課題：AIに対する理解が足りない
特性：学ばせる必要がある、まだ汎用性が低い（多種多様なことはできない）、善悪の基準を持たせるのが難しい
◯AIの基礎
学習フェーズ：データセット→学習モデルを生成→学習済みモデル
←人的コスト（AIコンサルタント、データサイエンティスト）
←コンピュータリソース（実行環境Jupyter NotebookのGoogle Colabは無料）
機械学習＞ディープラーニング：着目点を指示せずとも自動で学習（ニュートラルネットワーク）
教師あり学習：
教師なし学習：アルゴリズムを用いて構造や法則を見出す手法、クラスター分析、アソシエーション分析
強化学習：価値を最大化するような行動を学習する手法。
◯AIプロジェクト
AIを適用しやすい課題、しにくい課題がある。
プロジェクトプランニング→机上実証→フィールド実証→製品開発→導入・運用
従来のソフトウェア提供:業務請負型の契約モデル←→AIプロジェクト:それぞれのフェーズごとに適した契約を選ぶ
知的財産権の交渉、個人情報の利用、見積もり（継続コスト）
◯AIコーディング
机上実証
ネットワークモデルのセットアップ→学習用データセットをセットアップ→データセットから学習済みモデルをダウンロード→推論させる
フィールド実証
仮想環境を構築して実行空間を作成→ネットワークモデルと学習用データセットのセットアップ→データセットから学習済みモデルをダウンロード→デバイスなどからデータ取得→推論させる
◯AI技術の組合せ・パターン
提供方式：オープンソース、有償SDK、WebAPI、オンプレミスパッケージ、SaaS
GPU：オンプレミス、クラウド、ハイブリッド
ハードウェアアクセレータ：CPU、GPU、ASIC、FPGA
＞コンテナポータビリティ（継続的デリバリーが整備された状態）
◯AIプロジェクトケーススタディ
・ピンポイント農薬散布
・ICT建機
・画像診断支援
・モノタロウAIストア