第1部. 人工知能による 商品コンセプトの自動生成とその実用化

(2021年4月26日 10:00〜11:30)

　本講演では、創造性の自動化を目指した研究の動向について紹介します。特に、新しいコンセプトをコンピューターに自動で生成させることを目的とした私達の研究について詳しく説明し、企業で活用された事例も紹介します。紹介する技術の特徴は、コンセプトについて書かれたインターネット上の文書データを機械学習が学ぶことで、コンセプトの自動生成を実現している点です。具体的には、インターネット上の文書から生成された「意味ネットワーク」の経時変化を、機械学習のモデルが学習することで、成功したコンセプトに共通の法則性を抽出し、その法則性を用いて新しいコンセプトを生成しています。実際のヒット商品に関する文書データを用いた評価実験を行うと、ヒット商品に共通する法則性が抽出できたことを示唆する結果が得られました。また実際の企業担当者による評価では、本技術で自動生成したコンセプトは、人間の専門家の出したものと比べて新規性が高いという結果も得られました。なお、この技術は特許出願中であり、アルゴリズムの詳細や評価結果の一部が論文として公表されています。

1. 創造性やコンセプトの自動化を目指した研究の動向
2. 講演者の研究しているコンセプト自動生成技術
   1. コンピューターで扱えるコンセプトの形式
   2. 成功したコンセプトをコンピューターが学ぶ手法
   3. 学習済みのコンピューターによるコンセプトの自動生成
3. コンセプト自動生成技術の評価結果
   1. 過去のヒット商品を表す文書データによる評価
   2. 利用者調査による評価
4. 実用化事例
• 質疑応答

第2部. “アイデアを出しまくるAI”の 開発とその活用の仕方

(2021年4月26日 12:15〜13:45)

　「AIブレストスパーク」は、TIS株式会社と株式会社博報堂が共同開発した、発想支援クラウドサービス、AI技術の応用によりアイデアの素を量産し、企画/開発などアイデアだし業務の効率化をサポートします。アイデアやコンセプトのきっかけとなるキーワードを入力すると共起する関連語をインターネット上から瞬時に収集、組み合わせ、新たな切り口や視点としてユーザーに提供します。人力では時間を要するアイデアの拡散を効率化し、俯瞰情報やコトバ同士の“意外接着“により発想を増幅させ、人間の創造力を高めます。「AIブレストスパーク」に搭載されている“博報堂発想メソッド”および、具体的な活用方法をご紹介します。

1. AIブレストスパーク開発の背景
2. AIとワイガヤしながら共創する時代へ
   1. 「思いつかない地獄」の諸症状、あなたはいくつ当てはまる?
   2. いまこそ発想法を変えて、異次元のアイデア開発へ
3. AIブレストスパークの哲学とその実装
   1. 博報堂発想メソッドとは?
   2. 鉄則:拡散と混沌なくして、跳躍なし
   3. 5つのメソッドと5つの機能
   4. 「拡散」と「混沌」に、なぜ、博報堂はこだわるのか?
   5. つのメソッドと機能、フル活用の55のコツ
   6. 自分では思いつかないコトバの海に飛び込む[ひらめきマップ]
   7. コトバとコトバを、意外接着する[ブレストアイデア]
   8. 白紙に採集し、島分けする、俯瞰する[ノート]
   9. こんなとき、〇〇だったらどう考える?[他人のアタマで考える]
   10. すべての刺激に「あるかも!」スタンスで反応する[連続刺激モード]
4. 活用事例その他
   1. 活用事例
   2. 研究開発領域での活用可能性について
   3. ご利用環境、料金プラン
• 質疑応答

第3部. 膨大な論文・特許データの分析による事業展開可能性の探索

(2021年4月26日 14:00〜15:30)

　2016年8月に、膨大な医学論文を学習した米IBMのWatsonが、特殊な白血病患者の病名を10分ほどで見抜き、患者の生命を救ったと東京大医科学研究所が発表した。同研究所の東條有伸教授は「AIが患者の救命に役立ったのは国内初ではないか」とのコメントを残している。学術文献のビッグデータ分析や機械学習を用いた分析が実社会に与えるインパクトは大きく、医療分野のみならず幅広い分野での応用が注目されている。本発表では、まず、研究開発における機械学習の応用について触れる。そして、膨大な論文・特許データの分析による「事業展開可能性の探索」と「新しいアプリケーションの探索」について紹介する。本稿で紹介する分析方法が、政策立案者や研究開発部門のマネージャー等にとって、今後取り組むべき革新的な研究開発のシーズを効果的・効率的に特定するための一助になることができれば幸いである。

1. はじめに
2. 情報の洪水と人工知能
3. 人工知能と機械学習
4. 機械学習にはどんな事例があるか
5. 機械学習の研究開発分野への応用
6. 機械学習にはどんな手法があるか
7. どのように機械学習の手法を選べばよいか
8. 一般的な機械学習プロジェクトの流れ
9. 機械学習プロジェクトの実態
10. 膨大な論文・特許データの分析による「事業展開可能性の探索」
11. 膨大な論文・特許データの分析による「新しいアプリケーションの探索」
12. まとめ
• 質疑応答

第4部. AIにより得られた製品の 品質保証とその活用法

(2021年4月26日 15:45〜17:15)

　本講演では、人工知能 (AI) 、機械学習の研究開発業務において問題となる品質保証の問題を取り上げる。AIの品質保証では、 (1) AIの公平性、 (2) AIの説明可能性・解釈可能性、 (3) AIの透明性が問題となる。これらの話題について、概要を述べる。「AI の公平性」とは、入力データにバイアスがあり、先に述べたチャットポットのように意図に反する動作をするような例を指している。AI の「説明可能性・解釈可能性」とは、深層学習などの複雑なネットワークを用いて得られるモデルにおいて、得られた重みパラメータの生成理由が解釈不能であるという「ブラックボックス問題」を指している。「 AIの透明性」とは、AI でどのようなアルゴリズム (すなわちプログラム) が使われているか、どのようなデータを用いて訓練したのかをきちんと理解して活用するということである。

1. はじめに
2. AIの研究開発業務における品質保証
   1. AIの品質保証とは
   2. チャットボットのヘイトスピーチ
   3. AIの「ブラックボックス問題」
   4. 「AIの民主化」の問題点
3. AIの公平性をめぐる問題点とその検証法
   1. AIの公平性とは
   2. 機械学習で用いられるメタモルフィック・テスティング
4. AIの説明可能性・解釈可能性をめぐる問題点とその解決法
   1. 説明可能性・解釈可能性をめぐる問題点
   2. XAI (Explainable AI:説明可能なAI) の例
5. AIの透明性をめぐる問題点とその解決法
   1. AIの民主化をめぐる問題点
   2. AIの品質モデルとAIの透明性
6. おわりに
• 質疑応答