【講演主旨】

　企業の業務では、学習に用いるデータが少ないために機械学習を利用できなかったり、信頼度が低い方式しか作れなかったりすることがあります。また、異常検知などでは正常例は多数あるが異常例が極めて少ない場合が多いです。さらに、データの取得に多大なコストが必要な場合もあります。このような場合、機械学習の利用をあきらめてしまうことがあり、業務へのAI導入を妨げる大きな要因の一つになっています。　本セミナーでは、そのようにデータが少ない場合でも有効に機械学習を実行する手法について，生成AI・LLMやVLM（大規模視覚言語モデル）などのAIに関する最新の話題とともに平易に解説します。

---

【プログラム】

1．人工知能の現状と課題
　1.1 人工知能概論    ～ 発展の経緯・アプローチの変化・AIの課題など
　1.2 人工知能の手法の　    ～ 深層学習・生成AI・LLM・VLM・説明可能AIなど
　1.3 少量データを用いた機械学習とは？    ～ 少量データの学習の困難さなど

2．少量データを用いた機械学習1：関数推定
　2.1 最適値探索問題とその解法    ～ 関数推定問題とは？
　2.2 ベイズ最適化に基づく関数推定    ～　人工光型植物工場に関連する最適化問題を例にして
　2.3 進化計算法による関数推定    ～ 進化計算法（GP・CGP・ES・CMA-ES）の利用

3．少量データを用いた機械学習2：異常検知
　3.1 1クラスSVM    ～ サポートベクタマシンを用いた従来手法について
　3.2 データの特徴空間を用いた異常検知    ～ データの次元削減法を用いた教師なし学習
　3.3学習データの水増し法    ～ 特徴空間の解析と利用など

4．少量データを用いた機械学習３：少量データによる深層学習
　4.1 生成系AI・CGによる学習データの水増し    ～ 少ないのであれば増やせば良いという考え方について
　4.2 既存NNの知識の活用：転移学習と蒸留    ～ 既存知識を用いることで容易に高度なNNを作る手法
　4.3 浸透学習法とその応用    ～ 学習時のみ利用できるデータを用いた新たな学習法
4.4 人がAIの教育に関わるアクティブラーニング    ～ 今後のAIで必要なAIの教育について

5．少量データを用いた機械学習4：進化的機械学習
　5.1 進化計算法の原理と特徴    ～ 強力な最適化・探索法としての進化計算法について
　5.2 処理プロセスの自動生成    ～ 単位処理ユニットの組み合わせ最適化など
　5.3 分かり易い分類器の自動生成    ～ 構造の進化的最適化に基づく精度向上

6．AIの業務への導入方法
　6.1 失敗しないAI導入方法とは    ～ 業務へのAI導入の現状と課題について
　6.2 今後の展望とAIビジネスモデル    ～ AI社員・AIエージェント・AIの教育などについて

7．まとめ・AIよろず相談コーナー    ～ AIや機械学習に関するフリーディスカッション

【質疑応答】

【キーワード】

人工知能，機械学習，AIの課題，少量・少数学習，最適化，進化計算，業務へのAI導入

【講演者のPRポイント】

私は大学教員ですがこれまで企業等との産学連携に力を入れてきており，大学での講義のような理論や方法の数学的な説明ではなく，企業などでAI技術を利用する観点からの平易かつ率直な解説を重視しています．

【習得できる知識】

・人工知能(AI)・機械学習の現状と課題
・深層学習・生成AI・LLM・VLMなどの原理と課題
・少数データを用いた機械学習の手法
・業務へのAI導入の秘訣