生成AIに強いメタがChatGPT対抗サービスを提供できない、謎の理由が判明
生成AI（人工知能）の世界では、米OpenAI（オープンAI）と米Microsoft（マイクロソフト）による連合と米Google（グーグル）が頂上決戦を繰り広げているが、続く3番手を挙げるとすれば米Meta（メタ）だろう。 米Amazon Web Services（アマゾン・ウェブ・サービス）やスタートアップなど、生成AIや大規模言語モデル（LLM）のサービスを提供する企業は他にも存在するのだが、生成AIやLLMの開発力ではメタが抜きん出ているためだ。 メタの技術力の高さを示す象徴が、同社が公開する生成AIやLLMのオープンソースだ。 メタが2023年2月に事前学習済みのLLMである「LLaMA（ラマ）」をオープンソースとして公開したことで、数多くの「ChatGPTクローン」が登場したことは、以前の本コラムでも紹介した通りだ。 その後もメタは強力な能力を備えた「すごいAI」を相次ぎオープン
AIの進化が止まる気配はなく、6年間で約30万倍以上の学習が可能に
人工知能(AI)を使ったコンピューターに、より正確な判断を行わせるには学習が不可欠とされています。学習の量が増えれば増えるほど、より高度な判断を行うことができるのですが、学習量を増やすためには大規模な処理をこなせる「計算量の高い」システムが必要です。AIの非営利の研究機関として設立されたOpenAIによると、AIの学習で使用される計算量は2012年から3.5カ月で倍になるスピードで進化し続けていて、2018年現在では約30万倍以上に達しているとのことです。 AI and Compute https://blog.openai.com/ai-and-compute/ OpenAIは「アルゴリズム」「学習データ」「計算量」の3つが、AIを進歩させるために必要不可欠な要素であると述べています。アルゴリズムやデータの改良は数値化させることは困難ですが、計算量は定量化可能であり、計算量の推移を見るこ
「人工知能は、黒魔術の影響が強くなっている」――“最強将棋ソフト”Ponanza開発者が語る
「人工知能の分野では、だんだんと黒魔術の影響力が強くなってきています」――“最強将棋ソフト”「Ponanza」を開発した山本一成さん（愛知学院大学特任准教授）が、NHKの番組「視点・論点」で語ったこんな話が、NHKの公式サイトに掲載され、注目を集めている。 記事によると、10年前、山本さんが「Ponanza」を作った当時は、アマ5段の山本さんが8枚落ちのハンデを付けても勝ってしまうほど「とても弱い将棋プログラム」だったが、わずか10年で名人に勝つまでに成長した。 Ponanzaに限らず、人工知能が飛躍的に成長する中で「人工知能の性能を上げるほど、なぜ性能が上がったのかを説明できなくなっている」という「少し困った状況」が起きていると、山本さんは話す。人工知能研究の分野では、「どうやって生まれたのか、あるいはなぜ効果が出るのかわからない技術の総称」として、「黒魔術」という言葉がスラングとして定
Googleの画像認識APIを基に、好きな画像を学習させて認識機能を簡単にカスタマイズできる「Cloud AutoML Vision」発表 － Publickey
Googleの画像認識APIを基に、好きな画像を学習させて認識機能を簡単にカスタマイズできる「Cloud AutoML Vision」発表 Googleは、Googleが提供する学習済み機械学習APIを基に、ユーザーが自分のデータを学習させることで認識機能をカスタマイズできる「Cloud AutoML」を発表しました。 「Cloud AutoML」に対応したAPIの第一弾として、ユーザーが独自の画像を学習させられる「Cloud AutoML Vision」を発表しました。 学習済みの機械学習APIに対して追加で学習可能 Googleは、機械学習を用いた画像認識APIとして「Cloud Vision API」を以前から提供しています。 Cloud Vision APIはあらかじめGoogleによって学習済みであるため、画像を読み込ませるだけで、人間の顔の検出や猫や犬といった動物、船や飛行機、
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
「ディープラーニング×きゅうり」の可能性に、たったひとりで取り組むエンジニア - GeekOutコラム
AI（人工知能）に関わる技術、なかでもディープラーニングが急速に発達し、社会のさまざまな領域で実際に利用されるようになりました。その背景のひとつには、AI分野での研究開発に多大な投資を行っている大手IT企業が、その成果の一部をオープンソースとして公開し、世界中のエンジニアが自由に使えるようになったことがあります。 こうしたオープンソースのAI関連ライブラリには、Googleの「TensorFlow」やFacebookの「Torch」といった海外のIT企業のものだけでなく、国内にもPreferred Networksの「Chainer」やソニーの「Neural Network Libraries」などがあります。最近では、関連した情報も数多く手に入るようになりました。 また、これらのライブラリの多くには親切なチュートリアルも用意されており、AIの開発経験がないエンジニアでもさほど手間を掛ける
亀のフィギュアに「これは銃です」 AIに誤認識させる手法をMIT学生が開発
AIによる画像認識は、今や人間と同等かそれ以上の精度まで進化している。そんなAIが、どう見ても亀のフィギュアにしか見えないものを「銃だ」と間違って認識してしまったら――。 米マサチューセッツ工科大学の学生研究チームがこのほど、ニューラルネットワークによる画像認識を“だます”3Dオブジェクトを作製する手法を開発したと発表した。この手法では、物体を見る方向を変えたり、拡大・縮小したり、カメラのノイズが乗っていたりしても安定して別の物体に誤認識させられるという。 2次元の画像を加工してAIをだます技術は以前からあったが、その画像をプリントして現実の光やノイズなどの要素が加わったり、回転したりすると正しい認識に戻ることから、現実世界で画像認識システムを使う際のリスクにはならないと考えられていた。
「人工知能でいい感じの成果を出してくれ」という偉い人の脳内はどうなっているのか – ところてん – Medium
この記事は、前出の本に入れる予定だったコラムのうちの一つです。 正確にいうと、本に入れる予定だったけど、メイン側で締め切りをぶっちぎっていたら、コラムを追加できるような空気じゃなくなって、書くのをやめたものです。 本の宣伝を兼ねて、没にしたコラムに日の目を見させて、あわよくば第二版で入ればいいなー、という内容です。 データサイエンティストの頭の中「偉い人たちは頭がおかしい」と言っても、それは相対的なものであるため、比較対象であるデータサイエンティストの頭の中を覗いてみましょう。 データサイエンティストは組織におけるデータ活用状況について、レベル分けして考えます。そして、基本的に前のレベルが実現できなくては、次のレベルに進むことはできないと考えています。 以下のレベル分けは私が適当に思い描いているものですが、同業者なら大よそ一緒なんじゃないかと思います。 Lv0: データ収集、ログ設計Lv1
AIにパスワードを推測させることでパスワード突破が容易になる可能性
by DennisM2 重要な情報を流出させてしまわないために安易なパスワードを設定しないなどの対策が行われていますが、新たな研究によって、人工知能を使うことで、攻撃者がターゲットのパスワードを容易に推測できるようになる可能性が示されました。 [1709.00440] PassGAN: A Deep Learning Approach for Password Guessing https://arxiv.org/abs/1709.00440 Artificial intelligence just made guessing your password a whole lot easier | Science | AAAS http://www.sciencemag.org/news/2017/09/artificial-intelligence-just-made-guessing-y
Webアプリの脆弱性、機械学習で自動検出する新技術
機械学習を利用して、Webサイトが抱えるクロスサイトスクリプティング（XSS）の脆弱性を自動検出する技術が登場した。Webサイト側でXSSへの対策を施していても、それをかいくぐって攻撃するパターンまで見つけてくれる。2017年9月上旬に開催されたイベント「PyCon JP 2017 in Tokyo」で、三井物産セキュアディレクションの高江洲勲（たかえすいさお）セキュリティエンジニアが発表した。 高江洲氏は趣味で機械学習を勉強しており、せっかくだから本業のセキュリティに生かせないかと考えた。背景にはセキュリティ技術者の圧倒的な人材不足がある。機械で脆弱性を検出できるようになれば、これまでセキュリティエンジニアの職人技に大きく依存していたセキュリティ診断を自動化できる。 最初からすべての脆弱性を検出できるようにするのは大変なので、とりあえずXSSに対象を絞ることにした。XSSは、悪意のあるユ
富士通、マルウェア検知のAI技術を開発--深層学習などを活用
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます 富士通研究所は9月19日、企業などの組織のネットワークに侵入するマルウェアの検知を高精度化する人工知能（AI）技術を開発したと発表した。まず2017年度中にサイバーセキュリティ以外の分野で製品化を目指し、2018年度からサイバー攻撃対策としての実証を同社内で進める。 新技術は、富士通研が開発したグラフ構造のデータを学習、分類する「Deep Tensor」技術をベースに、時系列の特徴を学習できるように拡張した。 Deep Tensorでは、グラフ構造のデータから「テンソル」と呼ばれる数学表現への変換方法の学習と、ディープラーニングの学習を同時に行い、グラフ構造のデータを高い精度で学習するという。新技術では、テンソル表現を複数用意し、異なる
深層学習や機械学習は“過度の期待のピーク期”、ARは“幻滅期”のどん底に
米国の調査会社Gartner（以下、ガートナー）は2017年8月15日（現地時間）、「先進技術におけるハイプサイクル2017年版」を公開した。 ガートナーのハイプサイクルは2000を超えるテクノロジーを119の分野にグループ化し、その成熟度、企業にもたらすメリット、今後の方向性に関する分析情報を図で表したもの。先進的な技術が「大きな期待」「幻滅」「最終的な安定普及」といった共通のパターンで定着することから、それぞれの技術がこのハイプサイクルのどこに位置するのかを示した調査資料だ。1995年からグローバル版を展開している。 “過度の期待のピーク”は「深層学習」や「機械学習」 「先進技術におけるハイプサイクル2017年版」では、製造業により深く関わる技術領域では、2015年版や2016年版と大きな変化はなく、IoT（モノのインターネット）やAI（人工知能）関連技術など、同じ技術革新の波が続いて
素人でもディープラーニングができる「NVIDIA DIGITS」で文字認識をやってみた
素人でもディープラーニングが使えるようになる講座がある。そんな案内がNVIDIAから届いた。 ディープラーニングといえば、2016年に囲碁でイ・セドルに勝利した「Alpha Go」や、自動車の自動運転技術に採用されているアルゴリズムだ。 一般的に、ディープラーニングを自分でいじってみようと思うとPythonなどプログラミング言語の理解や、GPUの用意などハードウェア的な面である程度のハードルがある。 そういったハードルの高さから「ディープラーニングってよく聞くけれどどんなものなのだろう」と興味を持っても、説明を読む程度で実際に使用するところまでたどり着かない人も多いだろう。 かく言う私も、プログラミングはJavaの経験が少々あるもののPythonは触ったことがなく、ディープラーニングについては概念図を見てなんとなく理解した気になっていた程度だった。 そんな中届いた「NVIDIA Deep
最強囲碁AI「AlphaGo」全勝 世界最強棋士も敵わず
「The Future of Go Summit」（中国・浙江省（せっこうしょう））で5月23日（現地時間）から開かれている、囲碁世界レーティング1位の柯潔（カ・ケツ）九段と、米Google傘下DeepMindの囲碁AI「AlphaGo」の3番勝負。27日に最終局第3局が行われ、柯潔九段の投了によりAlphaGoが勝利した。第1局、第2局ともにAlphaGoが勝利し、世界最強の棋士でもAlphaGo相手に勝ち星を上げることはできなかった。 AlphaGoは2015年10月に、欧州大会で3回優勝した樊麾（Fan Hui）二段に5戦5勝し、ハンデなしで人間を初めて破った囲碁AIとして注目される。2016年5月には世界トップ棋士の李世ドル九段との5番勝負で4勝1敗し、その実力を知らしめた。 この時のAlphaGoのハードウェアは、CPUサーバを1202台、GPUサーバを176台使用する構成だった
NVIDIA、深層学習やAIの開発者10万人の教育プログラムを発表
NVIDIAは、Deep Learning Institute（DLI）を通じて10万人の開発者を教育する計画を発表した。 NVIDIAにとって、機械学習と人工知能（AI）の分野で開発者をトレーニングする取り組みであるDLIは、これらの専門家を養成する手段であり、いずれはGPUの売り上げ増加につながる可能性がある。 NVIDIAが賭けに出る背景には、調査会社IDCの推計がある。IDCによると、2020年までに、あらゆるアプリケーションのうち80％がAIをコンポーネントとして組み込むようになるという。 NVIDIAのDLIは1年前に設立された組織で、学術機関、企業、政府機関でトレーニングイベントを開催している。DLIはこれまで、Amazon Web Services（AWS）のGPUインスタンス「Amazon Elastic Compute Cloud（Amazon EC2）P2」を利用して
人工知能技術の健全な発展のために - Preferred Networks Research & Development
4月10日の日経ITproの記事「 AIベンチャーの雄が総務省の開発指針に反対する理由」で、総務省主導で推進されているAIネットワーク社会推進会議とその開発原則分科会からPFNが離脱したことを、取り上げていただきました。私とのとりとめのないインタビューを適切にまとめてくださった日経ITpro浅川記者に深く感謝いたします。また、その記事に対して、はてなブックマーク、NewsPicks、FacebookなどのSNSを通して多くのコメントを下さった方にも感謝の意を表します。ありがとうございます。離脱の理由は記事にある通りですが、総務省の方々も私達の立場を真摯に受け止めてくださっていて、実りのある議論を続けてくださっています。その上で、今後の議論を深めるために、いくつかの点について補足したいと思います。 汎用人工知能と特化型人工知能 現在、人工知能という言葉は大雑把には、 汎用人工知能（「強い」人
【DevCon Japan 2017】知性を持った組込機器を実現するルネサスの「e-AI」
ルネサス エレクトロニクスは4月11日、都内で国内では2014年以来となる大規模なプライベート・カンファレンス「Renesas DevCon Japan 2017」を開催。基調講演にて、同社 執行役員常務 兼 第二ソリューション事業本部本部長の横田義和氏が登壇し、IoTの末端となるエンドポイントに人工知能技術を実装する「e-AI」の説明を行った。同氏には、基調講演終了後に、別途、話を聞く機会を得たので、それを交えて、e-AIへの同社の取り組みを読み解いていきたい。 e-AIは現在、一般的に考えられているような、エンドポイントに搭載されているセンサから生み出される情報をクラウドに送り、クラウド側で解析を行い、それをエンドポイントに返して、エンドポイントを動かす、という流れを、基本的にはクラウドを介さずにエンドポイントのみで、同様のことを実現しようというもの。基調講演に登壇した同社代表取締役
(自分が思う)web的なコンテンツの、アカデミックな世界に対する敗北
TensorFlowを勉強するにはスタンフォードのこの講義資料が良く出来ているぜ、と言われた。 http://web.stanford.edu/class/cs20si/syllabus.html へー、と思って読んでいたら、4日目の所のword2vecのスライドが良く分からない。 word2vecは以前深層学習の本で一通り読んだのだけどあんまりしっかり理解出来た気がしていなかったので、いい機会だ、とちょっとぐぐって解説でも読もうと思った。 これがさっぱり分からんのばかりひっかかる。 仕方ない、と元論文を読むと、大分理解は進んだが、幾つか分からない所がある。 うーん、どうしたもんかなぁ、と思っていた所、上記講義には参照として、別のコースへのリンクがあった。 そこのスライドが素晴らしい。 http://web.stanford.edu/class/cs224n/lectures/cs224n
［速報］Google、データサイエンティストのコミュニティ「Kaggle」買収を発表。Google Cloud Next'17
Googleは米サンフランシスコでイベント「Google Cloud Next'17」を開催。1日目の基調講演で、データサイエンティストのコミュニティを運営する「Kaggle」の買収を発表しました（Googleの発表、Kaggleの発表）。 KaggleのブランドとチームはGoogle Cloudのなかで引き続き存続し、コンペティションなどの運営を続けていくとのこと。 Kaggleは、企業や研究者などがデータを投稿し、世界中のデータサイエンティストらがそのデータを基に、いかに優れたモデルやアルゴリズムなどで与えられた問題を解くかを競うコンペティションなどを運営しています。 Kaggleのコンペティションは、例えば機械学習を利用してガンの兆候を早期発見する方法を競うなど、社会的に重要な問題をコミュニティを通じたクラウドソーシング的な手法とデータサイエンスのアプローチで解決することと同時に、課
AIエンジニアになる方法
AIエンジニアになる方法 How to change job to AI engineer. 2017.02.26 Updated by Ryo Shimizu on February 26, 2017, 15:03 pm JST AIに関することで、多くの研究者にとって不都合な真実が、まだ世間には理解されていません。 それは、AI研究者の大半は深層学習を専門にして「いない」ということです。 深層学習はAI研究の中では、機械学習という分野の、ニューラルネットワークという分野の、さらに一分野に過ぎません。 比率で言えば、95:5くらいの確率で、これまで「AIの専門家」と言われてきた人は深層学習の専門家「ではない」確率が高いわけです。 この些細な事実がなぜ「不都合」なのかというと、こうしてなにもかも一緒くたにされた結果、これまでほとんど成果の上げることができてなかった旧来のAI研究者に大量の予
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
