ChatGPTのビジネス導入を目指すなら、 東京都の「文章生成AI利活用ガイドライン」を読もう
業務効率化、生産性向上のためにChatGPTなどの文章生成AI導入を検討する企業は多いだろう。しかし、ChatGPTには情報漏洩や不正確な記述、著作権侵害などの不安もあり、なかなか導入に踏み切れないという声も聞く。そこで、東京都が最近公開した利活用ガイドラインを参考に、文章生成AIの安全な導入・活用について見ていこう。 文／狐塚 淳 2023年8月23日、東京都デジタルサービス局は「文章生成AI利活用ガイドライン」（Version1.0）を公開した。同ガイドラインは都の職員が文章生成AIをデジタルツールとして活用し、行政サービスの質を高め、都政のQoS（Quality of Service）を向上させていくための指針を提供する。対象とする文章生成AIはChatGPTだ。デジタルサービス局では文章生成AI利活用のプロジェクトチームを4月に立ち上げて議論を重ね、8月から全局での導入にいたってい
AI/機械学習 × Raspberry Pi(ラズパイ)の可能性を感じる事例まとめ16選 – ピクアカインフォ
Raspberry Pi(ラズパイ)で何ができるのか、その可能性を模索している方は多いでしょう。これまではセンサーを取り付けてデータを収集するものが多かったですが、最近ではAI/機械学習と合わせて画像やデータを分析する事例も増えています。 今回はそんなAI/機械学習 × Raspberry Piの事例をまとめて紹介します。 認識・予測する ディープラーニングの活用例として有名な文字や物の認識、音から機械の稼働状況の認識の例を紹介します。いずれもRaspberry Piで動いてます。 数字の認識 ラズベリーパイと機械学習（python）を使って数字認識してみた カラー図解 Raspberry Piではじめる機械学習 基礎からディープラーニングまでに掲載されている数字認識を試したレポートです。実際の認識率は50%程度とのことです。 きゅうりの仕分け 「ディープラーニング×きゅうり」の可能性に、
機械学習のビジネス上の価値を「効果測定」して「数値評価」する方法 - 六本木で働くデータサイエンティストのブログ - 渋谷駅前で働くデータサイエンティストのブログ
(Image by Pixabay) 気が付けば、日本における第一次データサイエンティストブームから6年、人工知能ブーム開始から3年が経ったようです。意外と言っては何ですが、これまでのところ人工知能ブームも、そしてそれにブーストされた形で起こった第二次データサイエンティストブームも、まだまだ続くどころかどんどん加速していきそうな状況です。 なのですが、これだけ統計学や機械学習のような高度なデータ分析技術がビジネスの現場に浸透するようになった現在でも、なぜかあまり多く見かけないものがあります。それは「機械学習（もしくは自動化された統計分析）によるビジネス上の成果を数値として示したもの」。意外かもしれませんが、個人的な観測範囲では例えば「Deep Learningを導入したら〇〇がXX%向上した」みたいなリリースや記事を見かけることは、正直なところ思った以上に少ないように思われます。それでも第
企業におけるAI導入方法「AI Transformation Playbook」の日本語版まとめ - Qiita
本記事は、アンドリュー・ウ（Andrew Ng）先生が書かれた 「企業における段階的なAI活用のためのPlaybook（脚本）」である 「AI Transformation Playbook」How to lead your company into the AI era を、日本語でまとめたものです。 画像引用[1] AI Transformation Playbookの日本語版まとめ 補足0：著者のアンドリュー・ウ（Andrew Ng）先生って誰？ 画像引用[2] 著者のアンドリュー・ウ（Andrew Ng）先生は、人工知能の研究者です。 博士号の指導教員は、RNNの研究で有名なマイケル・I・ジョーダン先生です。 マイケル・I・ジョーダン先生の指導教員は、バックプロパゲーションを提唱したラメルハート先生なので、アンドリュー・ウ先生はラメルハート先生の孫弟子になります。 アンドリュー・ウ
データサイエンティストもしくは機械学習エンジニアになるためのスキル要件とは（2017年夏版） - 渋谷駅前で働くデータサイエンティストのブログ
この記事は2年前の以下の記事のアップデートです。 前回はとりあえずデータサイエンティストというかデータ分析職一般としてのスキル要件として、「みどりぼん程度の統計学の知識」「はじパタ程度の機械学習の知識」「RかPythonでコードが組める」「SQLが書ける」という4点を挙げたのでした。 で、2年経ったらいよいよ統計分析メインのデータサイエンティスト（本物：及びその他の統計分析職）vs. 機械学習システム実装メインの機械学習エンジニアというキャリアの分岐が如実になってきた上に、各方面で技術革新・普及が進んで来たので、上記の過去記事のスキル要件のままでは対応できない状況になってきたように見受けられます。 そこで、今回の記事では「データサイエンティスト」*1「機械学習エンジニア」のそれぞれについて、現段階で僕が個人的に考える「最低限のスキル要件」をさっくり書いてみようかと思います。最初にそれらを書
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
人間参加型（human-in-the-loop）機械学習とは？
