Microsoft Intelligent Data Platform -データ活用のための最新技術-Daiyu Hatakeyama
SENDAI IT COMMUNE meetup #02:
デジタルデータの加速度的な増加に伴い、データベースに求められる要件も大きく変わっています。RDBMSだけではない、NoSQL型のデータストア。OLTP/バッチだけではない、ニアリアルタイムの処理。そして、グローバルスケールのパフォーマンスなど。Azure はそうした多様なデータをセキュアに管理できるプラットフォームとして活用できます。ここでは、AI (Artificial Intelligence) なども交えて最新のプラットフォームの概要と、その活用事例についてご紹介します。
Microsoft Intelligent Data Platform -データ活用のための最新技術-Daiyu Hatakeyama
SENDAI IT COMMUNE meetup #02:
デジタルデータの加速度的な増加に伴い、データベースに求められる要件も大きく変わっています。RDBMSだけではない、NoSQL型のデータストア。OLTP/バッチだけではない、ニアリアルタイムの処理。そして、グローバルスケールのパフォーマンスなど。Azure はそうした多様なデータをセキュアに管理できるプラットフォームとして活用できます。ここでは、AI (Artificial Intelligence) なども交えて最新のプラットフォームの概要と、その活用事例についてご紹介します。
[Microsoft Cognitive Toolkit (CNTK) on Azure ハンズオン] Microsoft Azure の AI 関連サービスNaoki (Neo) SATO
Microsoft Cognitive Toolkit (CNTK) on Azure ハンズオン
https://satonaoki.wordpress.com/2017/08/06/cntk-hands-on/
Microsoft Cognitive Toolkit (CNTK) on Azure ハンズオン (2017/08/05)
https://jazug.connpass.com/event/61939/
GPU の分析への応用などの基礎技術の進化とクラウドの爆発的な普及に伴い、だれもが使いたいときに使いたい時だけ高性能なマシンリソースを使える時代が到来し、家電、スマホ、ビジネスアプリケーションなどありとあらゆるものに AI が搭載されているとうたわれ、一部のデータサイエンティストが担っていた高度な分析や深層学習のフレームワークもエンドユーザーで使いこなす人も少なくありません。
一方で、AI や深層学習という言葉が独り歩きし、まず AI 導入ありきでプロジェクトが始まり、目的が失われ頓挫するようなケースや、予測した結果についての妥当性について説明がつかず、結果がうまく利用できないようなケースも見られるようになってきました。
今回のセミナーでは、AI や高度な分析についての最新トレンドと、その使いどころについて、実際の事例や経験などを踏まえお伝えします。
[Microsoft Cognitive Toolkit (CNTK) on Azure ハンズオン] Microsoft Azure の AI 関連サービスNaoki (Neo) SATO
Microsoft Cognitive Toolkit (CNTK) on Azure ハンズオン
https://satonaoki.wordpress.com/2017/08/06/cntk-hands-on/
Microsoft Cognitive Toolkit (CNTK) on Azure ハンズオン (2017/08/05)
https://jazug.connpass.com/event/61939/
GPU の分析への応用などの基礎技術の進化とクラウドの爆発的な普及に伴い、だれもが使いたいときに使いたい時だけ高性能なマシンリソースを使える時代が到来し、家電、スマホ、ビジネスアプリケーションなどありとあらゆるものに AI が搭載されているとうたわれ、一部のデータサイエンティストが担っていた高度な分析や深層学習のフレームワークもエンドユーザーで使いこなす人も少なくありません。
一方で、AI や深層学習という言葉が独り歩きし、まず AI 導入ありきでプロジェクトが始まり、目的が失われ頓挫するようなケースや、予測した結果についての妥当性について説明がつかず、結果がうまく利用できないようなケースも見られるようになってきました。
今回のセミナーでは、AI や高度な分析についての最新トレンドと、その使いどころについて、実際の事例や経験などを踏まえお伝えします。
映像やCG制作の現場において、AIの技術は様々な自動化・クリエイティブで利用され始めています。そのAI そのものは、従来のデジタル制作と異なる性質も持っており、道具としての AI を正しく理解しておくことも重要です。このセッションでは、既存のAI技術を紹介しつつ、どのようにクリエイティブの現場に取り入れ、理解していくのかをご紹介します。
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。
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。
25. Azure Data Lake service
Big Data as a Services
無限にデータをストア・管理
Row Data を保存
高スループット、低いレイテンシの分析ジョ
ブ
セキュリティ、アクセスコントロール
Azure Data Lake store
HDInsight & Azure Data Lake Analytics
26. 多くの SQL & .NET DEVELOPERS
宣言型言語の SQL と
逐次実行型である C# のパワーを融合
構造化、一部構造化、非構造化データの融合
全てのデータに分散クエリの実施
U-SQL
Big Data のための新しい言語
34. R & Python ベースの
AI の ストアドプロシージャ
MicrosoftML Library の組み込み
Graph モデルのサポートによる
より複雑な関係を分析
クエリ 処理の最適化による
比類なき パフォーマンス
AI を組み込んだ最初の商用データベース
SQL Server
2017
35. • SQL Server, CNTK & R/Python – それぞれの強い部分を連携させた
エンタープライズ グレードの AI アプリケーション
• データを移動させる必要がないため、セキュリティと効率化が向上
• GPU による、処理能力の向上
Featurization
classifier model
での スコアリング
Web App
Diagnosis: 35% certainty
Python / R で実装した ストアドプロシージャ ストアド
プロシージャ
の
呼び出し
Model table,
Features table,
New Images table
SQL Server
36. execute sp_execute_external_script
@language = N'R'
, @script = N'
x <- as.matrix(InputDataSet);
y <- array(dim1:dim2);
OutputDataSet <- as.data.frame(x %*% y);'
, @input_data_1 = N'SELECT [Col1] from MyData;'
, @params = N'@dim1 int, @dim2 int'
, @dim1 = 12, @dim2 = 15
WITH RESULT SETS (([Col1] int, [Col2] int, [Col3] int, [Col4] int));
‘R’ もしくは ‘Python’
R file や Python file の
読み込みも
入力データ。 T-SQL SELECT も使
えるスクリプト用のパラメーター。”OUTPUT” もサポー
ト。
トレーニング済みのモデルには varbinary(max) を
使用
Result set のバインド(Optional)
STDOUT や STDERR と一緒に
メッセージ文字列も
R dataframe もしくは
Python Pandas dataframe
37. launchpad.exe
sp_execute_external_script
sqlservr.exe
Named pipe
それぞれの SQL インスタ
ンスがlaumchpad.exe を持
つ
SQLOS
XEvent
MSSQLSERVER Service MSSQLLAUNCHPAD Service
“何を” そして “どう”
“実行” するか
“launcher”
Bxlserver.exe
sqlsatellite.dll
Bxlserver.exe
sqlsatellite.dll
Windows Satellite
Process
sqlsatellite.dll
Run your “query”