2 分で読了
0 views

持続可能なオープンデータのためのパターンと勧告

(Identifying patterns and recommendations of and for sustainable open data initiatives)

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海先生、最近うちの現場でも「オープンデータを活用すべきだ」という話が出てましてね。正直、何から手を付ければよいのか分からないのです。これって要するに投資対効果が取れる話なのでしょうか。

AIメンター拓海

素晴らしい着眼点ですね!大丈夫、順を追って整理すれば投資対効果の判断ができるようになりますよ。まずは結論を三点で示します。制度設計、技術インフラ、利用者の促進の三つが揃えば持続可能になりますよ。

田中専務

制度設計や技術インフラと言われても、現場にとっては抽象的です。具体的にどんな点を見ればよいのですか。費用対効果で言うとどのくらい期待できますか。

AIメンター拓海

良い質問です。まず制度設計とはルール作り、データの公開範囲や品質管理の枠組みを意味します。技術インフラはデータを置くプラットフォームとAPIの整備、利用者促進はデータを使う市民や企業の育成です。投資対効果は短期の直接収益よりも長期の効率化や透明性向上で回収されることが多いですよ。

田中専務

なるほど。で、その判断に役立つ“ベンチマーク”や“パターン”というものがあると聞きましたが、具体的にどのように使えばよいのですか。

AIメンター拓海

ベンチマークは他社や他国の取り組みを評価する基準です。今回の研究は複数のベンチマークを長年追い、国ごとに現れるパターンを抽出しています。自社の現状をそのパターンに照らし合わせれば、足りない要素が見えてきますよ。

田中専務

それなら実務で使えそうです。ただ専門家の意見で合意を取る“デルファイ法(Delphi method)”という話もありましたが、あれは信頼してよいものですか。

AIメンター拓海

デルファイ法(Delphi method/デルファイ法)は、専門家の反復的意見集約で合意を導く手法です。複数の視点を匿名でまとめるため、偏りが減り現実的な合意が得られやすいです。ただしパネリストの選び方が結果を左右するので、外部の評価軸と組み合わせるのが実務的です。

田中専務

要するに、複数の評価指標で長期にわたるベンチマークを取り、専門家の合意も確認した上で自社の投資項目を決める、ということですね。

AIメンター拓海

その通りです。まとめると三つの実務ステップが有効です。現状のデータ公開と制度の棚卸し、技術基盤の最小限投資、利用者や社内の利活用促進の順で着手するとリスクが下がりますよ。

田中専務

はい、それなら我々でもロードマップが描けそうです。自分の言葉で言うと、長期的な指標と専門家の合意を基に段階的に投資していくことでリスクを抑えつつ効果を出すという理解で間違いありませんか。

監修者

阪上雅昭(SAKAGAMI Masa-aki)
京都大学 人間・環境学研究科 名誉教授

論文研究シリーズ
前の記事
多様な文ペアの拡張による教師なし関係抽出の改善
(Improving Unsupervised Relation Extraction by Augmenting Diverse Sentence Pairs)
次の記事
視覚観測を用いたドメイン適応模倣学習
(Domain Adaptive Imitation Learning with Visual Observation)
関連記事
ロバストなフェデレーテッドラーニングのための一次メタ・スタックルバーグ法
(A First Order Meta Stackelberg Method for Robust Federated Learning)
教師なしドメイン適応のための対照的敵対訓練
(Contrastive Adversarial Training for Unsupervised Domain Adaptation)
強化学習を回帰器として使う:関数近似のための強化学習アプローチ
(RL as Regressor: A Reinforcement Learning Approach for Function Approximation)
人体の感覚・筋骨格の統合モデリングと全身運動制御
(Human sensory-musculoskeletal modeling and control of whole-body movements)
ランダム化実験における分布的処置効果推定: 機械学習による分散削減
(Estimating Distributional Treatment Effects in Randomized Experiments: Machine Learning for Variance Reduction)
視線を活用したコントラスト学習による医用画像支援診断
(Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis)
この記事をシェア

有益な情報を同僚や仲間と共有しませんか?

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
(Black hole/quantum machine learning correspondence)
生成AI検索における敏感なユーザークエリの分類と分析
(Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System)
DiReDi:AIoTアプリケーションのための蒸留と逆蒸留
(DiReDi: Distillation and Reverse Distillation for AIoT Applications)

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に!
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む