AIプロジェクト開発–プロジェクトマネージャーが準備する方法

この記事の音声バージョンを聞く

プロジェクトマネージャーとして、あなたはおそらく、複雑なモノリシック構造からSaaS Webアプリに至るまで、キャリアを通じて多くのITプロジェクトに携わってきました。 しかし、人工知能と機械学習の進歩に伴い、さまざまな要件と問題を抱える新しいプロジェクトが急速に視野に入ってきています。

これらのテクノロジーの台頭により、技術プロジェクトマネージャーがこれらの概念と健全な関係を築くことが「持つのは良いこと」ではなくなり、代わりに不可欠になっています。 Gartnerによると、2020年までにAIは230万人の雇用を生み出し、削除する180万人を超え、2021年までに2.9兆ドルのビジネス価値を生み出します。GoogleのCEOは、「AIは最も重要なものの1つです。人類は取り組んでいます。 それは[…]電気や火よりも深遠です。」

人工知能のアプリケーションはすでに金融からヘルスケアに至るまでの業界を混乱させているため、この機会を把握できる技術PMは、AIプロジェクト管理がどのように明確であり、変化する状況に最もよく備えることができるかを理解する必要があります。

仮説

すべての意味：AIとML

深く掘り下げる前に、AIが実際に何であるかをしっかりと理解することが重要です。 多くの場合、同じ意味で使用される多くの異なる用語があるので、最初に最も一般的な定義に飛び込みましょう。

人工知能（AI）

AIは、パターン認識、学習、一般化など、人間の知性を必要とする問題を解決することに専念するコンピューターサイエンスの分野です。

この用語は、実際の認知が可能な自己認識型コンピュータープログラムを指す人工知能（AGI）を表すために、近年多用されています。 それにもかかわらず、近い将来のほとんどのAIシステムは、コンピューター科学者が「ナローAI」と呼ぶものになります。つまり、自分で実際に「考える」のではなく、1つの認知タスクを非常にうまく実行するように設計されます。

機械学習（ML）

機械学習は、統計的手法を使用してコンピューターが明示的にプログラムされていなくてもデータから学習できるようにする人工知能のサブセットです。

AIとMLは、AIの分野でいくつかの機械学習手法が成功したため、近年多くの企業で同じ意味で使用されています。 明確にするために、機械学習はプログラムの学習能力を意味しますが、人工知能は他の機能とともに学習を含みます。

ニューラルネットワークとディープラーニングの詳細については、この記事の最後にある付録を参照してください。

重要な違い：AIと標準アルゴリズム

AIの重要なポイントは、そのアルゴリズムが大量のデータを使用して内部構造を調整し、新しいデータが提示されたときに、与えられた以前のデータに従って分類されるようにすることです。 これを、コードに厳密に記述された分類手順に従って操作するのではなく、データからの「学習」と呼びます。

車とトラックを区別できるプログラムを作成したいとします。 従来のプログラミングアプローチでは、大きなホイールや長いボディなど、特定の指標となる機能を探すプログラムを作成しようとしました。 これらの機能がどのように見えるか、写真のどこにあるかを具体的に定義するコードを作成する必要があります。 このようなプログラムを作成して確実に動作させることは非常に困難であり、誤検知と誤検知の両方が発生する可能性があり、最終的にはまったく使用できなくなる可能性があります。

ここでAIアルゴリズムが非常に役立ちます。 AIアルゴリズムがトレーニングされると、多くの例を示すことができます。AIアルゴリズムは、静的な規定の特徴定義に依存するのではなく、画像の分類の成功に関連する特徴の検出を開始するように内部構造を調整します。

実際のAIプロジェクト管理

データは王様

人間は大量のデータを扱うのが苦手であり、私たちが利用できる膨大な量のデータによって、直接使用できない場合があります。 これがAIシステムの出番です。

AIシステムに関する非常に重要な概念は、AIシステムの予測はデータと同じくらい良いということです。 たとえば、100万個のデータポイントを持つアルゴリズムは、10,000個のデータポイントを持つ同じアルゴリズムよりもパフォーマンスが高くなります。 さらに、BCGは、「多くの企業は、AIの成功に対するデータとトレーニングの重要性を理解していません。 多くの場合、インテリジェントシステムを構築するには、人間の自然よりも育成が重要であるのと同様に、より優れたデータが、より優れた裸のアルゴリズムよりも重要です。」

この知識があれば、データの準備とクリーニングは、プロジェクトプロセスでより一般的になるでしょう。 ほとんどの企業は正しい形式のデータを準備していないため、このステップはAIシステムを構築する上で最も労力を要する部分であることがよくあります。したがって、データアナリストがこの重要なステップを完了するには時間がかかる場合があります。

さらに、データインフラストラクチャのセットアップとデータクリーニングのジョブは、通常のソフトウェア開発よりもはるかに直線的であり、異なるプロジェクト管理方法が必要になる場合があります。

要約すると、データを実行するための機械学習モデルを構築するよりも、適切なデータインフラストラクチャを構築して使用するデータを準備するのにはるかに長い時間がかかる可能性があります。 これは、プロジェクトマネージャーがチームを管理し、AIの範囲とプロジェクトの見積もりについて考えるときに、大きな考慮事項です。

さらに、データセットは新しいデータで継続的に更新する必要があります。 一意のデータセットへのアクセスが、どのML製品が最も成功するかを定義する主な決定要因になる可能性があります。 起動後であっても、MLプロジェクトで可能な限り最高のパフォーマンスを実現するには、これを常に最新の状態に保つことが重要です。

AI開発ライフサイクル

ほとんどの人は、標準のシステム開発ライフサイクル（SDLC）と、さまざまな方法論やテクノロジーがそれをどのように形作っているかをよく知っています。 AIの開発は、この分野に新たな一連の課題をもたらすことに注意することが重要です。 AI開発のライフサイクルを次のステップに分割できます。アイデアとデータの発見、MVPの優先順位付け、MVPの本格的な製品への開発です。

アイデアとデータの発見

この最初の段階では、ML製品のエンドユーザーと利用可能なデータプールという2つの重要なことに焦点を当てる必要があります。

これらの手法は、2つの独立した側面から問題に取り組むことで、プロジェクトマネージャーが企業内で利用可能なML製品の機会をすばやく絞り込むのに役立ちます。 このフェーズでは、トップPMは、特定の問題を解決できる難しさをよりよく理解するために、機械学習スペースに関する知識から利益を得ることができます。 MLの分野では物事は非常に速く進み、いくつかの難しい問題は、研究の新しい発展によってはるかに簡単になる可能性があります。

前述のように、データが検出されたら、データをクリーンアップして準備する必要があります。 この特定のタスクは通常、線形ステップで実行されます。これは、スプリントに強制することはできますが、アジャイルやウォーターフォールなどの一般的なプロジェクト方法論にうまく適合しません。 通常、データクリーニングは、データセットのサイズを徐々に増やし、他の開発作業と並行して準備することにより、繰り返し実行されます。

最小実行可能製品（MVP）の優先順位付け

未完成の大きな製品ではなく、小さな製品の実用的なプロトタイプを用意する方が良いという事実は、機械学習製品とともにここにあります。 新しいMLMVPは、配信の速度と会社への価値に基づいて優先順位を付ける必要があります。 小さい製品であっても、迅速に製品を提供できれば、チーム全体にとって良い、迅速な勝利になる可能性があります。まず、これらの製品に優先順位を付ける必要があります。

これらのMVPを従来のアジャイル方式で準備することは良い考えであり、開発チームは、データチームが独自に準備した継続的に改善されるデータセットに基づいてMLモデルを提供することに集中する必要があります。 ここでの重要な違いは、データチームがMVPを構築するチームと同じスプリント構造を介して作業する必要がないことです。

本格的な製品へのMVP

このステップでは、データインフラストラクチャが重要になります。 ML製品で世界中からの高周波APIアクセスが必要な場合は、ML製品をサポートするためにインフラストラクチャをスケールアップする方法を検討する必要があります。

これは、現在の製品のパフォーマンスを損なうことを避けるために、MLモジュールへの変更を注意深く評価する必要がある場所です。 新しいアルゴリズムまたはデータセットを使用してMLモジュールを再トレーニングしても、必ずしも直線的なパフォーマンスの向上がもたらされるとは限りません。したがって、ライブ展開の前にかなりの量のテストが必要になります。 エッジケースと潜在的な生成的敵対的ネットワーク（GAN）攻撃のMLモジュールテストはまだ始まったばかりですが、プロジェクトマネージャーがライブML製品を実行するときに覚えておくべきことは間違いありません。

AI開発ライフサイクルにおける重要な役割

MLアプリケーションを開発するためのデータ量の多い要件は、AI製品のSDLCに新しい役割をもたらします。 MLアプリケーションの分野で優れたプロジェクトマネージャーになるには、データサイエンティスト、データエンジニア、インフラストラクチャエンジニアの3つの役割に精通している必要があります。 機械学習エンジニア、機械学習インフラストラクチャエンジニア、機械学習科学者など、他の役職に装われることもありますが、これらのコアポジションとML開発プロセスへの影響をしっかりと理解することが重要です。

データサイエンティスト

データサイエンティストは、機械学習モデルを構築する個人です。 彼らは、適用された統計、機械学習、分析の深い理解に基づいてアイデアを統合し、実際のビジネス上の問題を解決するために洞察を適用します。

データサイエンティストは、データアナリストの高度なバージョンと見なされることがあります。 ただし、データサイエンティストは通常​​、強力なプログラミングスキルを持ち、データセンターにまたがる大量のデータを快適に処理でき、機械学習の専門知識を持っています。

また、データインフラストラクチャとビッグデータマイニングを十分に理解しているだけでなく、データを調べてその中の最初の手がかりと洞察を見つけるために、自分で探索演習を実行できることも期待されています。

基本的なスキル： Python、R、Scala、Apache Spark、Hadoop、機械学習、深層学習、統計、データサイエンス、Jupyter、RStudio

データエンジニア

データエンジニアは、ML製品の動作に必要なソフトウェアとインフラストラクチャの構築を専門とするソフトウェアエンジニアです。 彼らは包括的なアーキテクチャに焦点を当てる傾向があり、機械学習、分析、またはビッグデータの専門家ではないかもしれませんが、ソフトウェアとインフラストラクチャをテストするには、これらのトピックを十分に理解している必要があります。 これは、データサイエンティストによって作成された機械学習モデルを正常に実装し、現実の世界に公開できるようにするために必要です。

基本的なスキル： Python、Hadoop、MapReduce、Hive、Pig、データストリーミング、NoSQL、SQL、プログラミング、DashDB、MySQL、MongoDB、Cassandra

インフラエンジニア

インフラストラクチャエンジニアは、ML製品のバックボーンであるインフラストラクチャ層を管理します。 データエンジニアはこのインフラストラクチャの一部を構築する場合がありますが、多くの場合、インフラストラクチャチームによって準備および合意されたレイヤーの上に構築されます。

インフラストラクチャエンジニアは、MLアプリが数百万人のユーザーにサービスを提供できるように拡張できるスケーラブルで効率的な環境を作成することを目的として、複数のMLチームにまたがって作業する場合があります。 インフラストラクチャエンジニアは、プラットフォームのソフトウェアレベルを管理するだけでなく、データセンターパートナーと連携して、ホストされているデータの地理的な場所からハードウェアまで、すべてがスムーズに実行されるようにします。 これらの側面がMLプロジェクトで重要性を増しているため、インフラストラクチャエンジニアはAI主導の企業でますます重要になっています。

基本的なスキル： Kubernetes、Mesos、EKS、GKE、Hadoop、Spark、HDFS、CEPH、AWS、クラウドコンピューティング、データセンター運用、エンドツーエンドのコンピューティングインフラストラクチャ、ITインフラストラクチャ、サービス管理

今日の一般的な課題

AIおよびMLベースの製品の出現により、プロジェクトマネージャーは、慣れ親しんだ課題と完全に異質な課題の両方に直面することが予想されます。 トップPMは、プロジェクトの調査から完了までのプロセス全体を通じて、これらの潜在的な問題を鋭敏に認識しています。

リアリティチェック

AIの人気と期待にもかかわらず、解決しようとしている問題が複雑なAIソリューションを必要としない可能性は十分にあります。

多くの予測問題は、より単純で、場合によってはより信頼性の高い統計回帰モデルを使用して解決できます。 PMがプロジェクトを開始する前に健全性チェックを実行して、問題が本当に機械学習を必要としていることを確認することは非常に重要です。

より単純な統計モデルから始めて、機械学習ベースのソリューションと並行して進むことが賢明な場合があります。 たとえば、レコメンデーションエンジンを構築している場合は、開発ライフサイクルがより速い、よりシンプルなソリューションから始めて、後続のMLモデルが優れたパフォーマンスを発揮するための適切なベースラインを提供することをお勧めします。

AIスコープクリープ

MLプロジェクトでのスコープクリープの最も一般的な原因は、一度に多くのことを実行しようとし、データの準備に必要な労力を過小評価することに関連しています。

最初の問題に取り組むには、利害関係者を管理して、壮大な計画よりも迅速な勝利から始める方がよいことを理解できるようにします。 ビルドとテストを行う際に、プロジェクト全体でこのアプローチを継続的に伝達します。

簡単に定義およびテストできる小さなアトミック機能から始めます。 複雑なタスクに気付いた場合は、それをメインタスクの適切なプロキシである単純なタスクに分割してみてください。 これらのタスクが達成しようとしていることを簡単に伝えることができるはずです。

たとえば、ユーザーが特定の広告をクリックするタイミングを予測しようとしている場合は、最初に、ユーザーが広告を完全に却下するかどうかを予測してみることができます。 このアプローチでは、問題が単純化され、現在のMLモデルによってより適切に対応および予測できます。 Facebookは、モデルの開始から配信までのMLパイプラインに焦点を当てて、このトピックをさらに深く掘り下げた素晴らしいシリーズを作成しました。

スコープクリープの2番目の要因に対処するには、MLプロジェクトをサポートするためのデータを準備できることを確認してください。 必要なデータが必要な形式であると単純に想定することは、PMがMLプロジェクトを開始するときに犯す最も一般的な間違いです。 データの準備とクリーニングはMLプロジェクトプロセスのより長い部分であることが多いため、このステップの管理は不可欠です。 データサイエンティストが適切なデータにアクセスでき、構築したいML機能を考案する前に、その品質と有効性を確認できることを確認してください。

プロジェクトは常により良い、より多くのデータから利益を得ることができるので、イニシエーターとしてだけでなく、プロジェクト全体を通して継続的な演習としてデータのラベル付けとクリーニングを行う準備をしてください。 このステップは最も魅力的なタスクではないため、この作業をスプリントに分割して、データチームが無限のチケットバックログに直面するのではなく、作業の進捗状況を感じることができるようにします。

場合によっては、企業はデータのラベル付けをサードパーティにアウトソーシングします。 これは時間と初期費用の節約に役立ちますが、信頼性の低いデータを生成する可能性もあり、最終的にMLモデルの成功を妨げる可能性があります。 これを回避するには、複数のオーバーラップ手法を使用します。この手法では、すべてのデータが複数の関係者によってチェックされ、結果が一致する場合にのみ使用されます。

プロジェクトを計画するときは、プロジェクトの途中でラベル付けの要件が変更され、ラベルの付け直しが必要になった場合に備えて、データチームが調整を行うのに十分な時間を確保してください。

最後に、新しいMLメソッドを発明する代わりに、データを既存のMLメソッドで簡単に使用できるかどうかを確認します。ゼロから開始すると、プロジェクトの時間と範囲が大幅に増える可能性があるためです。 まだ解決されていないMLの問題を解決しようとすると、失敗する可能性が高いことに注意してください。 機械学習の成功と公開された研究論文の数にもかかわらず、MLの問題を解決することは非常に困難な作業になる可能性があります。 何か新しいものを発明しようとするよりも、良い例とアルゴリズムがたくさんあるMLの領域から始めて、それを改善しようとするのが常に最も簡単です。

機械学習、期待、UX

すべてのPMは、作成しているAI製品のユーザーエクスペリエンスと、それらを作成しているチームを最適に管理する方法について考える準備ができている必要があります。 Googleは、人間の相互作用に重点を置いて、UXとAIについての彼らの考え方について素晴らしい記事を書きました。

この点は、ML製品がオペレーターと対話する必要がある場合、またはオペレーターに置き換えられる必要がある場合に特に重要です。 設計では、システムのオペレーターとユーザーに必要最小限のストレスを加える必要があります。 たとえば、チャットボットは多くの場合機械学習に基づいていますが、人間のオペレーターがシームレスに引き継ぐことができます。

また、利害関係者は、機械学習製品に提供できるものよりもはるかに多くのことを期待する可能性があります。 これは通常、AI製品について書くときにメディアによって引き起こされる誇大宣伝に起因する問題であるため、プロジェクトマネージャーが合理​​的な期待を設定することが重要です。

AIツールが実際に何であり、利害関係者のために達成できるかを説明して、ツールをテストする前に彼らの期待を十分に管理できるようにしてください。 優れたUXは素晴らしいですが、非現実的な期待を持つユーザーに価値を提供することはできません。そのため、関係するPMがこれらを管理し、AIとその現実的な機能について関係者を教育することが不可欠です。

MLでの品質保証（QA）とテストの実践

現在の形のAIは比較的新しい分野です。 目標を達成するためにディープラーニングを使用するアプリケーションがこれほど多くあったことはかつてありませんでした。 これらの新しい開発には、特にテストにおいて、独自の一連の課題が伴います。

人々によって書かれた明確な「ルールセット」を備えた標準ソフトウェアをテストすることは比較的簡単ですが、機械学習モデル、特にニューラルネットワークを使用して構築されたモデルを徹底的にテストすることははるかに困難です。 現在、ほとんどのMLモデルはデータサイエンティスト自身によってテストされていますが、ML製品が予期しない方法で失敗しないことを確認するために、標準のQAチームで合意されたテスト方法はほとんどありません。

これらのGAN攻撃などの既知のモデルの結果を操作する新しい方法により、包括的なモデルテストがこれまで以上に重要になります。 これは多くのMLプロジェクトの優先事項になり、今後数年間でMLモデルの「統合」タイプのテストが増えるでしょう。 ほとんどの単純なプロジェクトでは、これは現在具体的な問題ではないかもしれませんが、ミッションクリティカルなML製品を構築する場合は、これを覚えておくことが重要です。

MLモデルの盗用と盗用

このWiredの記事が公開され、元の論文が2016年のUSENIX Security会議で発表されて以来、ライブMLモデルを盗用する可能性があることが明らかになりました。

これをうまく達成することはまだかなり困難ですが、公開されているAPIを介してモデルを実行している場合は、この可能性に注意することが重要です。 理論的には、それに実質的にアクセスできるパーティは、あなたのネットワークに基づいて独自のネットワークをトレーニングし、予測機能を効果的にコピーすることができます。

これは可能性の点ではまだかなり制限されていますが、これがプロジェクトの懸念事項である場合は、攻撃の可能性を防ぐためにチームと協力してください。

人材不足

世界クラスのAIエキスパートに対する現在の需要により、適切な人材を獲得するための競争は熾烈です。 実際、New York Timesは、世界クラスのAI専門家が、シリコンバレーの大手テクノロジー企業で年間最大100万ドルを稼ぐことができると報告しています。 PMとして、チームに参加するAIの専門家を探すときは、採用サイクル、予算、または行われる作業の質に影響を与える可能性があるため、これらのダイナミクスに注意してください。

この不足は、新しい深層学習アルゴリズムを作成する革新的な精神を超えて広がり、最高品質のデータエンジニアや科学者にも当てはまります。

最も才能のある人々の多くは、Kaggleなどの機械学習コンテストに参加しており、難しい機械学習の問題を解決するために10万ドル以上を獲得することを期待できます。 MLの専門家を現地で採用するのが難しい場合は、専門の請負業者をリモートで採用したり、最も困難なMLの問題について独自のKaggleコンテストを実施したりするなど、すぐに使えるソリューションを探すのが賢明です。

法的および倫理的課題

プロジェクト管理におけるAIの法的および倫理的課題は2つあります。

最初の一連の課題は、MLモデルのトレーニングに使用されるデータに由来します。 使用するデータの出所を理解することが重要です。具体的には、データを使用する権利があるかどうか、およびデータの使用を許可するライセンスがあるかどうかを理解する必要があります。

適切な種類のライセンスを持っていない可能性のあるデータでトレーニングされたモデルを展開する前に、そのような質問を解決するために弁護士に相談することが常に重要です。 これは比較的新しい分野であるため、これらの回答の多くは明確ではありませんが、PMは、チームが使用する権限を持つデータセットのみを使用していることを確認する必要があります。

これは、MLアルゴリズムをトレーニングするために公開されているデータセットの優れたリストです。

2番目の一連の課題は、システムが体系的なバイアスを発生させないようにすることから生じます。 近年、このような問題が数多く発生しており、あるカメラ会社は、特定の人種の顔を含むデータのみでトレーニングされているため、その人種の人しか検出しないことを認めざるを得ませんでした。 もう1つの例は、インターネットトロールのグループによる協調的な取り組みにより人種的なスラーが発生し、激しい陰謀が繰り返されたため、数日間の学習後に自己学習型Twitterボットを撤回しなければならなかった大手ソフトウェア会社からのものです。

これらの問題の程度は軽微であるか、プロジェクトを破壊する可能性があるため、重要なシステムを開発する場合、PMはそのような可能性を考慮し、可能な限り早期に防止する必要があります。

優れた基盤は強力な構造につながります

要約すると、差し迫ったAI革命は、開発プロセスの変更、チームの原型の違い、新しい課題を伴うことが多い、一連の興味深い動的なプロジェクトをもたらします。

トップテクニカルプロジェクトマネージャーは、AIの基本をよく理解しているだけでなく、各プロジェクトステップの難しさや、チームで実際に何を作成できるかについての直感も持っています。 AIは市販の（COTS）ソリューションではないため、特定のML製品を購入することを選択した企業でも、新しいものをテストし、データとインフラストラクチャを正しく管理するために投資する必要があります。

AIの登場により、ソフトウェア製品の種類とその作成プロセスが変化していることは明らかです。 これらの新しい概念を把握して実行できるプロジェクトマネージャーは、将来の機械学習製品を作成する上で重要な役割を果たします。

著者からの追加資料

追加の理論：DLとNN

人工知能（AI）と機械学習（ML）のより一般的な言い回しに加えて、プロジェクトマネージャーは、ディープラーニング（DL）とニューラルネットワーク（NN）をさらに区別することを意識することで恩恵を受けることができます。

ディープラーニング（DL）

ディープラーニングは、従来のタスク固有のアルゴリズムとは対照的に、学習データ表現に基づく機械学習手法の幅広いファミリーの一部です。

最新の深層学習モデルのほとんどは、人工ニューラルネットワークに基づいていますが、他のさまざまな方法を使用できます。

ニューラルネットワーク（NN）

ニューラルネットワークは、生物学的に触発され、接続された数学的構造であり、AIシステムが提示されたデータから学習できるようにします。

これらのネットワークは、データ入力に応じて開閉する何百万もの小さなゲートとして想像できます。 これらの手法の成功は、近年のGPUコンピューティング能力の成長によって可能になり、ニューラルネットワーク内のこれらの「小さなゲート」をより迅速に調整できるようになりました。

ニューラルネットワークには複数の種類があり、それぞれに固有の使用例と複雑さのレベルが伴います。 さまざまなタイプのニューラルネットワークアーキテクチャを説明するために使用されるCNN（畳み込みニューラルネットワーク）やRNN（リカレントニューラルネットワーク）などの用語が表示される場合があります。

それらがどのように見え、機能するかをよりよく理解するために、ニューラルネットワークがアクティブなときにどのように「見える」かを3Dで視覚化したものを次に示します。

AIについてもっと知りたいですか？

これを読んだ後、主題をもう少し深く探求したい場合は、これらのソースをチェックすることをお勧めします。

ニューラルネットワークを理解する

ニューラルネットワークがどのように機能するかについて詳しく知りたい場合は、YouTubeのニューラルネットワークで3Blue1Brownシリーズをチェックすることをお勧めします。 私の意見では、これはニューラルネットワークの最も詳細な説明です。 簡単な用語で提供され、事前の知識は必要ありません。

AIニュースの最新情報を入手する

学術論文を読むのに何時間も費やすことなく、AIテクノロジーの最新の進歩について最新情報を入手したい場合は、次の2分間の論文をお勧めします。 このチャンネルでは、最も印象的な新しいAI技術とその実装に関する2分間の最新情報を毎週提供しています。

ML開発の基礎を学ぶ

自分でコードに手を出したい場合で、Pythonの基本的なスキルがある場合は、Fast.aiをチェックしてください。 彼らのコースでは、基本的な開発スキルを持っている人なら誰でも、ニューラルネットワークの実験と遊びを始めることができます。

機械学習の基礎

この提案は、最初から始めて、機械学習の理解と実装の頂点に到達したい人向けです。

このコースでCourseraを立ち上げた、今では伝説的なAndrew Ngによって作成されたため、かなりの時間の投資（少なくとも6か月）が必要ですが、土曜日を過ごすには非常に生産的な方法です。

注：重要な用語の定義は、ウィキペディアから採用されています。