AIソフトウェアのテストーー答のない答え合わせ [4つの手法]

◆◆ AI開発の品質問題に応える！◆◆ 人智を越えたAIによる推論が、 果たして本当に正しいのか、 どの程度信頼できるのか、 誰も答を持っていません。 正解が分からないのですから、 従来のソフトウェアテストは 一切成り立ちません。 かといって、テストなし、 品質保証なしのシステムを、 現実世界で使えるはずがありません。 本書はその解決策として、 メタモルフィックテスティング、 ニューロンカバレッジ、最大安全半径、 網羅検証の4つを紹介します。 教師あり機械学習で開発したディープ ニューラルネットワークおよび アンサンブルツリー（XGBoostや ランダムフォレスト）が解く 分類問題（画像識別）と 回帰問題（価格予測）の実例を交え、 4つのテスト手法の原理と手順を解説。 それぞれのチュートリアルを通じて 実践スキルも身に付きます。 序章 A I システムとテスト 0.1　A I システムにテストが必要な理由 0.2　厄介な問題＝課題と解決方法にまたがる矛盾 第1章 AIとは何か？ 1.1　AIの種類 1.2　AIソフトウェア 1.3　教師あり学習の仕組み 1.4　AIの開発プロセス 1.5　AIモデルの具体例 第2章　AIソフトウェアのテストの難しさ 2.1　従来型ソフトウェアとの違い 2.2　従来のソフトウェアテストの考え方 2.3　AIソフトウェアはテストできない！？ 2.4　AIソフトウェアのテストアプローチ 第3章　チュートリアルの準備 3.1　実行環境のセットアップ 3.2　テストツールのダウンロード 3.3　学習に使用するデータセット 3.4　AIモデルの学習 3.5　学習済みモデルの実行確認 第4章　メタモルフィックテスティング 4.1　メタモルフィックテスティングとは？ 4.2　チュートリアル 第5章　ニューロンカバレッジテスティング 5.1　従来のカバレッジとニューロンカバレッジ 5.2　ニューロンカバレッジをテストに用いる 5.3　チュートリアル 第6章　最大安全半径 6.1　最大安全半径とは？ 6.2　最大安全半径の計算方法 6.3　チュートリアル 第7章　網羅検証 7.1　網羅検証とは？ 7.2　XGBoostモデルの網羅検証 7.3　検証性質を満たさない入力データ範囲の探索 7.4　DNNモデルの網羅検証 7.補足　各種ファイルの記法