「機械学習で時系列予測はできるのか」論議がTransformerと共に帰ってきた - 渋谷駅前で働くデータサイエンティストのブログ
先日、こちらのポストをお見かけしました。 AI技術開発部の高橋が社内勉強会の資料「時系列予測にTransformerを使うのは有効か？」を公開しました。 論文Are Transformers Effective for Time Series Forecastingの紹介を中心に、時系列予測について解説しています。ぜひご覧ください。https://t.co/LplxTT8b1d pic.twitter.com/nUXb4bGiQ3— GO Inc. AI Tech (@goinc_ai_tech) 2023年9月28日 なるほど、NN全盛というかNN一択の時代にあっては時系列予測もNNでやるのが当たり前になったのだなという感想でした。大昔「沖本本」で古典的な計量時系列分析を一通り学んだ身としては隔世の感がありますが、これもまたNN時代の趨勢なのでしょう。 なお、元論文2点は上記リンクから辿
「OpenFlamingo」が公開、大規模マルチモーダルモデルを学習・評価するためのフレームワーク
OpenFlamingoは、大規模なマルチモーダルモデル（LMM）のトレーニングと評価を可能にするフレームワークで、今回のリリースではFlamingoスタイルのLMMをトレーニングするためのPythonフレームワークと、画像とテキストが交互に並ぶ大規模なマルチモーダルデータセット、視覚言語タスクのコンテキスト内学習評価ベンチマークを備えており、LLaMAに基づくOpenFlamingo-9Bモデルの最初のバージョンとなっている。 OpenFlamingoの実装は、おもにFlamingoの実装に従っており、Flamingoモデルはテキストと画像が混在する大規模なWebコーパスでトレーニングされる。元のFlamingo論文で提案されていたものと同じアーキテクチャ（Perceiver resampler、cross-attention layer）を実装しているが、Flamingoのトレーニング
会話という錯覚について｜shi3z
あちらの記事は万人向けに書いているので、行間読まないとわからないようなことは省略してあるのだが、本欄の読者には補足として蛇足になるかもしれないが会話について研究していて思ったことを記しておく。 人工無能と僕記事中にあるように僕がチャットボット・・・当時は人工無能と呼ばれていたが・・・を開発し始めたのは中学生の頃だ。1990年頃だと思う。 きっかけは、中学校にNECのパソコンが導入されて、友達に自分のプログラムを見せる機会を得たからだ。 家で一人でプログラミングしているときはどうも気分が乗らなかったのだが、友達を面白がらせるという動機は子供の頃の僕にとっては非常に強く働いた。 一度、家で人工無能のプログラミングをしたときは、相手が自分しかいないのでわりとすぐ飽きてしまったが、中学になってその熱が再燃した。 きっかけは月刊ASCIIに、AWKの特集が載ったことで、AWKというのは要はUNIX用
Google Colab/Drive に pip インストール: これなら消えない😃
Image by Eduardo Davad Colab にインストールしたパッケージは消える 😸 Colab への pip インストールは簡単 Google Colab には大概のパッケージ／モジュールがプレインストールされているので、何も考えずに import foobar するだけで、pandas だろうが numpy だろうが何の問題もなく快適に使うことができます。 しかし、先週、同じ調子で MeCab を import しようとしたら、ダメでした。驚くべきことに、 MeCab がプレインストールされていない。 そこで、 Colab に MeCab をインストールことにしました。きっと普通に pip でインストールできるに違いないと、!pip install mecab-python3とやってみたところ、何の問題もなくインストールされ（Script 1）、スクリプトもちゃんと走る
Midjourney、Stable Diffusion、mimicなどの画像自動生成AIと著作権｜知的財産・IT・人工知能・ベンチャービジネスの法律相談なら【STORIA法律事務所】
ホーム ブログ 人工知能（ＡＩ）、ビッグデータ法務 Midjourney、Stable Diffusion、mimicなどの画像自動生成AIと著作権｜知… はじめに Midjourney、Stable Diffusion、mimicなど、コンテンツ（画像）自動生成AIに関する話題で持ちきりですね。それぞれのサービスの内容については今更言うまでもないのですがMidjourney、Stable Diffusionは「文章（呪文）を入力するとAIが自動で画像を生成してくれる画像自動生成AI」、mimicは「特定の描き手のイラストを学習させることで、描き手の個性が反映されたイラストを自動生成できるAIを作成できるサービス」です（サービスリリース後すぐ盛大に炎上してサービス停止しちゃいましたが）。 で、この手の画像自動生成AIのようなコンテンツ自動生成AIですが、著作権法的に問題になる論点は大体決ま
「説明可能なAI」に欠陥、少数派の扱いが不公平になるとMITが指摘する根拠は？
マサチューセッツ工科大学（MIT）は2022年6月1日（米国時間）、機械学習の予測を信頼するかどうか、ユーザーが判断するために用いる「説明モデル」に問題があると発表した。 機械学習の対象データとなる人々のうち、社会的に不利な立場にある人々で構成されるサブグループについては、精度が低くなる可能性があるという。 機械学習モデルは、意思決定支援に利用されることがある。例えば、「どのロースクール志願者が、司法試験に合格する可能性が高いか」をモデルが予測し、ロースクールの入試担当者がその予測結果を、（ロースクールの合格実績を高めるために）どの学生を合格させるかといった判断に役立てる場合がある。 機械学習モデルが複雑すぎて理解できない こうした機械学習モデルは多くの場合、数百万ものパラメーターを持つ。このため、モデルがどのように予測するかについては、機械学習の利用経験がない入試担当者はもとより、研究者
AI時代に向けたクラウドにおける信頼性エンジニアリングの未来構想 / DICOMO2022 6A-1
DICOMO2022 6A 統一セッション：クラウド 招待講演 https://tsys.jp/dicomo/2022/program/program_abst.html#6A-1 情報サービスの利用者に必要な機能を頻繁に加え続けながらも、いかに必要十分な信頼性を継続させるかが従前より課題となっている。この課題に対するひとつの回答とも言える、Googleが提唱した情報サービスの新しい運用形態であるSite Reliability Engineering（SRE）の普及が進んでいます。本発表では、SREの中核概念を整理した上で、AI時代に向けて、AIとの対話を軸にした未来の運用のあり方を構想します。
人工培養された脳細胞によるゲームプレイの仕組み 〜自由エネルギー原理について〜｜masa_kazama
イントロ「実験室内で培養した人の「ミニ脳」にゲームをプレイさせることに成功、AIよりも速いわずか5分で習得」というニュースが話題になっています。 脳細胞をトレーの中で人工培養させて、その細胞に卓球ゲームの「Pong」をプレイさせたところ、たった５分で学習し、ラリーが続くようになったと報告されています。まるで、マトリックスの映画のようで、この技術を使った未来がワクワクすると同時にちょっと怖くもあります。一体、どんな技術を使って、脳細胞に卓球ゲームを学習させたのでしょうか。このニュースを取り上げている記事は多かったのですが、中身の仕組みについて解説している記事は多くありませんでした。そこで、このブログ記事では、ミニ脳にゲームを学習させた仕組みを自分の勉強がてらに、備忘録的にざっくりとまとめたいと思います。（そのため、自分の理解や記述が間違っている箇所があるかもしれません。もしありましたらお知ら
AIモデル開発に不可欠--データ収集やアノテーションのAppen、日本法人設立
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます 人工知能（AI）モデル開発に不可欠なデータの収集やラベリングサービスなどを提供する、オーストラリアのAppen（アッペン）は11月4日、日本法人となるアッペンジャパンの設立を発表した。 Appen 最高経営責任者（CEO）Mark Brayan氏は日本法人設立に対して「日本は技術的に進んだ国の1つ。すべての業界で機械学習ソリューションが受け入れられると認識している。日本発のAIソリューションが誕生すればわれわれもうれしい」と日本市場の拡大を期待する言葉を寄せた。 グローバルでは自社データの他社との共有に前向き AIモデルの開発には、テキストや音声、画像など各種データにタグを付けるアノテーション（注釈）とラベルを付与したトレーニングデータ
商品を手に持ってカメラの前で動かすだけで画像認識の登録作業が完了 NECが「画像認識向けインスタント物体登録技術」を開発 - ロボスタ ロボスタ - ロボット情報WEBマガジン
NECは小売業や物流業向けに、画像認識による商品管理に不可欠な商品登録作業において、商品を手に持ってカメラの前で動かすだけで、どこでも素早く商品を自動登録できる「画像認識向けインスタント物体登録技術」を開発したことを発表した。同技術により、従来、1つの商品あたり約30分かかっていた人手による正解付け作業を自動化し、商品登録作業を大幅に容易化する。NECは今後、同技術の開発を強化し、2022年度の製品化を目指す。 専用撮影機材や人手による正解付け作業が不要 近年、小売業や物流業などでカメラを用いた画像認識による無人決済や棚商品管理、出荷検品といった商品管理の取組みが拡大している。画像認識による商品管理にはあらかじめ各商品の画像を多数枚撮影して画像認識モデルを構築する商品登録作業が必要になる。従来の商品登録作業では回転台撮影装置などの専用撮影機材による商品撮影や、撮影した各画像に対して商品領域
AWS、機械学習で量産品の不良を見分ける「Amazon Lookout for Vision」の本サービス提供開始
AWS、機械学習で量産品の不良を見分ける「Amazon Lookout for Vision」の本サービス提供開始 米Amazon Web Servicesは2月24日（現地時間）、量産品の中から異常を見つけ出す「Amazon Lookout for Vision」の正式版の提供を始めた。2020年11月30日から開催したオンラインイベント「AWS re:Invent 2020」で発表し、プレビュー版として提供していたサービスだ。 Amazon Lookout for Visionは、カメラで写した大量生産品の画像を機械学習モデルで解析し、不良品を検出するサービスだ。初期費用は不要で、モデルの学習や解析にかけた時間に応じた従量課金となる。 米東部（バージニア北部）、米東部（オハイオ）、米西部（オレゴン）、ヨーロッパ（アイルランド）、ヨーロッパ (フランクフルト)、アジア太平洋（東京）、アジ
NTC／スマホカメラで商品判別、倉庫向けAI画像認識サービス
NTCは2月25日、スマートフォンやタブレットのカメラで撮影することで商品を判別する物流倉庫向けのAI画像認識サービスを開始したと発表した。 ＜操作イメージ＞ AI画像判別サービスは、事前にスマホやタブレットで撮影した商品画像をAIに学習させ、商品のマスターデータと対応させておくことで、作業時に商品の判別が可能になる仕組み。バーコードなどが付与されていない商品や付与できない商品でも入出荷や棚卸での突き合せや数量チェックを、コード管理が不要でシステム化できる。 NTCでは、学習方法の変更や画像認識技術と組み合わせるなどの検証を続けた結果、AIの学習負担が少なく、判別精度を高めたとしており、同社とPoC（概念実証）を行った物流倉庫業者の中には学習させる商品画像が3～10枚程度でも100％の精度で商品の判別ができたという。 NTCの調査によると、年商100億円以下の物流倉庫の約7割が、コード類が
Amazon Monitronがすごいので紹介してみる - Qiita
またお得なAmazon Monitronスターターキットもご用意されています。 （取り付けキット、5 個のセンサー、ゲートウェイのセット） 運用費用 Amazon Monitronはセンサー1つあたり年間50USDのランニングコストがかかります。 費用例 ■要件 5つのモーターを監視する必要がある。 上記を実現するためにAmazon Monitronスターターキットを購入し、 モーターごとに1つのセンサーを取り付け3年間使用した。 ■試算結果 スターターキット購入費用（715USD）＋ センサー年間利用費用×5（250USD）×3年分 ＝ 1465USD（3年間利用費用） 注意事項 ■ Amazon Monitron 利用可能な地域について 米国、英国、およびEUのみで利用可能です。（2021/04/16時点） ■必要なモバイル端末について Android8.0以降のスマートフォンが必要で
OpenAIが発見したScaling Lawの秘密 - ディープラーニングブログ
OpenAIはGPT-3の次の研究を始めています． 世間がGPT-3のデモに湧き上がる中，OpenAIはScaling Lawに関する2本の論文をひっそりと公開しました． Scaling Lawを一言で説明するなら「Transformerの性能はたった3つの変数のべき乗則に支配されている」というものです． Scaling Lawはそれ単体だけなら興味深い話で終わるかもしれません．実際に英語圏でもあまり話題にあがっていません．しかし，この法則の本当の凄さに気づいている研究者もいて，なぜ話題にならないのか困惑しています． I am curious why people are not talking more about the OpenAI scaling law papers. For me, they seem very significant. What I heard so far:
異常検知入門と手法まとめ - Qiita
異常検知について勉強したのでまとめておきます。 参考文献 下記文献を大いに参考にさせていただきました： [1] Ruff, Lukas, et al. "A Unifying Review of Deep and Shallow Anomaly Detection." arXiv preprint arXiv:2009.11732 (2020). [2] 井手. "入門 機械学習による異常検知―Rによる実践ガイド" コロナ社(2015) [3] 井手,杉山. "異常検知と変化検知 (機械学習プロフェッショナルシリーズ)" 講談社サイエンティフィク(2015) [4] 比戸. "異常検知入門" Jubatus Casual Talks #2(2013) [5] Pang, Guansong, et al. "Deep learning for anomaly detection: A rev
AWSが製造業向けAIに参入、「破壊的テクノロジー」で機械学習を容易に
米Amazon Web Services（アマゾン・ウェブ・サービス、AWS）は2020年12月1日（米国時間）、製造現場や食品加工場、物流センターなどに向けた5種の機械学習サービスを発表した。同日から一部サービスの一般提供（General Availability）を始める。これまで特定業種向けのAI（人工知能）サービスを提供していたIT企業にとって強力なライバルが現れた格好だ。 AWSは近年、Amazon SageMakerなどの汎用的な機械学習サービスに加え、医療や金融など特定業界向けの機械学習サービスの開発を強化している。今回、新たに製造業を中心にラインアップを拡充した。日経クロステックの取材に応じたAWS 機械学習担当VPのSwami Sivasubramanian (スワミ・シヴァスブラマニアン)氏は、その狙いについて「我々は顧客の声に基づきサービス開発の方向性を決めている。我
機械学習や統計学を「社会実装」するということ - 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) 最近になって、こんな素晴らしい資料が公開されていたことを知りました。 この資料自体は著者のMoe Uchiikeさんが東大での講義に用いられたものだとのことですが、その内容の汎用性の高さから「これは全ての機械学習や統計学を実務で用いる人々が必ず読むべきドキュメント」と言っても過言ではないと思われます。 正直言ってこの資料の完成度が高過ぎるのでこんなところで僕がああだこうだ論じるまでもないと思うので、内容の詳細については皆さんご自身でまずは上記リンクから精読していただければと思います。その上で、今回の記事では「機械学習や統計学を『社会実装』する」ということがどういうことなのかについて、この資料を下敷きとした上でさらに僕自身の経験や見聞を加えて考察したことを綴ってみます。 機械学習や統計学と、社会との「ギャップ」 機械学習や統計学を、社会に「馴染ませる」
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
年末年始に振り返る 2021年の人工知能10大トレンドと必読論文
Supervisely 3D sensor fusion labeling
論文読み「Your Classifier Is Secretly An Energy Based Model And You Should Treat It Like One」