富士通研究所は2020年7月13日、ディープラーニング（深層学習）における教師なし学習の精度を大幅に向上できる人工知能（AI）技術「DeepTwin」を発表した。AI分野の長年の課題だった「次元の呪い」を、映像圧縮技術の知見を活用することで解決したとする。同社は論文を機械学習の最有力学会である「ICML 2020」で7月14日に発表する。 「次元の呪い」とは、データの次元（要素数）が大きくなると、そのデータを分析する際の計算量が指数関数的に増大する現象を指す。次元の呪いを回避するため、一般的に機械学習の高次元データは次元を減らす。 ただ従来の手法には、次元の削減に伴ってデータの分布や確率が不正確になる課題があり、それがAIの精度低下を招く一因になっていた。例えば分布や確率が実際と異なると、正常データを異常と誤判定してしまうような間違いを引き起こしてしまう。 富士通研究所は今回、ディープラー

富士通研究所は7月13日、教師データなしで通信ログや医療データのような高次元データの特徴を正確に獲得できるAI技術「DeepTwin」（ディープツイン）を世界で初めて開発したと発表した。DeepTwinが見つけた特徴を残したまま高次元データを削減できるようにすることで、高次元データを使って学習するAIの精度向上が期待できるという。 AIの学習には手本となる大量の教師データを使うが、正解ラベルを付与した教師データを作る時間やコストの問題で、教師データなしでAIを学習させるニーズが高まっている。しかし、画像や音声などデータ量の大きい高次元データは、次元の数が大きくなるほど特徴を捉えるための計算量が指数関数的に複雑になる「次元の呪い」という課題がある。 この問題を回避するため、ディープラーニングを用いて高次元データを削減する手法が使われてきた。しかし、各データの分布や発生確率を考慮せずに削減する

Innovative Tech： このコーナーでは、テクノロジーの最新研究を紹介するWebメディア「Seamless」を主宰する山下裕毅氏が執筆。新規性の高い科学論文を山下氏がピックアップし、解説する。 OpenAIの研究チームが開発した「Image GPT」は、画像生成を学習するためのフレームワークだ。昨年、同チームが発表した自然言語の文章自動生成モデル「GPT-2」を画像に適用したもの。OpenAIはイーロン・マスク氏が共同会長を務める米国のAI研究企業（非営利）。 GPT-2は短い文章を入力すると、もっともらしい長文を自動的に作成してくれるモデルで、その精度の高さが一部で話題になった。モデルは800万のWebページのデータセットで訓練し、15億のパラメータを持つ48層のネットワークで構成。アルゴリズムは、RNN（Recurrent Neural Network）やCNN（Convol

株式会社レッジは2020年6月5日に、「製造業におけるAI活用と未来」というテーマでオンラインセミナーを実施した。 セミナーでは株式会社ワイ・ディ・シー 製品開発本部 製品開発部 部長 内藤孝雄氏と株式会社Rist 勝啓太朗氏のおふたりが登壇。ワイ・ディ・シーもRistも製造業向けのAIを開発する企業だ。 オンラインセミナー当日は、参加者から登壇した両者に対して、製造業でのAI活用についてさまざまな質問が投げかけられた。だが、時間の都合で答えきれなかった質問が多数あった。 セミナーの時間中には答えきれないほどの質問が寄せられた そこで、セミナー中に答えきれなかった質問について、登壇した両名に追加で返答をしてもらった。 Q.製造現場のAI導入はどの部門が主導されていることが多いですか？ 主導する部門により、うまくいきやすい、いきにくい、などあればその理由含めてお聞きしたいですA.経営側も現場

銀行での不正検知の精度向上へ 暗号のままデータ連携・機械学習ができるわけ TOP AI 銀行での不正検知の精度向上へ 暗号のままデータ連携・機械学習ができるわけ 近年、振り込め詐欺などの特殊詐欺は、認知件数、被害総額ともに減少傾向にあるとはいうものの、その被害総額は300億円を超えるなど、依然として深刻な状況にある。 このような金融犯罪を防ぐため、多くの金融機関では、AI（人工知能）を活用して、不正取引を自動検知するシステムの導入を検討している。AIの学習には大量の学習データが必要になるが、取引データには口座番号等の個人情報が含まれるため、他の銀行のデータを利用する事ができず、学習データとして利用できる十分な量の取引データを用意するのが難しかった。こうしたシステムの検知精度は、学習するデータの量に依存してしまうため、現在の機械学習技術では高い精度を実現することができていない。 こうした課題

毎年、グローバルで300万件以上出願されている「特許」。しかし、特許の管理や検索、申請に関わる技術は高度化し、フローは複雑さが増している。 多くの国にまたがる国際出願が標準化する中で、発明者や弁理士がグローバルに特許の存在を調査する作業は藁の山から1本の針を探すよりも困難な作業と言われており、プロのサーチャーでも一件の調査に数日〜数カ月を要する、と言われている状況だ。 そうした特許検索における課題を解決すべく、先日、正式版がリリースされたサービスがAI特許調査プラットフォーム「Amplified（アンプリファイド）」だ。 同サービスは世界中の1億件以上の特許をディープラーニングで学習したAIが、入力される文章に対して即時に類似特許を発見する、というもの。これまで数日〜数カ月かかっていた先行技術調査が約30〜60分以内に短縮されるとのこと。料金は「Pay-Per-Projectプラン」が調査

FacebookはC++、Java、Pythonなどの高水準言語で書かれたプログラムコードを別のプログラミング言語に変換するニューラルトランスコンパイラを開発したという。このシステムは教師なし学習を採用しており、同社は従来よりもかなり効率が改善したとしている。 既存のプログラムコードを別の言語に移行するには、両方の言語について専門的な知識が必要な上、コストがかかってしまいがちだ。たとえばオーストラリアのコモンウェルス銀行はプラットフォームをCOBOLからJavaに移行するために5年の歳月と約7億5,000万米ドルを費やした。 Facebookは教師なし学習というアプローチ法に取り組み、C++、Java、Python間でソースコードを変換することができる「TransCoder」を開発した。トレーニングには280万件以上のオープンソースリポジトリからなるGitHubコーパスを使用した。Tran

JetRacerは、タミヤのTT02という車体にも対応しており、国内で入手可能なパーツで開発する事が可能です。 下記が、JetRacerのデモ走行です。 JetRacerの面白さは、自動走行するために必要なデータセットの数の少なさにあります。上記走行に必要なデータセット数は200セットぐらいです。DonkeyCarが5000〜2万セットぐらい必要とするのに対し、その1/25〜1/100程度のデータセット規模で自動走行可能となります。 追加更新) 上記は、2021年11月23日に開催されたAIでRCカーを走らせよう!走行会での走行動画。こちらは100セットのデータセットを転移学習させて自動走行を実現。 JetRacerが少ないデータセットで自動走行できるのは、転移学習を使っているためです。ResNetの学習済みモデルに、フロントカメラの画像と、行きたい方向(X,Y)をデータセットにし、転移学

技術的特異点を迎える2045年 ビジネスシーンの変革というキーワードで我々が思い出すのは、19世紀の産業革命ではないだろうか。多くの農民が賃金労働者に転職し、英国を中心とした周辺国の労働バランスを著しく変化させた。同様の流れは社会情勢に合わせて日本でも発生してきたが、英オックスフォード大学のMichael A. Osborne准教授とCarl Benedikt Frey博士の共著論文「The Future of Employment: How susceptible are jobs to computerisation?(2013)」(論文PDF)では、さらに過酷な状況を示している。 「コンピューターの技術革新により、人類が担ってきた多くの業種がなくなる。米国労働省のデータと照らし合わせると、今後10～20年程度で47パーセント、702の職種が自動化される」と論じている。同様の調査を野村

手書きスケッチからリアル顔画像を作成、深層学習で「DeepFaceDrawing」 2020-06-04 中国科学院と香港城市大学による研究チームが開発した「DeepFaceDrawing」は、手書きスケッチからリアルな顔画像を生成する深層学習フレームワークだ。 手書きスケッチからリアル顔を生成するDeepFaceDrawing このような深層学習を用いたスケッチ画像からリアル画像への変換では、Image-to-Image Translation with Conditional Adversarial Nets [Isola et al. 2017] などで実証されている。しかしデータ駆動型の性質上、実画像とそれに対応するエッジマップのペアからネットワークを学習することが多いため、リアルな顔画像を合成するためには、実画像のエッジマップに近い品質のテストスケッチが必要となる。それを用意する

人が手洗いを正しくできているかどうか判定するAI、「行動分析技術 Actlyzer（アクトライザー） 手洗い動作認識」を、富士通研究所が開発しました。食品事業者や医療現場で、衛生の徹底に貢献できるとしています。 カメラ映像をもとに、AIが手の動きをチェック 厚労省が推奨する手洗い方法にかなっているか、段階別に正否を判定する 食品事業者が手洗いについて、チェック表記入による自己申告や監視員による目視で確認している現状を踏まえて開発された技術。チェックもれの可能性や監視員のリソース確保にかかるコストといった問題を、自動化で解決するのが狙いです。 AIはカメラの映像をもとに、厚生労働省の推奨する方法通りに洗えているか確認。両手全体の形と動きを見る2つのディープラーニングエンジンにより、複雑な手指の動作を検出します。 両手の全体形状と、動きのパターン、それぞれの状態を見るエンジンを組み合わせて確認

はじめに はじめまして、分析部の喜久里と申します。様々なゲームサービスや関係部署の課題解決に向けた分析を担当しています。 AIに関連した技術がホットなトピックの1つになって久しいですが、既存の手法やツールと比べてフィージビリティが読みにくい部分があり、様々な場所で適用が試行錯誤されているのが現状です。私たちもこれまで何件もAI関連技術の業務適用を試みており、上手く進められたケースもあればそうでないケースもありました。この記事では、AIを効率よく活用しようという試行錯誤の過程で行った取り組みと工夫を紹介します。 なお、記事全体を通して “AI” という表記を使っていますが、主に機械学習(予測タスクとその周辺技術)やデータサイエンス(施策等の効果検証や説明に関係する技術)のことを指しています。 この記事で扱う内容 この記事で紹介する内容を図1にまとめました。 図1 紹介する内容のサマリ 以下の

【アスキークラウド2月号・特集連動ロングインタビュー】 収集・蓄積した膨大なデータをもとに人工知能を研究しているグーグル。グーグルは開発中の自動運転車でどんな世界を目指しているのか。人工知能研究の草分けである、慶応大学理工学部の山口高平教授に話を聞いた。（前編、中編、後編） ──センサー系の人工知能というと、やはりグーグルの自動運転車が浮かびます。 グーグルの研究開発費（R&D費）は約5000億円。グーグル本社近くにある研究所「X Lab」の3分の1は人工知能関連の研究をしていると言われている。つまりグーグルは約1500億円を人工知能に使っている計算になる。 グーグルの自動運転車は、セバスチャン・スランというドイツで画像理解をやっていた教授をヘッドハントして作ったもの。最初は山道を走って道をはずれて谷底に落ちるとか、10年前はそういうくらいの映像が残っているような状態。セバスチャンはそれで

【アスキークラウド2月号・特集連動ロングインタビュー】 知識を使って問題に答える「知識型」人工知能は現在どこまで進化し、どんなビジネスが作られようとしているのか。ロボットが知的労働者の仕事を奪うというのは本当か。人工知能研究の草分けである、慶応大学理工学部の山口高平教授に話を聞いた。 ──人工知能を使った「エキスパートシステム」はデータ不足で失敗したという話を伺いました。では、インターネットを通じてデータが蓄積される中で、知能型の人工知能はどのように進化しているんでしょう。 この20年間で人の知能をシステム化する技術が進んだ。とくに機械学習かな。正しいデータと誤ったデータを両方与えたら、どういう状況なら正しくなるかを勝手に大規模なデータから学習してくれる技術。その機械学習の技術が20年間でかなり進んで、これを基盤としながらいろんな人工知能技術が進み、統合された。 これを初めにやったのが、I

【アスキークラウド2月号・特集連動ロングインタビュー】 自動運転車、ロボット──グーグルが人工知能を使った新たなデータビジネスに着手している。しかし、日本でも人工知能に関する試みは30年以上も前からあったという。なぜ当時は失敗してしまったのか。人工知能研究の草分けである慶応大学理工学部の山口高平教授に、人工知能ビジネスの発祥、日本の最先端研究、そしてグーグルの目指す世界について話を聞いた。 ──グーグルを筆頭に、人工知能がビジネスとして注目を集めています。 このごろ「なぜ最近人工知能がよく出てくるのか」とよく質問されるけど、人工知能はもう57年の歴史がある。3回目なの、人工知能ブームは。最初は1956年。チェスとか定理証明とかを対象に人に、どれだけ迫れるかという感じでやってた。でも産業界からのニーズはチェスや定理証明じゃない。実際の問題が解けないから、ブームはすぐに沈滞した。 1970年代

AIの大まかな話は前回説明した通りだが、もう少し細かく「なにをやっているか」を今回説明したい。 やや古い話であるが、GTC 2015においてFacebookのRob Fergus氏が“Visual Object Recognition Using Deep Convolutional Neural Networks”というトレーニングコースを実施しており、現在もGTC オンデマンドで視聴できる。 25分ほどの短いセッションで、英語も平易なのでわかりやすいが、こちらのスライドをもとに、そもそもConvolutional Neural Networkではどんな計算処理が必要かを細かく説明していこう。 コンピューターに文字や画像を認識させる 畳み込みニューラルネットワーク そもそも畳み込みを使うConvolutional Neural Networkを最初に提唱したのは、Facebookに在籍し

前回のCentaurのCHA+Ncoreが意外に受けたようだ。VIAというかCentaueがまだx86を手掛けているという話もさることながら、AVX-32768のインパクトがそれなりにあったのではないかと思われる。などという話を編集部としていると、AI向けプロセッサーはもっとぶっ飛んだモノが多いということから、「ではAIプロセッサーを解説しましょう」ということで話がまとまった。 実は前回も説明なしにAI用語(学習/推論やネットワーク、ウェイト、活性化関数など)を紹介しているのだが、このあたりをきちんと説明した機会はASCII.jpでもあまりないようなので、まずは基礎知識を解説するところから始めたい。 意外と古いAIの生い立ち そもそも論になるのだが、AIとはなにか？　と言えば、大本で言えば人間の思考にあたるものをコンピューターで実現する、という取り組みである。 AI(Artificial