Enviar búsqueda
Cargar
エッジヘビーコンピューティングと機械学習
•
21 recomendaciones
•
14,918 vistas
Preferred Networks
Seguir
SORACOM主催 IoT Technology Conference if-up 2017 発表資料
Leer menos
Leer más
Software
Denunciar
Compartir
Denunciar
Compartir
1 de 53
Descargar ahora
Descargar para leer sin conexión
Recomendados
【DLL3】20170904_AIガイドライン_PFN丸山
【DLL3】20170904_AIガイドライン_PFN丸山
Yumi Sakaguchi
20170419PFNオープンハウス インターンと採用 公開用
20170419PFNオープンハウス インターンと採用 公開用
Preferred Networks
実世界の人工知能@DeNA TechCon 2017
実世界の人工知能@DeNA TechCon 2017
Preferred Networks
if-up 2017 | A4:カメラデバイスとクラウド〜スムーズな連携のために〜
if-up 2017 | A4:カメラデバイスとクラウド〜スムーズな連携のために〜
SORACOM,INC
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
Tetsutaro Watanabe
アプリエンジニアでもできる閉域網構築のススメ!
アプリエンジニアでもできる閉域網構築のススメ!
Tosihiyuki Hirai
Deep Learningを用いたロボット制御
Deep Learningを用いたロボット制御
Ryosuke Okuta
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
Más contenido relacionado
La actualidad más candente
SORACOM Conference Discovery 2017 | B3. IoTでトップラインを伸ばす
SORACOM Conference Discovery 2017 | B3. IoTでトップラインを伸ばす
SORACOM,INC
ディープラーニングが活かすIoT
ディープラーニングが活かすIoT
Preferred Networks
MLP-Mixer: An all-MLP Architecture for Vision
MLP-Mixer: An all-MLP Architecture for Vision
Kazuyuki Miyazawa
第26回八子クラウド座談会当日メモ付き_20180407
第26回八子クラウド座談会当日メモ付き_20180407
知礼 八子
Kubernetesによる機械学習基盤への挑戦
Kubernetesによる機械学習基盤への挑戦
Preferred Networks
今すぐ AI の知識を深めるには
今すぐ AI の知識を深めるには
NVIDIA Japan
TechCon2021 TAXI車載システムの IoT化で 解決した課題と新たに提供した価値
TechCon2021 TAXI車載システムの IoT化で 解決した課題と新たに提供した価値
IshikawaTakao
DX と社会問題解決
DX と社会問題解決
Osaka University
20210528_ACRi-panel_ksano_r2_submit
20210528_ACRi-panel_ksano_r2_submit
直久 住川
3Dモデル類似検索
3Dモデル類似検索
Core Concept Technologies
ML Ops 実装の現場から
ML Ops 実装の現場から
慎一郎 畠
可視化の先にあるものとは
可視化の先にあるものとは
Core Concept Technologies
CV分野での最近の脱○○系3選
CV分野での最近の脱○○系3選
Kazuyuki Miyazawa
[CVPR2020読み会@CV勉強会] 3D Packing for Self-Supervised Monocular Depth Estimation
[CVPR2020読み会@CV勉強会] 3D Packing for Self-Supervised Monocular Depth Estimation
Kazuyuki Miyazawa
固有表現抽出と適用例のご紹介
固有表現抽出と適用例のご紹介
Core Concept Technologies
ディープラーニングと自動運転、コネクティッドカー @ TU-Automotive 2016
ディープラーニングと自動運転、コネクティッドカー @ TU-Automotive 2016
Preferred Networks
20170419PFNオープンハウス リサーチャーの仕事_公開用
20170419PFNオープンハウス リサーチャーの仕事_公開用
Preferred Networks
La actualidad más candente
(17)
SORACOM Conference Discovery 2017 | B3. IoTでトップラインを伸ばす
SORACOM Conference Discovery 2017 | B3. IoTでトップラインを伸ばす
ディープラーニングが活かすIoT
ディープラーニングが活かすIoT
MLP-Mixer: An all-MLP Architecture for Vision
MLP-Mixer: An all-MLP Architecture for Vision
第26回八子クラウド座談会当日メモ付き_20180407
第26回八子クラウド座談会当日メモ付き_20180407
Kubernetesによる機械学習基盤への挑戦
Kubernetesによる機械学習基盤への挑戦
今すぐ AI の知識を深めるには
今すぐ AI の知識を深めるには
TechCon2021 TAXI車載システムの IoT化で 解決した課題と新たに提供した価値
TechCon2021 TAXI車載システムの IoT化で 解決した課題と新たに提供した価値
DX と社会問題解決
DX と社会問題解決
20210528_ACRi-panel_ksano_r2_submit
20210528_ACRi-panel_ksano_r2_submit
3Dモデル類似検索
3Dモデル類似検索
ML Ops 実装の現場から
ML Ops 実装の現場から
可視化の先にあるものとは
可視化の先にあるものとは
CV分野での最近の脱○○系3選
CV分野での最近の脱○○系3選
[CVPR2020読み会@CV勉強会] 3D Packing for Self-Supervised Monocular Depth Estimation
[CVPR2020読み会@CV勉強会] 3D Packing for Self-Supervised Monocular Depth Estimation
固有表現抽出と適用例のご紹介
固有表現抽出と適用例のご紹介
ディープラーニングと自動運転、コネクティッドカー @ TU-Automotive 2016
ディープラーニングと自動運転、コネクティッドカー @ TU-Automotive 2016
20170419PFNオープンハウス リサーチャーの仕事_公開用
20170419PFNオープンハウス リサーチャーの仕事_公開用
Destacado
20171024 DLLab#04_PFN_Hiroshi Maruyama
20171024 DLLab#04_PFN_Hiroshi Maruyama
Preferred Networks
LCCC2010:Learning on Cores, Clusters and Cloudsの解説
LCCC2010:Learning on Cores, Clusters and Cloudsの解説
Preferred Networks
Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみよう
Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみよう
洋資 堅田
MapReduceによる大規模データを利用した機械学習
MapReduceによる大規模データを利用した機械学習
Preferred Networks
NVIDIA Seminar ディープラーニングによる画像認識と応用事例
NVIDIA Seminar ディープラーニングによる画像認識と応用事例
Takayoshi Yamashita
バイナリニューラルネットとハードウェアの関係
バイナリニューラルネットとハードウェアの関係
Kento Tajiri
ChainerMNについて
ChainerMNについて
Shuji Suzuki
最先端NLP勉強会“Learning Language Games through Interaction”Sida I. Wang, Percy L...
最先端NLP勉強会“Learning Language Games through Interaction”Sida I. Wang, Percy L...
Yuya Unno
Chainerのテスト環境とDockerでのCUDAの利用
Chainerのテスト環境とDockerでのCUDAの利用
Yuya Unno
企業における自然言語処理技術利用の最先端
企業における自然言語処理技術利用の最先端
Yuya Unno
自然言語処理@春の情報処理祭
自然言語処理@春の情報処理祭
Yuya Unno
ピーFIの研究開発現場
ピーFIの研究開発現場
Yuya Unno
Gatsby kaken-2017-pfn okanohara
Gatsby kaken-2017-pfn okanohara
Preferred Networks
NIP2015読み会「End-To-End Memory Networks」
NIP2015読み会「End-To-End Memory Networks」
Yuya Unno
aiconf2017okanohara
aiconf2017okanohara
Preferred Networks
「知識」のDeep Learning
「知識」のDeep Learning
Yuya Unno
Chainerの使い方と自然言語処理への応用
Chainerの使い方と自然言語処理への応用
Yuya Unno
IPAB2017 深層学習を使った新薬の探索から創造へ
IPAB2017 深層学習を使った新薬の探索から創造へ
Preferred Networks
GPU上でのNLP向け深層学習の実装について
GPU上でのNLP向け深層学習の実装について
Yuya Unno
言語と知識の深層学習@認知科学会サマースクール
言語と知識の深層学習@認知科学会サマースクール
Yuya Unno
Destacado
(20)
20171024 DLLab#04_PFN_Hiroshi Maruyama
20171024 DLLab#04_PFN_Hiroshi Maruyama
LCCC2010:Learning on Cores, Clusters and Cloudsの解説
LCCC2010:Learning on Cores, Clusters and Cloudsの解説
Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみよう
Pythonで動かして学ぶ機械学習入門_予測モデルを作ってみよう
MapReduceによる大規模データを利用した機械学習
MapReduceによる大規模データを利用した機械学習
NVIDIA Seminar ディープラーニングによる画像認識と応用事例
NVIDIA Seminar ディープラーニングによる画像認識と応用事例
バイナリニューラルネットとハードウェアの関係
バイナリニューラルネットとハードウェアの関係
ChainerMNについて
ChainerMNについて
最先端NLP勉強会“Learning Language Games through Interaction”Sida I. Wang, Percy L...
最先端NLP勉強会“Learning Language Games through Interaction”Sida I. Wang, Percy L...
Chainerのテスト環境とDockerでのCUDAの利用
Chainerのテスト環境とDockerでのCUDAの利用
企業における自然言語処理技術利用の最先端
企業における自然言語処理技術利用の最先端
自然言語処理@春の情報処理祭
自然言語処理@春の情報処理祭
ピーFIの研究開発現場
ピーFIの研究開発現場
Gatsby kaken-2017-pfn okanohara
Gatsby kaken-2017-pfn okanohara
NIP2015読み会「End-To-End Memory Networks」
NIP2015読み会「End-To-End Memory Networks」
aiconf2017okanohara
aiconf2017okanohara
「知識」のDeep Learning
「知識」のDeep Learning
Chainerの使い方と自然言語処理への応用
Chainerの使い方と自然言語処理への応用
IPAB2017 深層学習を使った新薬の探索から創造へ
IPAB2017 深層学習を使った新薬の探索から創造へ
GPU上でのNLP向け深層学習の実装について
GPU上でのNLP向け深層学習の実装について
言語と知識の深層学習@認知科学会サマースクール
言語と知識の深層学習@認知科学会サマースクール
Similar a エッジヘビーコンピューティングと機械学習
Tier Ⅳ Tech Meetup #2 - 自動運転を作るのはCloudシステムの集合体?? 活用技術を大解剖 -
Tier Ⅳ Tech Meetup #2 - 自動運転を作るのはCloudシステムの集合体?? 活用技術を大解剖 -
Tier_IV
IoT×ビジネス活用 ~最先端技術のビジネス活用に向けて~
IoT×ビジネス活用 ~最先端技術のビジネス活用に向けて~
法林浩之
ドライブレコーダの動画を使った道路情報の自動差分抽出
ドライブレコーダの動画を使った道路情報の自動差分抽出
Tetsutaro Watanabe
「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク 榊 剛史
「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク 榊 剛史
Leading Edge Co.,Ltd.
16.02.08_Hadoop Conferece Japan 2016_データサイエンスにおける一次可視化からのSpark on Elasticsear...
16.02.08_Hadoop Conferece Japan 2016_データサイエンスにおける一次可視化からのSpark on Elasticsear...
LINE Corp.
IoTデータ活用のフィードバックループ
IoTデータ活用のフィードバックループ
Koichi Sasaki
SHI2018: 製造現場での人と知能機械の協奏に向けて
SHI2018: 製造現場での人と知能機械の協奏に向けて
Kurata Takeshi
企業と勉強会 @nifty エンジニアサポート
企業と勉強会 @nifty エンジニアサポート
Daichi Morifuji
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣
aslead
ビジネスマネージャとデータ分析
ビジネスマネージャとデータ分析
TOSHI STATS Co.,Ltd.
[db analytics showcase Sapporo 2018] A11 増え続けるビッグデータをもっと手軽に、もっと速く ~究極の位置データ分析...
[db analytics showcase Sapporo 2018] A11 増え続けるビッグデータをもっと手軽に、もっと速く ~究極の位置データ分析...
Insight Technology, Inc.
SORACOM Conference Discovery 2017 | E4. IoTにおけるビッグデータとリアルタイム処理
SORACOM Conference Discovery 2017 | E4. IoTにおけるビッグデータとリアルタイム処理
SORACOM,INC
ポストAiを見据えた日本企業の経営戦略 加藤整 20171020_v1.2
ポストAiを見据えた日本企業の経営戦略 加藤整 20171020_v1.2
Sei Kato (加藤 整)
SQiPシンポジウムアブストラクト作成のポイント
SQiPシンポジウムアブストラクト作成のポイント
ソフトウェア品質シンポジウム
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
デブサミ2017【17-E-5】エンタープライズにおけるDevOpsの実態!Cloud Native Application Platformの選択
デブサミ2017【17-E-5】エンタープライズにおけるDevOpsの実態!Cloud Native Application Platformの選択
Shingo Kitayama
データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理
Koichi Hamada
「IoTビジネスの嘘とホント~必要な検討事項と技術検証~」Developer Summit kansai 20160915
「IoTビジネスの嘘とホント~必要な検討事項と技術検証~」Developer Summit kansai 20160915
知礼 八子
スマートエスイー: 超スマート社会&DX時代のAI・IoT×ビジネスの人材育成と調査研究
スマートエスイー: 超スマート社会&DX時代のAI・IoT×ビジネスの人材育成と調査研究
Hironori Washizaki
第2回すだちくん勉強会におけるIoT最新動向と題したプレゼン資料
第2回すだちくん勉強会におけるIoT最新動向と題したプレゼン資料
知礼 八子
Similar a エッジヘビーコンピューティングと機械学習
(20)
Tier Ⅳ Tech Meetup #2 - 自動運転を作るのはCloudシステムの集合体?? 活用技術を大解剖 -
Tier Ⅳ Tech Meetup #2 - 自動運転を作るのはCloudシステムの集合体?? 活用技術を大解剖 -
IoT×ビジネス活用 ~最先端技術のビジネス活用に向けて~
IoT×ビジネス活用 ~最先端技術のビジネス活用に向けて~
ドライブレコーダの動画を使った道路情報の自動差分抽出
ドライブレコーダの動画を使った道路情報の自動差分抽出
「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク 榊 剛史
「今後現場で求められるAIエンジニア像とは?」株式会社ホットリンク 榊 剛史
16.02.08_Hadoop Conferece Japan 2016_データサイエンスにおける一次可視化からのSpark on Elasticsear...
16.02.08_Hadoop Conferece Japan 2016_データサイエンスにおける一次可視化からのSpark on Elasticsear...
IoTデータ活用のフィードバックループ
IoTデータ活用のフィードバックループ
SHI2018: 製造現場での人と知能機械の協奏に向けて
SHI2018: 製造現場での人と知能機械の協奏に向けて
企業と勉強会 @nifty エンジニアサポート
企業と勉強会 @nifty エンジニアサポート
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣
ビジネスマネージャとデータ分析
ビジネスマネージャとデータ分析
[db analytics showcase Sapporo 2018] A11 増え続けるビッグデータをもっと手軽に、もっと速く ~究極の位置データ分析...
[db analytics showcase Sapporo 2018] A11 増え続けるビッグデータをもっと手軽に、もっと速く ~究極の位置データ分析...
SORACOM Conference Discovery 2017 | E4. IoTにおけるビッグデータとリアルタイム処理
SORACOM Conference Discovery 2017 | E4. IoTにおけるビッグデータとリアルタイム処理
ポストAiを見据えた日本企業の経営戦略 加藤整 20171020_v1.2
ポストAiを見据えた日本企業の経営戦略 加藤整 20171020_v1.2
SQiPシンポジウムアブストラクト作成のポイント
SQiPシンポジウムアブストラクト作成のポイント
Data-Centric AIの紹介
Data-Centric AIの紹介
デブサミ2017【17-E-5】エンタープライズにおけるDevOpsの実態!Cloud Native Application Platformの選択
デブサミ2017【17-E-5】エンタープライズにおけるDevOpsの実態!Cloud Native Application Platformの選択
データマイニングCROSS 第2部-機械学習・大規模分散処理
データマイニングCROSS 第2部-機械学習・大規模分散処理
「IoTビジネスの嘘とホント~必要な検討事項と技術検証~」Developer Summit kansai 20160915
「IoTビジネスの嘘とホント~必要な検討事項と技術検証~」Developer Summit kansai 20160915
スマートエスイー: 超スマート社会&DX時代のAI・IoT×ビジネスの人材育成と調査研究
スマートエスイー: 超スマート社会&DX時代のAI・IoT×ビジネスの人材育成と調査研究
第2回すだちくん勉強会におけるIoT最新動向と題したプレゼン資料
第2回すだちくん勉強会におけるIoT最新動向と題したプレゼン資料
Más de Preferred Networks
PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57
PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57
Preferred Networks
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Preferred Networks
Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...
Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...
Preferred Networks
深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...
深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...
Preferred Networks
Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55
Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55
Preferred Networks
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Preferred Networks
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
Preferred Networks
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
Preferred Networks
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
Preferred Networks
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
Preferred Networks
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
Preferred Networks
自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)
自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)
Preferred Networks
Kubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語る
Kubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語る
Preferred Networks
Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張
Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張
Preferred Networks
PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会
PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会
Preferred Networks
続・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〜 #2
続・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〜 #2
Preferred Networks
Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...
Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...
Preferred Networks
KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...
KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...
Preferred Networks
KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...
KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...
Preferred Networks
独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50
独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50
Preferred Networks
Más de Preferred Networks
(20)
PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57
PodSecurityPolicy からGatekeeper に移行しました / Kubernetes Meetup Tokyo #57
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Optunaを使ったHuman-in-the-loop最適化の紹介 - 2023/04/27 W&B 東京ミートアップ #3
Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...
Kubernetes + containerd で cgroup v2 に移行したら "failed to create fsnotify watcher...
深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...
深層学習の新しい応用と、 それを支える計算機の進化 - Preferred Networks CEO 西川徹 (SEMICON Japan 2022 Ke...
Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55
Kubernetes ControllerをScale-Outさせる方法 / Kubernetes Meetup Tokyo #55
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
Kaggle Happywhaleコンペ優勝解法でのOptuna使用事例 - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
最新リリース:Optuna V3の全て - 2022/12/10 Optuna Meetup #2
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
Optuna Dashboardの紹介と設計解説 - 2022/12/10 Optuna Meetup #2
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
スタートアップが提案する2030年の材料開発 - 2022/11/11 QPARC講演
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
Deep Learningのための専用プロセッサ「MN-Core」の開発と活用(2022/10/19東大大学院「 融合情報学特別講義Ⅲ」)
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
PFNにおける研究開発(2022/10/19 東大大学院「融合情報学特別講義Ⅲ」)
自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)
自然言語処理を 役立てるのはなぜ難しいのか(2022/10/25東大大学院「自然言語処理応用」)
Kubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語る
Kubernetes にこれから入るかもしれない注目機能!(2022年11月版) / TechFeed Experts Night #7 〜 コンテナ技術を語る
Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張
Matlantis™のニューラルネットワークポテンシャルPFPの適用範囲拡張
PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会
PFNのオンプレ計算機クラスタの取り組み_第55回情報科学若手の会
続・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〜 #2
続・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〜 #2
Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...
Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Co...
KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...
KubeCon + CloudNativeCon Europe 2022 Recap / Kubernetes Meetup Tokyo #51 / #k...
KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...
KubeCon + CloudNativeCon Europe 2022 Recap - Batch/HPCの潮流とScheduler拡張事例 / Kub...
独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50
独断と偏見で選んだ Kubernetes 1.24 の注目機能と今後! / Kubernetes Meetup Tokyo 50
エッジヘビーコンピューティングと機械学習
1.
IoT Technology Conference
if-up 2017 エッジヘビーコンピューティング と機械学習
2.
Preferred Networks, Inc.
(PFN) • “Make everything intelligent and collaborative” • Founded: Mar. 2014 – Founder: Toru Nishikawa, Daisuke Okanohara • Office: Tokyo, San Mateo • Employees: ~80: researchers and engineers • Investors: FANUC, Toyota, NTT
3.
Humanoid Robot Consumer Industrial Cloud Device PhotoGame Text Speech Infrastructure Factory Robot Automotive Healthcare Smart
City Industry4.0 Industrial IoT
4.
Preferred Networks, Inc
(PFN) • 最近のPFNの成果のまとめ – 実世界の人工知能 2017/2/10 @DeNA TechCon https://www.slideshare.net/pfi/dena-techcon-2017 • “人工知能”に対するPFNのスタンス – 人工知能技術の健全な発展のために https://research.preferred.jp/2017/04/ai4future/
5.
自己紹介 • 田中大輔 – 2015/4より
PFN 入社 前職は金融系 SIer で金融工学ライブラリの担当 – 製品開発(メイン)、SensorBee、異常検知 – 主に研究開発と製品開発の橋渡し役 今日は主にこの 話をします。
6.
コンテンツ • 機械学習・深層学習の概要 エッジヘビーコンピューティングの概要 • 機械学習の製品化 •
IoTとエッジヘビーコンピューティング • SORACOMを使ったデモ例 (CeBIT2017)
7.
機械学習とは • データから知識・ルールを自動獲得する • データの適切な表現方法も獲得する •
人工知能研究の中で、人が知識やルールを 明示的に与える方法の限界から生まれてきた
8.
機械学習とは 学習データ 分類モデル
9.
ルールに基づく判断の限界と機械学習 • 俗にルールベースと呼ばれる方法 • 最初は精度が悪いが頑張れば意外とどこまでもよくなる 「ゴルフ」
スポーツ 「インテル」 コンピュータ 「選挙」 政治
10.
ルールに基づく判断の限界と機械学習 • 人手で書いたルールはすぐに複雑・膨大位なる • 複雑化したルールは引き継げなくなる 「ゴルフ」and「VW」
車 「インテル」and「長友」 サッカー 「選挙」and「AKB」 芸能
11.
機械学習はデータに基づくアプローチ 規則 アルゴリズム アルゴリズム 規則 データ ルールベース 機械学習 自動獲得 人が用意 人が用意 学習モデル
12.
機械学習の典型的なプロセス (0, 1, 2.5,
-1, …) (1, 0.5, -2, 3, …) (0, 1, 1.5, 2, …) 特徴ベクトル グラフィカルモデル 分類/回帰 SVM/LogReg/PA CW/ALOW/Naïve Bayes/CNB/DT RF/ANN… クラスタリング K-means/Spectral Clustering/MMC/LSI/LD A/GM… 構造分析 HMM/MRF/CRF… 分野に依存しない 抽象化データ 様々な手法 理論を適用 機械 学習 文書 画像 センサー 行動履歴 様々な様式の 生データ 特徴 抽出
13.
機械学習の典型的なプロセス (0, 1, 2.5,
-1, …) (1, 0.5, -2, 3, …) (0, 1, 1.5, 2, …) 特徴ベクトル グラフィカルモデル 分類/回帰 SVM/LogReg/PA CW/ALOW/Naïve Bayes/CNB/DT RF/ANN… クラスタリング K-means/Spectral Clustering/MMC/LSI/LD A/GM… 構造分析 HMM/MRF/CRF… 分野に依存しない 抽象化データ 様々な手法 理論を適用 機械 学習 文書 画像 センサー 行動履歴 様々な様式の 生データ 特徴 抽出 深層学習(ディープラーニング)
14.
深層学習とは何か? • 教科書的にいうと、以前は学習が困難と思われた、段数 の深いニューラルネットワーク手法全般 • 歴史的にいうと、ニューラルネットワークが下火となっ た90年台後半以降も研究を続けた北米の研究グループが、 2010年台に入って劇的な成果をあげた一連の研究 •
社会的にいうと、これらの成果に目をつけた米大手企業 の買収合戦・人材獲得合戦と、それらを大々的に報じた 一連の社会現象
15.
典型的なニューラルネットワーク (多層パーセプトロン) Forward x1 xN ・・・・・ ・ h1 hH ・・・ ・ kM k1 yM y1 ・ ・ ・ ・ 入力層 隠れ層
出力層 文書 チューリップ 異常確率 50% カテゴリ:政治 Backward
16.
典型的なニューラルネットワーク (多層パーセプトロン) Forward x1 xN ・・・・・ ・ h1 hH ・・・ ・ kM k1 yM y1 ・ ・ ・ ・ 入力層 隠れ層
出力層 文書 チューリップ 異常確率 50% カテゴリ:政治 Backward 学習 (何回もループ) 推論
17.
深層学習の成果が顕著な領域 • 音声認識 – すでに多くの音声認識エンジンで利用されている
(と言われている) • 画像認識・画像生成 – 画像認識だけでなく、人の目にも自然に見える画像が生成できるよ うに • ゲームプレイ – 一部のゲームで人間よりも強くなった https://github.com/Newmu/dcgan_code
18.
コンテンツ • 機械学習・深層学習の概要 エッジヘビーコンピューティングの概要 • 機械学習と製品開発 •
IoTとエッジヘビーコンピューティング • SORACOMを使ったデモ例 (CeBIT2017)
19.
IoT時代の到来 • 膨大なデータがエッジ側で生成されるようになる – 映像はカメラ1台で100TB、タービンセンサ、ポイン トクラウド
20.
IoT時代の到来 • 膨大なデータがエッジ側で生成されるようになる – 映像はカメラ1台で100TB、タービンセンサ、ポイン トクラウド
21.
IoTアプリケーションの直面する課題 • データの中央集権的収集は困難になる – データ量の爆発、データ種類の爆発 –
プライバシーの問題 – 情報量の問題: データ量に反して生成データの価値密 度は薄い
22.
エッジヘビーコンピューティング • データを一か所に集めない前提のもとで深い分析を実現 する – ネットワークのエッジ上のデバイスのローカルで データを解析 –
学習モデルなど抽出された情報だけがクラウド上に 挙げられ、大域的な解析を行う
23.
エッジヘビーコンピューティング(まとめ) • 人が生み出すデータから、機械が生み出すデータへ • データ量の爆発、データ種類の爆発によりデータの中央 集権的収集がより困難になる •
PFNはIoTと機械学習(深層学習)を活用し、データを1箇 所に集めないことを前提とした、深い分析を実現する
24.
コンテンツ • 機械学習・深層学習の概要 エッジヘビーコンピューティングの概要 • 機械学習と製品開発 •
IoTとエッジヘビーコンピューティング • SORACOMを使ったデモ例 (CeBIT2017)
25.
機械学習の研究フロー(例) データの収集・ 蓄積・調査 分析 仮説検証 アルゴリズムの改善 レポート フィードバック
26.
機械学習の研究フロー(例) データの収集・ 蓄積・調査 分析 仮説検証 アルゴリズムの改善 レポート フィードバック データ量が少ない 作業のほとんどが前処理 そもそも機械学習 必要ない フィードバックを 反映してくれない データサイエンティストあるある
27.
機械学習の研究フロー(例) データの収集・ 蓄積・調査 分析 仮説検証 アルゴリズムの改善 レポート フィードバック データ量が少ない 作業のほとんどが前処理 そもそも機械学習 必要ない フィードバックを 反映してくれない データサイエンティストあるある 製品開発の一部でしかない!
28.
開発プロセスと研究開発 プロトタイプ 機能追加 機能追加・改善 運用 機能追加・改善 研究開発
29.
開発プロセスと研究開発 プロトタイプ 機能追加 機能追加・改善 運用 機能追加・改善 研究開発 プロトタイプ時とデータ が違うんだけど… そもそも成果が出るの かわからない どのデータ使うのか はっきりしない 機械学習への要件が変 わった ベロシティ? チケット?
30.
開発プロセスと研究開発 プロトタイプ 機能追加 機能追加・改善 運用 機能追加・改善 研究開発 プロトタイプ時とデータ が違うんだけど… そもそも成果が出るの かわからない ここの連携を強めることが大切 どのデータ使うのか はっきりしない 機械学習への要件が変 わった ベロシティ? チケット?
31.
機械学習の研究と開発 • PFNでは、PoCで”あたり”をつけることが多い – データに関する確認 •
データ量や次元数はどの程度か • 集めるのにどれくらいかかるか – 精度の確認は簡単にできるか – シミュレータの存在 深層強化学習によるドローン制御(デモビデオ) in CEATEC JAPAN 2016 https://www.youtube.com/watch?v=2nO3hLPPEX4
32.
機械学習の研究と開発 • 研究開発環境の固定化 – さくらの高火力コンピューティング+Mesos GPUクラスタを極限まで効率化したいバックエンドエンジニアWANTED! https://www.wantedly.com/projects/76126 •
“解決したい課題”を常に確認する – 意外に迷走することが多い
33.
(おまけ)ウォーターフォールと研究開発 要件定義 開発 テスト
リリース 研究開発
34.
(おまけ)ウォーターフォールと研究開発 要件定義 開発 テスト
リリース 研究開発 開発フェーズにならない とデータ揃わない Excel形式でならある けど… 学習に2時間かかるけど テストケースがいっぱい バグ収束曲線??
35.
(おまけ)ウォーターフォールと研究開発 • 今までソフトウェアの概念のなかった世界に、ソフト ウェア開発が導入されるようになってきた – Minimal
viable productが適用できない – 平等に、一斉にリリースしないといけない
36.
製品開発からみた機械学習の特異性 その1 • アルゴリズムの”ブラックボックス” –
「なぜこの結果が得られたか」を理論的に説明でき ないケースが多い。 – 数学系・物理系研究者による「なぜ深層学習がうま くいくのか」という研究が近年盛ん。 • つまり逆に言うと…
37.
製品開発からみた機械学習の特異性 その2 • 学習済みモデルの賞味期限 –
実験データと本番データの違い – 本番データ自体の経年変化 • 学習モデルをどうやって管理していくかが鍵 – モニタリングの重要性
38.
機械学習入り製品の運用 • 学習モデルのモニタリングと更新 – 学習モデルの生成を再現させる環境 •
CI, CDは研究開発時も大切 – 障害時点でのスナップショットの取得 – モデルの精度向上による影響の把握 • 過去のデータに対しては精度が下がるかもしれな い
39.
コンテンツ • 機械学習・深層学習の概要 エッジヘビーコンピューティングの概要 • 機械学習と製品開発 •
IoTとエッジヘビーコンピューティング • SORACOMを使ったデモ例 (CeBIT2017)
40.
積極的なIoT⇔消極的なIoT • デバイス同士をつなげることによってより高度な知能化 を目指す – 例:
スマートシティ構想、タチ○マ – 積極的なIoT • データをクラウドに置けない・置きたくない • ネットワークが細い・そもそも繋がってない – 消極的なIoT、結果的にIoT 課題解決手段は研究開発フェーズ から製品開発フェーズへ
41.
IoTシステムへの深層学習の適応の矛盾 • 機械が生み出す膨大なデータに対する、深層学習という アプローチだが。。。 • エッジの計算資源の問題 •
データ領域の問題 • ネットワーク資源の問題
42.
IoTシステム+深層学習にどう対応していくか • 機械学習の学習と推論の切り分け – エッジでは推論のみに •
学習モデルの管理およびモニタリングは行う – ニューラルネットワークの量子化による工夫 Binarized Neural Networks https://arxiv.org/abs/1602.02505 • デバイス側の計算資源・ネットワーク資源への対応
43.
IoTに対するフルスタックなアプローチ • 組込み部分の知識 • ネットワークの知識 •
コンテナ・VMの知識 • クラウドの知識 • 機械学習の研究で成果が出てからが本番 • 組織をあげて様々な道具を知ることが大事
44.
コンテンツ • 機械学習・深層学習の概要 エッジヘビーコンピューティングの概要 • 機械学習と製品開発 •
IoTと機械学習 • SORACOMを使ったデモ例 (CeBIT2017)
45.
(復習)クラウドベースのIoTの問題点 2. ネットワークの バンド幅とレイテ ンシ 1. デバイスで生成される、 価値密度(データ1ビット 当たりの価値単価)の低い 大量のセンサデータ すべてのセンサデータをクラウドに送ることはできない!
46.
(復習)エッジヘビーコンピューティング メリット: コスト /
レイテンシ / プライバシ 1. デバイスはネッ トワーク・エッジで データを深層学習で 解析する 2. 学習済みの解析 結果だけが、クラ ウドに送信される 3. 個別の解析結果をマー ジして、より汎用の精度高 いモデルを学習し、デバイ スに再配布する
47.
デモ概要 その1 • Jetson
TX1のカメラから得られた映像を によって分析 • 人物の検出 + 年齢/性別推定 • メタ情報のみを定期的にSORACOMへ – トータルの人数、年齢/性別毎の人数NVIDIA Jetson TX1
48.
デモ概要 その2 • 年齢 –
20未満 – 20代 – 30代 – 40代 – 50以上 • 性別 – 男 – 女 1. カメラに映った人物を検知する 検出・属性推定ともに深層学習のアルゴリズムを使用。 NVIDIA Jetson TX1によって効率的に処理。 2. 各人物の属性を推定
49.
デモ概要 その3 • 分析結果から必要な情報のみ を抽出 –
今回は属性毎の人数を集計 { “total”: 5, “20-29”: 2, “30-39”: 2, “40-49”: 1, “male”: 2, “female”: 3 } 人数のみを抽出 • データをSORACOM Harvest へ送信 – 元画像と比べて1/100以下
50.
SORACOM Harvest
51.
ブースの様子
52.
まとめ • エッジデバイスへの機械学習の適用は工夫次第で可能 • 機械学習では学習モデルの管理とモニタリングが鍵 •
SORACOMにより「デバイスが簡単につながる」ことに よって、機械学習がより身近に! SORACOM ✕ = エッジヘビー コンピューティング
Descargar ahora