須多先生

みなさん お疲れ様でした
アクティビティはいかがでしたか？

徳井 天

学習済みモデルを使うことで 「ポジティブな意見」「ネガティブな意見」を かなりいい精度で分類することができたな！

深田 あい

ただ この学習済みモデルは「ポジティブな意見」と「ネガティブな意見」だけ学習しているモデルなので 「質問や問い合わせ」の分類には対応していないんですよね

徳井 天

そっか この学習済みモデルだと「質問や問い合わせ」の分類はできないんだよな
こういう場合はどうしたらいいんだろう？

須多先生

決定木での「質問や問い合わせ」の分類精度は 「適合率」も「再現率」も85%以上と 高い精度で分類できていましたよね

須多先生

ですので この二つのAIを組み合わせて使う方法もありますよ

深田 あい

二つのAIって 今回の「学習済みモデル」と 前回のレッスンの「決定木」を組み合わせるということですか？

須多先生

はい そうです
まずは「決定木」で「質問や問い合わせ」か「それ以外」かを分類します

須多先生

そして 「それ以外」に分類されたものを「学習済みモデル」を使って「ポジティブな意見」か「ネガティブな意見」かを分類すれば 3つの分類を高い精度で行うことができます

須多先生

実際のAI開発でも このように複数のAIを組み合わせて運用することがあります

須多先生

とても高性能な一つのAIを開発するよりも 複数のAIを組み合わせた方が効率的で 精度が上がることが多いんです
精度を上げるための手段の一つとして ぜひ覚えておいてくださいね

須多先生

それでは最後に ディープラーニングの汎用性（はんようせい）の高さと その可能性について改めて次のスライドで学びましょう

深田 あい

汎用性って 「万能」とか「多機能」とかって意味ですよね

徳井 天

汎用性か
さっきのアクティビティでは 最初は「画像認識」だったけど 入力層と出力層を変えただけで 「テキスト分析」に早変わりしたよな
これが汎用性の高さってことかな？

須多先生

はい その通りです
入力層と出力層の設計次第では ディープラーニングは「なんでも解ける可能性がある」技術なんです

須多先生

次のスライドで「ディープラーニングの汎用性の高さとその可能性」について 詳しく学んでいきましょう