book

AIの心理学 ―アルゴリズミックバイアスとの闘い方を通して学ぶビジネスパーソンとエンジニアのための機械学習入門

by Tobias Baer, 武舎広幸, 武舎るみ

October 2021

Beginner to intermediate

344 pages

3h 53m

Japanese

O'Reilly Japan, Inc.

Read now

Unlock full access

　　2.1　バイアスの働き　　2.2　バイアスの分類　　2.3　アクション志向バイアス　　2.4　安定性バイアス　　2.5　パターン認識にまつわるバイアス　　2.6　インタレストバイアス　　2.7　ソーシャルバイアス　　2.8　個々の意思決定 vs. 全体像　　2.9　まとめ
　　3.1　アルゴリズムの簡単な例　　3.2　アルゴリズムが教えてくれること　　3.3　まとめ
　　4.1　モデル開発の概要　　4.2　ステップ1　モデルのデザイン　　4.3　ステップ2　データエンジニアリング　　4.4　ステップ3　モデル推定　　4.5　ステップ4　モデルの検証　　4.6　ステップ5　モデルの実装　　4.7　まとめ

　　5.1　機械学習の目的　　5.2　機械学習とは？　　5.3　他のモデリング手法との比較　　5.4　まとめ
　　6.1　確証バイアスの架空の事例　　6.2　戦うべきはアルゴリズムではない　　6.3　まとめ
　　7.1　データサイエンティストの確証バイアスの影響　　7.2　データサイエンティストの自我消耗の影響　　7.3　データサイエンティストの自信過剰がバイアスに与える影響　　7.4　まとめ
　　8.1　データがもたらすバイアスの概要　　8.2　A-1　主観的・定性的なデータがもたらすバイアス　　8.3　A-2　表面上は定量的に見えるデータがもたらすバイアス　　8.4　B-1　人間自身のバイアスを反映しているデータがもたらすバイアス　　8.5　B-2　衝撃的な出来事に大きな影響を受けたデータがもたらすバイアス　　8.6　C-1　コンセプト的な誤りに由来するバイアス　　8.7　C-2　データの不適切な処理がもたらすバイアス　　8.8　まとめ
　　9.1　モデルに内在する不安定性　　9.2　データに存在しない事例への対処　　9.3　反応速度（レスポンス）の重要性　　9.4　アウトカムの判定の際に働く安定性バイアス　　9.5　まとめ
　　10.1　アルゴリズムのエラー　　10.2　サンプルサイズとケースフリークエンシーの役割　　10.3　決定木による予測　　10.4　倫理的な視点から　　10.5　まとめ
　　11.1　ソーシャルメディアにおけるアルゴリズムの影響　　11.2　ユーザーの役割　　11.3　システム変更の必要性　　11.4　まとめ
　　12.1　アルゴリズムを利用する程度　　12.2　アルゴリズムの効果の評価法　　12.3　まとめ
　　13.1　損害の深刻度の評価　　13.2　バイアスの傾向の評価　　13.3　まとめ
　　14.1　一般ユーザーによる回避の取り組み　　14.2　身につけるべき習慣1　訊いて訊いて訊きまくる　　14.3　身につけるべき習慣2　推定値ではなく「不明」のラベルを付けさせる　　14.4　身につけるべき習慣3　意味のある数値を報告してもらう　　14.5　無知の知　　14.6　まとめ
　　15.1　アルゴリズムの監視とは　　15.2　代表的なメトリクス　　15.3　各分析の実践　　15.4　有意性と正常範囲　　15.5　根本原因解析　　15.6　ブラックボックス・アルゴリズムの監視　　15.7　自己改良型のアルゴリズムの監視　　15.8　まとめ
　　16.1　偏見との戦い　　16.2　アルゴリズムの役割の限定　　16.3　アルゴリズムの修正　　16.4　まとめ
　　17.1　データは新たな金（きん）　　17.2　公平なデータの生成　　17.3　まとめ
　　18.1　「ステップ1　モデルのデザイン」におけるバイアスの回避　　18.2　「ステップ2　データエンジニアリング」におけるバイアスの回避　　18.3　「ステップ3　モデル推定」におけるバイアスの回避　　18.4　「ステップ4　モデルの検証」におけるバイアスの回避　　18.5　「ステップ5　モデルの実装」におけるバイアスの回避　　18.6　まとめ
　　19.1　第1の検査——サンプルレベルの分析　　19.2　第2の検査——データリーケージ　　19.3　第3の検査——データの構造を把握するための2つの分析法　　19.4　第4の検査——異常検知のための2つの分析法　　19.5　第5の検査——保護対象の変数を使った相関分析　　19.6　第6の検査——視覚による分析　　19.7　まとめ
　　20.1　ナイロンと木綿　　20.2　機械学習はナイロンと同じ運命をたどる？　　20.3　職人ワザか機械学習か　　20.4　まとめ
　　21.1　特徴量レベルの機械学習　　21.2　機械学習を活用したセグメンテーション　　21.3　シフト効果を利用する手法　　21.4　担当者のセカンドオピニオンを引き出す手法　　21.5　まとめ
　　22.1　モデル開発時の留意点　　22.2　非常ブレーキ　　22.3　モデルの監視　　22.4　リアルタイムの機械学習　　22.5　まとめ
　　23.1　ポイント1　データのフローとウェアハウジング　　23.2　ポイント2　標準とテンプレート　　23.3　ポイント3　中庸の重要性　　23.4　ポイント4　キャリブレーション　　23.5　ポイント5　モデルの検証　　23.6　ポイント6　モデルの監視　　23.7　ポイント7　バイアスのない公平公正なデータの継続的な生成　　23.8　まとめ

Content preview from AIの心理学 ―アルゴリズミックバイアスとの闘い方を通して学ぶビジネスパーソンとエンジニアのための機械学習入門

4章モデルの開発

前の章ではアルゴリズムがどう機能するかを紹介しましたが、この章ではそのアルゴリズムがどのように開発されるのかを概説します。これを知れば、バイアスがアルゴリズムに忍び込むメカニズムの理解が進むはずです。ベテランのデータサイエンティストもこの章を読んで、これから解説を進めていく中で頻繁に言及する私なりの考え方や用語を把握しておいていただくとよいかもしれません。

その「用語」についてですが、実世界での機械学習の応用が進むにつれて、大きく様変わりしました†1。そのため、残念なことにあらゆる世代のデータサイエンティストに理解していただける本を書くのが至難の業となってしまいました（少なくとも「データサイエンティスト」という新しい職名は、大昔の2010年頃に使われていた「モデル開発者」や「モデラー」よりはるかにシャレてはいますが……）。

この章では全体に「昔ながらの」用語を使っています。これは主として、統計は「ほんのちょっとかじっただけ」の、他分野の方々のためです。一般に知られた「昔ながらの」用語を使えば、そうした方々も比較的容易に「点と点をつなぎ合わせられる」と考えたのです。

[†1] たとえばobservationがinstanceに、dependent variableがlabelに、predictive variableがfeatureに変わりました。

さて、読者の中には、この章のタイトルがなぜ「アルゴリズムの開発」ではなく「モデルの開発」なのかと首を傾げている方がいるかもしれません。データサイエンティストが、ある文脈で特定の結果を予測するための数式（たとえば、ある銀行が融資先であるカナダの複数の小規模小売業者が債務不履行（デフォルト）に陥る確率を予測する式）のパラメータを推定するような時には、この結果を「モデル」と呼ぶのが普通です。 ...