Submit Search
Upload
実世界の人工知能 〜交通,製造業,バイオヘルスケア〜
•
48 likes
•
15,808 views
Preferred Networks
Follow
Interop 2016での講演資料です。これまでの取り組みと,これからの展望を書いています.
Read less
Read more
Technology
Report
Share
Report
Share
1 of 30
Download now
Download to read offline
Recommended
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
実世界の人工知能@DeNA TechCon 2017
実世界の人工知能@DeNA TechCon 2017
Preferred Networks
基調講演:「多様化する情報を支える技術」/西川徹
基調講演:「多様化する情報を支える技術」/西川徹
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
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
tut_pfi_2012
tut_pfi_2012
Preferred Networks
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Preferred Networks
ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術
Shohei Hido
Recommended
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
実世界の人工知能@DeNA TechCon 2017
実世界の人工知能@DeNA TechCon 2017
Preferred Networks
基調講演:「多様化する情報を支える技術」/西川徹
基調講演:「多様化する情報を支える技術」/西川徹
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
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
tut_pfi_2012
tut_pfi_2012
Preferred Networks
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Session4:「先進ビッグデータ応用を支える機械学習に求められる新技術」/比戸将平
Preferred Networks
ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術
Shohei Hido
イノベーションことはじめ
イノベーションことはじめ
Preferred Networks
rcast_20140411
rcast_20140411
Preferred Networks
中小企業による人工知能の活用~既存事業のアップグレードとイノベーション~
中小企業による人工知能の活用~既存事業のアップグレードとイノベーション~
Kentaro Imai
ソフトウェアとAIの進化が示唆するもの Final Final revised Final
ソフトウェアとAIの進化が示唆するもの Final Final revised Final
Roy Sugimura, Ph.D
大規模データ時代に求められる自然言語処理
大規模データ時代に求められる自然言語処理
Preferred Networks
「人工知能」をあなたのビジネスで活用するには
「人工知能」をあなたのビジネスで活用するには
Takahiro Kubo
ビッグデータで開扉されるイノベーション社会
ビッグデータで開扉されるイノベーション社会
Osaka University
スマートシティ実現へ向けた 都市情報産業の可能性と課題 〜IoT利活用を進める藤沢市を事例として〜
スマートシティ実現へ向けた 都市情報産業の可能性と課題 〜IoT利活用を進める藤沢市を事例として〜
Takuro Yonezawa
楽天のECにおけるAI技術の活用
楽天のECにおけるAI技術の活用
Rakuten Group, Inc.
湘南地域IoT推進ラボの取り組み
湘南地域IoT推進ラボの取り組み
Takuro Yonezawa
2 i4
2 i4
Takafumi Nakanishi
【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
neural network introduction yapc asia tokyo
neural network introduction yapc asia tokyo
Daichi Morifuji
[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
AI とデジタル変革
AI とデジタル変革
Osaka University
イノベーション創発に資する人工知能基盤技術の創出と統合化
イノベーション創発に資する人工知能基盤技術の創出と統合化
Osaka University
評BanにおけるJubatus活用事例
評BanにおけるJubatus活用事例
JubatusOfficial
[基調講演] Deep Learning: IoT's Driving Engine
[基調講演] Deep Learning: IoT's Driving Engine
Deep Learning Lab(ディープラーニング・ラボ)
ロボットによる言語獲得とインタラクション ~ロボットの”gaga to water”~(長井隆行)
ロボットによる言語獲得とインタラクション ~ロボットの”gaga to water”~(長井隆行)
KIT Cognitive Interaction Design
mlabforum2012_okanohara
mlabforum2012_okanohara
Preferred Networks
ビッグデータ革命 クラウドがコモデティ化する「奇跡」
ビッグデータ革命 クラウドがコモデティ化する「奇跡」
Atsushi Nakada
日本のIT市場のトピックス
日本のIT市場のトピックス
Hiroyasu NOHATA
More Related Content
What's hot
イノベーションことはじめ
イノベーションことはじめ
Preferred Networks
rcast_20140411
rcast_20140411
Preferred Networks
中小企業による人工知能の活用~既存事業のアップグレードとイノベーション~
中小企業による人工知能の活用~既存事業のアップグレードとイノベーション~
Kentaro Imai
ソフトウェアとAIの進化が示唆するもの Final Final revised Final
ソフトウェアとAIの進化が示唆するもの Final Final revised Final
Roy Sugimura, Ph.D
大規模データ時代に求められる自然言語処理
大規模データ時代に求められる自然言語処理
Preferred Networks
「人工知能」をあなたのビジネスで活用するには
「人工知能」をあなたのビジネスで活用するには
Takahiro Kubo
ビッグデータで開扉されるイノベーション社会
ビッグデータで開扉されるイノベーション社会
Osaka University
スマートシティ実現へ向けた 都市情報産業の可能性と課題 〜IoT利活用を進める藤沢市を事例として〜
スマートシティ実現へ向けた 都市情報産業の可能性と課題 〜IoT利活用を進める藤沢市を事例として〜
Takuro Yonezawa
楽天のECにおけるAI技術の活用
楽天のECにおけるAI技術の活用
Rakuten Group, Inc.
湘南地域IoT推進ラボの取り組み
湘南地域IoT推進ラボの取り組み
Takuro Yonezawa
2 i4
2 i4
Takafumi Nakanishi
【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
neural network introduction yapc asia tokyo
neural network introduction yapc asia tokyo
Daichi Morifuji
[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
AI とデジタル変革
AI とデジタル変革
Osaka University
イノベーション創発に資する人工知能基盤技術の創出と統合化
イノベーション創発に資する人工知能基盤技術の創出と統合化
Osaka University
評BanにおけるJubatus活用事例
評BanにおけるJubatus活用事例
JubatusOfficial
[基調講演] Deep Learning: IoT's Driving Engine
[基調講演] Deep Learning: IoT's Driving Engine
Deep Learning Lab(ディープラーニング・ラボ)
ロボットによる言語獲得とインタラクション ~ロボットの”gaga to water”~(長井隆行)
ロボットによる言語獲得とインタラクション ~ロボットの”gaga to water”~(長井隆行)
KIT Cognitive Interaction Design
mlabforum2012_okanohara
mlabforum2012_okanohara
Preferred Networks
What's hot
(20)
イノベーションことはじめ
イノベーションことはじめ
rcast_20140411
rcast_20140411
中小企業による人工知能の活用~既存事業のアップグレードとイノベーション~
中小企業による人工知能の活用~既存事業のアップグレードとイノベーション~
ソフトウェアとAIの進化が示唆するもの Final Final revised Final
ソフトウェアとAIの進化が示唆するもの Final Final revised Final
大規模データ時代に求められる自然言語処理
大規模データ時代に求められる自然言語処理
「人工知能」をあなたのビジネスで活用するには
「人工知能」をあなたのビジネスで活用するには
ビッグデータで開扉されるイノベーション社会
ビッグデータで開扉されるイノベーション社会
スマートシティ実現へ向けた 都市情報産業の可能性と課題 〜IoT利活用を進める藤沢市を事例として〜
スマートシティ実現へ向けた 都市情報産業の可能性と課題 〜IoT利活用を進める藤沢市を事例として〜
楽天のECにおけるAI技術の活用
楽天のECにおけるAI技術の活用
湘南地域IoT推進ラボの取り組み
湘南地域IoT推進ラボの取り組み
2 i4
2 i4
【DLL3】20170904_AIガイドライン_PFN丸山
【DLL3】20170904_AIガイドライン_PFN丸山
neural network introduction yapc asia tokyo
neural network introduction yapc asia tokyo
[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
AI とデジタル変革
AI とデジタル変革
イノベーション創発に資する人工知能基盤技術の創出と統合化
イノベーション創発に資する人工知能基盤技術の創出と統合化
評BanにおけるJubatus活用事例
評BanにおけるJubatus活用事例
[基調講演] Deep Learning: IoT's Driving Engine
[基調講演] Deep Learning: IoT's Driving Engine
ロボットによる言語獲得とインタラクション ~ロボットの”gaga to water”~(長井隆行)
ロボットによる言語獲得とインタラクション ~ロボットの”gaga to water”~(長井隆行)
mlabforum2012_okanohara
mlabforum2012_okanohara
Similar to 実世界の人工知能 〜交通,製造業,バイオヘルスケア〜
ビッグデータ革命 クラウドがコモデティ化する「奇跡」
ビッグデータ革命 クラウドがコモデティ化する「奇跡」
Atsushi Nakada
日本のIT市場のトピックス
日本のIT市場のトピックス
Hiroyasu NOHATA
Smart deviceとhtml5
Smart deviceとhtml5
html5j
中国のAI産業状況、スタートアップ情報リサーチ
中国のAI産業状況、スタートアップ情報リサーチ
YangnuoLiu
Mscs2019 nakabo share
Mscs2019 nakabo share
Yoshihiro Nakabo
PDRと統合測位で製造業の『働き方改革』!
PDRと統合測位で製造業の『働き方改革』!
Kurata Takeshi
投資会社から見た人工知能(Ai)の事業化トレンド
投資会社から見た人工知能(Ai)の事業化トレンド
Osaka University
バージョンアップした「ReNomIMG」の紹介
バージョンアップした「ReNomIMG」の紹介
ReNom User Group
Approved spt
Approved spt
akipower
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Preferred Networks
≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~
≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~
Brocade
Ppt touya g
Ppt touya g
harmonylab
Ppt touya g
Ppt touya g
harmonylab
LIONS Data - Information about the company
LIONS Data - Information about the company
LIONS Data, Inc.
Gdlc9 baba san
Gdlc9 baba san
Hirokuni Uchida
20201127 dx lt(mii)
20201127 dx lt(mii)
ShigekiInatama
【CVPR 2020 メタサーベイ】Vision Applications and Systems
【CVPR 2020 メタサーベイ】Vision Applications and Systems
cvpaper. challenge
IoT鳥瞰図
IoT鳥瞰図
Tsuyoshi Matsuda
「IoTやAIテクノロジーの産学イノベーション経験談」
「IoTやAIテクノロジーの産学イノベーション経験談」
Sozo Inoue
Bc threat intelligence_rev2.1
Bc threat intelligence_rev2.1
Takayoshi Takaoka
Similar to 実世界の人工知能 〜交通,製造業,バイオヘルスケア〜
(20)
ビッグデータ革命 クラウドがコモデティ化する「奇跡」
ビッグデータ革命 クラウドがコモデティ化する「奇跡」
日本のIT市場のトピックス
日本のIT市場のトピックス
Smart deviceとhtml5
Smart deviceとhtml5
中国のAI産業状況、スタートアップ情報リサーチ
中国のAI産業状況、スタートアップ情報リサーチ
Mscs2019 nakabo share
Mscs2019 nakabo share
PDRと統合測位で製造業の『働き方改革』!
PDRと統合測位で製造業の『働き方改革』!
投資会社から見た人工知能(Ai)の事業化トレンド
投資会社から見た人工知能(Ai)の事業化トレンド
バージョンアップした「ReNomIMG」の紹介
バージョンアップした「ReNomIMG」の紹介
Approved spt
Approved spt
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
Jubatus: 分散協調をキーとした大規模リアルタイム機械学習プラットフォーム
≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~
≪インテル x ブロケード 特別対談≫ 2020年。どうなる?車とデータセンタの関係 ~SDxの、その先へ~
Ppt touya g
Ppt touya g
Ppt touya g
Ppt touya g
LIONS Data - Information about the company
LIONS Data - Information about the company
Gdlc9 baba san
Gdlc9 baba san
20201127 dx lt(mii)
20201127 dx lt(mii)
【CVPR 2020 メタサーベイ】Vision Applications and Systems
【CVPR 2020 メタサーベイ】Vision Applications and Systems
IoT鳥瞰図
IoT鳥瞰図
「IoTやAIテクノロジーの産学イノベーション経験談」
「IoTやAIテクノロジーの産学イノベーション経験談」
Bc threat intelligence_rev2.1
Bc threat intelligence_rev2.1
More from 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
More from 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
実世界の人工知能 〜交通,製造業,バイオヘルスケア〜
1.
実世界の⼈人⼯工知能 〜~交通、製造業、バイオヘルスケア〜~ 岡野原 ⼤大輔 hillbig@preferred.jp Preferred Networks, Inc. 2016/6/8
@Interop 2016
2.
l Preferred Networksの事業領領域は⼤大きく三つ –
IoT + ⼈人⼯工知能が⼤大きくインパクトを与える領領域にまずフォーカス l 交通 – ⾃自動運転とそれがもたらす⼈人流流と物流流の⼤大きな変⾰革 – 事故の無い世界、好きな時に好きな場所へ l 製造業 – 知能化ロボットによる製造の⼤大きな変⾰革 – ⽌止まらない⼯工場、変わり続ける⼯工場 l バイオヘルスケア – ⽣生体センサ、ゲノムデータ、診療療データによる 診察、診断の個⼈人化、⾼高度度化 – 病気にならない、治せなかった病気を直す 2
3.
AutomotiveHumanoid Robot Preferred Networks
は Industrial IoT に向けたAIを進める 3 Consumer Industrial Cloud Device PhotoGame Text Speech Infrastructure Factory Robot Automotive Healthcare Smart City Industry4.0 Industrial IoT
4.
計算インフラ 4 交通 製造業 バイオ・ ヘルスケア DIMo
5.
計算インフラ 5 交通 製造業 バイオ・ ヘルスケア DIMo
6.
6 今後の機械学習/深層学習が必要とする計算リソース 1E〜~100E Flops ⾃自動運転⾞車車1台あたり1⽇日 1TB 10台〜~1000台,
100⽇日分の⾛走⾏行行データの学習 バイオ・ヘルスケア ⾳音声認識識 ロボット/ドローン 10P〜~ Flops 1万⼈人の5000時間分の⾳音声データ ⼈人⼯工的に⽣生成された10万時間の ⾳音声データを基に学習 [Baidu 2015] 100P 〜~ 1E Flops ⼀一⼈人あたりゲノム解析で約10M個のSNPs 100万⼈人で100PFlops、1億⼈人で1EFlops 10P(画像) 〜~ 10E(映像) Flops 学習データ:1億枚の画像 10000クラス分類 数千ノードで6ヶ⽉月 [Google 2015] 画像/ 映像認識識 1E〜~100E Flops 1台あたり年間1TB 100万台〜~1億台から得られた データで学習する場合 ⾃自動運転 10PF 100EF100PF 1EF 10EF P:Peta E:Exa F:Flops 機械学習、深層学習は学習データが大きいほど高精度になる 現在は人が生み出したデータが対象だが、今後は機械が生み出すデータが対象となる 各種推定値は1GBの学習データに対して1日で学習するためには 1TFlops必要だとして計算 学習を1⽇日で終わらせるのに必要な計算リソース
7.
計算インフラの構築 l 機械が⽣生み出すデータを使った学習には桁違いの計算リソースが必要 l PFN独⾃自の計算インフラを構築中 –
2016年年度度中に 5ペタ Flops (半精度度)を⽬目指す – 参考:京コンピュータ 10ペタ Flops(倍精度度, 2012年年) Baidu Minwa 0.6ペタ Flops (2015年年) l これらの上で動作する分散機械学習も開発していく – 単に学習が速いだけではなく、⼤大きなモデルを使った学習も容易易にできるように – 現在スケール化に成功しているのはデータ配列列だが、 モデル分割した場合でもスケーラビリティがでるようにする l 機械学習専⽤用チップの開発にも取り組み中 – 2019年年頃に1エクサ DL ops, 1ペタ DL ops / チップを⽬目指す 7
8.
計算インフラ 8 交通 製造業 バイオ・ ヘルスケア DIMo
9.
交通への⼈人⼯工知能 l 移動体の⾃自律律制御 +
全体最適化 – 各移動体は、より安全に、⾼高速に、快適に移動できるようになる – 全体として、移動体の稼働率率率、全体の⽬目標を⼤大きく向上させる l PFNは⾃自動⾞車車にかぎらず様々な分野で⾃自動運転技術の利利⽤用可能性を探っていく – 市街地における⾃自動運転よりも前に様々な分野で⾃自動運転技術は先に利利⽤用される l 最初に⾃自動運転が導⼊入されるのはコントロール可能な環境 – ⼯工場内、倉庫内、施設内、⼯工事現場内での移動体の制御 – (≒シミュレーション可能な環境、シミュレーション上で学習、検証可能) l 違う問題で同じ技術が使える(次項) – 学習対象を切切り替えるだけで同じアルゴリズムを使うことができる – ⾞車車、ドローン、フォークリフト、カート、船 9
10.
交通における⼈人⼯工知能の基本問題 1. 周辺空間の認識識 • カメラ、ライダー、GPS、超⾳音波、事前知識識(地図など)を組み 合わせ、関連障害物の状態を推定し、その⾏行行動を予測する 2.
機体の制御 • ルールベース、強化学習、最適化(制御理理論論)の組み合わせる • プランニング 3. システムの評価・検証 • 優れたシミュレーターが最重要。実地の検証には試⾏行行回数、安 全性の点で限界がある 4. 全体最適 • 中央制御 vs 分散制御 • 他のシステム(タクシー、物流流システム)とどうつなげるか
11.
計算インフラ 全体図 11 交通 製造業 バイオ・ ヘルスケア DIMo
12.
DIMoのソフトウェア構成 12/35 Industries (Partners)Industries (PFN-involved) SensorBeeTM:
stream processing engine for IoT Machine learning Deep learning (Chainer) Auto Manufacturing Self-‐driving /ADAS Connected OpBmizaBon PredicBve maintenance Healthcare Drug discovery iPS cell Retail CRM Ad opBmizaBon Surveillance AnB-‐crime Tracking DeepIntelligence in-Motion(DIMo) StaBsBcs Tools Computer vision Detect/Track/ Recognize Reinforcement learning Distributed/ Curriculum Time-‐series RNN / RepresentaBon Sensor fusion MulB-‐modal AnnotaBon Hawk Feedback/AcBon Camera UI kanohi … Libraries Management 12フォグ機器 クラウドエッジ機器
13.
ディープラーニングを⽤用いた⼿手法: 直接「正常度度合い」をモデル化してそこからのズレを計算 l ニューラルネットの利利点であるデータ特徴表現⼒力力を活⽤用 13 SensorBee™ モデル構築
DIMo SensorBee™ モデル適⽤用 DIMo ニューラルネット モデルテスト対象 (異異常かもしれない) 各時刻の異異常スコア 学習フェーズ テストフェーズ 個別の機械 正常状態 (初期)
14.
DIMo 異異常検知機能の特徴 (1/2) l
正常なデータのみから異異常検知モデルを作ることができる – 故障データは必要ない,教師なし学習 – 異異常を検知後,実際の故障が発⽣生するタイミングを予測するには故障データが必要 l ⽣生の⾼高次元データをそのまま利利⽤用可能 – ⼈人間による特徴設計は必要ない.但し,あればそれも使った⽅方がよい – 特に周波数解析後のスペクトルや画像などがそのまま利利⽤用可能 l 正規化された異異常度度スコア(尤度度)を出⼒力力する – システムが正常だった場合に,そのセンサデータがどのぐらいの確率率率で観測される かを出⼒力力する。尤度度が低いということは正常ではない可能性が⾼高い l 複数センサを組み合わせた異異常検知が可能 – センサ間の相関をみて異異常を検知できる – センサの種類はばらばらでもよい 14
15.
DIMo 異異常検知機能の特徴 (2/2) l
次元数や学習データ数に⽐比例例する計算量量で学習,テスト可能 – 数百万次元や,数百万データでも対応可能 – 従来⼿手法はデータ数に対して⼆二乗のオーダーでかかる場合や(例例:カーネル法), 次元数に対して⼆二乗かかる場合があった(例例:全次元間の相関をそのままみる場合) – 搭載⼿手法は,全ての次元間の相関を考慮しつつ,効率率率的に処理理可能 l CPU, GPUで利利⽤用可能 – それぞれで最適化されたコードで動く – センサデータの次元数は画像に⽐比べて⼩小さいため,ディープラーニングを使うとい っても,画像認識識の場合に⽐比べて計算量量はかなり⼩小さい – 例例:1000次元のデータの場合,1データあたり1Mflop程度度の計算コスト 15
16.
異異常あり時系列列データセット (1/3) 値は正常範囲だが周波数が異異なる箇所に鋭く反応 手法,パラメータは同じのを利用
17.
異異常あり時系列列データセット (2/3) 値は正常範囲だが周波数が異異なる箇所に鋭く反応 17/35 手法,パラメータは同じのを利用
18.
異異常あり時系列列データセット (3/3) 値は正常範囲だが⽴立立ち上がりが不不正な箇所に反応 18/35 手法,パラメータは同じのを利用
19.
異異常なし時系列列データセット (1/2) スコアは揺れているが5.0以下 手法,パラメータは同じのを利用
20.
異異常なし時系列列データセット(2/2) スコアは4.0以下 手法,パラメータは同じのを利用
21.
実例例:FANUC減速器のセンサー異異常検知 21 異異常な部分を抽出する ディープラーニング技術 異異常は発⾒見見されない 異異常を検出 正常時の波形 異異常時の波形 実際の減速機から得られた センサデータ
22.
22 既存⼿手法で検出が遅かった異異常を事前に検出 提案⼿手法 経過時間 異異常スコア 故障の約40⽇日前に 故障予兆を捉える 判定閾値 既存⼿手法 経過時間 ロボット 故障 ロボット 故障 15⽇日前 故障直前まで スコアがほぼ 反応しない
23.
計算インフラ 全体図 23 交通 製造業 バイオ・ ヘルスケア DIMo
24.
ディープラーニングによるがん診断の⾼高度度化 l 医療療の中でもゲノムによるがん診断にフォーカス – がんマーカー検出とフェーズの判定 –
治療療効果の予測と治療療⽅方法の提案 l ゲノム情報に基づくがん診断、及び、分⼦子標的薬の効果予測の⾼高度度化 – 従来の統計分析、機械学習では実現不不可能だった⼩小数サンプルからの推定 – パラメータ数に対してサンプル数が少ない問題(新NP問題) l ディープラーニングの利利⽤用によって⾒見見込まれる効果 – ディープラーニングは、半教師あり学習が可能である →教師無しデータを使ってゲノム情報の表現を獲得することによって、少量量のサン プル数からガン診断、治療療効果予測が可能になる。 – ディープラーニングは、⾼高次元データを扱える →⾮非常に⾼高次元で⼈人には特徴設計が困難なゲノム情報であっても扱える 24
25.
ゲノム実験施設の⽴立立ち上げ l 都内にゲノム解析実験施設を⽴立立ち上げ l 次世代ゲノムシーケンサを導⼊入準備中 l
⾃自分たちでゲノム解析ができるように l ゲノムデータのみに注⽬目するのではなく、データを取る⼯工程でど のような改善ができるのかを調べる 25
26.
国⽴立立がん研究センターと 共同研究プロジェクトを開始 l 次世代がん分⼦子標的薬の創薬研究 l がん分⼦子標的薬の薬効予測 l
オーダーメイドがん免疫療療法の開発 26
27.
次世代がん分⼦子標的薬の創薬研究 27 現状 ・PFNから研究員を派遣 ・⼤大規模網羅羅的解析データを収集 今後 ディープラーニングによって、新規 がん分⼦子標的治療療薬のターゲット予 測 ヒトがんにおいて、複数のタンパク質メチル化酵素及び脱メチル化酵素の発現 異異常、体細胞変異異が検出されている これらの酵素は、がん特異異的に⾼高発現している酵素も含まれており、 次世代がん分⼦子標的治療療の標的として注⽬目されている。
28.
ディープラーニングによるがん診断の⾼高度度化 がん分⼦子標的薬の薬効予測 l がん細胞、⾮非がん細胞から得られたゲノム情報を利利⽤用した診断 – がんの存在診断 –
がんの種類の特定 – 治療療⽅方針の決定、その場合の効果予測 l 国⽴立立がん研究センターとゲノム解析による⼤大腸がんに対する分⼦子標的 薬の効果予測法の開発を始める予定 – 従来の統計分析、機械学習では困難だった⼩小数サンプルからの推定 – パラメータ数に対してサンプル数が少ない問題(新NP問題) 28
29.
オーダーメイド がん免疫療療法の研究開発 l 国⽴立立がん研究センターとオーダーメイドがん免疫療療法の共同研究を開始予定 l
TCR遺伝⼦子導⼊入T細胞療療法を個別化がん免疫療療法に応⽤用 (国⽴立立がん研究センターが担当) – がん組織検体から、遺伝⼦子変異異由来抗原ペプチドとそれを認識識するTCRを同定 l 現在既に得られているがん組織のゲノム情報や過去の結果、あるいは今後得ら れるがん組織検体の情報から、がん抗原およびT細胞受容体予測システムを構築 する(弊社が担当) 29 Adoptive cell transfer as personalized immunotherapy for human cancer. Rosenberg SA, Restifo NP, Science 348:62-68 (2015)
30.
まとめ l 実世界で⼈人⼯工知能が使われる世界へ向けての取り組みを紹介した – 計算インフラ:機械が⽣生み出すデータを処理理可能な計算インフラ –
交通:⾃自動⾞車車だけではなく、様々な領領域で,⾃自律律制御,全体最適化を実現 – 製造業:異異常検知, 予測を様々な分野に適⽤用していく – バイオ・ヘルスケア:ゲノム解析+がんに注⽬目、実験施設⽴立立ち上げ l 実証実験を進め、いくつかは製品化(DIMo)が進んでいる l 新しい領領域に取り組む – ⾃自動運転技術の⾃自動⾞車車以外への応⽤用展開 – 国⽴立立がんセンターとの共同研究 – 異異常検知にならぶ⼤大きなアプリケーション「⾃自動最適化」に取り組む 30
Download now