音声処理

音の波を数値にする A-D 変換やパルス符号変調（PCM）から始まり、高速フーリエ変換（FFT）で周波数に分けて特徴を取り出します。人の耳の感じ方に合わせたメル尺度や MFCC を使います。音声認識では、昔は隠れマルコフモデルが使われ、いまはディープラーニングが中心です。WaveNet は、自然な音声を作る音声合成のモデルです。

深層強化学習

強化学習にディープラーニングを組み合わせたものです。DQN は、行動価値をニューラルネットワークで表し、画面を見てゲームを学びました。シミュレーションで学んだことを現実のロボットに移すことを sim2real と呼び、そのずれを減らすために、シミュレーションの条件を無作為に変えるドメインランダマイゼーションを使います。

説明と軽量化

• 説明可能AI（XAI） … なぜその判断になったかを示す。Grad-CAM は画像のどこに注目したかを示し、LIME や SHAP は特徴ごとの影響を示す
• 軽量化 … スマートフォンや機械の中で動かすエッジAIのために、モデルを小さくする。蒸留（大きなモデルの出力を小さなモデルにまねさせる）、量子化（数値を少ないビットで表す）、プルーニング（不要な重みを取り除く）

AIプロジェクトの進め方

• 解きたい課題を決め、AIで解くべきかから考える（BPR で業務の流れごと見直すこともある）
• PoC（概念実証）で、小さく試して確かめる
• CRISP-DM（ビジネスの理解からデプロイまでの手順）、MLOps（開発と運用をつなげて回す）
• 運用を始めたあとも、データの変化で精度が落ちないかを監視し、必要なら学び直す

データの注意

アノテーション（正解をつける作業）の品質をそろえ、学習のときに本番では手に入らない情報が混ざるデータリーケージを避けます。

• 音声処理の基本（FFT・メル尺度・MFCC）と、深層強化学習
• 説明可能AI（Grad-CAM・LIME・SHAP）
• モデルの軽量化（蒸留・量子化・プルーニング）
• PoC・CRISP-DM・MLOps と、データリーケージ