企業利用が進むチャットボット、選択肢広がるスマートスピーカー
チャットボットや音声アシスタントとの“対話”でシステムを操作する「対話型UI」が、1年ほどの間にユーザー企業の採用が急速に広がっている。 例えば日本テレビは2017年7月、テレビドラマ「過保護のカホコ」の主人公を模したチャットボットによる対話サービス「AIカホコ」を、「LINE」のチャット機能を応用して開始した。ユーザーが送信したメッセージに、ドラマの主人公のような雰囲気で受け答えをすることが、ユーザーの人気を集めた。 一般的なコミュニケーションだけでなく、自社の業務の効率化に役立てる事例も増えている。例えばヤマト運輸は再配達依頼を自動で受け付けるシステムに、LINEのチャットボット機能を2016年から活用中だ。 社内業務の一部にチャットボットを取り入れる企業も出てきた。人材派遣大手のパソナグループは2017年6月、社内システムのサポートデスク業務にチャットボットを導入。そのほかの業務効率
できの悪いソースコードをAIで発見、富士通が不採算案件の抑制へ
富士通が人工知能（AI）などを活用し、システム開発プロセスの改革に本腰を入れ始めた。システム構築・運用支援のツール群を「KIWare（ケーアイウェア）」として体系化し、2017年11月に50件の開発プロジェクトに本格適用を開始した。時間を浪費しがちな開発業務をAIで効率化し、システムエンジニア（SE）が、開発業務の様々な作業や成果物の品質の向上に充てる時間を捻出する狙いである。 富士通がAIの活用に本腰を入れる背景には、開発プロジェクトの作業や成果物の品質の低さが課題になっていることがある。「品質を現場の人任せではなく、技術で底上げする。それによって品質が原因の不採算の案件を減らしたい」（富士通の粟津正輝サービステクノロジー本部 本部長代理 兼 先端技術統括部長 兼 SE変革推進室長代理）。 システム開発において、不採算案件につながる要因は様々だ。設計書の不備による手戻りが発生したり、ソー
世界4位に躍進、国内ベンチャーPEZY製スパコンが存在感
全世界で稼働中のスーパーコンピュータ（スパコン）の演算性能を集計するTOP500プロジェクトは2017年11月13日、最新の演算性能ランキングを発表した。日本のスパコンベンチャーPEZY Computingのグループ企業ExaScalerが開発し、海洋研究開発機構（JAMSTEC）に設置したスパコン「暁光」が4位に浮上した。 暁光の実行演算性能は19.14ペタFLOPS（1秒当たり浮動小数点演算実行回数）。1984個の演算コアを備えた独自のアクセラレータ「PEZY-SC2」を計1万個搭載することで実現した。日本のスパコンでは、東京大学と筑波大学が共同運営する9位の「Oakforest-PACS」（13.55ペタFLOPS）、理化学研究所が保有する10位の「京」（10.51ペタFLOPS）を超えて首位となる。 暁光は2017年6月発表のTOP500で初登場（69位）したが、当時は冷却用の液浸
ソフト開発のアウトソーシングを全面否定するGE
「アウトソーシングは敗者」――。リーマンショックをきっかけに「脱・製造業」路線から「製造業回帰」や「製造業デジタル化」へと大転換した米ゼネラル・エレクトリック（GE）。同社のジェフ・イメルト会長兼CEOは、ソフトウエアの内製化にも舵を切った。GEがなぜ内製を目指したのか。その理由を解説しよう。 「産業界の多くの企業が20年前に進めた『デジタル筋肉（マッスル）』のアウトソーシングが、今日には敗者であると我々は学んだ。今後、GEのすべての新規採用者はコード（プログラミング）を学ぶことになる。彼ら全員がソフトウエアを書けるようになるとは期待していないが、デジタルの未来における『可能性の芸術（アート）』は、必ず理解しなければならない」 GEのイメルトCEOは2017年2月に公表した「株主への手紙」でこのように述べている。イメルトCEOが言う「デジタル筋肉（マッスル）」とは、ビジネスのデジタル化を推
何でもスマホで即予約、“Uber化”するヘルスケア
シェアリングエコノミーの可能性を世に示した、米Uber Technologies社の自動車配車アプリ「Uber」。そのビジネスモデルが、交通以外の領域にも活用され始めた。 アプリから洗濯物のピックアップを予約すると、クリーニングして宅配してくれる「Washio」や、生鮮食品の買い物を代行してくれる「Postmates」といった多様なサービスが展開されている。これらは、直ちにサービスが提供されるオンデマンドサービスとして「Uberライク」「Uber for X」と形容される。 “Uber流”とでも呼べるこうしたオンデマンドサービスの潮流は、ヘルスケアの領域にも起こっている。スマートフォンから医師を呼べるサービスや、チャットやビデオ通話で医師にすぐに相談できるサービス、医薬品を即座に宅配してくれるサービスなどが相次ぎ誕生。これらのオンデマンドヘルスケアサービスは「Uber for Health
博士しか相手にされない欧米、博士を必要としていない日本
イノベーション理論と物性物理学を専門とする京都大学大学院総合生存学館（思修館）教授の山口栄一氏が、新著『物理学者の墓を訪ねる ひらめきの秘密を求めて』（日経BP社）で偉大な物理学者たちの足跡をたどったことをきっかけに、現代の“賢人”たちと日本の科学やイノベーションの行く末を考える本企画。前回に続き、米パデュー大学H.C.ブラウン特別教授の根岸英一氏と、山口氏による対談の模様を伝える。 話題は、日本とアメリカにおける研究者のあり方の違いへと進んだ。（構成は片岡義博＝フリー編集者） 台頭しつつある中国の頭脳 山口 日本では、化学産業は何とか持ちこたえているものの、エレクトロニクスや物理系の産業は総じて落ち込んでいます。シャープは自力再生が難しくなって、ついに台湾の鴻海精密工業に買収されました。東芝も今年に入って子会社の原子力企業（ウェスチングハウス・エレクトリック）が倒産し、何と最も大切な半導
AIベンチャーの雄が総務省の開発指針に反対する理由
人工知能（AI）の開発者が研究開発に当たって留意すべき原則「AI開発ガイドライン（仮称）」の素案を策定するため総務省が設置した産官学会議から、AIスタートアップのPreferred Networks（PFN）が離脱していたことが明らかになった。 Preferred Networksは深層学習（ディープラーニング）開発のスタートアップ企業で、深層学習フレームワーク「Chainer」の開発元としても知られる。 総務省 情報通信政策研究所は、同ガイドライン素案策定のための産官学会議「AIネットワーク社会推進会議」を主催している。2016年12月には、素案策定に向けた論点整理を公開した。 この素案は、日本政府がOECD（経済協力開発機構）などに提案することを目的に策定するもので、「日本の法制度に直接反映させることを想定したものではない」（同研究所）という。 だがこの方針に対し、2017年1月まで同
東芝の「脳を模倣した」AIチップ、フラッシュ派生技術で省電力化
TDNNを使えば、デジタル回路を使う一般的なプロセッサに比べ、深層学習（ディープラーニング：多層のニューラルネットワークによる機械学習）の演算に伴う電力消費を半減できる見通しだ。TDNNとは、どのような技術なのか。 二つの潮流の中間を目指す AIチップの研究開発には、二つの異なる潮流がある。一つは第1回で紹介した、深層学習の演算を加速させる「深層学習アクセラレーター」を目指すものだ。 もう一つは脳科学の知見に基づき、神経回路の働きを半導体で再現する「ニューロモーフィックチップ」を目指すもの。神経細胞のスパイク電位をデジタル回路で再現できる米IBMの「TrueNorth」がこれに当たる（関連記事：脱ノイマン型へ、IBM70年目の決断）。NECと東京大学が共同で開発するアナログ回路技術も、ニューロモーフィックチップの流れに乗るものだ（関連記事：NECと東大がAI研究で協定、脳を模した専用のアナ
加熱するAIチップ開発、王者エヌビディアに日本勢が挑む
人工知能（AI）の演算処理を高速化できる半導体チップ「AIチップ」の開発競争がヒートアップしている。2017年から2018年にかけて、第3次AIブームの火付け役である深層学習（ディープラーニング：多層ニューラルネットワークによる機械学習）の演算に特化したチップが国内外で相次ぎ登場しそうだ。 「今や、あらゆる国内半導体メーカーが人工知能（AI）チップの研究開発を手掛けているのではないか」。ある大手企業の半導体技術者はこう話す。 米、英、韓、イスラエルでAIチップの開発が加速 AIチップの開発で先行しているのは海外企業だ。米グーグルは2016年5月、深層学習専用のチップ「Tensor Processing Unit（TPU）」を同社のデータセンター内で1年前から利用していると公表した。その後、囲碁AI「AlphaGo」、Google翻訳などでTPUを実際に使っていることを明らかにした。 米イン
PFNの深層学習フレームワーク「Chainer」が大幅な高速化へ、分散処理に対応
Preferred Networks（PFN）が開発するディープラーニング（深層学習）フレームワーク「Chainer」が間もなく、分散処理に対応することで大幅に高速化する。PFNの西川徹社長が2017年1月26日（米国時間）に米サンフランシスコで開催された「Deep Learning Summit 2017」で明らかにした（写真1）。 現在のChainerは、マルチノード（複数サーバー）での学習に対応にしておらず、1台のノード上で複数のGPU（Graphics Processing Unit）を使用する場合も、どのGPUで何の処理を実行するのかをプログラマーが記述する必要があった。PFNはマルチノードでの学習に対応した分散バージョンのChainerを開発中で、社内ではテストも始めている。この分散バージョンのChainerでは設定を変更するだけで、マルチノード環境やマルチGPU環境に対応する
ディープラーニングの仕組みと応用
脳の神経回路の構造を模倣 ディープラーニングは、大量のデータを学習するために、人間の脳の神経回路の構造を模倣（モデル化）した情報処理の仕組みであるニューラルネットワークを用いる。図3のニューラルネットワークは、「入力層」「隠れ層」「出力層」という3層で構成している。また、学習データは入力データとなる手書き文字の画素データと、正解データがセットになっている。 このニューラルネットワークのモデルを学習させるには、まず手書き文字画素データをピクセル単位に分割した上で、各ピクセル値を入力層に入力する。図3のモデルでは縦横28ドットで分割していることから、784個が入力層に並ぶ。 入力データを受け取った入力層は、受け取った値に「重み付け」をした上で、後段にある隠れ層のニューロン（神経細胞。CPUのような役割を担う）に伝達する。 同様に隠れ層の各ニューロンは、入力層から受け取った値をすべて加算し、その
「AIチップ」、深層学習に特化したプロセッサが相次ぎ登場
人工知能（AI）の演算処理を担うことを目的に開発された半導体チップのこと。特に2017年は、ディープラーニング（多層ニューラルネットワークによる機械学習）の学習や推論に特化したチップが相次ぎ登場しそうだ。 米グーグルは2016年5月、同社がディープラーニングの演算に特化した「Tensor Processing Unit（TPU）」を1年前から使っていることを明らかにした。囲碁AI「AlphaGo」やGoogle翻訳で実際に活用しているという。米インテルは同年8月、ディープラーニング専用チップを開発する米ナーバナシステムズ（Nervana Systems）の買収を発表、2017年後半には製品を出荷する考えだ。 日本では、富士通がディープラーニング専用チップ「Deep Learning Unit（DLU）」を2018年度中に出荷する方針を示しているほか、PEZY ComputingグループのD
「SSIDが増えるほどWi-Fi通信は遅くなっていく」の真偽を確かめた
ここ数年、街中でWi-Fi（無線LAN）を使おうとして接続先を検策すると、数多くの接続先（SSID)があって驚くことがある。店舗や企業が独自のアクセスポイント（AP）を用意し、独自のSSIDを作り、集客や付加価値のために提供している。さらに車内でWi-Fiサービスを提供する電車やバス、タクシーも一部で見かける。 筆者はiPhoneを利用しているが、過去に一度だけLTEの 1カ月のパケット使用量制限を超えてしまい、通信速度を著しく制限されたことがある。その時の辛さから、できるだけ通信キャリアが提供しているWi-Fiを利用するようにして、パケット使用量を節約している。そうした視点で見れば、多くの場所でWi-Fiが使えるようになってきたことは非常に嬉しいことだ。 では実際に街中ではどれくらいのSSIDを確認することができるだろうか。通勤途中に「FlukeNetworks AirMagnet Wi
深層学習（ディープラーニング）で何ができるかJavaScriptで体験してみよう | 日経 xTECH（クロステック）
深層学習（ディープラーニング）で何ができるかJavaScriptで体験してみよう JavaScriptで簡単に実践できる深層学習（1） 近年、第三次人工知能ブームが巻き起こっています。特に、深層学習（ディープラーニング）と呼ばれる技術で目覚ましい成果を上げています。本稿では、難しいと思われている機械学習（深層学習）を、お手軽プログラミング言語JavaScriptで実践してみます。難しい数式や理論は後回しにして、まずは、気軽に機械学習に触れてみましょう。 今、注目を集める深層学習 冒頭で言及したように、近年、第三次人工知能ブームが巻き起こっています。囲碁のAI（人工知能）が、碁の世界チャンピオンを破ったり、コンピューターに大量のYouTube動画を学習させたところネコの概念を学習することができたりなど、人工知能の分野で驚くようなニュースを目にすることが多いものです。 こうしたニュースの背後に
PFNが語る、GPUインフラ調達の考え方とは
2016年度中に5ペタFLOPS（1秒当たりの浮動小数点演算性能）のGPUインフラを使えるようにする――。AI（人工知能）分野で国内トップ級の技術力を持つスタートアップ企業、Preferred Networks（PFN）が社内で掲げる目標である。 ディープラーニング（多層ニューラルネットを使った機械学習）は、画像認識からロボティクス、自然言語処理まで適用が進み、大きな成果を挙げている。 そのディープラーニングの学習を担う要となるITインフラが、GPU（グラフィックス・プロセッシング・ユニット）搭載サーバーである。 特に米グーグルは、囲碁でプロ棋士を破った「AlphaGo」から、高い精度でテキストを翻訳する「Gogole Translate」まで、ニューラルネットの学習や推論に大量のGPUインフラを活用している。例えばAlphaGoの場合、2015年10月に欧州のプロ棋士と勝負した際は、12
人工知能で盤面の先の先の先の深淵まで覗く
将棋の先読みとは、先の先の先まで読むことであり、人工知能が大好きな仕事の一つです。前回は人工知能が苦手な盤面評価を見てきましたが、今回は人工知能が得意の先読みを見ていくことにします。 人工知能は、先読みした盤面から一番いい評価になった盤面を選び、その盤面になる指し手を探します。 前回では「将棋の初級者は3手先読みをしている」と紹介しました。3手先読みとは、自分がこの手を指すと、相手はこのように指し、このときに自分はこう指すんだ、という3手先の自分の手順までの先読みです（図1）。 このように、先読みは人間も自然に行っている思考方法ですが、これはコンピュータにとっても機械的に簡単に実装できます。むしろ得意です。単純な全探索できる深さの先読みであれば、ヒューリスティックス（経験にもとづく知見）を使った非決定的なプログラムをつくる必要はありません。また機械学習を実装する必要もありません。 ただし、
人工知能にムダな思考をさせない「枝刈り」の妙技
人工知能に深く考えさせるには、手抜きが必要です。もっといえば、「どうでもいいこと」を人工知能に考えさせないことです。 前回は、将棋プログラムの先読みを盤面の全探索で行うアルゴリズムを説明しました。今回は全探索でなく、不要な探索を途中で打ち切る方法を見ていきます。これはゲーム木の探索を途中で打ち切り、ゲーム木の枝を刈ることになるので、「枝刈り」と呼ばれています。 評価関数と先読み、枝刈りの適用範囲は広い 探索の枝刈りを説明する前に、将棋の思考プログラムの全体像をおさらいしましょう。盤面の評価関数、評価関数を使った先読み、そして今回見ていく枝刈りなどのゲーム理論を、人工知能のどこに、どのように適用するかをもう一度見ていきます。 評価関数、先読み、枝刈りといったゲーム理論の技術は、とても適用範囲の広い技術です。もちろん、囲碁やリバーシなど、将棋と同じ「二人零和有限確定完全情報ゲーム」に適用できま
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
日本ディープラーニング協会が発足、資格試験で技術者3万人育成
AIが引き起こす、サーバープロセッサの「異種格闘技戦」
企業の事業に縛られない！ “自分がやりたい開発”を貫く「コミッター」という生き方
