内容紹介：高リスクな分野での安全なＡＩ運用を実現する！本書は、機械学習が雇用、融資、保釈、セキュリティなどといった高リスクな意思決定の分野において活用されるなか、説明責任・公平性・プライバシーなどの課題にどう取り組むかを明らかにします。アルゴリズムによる差別やデータ漏洩といった実例を踏まえつつ、機械学習の失敗を未然に防ぐための実践的フレームワークを提示します。Ｐｙｔｈｏｎの実装例も充実しており、責任あるＡＩの構築を目指す読者に不可欠な１冊です。
本書は、機械学習モデルがもたらす重大なリスクを軽減し、責任あるＡＩ運用を実現するための実践ガイドです。特に「高リスク」な意思決定が行われる分野、たとえば生体認証による識別、重要インフラの管理、教育、雇用、公共および民間の必須サービス、法執行、移民および国境管理、刑事司法、そして民主的プロセスなどにおける事例を重視しています。本書は三部構成となっており、第１部では実践的なアプリケーションの観点から主要な問題を論じ、第２部で構造化および非構造化データの観点からトピックをさらに深掘りし、実装上の課題や分析手法を具体的に検討します。第３部では現実世界の高リスクな事例をもとに、成功のための実践的な助言を提示します。説明可能性、安全性、バイアス、プライバシーなどの課題に対し、Ｐｙｔｈｏｎベースの実践的ツールを活用した具体的対策を提供し、実務者が主体的にリスクを管理できる指針を提供します。
もくじ情報：第１部　ＡＩリスクマネジメントの理論と実践的応用（現代の機械学習におけるリスク管理；解釈可能性と説明可能性；機械学習システムの安全性と性能の検証；機械学習におけるバイアスの管理；機械学習のセキュリティ）；第２部　ＡＩリスクマネジメントの実践（説明可能なブースティング・マシンおよびＸＧＢｏｏｓｔの説明；ＰｙＴｏｒｃｈを用いた画像分類器の説明；ＸＧＢｏｏｓｔモデルの選択とデバッグ；ＰｙＴｏｒｃｈ画像分類器のデバッグ；ＸＧＢｏｏｓｔによるバイアスのテストと修正；ＸＧＢｏｏｓｔのレッドチーム演習）；第３部　結論（高リスクの機械学習で成功する方法）

ホール，パトリック(ホール，パトリック)
ＢＮＨ．ＡＩの主任科学者であり、フォーチュン５００企業および最先端のスタートアップ企業に対してＡＩリスクに関する助言を行っている。また、ＮＩＳＴのＡＩリスクマネジメント・フレームワーク（ＡＩ　ＲＭＦ）を支援する研究にも従事している。さらに、ジョージ・ワシントン大学ビジネススクール意思決定科学学部の客員教員として、データ倫理、ビジネス分析、機械学習の授業を担当している。ＢＮＨ．ＡＩを共同創設する以前は、Ｈ２Ｏ．ａｉにおいて責任あるＡＩの取り組みを主導し、機械学習における説明可能性およびバイアス軽減を目的とした、世界初の商用アプリケーションの１つを開発した。また、ＳＡＳ　Ｉｎｓｔｉｔｕｔｅにおいては、グローバルな顧客対応および研究開発の職務を歴任した。学歴としては、イリノイ大学にて計算化学を学び、ノースカロライナ州立大学のＩｎｓｔｉｔｕｔｅ　ｆｏｒ　Ａｄｖａｎｃｅｄ　Ａｎａｌｙｔｉｃｓを修了している