松本健太郎のレビュー一覧

人は悪魔に熱狂する

松本健太郎

そもそも、人間は合理的ではない。合理的に考えれば選ばないような選択肢を自ら拾ってしまう生き物なのだ。このようなバイアスまみれの人間心理の究明を目指しているのが行動経済学である。
人間には善と悪の心があり、善が悪に常に勝つわけではない。
世の中のヒット商品は人間の煩悩にまみれた悪の部分を突いてヒットさせていることに気がつくべきだ。
食べ放題は人間の生理的欲求を刺激するし、FacebookやTwitterのいいねは人間の誰かに認められたいという承認欲求を刺激している。

怒りの感情も人間の悪の部分に語りかける。
怒りは社会を動かすチカラになる。
しかし、怒りやマイナスの言葉が説得力を持つのは発言者が努力家であることが前提である。

手を抜くことは人間の持つ悪のひとつであることを認識すべきである。必ずしも努力し続けることが善ではない。バランスよく努力することが、新たなアイデアを生むのである。手を抜くという人間の本能を理解すべきである。

新しい技術がすべてを変えてしまうと心配しすぎないようにする。不安や苛立ちの感情では冷静な判断は下せない。

ギャンブルも人間の次こそはという悪の心を刺激している。
食べログなどのランキングも人間の人の良い意見に流されやすいという性質を上手く利用している。
占いも根拠はないが、自分を安心させるために信じてしまう。

データを都合よく解釈してしまうことにも注意するべきだ。
データの中にある、人間の悪の部分もしっなり見る必要があるのだ。

データサイエンス「超」入門 嘘をウソと見抜けなければ、データを扱うのは難しい

松本健太郎

若者の〇〇離れとか、景気は良くなったことが実感できない、といった世の中でなんとなく通説となっている話をデータで読み解く本。
内容は概ねまともですが、一つ一つのトピックの解説は濃淡があるため、自分でもデータに当たって考えることが大事と感じる。また、データの見つけ方やグラフの読み方といった前提が書かれていない。
読みやすい文体で良いが、最初にその説明はあるけど「データサイエンス」の内容は書かれておらず騙された感じ。
あと、著者のダイエット日記を垂れ流してるだけみたいな部分もあるので注意（この本の方向性と違うのになぜ入ってるんだろう）

なぜ「つい買ってしまう」のか？～「人を動かす隠れた心理」の見つけ方～

松本健太郎

インサイト　人を動かす隠れた心理
共感性で評価


アイデアの見つけ方
新奇事象
本人だけが価値を感じて実施している
変わった生活行動
↓
オポチュニティ
客観的な事実と主観的な感情の把握
消費者が潜在的に感じている価値やブランドやサービスでこれまで提供していなかった価値の仮説
↓
価値事象
↓
インサイト
↓
アイデア


なんとなくを言語化

なぜ「つい買ってしまう」のか？～「人を動かす隠れた心理」の見つけ方～

松本健太郎

・デコム松本さんの本。デコムのサービス体型の理解ができた、気がする。
・先にデコムのサービス資料を見まくってたので、この本と照らし合わせして、理解を深めた感じする。
・インサイトの捉え方、もだが、その前提に年表やN1事例集、みたいな整理と情報があることで、発見になる、というのは、理に適ってる感じがする。

・読みにくいというレビューがあったが、個人的には問題なし。串カツ田中の例は正直良くわからんが。

未来IT図解 これからのデータサイエンスビジネス

松本健太郎 / マスクド・アナライズ

トレンド本と言って良い本。旬なネタで現在進行形の現場の動きや、提供側の視点での事例紹介などが記載されているので、採用する側の人が読むとちょうど良い感じにお互いが歩み寄れるような雰囲気があります。

ただ、パートワンの各種指摘は、当たり前すぎな上に、採用する側のシニア層からすると鼻につく書き振りなところもあるかなと、ある意味同業の営業の昭和生まれからは指摘したいw

結局、データサイエンスなるものが自社のビジネスに役に立だせることができるか？平たくいうと、それウチが儲かる話なの？って言うドライな所が最も大事だと思うのだが、その急所の部分は発注側が責任もって欲しい所。

この本は、そう言う点で、発注側になる人が、一読して、基本的な言葉とか、勘所みたいな物を認識するのに良いと思う。

逆に受注側の本気でデータサイエンスを学びたいって言う様な技術者には、初学としての知識が得られると思って手に取ったほうが良いかも。

グラフをつくる前に読む本［一瞬で伝わる表現はどのように生まれたのか］

松本健太郎

・グラフの特徴は理解できたが余談が多い（それはそれで面白かったが）
・巻末付録の実際の社会情勢を改めてグラフ化して正誤を確かめるプロセスが1番為になった（データ分析の仕方を身近なネタを基に考えられる）

アイデア量産の思考法～市場や商品ではなく、人間を見に行こう

松本健太郎

新奇事象の100本ノック。同時期に読んだ「なぜ『つい買ってしまう』のか？」ではインサイトの探し方を体系化し説明していたのに対して本作は、新奇事象をひたすら並べた一冊。著者が規定する14のカテゴリー別に整理された事象からそれぞれ導出したアイデアにまで昇華させています。
こうしてみていくとやはり事象をみただけ・知っただけでは（自分には）すぐさまアイデアに結び付けることは難しいと感じます。とはいえ著者もあとがきで書いているように本作は、なんども読み返し、そのたびに新たな発見をするためのもの、ということですから、手元においてスルメのように長く味わうべき本なのかもしれません。

未来IT図解 これからのデータサイエンスビジネス

松本健太郎 / マスクド・アナライズ

データサイエンスビジネスについて、
ざっくり書いてくれている本。
どちらかというと初心者向けかなと思うが、
それでも全体感を掴むには分かりやすかったと思う。

これからデータサイエンスビジネスに
取り組む人であれば、一度読んでみてもよいと思う。

【勉強になったこと】
・AI・データ分析における開発では、
　ユーザー企業による開発の内製化や少人数が
　短い期間で開発とリリースを繰り返す
「アジャイル型開発」の採用が増えてきている。

・分析前までにかける時間はプロジェクト全体の8割程度

・データサイエンスビジネスでは、何よりもまず、
　データから何を知りたいのかを定義すること。

・時系列データは、傾向変動、循環変動、
　季節変動、不規則変動の4種類に分類出来る。

・ディープラーニングとは、従来は人間が
　与えていた特徴量を自ら探す学習法のこと。

・2018年の日本の広告費は、
　総広告費6兆5,300億えんで、インターネット広告が
　1兆7,589億円となっている。

・データ分析チームが活躍するためには、
　KKD（経験・勘・度胸）から、
　DNA（データ・数字・AI）に変革すること。
　そのためには、ボトムアップからのアプローチも
　必要となってくる。

未来IT図解 これからのデータサイエンスビジネス

松本健太郎 / マスクド・アナライズ

・中級者以上のデータ分析実務経験者にとっては既知の内容が多いのではという印象。その差分を得ていくのがよい。

・パート1で論じられている事の現実感が逆になかった。納得や共感よりも、まだそんな考え方の企業がいるのか。という所感の方が強い。多分、新卒からIT企業に勤めて、他企業の文化に触れる機会がなかったからだと思う。逆に「ものづくり」企業を中心にそうした旧時代的な考え方がマスである認識を持っておく必要はある。

・圧倒的に自分に不足しているのはITリテラシー。エンジニアと会話できなければ、未来はない。実学を学んで、自分で実践して体感すべきと再確認。

・P51のビジネスプロセスは分析ワークの全体像を捉えていてわかりやすい。元々の分析する前の工程に重きがおかれているのが良い（そもそものデータ自体の正確さや疑いをもつべきという松本さんらしい）

・手法の選択は経験値を積んでおきたい。より良いやり方があるのに分析手法のレパートリーを知らないのはもったいない課題解決手法の幅を広げる戦略は正しい。

・PysonとRの使い分け。
Pyson→サービスの一機能として組み込み
R→統計データ分析による意思決定の支援

未来IT図解 これからのデータサイエンスビジネス

松本健太郎 / マスクド・アナライズ

データサイエンスはおろかＩＴも合理的に使えない昭和の価値観のままの日本の社会や会社組織などを糾弾し、過去のしがらみから脱却せよと熱弁を奮ってのつかみ。データサイエンス導入に当たっての、ビジネス、サイエンス、エンジニアリングそれぞれの立場での視点を解説し、代表的な分析手法の解説を行い、実装そしてビジネスへの展開と話を進めます。終章ではこれからのビジネスのについて展望します。2章は体系的にまとまっていて良かった印象ですが、1章と3章は散漫な感じですね。2章はだけでもっと詳しく書かれたほうが良かった気がします。

未来IT図解 これからのデータサイエンスビジネス

松本健太郎 / マスクド・アナライズ

2章の実務の話は面白かったけど、それ以外は実際にデータサイエンティストとしてお仕事してる身としては、内容がちょっと薄すぎた。

ただ、データ活用の仕事の重要性をわかりやすく伝えるには、これくらいの方が良いんだろうな、とは思う。数学の話をし始めると、途端にわかりづらくなるので。

ビジネス志向で、かつ、AIという言葉に踊らされたくない人は、ぜひ読んだ方が良い本です。

データサイエンス「超」入門 嘘をウソと見抜けなければ、データを扱うのは難しい

松本健太郎

データを見る自分に自然とバイアスがかかっていることを認識することができた。複雑なものをシンプルに考えようとしがちだけど、そうじゃない真実もあるということを理解した上でデータを見る必要があるなと感じた。バイアスとの付き合い方を常に意識したい。

グラフをつくる前に読む本［一瞬で伝わる表現はどのように生まれたのか］

松本健太郎

本書は、棒グラフ、円グラフなと、数種類あるグラフを作る上で、表現・主張内容に応じて採用すべきグラフの種類を示すとともに、個々のグラフがどのような歴史背景で誕生したか、をまとめたもの。

データサイエンス「超」入門 嘘をウソと見抜けなければ、データを扱うのは難しい

松本健太郎

様々な個別事例を基にデータ分析の妙を展開していて興味深い
気になる事例を飛ばし読みするのも読み易くてよい

データサイエンス「超」入門 嘘をウソと見抜けなければ、データを扱うのは難しい

松本健太郎

今風のいわゆるデータサイエンスの本かと思ったら、データの味方に騙されるなという系の本だった。
これはこれで面白いけど、違うタイトルつけてほしい。

誤解だらけの人工知能～ディープラーニングの限界と可能性～

田中潤 / 松本健太郎

■Q1. 人工知能とDeep Learningの関係は？
2018年時点では、人工知能とはDeep Learningのことである。Deep Learningは分類ができるものである。人間の知能の根底には分類がある。
2018年時点では、人工知能はある分野に特化して人間に勝っている。人工知能を作るにあたって、必ずしも人間の脳を模倣する必要はない。

■Q2. Deep Learningが現時点で強い領域、現時点の弱点、将来期待される領域は？
[現時点で強い領域、弱点]
2018年時点では、画像認識の精度がすごいが、何でも認識できるわけではない。認識できるのは「名詞」であり、「動詞」が認識できるのはまだ先のこと（動画認識が必要）。また、雰囲気のように実体のないもの（数字や文字では表せない何か）は表現できないことが現時点での弱点である。

[将来展望]
第3次人工知能ブーム＝Deep Learning　　　→第4次人工知能ブーム
（2018年現在）　　　　　　　　　　　　　　（10年以上後、2030年代～2045年頃）
- 今ある学習データの枠は超えられない　　→手元にないデータに対する解析ができるようになる
- 誤認識の理由を説明できない　　　　　　→理由をセットにして提示してくれる（Deduction）
★ブレークスルー：Deduction, 意味の理解、理由の説明
※所感：どうやって実現するのかは想像がつかない（だからこそブレークスルーと言っている）

[将来的に期待できる領域]
・この先10年（2020年代）は、誤認識が起きても人間がフォローできる分野での開発と実用化が進む。現在の技術＝Deep Learningで実現される。防犯対策における顔認証や、医療業界における画像診断のように、人間の認識率がもともと低い分野の正解率を高める用途では、すでに実用化に入りつつある。一方、自動運転車やロボットタクシーのように誤認識が安全にかかわる分野では、技術が完成しても法整備などがネックとなる。

・2030年代は、現在分かっているDeep Learningの問題点が解決されたうえで、人工知能が活用される。製造業や農業などの製造生産現場向けのロボットが巨大産業化する。

・2045年頃には、これまでは人工知能に作業を任せるだけだったのが、人工知能が仕事そのものを奪うようになる。まず、意味を理解する人工知能＝強い人工知能が登場する。意味を理解する（Deductionと同義）とは、ある対象がない状態を想像して、その対象がある状態との差分を表現できることである。これにより、人工知能が対応できる範囲が作業から仕事に昇華する。その後、シンギュラリティが来る。
※所感：人工知能≠Deep Learningかもしれない。何者になるかは今はまだ分からない。

■Q3. 自分がこれから備えるべきことは？
新しいものをゼロから生み出すことができるのは、まだ先のこと（Deduction, 意味の理解が必要）。
しかし、新しいものを生み出すための補助手段としてはどんどん導入されていき、作業がどんどん自動化されていくので、キャッチアップしていく必要がある。
※所感：人工知能を研究開発の遂行に活用したり、人工知能を製品に適用したりすることが考えらえる。
このためには、コツコツと勉強することが大切。明日からでも、例えばPythonとDeep Learningの勉強を始めて、知識のキャッチアップをしていくこと。実際に雰囲気に触れて、何ができて何ができないのかを把握し、ビジネスへの導入を考えていくこと。

■Q4. 子供がこれから備えるべきことは？
・21世紀の仕事は、人工知能を作る仕事と、自分自身を売り込む仕事の二つに収斂する。
・第4次人工知能ブームに備えて、統計学を学ぶ。統計学科で統計を体系立てて四年間きっちりと学ぶ。統計学科はアメリカや韓国では普通にあるが、日本では滋賀大学が2017年に設置した一つのみ。

■その他のメモ
・ビジネスにおける人工知能の導入は、ニーズから掘り下げていったほうが良い。聞きかじった事例から入ると、まず成功しない。（p.138）
・グランドチャレンジを見ると、10～20年先の方向性が見えてくる。（p.171）
・人工知能のDBとしてブロックチェーンが向いている。一か所に集めたくない個人情報を分散・セキュアに管理できるため。日本はブロックチェーン技術の最先端にいる。（p.180）

データサイエンス「超」入門 嘘をウソと見抜けなければ、データを扱うのは難しい

松本健太郎

データに基づく議論は一度必ず疑って見るようにすること。つい議論に流されてしまうことがあるが、ミスリードして全く違う結論に至ってしまうことを意識すべき。

様々な指標の定義を確認すること。よく調べると、完全な指標はない。GDP・エンゲル係数・失業率…etc。その上でどう解釈するか、吟味すること。

データをビジネスに活用をしていくのであれば、データを読み解く厳密さにもう少しこだわるべき。初心にかえる心持ちだった。

若者の●●離れの言説は、若者以外でも起きているという若者に限った事象でないというありがちな見逃しはしないようにしたい。1つの対象調査で結論付けるのではなく、対象以外の事象も確認して、対象オリジナルの事象なのかをチェックを漏らさないようにしたい。

本書の中で、グラフの判例や定義が記載されておらず、グラフの意味を解釈できない箇所があったのは少しもったいない。

誤解だらけの人工知能～ディープラーニングの限界と可能性～

田中潤 / 松本健太郎

・AIに関してのわかりやすい解説書
・「人工知能によって仕事が奪われるのか」という事が主題
・基本的には2018現在の人工知能では完全に人間の代替になることは無理
・不足している情報（なぜ爆撃機は堕ちるのか）を想像する人工知能が出てくるとすごい
・上記のような「強い」人工知能が出てきてからのシンギュラリティ
・日本企業はデータ収集の時点から他の海外企業から周回遅れ（先行投資ができないから）

グラフをつくる前に読む本［一瞬で伝わる表現はどのように生まれたのか］

松本健太郎

用いるデータと伝えたい内容（メッセージ）によって使うべきグラフは異なってくる。人口推移であれば線グラフ、年代別構成比であれば円グラフといった具合。
積み上げグラフ、面グラフの使い方について新たな発見があったので、早速使ってみるつもり。

誤解だらけの人工知能～ディープラーニングの限界と可能性～

田中潤 / 松本健太郎

なかなか見ない本音的なお話。その理由は詳しく語られてないが、そんなにうまい話はないよねと思い納得してます。ディープラーニングは何でもできそうなのに。