本記事は、当社オウンドメディア「Doors」に移転しました。 約5秒後に自動的にリダイレクトします。 このたびブレインパッドは、LLM/Generative AIに関する研究プロジェクトを立ち上げ、この「Platinum Data Blog」を通じてLLM/Generative AIに関するさまざまな情報を発信をしています。 この記事では、GPT-4の登場から執筆日（2023年5月31日時点）までの2ヶ月間で登場した論文を振り返りながら、まとめて紹介していきます。 LLM/ChatGPTの動向 オープンソースLLM モデル オープンソースLLMの調整 Adapter、LoRA Instruction Tuning Human Feedback プロンプトエンジニアリング プロンプトエンジニアリングの課題①：プロンプトに大量の情報を入れられない プロンプトエンジニアリングの課題②：複雑なタス

全世界のNVIDIA Jetsonファンの皆様、お待たせしました！ 「NVIDIA Jetson Orin Nano開発者キット」のレビュー第3弾は、「NVIDIA Jetson Orin Nano開発者キットで噂のロボットシミュレータ”NVIDIA Isaac Sim”を使ってみた！」編です。 「Isaac Sim」はNVIDIAが提供しているロボット開発シミュレータです。3DCGでの再現率が高く、工場や倉庫など複雑な環境の再現を行い、その中でロボット開発を行えるというものです。最近、注目されているデジタルツインにも通じる技術です。 詳しい情報はロボスタの別記事に書いてあるのでそちらもぜひ見てみてください。 ロボット開発シミュレータやデジタルツイン等に触る機会がないユーザには、なかなかイメージしにくいかもしれませんので、今回筆者が試した内容をステップ・バイ・ステップでレポートしていきます

はじめに こんにちは、ROS2で自律航行システム等を開発している片岡というものです。 さて、自分は数十個のROS2パッケージを開発して様々なソフトウェアを実装してきましたが、何度も何度もROS2の仕様やあまりドキュメントがない点に苦しめられてきました。 今回はROS2を一切やったことない人がROS2開発を始めるにあたって何から手をつけていくと良いかと自分が考えていることについててまとめていきたいと思います。 あくまで自分の私見ですので、これが絶対に正しいというものではないのでそこはご了承ください。 よく出てくる疑問 まずは、自分がTwitterや勉強会等でよく見る疑問に関して個人的な回答をしておきたく思います。 ROS2をやる前にROS1をやったほうがいいのか？ Yesです。ただし正確に言うとPub/Sub型の通信モデルでマイクロサービスアーキテクチャでソフトウェアを組んだ経験を積んでおい

Recruit Engineers Advent Calendar 2022 - Adventar 23日の記事になります。 1. 方法論は限定スコープ内における合理性の話である 書籍などで得られる概念や方法論（技術含む）は、その書籍がスコープとしている中での限定合理性の話をしており、 書籍がスコープとした範囲における論理的正しさである場合がある。 特定のスコープの中においての最適なので、実は全体からみると個別最適だったりする。 つまり、実は引いてみると非効率なことを近距離でみると効率的だと主張している場合もある。 この包含関係による概念的強さみたいなものは存在しており、例えば、制約条件理論みたいなものは、様々な概念の上位に存在しており包含していたりする(そう勝手に思っている)。スコープを決めそのスコープ内におけるボトルネックを活用しスループットを最大化させるという概念的な強さはあり、その

有限オートマトン入門 目次 目次 はじめに Finite State Machine:FSM 有限状態機械とは PythonのFSMライブラリ transitions 状態 State 遷移 Transitions 作成したFSMを図にする JavaにおけるEnumを使ったシンプルなFSM 参考資料 MyEnigma Supporters はじめに ロボットのソフトウェアを開発していると、 一番悩ましいのが状態の管理です。 ロボットがあるタスクを実施するには、 たくさんの状態を定義し、 正しく遷移させ、 それぞれで正しく振る舞わないといけません。 そんなときによく利用されるのが、 Finite State Machine:FSM (有限状態機械, 有限オートマトン)というモデルです。 ja.wikipedia.org このモデルを使って、状態を設計し、ソフトウェアを組むと、 複雑な状態を管

新シリーズはじまりました！　その名も「いろんな分析」 このシリーズでは、よく使われる統計手法をずらーっと見ていきます。 vol.1では、因子分析の魅力をお伝えします。データに潜む構造を明らかにしちゃいましょう！ ソースコードはこちら → https://github.com/sugiyama34/AIciaSolidProject ご視聴ありがとうございました！ 良い動画だなと思っていただけたら、高評価、チャンネル登録お願いします！ 質問や感想など、気軽にコメントしてくださいね。 【参考文献】 (1) 因子分析 (シリーズ行動計量の科学) | 市川 雅教 https://amzn.to/2SDgJeR ガチの人向け。かなり詳しく書いてあります。（推定法とか、回転とか） (2) マンガでわかる統計学 因子分析編 | 高橋 信, 井上 いろは, トレンド・プロ https://amzn

公開日：2020年7月23日 更新日：2022年7月1日 なんだか釣りみたいな本のタイトルみたいになってしまった。 博士後の進路の体験談として見つかるものは、アカデミアのものがどうしても多くなり、そちらに偏っている。後述するが「博士を取ってアカデミアの研究者にならないやつは負け組」という雰囲気や論調を持つ人物は一定数いる。一方で、席数との関係からも、博士号を取得して、アカデミアに残っている人数は、統計的には多くないはずである。一説によると2-3%程度のようである。 この記事では、それらに対抗する目的で、人数も多い他分野への就職について述べる。 「日本の理系院生の外銀・外コン・外資ITへの就職」というのは結構前から傾向があるが、実はこの傾向は日本だけではなく、諸外国(北米・カナダ・ヨーロッパ・シンガポール・香港など)の特にSTEM (Science, Technology, Engineer

ちょっと前に、しょうもないことを某所で放言したら思いの外拡散されてしまいました。 機械学習の説明可能性（解釈性）、大半のケースで求められているのは厳密な分類・回帰根拠ではなく受け手の「納得感」なので、特に実ビジネス上は説明可能性に長けたモデルを開発するより、納得できないお客さんを巧みに関係性構築した上で口八丁で完璧に説得できる凄腕営業ピープルを雇う方が重要— TJO (@TJO_datasci) 2019年11月23日 これ自体は与太話なので実際どうでも良い*1のですが、最近色々な研究や技術開発の進展はたまた実務家による考察などを見ていて、「機械学習の説明可能性（解釈性）というのは思った以上に複雑な迷宮だ」と感じることがままあったのでした。 ということで、今回の記事では僕のサーベイの範囲でザッと見て目についた資料などを超絶大雑把にリストアップした上で、主に実務における説明可能性とは何かとい

久しぶりの記事更新です。 今回はかねてより書いてみたかったword2vecについて。 word2vecはとても面白い考え方なのですが、個人的には仕組みがちょっと捉えづらく、理解するのに結構時間がかかりました。 そこで今回は、過去の自分を救えるように、word2vecをできるだけ簡潔に、そして直観的に理解できるように解説していきます。 なお、word2vecについては以下書籍でよくまとまっているので、よろしければ是非！ Pythonと実データで遊んで学ぶ データ分析講座 作者: 梅津雄一,中野貴広出版社/メーカー: シーアンドアール研究所発売日: 2019/08/10メディア: 単行本（ソフトカバー）この商品を含むブログを見る ※追記※ スマホのAMPだと、行列や数式がうまく表示されない可能性がありますので、こちらのリンクかPCから購読頂けますと幸いです。 word2vecを使うと何ができる

自分のブログを分析してみようと思い立った そういえば、自分のブログとか分析したこと無かったと思ったので、やってみることにしました。正確には、一応Google Analyticsは登録して設定はしているのですが、画面がたくさんあって何を見れば良いのかも分からず、あんまり興味も湧かなかったので放置していました。 そんな中、Pythonでブログを分析している人をみかけて「Pythonだったら、自分でソースも多少はいじれそうだし面白そう！」と思い、とりあえず試してみることにしました。具体的には、以下2つの記事を参考に、ほぼそのままやってみました。 ただ、いつものように自分の環境だとそのまま動かなかったり、多少工夫したりしたところがあるので、結果と合わせて備忘録として記録を残しておきます。 対象は、はてなブログを想定していますが、今回の内容なら多分他のブログプラットフォームでも多分大丈夫と思います（

以下のメタアナリシス論文がしばらく前に話題になっていました。 このようなメタアナリシスを紐解くことで検定力・効果量がどういうものかという理解も進むのではないかと思われますので、以前の機械学習系論文の輪読まとめと同様に全引用or全訳にならない程度にまとめてみることにします。また斜め読みに近いまとめなので、間違っているところがチラホラあるかと思います。お気付きの際はコメント欄でも何でも良いのでご指摘下されば幸いです。 アブストラクト この研究の目的は何か この論文では何を研究結果として報告しているのか メタアナリシスの対象になったのは何か どのようにしてデータを抽出したのか どのような手法でメタアナリシスを行ったのか メタアナリシスの結果はどうだったのか 著者らの考察・見解 感想と補足 アブストラクト アブストラクトだけは全訳しておきます。 We have empirically assess

よくある2つの「勘違い」論文を読むことが「なぜ大切なのか」を説明する前に、少し思い返してみてください。 「指導教官とディスカッションしても、何を言っているか理解できない」「これから研究をどうやって進めればいいかわからない」「新しくデータが得られたがうまく理由を説明できない」「質疑応答でいつもうまく答えられない」「ゼミで質問が全く思いつかない」おそらく、多くの方が1つは経験したことがあるのではないでしょうか。 こうした経験をする度に、多くの人は と自分の頭の回転が悪い、などと落ち込んでしまう方も居られるかもしれません。 実は、これは多くの方が陥る大きな「2つの勘違い」です。 もしかしたら、これらの問題は論文を大量に読むことでかなり解決できる可能性があります。 理解力が足りないという勘違い多くの方が思う「理解力が足りない」は本当に「理解力」の問題でしょうか？ 例えば、 I have pneum

なぜこの記事を書いたのか？ 決定木をベースにしたアルゴリズムのほとんどに特徴量重要度という指標が存在する。データに対する知識が少ない場合はこの指標を見て特徴量に対する洞察深めることができる。KaggleではEDAのときにとりあえず重要度を見てみるなんてこともするようだ。 しかし、この特徴量重要度にはバイアスが存在していて、特定の条件下では信用出来ないことがある。そういった条件を広く知ってほしいということでこの記事を書いた。 この記事では人工データを生成しバイアスを再現してみた。また、こういったバイアスに対処したという論文を見つけたので軽く紹介する。おまけとしてgainベース以外の特徴量重要度についても紹介する。 目次 なぜこの記事を書いたのか？ 想定読者と実験の枠組み 想定読者 限定する枠組み 特徴量重要度とは？ 特徴量重要度にバイアスが生じる条件 1. 解像度が低い場合 2. 特徴量同士

どちらかと言うと関係者向け。 とある事情でロボットとかCVとか、いろいろAI系（の一歩手前）に関わることになっている。業務系IT屋と今後のマーケットの視点で書いておく。最初に断っておくが自分はロボットに関しては素人なのよ。なので、だからむしろこれから書くことは間違っている可能性もある。単純に「外側から見た考え方の一つ」だと思ってもらっていい。そのつもりで書いておく。 前提はNCやFAと言った工作機械の延長のものではなく、あくまで人手の代替を行える水準のものを想定する。ま、極論いうと「劣化版「鉄腕アトム」」だ。 現状全般 一般に言われていることであるが、日本は世界歴史上ないかつてないレベルの高齢化になっており、少子化対策の失敗からの労働力不足に思いっきり正面激突して半死半生である。こういう大惨事のさなかに、この労働力不足を真面目にロボットで補うという、まさかのSFチックなこれまた世界史上例の

ご無沙汰しております。（挨拶） 約半年ぶりの更新でもっと更新したいことは色々とあったんですが、今ふと書きたくなったので衝動的に殴り書きをしていこうと思います。 タイトルに反して、ただの自分語りです。 私が研究者を辞めた理由 – 塞翁失馬、焉知非福 を読んで思ったことと近況の報告です。 近況報告 さて、私は９年間の大学生活（学士４年＋修士２年＋博士３年）を終え、４月から企業で働きます。 博士の学位を取ることができなかったので修士卒での入社となります。修士でも雇ってくれる企業には感謝です。 環境が悪かったなどということはなく、純粋に自分の怠惰、怠惰に起因する能力不足が原因であると思っています。 博士になんかなりたくなかった 学位が取れなかった人間が何言ってんだって話なんですけども。 外的要因で博士課程に進むということ 私の場合、そもそも博士課程に進みたいと思っていませんでした。 「それなら何故