コンピュータビジョンにおけるクラウドサービスと自作モデルの比較 | iret.media
記事の目的 クラウドAIサービス（AWS、GC）の物体検出サービスと自作AIについて、比較を行ない、調査結果を記載、図示。 結論 まずは結論の図から記載。 結論としてこの記事はこの図に対する説明となります。 まずAWS、GCの物体検出サービスについて 前提としてクラウド上で物体検出を行うサービスとして 事前トレーニング済みモデル（ API ） と カスタムモデル について述べると 事前トレーニング済みモデル（ API ） 事前トレーニング済みモデル（ API ）は AWSではAmazon Rekognition GCではVision API などが主に該当し、これらは画像に対してAWS、GCが訓練済みのAIによる識別を行うものです。 例えば、バイクや寿司の画像に対して、bicycle、food、sushiなどの検出結果を返却してくれるものとなります。 Amazon Rekognition例
分類問題の予測結果の評価指標（Accuracy, Precision, Recall, F値, AUC）について整理してみた - Ledge Tech Blog
こんにちは。レッジインターン生の大熊です。 今回は分類問題のタスクにおける予測結果の評価指標について、代表的なものをピックアップして書いていきます。 評価指標は各タスクに合わせて設定しなければならず、またその評価値の閾値も個別に設定することが多いです。 本記事を評価指標の選定の参考にしていただければ幸いです。 分類問題における正解・不正解のパターン 分類問題における実測値と予測値の関係性は以下のマトリクスで表現できます。 正（実測） 負（実測） 正（予測） TP FP 負（予測） FN TN TP：True Positive。実測値と予測値の両方が正であったもの。 FP：False Positive。実測値が負なのに、誤って正と予測値したもの（誤検知、偽陽性）。 TN：True Negative。実測値と予測値の両方が負であったもの。 FN：False Negative。実測値が正なのに、
サイエンティストとエンジニアでつくるML ワークフロー - スタディサプリ Product Team Blog
こんにちは、データエンジニアの@masaki925 です。 この記事はMLOps Advent Calendar 2020 の19 日目の記事です。 MLOps には、その成熟度に応じて3つのレベルがあると言われています。 MLOps レベル 0: 手動プロセス MLOps レベル 1: ML パイプラインの自動化 MLOps レベル 2: CI / CD パイプラインの自動化 私の所属するチームでは現在ここのレベルを上げるべく取り組んでいますが、その中でデータサイエンティスト(以下、DS) とデータエンジニア(以下、Dev) の協業って難しいよな〜と思う事例があったので紹介したいと思います。 想定読者は以下のような方です。 これからMLOps を始めようとしている方 既存プロジェクトがあり、ML 等を使ってエンハンスしていきたいと考えている方 異文化協業に興味がある方 ML ワークフロー
ゴールデンウィークなのでGoogle App Engineに機械学習のモデルをdeployして遊んでみた (using TensorFlow 2.1) | DevelopersIO
こんにちは、ゴールデンウィークはしっかりステイホームしているMr.Moです。 GWに何をやろうかなーと思っていたら目の前にApp Engineと機械学習のモデルがあったので遊んでみました！ Google App Engineとは 下記に詳しい記事があるのでご参照ください！ https://docs.google.com/presentation/d/1trxz4_ksRyHdj2cAGVKiy3gtx7q1-AE06XbzLraBD44/htmlpresent https://dev.classmethod.jp/articles/gae-webapp/ なぜGAEなのか？ App Engine無しでは生きていけない体になっているからです。（笑） あとはやっぱり無料で動かせないかと思いまして... 最低限必要なもの Google Cloud Platformにログインできるアカウント 機械
【2020年】GCPのAI/ML系のサービスまとめてみた | DevelopersIO
こんにちは、Mr.Moです。 Google Cloud Platform(GCP)にはたくさんの優れたサービスがありますがAI/ML系のサービスも熱いですね！Updateもガンガン来ているようなので現時点で情報をまとめておきたいと思います。 GCPのAI/ML系のサービス GCPでは多くのAI/ML系のサービスがリリースされていますが、今は大きく下記の2つで区別されているようです。 AI Building Blocks AI Platform AI Building Blocks AI Building Blocksには、カスタムモデルと事前トレーニング済みモデルの 2 種類があり、開発者は視覚認識能力、言語能力、会話能力、構造化データをアプリケーションに簡単に組み込めます。 事前トレーニング済みモデル 事前トレーニング済みのモデルをAPI経由で利用できるサービス群です。汎用的な機能でも良
機械学習システムの設計パターンを公開します。
メルカリで写真検索とEdge AIチームに所属している澁井（しぶい）です。機械学習のモデルを本番サービスに組み込むための設計やワークフローをパターンにして公開しました。 GithubでOSSとして公開しているので、興味ある方はぜひご笑覧ください！ PRやIssueも受け付けています。私の作ったパターン以外にも、有用なパターンやアンチパターンがあれば共有してみてください！ GitHub：https://github.com/mercari/ml-system-design-pattern GitHub Pages：https://mercari.github.io/ml-system-design-pattern/README_ja.html なぜ機械学習システムのデザインパターンが必要なのか 機械学習モデルが価値を発揮するためには本番サービスや社内システムで利用される必要があります。そのた
【期間限定】#今こそ学ぼう オンライン学習コンテンツ「無料公開」のご案内
新型コロナウィルス感染拡大に伴い不要の外出を控える社会人や学生のみなさまに向け、 JDLA認定プログラムを実施する事業者の協力を得て、一部のオンライン学習コンテンツを期間限定で無料公開いたします ＊2020年1月20日に「INTLOOP株式会社」の講座を追加しました ＊12月1日に「エッジテクノロジー株式会社」の講座提供期間を延長しました ＊5月19日に「スキルアップ株式会社」の講座期間定めなし、申込み方法追加しました ＊5月13日に「スキルアップ株式会社」の1講座を追加しました ＊5月1日に「Study-AI株式会社」の3講座を追加しました ＊4月27日に「NTTラーニングシステムズ株式会社」の1講座を追加しました ＊4月24日に「株式会社日経BP」の1講座を追加しました ＊4月17日に「エッジテクノロジー株式会社」の3講座を追加しました ＊4月9日に「株式会社キカガク」の1講座を追加し
MITからメルカリにやってきた20代AIエンジニアが放つ偉才っぷり「趣味でやってみたら天職でした」 - エンジニアtype | 転職type
2019.08.22 働き方 AI等のテクノロジー で「売ることを空気に」することを目指すというテックカンパニー・メルカリ。同社では現在すでに国内外から集まった約40名のAIエンジニアが活躍しており、10月にはさらに約16名の新入社員を迎えるという。 そして今、メルカリの中でも特に偉才っぷりを発揮しているのが、AIエンジニアの松岡玲音（まつおかれいん）さん（27）だ。 株式会社メルカリ AIエンジニア 松岡玲音さん（@lain_m21） 1992年生まれ。東京大学薬学部卒業後、アメリカの大学院へ渡り宇宙工学を専攻。その後、機械学習のロボットへの応用へ興味を持ち、マサチューセッツ工科大学（MIT）の航空宇宙工学専攻へ転学。ロボットAIなどについて研究を重ねた後、中退。2018年10月よりメルカリでインターンシップをはじめ、2019年１月に入社し、現職 メルカリに入社するまで「Pythonは独
開発効率とサービス競争力を上げる 機械学習のために整備した「3種類の特徴量」について解説
開発効率とサービス競争力を上げる 機械学習のために整備した「3種類の特徴量」について解説 Feature as a Service at Data Labs #2/2 2019年11月20、21日、LINE株式会社が主催するエンジニア向け技術カンファレンス「LINE DEVELOPER DAY 2019」が開催されました。20日は「Engineering」をテーマに技術的な内容のセッション、21日は「Production」をテーマに実践的な内容のセッションを多数取り揃え、LINEのエンジニアリングにおける知見を各プロダクトのキーマンがシェアします。「Feature as a Service at Data Labs」に登壇したのはLINE Machine LearningチームのChaerim Yeo氏。本パートでは、データ専門研究開発組織「LINE Data Labs」で提供している3つ
LINE社内でのサービス横断データ活用の取り組み「Feature as a Service」の全体像
LINE社内でのサービス横断データ活用の取り組み「Feature as a Service」の全体像 Feature as a Service at Data Labs #1/2 2019年11月20、21日、LINE株式会社が主催するエンジニア向け技術カンファレンス「LINE DEVELOPER DAY 2019」が開催されました。20日は「Engineering」をテーマに技術的な内容のセッション、21日は「Production」をテーマに実践的な内容のセッションを多数取り揃え、LINEのエンジニアリングにおける知見を各プロダクトのキーマンがシェアします。「Feature as a Service at Data Labs」に登壇したのはLINE Machine LearningチームのChaerim Yeo氏。データ専門研究開発組織「LINE Data Labs」での機械学習の特徴量
[レポート] GAM301 – どうやってRovioは機械学習を利用してAngry Birdsに雲の中での飛び方を教えるのか #GAM301 #reinvent | DevelopersIO
GAM301 - How Rovio teaches Angry Birds to fly in the cloud using ML どうやってRovioは機械学習を利用してAngry Birdsに雲の中での飛び方を教えるのか ※ 本セッションのタイトルはクラウドビジネスと機械学習の関連性と、アングリーバードが雲の中を飛ぶという2つの意味を狙って付けたタイトルと思われるので意図的に後者で訳しました スピーカー Griffin Parry - Head, EMEA BD, AWS Game Tech, Amazon Web Services David Mason - SVP Technology, Rovio Entertainment Asko Relas - Senior Data Engineer, Rovio Entertainment セッション概要 On Angry Bird
![[レポート] GAM301 – どうやってRovioは機械学習を利用してAngry Birdsに雲の中での飛び方を教えるのか #GAM301 #reinvent | DevelopersIO](https://cdn-ak-scissors.b.st-hatena.com/image/square/9419c6cf4ac1d0e1323fa1560dfc995d191622f5/height=288;version=1;width=512/https%3A%2F%2Fdevio2023-media.developers.io%2Fwp-content%2Fuploads%2F2019%2F12%2Freinvent2019_report_eyecatch.jpg)
はてなのMackerelが明かす、機械学習プロジェクトに潜む2つの「不確実性の山」を乗り越えるコツ
機械学習（ML）や人工知能（AI）には何となくかっこいいイメージがある。ただ「その開発はとても泥臭いもの。そして、新しい分野だけに、従来のソフトウェア開発のアプローチとは別の考え方をする方がうまくいくのではないか」――2019年8月29～31日に開催された「builderscon tokyo 2019」のセッション「われわれはいかにして機械学習プロジェクトのマネージメントをすべきか」で、はてなの粕谷大輔氏（@daiksy）が登壇。主に、サーバ管理／監視サービス「Mackerel（マカレル）」のディレクターとしてML技術の開発に携わった経験を踏まえながらML技術の開発における「不確実性」のマネジメント術を説明した。 「ソフトウェア開発のマネジメントとは、不確実性の制御である」と、粕谷氏が指摘するように、ソフトウェア開発はさまざまな不確実性をはらんでおり、予想通りに進捗（しんちょく）することは
2019年版：データサイエンティスト・機械学習エンジニアのスキル要件、そして期待されるバックグラウンドについて - 渋谷駅前で働くデータサイエンティストのブログ
(Image by Pixabay) この記事は、以前の同様のスキル要件記事のアップデートです。 正直言って内容的には大差ないと思いますが、今回は2つ新たな軸を加えることにしました。一つは「ジュニアレベル（駆け出し）」と「シニアレベル（熟練職人）」とで分けるということ、もう一つは「データ分析以外の業界知識（ドメイン知識）」にも重きを置く、ということです。 というのも、空前の人工知能ブームが予想よりも長く続いていることで、人材マーケットを観察する限りではデータサイエンティスト・機械学習エンジニアとも求人数が高止まりしているように見えるのですが、その結果としてこのブログの過去のスキル要件記事で挙げたような「完成されたデータ分析人材（熟練職人）」に限らず「駆け出し」でも良いからデータ分析人材が欲しいという企業が増えているように感じられるからです。 その一方で、かつては主にwebマーケティング業界
クックパッドにおける推薦システムの取り組み
2019年6月24日、Machine Learning Pitchが主催するイベント「Machine Learning Recommender Pitch #3」が開催されました。機械学習を業務に用いる中で培った知見や経験を共有することを目的に設立された本イベント。今回は「情報推薦」をテーマに、株式会社Gunosy、エムスリー株式会社、クックパッド株式会社の3社のエンジニアが、自社の取り組みにおける知見を語ります。プレゼンテーション「クックパッドにおける推薦システムの取り組み 」に登壇したのは、クックパッド株式会社の林田千瑛氏。講演資料はこちら クックパッドにおける推薦システムの取り組み 林田千瑛 氏（以下、林田）：最後の登壇になりますが「クックパッドにおける推薦（と検索）についての取り組み」について、発表させていただきます。ちなみに、前の2人はごりごり数式を出してくれていたのです
「データセットの準備を丸投げしない」――健康管理アプリ「FiNC」AI開発5つの教訓
「データセットの準備を丸投げしない」――健康管理アプリ「FiNC」AI開発5つの教訓：“おいしいデータ”で、成果が出るAIモデルを育てる（2）（2/2 ページ） 評価方法を定めてからAI開発プロジェクトを始める 2つ目は、評価方法を定めてからプロジェクトを始めるということだ。AI開発プロジェクトで最も重要なのは、「評価用データ」だと南野氏は振り返る。 「自社を含め『AIを使えば、想像を超える何かが生まれる』という過度な期待を持っている人が多い。目的を設定しないとAIモデルの目的が曖昧になってしまう。またAIモデルの開発を始めると、学習データと作成するAIモデルだけにフォーカスして『評価する方法』を考えなくなってしまう。評価用データは、プロジェクトの達成度を示すための指標になるため、学習データ以上に重要だ」 今回の研究開発プロジェクトの場合、目標の難易度や評価方法の定義が曖昧だったため、意思
交差エントロピーを理解してみる - デジタル・デザイン・ラボラトリーな日々
はじめに ここ数ヶ月は別の件で忙しくて、機械学習に向き合えていませんでした。 仕事で調べたり学んだことはQiitaブログの方に書いていて結構すんなり書けるんですが、このブログは数学・物理・機械学習と特化するようにしているので、パワーがないと進まない。 ここ数ヶ月で頭の片隅にあったのは、損失関数の「交差エントロピー」です。今回はこれを理解していこうと思います。 何故、気になっていたのかというと、下記サイトの誤差関数(loss)のときのTensorflow関数「tf.nn.sigmoid_cross_entropy_with_logits」があり、シグモイド関数と交差エントロピーが一緒になっているからです。 yaju3d.hatenablog.jp # 誤差関数(loss) loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logit
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
Learn Tech from AWS Specialist Series ~③ (AI/ML 編) - TECH PLAY Magazine
GitHub - aws-samples/aws-ml-enablement-workshop: 組織横断的にチームを組成し、機械学習による成長サイクルを実現する計画を立てるワークショップ
20200129 merpay-techtalk-hmj
AI×IoT活用サービスの拡大に必要なコト (JAWS-UG IoT専門支部)