AIを支える仕組み - うめぞーコラム
AIを支える仕組みについて 今日はArtificial Intelligence, AI 支える仕組みについて、あまり語られていない視点で語ってみます。 IBMが誇るWatsonは、誰もがAIと認識していると思います。クイズに勝ったりチェスに勝ったりと、人知を超えるアクションを起こして「すげぇ！」と言われています。確かに凄いです。だって、人の知識量を遥かに超える情報から、応答すべき答えを、限られた時間内で返すんですから。 でも、ちょっと待って。これってWatsonという、なんだかわからない巨大なブラックボックスでしかできないものなのでしょうか？普通の技術でできないのでしょうか？ クイズの回答を例にとって要素技術を見てみましょう。クイズのプロセスは、1. 質問者からの問いかけがあり、2. 回答者が考えて、3. 回答する。これだけです。素人考えですが、コンピュータ側で行うべき技術要素は下記のよ
AI/ML pipelines using Open Data Hub and Kubeflow on Red Hat OpenShift | Red Hat Developer
Try Red Hat products and technologies without setup or configuration fees for 30 days with this shared Openshift and Kubernetes cluster.
失敗から学ぶ機械学習応用
NLP コロキウム https://nlp-colloquium-jp.github.io/ で発表した際のスライドです。 論文: https://arxiv.org/abs/2205.01954 GitHub: https://github.com/joisino/wordtour 概要 単語埋め込みは現代の自然言語処理の中核技術のひとつで、文書分類や類似度測定をはじめとして、さまざまな場面で使用されていることは知っての通りです。しかし、ふつう埋め込み先は何百という高次元であり、使用する時には多くの時間やメモリを消費するうえに、高次元埋め込みを視覚的に表現できないため解釈が難しいことが問題です。そこで本研究では、【一次元】の単語埋め込みを教師なしで得る方法を提案します。とはいえ、単語のあらゆる側面を一次元で捉えるのは不可能であるので、本研究ではまず単語埋め込みが満たすべき性質を健全性と完
【Kubernetes】1週間かかる処理を1.5時間で終わらせた【並列処理】 - ニートの言葉
こんにちはあんどう(@t_andou)です。 今回はKubernetesを使って並列処理させた記録です。 まだ「とりあえずそれっぽく動くまで試してみた」という段階で、kubernetesを理解できてはいないので自分用のメモを公開しているという認識でご覧ください。 間違っている部分や、よりスマートなやり方がありましたらご指摘いただけると幸いです。 この記事の概要 機械学習に使う特徴量の作成で1週間かかりそうな処理を10分くらいで終わらせられないかと考え、GKE(=GoogleのKubernetes環境)を使い試行錯誤した記録です。 今回は一部失敗して完了時間が1.5時間になったものの、設定を上手く出来れば15分程度で終わる見込みです。 対象読者 ・Kubernetesの概要は知っているくらいのレベルの人 ・KubernetesのJobを使った並列処理をしたい人 目次 この記事の概要 対象読者
機械学習やるには数学から、「学習」「予測」「関数」の関係を知る
現在のAI（人工知能）ブームを支える機械学習。機械学習のスキルを身につけたいけれど、一から学ぶのはハードルが高そうで躊躇（ちゅうちょ）している――。そんなエンジニアは少なくないでしょう。 機械学習を理解する上でカギとなるのが、数学です。難しそうに感じるかもしれませんが、機械学習に必要な数学は限られています。それをマスターすることは、機械学習エンジニアになるための最短コースといえます。 本特集では、なぜ機械学習で数学が必要なのかを、高校1年生レベルの数学を使って説明します。今回は、そもそも機械学習とはどんなものかを解説します。 条件判断の基準を人間が決めない AIと機械学習。どちらもよく聞く言葉ですが、それぞれの定義について聞かれて、さっと答えられるでしょうか。 人工知能に関しては、一般的に明確で厳密な定義はまだないというのが筆者の認識です。「人工知能とは何か」という問いに対して、1950年
Home Page
Open Data Hub is an open source AI platform designed for the hybrid cloud. The community seeks to bridge the gap between application developers, data stewards and data scientists by blending the leading open source AI tools with a unifying and intuitive user experience. Open Data Hub reduces the time it takes to infuse applications, services or business operations with AI. With Kubernetes, OpenShi
囲碁AIブームに乗って、若手棋士の間で「AWS」が大流行 その理由とは？
囲碁AIブームに乗って、若手棋士の間で「AWS」が大流行 その理由とは？：週末エンプラこぼれ話（1/4 ページ） 人間の能力をAIが完全に上回りつつある「囲碁」の世界。最近では、AIを活用した研究を行う棋士も増えているそうだが、その裏側でAWSが若手棋士の中で大流行しているという。一体何が起こっているのだろうか。 ここ数年、将棋や囲碁といったボードゲームの世界では、AI（人工知能）の能力が人間を上回りつつある。特に、Alphabet傘下のDeepMindが開発した囲碁AI「AlphaGo」は、世界のトップ棋士を次々と破ったことで、昨今の人工知能ブームの“火付け役”となったのは記憶に新しい。 最近では、プロ棋士たちも研究にAIを使い始めているが、その影響で、若い囲碁棋士たちの間で今「AWS（Amazon Web Services）」を利用する人が急速に増えているのだという。一体何が起きている
リコー、機械学習をFPGAで実装、GPU比で26～259倍高速化、勾配ブースティング手法用 | IT Leaders
IT Leaders トップ ＞ テクノロジー一覧 ＞ AI ＞ 市場動向 ＞ リコー、機械学習をFPGAで実装、GPU比で26～259倍高速化、勾配ブースティング手法用 AI AI記事一覧へ [市場動向] リコー、機械学習をFPGAで実装、GPU比で26～259倍高速化、勾配ブースティング手法用 2018年12月26日(水)日川 佳三（IT Leaders編集部） リスト リコーは2018年12月26日、マシンラーニング（機械学習）の学習速度を26～259倍に高速化したと発表した。機械学習の手法の1つであるGBDT（Gradient Boosting Decision Tree：勾配ブースティング決定木）モデルの学習を高速化・低消費電力化する回路アーキテクチャを開発した。この回路をFPGAで実装したところ、CPU/GPUと比べて学習が26～259倍高速化できたという。 リコーは今回、GB
AI／機械学習にコンテナは必要か？――4人のスペシャリストが語るGPUコンテナの未来
2018年11月8日に行われ盛況のうちに幕を閉じた「Red Hat Forum 2018 Tokyo」。そのセッションの一つとして開催されたのがパネルディスカッション「AI/マシンラーニング開発基盤を支える技術 ～Kubernetesが創るGPUコンテナの未来～」だ。エヌビディア（NVIDIA）、Preferred Networks（PFN）、日本ヒューレット・パッカード（HPE）、レッドハットという各分野のエキスパートが、AI、マシンラーニング（機械学習）、ディープラーニング（深層学習）において、コンテナがどのような効果をもたらすのか、現在の課題や今後の展望を語った。 登壇者は以下の通り。モデレーターは＠IT編集部 エグゼクティブエディターの三木泉（以下、三木）が務めた。今回はTwitterのハッシュタグ「#RHF_TECH」を使って会場からリアルタイムで質問も募った。 登壇者 大村伸吾
ペンギン分類器をつくってみた（前編） - Qiita
ペンギン画像をCNNで学習させ、画像からペンギンの種類を推定する分類器を作りました。 といってもペンギンは6属18種1もあるので、ここは代表的な2、画像を集めやすい下記6種類のペンギンのみに絞りました。 なので、正確にはペンギン6種分類器です。 本記事はペンギン分類器を作る過程の前半、データ準備についてまとめています。 おおまかな流れ このような手順で分類器を作成しました。 1. 画像の収集 2. 収集画像を物体検出でピン画像にわける 3. ピン画像をラベルづけ 4. 画像のリサイズ 5. CNNで学習させる 本記事では4まで行います。 画像の収集 別記事になっていますのでこちらをご覧ください。 Bing画像検索API v7で画像を収集する やっていることは下記の通り。 Bing 画像検索APIでキーワードから画像のURLを取得する。 一度のAPIで取得できる結果数に限りがあるので、要求す
機械学習で負荷を予測し備えるPredictive Scaling（予測スケーリング）機能がAWSのAuto Scalingに追加
機械学習で負荷を予測し備えるPredictive Scaling（予測スケーリング）機能がAWSのAuto Scalingに追加 AWSは負荷に対応してサーバ数を自動的に増減させるAmazon EC2 Auto Scaling（以下、Auto Scaling）と呼ばれる機能を提供しています。 Auto ScalingはサーバのCPUの使用率やネットワークのトラフィックなどのメトリクスをつねにチェックし、それが一定数を超えた場合にはサーバ数、すなわちAmazon EC2のインスタンス数を増加させ、一方で一定数を下回るとインスタンス数を減少させるといった操作を自動的に行ってくれます。 このおかげでアプリケーションは負荷が高いときでも適切な性能を実現できるだけでなく、負荷が小さいときには無駄なインスタンスを終わらせることで適切な使用コストも実現できるのです。 Auto Scalingは便利な機能
「仕事はせんでよろしい」、ダイキン流AI人材育成の現場 | 日経 xTECH（クロステック）
「ここは本当に研究所なのか？」──。目の前に広がる円形講義室の様子は、大学の授業風景そのもの。男性がスーツを着ていなければ、会社の中にいるとは思えない。記者は2018年10月末に、この不思議な場に潜入した。 ダイキン工業は2018年4月、淀川製作所（大阪府摂津市）にあるテクノロジー・イノベーションセンター内に「ダイキン情報技術大学」を開講した。通うのは、大学の開設と同時期に入社したばかりの新入社員351人のうち、理系出身者を中心に希望を募り、自ら手を挙げた100人。そのうち85％が大学院卒、男女比率は4:1だ。 「ダイキン情報技術大学」の授業風景。生徒は2018年4月の新入社員351人のうち、自ら希望した100人。2年間、現場には配属されず、大学通いに専念してAIやIoTを学ぶ。100人は全員が名札を着け、腕章をしている 彼ら彼女らは何と2年間、ダイキン情報技術大学の「生徒」に専念すること
RAPIDS 概要
最適輸送問題（Wasserstein 距離）を解く方法についてのさまざまなアプローチ・アルゴリズムを紹介します。 線形計画を使った定式化の基礎からはじめて、以下の五つのアルゴリズムを紹介します。 1. ネットワークシンプレックス法 2. ハンガリアン法 3. Sinkhorn アルゴリズム 4. ニューラルネットワークによる推定 5. スライス法 このスライドは第三回 0x-seminar https://sites.google.com/view/uda-0x-seminar/home/0x03 で使用したものです。自己完結するよう心がけたのでセミナーに参加していない人にも役立つスライドになっています。 『最適輸送の理論とアルゴリズム』好評発売中！ https://www.amazon.co.jp/dp/4065305144 Speakerdeck にもアップロードしました: https
WEEKLY人工無脳【第18号】（2018.11.5~11.11）｜Yuta Yoshida｜note
※しれっと、はてなからnoteに乗り換えてみました。これまで書いたWEEKLY人工無脳の記事はこちら ① Googleが圧倒的な自然言語処理手法を発表。東ロボくんの仇はGoogleが討つのか？機械学習クラスター周りで今週最も話題になってたのはこれでしょうか。 Googleが公開した自然言語処理手法（新たな汎用言語表現モデル）が、これまでの自然言語解釈タスクでぶっちぎりの精度を出したという話。すごくざっくりいうと、機械による文章読解精度が劇的に上がったということ。 人工知能が昨今こんなに注目されている理由の根っこには、『「画像処理タスク」において人間のような高い精度を出せるようになったから』というところが始まりだったりします。2012年の画像解析コンペにおいて初めて深層学習手法であるCNNが使われ、二位にダントツの差をつけて優勝したあたりから社会的にも「AI（≒深層学習）がなんか凄いことにな
機械学習入門 - 基本のPythonライブラリ、9つを触って学ぶ - エンジニアHub｜若手Webエンジニアのキャリアを考える！
機械学習入門 - 基本のPythonライブラリ、9つを触って学ぶ 機械学習を学ぶために、まず知っておきたいPythonライブラリを、機械学習エンジニアの「ばんくし」こと河合俊典さんに厳選し、そのエッセンスをつづってもらいました。機械学習入門に向けたスタートアップガイドです！ こんにちは。機械学習エンジニアの「ばんくし」こと河合俊典（かわい・しゅんすけ／ @vaaaaanquish ）です。 近年の機械学習関連の開発では、多くの場合Pythonが用いられます。 本記事は、「機械学習をこれから初めてみたいけど何から始めればいいか分からない」「基本のキから学びたい」という方に向けて執筆しました。プログラミング言語「Python」の中でも、特に機械学習における使用頻度の高いライブラリを厳選し、その解説を目的としています。 「この記事の内容に沿ってPythonを学習すれば、機械学習エンジニアとして入
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
Red Hat Accelerates AI/ML Workflows and Delivery of AI-Powered Intelligent Applications with Red Hat OpenShift
Accelerate MLOps with Red Hat OpenShift
San Francisco 2019 | OpenShift Commons
Project Road Map for 2019 · OpenDataHub
Decipher Technology Studios