生成系AIについて開発者が知っておくべきこと | gihyo.jp
この記事は、GitHub Blogに4月7日に掲載された「What developers need to know about generative AI」の翻訳記事です。 昨今のニュースを席捲する「生成系AI（Generative AI）」ですが、厳密にはどのようなものでしょうか？ 生成系AIについて知っておくべきこと、また開発者にとってどのような意味を持つのかについて説明します。 皆さんはこれまでに、ChatGPT、DALL-E、GitHub Copilotといった生成系AI（人工知能）ツールについて聞いたことがあるかと思います。生成系AIツールを利用すると、メールの件名からプログラミングコードの関数、アートに至るまで、誰でも瞬時にコンテンツを作成できるため、幅広い関心を集めています。 様々な業界のコンテンツ制作に革命をもたらす可能性があることから、生成系AIとは何か、どのように利
宇崎ちゃんは本当に"過度に性的"なのか？ - Qiita
"性的である"とは？ ことの発端はとあるツイートでした． I admire the work the Red Cross does, which is why I’m disappointed that @JRCS_PR in Japan would run a campaign using the over-sexualized Uzaki-chan. There’s a time & a place for this stuff. This isn’t it. #women #metoo #kutoo pic.twitter.com/bhds7IPPTq — Unseen Japan @ 超スプーキー (@UnseenJapanSite) October 14, 2019 日本赤十字のポスターに「宇崎ちゃんは遊びたい！」というマンガのキャラクターが採用されました．そのポスターの絵柄が"
機械学習案件を納品するのは、そんなに簡単な話じゃないから気をつけて - Qiita
はじめに 昨日のTwitterで書いたこちらが非常に反響を呼びました。 半年間かけたデータ解析の仕事が全くうまくいかなかった 今回の失敗は契約書に納品物を明記していなかったこと 機械学習の依頼は学習済みモデルのファイルを納品しただけでは、先方は検収できず、結果支払いを受けられない この教訓をひとりでも多くの人に知ってもらいたい — キカガク代表 吉崎亮介 (@yoshizaki_kkgk) 2017年11月20日 そうなんですよね。 全く先方が悪いわけでもなく、私自身が「機械学習のお仕事＝解析」だと思いこんでいたことが失敗の始まり。 結局のところ、機械学習系のプロダクトを依頼されて、学習済みモデルを作成して即納品とはいかず、検証結果を示されないと検収できないよとなってしまうので、結局アプリケーション側まで組み込まないと納得感はないんですよね。 この検証とは、訓練データと検証データを分けた時
エンジニアの世代間戦争
AI・人工知能EXPOに出展しています&雑感 - shi3zの長文日記 なんでこういうことが起きるかというと、昔ながらの人工知能屋さんは総じて深層学習が嫌いか、胡散臭いものだと思っている。どうしてもどこかに昔ながらの機械学習を入れたがる。だから昔からある人工知能の会社は、基本的に深層学習が嫌いか苦手である。従来と全く考えかたの違うものだから受け入れるのにむしろ時間がかかるのだ。 面白い話題。人工知能の業界は全然知らないのだが、むかし機械制御の分野では現代制御とファジイのバトルがあった。まあ俺は当時下っ端だったし、制御理論よりも純粋にプログラミング(OSとかUIとか)の部分が好きだったので直接は関わらなかったけど、なんか「うちもやらないとファジイに乗り遅れてしまう」「いや、あんなの使い物にならん」とか聞こえてきた。 当時のことを今の俺の視点で振り返ると、研究開発としてやるのはともかく、当時の
深層学習の非常に簡単な説明
「『内積』を知っている人に，深層学習の中身がだいたいわかってもらう」ことを目指しています．これぐらいをスタートに，理解を深めていけばいいのではないかと思いました．ちなみに学習（例えばback propagationあたりの）の部分については，特に触れていません．それ以前の基本の部分です． (2017.1.28, 少々補足スライドをいれて，初学者向けにさらにわかりやすくしたつもりです．) なお，ここで出てくる数式は，せいぜい足し算と掛け算ぐらいです．Read less
深層学習（ディープラーニング）を素人向けに解説（前編）―基礎となるニューラルネットワークについて
最近、Googleが開発したDQN（Deep Q-Network）と言う日本人からするとユニーク名前の人工知能が話題になりました。これには、ディープラーニング（Deep Learning）と言う人工知能の学習手法が用いられており、同様の手法を用いた人工知能が従来の人工知能の学習能力をあっさり上回ってしまったと世間を騒がせています。 しかし、このディープラーニングというのがいまいちよく理解されていません。非常に有用な手法であり、今後のビジネスに深く関わってくるということもあって専門家向けの解説は多数見受けられるのですが、素人向けの解説があまりありません。 本記事では、プログラミングや人工知能について全く詳しくない素人の方にも分かりやすくい形でご説明していきたいと思います。 関連記事： ・ディープラーニングの人工知能は囲碁や将棋やチェスをどんな風に考えて指すのか？ ・真の人工知能って何？チュー
エピソード - 視点・論点
１０月からパートなどで働いている人の社会保険適用拡大がスタートしました。今回の措置で新たに２０万人程度が加入対象になりました。どのように変わったのか解説します。
ゲームアプリの「ドット絵」をディープラーニングで自動生成する - Qiita
Super Quest ##DCGAN Deep Convolutional Generative Adversarial Networks ディープラーニングで画像（等）を自動生成する技術 データセットを学習して、データセットにありそうな画像を生成する ##例 ##アイドルの顔画像生成 TensorFlowによるDCGANでアイドルの顔画像生成 - すぎゃーんメモ アイドルの顔画像を大量に集めて学習 → アイドルっぽい顔を自動生成 ##顔イラストの生成 Chainerで顔イラストの自動生成 - Qiita 顔イラストを集めてきて学習 → 顔イラストを自動生成 ##DCGAN-tensorflow TensorFlowを用いた実装 READMEに書いてある通りに実行すれば簡単に試せる ##試してみた DCGAN-tensorflowで自動画像生成をお手軽に試す - Qiita 付属のサンプ
ネット上の画像・ムービーから機械学習アルゴリズムが全自動で3Dモデルを作る恐るべきプロジェクト「VarCity」
「機械学習」技術によって画像やムービーなどの大量のデータを処理して、3Dモデルを作ることが可能です。チューリッヒ工科大学の研究チームは、SNSを中心としたインターネット上に公開されている写真やムービーのデータから都市の3Dモデルを構築するというプロジェクト「VarCity」を立ち上げています。VarCityのすさまじいところは、画像データを放り込めば、あとは全自動で3Dモデリングしてくれるアルゴリズムを開発しているところです。 VarCity - semantic and dynamic 3D city modelling, Computer Vision Laboratory, ETH Zurich https://varcity.ethz.ch/index.html VarCityプロジェクトで、公開情報から全自動で都市の3Dモデルを作る様子は以下のムービーで確認できます。 VarCi
Wasserstein GAN（WGAN）でいらすとや画像を生成してみる - 緑茶思考ブログ
Wasserstein GAN，略してWGANと呼ばれる Arxiv: https://arxiv.org/abs/1611.02163 著者によるコード: https://github.com/martinarjovsky/WassersteinGAN このWGANを使って以下のようないらすとや画像を生成したというのが本記事の主旨。 本論文のcontribution 確率分布間の距離を計算するための，従来使われてきた距離指標とEarth Mover(EM) distanceとの比較を行った EM distanceの近似関数を最小化するWasserstein-GANを定義した WGANが既存のGANにおける問題を解決することを示した WGANではdiscriminatorとgeneratorの学習バランスを気にしなくて良い ネットワーク構造も気にしなくて良い mode dropping p
Joint Gap Detection and Inpainting of Line Drawings - ディープネットワークによる線画補完技術！CVPR 2017論文！
Blender アドオン プラグイン＆アドオン-Plugin&Addon Fluffy Maker v1.0 - ワンクリックで手軽にモフモフ表現を追加出... 2024-11-01 数多くのアドオンを単発的に開発＆販売しているBlender Proceduralから、ワンクリックで手軽にモフモフ化出来るBlenderアドオン「Fluffy Maker v1.0」がリリースされました！ 続きを読む 業界-Industry Announced .SPZ - 高速読み込み＆低消費メモリ！3D Gaussi... 2024-10-31 ここ最近主流にになりつつある3D Gaussian Splatting（3DGS）を扱う形式として新たなオープンソースフォーマット「.SPZ」が発表されました！ 続きを読む
Globally and Locally Consistent Image Completion - ディープラーニングによる画期的な画像補完 - SIGGRAPH 2017 技術論文
Blender アドオン プラグイン＆アドオン-Plugin&Addon Fluffy Maker v1.0 - ワンクリックで手軽にモフモフ表現を追加出... 2024-11-01 数多くのアドオンを単発的に開発＆販売しているBlender Proceduralから、ワンクリックで手軽にモフモフ化出来るBlenderアドオン「Fluffy Maker v1.0」がリリースされました！ 続きを読む 業界-Industry Announced .SPZ - 高速読み込み＆低消費メモリ！3D Gaussi... 2024-10-31 ここ最近主流にになりつつある3D Gaussian Splatting（3DGS）を扱う形式として新たなオープンソースフォーマット「.SPZ」が発表されました！ 続きを読む
ディープラーニングでアスキーアートを作る - Qiita
はじめまして。 本業はアスキーアート (以下AA) 職人のOsciiArtといいます (本業ではない)。 AlphaGo対イ・セドルの対局を見て、「僕もディープラーニングで神AA職人を倒したい！」と思い、pythonをインストールしてちょうど一年の成果を書いていきます。 コードはこちらにアップしてあります。 https://github.com/OsciiArt/DeepAA ここで扱うアスキーアートとは ここで扱うAAとは、 こういうの……↓ ではなく、こういうの……↓ でもなく、こういうの……↓ ともちょっと違って、こういうの……↓ ではもちろんなく、こういうのです。↓ このような、線画を文字を作って再現した「トレースAA」と呼ばれるタイプのAAをここでは扱います。 詳細はwikipediaの「アスキーアート」のページの「プロポーショナルフォント」の項を参照してください。 wikipe
StackGANによるフォントの錬金術 - にほんごのれんしゅう
StackGANによるフォントの錬金術 図1. 中央が錬金したフォント 近況 図2. 真理の一撃を放とうとするカリオストロさん（公式絵より） グランブルーファンタジーというスマホのゲームでカリオストロというキャラクターがいます。もとは天才錬金術師で、自己の性別を錬金術で男から女に変えた天才です。そんな彼（彼女？）が真理の一撃だー！っていうんですよ、かっこよいですね。 あまりにも今までの不可能を打開し続けるDeep Learning。自分で言うと甚だ科学としての機械学習が零落しそうですが、まだDeep Learningは体系化された知恵の集合体としての正しい科学の段階にはたどり着いていないように思います。どちらかと言うと錬金術に近い技かも。 Deep Learningは、いつかまだ見ぬ真理へと人類を導いてくれるんでしょうか。各人、期待しております。 モチベーション 日本語のフォントを作成する
ディープラーニングで「インド人を右に」を理解する: Generative Adversarial Network による画像モーフィング - 加藤大晴のウェブサイト
ディープラーニングで「インド人を右に」を理解する: Generative Adversarial Network による画像モーフィング 「インド人を右に」問題 インターネットを長く使っている方は、伝説の誤植「インド人を右に」 [1] についてご存知なのではないでしょうか。 「くお〜!! ぶつかる〜!! ここでアクセル全開、インド人を右に!」 この唐突に過ぎる意味不明な「インド人」は「ハンドル」の誤植であり、それはライターの手書きの文字が汚かったために発生したとされています。 …手書きの文字が汚かったとして、どうすれば「ハンドル」が「インド人」になるのか？ 従来より、この問題について様々な考察がなされてきました。 ここでは、近年の技術の発展の成果を取り入れ、コンピュータに文字を書かせることによって「ハンドル」から「インド人」への変容についてアプローチしてみたいと思います。 # これは De
なぜGoogle翻訳は賢くなれたのか
「Google翻訳の日本語訳レベルを飛躍的に向上させた」とGoogleが発表し、話題になっています。 機械翻訳が進化したのは、同社が開発したニューラルネットワークを使った翻訳技術の「Google Neural Machine Translation（GNMT）」を日本語にも対応させたからです。 GNMTは、おおまかに言うと翻訳元の文章を系列データとしてエンコードし、それを翻訳先の言語のデータとしてデコードする作業を、ニューラルネットワーク（人間の脳神経系を模した情報処理システム）で行う仕組みです。 これまで採用してきた「フレーズベース機械翻訳（PBMT）」よりも正確に翻訳できますが、PBMT同様に、山のような学習用データ（いわゆる“餌”）が必要です。 というわけで、これまでユーザーがGoogle翻訳に入力してきた膨大なデータが餌として使われています。みんながGoogle翻訳を使えば使うほど
遺伝的アルゴリズムとGPGPUを使ってFM音源の音色設定パラメータを自動化する手法 | スラド IT
かつてゲーム機や携帯電話の音源として多く使われていたことでも知られるFM音源は派手な音色を得意とするいっぽう、音色の作成にはノウハウが必要で、直感的な音色作成ができない点が弱点とされている。特に、既存の楽器と似た音色を作ることは難しいとされていた。このFM音源の音色作成を遺伝的アルゴリズムを使って自動化するという手法が開発されている模様（発表資料、公開されているソースコード）。 この手法では音色の比較にはFFTが必要となるため、処理に時間がかかるというのが弱点であるが、これはGPGPUを使って並列化を行うことで解決したようだ。これにより、約2時間26分程度で41秒のサンプリングデータに近い音色パラメータを決定することに成功したという。
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
長文日記
TOEIC高得点者は涙目？ TOEIC900点程度の和文英訳が瞬時に行える機械翻訳エンジン登場【やじうまWatch】
人工知能の現状と競争政策 - 東京大学 松尾 豊