじゅうこわい的な話ではありません。
確かに、進捗を持ってきてくれると、その日のサブゼミが有意義になりますし、
とっても有難いのですが。
本当に早すぎて、びっくりします。
とても刺激的です。
「後輩がこんなに頑張ってるんだから、私も…」という気分にさせられます。
私が大学院に戻るとき、求めていた環境そのものです。
素敵な後輩に囲まれて、幸せな限りです。
その優秀さは、自分のことがちょっと申し訳なくなるほどです。
「Nさんの研究分野、知識少なくてごめんね…」
「Yくんのモデル、実装手伝えなくてごめんね…」
（気付いたら修士課程の先輩が解決してくれていました）
だからこそ、自分の強みの部分でだけは、彼らの役に何とか立ちたいとも思います。
機械学習でも同じように、何でもできるスーパーマンの様な手法はこの世に存在しません。
例えば、目の前のデータのモデル化と、汎用化（一般的に使えるか？という観点）
という単純な2つの観点からだけでも、
両方に対して最強なモデルは存在しないことが示されています。
例えば精度では叶わなくとも、解釈がしやすいとか、
そういった観点で利点を見出すこともできます。
「解釈可能なAI」という言葉も、最近よく聞くようになりました。
機械学習も人も、それぞれの強みをしっかり活かすことが出来れば、
きっと全体として素晴らしいものが出来るのだろうなあ、と感じさせてくれる出来事でした。
山極綾子
P.S.
解釈可能なAIでよくあるものとしては、
「AIがそのように判断した理由」を教えてくれるものがあります。
シンプルなものでは、どんな変数（背が高い、年齢といったデータの特徴を示すもの）が
判断に影響を与えたのか？を見ることもできます。
ずっと使われている手法としては、主成分分析と呼ばれる手法もまた、
どの変数とどの変数を組み合わせた「主成分」がデータに与える影響が大きい…
といったことがわかるため、解釈に用いることができます。
よくわからないことをしている、と思われがちなAIですが、ひも解けば意外と、
「当たり前」な判断基準を持っているかも、しれません。
P.P.S.
メリークリスマス☆彡 です！
今日も最後まで読んでいただきありがとうございます！
メルマガの感想などありましたら、こちらからお聞かせ下さい。
嬉しく拝見しています。いつもありがとうございます！
↓
https://keieijinjipartnersytube.typeform.com/to/B8JjDrk5
—————————————————————-
【経営人事メールマガジン】
発行責任者： 山極毅（株式会社経営人事パートナーズ）
発行者住所：〒100-0005東京千代田区丸の内1-8-3丸の内トラストタワー本館20F
連絡先：https://keieijinji.co.jp/
メールアドレス： strategic-membership-program■■keieijinji.co.jp(■■を@に置き換えてください)
—————————————————————-
↓バックナンバーはこちら↓
PC: https://04auto.biz/brd/BackNumber.htm?acc=keieijinji&bid=3
スマホ・ガラケー: https://04auto.biz/brd/BNMobi.htm?a=keieijinji&b=3
↓メルマガの新規登録はこちらから↓
PC: https://48auto.biz/keieijinji/touroku/scenario13.htm
スマホ: https://48auto.biz/keieijinji/touroku/sp/scenario13.htm
ガラケー: https://48auto.biz/keieijinji/touroku/sp/scenario13.htm
