SlideShare a Scribd company logo
1 of 34
Download to read offline
エッジ・ヘビー・コンピューティング
を実現するソフトウェア
@	INTEROP	2016,	Makuhari,	June	9th,
⽐⼾ 将平	
Chief	Research	Officer	
Preferred	Networks,	Inc.
IoTは「賢いクラウドとConnectedなモノ達」を超える
“Software Is Eating The World”の延⻑
l  既存IoTソリューションの中⼼=クラウド基盤が持つ弱点	
̶  データ量に伴って通信コストが爆発	
̶  クラウド経由のストリーム解析処理はリアルタイム処理に不向き	
̶  ⽣データの外部送信への抵抗やセキュリティ問題の懸念	
	
	
l  ITベンダーのクラウド基盤+通信モジュール、だけで⼗分か?	
̶  製品を持つ会社が主導しベンダーやキャリアを巻き込み外部提供する流れ	
u  FANUC、GE、Bosch、Siemens、Honeywell…	
u  エコシステムはスタートアップにも開放される(主にアプリ)	
̶  IoTプラットホーム戦略の主導権をITベンダーが持つのは難しい	
̶  エンドユーザーまでのデリバリー困難、汎⽤IoTクラウドは作りこみ不⾜	
エッジ・ヘビー・コンピューティングはIoTクラウドの弱点を補完
2/35
エッジ・ヘビー・コンピューティングで求められること
1.  クラウドだけでなく、フォグやエッジでも動作	
2.  Analyzeだけでなく、Sense	/	OrganizeやAcKon	/	Feedbackもカバー	
3.  バッチ処理ではなく、ストリーム処理・リアルタイム処理が中⼼	
4.  無理な機能追加でなく、機械学習(特に深層学習)を標準サポート	
5.  オールインワンでなく、業界・⽤途毎のコンパクトなパッケージ	
3
Sense Organize Analyze Act
Sense Organize Analyze Act
Sense Organize Analyze Act
Feedback
エッジ
フォグ
クラウド
1
2
3
4
機械学習
(深層学習)
5
3. DIMoソリューション
業界別
4/35
本セミナーの概要とPFNソフトウェア群の全体像
l  PFNの持つ単⼀基盤であるDeep Intelligence in-Motion (DIMo) を紹介
l  2つのOSSの上で研究開発を⾏い、⽤途別のソリューションを構築
1.  SensorBee: エッジからフォグ・クラウドまで統⼀されたデータ処理基盤
2.  Chainer: 研究開発から製品化まで使いやすい深層学習フレームワーク
3.  DIMoソリューション: 業界・課題別に機能をまとめたパッケージ
1.																																								:	IoT向けストリームデータ処理基盤	
2.																																								:	ディープラーニングフレームワーク	
DeepIntelligence

in-Motion(DIMo)	
タスク別
⾃動⾞
ヘルスケア
製造業 異常検知
映像解析
…	
???
…
⽬次
l  SensorBee:	IoT向けストリーム処理エンジン	
l  Chainer:	柔軟性の⾼い深層学習フレームワーク	
l  Deep	Intelligence	in-MoKon	(DIMo)	ソリューション	
l  まとめ
5/35
SensorBeeTM: IoT向けストリーム処理エンジン
l  ストリームデータのETL、特に機械学習ベースのTransformに重点	
l  エッジでもSQL-likeなクエリで情報を付加・変換・フィルタリング	
l  機械学習のモデル構築とそれを⽤いた予測をネイティブにサポート	
l  様々な解析ツールや⼊出⼒先(ChainerやFluentd)を組合せて利⽤
6/35
{
"id": 123,
"age": "35",
"gender": "male",
"location": {
"x": 252.1,
"y": 179.3
},
…
}
カメラ
⾞載機器
ルーター
センサー
Fluentd
RDBMS
検索
NoSQL
データ入力元 データ出力先
http://sensorbee.io/
SensorBeeの役割: Extract-Transform-Load (ETL)
l  IoTシステムおけるETLの役割	
̶  Extract:	様々なセンサー・⾮構造データのストリームを受理	
̶  ☆Transform:	時系列⽣データに情報を付与、活⽤可能な形に変換	
̶  Load:	後段のデータ収集・蓄積・解析処理系にストリームを送出	
l  特にエッジにおける機械学習ベースのIntelligentなTransformに注⼒
7/35
l  他のTransformへの⼊⼒	
l  他の処理系への⼊⼒	
分類・回帰・異常検知
(ラベル・スコア付与)
⼈物検出・属性分類
(時刻と位置を列挙)
⽣データ
変換データ
⽣データ
メタデータ
+	例:センサー時系列	
例:カメラ映像	
新しいストリーム	
情報が増えた

ストリーム
他のストリーム処理ソフトウェアとの違い:
エッジだけで閉じるリアルタイム処理もサポート
l  ⼀般のストリーム処理系	
̶  JVMベースでクラウド動作	
̶  機械学習はオプション扱い	
̶  クラウドで発⽣したデータ→	
疑似リアルタイム処理	
̶  エッジで発⽣したデータ→	
⾼遅延なストリーム処理	
8
l  SensorBeeの特徴	
̶  エッジでも解析処理が動作	
̶  機械学習を基本サポート	
̶  場所問わず発⽣したその場で
疑似リアルタイム処理	
̶  データの収集/蓄積コストを	
抑えつつフル活⽤
エッジ
フォグ
クラウド
⽣データ
⽣データ 変換・判断
エッジ
フォグ
クラウド
⽣データ 変換・判断対応
リアルタイム対応
変換データ
SensorBeeの拡張性(1/3)- ユーザー定義による拡張
l  User	Defined	State	(UDS)	
̶  SensorBee内で何らかの状態を直接扱うために組み込まれた仕組み	
̶  機械学習モデル(学習された結果)を表すのが主な想定⽤途	
̶  ⼀般にはセンサーの統計量、イベントのカウンタ、単語の辞書、等	
l  User	Defined	FuncKon	(UDF,	ユーザー定義関数)	
̶  SensorBee⾃体の機能を拡張する仕組み	
̶  機械学習モデルの学習や適⽤もUDFとして実装可能	
̶  ⼀般的には集計、統計量計算、ルール処理など
9/35
正解情報 モニタリング
SensorBee
UDF
UDF
UDS
⽣データ
UDF
アクション
学習	
適用	
モデル	
⼊⼒データ データ活⽤先
前処理	
後処理
機械学習に特化したストリーム処理系
l  ストリーム処理系全体におけるトレードオフ	
̶  処理性能:⾼スループット	
̶  耐障害性:処理/到達の保証	
̶  応答速度:低レイテンシ	
̶  状態保持:任意の情報をローカルで持てるか	
l  SensorBeeは機械学習ベースのETLに特化	
̶  収集前にエッジ側の情報抽出・判断するのための機械学習をサポート	
̶  UDFにより様々な機械学習アルゴリズムの利⽤を促進	
̶  UDSにより外部記憶に頼ることなく機械学習モデルを保持可能	
̶  JSON互換なデータモデルにより⾮構造化データを柔軟に表現	
̶  スキーマレスをデフォルトとしデータ加⼯の試⾏錯誤コストを低減
10/35
クラウド向けデータ処理系で重視
エッジ向け&機械学習で重視
(SensorBeeの狙い)
SensorBeeの拡張性(2/3)- SQL-likeなクエリ⾔語BQL
l  BQL:	CQL	(ConKnuous	Query	Language)の⽅⾔	
̶  SELECT,	FROM,	AS,	WHEREの他にCREATE	STREAM,	CREATE	STATEなど	
̶  エンドユーザーはプログラミング無しでも処理フローを記述可能	
̶  開発者は新しく作った関数・モデルをBQLのUDF/UDSとして提供可能	
	
l  BQLをドメイン特化⾔語(DSL)として⽤意する理由	
̶  SQLのデータ操作・処理⾔語としての実績	
̶  SQLを扱える⼈の多さ(プログラマーよりも圧倒的に多数)	
11/35
CREATE STREAM frames AS
SELECT RSTREAM
id AS camera_id,
frame_id AS id,
detect_people("my_detection_model",image) AS regions
FROM camera1 [RANGE 1 TUPLES];
BQL例:
機械学習モデルを⽤いたTwitterユーザー属性予測
12/35
# 特徴量抽出
CREATE STREAM fv_tweets AS
SELECT RSTREAM
{
"text": nlp_weight_tf(text_vector),
"description": nlp_weight_tf(description_vector)
} AS feature_vector,
age, gender
FROM preprocessed_tweets [RANGE 1 TUPLES];
# 正解付きデータ選択
CREATE STREAM age_labeled_tweets AS
SELECT RSTREAM * FROM fv_tweets [RANGE 1 TUPLES]
WHERE age != "";
CREATE STREAM gender_labeled_tweets AS
SELECT RSTREAM * FROM fv_tweets [RANGE 1 TUPLES]
WHERE gender != "";
# 年齢予測モデルと性別予測モデルの学習
INSERT INTO age_model_trainer FROM age_labeled_tweets;
INSERT INTO gender_model_trainer FROM gender_labeled_tweets;
SensorBeeの拡張性(3/3)- Source/Sinkプラグイン
l  Sourceプラグイン:CREATE	SOURCE⽂で使えるデータ⼊⼒の追加	
l  		Sink			プラグイン:CREATE	SINK⽂で使えるデータ出⼒の追加	
l  プラグイン化する理由	
̶  ユーザーによる拡張とその共有・再利⽤を促進	
̶  SensorBeeの主な役割でない部分は積極的に外部連携・利⽤	
13/35
センサー
⾞載機器
ルーター
カメラ
DB
NoSQL
DWH
CEP
データ入力元 データ出力先
JSON file
Sourceプラグイン
Fluentd
カメラ専⽤
…	
JSON file
Fluentd
Kafka
…	
Sinkプラグインメインの処理
クラウド・フォグ・デバイスをまたがるSensorBee
l  エッジ機器でも動作するように設計	
̶  Go⾔語実装なので多様な環境向けのクロスコンパイルが容易	
u  x86-32/64、arm32/64、ppc64、mips64	
̶  build_sensorbeeコマンド	
u  必要なUDF/UDS/Source/Sinkプラグインのみを含めてバイナリを⽣成	
̶  cgoでC/C++ライブラリも呼び出し可能	
̶  動作例:	Raspberry	Pi	3	
14/35
フォグ・エッジ
◊
																																								
(Embedded)	Linux																																									
Linuxベースの機器
センサー
コントローラー
アクチュエーター
PLC / OS無し端末
⽬次
l  SensorBee:	IoT向けストリーム処理エンジン	
l  Chainer:	柔軟性の⾼い深層学習フレームワーク	
l  Deep	Intelligence	in-MoKon	(DIMo)	ソリューション	
l  まとめ
15/35
Chainer: ⽇本発の深層学習フレームワーク
l  Pythonベースの深層学習フレームワーク(2015年6⽉OSS公開)	
l  複雑かつ⾼度なニューラルネットワークの研究と実装にフォーカス	
l  GPUをフル活⽤して他フレームワークに引けをとらない速度を実現	
l  NVIDIAからも公式にサポート・開発者向けリストに掲載
16/35http://chainer.org/
オリジナル

開発者
得居誠也
深層学習フレームワークの基礎と差別化ポイント
l  基礎:ニューラルネットワーク(NN)の定義・予測・学習	
l  共通要素:多次元配列データ構造、NN構成単位の階層、最適化⼿法	
l  差別化ポイント:NN定義の柔軟性、学習速度、スケーラビリティ
17/35
x
1
x
N
・
・
h
1
h
H
・・・・
k
M
k
1
y
M
y
1
Forward計算
Backward計算
(誤差逆伝播)
・・
・・
入力 隠れユニット 出力
⽂
書
画像
センサー
オブジェクト:

チューリップ	
異常スコア:

0.35	
記事カテゴリ:

スポーツ	
・
・
・・・・
ディープラーニング⼿法の複雑化傾向
l  NNは再利⽤可能な基本モジュールの組み合わせで構成	
l  NNを研究するアプローチには2種類(もしくはその両⽅)	
̶  新しい基本モジュールを提案	→	安定したペース、やがて成熟化	
̶  モジュールの新しい組み合わせ⽅・使い⽅を提案	→	無数に存在	
l  新しい応⽤に対して後者のアプローチを適⽤する研究が増加	
̶  古いフレームワークでは実装困難、あるいは効率が悪いNN⼿法も増加
18/35
Deep Networks with Stochastic Depth

G. Huang et al. 2016	
Ladder Network 

A. Rasmus et. al. 2015	
End-to-End Memory Network

S. Sukhbaatar et. al. 2015	
確率的に構造(深さ)が変化“記憶”と”操作”を表す構造 中間層にも制約を導⼊
Define-by-Run: Chainerの特徴
動的で柔軟なニューラルネットワーク記述
l  Define-and-Run	
̶  既存フレームワークの多くが	
この2段階アプローチを採⽤	
̶  Define:	事前に与えられた定義に従って	
ネットワーク構造をメモリ上に構築	
̶  Run:	訓練データを⽤いてForward計算を	
繰り返し、誤差逆伝播でモデル更新
19/35
Run
計算グラフ 勾配関数
Parameters
正解データ
更新
損失と勾配
Define
モデル
定義
計算グラフ 勾配関数
パラメータ
⾃動微分
vs
Define-by-Run
モデル
定義
計算グラフ 勾配関数
パラメータ
正解
データ
更新
動的 変更
制約・条件
l  Define-by-Run	
̶  Chainerが採⽤	
̶  事前ではなく訓練時のForward計算で毎
回ネットワーク構造を記憶
̶  学習の繰り返し、またはサンプル毎に
条件に応じて構造を動的に変更可能	
̶  特に複雑なNNの記述が容易&効率的
20/35
Chainerの産業応⽤における優位性
l  新しい応⽤向けの複雑な⼿法を容易に実装でき、作業効率が⾼い
l  NVIDIAが主要なフレームワークとしてサポートし性能も向上
l  PythonとNumPyとディープラーニングの基礎が分かれば使える
l  適⽤分野を選ばない:画像、ロボット、センサー、強化学習
l  (PFNとして) 社内の全プロジェクトで使え、コード再利⽤性が⾼い
NVIDIA CEO基調講演より	NVIDIA cuDNN紹介資料より
深層学習フレームワークの⽐較
21/35
主要実装⾔語 Python C++ Lua Python C++/Python
主要開発者 Preferred
Networks /
Infrastructure
BVLC Idiap Research
Institute,
DeepMind
Univ. of
Montreal
Google
コミュニティ △(⽇本○) ◎ ○ ○ △〜○
RNN/LSTM対
応
◎ × ○ ○ ○
動的ネット
ワーク構築
○ × × × ×
拡張性 ○ △ ○ ○ ○
ネットワーク
設計
⾔語内DSL
(Python)
設定ファイル
(prototxt)
⾔語内DSL 設定ファイル
(YAML)
⾔語内DSL
(Python)
特徴 ネットワーク動
的構築による省
リソース
画像認識の
コミュニティ
と豊富な事例
LuaJITによる⾼速
化
⾃動微分機構
多くのフレー
ムワークの基
盤
マルチGPU・マル
チノードをサポート
TensorBoardによる
可視化
Chainerの実⾏速度評価
l  予測(Forwardのみ)はTensorFlowと同程度の速度	
l  学習は最⼤2倍低速だが、コンパイル不要であるため、
デバッグやチューニングの作業効率はほぼ変わらない
22/35
0	
200	
400	
600	
800	
1000	
1200	
AlexNet	 GoogLeNet	 VGG-A	 OverFeat	
Torch	
TensorFlow	
Chainer	
Caffe	(naCve)	
0	
200	
400	
600	
800	
1000	
1200	
AlexNet	 GoogLeNet	 VGG-A	 OverFeat	
Torch	
TensorFlow	
Chainer	
Caffe	(naCve)	
https://github.com/soumith/convnet-benchmarksより引用(4/5現在)。Caffe以外はcuDNN使用。	
Forward computation (ミリ秒) Backward computation (ミリ秒)
最新ディープラーニング⼿法のChainer実装例:
A Neural Algorithm of Artistic Style (Gatys et al., 2015)
l  名画などに描画スタイルを変化させたアート画像を⽣成	
l  hfps://github.com/mafya/chainer-gogh	
̶  社員の松元が実装、主要なコードは45⾏程度	
23/35
コンテンツ
画像 (猫)
スタイル
画像
新しい
アート
画像
+	 =	
Main code (45 lines)
⽬次
l  SensorBee:	IoT向けストリーム処理エンジン	
l  Chainer:	柔軟性の⾼い深層学習フレームワーク	
l  Deep	Intelligence	in-MoKon	(DIMo)	ソリューション	
l  まとめ
24/35
Deep Intelligence in-Motion (DIMo):
研究開発から製品/サービスへ新しい機能を直結
25/35
SensorBee	
機能ライブラリ	 ツール群	
DIMo	
OEM/
ライセンス
R&D
プロジェクト
再利⽤
機能追加
広く横展開
パートナー
プログラム
限定的に先⾏提供
設計⽀援
機能要望
パッケージング
個別成果は出るが
スケールしない
サポート
l  研究開発指向ソフトウェア開発の課題	
̶  R&Dプロジェクトでは結果が優先され再利⽤性が犠牲になる傾向	
̶  良い結果が出ても成果物がそのまま商⽤展開できず再実装が必要	
l  PFN社内でDIMoを単⼀のソフトウェア基盤として定義	
̶  R&Dプロジェクトと商⽤展開をつなぐ位置づけ	
̶  R&D初期にSensorBeeベースで機能単位の分割、インタフェースを設計	
̶  R&Dプロジェクト中は設計の範疇で⾃由に試⾏錯誤・機能アップ	
̶  R&D成果コードを少ない労⼒でパッケージング・商⽤展開可能
DIMoのソフトウェア構成
26/35
Industries (Partners)Industries (PFN-involved)
SensorBeeTM:	stream	processing	engine	for	IoT	
Machine	learning	
Deep	learning	
(Chainer)	
Auto	 Manufacturing	
Self-driving	
/ADAS	
Connected	
OpKmizaKon	
PredicKve	
maintenance	
Healthcare	
Drug	
discovery	
iPS	cell	
Retail	
CRM	
Ad	
opKmizaKon	
Surveillance	
AnK-crime	
Tracking	
DeepIntelligence

in-Motion(DIMo)	
StaKsKcs	
Tools	
Computer	
vision	
Detect/Track/
Recognize	
Reinforcement	
learning	
Distributed/
Curriculum	
Time-series	
RNN	/	
RepresentaKon	
Sensor	
fusion	
MulK-modal	
AnnotaKon	
Hawk	
Feedback/AcKon	
Camera	UI	
kanohi	
…	
Libraries	
Management	
26フォグ機器 クラウドエッジ機器
DIMo事例(1/3)- 製造業/ロボティクス
27/35
http://tinyurl.com/pfn-irex15
国際ロボット展2015のバラ積みデモ (FANUC)	
FIELD system (FANUC+シスコ+ロックウェル)	
l  FANUC	FIELD	systemにおいてDIMoが機械学習アプリの基盤に	
̶  クラウド型ではなくエッジヘビー型のIndustrial	IoTプラットホーム	
̶  既存製品に機械学習ベースを中⼼とした様々なアプリをオプションで追加可能	
l  ディープラーニングを⽤いた解析アプリがFIELDの⼤きな利点	
̶  例1.	3次元の画像認識を⽤いたバラ積みロボットの動作最適化	
̶  例2.	予防保全に向けたセンサー情報からの故障予兆検知
DIMo事例(2/3)- コネクテッド・カー/⾃動運転
28/35
http://tinyurl.com/pfn-ces16	
CES2016における自動運転デモ (トヨタ+NTT)	
l  DIMoを中⼼とした未来のスマート交通インフラの構想	
̶  クラウドと⾞だけではなくフォグ層のインフラにもインテリジェンス	
̶  全ての層でDIMoが基盤となりつつそれぞれ異なる役割(機能)を担当	
l  ⾃動運転技術におけるトヨタ⾃動⾞様との取り組み	
̶  ⾞載カメラ・センサー情報を⽤いた周辺認識技術の共同研究開発	
̶  NTT様と3社による強化学習を⽤いた⾃動運転のデモ展⽰	
インテリジェンスを内包したスマート交通インフラ	
路側デバイス
ネットワーク
自動運転車
エッジ
フォグ
クラウド
DIMo事例(3/3)- 映像解析ソリューション
l  監視カメラ映像解析(⼈検出・属性認識・同⼀⼈物推定)	
̶  NTTコミュニケーションズ様を始め⼤⼿3社で検証実績(2015/7〜)	
l  ⾞載映像解析	
̶  監視カメラ向け技術をベースに⾞載画像⽤に拡張・機能追加	
̶  例:	Panasonic様との共同研究による駐⾞スペース認識	
29/35
www.ntt.com/about-us/press-releases/news/article/2016/20160330.html	
複数カメラ間の同一人物推定 (NTTコム+ALSOK共同実証)	 駐車スペース認識(Panasonic)
DIMoの将来展開
30/35
l  既存パートナーシップの推進	
̶  製造業・⾞両向け解析アプリケーションの拡充と性能向上	
̶  FANUC	FIELD	systemへの統合とビジネス展開サポート	
l  DIMoの解析機能と連携機能の追加	
̶  ⼈⼯データを⽣成するシミュレータと組み合わせたモデル学習機能	
̶  分散協調型の機械学習をサポートする⾼度なモデル統合・管理機能	
̶  既存クラウド基盤・サービスとの連携機能	
l  他分野への展開可能性	
̶  汎⽤的な機能をサブスクリプションサービスのパートナー提供	
̶  異常検知DIMoのパッケージングと多くの業界・対象への適⽤	
̶  バイオヘルスケア分野へのディープラーニング応⽤
⽬次
l  SensorBee:	IoT向けストリーム処理エンジン	
l  Chainer:	柔軟性の⾼い深層学習フレームワーク	
l  Deep	Intelligence	in-MoKon	(DIMo)	ソリューション	
l  まとめ
31/35
ソフトウェア化する世界とネットワーク・ハードウェア
l  エッジヘビーコンピューティングにおける新しい技術的チャレンジ
̶  ネットワークとソフトウェア、特に機械学習の⾼度な融合
̶  ハードウェアの進化に寄り添った機械学習ソフトウェアの抽象化
̶  ヘテロかつ動的に変化する動作環境における⾃律的な最適化	
̶  機械学習ネイティブなプラットホーム・ビジネスモデルを⽀える技術	
l  ソフトウェアの限界を決めるのはハードウェアとネットワーク	
̶  ソフトウェアの限界を変えるのもこれら	
̶  居⼼地の良いソフトウェアの領域だけに閉じていては勝負できない	
̶  HW/NWの専⾨家も巻き込んで全く新しい技術を⽣み出すことが必要	
32/35
Preferred	Networksは新しい仲間を募集しています
最後に
l  Preferred	Networksはエッジ・ヘビー・コンピューティング向け	
ソフトウェアを開発、OSS公開し、ソリューション提供しています	
l  SensorBeeはIoT向けストリーム処理エンジンで、クラウドだけで	
なくフォグやエッジでの動作を設計されています	
l  Chainerは研究開発から製品・サービス化までの効率化を重視した	
柔軟性の⾼いディープラーニングフレームワークです	
l  DIMoを基盤としてパートナーとの先進的なR&Dを推進しつつ	
業界/応⽤別のパッケージングでビジネス展開を⾏っています
33/35
PFN participates in Amazon Picking Challenge 2016
34

More Related Content

What's hot

Cloud operator days tokyo 2020講演資料_少人数チームでの機械学習製品の効率的な開発と運用
Cloud operator days tokyo 2020講演資料_少人数チームでの機械学習製品の効率的な開発と運用Cloud operator days tokyo 2020講演資料_少人数チームでの機械学習製品の効率的な開発と運用
Cloud operator days tokyo 2020講演資料_少人数チームでの機械学習製品の効率的な開発と運用Preferred Networks
 
SensorBeeでChainerをプラグインとして使う
SensorBeeでChainerをプラグインとして使うSensorBeeでChainerをプラグインとして使う
SensorBeeでChainerをプラグインとして使うDaisuke Tanaka
 
東北大学講義資料 実世界における自然言語処理 - すべての人にロボットを - 坪井祐太 
東北大学講義資料 実世界における自然言語処理 - すべての人にロボットを - 坪井祐太 東北大学講義資料 実世界における自然言語処理 - すべての人にロボットを - 坪井祐太 
東北大学講義資料 実世界における自然言語処理 - すべての人にロボットを - 坪井祐太 Preferred Networks
 
20171201 dll#05 名古屋_pfn_hiroshi_maruyama
20171201 dll#05 名古屋_pfn_hiroshi_maruyama20171201 dll#05 名古屋_pfn_hiroshi_maruyama
20171201 dll#05 名古屋_pfn_hiroshi_maruyamaPreferred Networks
 
Deep Learning技術の最近の動向とPreferred Networksの取り組み
Deep Learning技術の最近の動向とPreferred Networksの取り組みDeep Learning技術の最近の動向とPreferred Networksの取り組み
Deep Learning技術の最近の動向とPreferred Networksの取り組みKenta Oono
 
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~Preferred Networks
 
GTC 2016 基調講演からディープラーニング関連情報のご紹介
GTC 2016 基調講演からディープラーニング関連情報のご紹介GTC 2016 基調講演からディープラーニング関連情報のご紹介
GTC 2016 基調講演からディープラーニング関連情報のご紹介NVIDIA Japan
 
An Introduction of DNN Compression Technology and Hardware Acceleration on FPGA
An Introduction of DNN Compression Technology and Hardware Acceleration on FPGAAn Introduction of DNN Compression Technology and Hardware Acceleration on FPGA
An Introduction of DNN Compression Technology and Hardware Acceleration on FPGALeapMind Inc
 
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~NVIDIA Japan
 
実用としての深層学習 ~深層学習の利用事例と展望~
実用としての深層学習 ~深層学習の利用事例と展望~実用としての深層学習 ~深層学習の利用事例と展望~
実用としての深層学習 ~深層学習の利用事例と展望~Hirono Jumpei
 
DeepLearningフレームワークChainerの学習済みモデルをスマートフォンにDeployする
DeepLearningフレームワークChainerの学習済みモデルをスマートフォンにDeployするDeepLearningフレームワークChainerの学習済みモデルをスマートフォンにDeployする
DeepLearningフレームワークChainerの学習済みモデルをスマートフォンにDeployするtomohiro kato
 
これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座NVIDIA Japan
 
DeNAにおける機械学習・深層学習活用
DeNAにおける機械学習・深層学習活用DeNAにおける機械学習・深層学習活用
DeNAにおける機械学習・深層学習活用Kazuki Fujikawa
 
FPGA, AI, エッジコンピューティング
FPGA, AI, エッジコンピューティングFPGA, AI, エッジコンピューティング
FPGA, AI, エッジコンピューティングHideo Terada
 
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~NVIDIA Japan
 
PythonによるCVアルゴリズム実装
PythonによるCVアルゴリズム実装PythonによるCVアルゴリズム実装
PythonによるCVアルゴリズム実装Hirokatsu Kataoka
 
ストリーム処理とSensorBee
ストリーム処理とSensorBeeストリーム処理とSensorBee
ストリーム処理とSensorBeeDaisuke Tanaka
 
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御Ryosuke Okuta
 
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜Preferred Networks
 

What's hot (20)

Cloud operator days tokyo 2020講演資料_少人数チームでの機械学習製品の効率的な開発と運用
Cloud operator days tokyo 2020講演資料_少人数チームでの機械学習製品の効率的な開発と運用Cloud operator days tokyo 2020講演資料_少人数チームでの機械学習製品の効率的な開発と運用
Cloud operator days tokyo 2020講演資料_少人数チームでの機械学習製品の効率的な開発と運用
 
SensorBeeでChainerをプラグインとして使う
SensorBeeでChainerをプラグインとして使うSensorBeeでChainerをプラグインとして使う
SensorBeeでChainerをプラグインとして使う
 
東北大学講義資料 実世界における自然言語処理 - すべての人にロボットを - 坪井祐太 
東北大学講義資料 実世界における自然言語処理 - すべての人にロボットを - 坪井祐太 東北大学講義資料 実世界における自然言語処理 - すべての人にロボットを - 坪井祐太 
東北大学講義資料 実世界における自然言語処理 - すべての人にロボットを - 坪井祐太 
 
20171201 dll#05 名古屋_pfn_hiroshi_maruyama
20171201 dll#05 名古屋_pfn_hiroshi_maruyama20171201 dll#05 名古屋_pfn_hiroshi_maruyama
20171201 dll#05 名古屋_pfn_hiroshi_maruyama
 
Deep Learning技術の最近の動向とPreferred Networksの取り組み
Deep Learning技術の最近の動向とPreferred Networksの取り組みDeep Learning技術の最近の動向とPreferred Networksの取り組み
Deep Learning技術の最近の動向とPreferred Networksの取り組み
 
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
 
GTC 2016 基調講演からディープラーニング関連情報のご紹介
GTC 2016 基調講演からディープラーニング関連情報のご紹介GTC 2016 基調講演からディープラーニング関連情報のご紹介
GTC 2016 基調講演からディープラーニング関連情報のご紹介
 
An Introduction of DNN Compression Technology and Hardware Acceleration on FPGA
An Introduction of DNN Compression Technology and Hardware Acceleration on FPGAAn Introduction of DNN Compression Technology and Hardware Acceleration on FPGA
An Introduction of DNN Compression Technology and Hardware Acceleration on FPGA
 
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング~進化するニューラルネットワークとその開発方法について~
 
Deep learning を用いた画像から説明文の自動生成に関する研究の紹介
Deep learning を用いた画像から説明文の自動生成に関する研究の紹介Deep learning を用いた画像から説明文の自動生成に関する研究の紹介
Deep learning を用いた画像から説明文の自動生成に関する研究の紹介
 
実用としての深層学習 ~深層学習の利用事例と展望~
実用としての深層学習 ~深層学習の利用事例と展望~実用としての深層学習 ~深層学習の利用事例と展望~
実用としての深層学習 ~深層学習の利用事例と展望~
 
DeepLearningフレームワークChainerの学習済みモデルをスマートフォンにDeployする
DeepLearningフレームワークChainerの学習済みモデルをスマートフォンにDeployするDeepLearningフレームワークChainerの学習済みモデルをスマートフォンにDeployする
DeepLearningフレームワークChainerの学習済みモデルをスマートフォンにDeployする
 
これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座これから始める人の為のディープラーニング基礎講座
これから始める人の為のディープラーニング基礎講座
 
DeNAにおける機械学習・深層学習活用
DeNAにおける機械学習・深層学習活用DeNAにおける機械学習・深層学習活用
DeNAにおける機械学習・深層学習活用
 
FPGA, AI, エッジコンピューティング
FPGA, AI, エッジコンピューティングFPGA, AI, エッジコンピューティング
FPGA, AI, エッジコンピューティング
 
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~
エヌビディアが加速するディープラーニング ~進化するニューラルネットワークとその開発方法について~
 
PythonによるCVアルゴリズム実装
PythonによるCVアルゴリズム実装PythonによるCVアルゴリズム実装
PythonによるCVアルゴリズム実装
 
ストリーム処理とSensorBee
ストリーム処理とSensorBeeストリーム処理とSensorBee
ストリーム処理とSensorBee
 
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
 
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
PFN のオンプレML基盤の取り組み / オンプレML基盤 on Kubernetes 〜PFN、ヤフー〜
 

Similar to Software for Edge Heavy Computing @ INTEROP 2016 Tokyo

Intel OpenVINO、 NVIDIA Deepstream対応開発キットから、 エッジサーバー、Azure Data Box Edgeまで、 Az...
Intel OpenVINO、 NVIDIA Deepstream対応開発キットから、 エッジサーバー、Azure Data Box Edgeまで、 Az...Intel OpenVINO、 NVIDIA Deepstream対応開発キットから、 エッジサーバー、Azure Data Box Edgeまで、 Az...
Intel OpenVINO、 NVIDIA Deepstream対応開発キットから、 エッジサーバー、Azure Data Box Edgeまで、 Az...IoTビジネス共創ラボ
 
.NET Gadgeteerでプロトタイピングする EnOceanエネルギーハーベスティング システム
.NET GadgeteerでプロトタイピングするEnOceanエネルギーハーベスティングシステム.NET GadgeteerでプロトタイピングするEnOceanエネルギーハーベスティングシステム
.NET Gadgeteerでプロトタイピングする EnOceanエネルギーハーベスティング システムAtomu Hidaka
 
OSC 2012 Microsoft Session [マイクロソフトの魅せるセンサー×クラウド技術]
OSC 2012 Microsoft Session [マイクロソフトの魅せるセンサー×クラウド技術]OSC 2012 Microsoft Session [マイクロソフトの魅せるセンサー×クラウド技術]
OSC 2012 Microsoft Session [マイクロソフトの魅せるセンサー×クラウド技術]Aya Tokura
 
3Dリッチコンテンツビジネス活用のご提案ver3.1
3Dリッチコンテンツビジネス活用のご提案ver3.13Dリッチコンテンツビジネス活用のご提案ver3.1
3Dリッチコンテンツビジネス活用のご提案ver3.1ITDORAKU
 
コンテナ導入概要資料2018
コンテナ導入概要資料2018コンテナ導入概要資料2018
コンテナ導入概要資料2018Masahito Zembutsu
 
[db tech showcase Tokyo 2017] B26: レデータの仮想化と自動化がもたらす開発効率アップとは?by 株式会社インサイトテクノ...
[db tech showcase Tokyo 2017] B26: レデータの仮想化と自動化がもたらす開発効率アップとは?by 株式会社インサイトテクノ...[db tech showcase Tokyo 2017] B26: レデータの仮想化と自動化がもたらす開発効率アップとは?by 株式会社インサイトテクノ...
[db tech showcase Tokyo 2017] B26: レデータの仮想化と自動化がもたらす開発効率アップとは?by 株式会社インサイトテクノ...Insight Technology, Inc.
 
IoTデバイスデータ収集の難しい点
IoTデバイスデータ収集の難しい点IoTデバイスデータ収集の難しい点
IoTデバイスデータ収集の難しい点Tetsutaro Watanabe
 
Microsoft Intelligent Edge Technologies
Microsoft Intelligent Edge TechnologiesMicrosoft Intelligent Edge Technologies
Microsoft Intelligent Edge TechnologiesTakeshi Fukuhara
 
Deep Learning Lab - Microsoft Machine Learning meetup 2018/06/27 - 推論編
Deep Learning Lab - Microsoft Machine Learning meetup 2018/06/27 - 推論編Deep Learning Lab - Microsoft Machine Learning meetup 2018/06/27 - 推論編
Deep Learning Lab - Microsoft Machine Learning meetup 2018/06/27 - 推論編Daiyu Hatakeyama
 
【Interop Tokyo 2016】 エコシステムですすめる レノボのSDIソリューション
【Interop Tokyo 2016】 エコシステムですすめる レノボのSDIソリューション【Interop Tokyo 2016】 エコシステムですすめる レノボのSDIソリューション
【Interop Tokyo 2016】 エコシステムですすめる レノボのSDIソリューションJuniper Networks (日本)
 
mbedとwindows 8.1
mbedとwindows 8.1mbedとwindows 8.1
mbedとwindows 8.1Nobuaki Aoki
 
ひと漕ぎで二度おいしい!? Flutterを使ったモバイルアプリ開発への期待と実態と付き合い方(NTTデータ テクノロジーカンファレンス 2020 発表資料)
ひと漕ぎで二度おいしい!? Flutterを使ったモバイルアプリ開発への期待と実態と付き合い方(NTTデータ テクノロジーカンファレンス 2020 発表資料)ひと漕ぎで二度おいしい!? Flutterを使ったモバイルアプリ開発への期待と実態と付き合い方(NTTデータ テクノロジーカンファレンス 2020 発表資料)
ひと漕ぎで二度おいしい!? Flutterを使ったモバイルアプリ開発への期待と実態と付き合い方(NTTデータ テクノロジーカンファレンス 2020 発表資料)NTT DATA Technology & Innovation
 
Microsoft Developer Forum 2011 KeyNote by Akihiro Ooba
Microsoft Developer Forum 2011 KeyNote by Akihiro OobaMicrosoft Developer Forum 2011 KeyNote by Akihiro Ooba
Microsoft Developer Forum 2011 KeyNote by Akihiro Oobajunichi anno
 
今改めて学ぶ Microsoft Azure 基礎知識
今改めて学ぶ Microsoft Azure 基礎知識今改めて学ぶ Microsoft Azure 基礎知識
今改めて学ぶ Microsoft Azure 基礎知識Minoru Naito
 
ディペンダブルなクラウドコンピューティング基盤を目指して
ディペンダブルなクラウドコンピューティング基盤を目指してディペンダブルなクラウドコンピューティング基盤を目指して
ディペンダブルなクラウドコンピューティング基盤を目指してKazuhiko Kato
 
ET2016 Smart Japan Alliance Llilum 161118
ET2016 Smart Japan Alliance Llilum 161118ET2016 Smart Japan Alliance Llilum 161118
ET2016 Smart Japan Alliance Llilum 161118Atomu Hidaka
 
Gmo media.inc 第9回西日本ossの普及を考える会
Gmo media.inc 第9回西日本ossの普及を考える会Gmo media.inc 第9回西日本ossの普及を考える会
Gmo media.inc 第9回西日本ossの普及を考える会Dai Utsui
 

Similar to Software for Edge Heavy Computing @ INTEROP 2016 Tokyo (20)

Intel OpenVINO、 NVIDIA Deepstream対応開発キットから、 エッジサーバー、Azure Data Box Edgeまで、 Az...
Intel OpenVINO、 NVIDIA Deepstream対応開発キットから、 エッジサーバー、Azure Data Box Edgeまで、 Az...Intel OpenVINO、 NVIDIA Deepstream対応開発キットから、 エッジサーバー、Azure Data Box Edgeまで、 Az...
Intel OpenVINO、 NVIDIA Deepstream対応開発キットから、 エッジサーバー、Azure Data Box Edgeまで、 Az...
 
.NET Gadgeteerでプロトタイピングする EnOceanエネルギーハーベスティング システム
.NET GadgeteerでプロトタイピングするEnOceanエネルギーハーベスティングシステム.NET GadgeteerでプロトタイピングするEnOceanエネルギーハーベスティングシステム
.NET Gadgeteerでプロトタイピングする EnOceanエネルギーハーベスティング システム
 
OSC 2012 Microsoft Session [マイクロソフトの魅せるセンサー×クラウド技術]
OSC 2012 Microsoft Session [マイクロソフトの魅せるセンサー×クラウド技術]OSC 2012 Microsoft Session [マイクロソフトの魅せるセンサー×クラウド技術]
OSC 2012 Microsoft Session [マイクロソフトの魅せるセンサー×クラウド技術]
 
3Dリッチコンテンツビジネス活用のご提案ver3.1
3Dリッチコンテンツビジネス活用のご提案ver3.13Dリッチコンテンツビジネス活用のご提案ver3.1
3Dリッチコンテンツビジネス活用のご提案ver3.1
 
コンテナ導入概要資料2018
コンテナ導入概要資料2018コンテナ導入概要資料2018
コンテナ導入概要資料2018
 
[db tech showcase Tokyo 2017] B26: レデータの仮想化と自動化がもたらす開発効率アップとは?by 株式会社インサイトテクノ...
[db tech showcase Tokyo 2017] B26: レデータの仮想化と自動化がもたらす開発効率アップとは?by 株式会社インサイトテクノ...[db tech showcase Tokyo 2017] B26: レデータの仮想化と自動化がもたらす開発効率アップとは?by 株式会社インサイトテクノ...
[db tech showcase Tokyo 2017] B26: レデータの仮想化と自動化がもたらす開発効率アップとは?by 株式会社インサイトテクノ...
 
IoTデバイスデータ収集の難しい点
IoTデバイスデータ収集の難しい点IoTデバイスデータ収集の難しい点
IoTデバイスデータ収集の難しい点
 
Microsoft Intelligent Edge Technologies
Microsoft Intelligent Edge TechnologiesMicrosoft Intelligent Edge Technologies
Microsoft Intelligent Edge Technologies
 
Deep Learning Lab - Microsoft Machine Learning meetup 2018/06/27 - 推論編
Deep Learning Lab - Microsoft Machine Learning meetup 2018/06/27 - 推論編Deep Learning Lab - Microsoft Machine Learning meetup 2018/06/27 - 推論編
Deep Learning Lab - Microsoft Machine Learning meetup 2018/06/27 - 推論編
 
【Interop Tokyo 2016】 エコシステムですすめる レノボのSDIソリューション
【Interop Tokyo 2016】 エコシステムですすめる レノボのSDIソリューション【Interop Tokyo 2016】 エコシステムですすめる レノボのSDIソリューション
【Interop Tokyo 2016】 エコシステムですすめる レノボのSDIソリューション
 
mbedとwindows 8.1
mbedとwindows 8.1mbedとwindows 8.1
mbedとwindows 8.1
 
ひと漕ぎで二度おいしい!? Flutterを使ったモバイルアプリ開発への期待と実態と付き合い方(NTTデータ テクノロジーカンファレンス 2020 発表資料)
ひと漕ぎで二度おいしい!? Flutterを使ったモバイルアプリ開発への期待と実態と付き合い方(NTTデータ テクノロジーカンファレンス 2020 発表資料)ひと漕ぎで二度おいしい!? Flutterを使ったモバイルアプリ開発への期待と実態と付き合い方(NTTデータ テクノロジーカンファレンス 2020 発表資料)
ひと漕ぎで二度おいしい!? Flutterを使ったモバイルアプリ開発への期待と実態と付き合い方(NTTデータ テクノロジーカンファレンス 2020 発表資料)
 
Microsoft Developer Forum 2011 KeyNote by Akihiro Ooba
Microsoft Developer Forum 2011 KeyNote by Akihiro OobaMicrosoft Developer Forum 2011 KeyNote by Akihiro Ooba
Microsoft Developer Forum 2011 KeyNote by Akihiro Ooba
 
私とOSSの25年
私とOSSの25年私とOSSの25年
私とOSSの25年
 
今改めて学ぶ Microsoft Azure 基礎知識
今改めて学ぶ Microsoft Azure 基礎知識今改めて学ぶ Microsoft Azure 基礎知識
今改めて学ぶ Microsoft Azure 基礎知識
 
ディペンダブルなクラウドコンピューティング基盤を目指して
ディペンダブルなクラウドコンピューティング基盤を目指してディペンダブルなクラウドコンピューティング基盤を目指して
ディペンダブルなクラウドコンピューティング基盤を目指して
 
ET2016 Smart Japan Alliance Llilum 161118
ET2016 Smart Japan Alliance Llilum 161118ET2016 Smart Japan Alliance Llilum 161118
ET2016 Smart Japan Alliance Llilum 161118
 
Gmo media.inc 第9回西日本ossの普及を考える会
Gmo media.inc 第9回西日本ossの普及を考える会Gmo media.inc 第9回西日本ossの普及を考える会
Gmo media.inc 第9回西日本ossの普及を考える会
 
Microsoft AI Platform
Microsoft AI PlatformMicrosoft AI Platform
Microsoft AI Platform
 
第32回「SDNをみんなのものに。OpenDaylight Projectの試みとSDN 2014年への期待。」(2013/12/19 on しすなま!)
第32回「SDNをみんなのものに。OpenDaylight Projectの試みとSDN 2014年への期待。」(2013/12/19 on しすなま!)第32回「SDNをみんなのものに。OpenDaylight Projectの試みとSDN 2014年への期待。」(2013/12/19 on しすなま!)
第32回「SDNをみんなのものに。OpenDaylight Projectの試みとSDN 2014年への期待。」(2013/12/19 on しすなま!)
 

More from Shohei Hido

CuPy: A NumPy-compatible Library for GPU
CuPy: A NumPy-compatible Library for GPUCuPy: A NumPy-compatible Library for GPU
CuPy: A NumPy-compatible Library for GPUShohei Hido
 
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門Shohei Hido
 
Chainer GTC 2016
Chainer GTC 2016Chainer GTC 2016
Chainer GTC 2016Shohei Hido
 
How AI revolutionizes robotics and automotive industries
How AI revolutionizes robotics and automotive industriesHow AI revolutionizes robotics and automotive industries
How AI revolutionizes robotics and automotive industriesShohei Hido
 
プロダクトマネージャのお仕事
プロダクトマネージャのお仕事プロダクトマネージャのお仕事
プロダクトマネージャのお仕事Shohei Hido
 
あなたの業務に機械学習を活用する5つのポイント
あなたの業務に機械学習を活用する5つのポイントあなたの業務に機械学習を活用する5つのポイント
あなたの業務に機械学習を活用する5つのポイントShohei Hido
 
PFIセミナー "「失敗の本質」を読む"発表資料
PFIセミナー "「失敗の本質」を読む"発表資料PFIセミナー "「失敗の本質」を読む"発表資料
PFIセミナー "「失敗の本質」を読む"発表資料Shohei Hido
 
NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...
NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...
NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...Shohei Hido
 
機械学習CROSS 後半資料
機械学習CROSS 後半資料機械学習CROSS 後半資料
機械学習CROSS 後半資料Shohei Hido
 
機械学習CROSS 前半資料
機械学習CROSS 前半資料機械学習CROSS 前半資料
機械学習CROSS 前半資料Shohei Hido
 
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門Shohei Hido
 
Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤Shohei Hido
 
今年のKDDベストペーパーを実装・公開しました
今年のKDDベストペーパーを実装・公開しました今年のKDDベストペーパーを実装・公開しました
今年のKDDベストペーパーを実装・公開しましたShohei Hido
 
さらば!データサイエンティスト
さらば!データサイエンティストさらば!データサイエンティスト
さらば!データサイエンティストShohei Hido
 
ICML2013読み会 開会宣言
ICML2013読み会 開会宣言ICML2013読み会 開会宣言
ICML2013読み会 開会宣言Shohei Hido
 
ビッグデータはどこまで効率化できるか?
ビッグデータはどこまで効率化できるか?ビッグデータはどこまで効率化できるか?
ビッグデータはどこまで効率化できるか?Shohei Hido
 
(道具としての)データサイエンティストのつかい方
(道具としての)データサイエンティストのつかい方(道具としての)データサイエンティストのつかい方
(道具としての)データサイエンティストのつかい方Shohei Hido
 
FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」Shohei Hido
 
データサイエンティストのつくり方
データサイエンティストのつくり方データサイエンティストのつくり方
データサイエンティストのつくり方Shohei Hido
 

More from Shohei Hido (20)

CuPy: A NumPy-compatible Library for GPU
CuPy: A NumPy-compatible Library for GPUCuPy: A NumPy-compatible Library for GPU
CuPy: A NumPy-compatible Library for GPU
 
Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門Deep Learning Lab 異常検知入門
Deep Learning Lab 異常検知入門
 
NIPS2017概要
NIPS2017概要NIPS2017概要
NIPS2017概要
 
Chainer GTC 2016
Chainer GTC 2016Chainer GTC 2016
Chainer GTC 2016
 
How AI revolutionizes robotics and automotive industries
How AI revolutionizes robotics and automotive industriesHow AI revolutionizes robotics and automotive industries
How AI revolutionizes robotics and automotive industries
 
プロダクトマネージャのお仕事
プロダクトマネージャのお仕事プロダクトマネージャのお仕事
プロダクトマネージャのお仕事
 
あなたの業務に機械学習を活用する5つのポイント
あなたの業務に機械学習を活用する5つのポイントあなたの業務に機械学習を活用する5つのポイント
あなたの業務に機械学習を活用する5つのポイント
 
PFIセミナー "「失敗の本質」を読む"発表資料
PFIセミナー "「失敗の本質」を読む"発表資料PFIセミナー "「失敗の本質」を読む"発表資料
PFIセミナー "「失敗の本質」を読む"発表資料
 
NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...
NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...
NIPS2013読み会: More Effective Distributed ML via a Stale Synchronous Parallel P...
 
機械学習CROSS 後半資料
機械学習CROSS 後半資料機械学習CROSS 後半資料
機械学習CROSS 後半資料
 
機械学習CROSS 前半資料
機械学習CROSS 前半資料機械学習CROSS 前半資料
機械学習CROSS 前半資料
 
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門
 
Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤Jubatusが目指すインテリジェンス基盤
Jubatusが目指すインテリジェンス基盤
 
今年のKDDベストペーパーを実装・公開しました
今年のKDDベストペーパーを実装・公開しました今年のKDDベストペーパーを実装・公開しました
今年のKDDベストペーパーを実装・公開しました
 
さらば!データサイエンティスト
さらば!データサイエンティストさらば!データサイエンティスト
さらば!データサイエンティスト
 
ICML2013読み会 開会宣言
ICML2013読み会 開会宣言ICML2013読み会 開会宣言
ICML2013読み会 開会宣言
 
ビッグデータはどこまで効率化できるか?
ビッグデータはどこまで効率化できるか?ビッグデータはどこまで効率化できるか?
ビッグデータはどこまで効率化できるか?
 
(道具としての)データサイエンティストのつかい方
(道具としての)データサイエンティストのつかい方(道具としての)データサイエンティストのつかい方
(道具としての)データサイエンティストのつかい方
 
FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」FIT2012招待講演「異常検知技術のビジネス応用最前線」
FIT2012招待講演「異常検知技術のビジネス応用最前線」
 
データサイエンティストのつくり方
データサイエンティストのつくり方データサイエンティストのつくり方
データサイエンティストのつくり方
 

Recently uploaded

ネットワーク可視化 振る舞い検知(NDR)ご紹介_キンドリル202405.pdf
ネットワーク可視化 振る舞い検知(NDR)ご紹介_キンドリル202405.pdfネットワーク可視化 振る舞い検知(NDR)ご紹介_キンドリル202405.pdf
ネットワーク可視化 振る舞い検知(NDR)ご紹介_キンドリル202405.pdfTakayuki Nakayama
 
Hyperledger Fabricコミュニティ活動体験& Hyperledger Fabric最新状況ご紹介
Hyperledger Fabricコミュニティ活動体験& Hyperledger Fabric最新状況ご紹介Hyperledger Fabricコミュニティ活動体験& Hyperledger Fabric最新状況ご紹介
Hyperledger Fabricコミュニティ活動体験& Hyperledger Fabric最新状況ご紹介Hyperleger Tokyo Meetup
 
LoRaWAN無位置ロープ型水漏れセンサー WL03A-LB/LSカタログ ファイル
LoRaWAN無位置ロープ型水漏れセンサー WL03A-LB/LSカタログ ファイルLoRaWAN無位置ロープ型水漏れセンサー WL03A-LB/LSカタログ ファイル
LoRaWAN無位置ロープ型水漏れセンサー WL03A-LB/LSカタログ ファイルCRI Japan, Inc.
 
LoRaWAN無位置ロープ式水漏れセンサーWL03A 日本語マニュアル
LoRaWAN無位置ロープ式水漏れセンサーWL03A 日本語マニュアルLoRaWAN無位置ロープ式水漏れセンサーWL03A 日本語マニュアル
LoRaWAN無位置ロープ式水漏れセンサーWL03A 日本語マニュアルCRI Japan, Inc.
 
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptxsn679259
 
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native IntegrationsUtilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native IntegrationsWSO2
 
2024年5月17日 先駆的科学計算フォーラム2024 機械学習を用いた新たなゲーム体験の創出の応用
2024年5月17日 先駆的科学計算フォーラム2024 機械学習を用いた新たなゲーム体験の創出の応用2024年5月17日 先駆的科学計算フォーラム2024 機械学習を用いた新たなゲーム体験の創出の応用
2024年5月17日 先駆的科学計算フォーラム2024 機械学習を用いた新たなゲーム体験の創出の応用KLab Inc. / Tech
 

Recently uploaded (7)

ネットワーク可視化 振る舞い検知(NDR)ご紹介_キンドリル202405.pdf
ネットワーク可視化 振る舞い検知(NDR)ご紹介_キンドリル202405.pdfネットワーク可視化 振る舞い検知(NDR)ご紹介_キンドリル202405.pdf
ネットワーク可視化 振る舞い検知(NDR)ご紹介_キンドリル202405.pdf
 
Hyperledger Fabricコミュニティ活動体験& Hyperledger Fabric最新状況ご紹介
Hyperledger Fabricコミュニティ活動体験& Hyperledger Fabric最新状況ご紹介Hyperledger Fabricコミュニティ活動体験& Hyperledger Fabric最新状況ご紹介
Hyperledger Fabricコミュニティ活動体験& Hyperledger Fabric最新状況ご紹介
 
LoRaWAN無位置ロープ型水漏れセンサー WL03A-LB/LSカタログ ファイル
LoRaWAN無位置ロープ型水漏れセンサー WL03A-LB/LSカタログ ファイルLoRaWAN無位置ロープ型水漏れセンサー WL03A-LB/LSカタログ ファイル
LoRaWAN無位置ロープ型水漏れセンサー WL03A-LB/LSカタログ ファイル
 
LoRaWAN無位置ロープ式水漏れセンサーWL03A 日本語マニュアル
LoRaWAN無位置ロープ式水漏れセンサーWL03A 日本語マニュアルLoRaWAN無位置ロープ式水漏れセンサーWL03A 日本語マニュアル
LoRaWAN無位置ロープ式水漏れセンサーWL03A 日本語マニュアル
 
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
 
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native IntegrationsUtilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
 
2024年5月17日 先駆的科学計算フォーラム2024 機械学習を用いた新たなゲーム体験の創出の応用
2024年5月17日 先駆的科学計算フォーラム2024 機械学習を用いた新たなゲーム体験の創出の応用2024年5月17日 先駆的科学計算フォーラム2024 機械学習を用いた新たなゲーム体験の創出の応用
2024年5月17日 先駆的科学計算フォーラム2024 機械学習を用いた新たなゲーム体験の創出の応用
 

Software for Edge Heavy Computing @ INTEROP 2016 Tokyo