sabrinas.spaceより。 8週間もかからなかったはずのプロジェクト 日本のウェブデザインはどう違うのか? 2013年のRandomwireのブログ投稿で、著者(David)は、日本のデザインの興味深い相違点を強調しました。日本人はミニマリストのライフスタイルで海外に知られていますが、ウェブサイトは奇妙なほどマキシマリストです。ページには様々な明るい色(3色デザイン原則を破っている)、小さな画像、そして多くのテキストが使われています。2022年11月に撮影されたこれらのスクリーンショットで、自分の目で確かめて下さい。 ブログ投稿には、文化的専門家、デザイナー仲間、そして不満を抱く市民によって支持されている、考えられる理由がいくつか挙げられていました。 この理論が今でも正しいのか、また、もっと定量的なアプローチが可能なのか気になったのでやってみました。 私が見つけたもの 各国の最も人

日立製作所 研究開発グループ 自動運転研究部は、GPUによるCNN（Convolutional Neural Network：畳み込みニューラルネットワーク）処理において期待したような性能が出ない理由やその対処方法について、「DAシンポジウム2022 −システムとLSIの設計技術−」（情報処理学会 システムとLSIの設計技術研究会(SLDM)が2022年8月31日～9月2日に開催）で発表した。CNN処理は、ADAS（先進運転支援システム）や自動運転における画像認識でよく使われる演算である。 発表した日立の島村光太郎氏によれば、CNN処理をGPUで実行すると、その演算性能がGPUメーカー発表のピーク性能より桁違いに低い場合があるという（図1）。例えば、データセンターでの推論処理でよく使われている米NVIDIA（エヌビディア）のGPUカード「Tesla T4」の16ビット浮動小数点演算（FP1

[Refresh for a random deep learning StyleGAN 2-generated (2019) anime face & GPT-3-generated anime plot; reloads every 18s. For many waifus simultaneously in a randomized grid, see "These Waifus Do Not Exist". This website's images are available for download. For interactive waifu generation, you can use Artbreeder which provides the StyleGAN 1 portrait model generation and editing, or use Sizigi

はじめに @Kim_Burton さんのAIに自分だけの美女を生成してもらうという記事を読んで，美女生成を実際に学習からトライしているのを見たのがきっかけです． 僕が先日フォーラム顔学2020で発表してきた内容とカスっていたので自分のやり方でこのテーマをマネしてみます．引用先の記事では一から学習を行っているので，画像の条件などをそろえるのも大変です．じゃあ学習しなければいいのでは？というのが僕の考えです．今日は自分のやってる研究を含めて少し紹介したいと思います．詳細や実装はまだ研究がまとまりきっていないので伏せます． 深層生成モデルと潜在変数について StyleGAN2は高解像度の顔画像生成モデルのSOTAです．NVIDIAが開発をしたモデルで，表現力が非常に高く潜在変数空間も滑らかなことで知られています．Image2StyleGANと呼ばれる技術も研究がなされており，データセットに存在し

はじめに 生成系のディープラーニングであるGANの勉強をしています。 GANって身近に何か活用する手段がないのかと思考を巡らせていたところ、思い付きました。 AI(ここではGAN)に美女とは何かを学ばせ、AIが定義する美女の写真を出力させてみようと。 美を追求する皆様に読んでいただければと思います。 ※たいした示唆はないので、あらかじめご容赦ください。 GANをまじめに勉強するのであれば、別の記事の方がいいです。 美とは 美しさとは何か。 有名な説に平均顔仮説が知られています。 複数の顔画像を足し合わせると魅力的な顔になるという仮説です。 なぜ魅力的になるか色んな説があるのですが、 例えば、平均化すると左右対称な顔になるが、左右対称性は生理学的な安定性を表すからだとか、 平均から外れることは突然変異（有害なことが多い）の可能性があり避ける傾向にあるからだとか 平均化することで肌がすべすべに

#ドライブ設定 PATH_GMOUNT='/content/gdrive' PATH_MYDRIVE=PATH_GMOUNT+'/My Drive' #GDriveマウント #以下を実行するとGoogleDriveへのマンウント許可を求められるので、許可する from google.colab import drive drive.mount(PATH_GMOUNT) !pip install japanize-matplotlib #Google colab上でグラフで日本語表示するためにインストール #必要なライブラリのインポート import pandas as pd import numpy as np from bs4 import BeautifulSoup import requests import re import time import matplotlib.pypl

東京大学大学院情報理工学系研究科の研究チームは4月26日、動画内の人物の顔が本物かどうかを判定する、ディープフェイク検出AIを開発した。このAIは、既存研究の性能を大きく上回り、世界最高性能の評価を示したという。より高い精度でディープフェイクの検出が可能になるため、悪用の根絶に期待できるとしている。 ディープフェイクを検出するAI技術の多くは、訓練時に学習した作り方に倣ったフェイク画像などしか検出できず、それ以外のものを検証する際には性能が大きく低下する問題を抱えている。 こうした未知のディープフェイクに対し、Microsoftは2020年に、疑似フェイク画像を作り、それを使った検出AIの学習方法を提案している。しかし、この手法では、非常に検出が容易な疑似フェイク画像を生成する場合があり、それらの画像を学習した検出AIは、高圧縮率による潰れた画像や、高／低露光下のフェイク画像に対して、検出

Sophyの開発については、イギリスの科学誌「ネイチャー」2月10日号にも掲載された。出典：natureSophyはゲームのAIをどう変化させるものなのだろうか？ なにより、ソニーはなぜ、グループの力を結集し「ゲームのAI」を作ったのだろうか？ 速いだけでなく「人とライバルになれる」AISophyと対戦した山中智瑛氏。グランツーリスモの世界大会で優勝経験を持つ、eスポーツ・トップドライバーの一人。オンライン会見を筆者キャプチャー「今までAIと戦って『勝ちたい』と思ったことは一度もないんですが、今回は『絶対に抜かれたくない』という気持ちが湧いてきました。良いライバルが生まれた」（山中氏） グランツーリスモを中心に活躍するeスポーツ選手で、「FIAグランツーリスモ・チャンピオンシップ2019」ワールドチャンピオンでもある山中智瑛氏は、プレスイベント内でSophyとのレースを終え、そう感想を述べ

ソニーグループが複雑な操作を要する自動車レースゲームで人間の「達人」を破る人工知能（AI）を開発した。瞬時の意思決定や、他のプレーヤーとの巧みな駆け引きをこなす能力をAIが身につけたことを示す。ゲームを通じた人間との対戦はAIの進化を測る指標となってきた。チェスや囲碁での勝利に続き、新たなAIの可能性を開くインパクトをもたらすのか。ソニーは自動運転技術への応用も見据える。「AIの進歩に大きな跳

連載目次 本連載（基礎編）の目的 スクラッチ（＝他者が書いたソースコードを見たりライブラリーを使ったりせずに、何もないゼロの状態からコードを記述すること）でディープラーニングやニューラルネットワーク（DNN：Deep Neural Network、以下では「ニューラルネット」と表記）を実装して学ぶ系の書籍や動画講座、記事はたくさんあると思います。それらで学んだ際に、「誤差逆伝播」（バックプロパゲーション）のところで挫折して、そこはスルーしている人は少なくないのではないでしょうか。個々の数式や計算自体を理解していても、何となく全体像がつかめずに、 と自信を持って言えない人も多いのではないかと思います。 本連載（基礎編）はそういった人に向けた記事になります。この記事はニューラルネットの仕組みを、数学理論からではなくPythonコードから学ぶことを狙っています。「難しい高校以降の数学は苦手だけど

会議の最中であるにもかかわらず、政治家が集中せずに手遊びしていたり居眠りしていたりする様子が中継に映り込むことがあります。これを、中継映像から機械学習と画像認識を用いて自動的に検出し、TwitterとInstagramのアカウントで映像付きで報告する仕組みが運用されています。 The Flemish Scrollers, 2021-2022 – Dries Depoorter https://driesdepoorter.be/theflemishscrollers/ Machine Learning Detects Distracted Politicians | Hackaday https://hackaday.com/2022/01/17/machine-learning-detects-distracted-politicians/ ベルギー人アーティストのドリス・ディポーター氏

人工知能（AI）が半導体設計に革新をもたらし始めた。米グーグルは中核の回路配置工程にかかる時間を従来より100倍早くし、膨らむ開発費の抑制につなげる。カギを握るのは、AI自身が試行錯誤して「職人」を圧倒する技を身につける「強化学習」と呼ぶ技術だ。物流などの分野でも導入が広がりつつあり、生産性の大幅向上が期待される。設計者の労力を何千時間も節約できる可能性がある――。グーグルの研究グループは6月

import torch x = torch.tensor([1., -1.]) w = torch.tensor([1.0, 0.5], requires_grad=True) loss = -torch.dot(x, w).sigmoid().log() loss.backward() print(loss.item()) print(w.grad)

さまざまな電子機器に使われる「ネオジム磁石」と呼ばれる強い磁石を、人工知能＝AIを使って製造の条件を改良し、さらに強い磁石を作り出すことに物質・材料研究機構が成功し、AIを使った材料開発の事例として注目されています。 「ネオジム磁石」は、小さくても強い磁力を持つことからスマートフォンや電気自動車、それにエアコンなどさまざまな電子機器に使われている重要な部品です。 物質・材料研究機構の佐々木泰祐主幹研究員などの研究グループは、製造の際のデータをAIに学習させ、強い磁石にするために必要な要素を検討させました。 その結果、製造装置から磁石を押し出す際の温度と圧力が磁石の性能に重要であることが分かり、製造条件を改良しておよそ1.5倍強いネオジム磁石ができたということです。 AIを使って材料開発を行うことは「マテリアルズ・インフォマティクス」と呼ばれて近年、研究開発が加速していて、今回の成果もこうし

サインインした状態で「いいね」を押すと、マイページの 「いいね履歴」に一覧として保存されていくので、 再度読みたくなった時や、あとでじっくり読みたいときに便利です。

講師からの講義より参加者同士の学び合い マスクド　まず、AI Quest立案の背景を教えてください。 上出さん（経産省）　近年、AIやデータを使って企業の課題を解決できる人材が求められています。AI人材育成を加速させるには、参加者同士の学び合いによる拡大生産性のある育成プログラムの確立が必要と考えました。講師に依存するような形では、講師不足の問題がボトルネックになるからです。 実施に先立ち、中小企業のAI導入による生産性向上効果を分析しました。「機械などへのセンサー取り付けによる予知保全による費用最小化」「売上実績、気候などのデータ分析による需要予測」など、19のAI導入領域を特定し、その領域ごと、また業界ごとの経済効果を推計しました。AI Questの教材は、この分析に基づき、特にAI導入インパクトの大きい領域を優先して作成しています。 「理解度が下がった」という声と「満足度88％」が両

サインインした状態で「いいね」を押すと、マイページの 「いいね履歴」に一覧として保存されていくので、 再度読みたくなった時や、あとでじっくり読みたいときに便利です。

「Raspberry Pi」は有能な小型マシンだが、独自の組み込み機械学習アプリケーションの開発に興味がある人にとって、同プラットフォームでカスタムモデルを訓練することは、これまで困難だった。処理能力が限られているからだ。 しかし、大きな進展があった。 エッジデバイスでの機械学習向けのクラウドベースの開発プラットフォームを提供するEdge Impulseは米国時間4月12日、組み込みLinuxの分野に進出し、「Raspberry Pi 4」を完全かつ正式にサポートすることを発表した。その結果、ユーザーはデータをアップロードして、独自のカスタム機械学習アルゴリズムをクラウドで訓練し、それらをRaspberry Piに再度展開できるようになった。 Raspberry Pi向けの新しい機械学習ソフトウェア開発キット（SDK）が先ごろ公開されている。「C++」「Go」「Node.js」「Pytho