連載目次 昨年10月、同タイトルの記事を公開して好評だった。今回は、2021年に向けた、そのアップデート記事となる。 ディープラーニング（深層学習）を実装する場合、専用のライブラリ／フレームワークを用いるのが一般的だ。ディープラーニングが流行してから直近5年ほどの間に、次々と新しいフレームワークが登場した。現在、主要なものを挙げると、 TensorFlow： 2015年登場、Google製。一番有名で、特に産業界で人気 Keras： 2015年登場、作者がGoogle社員。使いやすくて簡単。TensorFlow 2に同梱され標準API化 PyTorch： 2016年登場、Facebook製。この中では新興だが、特に研究分野で人気急上昇中 Chainer： 2015年登場、日本のPreferred Networks製。2019年12月に開発を終了し、PyTorchへの移行が推奨されている な

Papercupは動画の中から人の声を抽出し、別の言語に翻訳して吹き替え音声を付加する技術を開発した英国のベンチャー企業だ。コンテンツ制作会社やYouTuberが、他の言語へ動画を展開するのを助けている。 音声認識・翻訳・吹き替えの流れを自動化近年は動画コンテンツが増加してきているが、99.9%の動画は1つの言語で制作されてきた。YouTubeに限らず、ポッドキャストやCoursera等のオンラインクラス、そして、Netflixのような動画配信サービスを含め、多言語化が進めば、より多くの視聴者へリーチできる。 Papercupは動画の吹き替えを自動化し、動画制作者が低コストでコンテンツを多言語化するのを支援するものだ。アップロードされた動画の中から人の声を抽出し、指定された言語について機械学習によって翻訳を行って、人の音声を重ね合わせる流れになっている。 さらに、翻訳の品質を担保するため、

こんにちは、エムスリーエンジニアリンググループ/AI・機械学習チームの大垣 (@Hi_king) です。 これは エムスリー Advent Calendar 2020 の14日目の記事です。 前日は id:juntaki による、Goのchannelとスケジューリングでした。 私達AI・機械学習チームの挑戦している課題としては、MLによるサービス体験の向上、MLを中心とする新規サービスなど諸々あるのですが、 今日は、なかでも、臨床現場で利用するためのAI開発について書いてみようと思います。 上記のスライドはこのテーマで45分ほど社内勉強会を行うために作ったもので、 このなかから、エッセンスをかいつまんでブログ記事にしてみました。 記事中で紹介しきれなかったそれぞれの研究などはスライドをあらためて眺めていただけると幸いです。 私自身は、もともとコンピュータビジョン分野が専門で、医療分野に本格

Amazon Web Services ブログ 機械学習用のデータを準備するためのビジュアルインターフェイス、Amazon SageMaker Data Wrangler のご紹介 本日、Amazon SageMaker の新たな機能であるAmazon SageMaker Data Wranglerを発表できることを非常に嬉しく思います。これを利用することで、データサイエンティストやエンジニアは、ビジュアルインターフェイスを使用した機械学習 (ML) アプリケーションのデータ準備をより速く行うことができます。 データサイエンティストと機械学習エンジニアのグループに、機械学習における問題の調査に実際、どのくらい時間を費やすのかを尋ねるたびに、私はよく多くのため息と、それに続く「運が良ければ 20％ です」というせりふに沿った答えを聞きます。その理由を尋ねると、答えはいつでも同じです、「データ

みなさん、機械学習(以下、MLにします)してますか？ MLを取り巻く環境は、特に今年(2020年)で劇的に進化していると感じています。 とくに「振り分け済みの画像(やデータ)を用意すればいいんだよ」というタイプの、自動化されたML "AutoML" が発展してきており、アルゴリズムやパラメータ調整を知らなくてもMLの恩恵を受けられるようになりました。 ここで紹介する Amazon Lookout for Vision は、AWSの大型カンファレンス「AWS re:Invent 2020」で発表された AutoML 型の ML サービスで、画像による欠陥品検出(異常検知)を行ってくれます。 特筆すべきポイントは、最低20枚の正常と最低10枚の異常、計30枚あれば学習と推論が行えるようになっています。実際、ここで紹介するのも正常=30枚、異常=42枚でうまく動きました。 詳細はクラスメソッドさ

人工知能に学習させるには膨大なデータが必要になる。しかし、世の中のデータの80％以上は、非構造データであり、人工知能が直接学習することができない。これを整形し、人工知能に教える仕事が人工知能訓練士だ。膨大な人手が必要になり、農村地区に続々と人工知能訓練村が誕生していると第一財経が報じた。 新しい職業「人工知能訓練士」 郭梅さんは、山西省の炭鉱で働いていた。景色のすべてが山と石炭であるような職場で、郭梅の仕事は、コンピューターの前に座り、表示される炭鉱内のガス濃度を監視することだった。システムが表示する数値を見続けて、異常値が表示された場合には上司に報告をする。 2年前、子どもが山西省太原市の学校に通うことになり、郭梅さん一家は太原市内に引っ越した。郭梅さんは、太原市で新しい仕事を見つけなければならない。そこで選んだのが「人工知能訓練士」という仕事だった。内容はよくわからないが、コンピュータ

この記事は Kaggle Advent Calendar 2020 の16日目の記事です。去年ネタ記事*1を書いたので今年は真面目なやつにしました。 はじめに Kaggler はコンペにおいてあらゆる手段を用いて評価指標の改善を目指します。特徴量エンジニアリング、モデルや学習手法の試行錯誤、特殊な前処理・後処理の考案、はたまた Leakage の利用に至るまで、ルールを破らない範囲であれば何でもする*2のが Kaggler です。今挙げた例はそのコンペ固有の性質(データの生成過程・分布、評価指標、... etc.)に着目することで大きな効果をもたらす場合が多いのですが、一方でいずれのコンペにおいても一定の効果が得られる手法があります。それは複数のモデルの予測結果を統合して予測を行う Ensemble です。Ensemble は統合するモデルに多様性があるほど性能が向上すると一般に知られてお

Amazon Web Services ブログ エッジデバイスでの機械学習モデルの運用をシンプル化する Amazon SageMaker Edge Manager 今日は、エッジデバイスフリートでの機械学習モデルの最適化、セキュア化、監視、および維持を容易にする Amazon SageMaker の新機能、Amazon SageMaker Edge Manager についてお知らせしたいと思います。 エッジコンピューティングが情報テクノロジーにおける最もエキサイティングな展開のひとつであることは明らかです。実際に、コンピューティング、ストレージ、ネットワーキング、およびバッテリテクノロジーの絶え間ない進歩のおかげで、組織は、製造、エネルギー、農業、およびヘルスケアなどのさまざまな産業用途のために、多数の埋め込みデバイスを世界のあらゆる場所で日常的にデプロイしています。シンプルなセンサーから

ソニーは12月15日、AIを料理の分野で活用する研究プロジェクト「ガストロノミー・フラッグシッププロジェクト」を始めたと発表した。世界各国のシェフや食品関連企業と連携し、レシピ開発AIや調理ロボットの研究を行う。 まずはレシピやメニューの開発支援アプリを作る。味が良く、食べる人の健康や環境にも配慮したレシピの提案に向け、食材の味や栄養素といったデータや既存のレシピなどをAIに学習させる。開発に向け、世界中にあるシェフのコミュニティーとの関係を強め、食材のデータ提供元企業と協力体制も築く。 調理を支援するロボットの開発も進める。シェフの調理技術をAIに学習させ、調理から盛り付けまでの全工程でシェフを支援できるようにする。離れた場所にいるシェフが遠隔操作できるような仕組みも検討するという。

14日目はいのいちさんの【Kaggle】2020年に開催された画像分類コンペの1位の解法を紹介します です！ 16日目は俵さんの黒魔術への招待：Neural Network Stacking の探求です！ Kaggleをやる私に必要なもの こんにちは、皆さんはKaggleやってますか？　正直なことをいうと、自分はあまりKaggleコンペに参加してないのでエアプ勢になってます。どちらかというとマイナーなコンペばかりに参加してて…… Kaggle（広義）で勝つためにたくさんの実験を回しますが、何も考えていないと後々苦しみます。 僕がコンペに参加してる時のあるあるをまとめます。 今日やった実験は明日は忘れてる 破壊的変更ばかりする commitがだるい ソースが汚い 諸々あってそろそろちゃんとした実験環境整えようかなという気になって自分のソースコードを整理してました。その頃にちょうどadvent

単語分散表現と事前学習モデル - chiVe _ chiTra 利活用のための下準備 at WAP NLP Tech Talk #5

ML事業部の近江崇宏です。 ストックマークではプロダクトで様々な自然言語処理の技術を用いていますが、その中のコア技術の一つに固有表現抽出があります。固有表現抽出はテキストの中から固有表現（固有名詞）を抽出する技術で、例えば「Astrategy」というプロダクトでは、固有表現抽出を用いてニュース記事の中から企業名を抽出しています。（企業名抽出については過去のブログ記事を参考にしてください。） 一般に、固有表現抽出を行うためには、大量のテキストに固有表現をアノテーションした学習データをもとに機械学習モデルの学習を行います。今回、ストックマークは固有表現抽出のための日本語の学習データセットを公開いたします！ご自由にお使いいただければと思います！ レポジトリ：https://github.com/stockmarkteam/ner-wikipedia-dataset 固有表現をハイライトしたサンプ

〜AIが名曲を生み出す〜 この音楽を聴いてみてください。 See the Pen MusicTransformerDemo by NayuSato (@nayusato) on CodePen. 埋め込みが見られない場合はここ これはGoogleの自動作曲Music Transformerが生み出した曲の1つです。 入力は、最初の6秒だけ。 クラシックのドビュッシー「月の光」の冒頭6秒だけを与えて、その続きを全て作らせるというタスクを行わせています。 十分聴き入って感動できるような曲に仕上がっています。 ケチをつけられる点がないとは言わないけれど、「人の作った曲です」と言われても識別できないほどの精度になっています。 「Music Transformer」 2018年Googleが発表した自動作曲のAI。 自然言語処理のアルゴリズムであるTransformerを音楽に適用することにより、そ

今年春に出願、夏に合格して秋学期からオンラインのコンピュータサイエンス修士コースで勉強している。ちょうど秋学期が終わって成績が返ってきたので、どういう感じだったか書いておく。 I've been officially admitted to Georgia Tech's OMSCS (Online Master of Computer Science). I'm excited for being a student again. I chose the online course to take it without quitting my job, but due to COVID-19 it's probably not that different from other people's experience.— k0kubun (@k0kubun) July 31, 2020 ど

こんにちは。機械学習エンジニアをしている古賀です。 最近は愉快な上司@tereka114 のもと、精度の上がらないモデルに四苦八苦しています。 そんな私が普段データ分析をする際に難しいことの一つとして、特徴量エンジニアリングがあります。 特徴量エンジニアリングとは、元のデータに新たな特徴量を追加することでモデルの精度を向上させるプロセスのことです。 この結果によってモデルの精度が大きく変わりますが、正しく実行するにはデータへの深い理解やデータ分析力が必要になります。 私もあまり得意ではないのですが、これを簡単にする xfeat という便利なライブラリがあると上司が教えてくれたので、実際に使ってみて便利だったことをまとめました。 ※本記事は、Pythonその3 Advent Calendar 2020 の15日目の内容になります。 目次は以下です。 xfeat とは 準備 実行環境 xfea

2017年のシステムリニューアルで提供を終了していた「タグの一括編集機能」を、PCのブラウザで再びお使いいただけるようになりました。ブックマークしたエントリーに付けた「タグ」を、一括で別の名称に置換、または削除することができます。 再提供に伴い、タグの置換や削除ができるUIも新しくなりました。また、タグで絞り込まれたページの「関連タグで絞り込む」欄と「タグ」欄の上下を入れ替え、一括編集の操作をしやすくしています。 本機能については、これまでにも数多くのユーザーさまから提供再開のご要望をいただいておりました。ご意見をお寄せくださった皆さま、誠にありがとうございました。 タグの一括編集機能の使い方 タグを一括で置換・削除する手順をそれぞれご紹介いたします。 まず、はてなブックマークのヘッダー「ブックマーク」からブックマークの一覧ページにアクセスします。続いて、左カラムにある「タグ」欄から、変更

JDLA認定プログラム第1号のスキルアップAIが、E資格対応の『ディープラーニング講座』の受講料を5万円に改定E資格対応『現場で使えるディープラーニング基礎講座』の受講料を30万円から5万円に改定し、学習機会の提供を拡大 AI導入・活用を成功させる人材育成のプロフェッショナルファームのスキルアップAI株式会社（本社：東京都千代田区、代表取締役社長：田原眞一、以下スキルアップAI）は、2021年より、E資格対応の『現場で使えるディープラーニング基礎講座』の受講料を30万円から5万円に改定致します。多くの企業で導入され、高い合格率で400名以上のE資格合格者を輩出してきたディープラーニング講座を、日本ディープラーニング協会認定プログラムの中で最安値で提供することで、より多くの方に機械学習・ディープラーニングを学ぶ機会を提供して参ります。 ■背景 日本ディープラーニング協会（以下、JDLA)が実