アーキテクチャ・品質エンジニアリングの4weekは品質保証

開発プロセスとソフトウェアの信頼度

アジャイル開発はよく耳にしていましたが、従来のウォーターフォール開発と比較し、
大まかな仕様と要求を作成し、イテレーションを回すことで小さな単位に分けられた機能開発できることが分かりました。

機械学習における品質確認

機械学習の中で、実際のデータをテストデータ、学習データに加工する際、欠損やデータの偏り、前処理方法など色々考えることが多くあります。
機械学習に対する品質を考えている本はまだ読んだことがなかったので、このあたりも
色々勉強していきたいです。本講義では差分テストが紹介されていました。
以下の記事も合わせて読むと分かりやすかった。まだ、すべては理解でいていませんが

機械学習のビジネス上の価値を「効果測定」して「数値評価」する方法 - 六本木で働くデータサイエンティストのブログ - 六本木で働くデータサイエンティストのブログ

画像分類においては、明度の変更、障害物、カメラのほこりなど考えないといけません。実際、kerasを利用して学習モデルを作った際に、異様に正解率が高く、モデルの解釈・特徴量の確認が重要だと分かりました。本筋とは違うところを見ていました(笑)

次回よりIoTとシステムズアプローチが始まります。どういった内容になるのか楽しみです。

AIをビジネスに実装する方法