Google が 2018 年に発表した深層モデル BERT は、自然言語処理 (NLP) の多くのタスクでブレイクスルーを起こしました。性能面で進歩がある一方で、公平性に関するガイドラインが総務省から発表される等、産業界では解釈可能な AI を求める声が大きくなってきています。そこで本セッションでは、このギャップを埋めるために Microsoft Research が開発している、interpret-text と呼ばれる機械学習ライブラリをご紹介します。BERT を含む、様々な自然言語処理モデルを解釈するための 2 つの方法について解説し、簡単なデモをお見せします。
Deep Learning Digital Conference - connpass
https://dllab.connpass.com/event/178714/
Google が 2018 年に発表した深層モデル BERT は、自然言語処理 (NLP) の多くのタスクでブレイクスルーを起こしました。性能面で進歩がある一方で、公平性に関するガイドラインが総務省から発表される等、産業界では解釈可能な AI を求める声が大きくなってきています。そこで本セッションでは、このギャップを埋めるために Microsoft Research が開発している、interpret-text と呼ばれる機械学習ライブラリをご紹介します。BERT を含む、様々な自然言語処理モデルを解釈するための 2 つの方法について解説し、簡単なデモをお見せします。
Deep Learning Digital Conference - connpass
https://dllab.connpass.com/event/178714/
AAAI2023「Are Transformers Effective for Time Series Forecasting?」と、HuggingFace「Yes, Transformers are Effective for Time Series Forecasting (+ Autoformer)」の紹介です。
AAAI2023「Are Transformers Effective for Time Series Forecasting?」と、HuggingFace「Yes, Transformers are Effective for Time Series Forecasting (+ Autoformer)」の紹介です。
ソフトウェア業界ではワクワクする新しいテクノロジーがどんどん生まれ、それが世の中で使われるまでも早くなっています。2018年に革新があった Deep Learning は、既に民主化・日常化もしてます。この講演では、そのソフトウェアの今を俯瞰し、今後どうなっていくのか? その未来予想とともに。職業として20年以上の経験を得た私の学びをお伝えします。
グローバル企業の中で「変化」を仕掛ける楽天技術研究所 Rakuten Institute of Technology の挑戦Rakuten Group, Inc.
In this talk, we introduced our innovative ways to collaborate with a variety of businesses, academia, clients and startups in order to create new social value.
We focus on data, discuss with business people, invent new ideas with clients and challenge social innovation with startups.
AI・ディープラーニングを駆使して、「G検定合格者アンケートのフリーコメント欄」を分析してみた_Deep Learning Digital Confere...小川 雄太郎
2020年5月に実施した「第2回G検定合格者がおススメするAI・DL本アンケート」のフリーコメント欄、「ディープラーニング協会へのご意見・ご要望」に寄せられた意見を、ディープラーニング協会らしく、機械学習とディープラーニングを駆使して分析した結果を紹介します。本発表ではワードクラウド、説明性XAI、クラスタリング、要約、ALBERTなどの自然言語処理技術の概要を解説し、そして実際にこれらの技術を、G合格者のみなさまの「ディープラーニング協会へのご意見・ご要望」データに適用すると、どのような分析結果が出たのか紹介します。(共同発表)
2020年08月01日
Deep Learning Digital Conference
https://dllab.connpass.com/event/178714/
セル生産方式におけるロボットの活用には様々な問題があるが,その一つとして 3 体以上の物体の組み立てが挙げられる.一般に,複数物体を同時に組み立てる際は,対象の部品をそれぞれロボットアームまたは治具でそれぞれ独立に保持することで組み立てを遂行すると考えられる.ただし,この方法ではロボットアームや治具を部品数と同じ数だけ必要とし,部品数が多いほどコスト面や設置スペースの関係で無駄が多くなる.この課題に対して音𣷓らは組み立て対象物に働く接触力等の解析により,治具等で固定されていない対象物が組み立て作業中に運動しにくい状態となる条件を求めた.すなわち,環境中の非把持対象物のロバスト性を考慮して,組み立て作業条件を検討している.本研究ではこの方策に基づいて,複数物体の組み立て作業を単腕マニピュレータで実行することを目的とする.このとき,対象物のロバスト性を考慮することで,仮組状態の複数物体を同時に扱う手法を提案する.作業対象としてパイプジョイントの組み立てを挙げ,簡易な道具を用いることで単腕マニピュレータで複数物体を同時に把持できることを示す.さらに,作業成功率の向上のために RGB-D カメラを用いた物体の位置検出に基づくロボット制御及び動作計画を実装する.
This paper discusses assembly operations using a single manipulator and a parallel gripper to simultaneously
grasp multiple objects and hold the group of temporarily assembled objects. Multiple robots and jigs generally operate
assembly tasks by constraining the target objects mechanically or geometrically to prevent them from moving. It is
necessary to analyze the physical interaction between the objects for such constraints to achieve the tasks with a single
gripper. In this paper, we focus on assembling pipe joints as an example and discuss constraining the motion of the
objects. Our demonstration shows that a simple tool can facilitate holding multiple objects with a single gripper.
【DLゼミ】XFeat: Accelerated Features for Lightweight Image Matchingharmonylab
公開URL:https://arxiv.org/pdf/2404.19174
出典:Guilherme Potje, Felipe Cadar, Andre Araujo, Renato Martins, Erickson R. ascimento: XFeat: Accelerated Features for Lightweight Image Matching, Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (2023)
概要:リソース効率に優れた特徴点マッチングのための軽量なアーキテクチャ「XFeat(Accelerated Features)」を提案します。手法は、局所的な特徴点の検出、抽出、マッチングのための畳み込みニューラルネットワークの基本的な設計を再検討します。特に、リソースが限られたデバイス向けに迅速かつ堅牢なアルゴリズムが必要とされるため、解像度を可能な限り高く保ちながら、ネットワークのチャネル数を制限します。さらに、スパース下でのマッチングを選択できる設計となっており、ナビゲーションやARなどのアプリケーションに適しています。XFeatは、高速かつ同等以上の精度を実現し、一般的なラップトップのCPU上でリアルタイムで動作します。
【DLゼミ】XFeat: Accelerated Features for Lightweight Image Matching
NLPソリューション開発の最前線
1. D E E P L E A R N I N G L A B - 自 然 言 語 処 理 ナ イ ト
NLPソリューション開発の最前線
I S I D の 最 新 最 新 文 書 A I ソ リ ュ ー シ ョ ン : T e x A I n t e l l i g e n c e / テ ク サ イ ン テ リ ジ ェ ン ス の 概 要 を 紹 介 、
ソ リ ュ ー シ ョ ン 内 で の A z u r e 活 用 方 法 の 解 説 、 そ し て 自 然 言 語 処 理 分 野 で 実 施 し て い る 弊 社 研 究 開 発 の 紹 介
2020年7月2日
株式会社 電通国際情報サービス
X(クロス)イノベーション本部 AIテクノロジー部
【本資料は公開されます】
23. 23
システムのインフラ構成図
Resource Group
Internet
Machine Learning Service
Blob Storage
for Media Data
Azure Database for
PostgreSQL
as Application DB
Blob Storage
for Trained Models
User Storage
Account
for Static Site
Virtual
Machine
for ML
computing
Log Analytics
Virtual Machine
for Application
Server
※ML : Machine
Learning
※各IP制限やNSG(ネットワークセキュリティグループは省略)
フロントエンド
24. 24
フロントエンドの3つの特徴
・Azure Storageの静的Webサイトホスティングを利用※
特徴1:Azure Blob Storageにフロントエンドのサイトを配置
(※参考)Azure Storage での静的 Web サイト ホスティング
https://docs.microsoft.com/ja-jp/azure/storage/blobs/storage-blob-static-website
・サーバーサイドレンダリングはせず、SPA (シングルページアプリケーションモード)
で、フロントエンドのHTMLを構築(静的サイト)
特徴2:Vue.js & Nuxt.jsフレームワークで静的サイトを構築
特徴3:フロントエンドとバックエンドを分離したアーキテクチャ
・フロントとバックは疎結合に。axios(Ajax)によるAPI通信でやりとり
・これによりフロントエンドは、リッチでUIの良いサイトを構築しやすい
F B
25. 25
システムのインフラ構成図
Resource Group
Internet
Machine Learning Service
Blob Storage
for Media Data
Azure Database for
PostgreSQL
as Application DB
Blob Storage
for Trained Models
User Storage
Account
for Static Site
Virtual
Machine
for ML
computing
Log Analytics
Virtual Machine
for Application
Server
※ML : Machine
Learning
※各IP制限やNSG(ネットワークセキュリティグループは省略)
アプリケーションサーバ
29. 29
システムのインフラ構成図
Resource Group
Internet
Machine Learning Service
Blob Storage
for Media Data
Azure Database for
PostgreSQL
as Application DB
Blob Storage
for Trained Models
User Storage
Account
for Static Site
Virtual
Machine
for ML
computing
Log Analytics
Virtual Machine
for Application
Server
※ML : Machine
Learning
※各IP制限やNSG(ネットワークセキュリティグループは省略)
マシンラーニング・サービス
30. 30
マシンラーニング・サービスの2つの特徴
・GPU搭載のData Science Virtual Machine (DSVM)※をAzure MLサービスに紐づけ
・APサーバから、MLサービスを経由し、DSVMにPythonファイルと引数を投げて実行
・MLサービスに紐づいているBlob Storageに訓練用データや学習済みモデルを保存
(次ページに絵)
特徴1:Azure MachineLearning サービスを利用
・計算用VMはアプリから自動で起動&停止させる
・長時間DSVMを使用していない場合はAzure Active DirectoryとAzureのPython SDK
の連携&関数を利用し、VMをシャットダウン(コスト削減)。
・再度、DSVMに計算タスクが投げられた時に起動させる
特徴2:Azure Active DirectoryとPython SDKでDSVMの起動を制御
(※参考)Linux および Windows 用の Azure Data Science Virtual Machine とは
https://docs.microsoft.com/ja-jp/azure/machine-learning/data-science-virtual-machine/overview
32. 32
システムのインフラ構成図
Resource Group
Internet
Machine Learning Service
Blob Storage
for Media Data
Azure Database for
PostgreSQL
as Application DB
Blob Storage
for Trained Models
User Storage
Account
for Static Site
Virtual
Machine
for ML
computing
Log Analytics
Virtual Machine
for Application
Server
※ML : Machine
Learning
※各IP制限やNSG(ネットワークセキュリティグループは省略)
マシンラーニング・サービスアプリケーションサーバ
フロントエンド