今回この記事を執筆しようと思ったのは、2024年5月25日からの以下のアンケ-ト記事が発端です。

 

 

12_m1

 

私の気のせいかもしれないのですが、この手のヤ●ーのアンケ-ト調査では、
「(景気は) 悪くなっている 」という結果になる傾向が強いように思っています。
勿論、こういうアンケ−トも、全く無視するというのも、それは、それで良くないでしょう。

 

とは言えレスポンス至上主義で少し悪くなりつつある時期を見計らってアンケ−ト調査してるんじゃないかい?と穿った目で見たくなってしまいます。

 

言い方を変えれば、原始時代からのネガティビティバイアスに反応しやすい人の性を利用してるよね、、と言いたくなる。
( 別に、これはヤ●-に限った事ではないですけど )

 

実際、こういうのを( いなす方法を知らず受け身で )見過ぎると危険を過大評価したり、ネガティブな情報に過剰反応したりする傾向を強めます。
結果的に( 流されるまま受け身で見過ぎることで )心を弱めてストレスや不安を増大させ
メディアがフォ-カスしたほうに思考を引っ張られがちで
冷静で大きな等閑的視点でバランスよく世の中を見れなくなっていきます。

 

加えて印象を伴う思考原料を表面意識に提供している大事な潜在意識領をじわじわグレ-化せしめる温床になります。

 

( YA●OOは、結構よい記事を書くケ-スもあるとは言え )

 

冒頭に挙げたアンケ-ト記事に限らずYA●OO等のTOPペ−ジの記事やタイトルの見せ方は、
なんだか残念で嫌だなと思うことがあるのですが、

 

企業活動しているんだし、視聴率や売上を意識したメディアが、ネガティブなニュースで
ユ−ザ−を惹きつけようとするシステムは、今のとこ、どうしようもないです。

 

こういう手法だと反応率が上がって広告効果が高いということが、
莫大なお金をかけた緻密な計測で確かめられているから、そうしているのでしょう。

 

と言うことは、私たちユ−ザ−が、こういうのに、うまく向き合いメディアリテラシーを高める必要があるのでしょう。

 

衝撃的な見出しや炎上を狙ったコンテンツに惑わされないユ−ザ−が増えれば増える程、
効果が少なくなって記事のあり方も変わっていくかもしれません。

 

以下の記事の「 悪循環を断ち切る方法 」も英語記事ですが参考になるかもしれません。
googleやDEEPLE翻訳で日本語に翻訳もできます。
翻訳も、AIの機械学習モデルの発達でかなり高精度になっています。

 

ネガティブなニュースが私たちの思考を歪める

 

 

ただし、文句言ったり、上記の記事を執筆した医師が薦めておられる´ニュ-ス断ち´とかは、
一時的な対策になっても生産性がありません。

 

そこで(個人の力は強くなくても)私でも何かできることはないか?
ちいさなハチドリのちいさな一滴だと、ふと思い直すに至り

 

そういう背景もあって

 

このようなアンケ-トだけで判断するのではなく、かつ専門家でなくとも
国の統計などの客観的な数字で、景気動向を把握し予測する手段を幾つか持っていたほうが将来的にも良いのではないか?

 

バランスの取れた冷静な判断をする際の指標になるだろうと思ったというのが、
今回、coincident indexを予測する機械学習モデルを勢いで作った動機になります。

 

(不徳にも)ブチギレした成り行きで学んでいくうちに、この分野に幾ばくか詳しくなり、
少しばかり教えられるようになったというのもあり日曜大工的に取り組みました。

 

 

 

なお、今回作製したもの(以下)については、GPT4oなどのデバッグがあれば
もう相当に敷居が下がっていて実装は容易な割に
少しは世の中の役に立つのではないか、と思ったというのもあります。

 

以下のカラクリ(ネタバレ)もコ-ディングについて敷居が下がってることを知る参考になるかもしれません。

 

  • 非エンジニアでノンプログラマ-(PYTHON初心者)でもコ-ディング出来た理由−ネタバレ(カラクリ)
  •  

     

     

    結果的に三カ月予測でAvarage MSE 〔 0.7〜1 〕の精度のモデルを作ることが出来ました。

     

     

    以下は、2023年10月から12月を検証用にして予測値と実際の誤差を表した図です。
    予測モデル
    欠損値があったので2023年12月までのデ-タにして、そのうち最後の三カ月を検証用に用いて結果を予想し比較したものです。

     

    ちなみに2024年3月までの欠損値をランダムフォレスト回帰分析で埋めて上記のモデルで
    4月から6月までの一致指数を予想させたら、下がり傾向でした。
    ( よってYA●OOのアンケ-ト予想と同じですね。残念なことに )

     

     

    今回、機械学習モデルを作る際に参考にしたのは、
    以下のURLからDLできるPDFの報告書です。

     

    内閣府景気動向指数の先行系列に基づく機械学習を用いた短期経済予測
    水門 善之, 坂地 泰紀, 和泉 潔, 島田 尚, 松島 裕康
    https://www.jstage.jst.go.jp/article/jsaisigtwo/2019/SAI-034/2019_04/_article/-char/ja/

     

    上記の報告は2019年の人工知能学会第二種研究会資料で決して新しくはないです。
    ですが、それでも数ある、この手の技術報告書の中で敢えて参考にしたのは以下の理由からです。

     

    1.日本の景気の先行きを示すのに使われる11種類の国の統計データを使って予測モデルを構築していて元デ-タの信頼性が高いこと

     

    2.RNN、LSTM、MLPという方法を使っていて、時系列モデルとしてシンプルかつ妥当で、これらをベ−スに色々試せそうだと思ったこと

     

    ※実際、技術報告を参考にはしましたが、RNNではなく勾配消失に対応しやすいとされているGRUモデルで新たに予測モデルを構築しています

     

    3.作った予測モデルがどれだけ正確かを、いくつかのテストをして確かめておりシンプルながら優れた報告書だと思ったこと

     

    4.データの入手先やモデル構築の仕方など詳細が明示されていて比較的、参考にしやすかったこと

     

    以上が挙げられます。

     

    そこで、まずPDFを参考に以下からデータの入手をしました。

     

    内閣府ホーム 内閣府の政策 経済社会総合研究所 景気統計 景気動向指数

     

    そして、報告にあるように1985年1月からの景気動向指数を予測するモデルをL1〜L11の特徴量を使って作るために
    以下のようなCSVファイルを作成しました。

     

     

    12_m1
    ( 一部抜粋 )

     

    ただし、いくら、詳細かつ簡潔に、資料の出典や予測モデルの組み方などを明示してくれている報告書であっても、どの数字を訓練および検証デ-タにしたか、正確にはわかりませんでした。ですのでリンク先の景気統計の生デ-タから3種類のデ-タを作っています。
    そのなかで予測精度が高かったのが上記のデ-タでしたので便宜上、以降は、このデ-タで、どのように予測モデルを構築していったかを説明していきます。

     

     

    csvファイルも、景気動向指数を予測するモデルの基本デ-タ

     

    上記にFEH_2405b.csvというファイル名で置いておきますので、kaggleノ-トに、このCSVファイルをアップして以下に述べる訓練をさせれば、今回の小さな実験について、ある程度までは再現できるかと思います。もちろん訓練誤差はあると思いますが。

     

    具体的には、以下の流れで一連のpythonコードを実行し、モデル構築しています。

     

     

    何からやったかと申しますと、何はなくとも、まずは作成したデータの概要および分布の把握です。

     

    以下のpythonコードでデータの欠損の有無や概要を把握するようにしました。
    ※欠損があると、コ-ディングがやや煩雑になりますので欠損が無いことは事前に目視確認はしていましたが再確認も兼ねて行っています。

     

     

    上記コードは、CSVファイルからデータを読み込み、データの詳細を確認するために使うものです。データの全体像を把握するために、データの種類や統計情報、先頭の5行を表示します。これにより、どんな傾向かを全体的に確認できます。

     

    コ-ドを実行した際の結果は、以下のとおりでした。

     

    Data Information:

    RangeIndex: 468 entries, 0 to 467
    Data columns (total 14 columns):
    # Column Non-Null Count Dtype
    --- ------ -------------- -----
    0 時間軸(月次) 468 non-null object
    1 (先行)_一致指数トレンド成分 468 non-null float64
    2 (先行)_L1最終需要財在庫率指数(逆サイクル) 468 non-null float64
    3 (先行)_L2鉱工業用生産財在庫率指数(逆サイクル) 468 non-null float64
    4 (先行)_L3新規求人数(除学卒) 468 non-null int64
    5 (先行)_L4実質機械受注(製造業) 468 non-null int64
    6 (先行)_L5新設住宅着工床面積 468 non-null int64
    7 (先行)_L6消費者態度指数 468 non-null float64
    8 (先行)_L7日経商品指数(42種) 468 non-null float64
    9 (先行)_L8マネーストック(M2)(前年同月比) 468 non-null float64
    10 (先行)_L9東証株価指数 468 non-null float64
    11 (先行)_L10投資環境指数(製造業) 468 non-null float64
    12 (先行)_L11中小企業売上げ見通しDI 468 non-null float64
    13 Coincident Index 468 non-null float64
    dtypes: float64(10), int64(3), object(1)
    memory usage: 51.3+ KB

     

    Data Description:
    (先行)_一致指数トレンド成分 (先行)_L1最終需要財在庫率指数(逆サイクル) (先行)_L2鉱工業用生産財在庫率指数(逆サイクル) \
    count 468.000000 468.000000 468.000000
    mean 0.061981 79.085256 76.665171
    std 0.174652 9.132549 11.295073
    min -0.382020 64.600000 60.900000
    25% -0.064747 72.400000 68.600000
    50% 0.045059 77.750000 73.100000
    75% 0.171571 83.125000 83.500000
    max 0.616293 117.500000 121.200000

     

    (先行)_L3新規求人数(除学卒) (先行)_L4実質機械受注(製造業) (先行)_L5新設住宅着工床面積 \
    count 4.680000e+02 468.000000 468.000000
    mean 6.695365e+05 351543.500000 8486.025641
    std 1.697801e+05 64205.938977 2204.506889
    min 3.630300e+05 196846.000000 5043.000000
    25% 5.284455e+05 298300.000000 6296.500000
    50% 6.393535e+05 346625.000000 8707.500000
    75% 8.296452e+05 396426.250000 10041.500000
    max 1.004750e+06 513556.000000 14125.000000

     

    (先行)_L6消費者態度指数 (先行)_L7日経商品指数(42種) (先行)_L8マネーストック(M2)(前年同月比) \
    count 468.000000 468.000000 468.000000
    mean 39.095085 152.638891 3.983547
    std 4.601377 36.151152 2.965297
    min 21.800000 99.203000 -0.600000
    25% 36.275000 121.365250 2.200000
    50% 39.200000 152.125000 3.000000
    75% 43.000000 175.352750 3.900000
    max 47.100000 258.467000 13.200000

     

    (先行)_L9東証株価指数 (先行)_L10投資環境指数(製造業) (先行)_L11中小企業売上げ見通しDI \
    count 468.000000 468.000000 468.000000
    mean 1466.110321 1.852949 2.870085
    std 431.638887 1.902807 12.727084
    min 730.120000 -4.560000 -63.500000
    25% 1155.287500 0.547500 -3.150000
    50% 1476.190000 2.045000 4.500000
    75% 1709.260000 3.530000 11.300000
    max 2859.570000 4.810000 28.400000

     

    Coincident Index
    count 468.000000
    mean 108.527350
    std 9.768517
    min 83.400000
    25% 100.675000
    50% 109.500000
    75% 116.600000
    max 125.300000

     

    First 5 Rows of the Data:
    時間軸(月次) (先行)_一致指数トレンド成分 (先行)_L1最終需要財在庫率指数(逆サイクル) \
    0 1985年1月 0.143024 74.4
    1 1985年2月 0.078596 74.5
    2 1985年3月 0.110165 74.2
    3 1985年4月 0.103419 74.1
    4 1985年5月 0.108898 72.8

     

    (先行)_L2鉱工業用生産財在庫率指数(逆サイクル) (先行)_L3新規求人数(除学卒) (先行)_L4実質機械受注(製造業) \
    0 65.4 402179 281650
    1 66.6 411234 299976
    2 67.1 400606 273846
    3 67.4 409642 288997
    4 67.7 407704 302758

     

    (先行)_L5新設住宅着工床面積 (先行)_L6消費者態度指数 (先行)_L7日経商品指数(42種) \
    0 8545 43.8 182.301
    1 8571 43.9 181.652
    2 8941 44.0 181.003
    3 8888 43.8 180.980
    4 8841 43.5 179.742

     

    (先行)_L8マネーストック(M2)(前年同月比) (先行)_L9東証株価指数 (先行)_L10投資環境指数(製造業) \
    0 7.9 927.20 -0.14
    1 7.9 941.18 -0.55
    2 7.9 994.51 -0.48
    3 8.4 972.46 -0.26
    4 8.3 983.88 -0.14

     

    (先行)_L11中小企業売上げ見通しDI Coincident Index
    0 12.7 91.8
    1 18.6 91.5
    2 15.1 91.4
    3 13.1 92.4
    4 10.9 92.4

     

    次に機械学習モデルがデータを学習しやすくするには、どういう処理が必要かを検討するのに、各特徴量のヒストグラムを表示させました。
    そのコ−ドが以下です。

     

    上記コードは、CSVファイルから数値データを読み込みL1〜L11(ただし今回使わなかった一致指数トレンド成分も含む)の各特徴量のヒストグラムを表示させたものです。日本語フォントを設定して、グラフのタイトルや軸ラベルが日本語で表示されるようにしています。
    最終的に、データの分布を視覚的に理解し、前処理でスケ-ル調整の参考にするためにグラフを描画しています。

     

    結果は以下でした。
    分布1
    分布2

     

     

    続けて日本の経済指標「一致指数(coincident index)」の時系列変動をグラフに描くコードが以下です。これにより、1985年1月以降の経済の動向を時間の経過とともに視覚的に確認できます。

     

     

    コ-ドを実行すると以下の結果でした。デ-タ欠損処理などの関係で2023年12月までのデ-タの描画になります。

     

    coincident index

     

    次にヒートマップを表示させるコ-ドを参考のために準備しました。
    ヒートマップは、データの相関関係やパターンを色の濃淡で表現する図で、数値の大きさに応じて色を変えることで各特徴量の関係や影響度の強さを視覚的に理解しやすくします。
    コ-ドは以下のとおりです。

     

     

    上記コ-ドの実行により以下の結果が得られました。
    ヒ-トマップ

     

    ここまでの前準備をし、ラベルのスケ-ルやデ-タ構造などを把握したうえでモデル構築していきます。

     

    以下のコードは、過去約40年分の経済データを使って未来の経済指標を予測する機械学習モデルを作成し訓練および検証をするコードです。
    構築できたコ−ドを表示していますが、試行錯誤を繰り返しています。

     

     

     

    工夫したのはデータを標準化したことと、交差検証を通じてモデルの予測性能を評価するコ-ドにしたことです。

     

    評価する指標として平均二乗誤差を計算し、予測結果と実際のデータとの関係をグラフで表示させています。
    初期設定で層のユニット数を150、活性化関数をtanhにしたのは参考にしたPDFに倣って、そうしました。
    評価手法も論文と同じにしています。

     

    PDFの予測手法を基本、参考にはしましたが、再現できてるかは不明です。

     

    また報告ではRNNやLSTMで予測していますが、新しい試みとしてGRUで新しくモデル構築を試しています。

     

    上記のコ-ドを実行した際、以下の結果が得られました。
    抜粋してみますね。
    test_validation

     

     

    Average MSE over all folds: [0.87271412 0.97465826 1.28069774]

     

    corration

     

    上記を見ると、Average MSE over all foldsは、0.87〜1.28です。
    やや過学習気味ですが、よく適合しています。

     

    そこで、上記のGRUモデルをベースにハイパーパラメーターチューニングにより高精度化していきます。

     

    以下のコードは、過去約40年分の経済指標データを用いて未来の経済指標を予測するための機械学習モデルを訓練するコードです。
    CSVファイルを読み込み、ラベルなどを標準化後、複数の設定でモデルを自動で試すハイパーパラメータチューニングを行い、
    最適な設定でモデルを再訓練するコ-ドになります。
    最後に、様々な設定でのモデルの性能を評価し、平均二乗誤差(MSE)を計算して性能を比較します。

     

     

    この結果から、今回のデータの実験系では、

     

     

    GRU 200, model.add(Dropout(0.15))

     

    learning_rate=0.000711638351234406),

     

    このチューニング結果が良好と出ました。

     

     

    よって、このモデルで再学習させ予測させます。

     

    以下の動画を前振り(マエフリ)で見れば、動画下のコ-ドの概要について理解しやすくなるかと思います。

     

     

    上記のコードは1985年から約40年分の経済データを使って未来の経済指標を予測するためのニューラルネットワークモデルを構築し、訓練するためのコードです。
    データは標準化され、ハイパーパラメータチューニングを通じて探したモデルの構成を採用して、それを組み込んでいます。層のユニット数200、ドロップアウト率(15%)、および学習率(0.00071・・)が選択されていることに気づくと思います。他の構成は、これまでと変わりません。
    活性化関数はtanhで固定しました。

     

     1分動画でも解説しているように交差検証でモデルを訓練し、平均二乗誤差で予測の精度を評価させています。最後に、予測結果は実際のデータと比較してグラフで示され、予測の妥当性を検証しています。

     

     

    上記コ-ドの実行により以下の結果が得られました。
    model2
    Average MSE over all folds: [0.77608843 0.73390224 0.98772539]
    チュ-ニングによって得られたモデルのほうがAverage MSEが低くなっており精度が高まっています。

     

    さらに予測値と実測値との検証結果も良好です。
    予測モデル

     

     

    最後に上記のモデルを使って、どの経済指標が予測に最も影響を与えるかを勾配計算により調査します。

     

     

    上記のコードでは、1985年から約40年分の経済データを使って将来の経済指数を予測するGRUネットワークモデルを訓練し、
    比較的うまく適合したモデルが、どの特徴量を重要と判断しているかを勾配を通じて評価します。これにより、どの経済指標が予測に最も影響を与えるかが明確になります。

     

    上記コ-ドの実行結果を抜粋したら以下の結果が得られました。
    影響度

     

    L3 、L2、L7、L11がcoincident indexに強い影響を与えていることがわかります。
    こういうのは機械学習モデルを構築することで改めてわかってくることですから
    今回のモデルに限らず、更に、よりよいモデルが出来れば、(逆算することで)政策立案する際に、
    どこに注力すべきか?という大枠の指針にもなり得ます。

     

    こういうAIモデルを駆使した逆算手法で人々の暮らしをよくする政策立案の基礎研究をするのも、見逃しがちで地味ですが案外重要なことかもしれません。

     

     

     

     

    で、以上を踏まえて、現況を把握しつつ予測する力をつけるには、どうしたらよいのでしょうか?

     

     

    勿論、上述したようなpythonコ−ドを書いて機械学習モデルを構築し予測が出来たほうが良いでしょう。
    機械学習のコ-ディングなどは出来るようになったほうがAI時代の備えとして、大事な事と思います。

     

    とは言え、こういうことに全く興味もないし取組むのに時間がないという方も多くいらっしゃるでしょう。

     

    それでも、景気の流れ(フロ-)について、知見を持っておいたほうが良いですよね。

     

    そういう場合でも、最後の結果を踏まえて、知見を得ることは出来ます。

     

     

    というのも、機械学習モデルの勾配計算をした結果、以下の先行指数

     

    L3新規求人数(除学卒) 、L2鉱工業用生産財在庫率指数、L7日経商品指数(42種)
    L11中小企業売上げ見通しDI

     

    以上の4つの先行指数が、予測モデルに与える影響が比較的強いということがわかっていますよね。今回、試験的に実装したモデルでは。

     

    よって、これらの先行指数を中心に国のデ-タなどで確認し、増減を精査したら、
    冒頭に挙げたアンケ-トなどの結果だけに頼らない判断の材料が、一つ増えるのではないでしょうか?

     

    景気の波は避けられないでしょう。よい時は、よいなりの対応をし、よくない時は、よくないなりの対応をする必要があります。

     

    雨が降りそうか、そうでないか、傘の用意が必要か、判断のための材料が、幾つかあったほうが良いでしょう。

     

    その判断のためのデ−タは前掲したように、現況を含めて以下にも公開されています。

     

    内閣府 経済社会総合研究所 景気統計 景気動向指数

     

    上記デ−タをベ−スに構築した今回のモデルも、活性化関数を変更したり、他のモデルを試したりすれば、もっと汎用性の高い優れたモデルが出来るかもしれません。
    デ-タを追加していけば、さらに高精度になるかもしれません。

     

    それに、このモデルをベ-スに、あとはCSVファイルに新しく国のデ-タを追加していけば将来予測も可能になることは、勘の良い方なら、すぐに合点していただけるかと。
    (欠損値については、幾ばくか誤差は出るでしょうが重回帰分析やランダムフォレストなどの回帰分析で埋めることも出来ます)

     

    国の優秀な官僚が深夜残業を繰り返し苦労を重ねて、取りまとめて決裁伺いを出し、
    幾つもハンコを貰って(尤も今は電子決裁が大半でしょうが、労力はさほど変わらないでしょう)
    苦労して公表したであろうデ−タを活用しない手はないでしょう。
    (やや憶測が入ってますけど)

     

    もちろん、予測が外れる場合もあるでしょう。それに、ヤ●ーのアンケ-ト調査だって、決して無視はできないでしょう。

     

     

    実際に、2024年3月までの欠損値をランダムフォレスト回帰分析で埋めて上記のモデルで
    4月から6月までの一致指数を予想させたら、下がり傾向でしたから。

     

    とは言え、様々な予測手法もあることを知り、スキルを磨けば、
    メディアがフォ-カスしたほうに思考を引っ張られることなく、
    右往左往せず、総合的な判断の材料が増えるのではないでしょうか?

     

     

     

     

     

    PS

     

     

    個人的には、以下の図で1985年以降の景気の波、流れを大局的に把握しておくのも案外と良い気はします。
    今回、GRUで予測モデルを構築するプロセスで知ったのは収穫でした。
    CI

     

     

    こういうのを探求する中で、こういう現象的な目に見える景気の流れの背後の根源みたいのにフォ-カスし思いを馳せられたら、もっと良いのだろうなと思います。

     

     

     

     

     

    非エンジニアでノンプログラマ-(PYTHON初心者)でもコ-ディング出来た理由−ネタバレ(カラクリ)

     

    ここでも書いてるように私はノンプログラマ-(python初心者)で非エンジニアです。
    現時点でもお世辞にもコ-ディング力は、さほどありません。

     

    それでも、こういうコ-ディングが出来るのは、コ-ドを読む力がついたのと、この分野に少し詳しくなって
    GPT4やClaudeなどのAIアシスタントに的確な指示が出せるようになったからです。

     

    例えば、今回のコ-ドについても、冒頭にも紹介した以下の技術報告書
    https://www.jstage.jst.go.jp/article/jsaisigtwo/2019/SAI-034/2019_04/_article/-char/ja/

     

    これを読んで、内容を大まかに把握し以下のように日本語でGPT4に指示を出しました。

     

    ( 尤も、この指示は少し機械学習に詳しくなってないと出せないかもしれません。
    そこはツッコまれるかもしれない。
    ですけど、手を動かし学んでいったら作るのに少しずつ慣れてきます )

     

    「次の要件を満たす Python コードを生成してください:

     

    データを読み込み、指定された L1〜L11 の列を特徴量として使用する。
    特徴量とラベルを作成し、欠損値がある場合はスキップする。
    特徴量とラベルを標準化するために StandardScaler を使用する。
    K-Fold クロスバリデーションを実行する。
    GRUを使用してモデルを構築し、ドロップアウト層を追加する。
    なお、GRU層のユニット数は150、活性化関数はtanhを使用し、入力形状は(12、特徴列の数)とする。
    Adam オプティマイザと平均二乗誤差損失関数を使用してモデルをコンパイルする。
    早期終了コールバックを設定し、100エポックでモデルを訓練する。
    各フォールドで訓練とテストの損失をプロットする。
    各フォールドでの予測を実行し、予測値と実測値を逆変換して MSE を計算する。
    MSE の平均を計算し、1 ヶ月、2 ヶ月、3 ヶ月先の予測の平均 MSE をプロットする。
    最終的に、相関係数を計算し、予測と実測値の散布図をプロットする。」

     

    そうしたらchatGPT4が生成してくれたコ-ドは以下でした。
    もちろん、このまま実行してもエラ-が出ます。それに、修正が必要です。
    このままでは高精度のものは期待できません。
    学習させ検証するデ-タも用意する必要があります。
    しかし、たたき台としては十分で、相当に近い形になっています。
    GRU

     

     

    幾ばくかコ-ディングに詳しくなったとはいえ、

     

    私は指示を出しただけ。(あとはデバッグを繰り返しただけ)

     

    こういう鋳型のコ-ドをベ-スに作っていったというのがPYTHON初心者でノンプログラマ−で独学でも出来てしまうカラクリになります。

     

    こういうカラクリ(ネタバレ)を知ったら、コ−ディングについて、以前に比べたら驚くほど敷居が下がっているということに気づけるでしょう。

     

    ( 社会人一般の未解決の事案を上手く解決して道筋をつけてやるための整理、調整や
    粘り強く取り組む力、コミュニケ-ションスキルや自己対話スキルの延長みたいなもの )と前よりかは思えるだろうしchatGPT4(やclaude)の凄さがわかるでしょう。

     

     

    何て言いますか、これは課題を、こちらで咀嚼し整理し人に明確に意図を伝えて、
    指示されたアシスタントの方が仕事をしやすくするための一般的な管理およびコミュニケ-ションスキルみたいなものです。

     

    AIも人も変わらないと言いますか。

     

    してみると、(私はそこまで、そういう力はないですけど)

     

    ここまでAIアシスタントが進化すると

     

    ある一定レベルのプログラミング力は必要でしょうが、

     

    それより目的を明確にし課題を細分化し交通整理すると言いますか・・

     

    アシスタントの方に円滑に仕事をしてもらうための明確な指示および管理、監督および調整、
    細分化やコミュニケ-ションスキル、さらには質問力
    あるいは自己対話スキルがある方のほうが

     

    コ-ディングは、そこそこでもAIを使いこなせる潜在能力は高いのではないかと言う気がします。

     

    非エンジニアでノンプログラマ-でもコ-ディング等について
    ChatGPTやClaudeなどのAIアシスタントの力を借りれば
    呆れるくらい敷居が下がっている事が体感できるのではないでしょうか?

     

    初心者でも、かなり出来そうという気がしてきませんか?
    そう思えたなら、記事として作った甲斐があるというものです。

     

    それに、仮に上記の技術論文で用語理解が曖昧でわからなかったら質問テンプレ-トの方法Atkinson's Deep 12Qなどのツ-ルで、用語を入力したら、時間をかけずに相当に掘り下げた知見を得ることも出来ますし・・
    (Atkinson's Deep 12QもGPTsビルダ−で自前で作りましたので公開しておきます。無料の場合はイラストなどの描画が出来ないなどの一部制限はありますが無料枠でも結構使えると思います)

     

     

     

    ここからは、雑感と言いますか独り言みたいなものですが、
    chatGPT4(3.5)などのAIアシスタントは、使いこなせば生産性および効率は、相当に向上するのではないでしょうか?
    ChatGPT4などは、ほんと難しいことを簡単にしてくれるという意味で、運勢学的にもツキのあるツ-ルでしょう。

     

    chatGPT4やClaudeなどを上手く使って、こういうPythonでの機械学習コ-ディングに慣れてくると・・・
    JavascriptもPythonと構造が似てるので、そっちも修得が容易になります。
    非エンジニアでもOpenDevinの実装が、なんとなくやってるうちに出来てしまったりもします。

     

    更に、こういうのより簡単なPythonを使ったEXEL自動化やスクレイピングの応用。
    簡単なアプリなどが、何となく慣れで作れるようになるというオマケ特典がつきます。

     

    ( 例えがよくないですけど高校の数学の教科書の章末問題が解ければ、それより簡単な基本問題は、大概出来るのと同じ理屈です )

     

     

    そうなると、、もはや古典的手法になってますけど
    7つの習慣の時間管理のマトリクスのうち、以下の赤枠で囲んだ
    「 緊急で重要なタスク 」や「 緊急だが重要ではないタスク 」
    7habits

     

    これらを業務などのなかで洗い出して
    状況に応じて少しずつPythonのスクリプトを組み込んだものに移行させることで
    省力化出来るケ-スが増えます。

     

    特に創造性や閃きを必要としない単調で面倒な事を任せるということになるでしょう。

     

    そうなると、第二領域に使う時間が増えるので生産性は上がるでしょう。

     

     

     

     

     

     

    とは言え、やはり心身統一法を実践していて集中力や粘り強さを耕している方のほうが、
    こういうのを作製する際にもアドバンテ−ジがあると思います。
    ある意味、口述書を知らない方と知って実践している方では、
    同じくらいの知力や能力であっても不公平な差になるでしょう。

     

    してみれば心身統一法の実践は、別に緊急でもないし、本人が実践しなかったからとて、罰金があるわけでもないもので
    ´7つの習慣´の時間管理のマトリクスで言えば、謂わば、第二領域の活動になりますけど・・・

     

     

    では、なぜ心身統一法の実践を日々新たな気概で実践し習慣化し
    心の奥座敷のお手入れして、ケアし心の刃を研いでいたら良いかと言いますと

     

    いくらchatGPT4(3.5)やClaudeなどのAIアシスタントが優秀でも、

     

    こういうのもデバッグが前提なので、完成させるまで粘り強く取り組む力や集中力がないと、
    心が折れてしまう方もいると思うからです。

     

    実際私は、今回の件を手がけた際に技術報告書を参考にGPT4の力を借りて
    GRUという新たなモデルでコ−ドを一から作製するのに3日と半日かかりましたけど、

     

    ( 私の場合は独学で、かつpython初心者ということもあって )

     

    上記のト-タル数百行の一連のコ−ドを完成させるのに300回以上エラ−が出て失敗し
    その都度AIアシスタントに質問しデバッグしてますから。
    特にモデル構築のデバッグは、相当に失敗を繰り返して、ひたすらデバッグをしています。
    出来るという直感と確信があって、粘れたからデバッグを只管繰り返すことが出来たわけですけど心折れる方も出てくると思います。

     

    同じくらいの知力や能力、実力があっても
    心身統一法を実践し不公平な力の1つとも言うべき
    潜在勢力由来の粘り強さを培っているAさんと
    知らず実践してないBさんでは結果は違ってくるでしょう。

     

     

    ちなみに今回の小さなプロジェクトを為すのにも、私は簡単ながら、ゴ-ル(目標)や手順書を手書きで紙に書いています。
    手で簡単に書かないで取り組んだ小さなプロジェクトもありますが、
    簡単にでも書いたほうが、潜在意識に与えるインパクトが増えるので、うまくいきやすいと見ています。

     

    (この記事の最後に)

     

    そもそもの発端は、ヤ●ーの、この手の調査は、レスポンス至上主義で
    悪くなりつつあるのを見計らってアンケ−ト調査をしてるっぽくて、なんだか残念で嫌だなというとこから
    今回、機械学習モデルを組んで、将来景気を予測するということをしましたけど

     

    chatGPTやGemini など大規模言語モデルの衝撃は第4次産業革命を一気に加速させるでしょう。

     

    そういう歴史的変革期において、あまり気は進まなくても、多少は機械学習のコ-ディングに、いくらかは詳しくなって備えておいたほうがよいのかもしれません。

     

    引き寄せの法則とかも、これも個人差があり過ぎるとは言え、
    少しでも汎用性ある形で科学的に出来ないかと研究し、相応の実績はあるんですが、
    「 こういうのも大事だと思います 」。と言い訳しておきます。