Responsible AI Toolbox is a suite of tools providing model and data exploration and assessment user interfaces and libraries that enable a better understanding of AI systems. These interfaces and libraries empower developers and stakeholders of AI systems to develop and monitor AI more responsibly, and take better data-driven actions.

これまで私がAIに対するテストで経験したことから得た知見です。 どういった問題があって、どういった対応をしたかを4つのChapterで説明しています。 This is the knowledge I have gained from my experience with testing AI thus far. I will explain the types of problems I encountered and how I responded to them in four chapters. その他資料 / Appendix 「今までのテストとAIを含んだプロダクトのテストの違い」 https://speakerdeck.com/mineo_matsuya/jin-madenotesutototoaiwohan-ndapurodakutonotesutonowei-i 「Smar

こんにちは、CX事業本部 Delivery部の若槻です。 今回は、GitHubによる「次世代の開発エクスペリエンスを実現するためのプロジェクト群」であるGitHub Nextについて紹介します。 GitHub Nextとは 現在、ソフトウェア開発者の間では、OpenAIの開発するGPTベースのプログラミング支援ツールであるGitHub Copilotに注目が集まっています。 コードエディター上でリアルタイムに精度の高いコードサジェストを行ってくれるため、開発者の生産性を大幅に向上しうると期待されていますが、実はこのGitHub CopilotはGitHub Nextの推進するプロジェクトのうちの1つに過ぎません。 GitHub Nextでは、GitHubによる次世代の開発エクスペリエンスを実現するために、現在次の16のプロジェクトを提供中または提供予定です。GitHub Copilotはこ

Prompt engineering is a relatively new discipline for developing and optimizing prompts to efficiently use language models (LMs) for a wide variety of applications and research topics. Prompt engineering skills help to better understand the capabilities and limitations of large language models (LLMs). Researchers use prompt engineering to improve the capacity of LLMs on a wide range of common and

人工知能(AI)の進化に伴って、チェスや将棋といった知能ゲームにおいてAIがプロプレイヤーに勝利するケースが増えていましたが、2016年1月にGoogleの「AlphaGo」が囲碁のプロ棋士に勝利したことを皮切りに、2カ月後には世界最強の棋士にも勝利したり、「私ならAlphaGoにも勝てる」と宣言したプロ棋士にも接戦の末勝利したり、2017年には自力で戦術を覚えて強くなれる新バージョンの「AlphaGo Zero」が発表されたりと、囲碁の世界でもAIが圧倒的な勝者として君臨していました。そのような中で、アマチュアの囲碁プレイヤーがコンピュータの直接的なサポート無しで最強レベルの囲碁AIに15戦14勝と大勝し、「AIに対する人類の勝利」と話題になっています。 Adversarial Policies in Go - Game Viewer https://goattack.far.ai/ad

先日 OpenAI からChatGPTが Beta 公開された ChatGPT ではどんな質問に対しても何かしらの回答を生成してくれるのだが、ソースコードに関しても中々の筋が良さそうな雰囲気のコード片を生成してくれるということで少し話題になっていた こうしたプログラムを生成してくれる AI が発展していく中でどういう具合にプログラマの仕事が奪われていくのか興味がある 特に以下ではweb アプリやモバイルアプリなどのアプリケーションの開発においてという文脈で考えることにする まず AI がプログラマの仕事を奪うまでにはいくつかの段階があると思う コード支援レベル 現状はGitHub Copilotのようなコーディング支援を行うレベルの AI はある程度実用レベルになっている 自分は Copilot が生成したコード片をプロダクションコードに含めるのは権利関係の問題もあり様子見している しかし

iCAST 2020 Invited Talk: Fairness in AI Service and Awareness for Computational Social Science

www.oreilly.com ここでも何度も取り上げている（その1、その2、その3）O'Reilly Mediaのコンテンツ戦略担当副社長マイク・ルキダスが、また AI とプログラミングについて興味深い文章を書いている。 AI による開発支援というと「AI 支援付き開発」を謳うマイクロソフトの Visual Studio IntelliCode が浮かぶが、それよりさらに進んで AI とのペアプログラミングは可能かという話である。 ルキダスがまず指摘するのは、多くの AI システムについて、我々が AI を「神託（oracle）」みたいに見ていること。つまり、人間が入力を入れたら、AI が答えを出力してくれる、みたいな。しかし、そうした片方向の情報モデルには問題が多く、例えば医療分野で AI の導入が進まないのも、医師はメンツを AI に潰されることを恐れるからという側面がある。 我々に

米Uberは7月16日、カンバセーショナルAIプラットフォーム「Plato Research Dialogue System」をオープンソースで公開した。これを活用することで、カンバセーショナルAIエージェント開発におけるアルゴリズム評価を支援できるという。 対話的な音声インターフェイスで各種操作や処理を実行させる人工知能技術をカンバセーショナルAIと呼ぶ。Plato Research Dialogue Systemはさまざまな環境でカンバセーショナルAIによる処理を受け付けるインターフェイスを構築・トレーニング・評価できるフレームワークとなる。パーソナルアシスタントや音声によるインタラクティブな対話システムなど、カンバセーショナルAIの活用が広がっていることを受け、柔軟性があり包括的な研究開発プラットフォームとして構築した。最新の技術を使ったカンバセーショナルAIを迅速に構築し、試すこと

Semi supervised, weakly-supervised, unsupervised, and active learning

「開発の丸投げやめて」　疲弊するAIベンダーの静かな怒りと、依頼主に“最低限”望むこと：これからのAIの話をしよう（覆面AIベンダー編）（1/5 ページ） AI（人工知能）開発を丸投げするクライアントの「いきなり！AI」に苦悩するAIベンダー。データサイエンティストのマスクド・アナライズさんに、AI開発現場の実態と、依頼主に最低限望むことを聞いた。 「AI（人工知能）は触ったことないし、プログラムも書けません。でも社長が“AIをやれ”って言うので何とかしてください」――こんな困ったオジサンたちを、ユーモアたっぷりの愛と皮肉で表現する人物をご存じでしょうか。 その名は「マスクド・アナライズ」さん。正体は一切不明でソーシャル上のアイコンは覆面マスクと、一見イロモノ系アカウントに見えますが、Twitterでの発言は多くの人たちから「あるある」「共感する」と絶賛され、ときには何千回、何万回とRTや

はじめに 目標の設定と指標の決定 目標の設定 指標の決定 評価指標に対する最低限の知識 機械学習における知識（補足） ニューラルネットワークの学習 最初に使うニューラルネットワーク 時間的にも空間的にも独立である複数の特徴量を持つデータ 空間の局所的な構造に意味のある多次元配列データ（例えば画像） 時間的な変動に意味のあるデータ（例えば音声、自然言語） ニューラルネットワークの細かい設定 ユニットの数と層の数 正則化 活性化関数 ドロップアウト バッチ正規化 学習の早期終了 性能が出ない場合 データの追加収集 ニューラルネットの設定をいじる 用いるニューラルネット自体を変更する 新たなニューラルネットワークの考案 コードを書くにあたって データ成形 結果を記録するコード フレームワークの利用 フレームワークの選択 ChainerとPyTorch TensorFlow Keras 最後に は

IT Leaders トップ ＞ テクノロジー一覧 ＞ システム開発 ＞ 市場動向 ＞ 機械学習によるシステム開発に工学的アプローチを、ソフトウェア工学研究会のパネルディスカッション システム開発 システム開発記事一覧へ [市場動向] 機械学習によるシステム開発に工学的アプローチを、ソフトウェア工学研究会のパネルディスカッション 2017年9月4日(月)志度 昌宏（DIGITAL X編集長） リスト マシンラーニング（Machine Learning：機械学習）がさまざまなプログラミング領域へと適用され始めているが、属人的な“場当たり的”アプローチのままで良いのか−−。そんな問題意識の下、ソフトウェア工学の専門家によるパネルディスカッションが開かれた。多くの企業において、これから開発するソフトウェアが、顧客に向けたサービスを実現するためにシフトする中で機械学習への期待も高まっているはず。だ

英語版はこちら。 TensorFlowの登場以降、OSSベースの機械学習の盛り上がりは加速しています。Kerasの作者のFrançois Cholletさんの言葉が、この状況を非常に端的に表しています。これだけでも十分だとは思いますが、この記事では、なぜオープンソースの機械学習が強いのか、最近のどういった流れがあるのかを整理したいと思います。 tl;dr機械学習やDeep Learningのフレームワークが充実してきた論文が査読前に公開され、他社も簡単にアルゴリズムの検証ができるようになった多くのプレーヤーの参戦により、アカデミアでの機械学習の研究がレッドオーシャン化した他社にないアルゴリズムで一発勝負、実装は秘密、というアプローチが厳しい牧歌的な時代5年前10年前の世界では、先端の機械学習に取り組んでいるのは大学などの研究室、大企業の研究所や一部の先進的な企業がほとんどでした。特に、ラベ

It’s that time of week again, folks. Welcome to Week in Review (WiR), TechCrunch’s regular digest of the past week in tech. New here? Not to worry — sign up here to get WiR in your i

Tempus, a genomic testing and data analysis company started by Eric Lefkofsky, who previously founded Groupon, debuted on Nasdaq on Friday, rising about 15% on the opening.  The company priced… The tech layoff wave is still going strong in 2024. Following significant workforce reductions in 2022 and 2023, this year has already seen 60,000 job cuts across 254 companies, according to independent lay

IT Leaders トップ ＞ テクノロジー一覧 ＞ AI ＞ 技術解説 ＞ AI技術は今、どこまで進化したのか？ Google AlphaGoの仕組みを理解する AI AI記事一覧へ [技術解説] AI技術は今、どこまで進化したのか？ Google AlphaGoの仕組みを理解する 2016年4月13日(水)濱田 直希（株式会社富士通研究所） リスト 2014年に米Google（現Alphabet）が4億ドルで買収した英DeepMind。同社が開発した囲碁AI「AlphaGo」は、プロ棋士を打ち負かす偉業をやってのけた。そこにはどんな仕組みや工夫があるのか？ AIの専門家がAlphaGoに関する論文、「Mastering the game of Go with deep neural networks and tree search」を紐解く。 CIOはもちろん、IT関係者にはぜひ知っ

「その目的にはこのAPIを使うのが最適です」、最適なAPIをワトソンの技術で教えてくれる、米IBMが「API Harmony」発表 クラウドの普及と歩調を合わせるように、利用可能なAPIが飛躍的に増加しています。例えば、サーバインスタンスやネットワーク、ストレージといったアプリケーションの実行に必要なリソースの構成から、ユーザー情報、地図情報、センサーの情報の取得、アプリケーションによる分析機能や集計機能の呼び出しなど、すべてAPI経由で呼び出すことが可能になってきています。 同時に、多数のAPIを用いた疎結合によるシステム構築も一般的になってきました。 一方で、利用可能なAPIが増加して似たような機能のAPIが林立するようになり、しかもAPIごとにバージョンやオプションが多数存在するとなると、ある目的に対してどのAPIをどう利用するのがもっとも適切なのかという判断は、どんどん難しくなって