本稿では、NTTテクノクロスでAIエンジニアとして活躍する筆者が、実際にどのようなことを行っていて、どのような苦労があるのかを、実際に動かして試せる「時系列データの予測モデル作成」の題材を通して、4回にわたってお伝えします。最終回となる今回は、これまでに作成した予測モデルを振り返り、時系列データを用いた予測モデルを作成する際に起きやすい問題とその対応方法をお伝えいたします。（編集部） AIを用いた時系列データ予測－予測モデルの評価 本連載では、時系列データを用いた予測モデルの作成を題材に、その作成方法を前回まで紹介してきました。 AIを用いた新規サービス開発におけるPoC（概念実証）において、このように予測モデルをプロトタイプとして作成した際、AIエンジニアには作成した予測モデルが「どのくらい目標としているサービスに適用できそうか」「どのような特徴・問題があるか」「今後どのくらい拡張・改善

CodeZine編集部では、現場で活躍するデベロッパーをスターにするためのカンファレンス「Developers Summit」や、エンジニアの生きざまをブーストするためのイベント「Developers Boost」など、さまざまなカンファレンスを企画・運営しています。

「TensorFlow 2.3」では、データのロードと前処理をさらに容易にし、1台のマシンで作業している場合でも、複数のマシンで作業している場合でも、入力パイプラインのボトルネックを解決する新たな機能が追加されている。 「tf.data」では、入力パイプラインのボトルネックを解決してリソース使用率を改善すべく、トレーニングジョブと並行して実行されるデータ処理ワーカーのCPUクラスターに入力前処理をオフロードして、アクセラレータの使用率を向上する方法が提供されたほか、入力前処理パイプラインの出力をディスクに保持することができるスナップショットAPIが追加された。 また「TF Profiler」では、モデルのメモリ使用量を可視化するメモリプロファイラと、モデル内のPython関数呼び出しをトレースできるPythonトレーサが追加されている。 ほかにも、Keras Preprocessing L

Python向けの、オープンソースの機械学習ライブラリPyTorchの最新版となる、「PyTorch 1.6」が7月28日（現地時間）にリリースされた。また、米MicrosoftのチームがWindows版のビルドとバイナリを維持するとともに、GitHubとPyTorch Windowsディスカッションフォーラムのコミュニティをサポートすることが、あわせて発表されている。 「PyTorch 1.6」では、数多くの新たなAPIの追加、パフォーマンス向上とプロファイリングのためのツールの搭載、分散データ並列（DDP）とリモートプロシージャコール（RPC）ベースの分散トレーニングに対する変更が含まれる。 おもな変更点としては、自動混合精度（AMP）トレーニングがネイティブでサポートされたほか、ネイティブTensorPipeサポートのテンソル対応ポイントツーポイント通信プリミティブへの追加、フロント

プログラミング演習の教材は、プログラミングの初学者を対象にPythonを用いたプログラミングを演習方式で学ぶもので、京都大学学術情報リポジトリ（KURENAI）で公開されている。本編のほか、横道にそれる話題をまとめたコラム編の2つの教材がある。著者は国際高等教育院 教授の喜多一氏。 本教材は、2018年度に全学共通科目として実施された授業を元に構成されたもので、到達目標としては以下の3つを挙げている。 Pythonによるプログラムの実行についての基本操作ができるようになる。 Pythonプログラムを構成する基本的要素の機能と書式について説明し、例題を用いて実行例を構成できるようになる。 Pythonを用いて簡単なプログラムを自ら設計、実装、テストできるようになる。 著者は、本教材のまえがきにおいて、多くの解説書がプログラミング言語の紹介に終始しがちななか、Pythonというプログラミング言