【特別講義 第3回】AIモデルの設計 ― 画像認識・時系列・特徴抽出の考え方 (後編)

第2回に続いて、AIモデルを「なんとなく動かす」段階から、「目的に合わせて設計する」段階へ進む回です。AIシステムでは、どのモデルを使うか、データをどのような形で入力するか、どこで特徴を抽出するか、どの程度の計算量を許容するかによって、性能、速度、必要なリソース、実用性が大きく変わります。 この回では、CNN、RNN、AutoEncoderなどを題材に、データの種類とモデル構造の関係を学びます。画像、時系列、圧縮表現、異常検知などを通じて、AIモデルを設計・改造するための考え方を身につけます。また、AIシステムの本質も見えてくる回の後半です。 【内容】 ・AutoEncoderによる情報圧縮と特徴抽出の仕組みを理解する ・潜在空間、圧縮表現、異常検知への応用を学ぶ ・モデルを深くする、広くする、軽くするという設計判断を考える ・学習時と評価時で処理を正しく切り替える必要性を理解する ・AIモデルを改造するときに、どこを確認すべきかを学ぶ 【解決できる課題例】 ・潜在空間に対する理解と、本質的に「AIは何をしているのか」の理解を深めたい ・AIコーディング支援ツールが生成したモデル構造が妥当か判断したい ・無駄に大きいモデルや、目的に合わないモデルを避けたい ・AIシステムをより効率的に構築したい 【この回のゴール】 ・データの種類に応じて、モデル構造を考える視点が身につく ・CNN、RNN、AutoEncoderの基本的な役割と違いを説明できる ・テンソルの形やデータの流れを追いながら、エラーの原因を特定しやすくなる ・モデルを設計・改造するときに、性能だけでなく計算量や実用性も考えられる ・AIを「動かす」だけでなく、「目的に合わせて組み立てる」感覚が身につく