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

かれこれ三年以上ほぼ毎朝論文を読んでいます。 ほぼ毎朝、というのは本当にほぼ毎朝です。この三年のうち読まなかった日はワクチンの副反応でダウンしている日など、あわせて 10 ~ 20 日ほどでしかありません。この日課だけでも 1000 本以上は論文を読んだことになります。 論文読みの日課についての知見が溜まってきたのでこの記事で共有します。 主な想定読者は研究者と学生の皆さんですが、それ以外の論文読みに興味のある皆さんにも有用な情報が詰まっているはずです。 日課の流れ Readable について 🧐 論文の選び方 自分の研究内容と直接関係あるものを読む（特におすすめ） 完全にランダムに選ぶ 被引用数の多い順に選ぶ（特におすすめ） トピックごとに重要な論文を読んでいく 研究者ごとに論文を読んでいく 📝 論文メモの書き方 ⏳ 時間を計測する 🤗 論文メモを公開する 📜 表現集の作成 🔨

壊れたWindows7が届いた。起動しない、壊れた、せめてHDDからデータを抜き出してくれないか？との依頼。 見た目は綺麗だけど、電源が全く入らない。マザーボードが死んでる。2009年製のDynabook。 内蔵のHDDを取り出して、外付け用のSATAケーブルに繋ぐ。Macに繋いでみたら、ディスクの中は見えた。良かった。HDDは生きている。 ケーブルはこのへんので適当に。 データさえ復活できれば、HDDはもう要らない。好きに処分して、とのこと。 このHDDには正規のWindows7が入っているわけで。そのライセンスを使わないままみすみす処分するわけにもいくまい。 ーーー ということで、外付けHDDからWindows7のライセンスキーを抜き出すことを考える。と思ったら、既にやっている人がいた。 blog.livedoor.jp やり方は簡単。 ①外付けHDDをつなぐ。 ②中にある Windo

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

はじめに こんにちは、2月14日から2月25日までNTTコミュニケーションズの職場体験型インターンシップに参加させていただきました関根です。インターンシップにはテレプレゼンスエンジニアとして参加し、VR酔いを軽減するテーマに取り組みました。この記事では、私が体験したインターンシップの内容について紹介できればと思います。 テレプレゼンスロボットとは テレプレゼンスロボットとは、遠隔操作技術や映像転送技術などを組み合わせることにより、遠隔地であっても、まるでその場にいるように活動できるロボットです。 参考: テレプレゼンスのイメージがわかる動画 今回扱ったテレプレゼンスロボットは、HMD(ヘッドマウントディスプレイ)を使用してカメラの向きの操作と、HMDへのリアルタイム映像表示ができるロボットです。3つのサーボモータによりカメラの姿勢をHMDの姿勢と同期させることができ、2つのカメラの映像をネ

イーロン・マスクが YouTube チャネルでスペース X のテキサス工場スターベースの中を歩き回りながらロケット製造や電気自動車について説明しているのを観た。ツイートしたこの件。 これがめちゃくちゃに示唆に富んでいて面白かった。この日のイーロン・マスクは饒舌で楽しそうなので、かなり魅入ってしまった。きっと彼はカンファレンスや会議室の中でインタビューを受けるよりも、工場でみんながロケット作ったり作業している場で語った方が情熱を込めていろいろ説明してくれるんだと思う。 この中で製造工程の話があって、これはロケット製造などの特定分野だけでなく、IT やその他の分野にでも当てはまる普遍的な知見だと思ったので意訳してみた。ざっとビデオを観て印象に残った部分だけを意訳した。あくまで大枠で言ってることをまとめただけなので、もし詳細に興味があればぜひビデオを観てイーロン・マスクの話を直接聞いて確認してく

周りを見ていると何の苦もなく英語社会に適応しているわけですが、日々苦しんでいる人の奮闘記があっても良いのではないかと思って書きました。残念なエピソードを晒すことで実は自分もこうやって乗り切ってましたという人が現れお互いに助け合えることを期待しています。 概要 前提 バッドノウハウ 質問編 聞き取れなかった時にSorry?と聞き直さない 聞こえたところまで繰り返す 可能性のある質問全てに答える Do you mean ~ ? で可能性を潰していく うかつにYES/NOで答えない 他人に振ってみる 良い質問ですねぇを使う 何か言いそうな雰囲気を出して時間を稼ぐ 発言編 How are you?を速攻でキメる Can you hear me? Can you see my screen? に率先して答える How are you?にHow are you?で返す 発表編 話し続ける 質問が出ない

大学ではB4の一年間、人によってはさらにMとかDとかで研究をします。そこで学べることについて、および、それを学ばなかったがために私が苦労したことを書きます。ここでは大学に行く人を主な読者層にしていますが、そうでなくても就職した後に後述の問題に遭遇することでは同じです。 わたしは高校時代は「プログラミング一本で生きていく」という決意をしていました。そこで近くの大学に情報工学科という学科があったので、そこを受験しましたが見事落選、第二希望だった別の学科に受かりました。このあとわたしの大学生活のポリシーは「可能な限り楽をして大学を出る、その間にプログラミングについての知識を独学する」でした。B4およびMでの研究においてもそのポリシーを愚直に守り通し、手抜きに手抜きを重ねてギリギリで卒業、修了しました。不良学生というやつです。最終的にはプログラミングやその他低レイヤといわれる領域の知識は平均的なC

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

前回の記事では、Twitter上の画像から二次元画像を選ぼうとすると二次元とも三次元とも言い難い画像が入ってくる問題があることを見ました。今回は、Active Learningという方法を使って境界領域の画像をうまく扱う方法を適用したいと思います。 Active Learningについて Active Learningという言葉は教育業界と機械学習業界の両方で使われているので混乱がありますが、ここでは機械学習でのActive learningを指します。通常の機械学習の問題設定では学習データは既に与えられたものとして扱うことが多いですが、Active Leaningではどのデータを学習するかを選ぶことができるという設定のもとで学習を行います。これにより、少ないデータ数で学習が行えるようになることが期待できます。 Active Learningでは、境界に近いデータを能動的に選ぶことで効率的

この記事は2017年12月15日に https://kivantium.net/deep-for-chem/ に投稿したものです。 情報が古くなっていますが、まだ参照されているようなので再掲します。 この記事はDeep Learningやっていき Advent Calendar 2017の15日目です。 Deep Learningの威力が有名になったのは画像認識コンテストでの圧勝がきっかけでしたが、今ではDeep Learningはあらゆる分野に応用され始めています。NIPS2017でもMachine Learning for Molecules and Materialsが開催されたように、物質化学における機械学習の存在感が高まりつつあります。この記事ではその一例として化学の研究にDeep Learningが使われている例を紹介していきます。 化学物質の研究に機械学習が使われる主なパター

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

以前記事を書いたURDFとxacro(XML macro)はロボットのシミュレーションに必要な形状とか物理特性、センサーやアクチュエータなどを記述できる形式。確認のためにいちいちrvizを起動してたけど、Visual Studio CodeのROS向けExtensionsにURDFをプレビューする機能があったのでメモ。 以前のxacro記事 kuwamai.hatenablog.com 使用環境 Ubuntu 16.04 ROS Kinetic Kame Visual Studio Code 1.38.1 VSCode extension for ROS 0.6.0 手順 VSCodeのInstallと起動 公式サイトの手順通りにやったらできた。 Installは下記コマンド。 $ sudo snap install --classic code 起動は下記コマンド。 $ code VSC