【覚書】AI900試験対策用メモ（要暗記の部分まとめ）

本記事作成の３日前に急遽AI900の試験を受けることになり、明日試験受けます。
下記のラーニングパスを終えて、要点を忘れないように対策用メモを残すことにしました。
https://docs.microsoft.com/ja-jp/users/tottokug/collections/3g3xi0yg40j51m

普通の人であれば上記のラーニングパスをクリアしていれば問題ないそうですが

自分はとてつもなく記憶力が悪いので
上記の要暗記部分を1ページにまとめました。
試験直前まで何度も見返しておこうと思います。　　

　
----- 2021/03/16 追記ここから --------------------
無事、合格しました！！！
ラーニングパスを一通りクリアしておくことが大切だなぁと思いました。　
その上で下記にまとめた内容を振り返り確認しておくことが合格へに近道だと思います。
あとは記憶がホットなうちに試験を受けるといいので
今回の勉強期間4日間というのはわりと適切な勉強期間だったのかなと思います。
----------------------------------- 追記ここまで -----

　

Azure Machine Learning

　

分析の種別

再確認程度に頭に入れておくと良さそうです。　
使いどころの問題が出たときのために対象のデータが属するクラスを予測するときは分類、値を予測するときは回帰って感じで覚えておくと良さそうです。

分析種別	分析種別	説明
回帰	Regression	教師あり学習
分類（クラス分類）	Classification	教師あり学習
クラスタリング	Clustering	教師なし学習 ※「クラスタリング」は、データの中で集まりを見つける手法

　
　
　

回帰分析の評価指標

RMSE＝外れ値の影響を受けやすい、MAE＝外れ値の影響を受けにくい　を覚えておくと良いかも。

回帰分析の評価指標	回帰分析の評価指標	説明簡易	特徴
二乗平均平方根誤差	RMSE	Mean Squared Error の略	RMSE は外れ値の影響を受けやすい
平均絶対誤差	MAE	Mean Absolute Error の略	MAE は、誤差を二乗していないので、外れ値の影響を受けにくい

　
　

混同行列

用語
※真＝True＝T、偽＝False＝F　　　
　陽性＝1＝Positive＝P、陰性＝0＝negative＝N　の組み合わせって覚えるといいかも？

用語	用語	説明
真陽性	True positive: TP	陽性のものを正しく陽性と予測
偽陰性	False negative: FN	陽性のものを誤って陰性と予測
真陰性	True negative: TN	陰性のものを正しく陰性と予測
偽陽性	False positive: FP	陰性のものを誤って陽性と予測
真陽性率	True positive rate	陽性のものを正しく予測できた割合（ヒット率）= TP／（TP＋FN）
偽陽性率	False positive rate	陰性のうち誤って陽性と予測した割合（誤報率）= FP／（FP＋TN）

上記の用語を整理した表が以下の通り
※上記の用語と表をセットで覚えておくと良さそうです。

AzureのAIサービス特徴早見表

画像系

一度、ラーニングパスをやっていれば大丈夫みたいですが
以下の表を覚えておくと良さそうです。

サービス	機能
Computer Vision	画像や動画を分析し、説明、タグ、オブジェクト、テキストの抽出が可能。
Custom Vision	独自の画像を使用してカスタム画像分類と物体検出モデルをトレーニングすることが可能。
Face	顔検出および顔認識ソリューションをビルド可能。
Form Recognizer	このサービスを使用して、スキャンしたフォームや請求書から情報を抽出することが可能。

　

自然言語系

一度、ラーニングパスをやっていれば大丈夫みたいですが
サービス・機能・備考をセットで覚えておくと良さそうです。

サービス	機能	備考
Text Analytics	テキスト ドキュメントの分析、キー フレーズの抽出、エンティティ (場所、日付、人物など) の検出、センチメントの評価が可能	言語検出でスコアとして NaN が返されるのは言語があいまいで判定できない場合
Translator Text	60 以上の言語のテキストを翻訳することが可能。	翻訳時に翻訳元をFrom、翻訳先をToとして設定する。1 つの "from" 言語と複数の "to" 言語を指定することができる。
Speech	音声の認識および合成と、音声言語の翻訳が可能。
Language Understanding Intelligent Service (LUIS)	音声またはテキストベースのコマンドを理解できるように言語モデルをトレーニングすることが可能。	モデルを作成するには、Language Understanding リソースが必要。アプリケーションから呼び出して利用する際には、アプリケーションの予測リソースのエンドポイントとキーが必要。

　
　

対話系

一度、ラーニングパスをやっていれば大丈夫みたいですが
Azure Bot Serviceの機能の部分は要暗記かと思います。

サービス	機能
QnA Maker	人間と AI エージェント間の対話の基礎を形成できる質問と回答の "ナレッジ ベース" を構築することが可能。
Azure Bot Service	ボットを作成、公開、および管理するためのプラットフォーム。 開発者は、Bot Framework を使用してボットを作成し、Azure Bot Service で管理して、QnA Maker や LUIS などのバックエンド サービスを統合し、Web チャット、電子メール、Microsoft Teams などのチャネルに接続して公開・活用することが可能。

　

AI の基本原則

6 つの基本原則

★は基本原則の基礎であり、残りの原則を効果的にするうえで不可欠。
これは独自性が強いので、頑張って暗記ですね。
責任と説明、できれば例まで覚えておくと良さそうです。

AIの責任	説明	例
公平性	AI システムではすべての人を公平に扱う必要がある。 また、公平性の基本原則は AI システムが誰にとっても同じように動作することを命じるものである。	銀行の融資承認申請をサポートする機械学習モデルを作成するとします。 このモデルでは、性別、民族性、または特定の申請者グループに不当な優位性や不利益をもたらす可能性のあるその他の要因に基づく偏りを組み込むことなく、ローンを承認するかどうかの予測を行う必要がある。
信頼性と安全性	AI システムは確実かつ安全に実行される必要がある。	自律走行車用の AI ベースのソフトウェア システム、または患者の症状を診断し、処方箋を推奨する機械学習モデルを考えてみると、 この種のシステムの信頼性が低いと、人命に大きなリスクが生じる可能性がある。 AI ベースのソフトウェア アプリケーション開発では、リリース前に期待どおりの動作を確保するために、厳格なテストおよびデプロイ管理プロセスを実施する必要がある。
プライバシーとセキュリティ	AI システムは安全であり、プライバシーを尊重する必要がある。	AI システムのベースとなる機械学習モデルは、大量のデータに依存しており、これには非公開にする必要のある個人の詳細が含まれている場合がある。 モデルでは、トレーニング後、システムが運用中であっても、新しいデータを使用して、プライバシーやセキュリティ上の懸念をもたらす可能性のある予測やアクションを実行する必要がある。
包括性	AI システムはあらゆる人に力を与え、人々を結びつける必要がある。	AI は、身体能力、性別、性的指向、民族性などの要因に関係なく、社会のすべての部分に利益をもたらす必要がある。
★透明性	AI システムは理解しやすい必要がある。	ユーザーは、システムの目的、しくみ、想定される制限事項を十分に認識する必要がある。
★アカウンタビリティ	人々は AI システムに対して説明責任がある。	AI ベースのソリューションの設計者と開発者は、ソリューションが明確に定義された倫理的および法的基準を満たすことを保証するガバナンスと組織の原則の枠組みの中で作業する必要がある。

State Farm

※ラーニングパスの問題が微妙に難しかったので一応メモしておきます。

State Farm で AI を成功させるために多分野にまたがるコラボレーションが必要であると考えられる

State Farm では、ビジネス意思決定者が開発者や技術専門家と共同で作業する場合、AI イニシアチブが成功し、組織の目標を達成できる可能性が高いことがわかっている。
State Farm では、さまざまなスキルと視点を持つ組織全体の異なるグループ間のパートナーシップを促進し、独立して作業を行う IT チームでは、ビジネスの目標とプロセスに最適ではないモデルを作成することがある。