ディープラーニングを始めとする機械学習を要素として利用するAIシステムは、単なる流行の段階を超えて、実際の製品開発に取り入れられるようになっています。しかし、機械学習モデル単体を作成するのではなく、全体システムを開発するためには、機械学習特有の開発メソッドと従来型の開発ハンドリングとをマージしなければなりません。
　本講演では、開発をマネジメントするために必要となる、機械学習モデルの評価手法や必要となる人員の種類、機械学習による開発特有の注意点などと、開発を外注する際に必要となる、データのハンドリング手法と機械学習モデルの開発ステージ、落とし穴となりやすい体制構築上の注意点などを紹介します。

1. 人工知能とその限界
   1. 人工知能研究史概略
   2. 現在の人工知能ブームの正体
   3. 人工知能に対するよくある誤解
   4. 現在の人工知能の限界点
2. AIシステムの開発・テスト
   1. システムとしての人工知能
   2. システムインテグレーションの必要性
   3. 機械学習モデルの得手不得手
   4. AIシステムのテスト
3. AI開発のための人員・体制
   1. 開発体制とデータのハンドリング
   2. 優秀なAI開発者を見分けるポイント
   3. 提案段階における評価のポイント
   4. 評価用データセットと交差検証
4. 性能の評価と仕事の評価
   1. データのサブセットと評価スコア
   2. モデルの性能向上手法・学習曲線の見方
   3. 機械学習プログラミングの難しいところ
   4. 重要な割に評価されない仕事
5. 機械学習システムの契約・検収方法
   1. 性善説・性悪説どちらを取るべきか
   2. 契約上の検収条件と性能向上のモチベーション
   3. 開発側が担保できる動作
   4. 定常運用時にAIが狂うパターン
6. 機械学習ビジネスの今後
   1. 人工知能の本当の可能性
   2. 知的財産権とモデルの権利について
   3. 機械学習ビジネスの健全な発展のために (まとめ)
• 質疑応答