理研AIPセンターや日本医科大学などの研究チームは2019年12月18日、病理画像を診断する画像認識AIの「説明可能性」を高める技術を開発したと発表した。英オンライン科学誌「Nature Communications」に同日掲載された論文の概要は「診断注釈（annotation）のない組織病理画像から、説明可能な機能を自動的に取得できることを示した」としている。 研究チームが開発したのは、前立腺がん組織を撮影した病理画像から、摘出後のがん再発の有無を予測するAI技術である。がん再発の予測は手術後の治療方針を決める重要な手掛かりになる。今回の研究成果のポイントは、従来の診断基準にはなかった、がん再発の予測精度を高める新たな知見をAIが見いだしたというものだ。 これまで医療画像を診断するAIと言えば、画像から病変の有無や位置を判定できる一方、「なぜ病変と判定したのか」までは説明できないのが一般

ディープラーニング（深層学習）は人間にとってブラックボックスであり、AI（人工知能）による判断の根拠が不明だ―――。そんな懸念を解消する技術を米グーグル（Google）が2019年11月21日にリリースした。クラウドのサービスとして「Explainable AI（説明可能AI）」の提供を開始した。 Explainable AIは深層学習によって開発したAIにおけるニューラルネットワークの稼働状況を分析することで、AIによる判断の根拠を人間に分かる形で提示する技術である。例えば画像認識AIであれば、被写体を分類する際に根拠としたピクセルをハイライト表示する。 構造化データに基づいて判断するタイプのAIに関しては、ニューラルネットワークに入力したデータのどの部分（特徴）がAIの判断に寄与したのかを数値で示す。グーグルのクラウドAI事業を統括するバイス・プレジデント（VP）のラジェン・シェス氏は

前回の記事「第三者のデータやデータセットを利用して適法にAIを生成するための基礎知識」に引き続き、「第三者のデータから学習用データセットや学習済みモデルを適法に生成・利用できるのはどのような場合か具体的に考えてみる」の記事です。 Hexagon grid with various terms for machine learning with a robot head 3D illustration ■　今回の記事の全体像 前回記事と重複しますが、念のため再掲します。 人工知能については、２つのフェーズがあります。 １つは「人工知能を作るフェーズ（学習フェーズ）」、もう１つは「作成された人工知能を使うフェーズ（予測・認識フェーズ）」です。 両者を簡単に図示しておきます。 今回検討するのは以下の４つの問題です。 １　第三者の生データを収集し、データベース作成、学習用データセット作成、機械学習

1. 1 局所特徴量と統計学習手法による物体検出 http://mprg.jp/tutorials 機械知覚&ロボティクス研究グループ(中部大学) 中部 工学 助手 中部大学 工学部 情報工学科 講師 大学 部 ロボット理工学科 中部大学 工学部 ロボット理工学科 助手 山内 悠嗣 機械知覚＆ロボティクスグル 487-8501 愛知県春日井市松本町120 Tel 0568-51-8249 Fax 0568-51-9409 yuu@vision.cs.chubu.ac.jp http://vision.cs.chubu.ac.jp MACHINE PERCEPTION AND 中部大学 工学部 情報工学科 講師 山下 隆義 機械知覚＆ロボティクスグループ 487-8501 愛知県春日井市松本町1200 Tel 0568-51-9670 Fax 0568-51-1540 yamashita@c

人工知能（AI）界隈の話題がますます盛り上がってきていまして、ネットや各マスメディアで人工知能（AI）のことを目にしない日はないほどです。 柿沼は個人的にAIにとても興味があるため、色々情報収集や勉強をしており、このブログでもAIネタの投稿がだいぶ溜まってきました。 【参考】 人工知能がコンテンツ業界に与えるインパクトを考えると冷や汗が出てくる 人工知能(AI)を利用したビジネスモデルを考えてみた 人工知能(AI)が作ったコンテンツの著作権は誰のものになるのか？ 自動運転で事故した場合、運転手に法的責任はあるのか？ 弁護士による人工知能(AI）、機械学習、深層学習（ディープラーニング）の基礎講座 で、最近はさらにAIのことをよりよく知るために ・　データアナリストの方にお願いして機械学習・深層学習について個別連続レクチャーを受けたり ・　有名国内AIベンチャーの最高知財責任者の方とお会いし

どうすればAIを使えるのか AI関連のプロダクトも増えてきて、レガシーなIT業界に二十年超生きてきた私も少し焦りを感じています。既存のSIの仕事は好調ですが、一方で全くAI関連にはついていけていないのが現状です。 さて、では機械学習やディープラーニングを学ぶために、数学を一から学ぶかというとこの道は果てしなく明らかにジョブチェンジとなり、これまでの経験が活かせないとなります。何かショートカットを見つけないと、もともと数学をきちんと学んできてこれをAIの分野に行かす学生には勝てはしないかなと思っています。大学生レベルどころか、高校一年生レベルからやり直さないといけない予感です。 ただ、AIの研究者レベルにはもともとなりたいとは思わず、単にSIの中で使いこなせればいいなというレベルが目標です。これまで新しい分野が出てきたらソフトウェアを買ってマニュアルを読んで導入していったように、AIもサクッ

NewsPicksのエンジニア採用サイトです。さまざまな強みを持つエンジニアが、自分たちの個性を活かし、未来を創るための挑戦をしてる自由な環境で、一緒に世の中をおもしろくしてみませんか？

こんにちは。sinyです。 この記事ではディープラーニングのライブラリの１つであるKerasの基本的な使い方について記載しています。 今のところはディープラーニング設計でKerasを利用しているのですが、たびたび利用方法を忘れていしまうことが多々あるため、備忘録としてKerasでよく扱う機能について使い方をまとめます。 この記事については、Kerasの使い方を随時更新していきます。 （2020/4/5更新） Kerasの基本構成 ワークフレームの方式 ディープラーニング開発のフレームワークにはいろいろな種類がありますが、Kerasは「Define-and-run」と呼ばれる方式のフレームワークです。 これは、ニューラルネットワークモデル構成を定義してからデータを投入するという方式です。 ディープラーニング開発のワークフレームには「Define-by-Run方式」というものもあります。 これ

ディープラーニングを使った異常検知が進歩していますが、最新情報を追うのが大変です。 ここでは、最新情報をまとめておきます（随時更新）。 本稿では、以下の内容を記します。 ディープラーニングを使った異常検知について、簡単に歴史をまとめます。 最新の手法（2019年当時）について、ベンチマークを行います。 歴史 完全に独断と偏見で作った歴史です。 全ての論文は読めていないので、ご了承ください。 【～2017年】オートエンコーダによる異常検知 オートエンコーダによる異常検知 2、3年前はオートエンコーダによる異常検知が主流でした。オートエンコーダでは、元画像と再構築画像との差をとって、その和が大きいとき異常と認識させています。Qiitaの記事でも、オートエンコーダによる異常検知はたくさんありますので、気になる人は探してみてください。 Variational AutoEocoder（VAE）による

人間の脳全体構造における知的情報処理をカバーできる全脳型ＡＩアーキテクチャを工学的に実現できれば、人間レベル、さらにそれ以上の人工知能が実現可能になります。これは人類社会に対して、莫大な富と利益をもたらすことが予見されます。例えば、検索や広告、自動翻訳や対話技術、自動運転やロボット、そして金融や経済、政治や社会など、幅広い分野に大きな影響を与えるでしょう。 私たちは、この目的のためには、神経科学や認知科学等の知見を参考としながら、機能的に分化した脳の各器官をできるだけ単純な機械学習器として解釈し、それら機械学習器を統合したアーキテクチャを構築することが近道であると考えています。 従来において、こうした試みは容易ではないと考えられてきましたが、状況は変わりつつあります。すでに、神経科学分野での知見の蓄積と、計算機速度の向上を背景に、様々な粒度により脳全体の情報処理を再現／理解しようとする動き

8. 今日する話 8 スパースモデリング Lasso [Tibshirani,1996] Lars [Efron et al.,2004] 座標降下法 [Friedman et al.,2007;2010] 圧縮センシング [Candès et al.,2006] ブラックホールの観測シミュレーション [Honma et al.,2014] スパースコーディング Barlowの仮説 [Barlow,1972] V1の過完備性 [Barlow,1981] 一次視覚野における基底表現 [Olshansen and Field,1996]

The basic concept of Sparse Modeling, Sparse Signal Decomposition, Sparse Coding. スパースモデリングの基礎概念をまとめてみました。主に画像処理の観点で説明しています。Read less

はじめに（8/3追記） この記事を一旦書いたあと、重要な追加証言が得られたため、追記修正しています。結論もやや変わっていますが、現時点のほうがより正確です。 本編：ここから ディープラーニングが現在これだけ流行っている1つの要因は、TensorFlowやPyTorchなどのフレームワークが非常に便利だからです。ニューラルネットワークの設計、訓練、そして分類などの推論がフレームワークを使えばとても簡単に行なえます。 普通に使っている人達は、これらのフレームワークを『ツール』あるいは『ライブラリ』だとみなしていると思います。でも実際のところ、これらはプログラミング言語です。より正確に言えば、すべてのディープラーニングフレームワークはディープラーニング計算用DSL（Domain-Specific Language、ドメイン特化言語）と見なせます。このDSLは大抵、Pythonなど他の汎用言語への

2018年にかけて実施されていた、東京大学松尾研究室が監修するエンジニア向け無償教育プログラム「DL4US」の、演習パートのコンテンツが無償公開された。 関連記事：松尾研監修のディープラーニング無償オンラインプログラム「DL4US」が募集を開始 「DL4US」とは？Deep Learningエンジニア育成講座「DL4US」の演習コンテンツを無償公開しました。実装に重きを置いてエンジニア向けに松尾研で作成したもので、画像認識や翻訳モデルから始まり、生成モデルや強化学習まで扱う実践的な内容になっています。ご興味ある方はぜひ。https://t.co/jLWlrk9UdK — 松尾 豊 (@ymatsuo) 2019年5月15日 DL4USは高度なディープラーニング技術者を育成することを目的とした、アプリケーション指向の無償オンライン教育プログラムだ。 東京大学ディープラーニング基礎講座、応用講

Ponanzaにおける強化学習とA/Bテスト運用 山本一成氏（以下、山本）：山本一成と申します。よろしくお願いします。 ありがとうございます。ここからはややガチめなエンジニアの話です。まず確認したいんですが、エンジニアとかプログラマーって人はどれくらいいるんですかね？ （会場挙手） あ、けっこういるのか！　安心した（笑）。 私、10年くらい将棋のプログラムを作ってきて、最初はまったくのど素人から始めたんですけど、いろいろやっていく中で、現代にも通じるようなさまざまな運用とかが出てきたんですね。そのへんをみなさんと共有できればと思っています。 まず最初のスライド、さっそく手書きでやる気がない感じですが（笑）。将棋のプログラムってどんなもの？　という話です。将棋も囲碁も、大雑把にいうと、2つの要素があります。1つは探索です。つまり、先を読むということですね。 先を読むと強いです。みなさんもそん