民進党の蓮舫代表から追及を受ける体験ができる「VR蓮舫」が、ニコニコ超会議2017に登場。
総理になって「VR蓮舫」に追及されてみない？ 民進党が開発
http://www.itmedia.co.jp/news/articles/1703/27/news120.html
総理になって「VR蓮舫」に追及されてみない？ 民進党が開発
http://www.itmedia.co.jp/news/articles/1703/27/news120.html
技術基準適合証明など日本国法令に基づく手続など準備を行っています。今しばらくのご猶予をいただけますようお願いいたします。
なお、手続の完了する正確な日時は、認証・証明機関の都合
とのこと
https://raspberry-pi.ksyic.com/news/page/n
Pi Zero / Zero Wの販売予定wp.id/49
（太字は上記サイトより引用）
なお、手続の完了する正確な日時は、認証・証明機関の都合
とのこと
https://raspberry-pi.ksyic.com/news/page/n
Pi Zero / Zero Wの販売予定wp.id/49
（太字は上記サイトより引用）
３月３０日、
「ドローンを飛ばそう！」
講師：東京ドローンアカデミー
に行ってきて、ドローンを飛ばそう・・・とがんばってきたのでメモ
その前に、
【前提知識】
●ドローンには、トイドローンとプロ用のドローンがある
・トイドローンはGPSやセンサーが入っていないので、全部人間が操作しないといけない
→だけどやすい
・プロ用のドローンはGPS,センサーが入っていて、ある程度自動制御し、手を離すと止まる
→だけど、めちゃ高い
では、以降メモメモ
・最初の１時間で飛ばせる人はまれ、
・１日２０分で１週間で操作できるようになった
・今日の内容
１．ドローンについて
２．ドローンを取り巻く環境
３．操作方法
４．飛行体験
シミュレーション
トイドローン
５．デモンストレーション
６．アンケート
・目標：トイドローンでホバリング（機体をとどめること）をマスターしましょう
→微調整しないと流れる
・１．ドローンとは
パイロットがいない、いわゆる無人で飛ぶ無人飛行機の総称
→人が乗らず、人の意思で動くもの
機体の大きさ、羽の枚数は関係ない
英語のオス蜂の意味
ドローンの部分の名称
機体
プロペラ
フライトコントローラー
ESC：モーターの回転数制御
バッテリー：１時間充電して５分
プロポ：操作するところ。送信機
→右にいきたい場合、２枚の羽の回転数を早め、反対の羽の回転数を遅くすることによって
移動できる
・２．ドローンを取り巻く環境
改正航空法：人・ものの安全→２００ｇ未満のドローンを除く
３つの飛行禁止区域と６つの飛行ルール
（１）空港周辺
（２）高度１５０ｍ以上
（３）人口集中地区（５０００人／Km2）
→具体的な地域はDJIフライトマップを参照
※違反すると５０万以上の罰金
→３０人は捕まっている。理由は、禁止区域と知らずに飛ばした（通報されて逮捕）
※これらの区域でどうしても飛ばしたい場合、国交省に申請する
６つの飛行ルール
（１）日中に飛ばす
（２）目視範囲内で
（３）人または物件との距離を３０ｍ以上あける
（４）イベントとかの上空・・・基本、人の上はX
（５）爆発物を輸送しない
（６）無人航空機からものを投下しない
・３．操縦法
・モード１とモード２があり、今回はモード２の操縦法
・ドローンを選べる場合に注意
プロポには、左右２つの棒がある。この棒の上に親指のはらを置く
ゆっくり操作する
左側の棒 右側の棒
上昇 前
↑ ↑
旋回 ← → 旋回 左 ← → 右
↓ ↓
下降 後ろ（手前）
・エルロン：左右に移動
・らだー：回転。はじめはあんまりやんないほうがいい
→前後がわからなくなると、操作できなくなる（逆に移動する）
・バッテリーが切れるとLEDが点滅する
・（今回のトイドローンの場合）青が自分の方向
・はじめにバインドする
・バッテリーをつける（線がプロペラに当たらないように下に）
・プロポの電源を入れる
・左側の棒を上、下すると、音が鳴る
→プロポとドローンが結びつく
※注意：２台以上のドローンがいるとき、ドローンに電源が入った状態で
バインド操作すると、２台が１台のプロポとバインドしてしまう
かならず１台の状態で行うこと（複数だいある場合「バインドします」と声をかける）
・４．飛行体験
シミュレーション
Real Flight シミュレーター
GPS ONの状態とOFFの状態ができる
GPS ONの状態だと、手を放せば、そこでとまる
GPS OFFの状態だと、手を放すと下がっていく（重力）
ちょっと動かすだけで、ぎゅんととぶ
まっすぐ、ないしは真横に操作する。斜めにすると、斜めにいってしまう
トイドローン
GPSがない、センサー入っていないので、常に微妙に操作していないと、
とまっていない
移動するとき、慣性が働く。したがって、行き過ぎた場合、逆に少し操作しないと
（手を離しただけだと）そのまま言ってしまう。
ただし、急に操作すると、ぎゅんといってしまい、行き過ぎる
※実際には、斜めに下げていく
（まっすぐ下げようとすると、急降下してしまう）
※はじめ、低い位置で、前後左右に動く練習をする。うまくいったら高度を上げる
→「えっと、みぎだから、こっち」というので、動かしていたのでは追いつかない
どっちにいくか、感覚を身に着けないと、とっさのときに使えない
最終的には、ドローンの上に乗っている感覚で、操作する
・５．デモンストレーション
１５万円するプロ用のドローンのデモンストレーション
・GPS,センサーが入っているので、手を離せば停止する（自動制御）
・ドローンの振動に対して、カメラの位置が自動調整するので、ぶれることはない
・少しぐらいの風なら、影響しない
・障害物があると検知して、その旨をモニターに伝える
→操作は、プロ用のほうが簡単。しかし、センサーやGPSが利かない場合、故障した場合でも
操作できるよう、まずトイドローンで操作できるようになってから、プロ用の操作をしている
・６．アンケート＆告知
５月３日、５月４日、「ドローンを飛ばそう！」をやります。
→荻窪ルミネ６階 よみうりカルチャー荻窪
http://www.ync.ne.jp
【Q&A（適当なところでしたもののまとめ）】
・ぶっちゃけ、災害用のドローンって、操作できるのか？
今回より大きなドローンを使っている。
消防団の人が、数十時間練習してやっているかんじ
・今回のデモのドローン、何時間飛行できるの？
公称２７分
ただし、２０分飛ぶものとして、空撮などではスケジュールを組む
・練習が必要だということが、よ～くわかった。どこでかえる？
トイドローンなら、ヨドバシでかえる。コーナーがある
今回のトイドローンは５０００円くらい
ただし、バッテリーは１個しかついてこない。練習だと、１個では足りないので
バッテリーをオプションで買うことになる。１個１０００円くらい
【まめちしき】
・ドローン、中国製が７割くらい
・通信は２．４GHｚ帯を使っている
「ドローンを飛ばそう！」
講師：東京ドローンアカデミー
に行ってきて、ドローンを飛ばそう・・・とがんばってきたのでメモ
その前に、
【前提知識】
●ドローンには、トイドローンとプロ用のドローンがある
・トイドローンはGPSやセンサーが入っていないので、全部人間が操作しないといけない
→だけどやすい
・プロ用のドローンはGPS,センサーが入っていて、ある程度自動制御し、手を離すと止まる
→だけど、めちゃ高い
では、以降メモメモ
・最初の１時間で飛ばせる人はまれ、
・１日２０分で１週間で操作できるようになった
・今日の内容
１．ドローンについて
２．ドローンを取り巻く環境
３．操作方法
４．飛行体験
シミュレーション
トイドローン
５．デモンストレーション
６．アンケート
・目標：トイドローンでホバリング（機体をとどめること）をマスターしましょう
→微調整しないと流れる
・１．ドローンとは
パイロットがいない、いわゆる無人で飛ぶ無人飛行機の総称
→人が乗らず、人の意思で動くもの
機体の大きさ、羽の枚数は関係ない
英語のオス蜂の意味
ドローンの部分の名称
機体
プロペラ
フライトコントローラー
ESC：モーターの回転数制御
バッテリー：１時間充電して５分
プロポ：操作するところ。送信機
→右にいきたい場合、２枚の羽の回転数を早め、反対の羽の回転数を遅くすることによって
移動できる
・２．ドローンを取り巻く環境
改正航空法：人・ものの安全→２００ｇ未満のドローンを除く
３つの飛行禁止区域と６つの飛行ルール
（１）空港周辺
（２）高度１５０ｍ以上
（３）人口集中地区（５０００人／Km2）
→具体的な地域はDJIフライトマップを参照
※違反すると５０万以上の罰金
→３０人は捕まっている。理由は、禁止区域と知らずに飛ばした（通報されて逮捕）
※これらの区域でどうしても飛ばしたい場合、国交省に申請する
６つの飛行ルール
（１）日中に飛ばす
（２）目視範囲内で
（３）人または物件との距離を３０ｍ以上あける
（４）イベントとかの上空・・・基本、人の上はX
（５）爆発物を輸送しない
（６）無人航空機からものを投下しない
・３．操縦法
・モード１とモード２があり、今回はモード２の操縦法
・ドローンを選べる場合に注意
プロポには、左右２つの棒がある。この棒の上に親指のはらを置く
ゆっくり操作する
左側の棒 右側の棒
上昇 前
↑ ↑
旋回 ← → 旋回 左 ← → 右
↓ ↓
下降 後ろ（手前）
・エルロン：左右に移動
・らだー：回転。はじめはあんまりやんないほうがいい
→前後がわからなくなると、操作できなくなる（逆に移動する）
・バッテリーが切れるとLEDが点滅する
・（今回のトイドローンの場合）青が自分の方向
・はじめにバインドする
・バッテリーをつける（線がプロペラに当たらないように下に）
・プロポの電源を入れる
・左側の棒を上、下すると、音が鳴る
→プロポとドローンが結びつく
※注意：２台以上のドローンがいるとき、ドローンに電源が入った状態で
バインド操作すると、２台が１台のプロポとバインドしてしまう
かならず１台の状態で行うこと（複数だいある場合「バインドします」と声をかける）
・４．飛行体験
シミュレーション
Real Flight シミュレーター
GPS ONの状態とOFFの状態ができる
GPS ONの状態だと、手を放せば、そこでとまる
GPS OFFの状態だと、手を放すと下がっていく（重力）
ちょっと動かすだけで、ぎゅんととぶ
まっすぐ、ないしは真横に操作する。斜めにすると、斜めにいってしまう
トイドローン
GPSがない、センサー入っていないので、常に微妙に操作していないと、
とまっていない
移動するとき、慣性が働く。したがって、行き過ぎた場合、逆に少し操作しないと
（手を離しただけだと）そのまま言ってしまう。
ただし、急に操作すると、ぎゅんといってしまい、行き過ぎる
※実際には、斜めに下げていく
（まっすぐ下げようとすると、急降下してしまう）
※はじめ、低い位置で、前後左右に動く練習をする。うまくいったら高度を上げる
→「えっと、みぎだから、こっち」というので、動かしていたのでは追いつかない
どっちにいくか、感覚を身に着けないと、とっさのときに使えない
最終的には、ドローンの上に乗っている感覚で、操作する
・５．デモンストレーション
１５万円するプロ用のドローンのデモンストレーション
・GPS,センサーが入っているので、手を離せば停止する（自動制御）
・ドローンの振動に対して、カメラの位置が自動調整するので、ぶれることはない
・少しぐらいの風なら、影響しない
・障害物があると検知して、その旨をモニターに伝える
→操作は、プロ用のほうが簡単。しかし、センサーやGPSが利かない場合、故障した場合でも
操作できるよう、まずトイドローンで操作できるようになってから、プロ用の操作をしている
・６．アンケート＆告知
５月３日、５月４日、「ドローンを飛ばそう！」をやります。
→荻窪ルミネ６階 よみうりカルチャー荻窪
http://www.ync.ne.jp
【Q&A（適当なところでしたもののまとめ）】
・ぶっちゃけ、災害用のドローンって、操作できるのか？
今回より大きなドローンを使っている。
消防団の人が、数十時間練習してやっているかんじ
・今回のデモのドローン、何時間飛行できるの？
公称２７分
ただし、２０分飛ぶものとして、空撮などではスケジュールを組む
・練習が必要だということが、よ～くわかった。どこでかえる？
トイドローンなら、ヨドバシでかえる。コーナーがある
今回のトイドローンは５０００円くらい
ただし、バッテリーは１個しかついてこない。練習だと、１個では足りないので
バッテリーをオプションで買うことになる。１個１０００円くらい
【まめちしき】
・ドローン、中国製が７割くらい
・通信は２．４GHｚ帯を使っている
３月２９日、
API Meetup Tokyo #19
(会場：Google（もちろん日本の、六本木ヒルズ）の食堂）に行ってきた。
その内容をメモメモ
■あいさつ
・Googleさんありがとう
・お手洗いはお声がけ→たまに行方不明出る
・カードケース：返却 中身のシールとカードを渡すと出られる
・この会場は食堂だけど、紙皿紙コップのほうをつかってね
・始めての人３、４割
・APImeet upとは
programable web
API ２００５年から ２０１０年くらいから急増
２０１４年から１５年でも２．８倍→盛り上がっている
WebAPI
２０１０年 モバイルアプリのバックエンド
最近 APIエコノミー
マイクロサービス
API Meetup：オープン、ニュートラル
エコシステム、ユースケースも幅広く
CTC,APIGEE（あぴじー）に黙認してもらっている
Googleさん；今回会場、懇親会
・ハッシュタグ #apijp
■Googleがめざす、誰もが使える機械学習
・自己紹介
GCP：AWSのGoogle版
あどぼけーと：エバンジェリストみたいなの
・今日のトピック
・ニューラルネットワークとディープラーニング
どのイベントでも１～２割しか、ディープラーニングを触っていない
ニューラルネットワーク＝学習できる関数
シンギュラリティみたいな賢いことはまだできていない
なんちゃって脳
理化学研究所：猫の小脳くらい
画像：猫の画像→猫
ログ（ベクトル化）→ちーとしている不正ユーザー
→トライできる：やってみないとわからない
・どう分類する？
オレンジと青いせん→どうやってコンピューターにわからせる？
playground
結びつきに強弱がある→賢くなれる
ニューラルネット：プログラミングしていない
基本人間が教えてあげる
段数とかはさじ加減。学習データを見せる
アルファごー
ディープブルーは、ルールベース；基本プログラミング
→解説者が説明できない：２週間たたないと
→失敗例はあるけど、うまくいくものがある
・認識の要となるデータの特徴を探し出す
特徴が出てきたという話が出てくるかも？
・ディープラーニング
５０段くらい
・Googleは？１００を超えるプロジェクト
RankBrainディープラーニングによる検索ランキング
Googleフォト
Gmailのスマートりぷらい：コンテキストから自動生成、モバイルアプリからの返信１０％
Google翻訳：Google Translate with Neural Machine Translation
→流暢に間違える
Alphabet 冷却のON/OFFをディープラーニングに任せる
・糖尿病の眼底診断
・音声合成：ニューラルネットでピアノの音を作る
→BGMはこれでいい？
・誰でも使える機械学習サービス
フレームワーク
TensorFlow
API
ビジョンAPI：学習済みの画像認識モデル
不適切画像検地：セーフサーチ
Speach API
自然言語処理API
翻訳API：８ヶ国語 相互変換 REST API
→学習済みなので、学習しなくても使える
・オープンソースの機械学習ライブラリ TensorFlow
オープンソースの機械学習ライブラリ
Googleの多くのAPIで
python
学習のアルゴリズム：勾配効果法（ぐらでぃあんとぐらっど）とか・・数字
中の数学わかんなくても使える
・立ちはだかる壁：計算パワー
GPUマシン 行列演算
クラウドを使った分散学習
TensorFlow：スケールできる 重み付け（モデル）をRasPi、スマホに
・エコシステム
パートナーがぶあつい ハードウェアベンダー クアルコム SnapdragonのDSP
クアルコムのDSPだと0.1とか0.2とか・・・
CPU使うと２秒・・・
・TensorFlowで誰もが使えるディープラーニング
きゅうり農家：Raspberry Piで仕分け １５万円
→ディープラーニングはきゅうり農家で使う技術
から揚げの認識：インターン １０日間
すぎゃーんさん DCGAN お手本データを見せると、ユニークな画像を作れる
→ユニークなアイコン
・Jupiterネットワーク、
ニューラルネットASIC→電力代
→４０分の１、
ディープラーニングは結構失敗する；分散学習
・MLエンジン TensorFlowを低いコストで提供
キューピー：ざくぎりの不良品 一桁くらい安く、６ヶ月で
オークネット：リアルタイム査定できるような
■Pivotalが推進するAPIとプラットフォームの活用
・自己紹介
・Pivotalとは
Googleさんとの協業、マイクロソフトさんからお金持ったり、アマゾンさんとも
Spring Cloudfoundry
API、
CI,CD、デプロイメントとパイプライン
・Circle of Code
アイデア→プラン→コード→パイプライン→デプロイ→フィードバック→アイデア→
XPとリーン
→あなたのサークルは完成していますか
・Coircle of code for you
・イテレーション：１日でやっているところも
・Pivotalの場合
Piv otal tracker→Spring→Concourse→Cloud foundry
お客さんとペアで
下のコンビにいかないように
９：０６にスタンドアップの朝会
・アイデアからプランへ
シナリオ
ペンとポストイット
ストーリー
→Pivotal tracker
SaaS、ストーリーを管理できる
２Pizzaチーム
３０チーム、３０プロダクトマネージャー
タスク（Story）の作成
Pivotal Trackerにおけるストーリー
start→Finish→Deliver→Accept→Accepted
Restart Reject
・APIで管理
APIトークンの取得
APIを使ったでもアプリ
・Pivotal trackerとGithubとの連携
APIができたら、（ツールが）報告する
Trackerのデモ
・Spring Framework
＃１エンタープライズJavaアプリケーション開発フレームワーク
・SpringBootは、それはもう、人気です
VMWareのときは、勉強会５人だった
ディペンデンシー、クラウド、RequestMapping
→ネットフリックス
コネクテッドカー
Spring Cloud：オープンソース
→サービスディスカバリに登録
・APIを作りましょう
SPRING INITIALIZR
・Concourse：PivotalのCIツール
CI,CDツール
パイプライン：自動化
リアルタイムで図れる
・CFにおけるCI/CDの課題
異なるアーキ、プラットフォーム、インフラ
・新規機能、あるいは既存機能のアップグレード
・パイプラインを生成する
・プロジェクト管理とパイプライン
APIのパイプラインとしても魅力的
・CloudFoundry
２０１１年に出てきた
プラットフォームの重要性
API:誰にどう使ってもらうか
→消費してもらう
・What is API Management
機能、サービス
API管理基盤
API
・浪費しないAPI環境
・サービスディスカバリ
config server
サーキットブレーカー
アノテーションを書くことによりエンドポイント
・フィードバック
Spring Cloud Sleuth,ZIPKIN
何かが遅いとき・・・
どれかが遅い・・・
Spring Cloud Sleuth Zipkin with Maven
・ベストプラクティス→Pivotal Labs
・おわり
素敵なAPI開発
■今後について
次回は番外編福岡！
東京と福岡をマッシュアップ（仮）
５月１９日（金）１９：００～ ヌーラボ福岡オフィス
API Meetup Tokyo #19
(会場：Google（もちろん日本の、六本木ヒルズ）の食堂）に行ってきた。
その内容をメモメモ
■あいさつ
・Googleさんありがとう
・お手洗いはお声がけ→たまに行方不明出る
・カードケース：返却 中身のシールとカードを渡すと出られる
・この会場は食堂だけど、紙皿紙コップのほうをつかってね
・始めての人３、４割
・APImeet upとは
programable web
API ２００５年から ２０１０年くらいから急増
２０１４年から１５年でも２．８倍→盛り上がっている
WebAPI
２０１０年 モバイルアプリのバックエンド
最近 APIエコノミー
マイクロサービス
API Meetup：オープン、ニュートラル
エコシステム、ユースケースも幅広く
CTC,APIGEE（あぴじー）に黙認してもらっている
Googleさん；今回会場、懇親会
・ハッシュタグ #apijp
■Googleがめざす、誰もが使える機械学習
・自己紹介
GCP：AWSのGoogle版
あどぼけーと：エバンジェリストみたいなの
・今日のトピック
・ニューラルネットワークとディープラーニング
どのイベントでも１～２割しか、ディープラーニングを触っていない
ニューラルネットワーク＝学習できる関数
シンギュラリティみたいな賢いことはまだできていない
なんちゃって脳
理化学研究所：猫の小脳くらい
画像：猫の画像→猫
ログ（ベクトル化）→ちーとしている不正ユーザー
→トライできる：やってみないとわからない
・どう分類する？
オレンジと青いせん→どうやってコンピューターにわからせる？
playground
結びつきに強弱がある→賢くなれる
ニューラルネット：プログラミングしていない
基本人間が教えてあげる
段数とかはさじ加減。学習データを見せる
アルファごー
ディープブルーは、ルールベース；基本プログラミング
→解説者が説明できない：２週間たたないと
→失敗例はあるけど、うまくいくものがある
・認識の要となるデータの特徴を探し出す
特徴が出てきたという話が出てくるかも？
・ディープラーニング
５０段くらい
・Googleは？１００を超えるプロジェクト
RankBrainディープラーニングによる検索ランキング
Googleフォト
Gmailのスマートりぷらい：コンテキストから自動生成、モバイルアプリからの返信１０％
Google翻訳：Google Translate with Neural Machine Translation
→流暢に間違える
Alphabet 冷却のON/OFFをディープラーニングに任せる
・糖尿病の眼底診断
・音声合成：ニューラルネットでピアノの音を作る
→BGMはこれでいい？
・誰でも使える機械学習サービス
フレームワーク
TensorFlow
API
ビジョンAPI：学習済みの画像認識モデル
不適切画像検地：セーフサーチ
Speach API
自然言語処理API
翻訳API：８ヶ国語 相互変換 REST API
→学習済みなので、学習しなくても使える
・オープンソースの機械学習ライブラリ TensorFlow
オープンソースの機械学習ライブラリ
Googleの多くのAPIで
python
学習のアルゴリズム：勾配効果法（ぐらでぃあんとぐらっど）とか・・数字
中の数学わかんなくても使える
・立ちはだかる壁：計算パワー
GPUマシン 行列演算
クラウドを使った分散学習
TensorFlow：スケールできる 重み付け（モデル）をRasPi、スマホに
・エコシステム
パートナーがぶあつい ハードウェアベンダー クアルコム SnapdragonのDSP
クアルコムのDSPだと0.1とか0.2とか・・・
CPU使うと２秒・・・
・TensorFlowで誰もが使えるディープラーニング
きゅうり農家：Raspberry Piで仕分け １５万円
→ディープラーニングはきゅうり農家で使う技術
から揚げの認識：インターン １０日間
すぎゃーんさん DCGAN お手本データを見せると、ユニークな画像を作れる
→ユニークなアイコン
・Jupiterネットワーク、
ニューラルネットASIC→電力代
→４０分の１、
ディープラーニングは結構失敗する；分散学習
・MLエンジン TensorFlowを低いコストで提供
キューピー：ざくぎりの不良品 一桁くらい安く、６ヶ月で
オークネット：リアルタイム査定できるような
■Pivotalが推進するAPIとプラットフォームの活用
・自己紹介
・Pivotalとは
Googleさんとの協業、マイクロソフトさんからお金持ったり、アマゾンさんとも
Spring Cloudfoundry
API、
CI,CD、デプロイメントとパイプライン
・Circle of Code
アイデア→プラン→コード→パイプライン→デプロイ→フィードバック→アイデア→
XPとリーン
→あなたのサークルは完成していますか
・Coircle of code for you
・イテレーション：１日でやっているところも
・Pivotalの場合
Piv otal tracker→Spring→Concourse→Cloud foundry
お客さんとペアで
下のコンビにいかないように
９：０６にスタンドアップの朝会
・アイデアからプランへ
シナリオ
ペンとポストイット
ストーリー
→Pivotal tracker
SaaS、ストーリーを管理できる
２Pizzaチーム
３０チーム、３０プロダクトマネージャー
タスク（Story）の作成
Pivotal Trackerにおけるストーリー
start→Finish→Deliver→Accept→Accepted
Restart Reject
・APIで管理
APIトークンの取得
APIを使ったでもアプリ
・Pivotal trackerとGithubとの連携
APIができたら、（ツールが）報告する
Trackerのデモ
・Spring Framework
＃１エンタープライズJavaアプリケーション開発フレームワーク
・SpringBootは、それはもう、人気です
VMWareのときは、勉強会５人だった
ディペンデンシー、クラウド、RequestMapping
→ネットフリックス
コネクテッドカー
Spring Cloud：オープンソース
→サービスディスカバリに登録
・APIを作りましょう
SPRING INITIALIZR
・Concourse：PivotalのCIツール
CI,CDツール
パイプライン：自動化
リアルタイムで図れる
・CFにおけるCI/CDの課題
異なるアーキ、プラットフォーム、インフラ
・新規機能、あるいは既存機能のアップグレード
・パイプラインを生成する
・プロジェクト管理とパイプライン
APIのパイプラインとしても魅力的
・CloudFoundry
２０１１年に出てきた
プラットフォームの重要性
API:誰にどう使ってもらうか
→消費してもらう
・What is API Management
機能、サービス
API管理基盤
API
・浪費しないAPI環境
・サービスディスカバリ
config server
サーキットブレーカー
アノテーションを書くことによりエンドポイント
・フィードバック
Spring Cloud Sleuth,ZIPKIN
何かが遅いとき・・・
どれかが遅い・・・
Spring Cloud Sleuth Zipkin with Maven
・ベストプラクティス→Pivotal Labs
・おわり
素敵なAPI開発
■今後について
次回は番外編福岡！
東京と福岡をマッシュアップ（仮）
５月１９日（金）１９：００～ ヌーラボ福岡オフィス
人工知能はビジネスをどう変えるか？
https://www.nri.com/jp/journal/2017/03/170314_1/
では５つに分けているけど、書いていないAIもあり・・・
こんなかんじかなあ？
数年前だと、「ニューラルネット」のところは、「ソフトコンピューティング」と書いて
GA,ニューラルネット、ファジー
とまとめてしまっていたが・・・
CNN,RNN,LSTMの違いは
やさしい深層学習の原理
http://gagbot.net/machine-learning/ml4
を参照。
また、応用というとき、利用価値を見つけて云々いうのは、「弱いAI」の考え方が多い
汎用人工知能（強いAI）を考える考え方もあり、こちらがシンギュラリティと結びつくんだけど、
図にはかけなかった。
それと、世間一般的には、サーバー・クラウドでのAIが中心だけど、
エンドポイントでのAIも考えられている
真のIoT実現に不可欠な技術 ―― ルネサスが提唱する「e-AI」に迫る
http://eetimes.jp/ee/articles/1703/21/news002.html
https://www.nri.com/jp/journal/2017/03/170314_1/
では５つに分けているけど、書いていないAIもあり・・・
こんなかんじかなあ？
数年前だと、「ニューラルネット」のところは、「ソフトコンピューティング」と書いて
GA,ニューラルネット、ファジー
とまとめてしまっていたが・・・
CNN,RNN,LSTMの違いは
やさしい深層学習の原理
http://gagbot.net/machine-learning/ml4
を参照。
また、応用というとき、利用価値を見つけて云々いうのは、「弱いAI」の考え方が多い
汎用人工知能（強いAI）を考える考え方もあり、こちらがシンギュラリティと結びつくんだけど、
図にはかけなかった。
それと、世間一般的には、サーバー・クラウドでのAIが中心だけど、
エンドポイントでのAIも考えられている
真のIoT実現に不可欠な技術 ―― ルネサスが提唱する「e-AI」に迫る
http://eetimes.jp/ee/articles/1703/21/news002.html
３月２８日、
JSUG勉強会 2017年その3 ～ ドメイン駆動設計 powered by Spring
を聞いてきた！ので、内容をメモメモ
■ドメインロジックに集中せよ
・ドメイン駆動設計
ソフトウェアの核心にある複雑さに立ち向かう
・設計を複雑にする要因
技術的な複雑さ
ドメインの複雑さ
・核心の複雑さに立ち向かう
ドメインロジックに集中する
モデルに基づき設計する
インクリメンタルに開発する
・ドメインロジックに集中する
ビジネスルール ：分析の対象→遵守すべき約束事
ドメインロジック：実装の対象→ビジネスルールのサブセット
プログラミング言語で記述
・モデルに基づき設計する
モデルとオブジェクト
モデルのない開発プロセス
情報収集
分析整理
仕様 モデル（アドオンの作業）
設計
実装
→ドメインモデルを一切持っていない
モデリングという作業を入れる
→全体の見通しがよくなる
・インクリメンタルに開発する
フェーズに分ける開発
担当者が変わる：伝言ゲーム
一方向 つじつまあわせ
インクリメンタルな開発
すべては発展途上になる
同じチームで対応する
・素敵なお知らせ
複雑さに立ち向かう強力な援軍
Spring Framework Spring Boot
Spring Framework
ドメインモデル以外のことを全部用意するフレームワーク
Spring Boot
いったんは動かせ。Github作って。
・残念なお知らせ
こんな開発もできる
技術課題に集中する
バックログをせっせと消化する
フェーズに分けて伝言ゲーム・基盤とアプリの分離
・アンチパターン
データ処理に焦点をあてる
プレゼンテーション層：画面の入出力 @Controller
アプリケーション層 ：データベースの更新・参照の手続き @Service
データソース層：データベースの入出力 @Repository
｜
↓ ドメインロジックを
ドメインモデル
ここに集約する
・ドメインモデル
マーチンファウラー
オブジェクトモデル
振る舞いとデータ
・ドメインモデル
ドメインロジックをオブジェクトで表現する
・ドメインモデルだと何がよいのか
変更が楽で安全になる
・ドメインモデル：変更容易性
ドメインロジックが重複しない
どこにロジックが書いてあるか特定しやすい
変更の影響を狭い範囲に限定できる
・トランザクションスクリプト
同じロジックが重複する
データ処理の流れを追いかけて探し回る
後続の処理をすべて追いかける
・ドメインオブジェクト設計パターン
ビジネスルール
ドメインロジック
・ドメインロジックの最小単位
演算の対象
数値
日付
文字列
演算
等値の判定
大小・順序
範囲内
有効
型変換
四則演算・変換
・最小単位→３つの型にまとめられる
値オブジェクト
汎用の型 → 独自に定義した型
コレクションオブジェクト→リスト、セット
区分オブジェクト → 振る舞いを持ったenum
Strategy,Stateパターン
・設計原則
モジュール化：複雑さに立ち向かうための工夫
ドメインモデル：オブジェクトモデル／関心ごと
トランザクションスクリプト：機能
構造化：記述レベルを階層化する
業務で使う用語
ドメイン固有API→このレイヤをしっかり書く
JavaコアAPI
Java言語仕様
※動かすだけならドメイン固有APIはオーバーヘッドだが、
ドメイン駆動設計には必要
文書化
ソースコードに自己文書化
パッケージ名／クラス名／メソッド名
・ドメインロジックの文書化
ドメインオブジェクトを使うほかの三層のコード
ドメインロジックとの関係性を語るようになる
（自己文書化が波及する）
ソースコード以外の文書化
業務マニュアル
利用者ガイド
（不要）開発・保守ドキュメント
・ドメインを隔離する
基盤側にドメインロジックを持っていかないこと
→つまり、アノテーションのかかったメソッドに
データの入出力とドメインモデル
画面やデータベースの都合をドメインに持ち込まない
・プレゼンテーション層とドメインオブジェクト
ドメインオブジェクトを直接使う
プレゼンテーション層の記述をドメインモデルに依存させる
プレゼンテーション層に判断・加工・計算のロジックを置かない
HTTPリクエスト→ドメインオブジェクト：DirectFieldAccess
ドメインオブジェクト→HTTPレスポンス：HTMLテンプレート
・PRG
・DirectFieldAccess
@ControllerAdvice
@initBinder
あとは#kanjava MVCで検索
・アプリケーション層とドメインオブジェクト
@Service
@Validated ：引数にかけてしまう
リポジトリを@Autowiredする
ドメインの関心事としての永続化
インターフェース宣言
データベースの都合をドメインオブジェクトに持ち込まない
・データソース層とドメインオブジェクト
@Repository
MyBatisSQLmapping
オブジェクトとテーブルは別の世界
手作業で明示的にマッピングしている
resultMapに明示的に書く
・まとめ
■トークセッション
・変える気があるか
・リードする人がいないと・・
・ぐれいるずをつかおう
・数百人にDDDの厚い本を実践する？
・経験者を作る
・リファクタリングの形で書き換える
・本開発が始まる前に作るしかない
→縛りをかけてしまうと、
・ウォーターフォールでDDD
いけるんじゃないか？
・データさんがかじを切るだけでも変わる
→てらそるなに「リッチなドメインモデルは書かない」とかの記述に
たいして、こういうときならというのをちょこっと書いてくれるだけでも、
世の中は変わる。
・自分の知らないドメインは
→パクってくる。Day1はできてない。でも１週目にはできていないと・・
用語集とかは渡していない
・業務で使う日本語：横幅いっぱいになる：日本語でクラス作る？
enumは日本語で書いている。日本語でやると違和感
大規模はローマ字、子音だけはあるけど、
・ドメインモデルを作るコツ
値オブジェクト：ドメイン駆動はオーバーヘッド 結果的によくなる
・実装 MyBatisでなくてもJPAでもできるけど、
・オブジェクトの組み合わせでロジックを作る
順序依存性があるものは、サービスに書いている
JSUG勉強会 2017年その3 ～ ドメイン駆動設計 powered by Spring
を聞いてきた！ので、内容をメモメモ
■ドメインロジックに集中せよ
・ドメイン駆動設計
ソフトウェアの核心にある複雑さに立ち向かう
・設計を複雑にする要因
技術的な複雑さ
ドメインの複雑さ
・核心の複雑さに立ち向かう
ドメインロジックに集中する
モデルに基づき設計する
インクリメンタルに開発する
・ドメインロジックに集中する
ビジネスルール ：分析の対象→遵守すべき約束事
ドメインロジック：実装の対象→ビジネスルールのサブセット
プログラミング言語で記述
・モデルに基づき設計する
モデルとオブジェクト
モデルのない開発プロセス
情報収集
分析整理
仕様 モデル（アドオンの作業）
設計
実装
→ドメインモデルを一切持っていない
モデリングという作業を入れる
→全体の見通しがよくなる
・インクリメンタルに開発する
フェーズに分ける開発
担当者が変わる：伝言ゲーム
一方向 つじつまあわせ
インクリメンタルな開発
すべては発展途上になる
同じチームで対応する
・素敵なお知らせ
複雑さに立ち向かう強力な援軍
Spring Framework Spring Boot
Spring Framework
ドメインモデル以外のことを全部用意するフレームワーク
Spring Boot
いったんは動かせ。Github作って。
・残念なお知らせ
こんな開発もできる
技術課題に集中する
バックログをせっせと消化する
フェーズに分けて伝言ゲーム・基盤とアプリの分離
・アンチパターン
データ処理に焦点をあてる
プレゼンテーション層：画面の入出力 @Controller
アプリケーション層 ：データベースの更新・参照の手続き @Service
データソース層：データベースの入出力 @Repository
｜
↓ ドメインロジックを
ドメインモデル
ここに集約する
・ドメインモデル
マーチンファウラー
オブジェクトモデル
振る舞いとデータ
・ドメインモデル
ドメインロジックをオブジェクトで表現する
・ドメインモデルだと何がよいのか
変更が楽で安全になる
・ドメインモデル：変更容易性
ドメインロジックが重複しない
どこにロジックが書いてあるか特定しやすい
変更の影響を狭い範囲に限定できる
・トランザクションスクリプト
同じロジックが重複する
データ処理の流れを追いかけて探し回る
後続の処理をすべて追いかける
・ドメインオブジェクト設計パターン
ビジネスルール
ドメインロジック
・ドメインロジックの最小単位
演算の対象
数値
日付
文字列
演算
等値の判定
大小・順序
範囲内
有効
型変換
四則演算・変換
・最小単位→３つの型にまとめられる
値オブジェクト
汎用の型 → 独自に定義した型
コレクションオブジェクト→リスト、セット
区分オブジェクト → 振る舞いを持ったenum
Strategy,Stateパターン
・設計原則
モジュール化：複雑さに立ち向かうための工夫
ドメインモデル：オブジェクトモデル／関心ごと
トランザクションスクリプト：機能
構造化：記述レベルを階層化する
業務で使う用語
ドメイン固有API→このレイヤをしっかり書く
JavaコアAPI
Java言語仕様
※動かすだけならドメイン固有APIはオーバーヘッドだが、
ドメイン駆動設計には必要
文書化
ソースコードに自己文書化
パッケージ名／クラス名／メソッド名
・ドメインロジックの文書化
ドメインオブジェクトを使うほかの三層のコード
ドメインロジックとの関係性を語るようになる
（自己文書化が波及する）
ソースコード以外の文書化
業務マニュアル
利用者ガイド
（不要）開発・保守ドキュメント
・ドメインを隔離する
基盤側にドメインロジックを持っていかないこと
→つまり、アノテーションのかかったメソッドに
データの入出力とドメインモデル
画面やデータベースの都合をドメインに持ち込まない
・プレゼンテーション層とドメインオブジェクト
ドメインオブジェクトを直接使う
プレゼンテーション層の記述をドメインモデルに依存させる
プレゼンテーション層に判断・加工・計算のロジックを置かない
HTTPリクエスト→ドメインオブジェクト：DirectFieldAccess
ドメインオブジェクト→HTTPレスポンス：HTMLテンプレート
・PRG
・DirectFieldAccess
@ControllerAdvice
@initBinder
あとは#kanjava MVCで検索
・アプリケーション層とドメインオブジェクト
@Service
@Validated ：引数にかけてしまう
リポジトリを@Autowiredする
ドメインの関心事としての永続化
インターフェース宣言
データベースの都合をドメインオブジェクトに持ち込まない
・データソース層とドメインオブジェクト
@Repository
MyBatisSQLmapping
オブジェクトとテーブルは別の世界
手作業で明示的にマッピングしている
resultMapに明示的に書く
・まとめ
■トークセッション
・変える気があるか
・リードする人がいないと・・
・ぐれいるずをつかおう
・数百人にDDDの厚い本を実践する？
・経験者を作る
・リファクタリングの形で書き換える
・本開発が始まる前に作るしかない
→縛りをかけてしまうと、
・ウォーターフォールでDDD
いけるんじゃないか？
・データさんがかじを切るだけでも変わる
→てらそるなに「リッチなドメインモデルは書かない」とかの記述に
たいして、こういうときならというのをちょこっと書いてくれるだけでも、
世の中は変わる。
・自分の知らないドメインは
→パクってくる。Day1はできてない。でも１週目にはできていないと・・
用語集とかは渡していない
・業務で使う日本語：横幅いっぱいになる：日本語でクラス作る？
enumは日本語で書いている。日本語でやると違和感
大規模はローマ字、子音だけはあるけど、
・ドメインモデルを作るコツ
値オブジェクト：ドメイン駆動はオーバーヘッド 結果的によくなる
・実装 MyBatisでなくてもJPAでもできるけど、
・オブジェクトの組み合わせでロジックを作る
順序依存性があるものは、サービスに書いている
はじめ
メルコＨＤ、シマダヤを完全子会社化へ
http://www.nikkei.com/article/DGXLASDZ21I0T_R20C17A3TI1000/
を見たとき、？？？と思ったけど、
BUFFALOのメルコHD、製麺のシマダヤを完全子会社化
https://srad.jp/story/17/03/27/0314226/
をざっと見たら
メルコ創業者である牧誠会長の実父がシマダヤの創業者で、また牧誠会長とシマダヤの牧実会長は兄弟という関係らしい。
と書いてあったので、縁故とかそういうことかと思ったけど・・・
・・・うん、ううううん！！
メルコでは製造プロセスの監視・管理システムのシマダヤでの検証実験などを進めていく
そ、そっか！
IoTを売っていく為には、実際に試してみないと分からない部分が正直ある。
そのため実証実験が必要になるんだけど、
食品製造など、IoTを入れる会社を子会社にしてしまえば、
IoT導入の試験研究費の配分など、経理上有利になるところは多そうですね。
もちろん、営業上も・・・
今後、IoTに参加しようとする会社が、ユーザー企業ごと買収してしまうなんていうのも・・・
なくはないかも？
メルコＨＤ、シマダヤを完全子会社化へ
http://www.nikkei.com/article/DGXLASDZ21I0T_R20C17A3TI1000/
を見たとき、？？？と思ったけど、
BUFFALOのメルコHD、製麺のシマダヤを完全子会社化
https://srad.jp/story/17/03/27/0314226/
をざっと見たら
メルコ創業者である牧誠会長の実父がシマダヤの創業者で、また牧誠会長とシマダヤの牧実会長は兄弟という関係らしい。
と書いてあったので、縁故とかそういうことかと思ったけど・・・
・・・うん、ううううん！！
メルコでは製造プロセスの監視・管理システムのシマダヤでの検証実験などを進めていく
そ、そっか！
IoTを売っていく為には、実際に試してみないと分からない部分が正直ある。
そのため実証実験が必要になるんだけど、
食品製造など、IoTを入れる会社を子会社にしてしまえば、
IoT導入の試験研究費の配分など、経理上有利になるところは多そうですね。
もちろん、営業上も・・・
今後、IoTに参加しようとする会社が、ユーザー企業ごと買収してしまうなんていうのも・・・
なくはないかも？
「迅速にパッチを適用できる体制や仕組みと、速やかにサービス停止を判断できる経営判断が今のユーザー企業には欠かせなくなった」
「脆弱性の多いソフトウエアやフレームワークの使用を避けるというリスク対策も必要」
猛威振るうStruts2脆弱性への攻撃、どうすれば防げたか
http://itpro.nikkeibp.co.jp/atcl/column/14/346926/032100893/
(太字は上記サイトの２ページ目から引用）
「脆弱性の多いソフトウエアやフレームワークの使用を避けるというリスク対策も必要」
猛威振るうStruts2脆弱性への攻撃、どうすれば防げたか
http://itpro.nikkeibp.co.jp/atcl/column/14/346926/032100893/
(太字は上記サイトの２ページ目から引用）
３月２７日、マルレク
マルレク第六回 「RNNの応用と発展 --- Google翻訳とDNC」
http://peatix.com/event/247204?lang=ja
に行ってきた！ので、内容をメモメモ
RNNの応用と発展 Google翻訳とDNC
・去年の暮れに出たGoogle翻訳
イギリス：DNC（Differentiable Neural Computer)
ニューラルネットは、得意な分野が違う
CNN:画像認識
RNN:シーケンス
DNC：推論 → 積み木の世界
・AI技術を構成する複数の流れの中で、
なぜ、ニューラルネットワークが重要なのか？
・機械学習
・パーソナルアシスタント（チャットボット）：人間がスクリプト
・ニューラルネット：感覚運動
・自然言語理解・論理的能力
言語処理、論理的推論をやらせよう
→ディープラーニングでいく？チョイスは１つではない
もう５年たっている→次の波がくるかも
・Google翻訳
ニューラル機械翻訳（GNMT)に先行したもの
いままで：統計的機械翻訳
最初
ルール・ベース機械翻訳モデル（RBMT)
いまは主流から外れている
１．英語・日本語の辞書
２．英語の文法
３．日本語の文法
→ルールを書く
Google翻訳：
文章 Word 英語 WordとWordからできている
意味の把握：述語→述語論理に落とす
word2vec；エンティティ・アトリビュートモデル
・ルールベース翻訳
犬が猫を追う
追う（犬、猫）
カテゴリアルグラマー→カーリー・ハワード コレスポンデンス
・統計的機械翻訳モデル（SMT)
ピーターブラウン A Statistical Approach to mechine Translation
よく似たペアを見つける 本当はベイジアン
→単純に言うと検索：Watsonも検索
検索と翻訳が結びついている
膨大なコーパスからはみ出るものがある
Aligning Text
→統計翻訳２つを無視 意味、文法
成功と限界：データ 意味の問題 Banko 文法理解 RNN
Very Very Large Corpora 2001年のBankoらの論文
Property of stimulus→生得的な基礎がある？
Power of Data：データがあれば、わかる
→ミススペルの検索
size matter
今回は、まったく新しいアプローチ
勝つのは、最良のアルゴリズムを持っている人ではなく、もっとも多くのデータを持っている人である
例；CERNは２０１６年４月に３００TBにおよぶ加速器のデータを公開
→何か出てくるか？
・パラレル・コーパスの現在
大規模化
Gale ＆ Charch
WMTの１４ヶ国語 ３６００万の文のペア
→Gooogleは、２～３桁大きい
世界最大のコーパス；Google Books
→４％のデジタル化
このままでは、翻訳には使えないけど・・・
Unicodeを使う：同じインターフェース
・最初のコーパスパラレル・データ ロゼッタストーン
ベスヒトゥン
線文字Bの解読
・ニューラル確率言語モデル
Benjioの「次元ののろい」
ワード単位ならハンドルできる
ある文章が学習用データに似ている可能性は低い：うまくいかない
→枝狩り
・語の意味ベクトル
ミカロフ Word2Vec
どんな語が与えられた語の近くに埋め込まれるか？
意味を変換するベクトルは共通？
言葉の意味ベクトル：翻訳には使えない？
・RNNの文法認識能力
エンティティモデル：名詞中心
LSTM
自動的に文章を生成
→RNNが単純な文法なら理解できている
Type-0 機能的加算：チューリングマシン
Type-1 文脈依存
・チョムスキー ４階層だけではなく
LR,LL 超えたところに自然言語
Mildly context sensitive language
・方法論上の問題
RNNではできないけど、LSTMでできること：ありそうだけど、わからない
何がすごいかは、結果でしかいえない
データと結果はあるけど、抽象化できない
・Googleニューラル機械翻訳
GNMT
システム
エンコーダー デコーダーそれぞれLSTM８段、アテンションがある
With Q Connection
第一層と第二層
エンコーダー、デコーダー：次元圧縮 ヒントンのオートエンコーダー
書籍の分類へのAutoencoderの利用
出てくる言葉２０００語の出てくる回数を数えて、それをベクトル
主成分分析より、きれいにできるよ！
いりあ
入力のシーケンスを圧縮：復元するときに言語を変える
BLUEのスコアで３４．８
Bahdanau
固定長はむり。デコーダーにもっと情報を
前から呼んできたものと、エンコーダーが見た情報を渡す
左と右＋コンテキスト情報
入力列にもう一度注意を向ける→じつはアラインメントをみている
・wordpiece
文をどのように分割する？
wordごと
すべての言語を同じ方法
word→組み合わせてword
語のならびを登録
どの言語、単語でも
・センテンス・ピース
３２におさまる、ぶったぎられた数字を見ている
→ソシュール：意味と表記は無関係
多言語
単一のシステム：共有ワードピース（エンコーダーもデコーダーも）
→システムのパラメーターの数は変わらない
ゼロショット翻訳：Googleは１００の言語を対応
全部一緒に学習するので、一般化を学んでしまう
・複数言語を同時にモデル化する
→詰め込むメリット
１２言語でボキャブラリ共通、
・ゼロショット翻訳
メリット
少量のデータを追加すれば上がる
・ビジュアルな分布、インターリンガの存在
すべての言語に共通する意味の存在はある
英語、日本語、韓国語の文 のトリプルを作るX７２文
その上で、英語→日本語、日本語→韓国語など、訳を作っていく
６個の変換X７２文＝４４４の翻訳
隔離されたゼロショットのところができる→翻訳の質が落ちる
→実験から：あるらしい
・混合言語
ちゃんぽんでも、英語に直す
混じった言語は生まれない
ロシア語とレラルーシ語・・途中ウクライナ語になったり・・
マルレク第六回 「RNNの応用と発展 --- Google翻訳とDNC」
http://peatix.com/event/247204?lang=ja
に行ってきた！ので、内容をメモメモ
RNNの応用と発展 Google翻訳とDNC
・去年の暮れに出たGoogle翻訳
イギリス：DNC（Differentiable Neural Computer)
ニューラルネットは、得意な分野が違う
CNN:画像認識
RNN:シーケンス
DNC：推論 → 積み木の世界
・AI技術を構成する複数の流れの中で、
なぜ、ニューラルネットワークが重要なのか？
・機械学習
・パーソナルアシスタント（チャットボット）：人間がスクリプト
・ニューラルネット：感覚運動
・自然言語理解・論理的能力
言語処理、論理的推論をやらせよう
→ディープラーニングでいく？チョイスは１つではない
もう５年たっている→次の波がくるかも
・Google翻訳
ニューラル機械翻訳（GNMT)に先行したもの
いままで：統計的機械翻訳
最初
ルール・ベース機械翻訳モデル（RBMT)
いまは主流から外れている
１．英語・日本語の辞書
２．英語の文法
３．日本語の文法
→ルールを書く
Google翻訳：
文章 Word 英語 WordとWordからできている
意味の把握：述語→述語論理に落とす
word2vec；エンティティ・アトリビュートモデル
・ルールベース翻訳
犬が猫を追う
追う（犬、猫）
カテゴリアルグラマー→カーリー・ハワード コレスポンデンス
・統計的機械翻訳モデル（SMT)
ピーターブラウン A Statistical Approach to mechine Translation
よく似たペアを見つける 本当はベイジアン
→単純に言うと検索：Watsonも検索
検索と翻訳が結びついている
膨大なコーパスからはみ出るものがある
Aligning Text
→統計翻訳２つを無視 意味、文法
成功と限界：データ 意味の問題 Banko 文法理解 RNN
Very Very Large Corpora 2001年のBankoらの論文
Property of stimulus→生得的な基礎がある？
Power of Data：データがあれば、わかる
→ミススペルの検索
size matter
今回は、まったく新しいアプローチ
勝つのは、最良のアルゴリズムを持っている人ではなく、もっとも多くのデータを持っている人である
例；CERNは２０１６年４月に３００TBにおよぶ加速器のデータを公開
→何か出てくるか？
・パラレル・コーパスの現在
大規模化
Gale ＆ Charch
WMTの１４ヶ国語 ３６００万の文のペア
→Gooogleは、２～３桁大きい
世界最大のコーパス；Google Books
→４％のデジタル化
このままでは、翻訳には使えないけど・・・
Unicodeを使う：同じインターフェース
・最初のコーパスパラレル・データ ロゼッタストーン
ベスヒトゥン
線文字Bの解読
・ニューラル確率言語モデル
Benjioの「次元ののろい」
ワード単位ならハンドルできる
ある文章が学習用データに似ている可能性は低い：うまくいかない
→枝狩り
・語の意味ベクトル
ミカロフ Word2Vec
どんな語が与えられた語の近くに埋め込まれるか？
意味を変換するベクトルは共通？
言葉の意味ベクトル：翻訳には使えない？
・RNNの文法認識能力
エンティティモデル：名詞中心
LSTM
自動的に文章を生成
→RNNが単純な文法なら理解できている
Type-0 機能的加算：チューリングマシン
Type-1 文脈依存
・チョムスキー ４階層だけではなく
LR,LL 超えたところに自然言語
Mildly context sensitive language
・方法論上の問題
RNNではできないけど、LSTMでできること：ありそうだけど、わからない
何がすごいかは、結果でしかいえない
データと結果はあるけど、抽象化できない
・Googleニューラル機械翻訳
GNMT
システム
エンコーダー デコーダーそれぞれLSTM８段、アテンションがある
With Q Connection
第一層と第二層
エンコーダー、デコーダー：次元圧縮 ヒントンのオートエンコーダー
書籍の分類へのAutoencoderの利用
出てくる言葉２０００語の出てくる回数を数えて、それをベクトル
主成分分析より、きれいにできるよ！
いりあ
入力のシーケンスを圧縮：復元するときに言語を変える
BLUEのスコアで３４．８
Bahdanau
固定長はむり。デコーダーにもっと情報を
前から呼んできたものと、エンコーダーが見た情報を渡す
左と右＋コンテキスト情報
入力列にもう一度注意を向ける→じつはアラインメントをみている
・wordpiece
文をどのように分割する？
wordごと
すべての言語を同じ方法
word→組み合わせてword
語のならびを登録
どの言語、単語でも
・センテンス・ピース
３２におさまる、ぶったぎられた数字を見ている
→ソシュール：意味と表記は無関係
多言語
単一のシステム：共有ワードピース（エンコーダーもデコーダーも）
→システムのパラメーターの数は変わらない
ゼロショット翻訳：Googleは１００の言語を対応
全部一緒に学習するので、一般化を学んでしまう
・複数言語を同時にモデル化する
→詰め込むメリット
１２言語でボキャブラリ共通、
・ゼロショット翻訳
メリット
少量のデータを追加すれば上がる
・ビジュアルな分布、インターリンガの存在
すべての言語に共通する意味の存在はある
英語、日本語、韓国語の文 のトリプルを作るX７２文
その上で、英語→日本語、日本語→韓国語など、訳を作っていく
６個の変換X７２文＝４４４の翻訳
隔離されたゼロショットのところができる→翻訳の質が落ちる
→実験から：あるらしい
・混合言語
ちゃんぽんでも、英語に直す
混じった言語は生まれない
ロシア語とレラルーシ語・・途中ウクライナ語になったり・・
３月２７日 D-Caseワークショップに行ってきた。内容をメモメモ
■D-Caseが期待される背景
・大規模リコール問題 Toyota
NASAの調査：客観的に証明できなかった
→客観的に証明できる D-Case
・第三者は製品の品質を知る術がない
→D-Case
・基本的な書き方
トップゴール
説明で分解 前提：ここが合意されていることが大事
ゴール
証拠
未定義 ：説明できていない
・白抜きの→ コンテキスト
黒抜きの→ それ以外
・前提は合意できている
前提：構造、条件
・手順１：前提となる文書を整える
保障対象の構造にしたがって、上位者の考える合格基準を明文化
■D-Caseステップ演習
・ティムケリー ６段階
ゴール
前提
ストラテジー
・誰に対しても同じGSN
・これまでのGSN記述法と課題
どの程度の粒度、規模で記述すればよいかわからない
誰に対しても同じGSN
記述したGSNをシステム開発で
目的
・モデルの情報量を制限する
・D-Caseステップ
ステークホルダーの設定
GSNの記述
GSNの評価
合意形成の実施
・ステークホルダーの明確化
・書き方
参加者の興味関心・リポジトリの利用
・評価
前提の妥当性
中身の議論
規模の妥当性
・合意形成の実施
・演習：自動運転について
■演習：ライト点灯制御装置
■その他
D-Case Web Editor
http://mlab.ce.cst.nihon-u.ac.jp/project/d-case-web-editor/
■D-Caseが期待される背景
・大規模リコール問題 Toyota
NASAの調査：客観的に証明できなかった
→客観的に証明できる D-Case
・第三者は製品の品質を知る術がない
→D-Case
・基本的な書き方
トップゴール
説明で分解 前提：ここが合意されていることが大事
ゴール
証拠
未定義 ：説明できていない
・白抜きの→ コンテキスト
黒抜きの→ それ以外
・前提は合意できている
前提：構造、条件
・手順１：前提となる文書を整える
保障対象の構造にしたがって、上位者の考える合格基準を明文化
■D-Caseステップ演習
・ティムケリー ６段階
ゴール
前提
ストラテジー
・誰に対しても同じGSN
・これまでのGSN記述法と課題
どの程度の粒度、規模で記述すればよいかわからない
誰に対しても同じGSN
記述したGSNをシステム開発で
目的
・モデルの情報量を制限する
・D-Caseステップ
ステークホルダーの設定
GSNの記述
GSNの評価
合意形成の実施
・ステークホルダーの明確化
・書き方
参加者の興味関心・リポジトリの利用
・評価
前提の妥当性
中身の議論
規模の妥当性
・合意形成の実施
・演習：自動運転について
■演習：ライト点灯制御装置
■その他
D-Case Web Editor
http://mlab.ce.cst.nihon-u.ac.jp/project/d-case-web-editor/
事例集では「プロジェクトごとに進行基準を採用できるかどうかを判断する仕組みを作る」といった業務が必要になると示している。
例えばIFRS15号では「進捗度が合理的に測定できる場合のみに収益を認識する」としている。これに対応するためには、「進捗度の測定方法を定め、類似の開発や状況に一貫して適用できるようにする仕組みを整える」といった作業が必要になる。
システム開発の計上に新ルール、JISAが準備呼びかけ
http://itpro.nikkeibp.co.jp/atcl/column/14/346926/032200897/?P=2
(太字は上記サイトより引用）
例えばIFRS15号では「進捗度が合理的に測定できる場合のみに収益を認識する」としている。これに対応するためには、「進捗度の測定方法を定め、類似の開発や状況に一貫して適用できるようにする仕組みを整える」といった作業が必要になる。
システム開発の計上に新ルール、JISAが準備呼びかけ
http://itpro.nikkeibp.co.jp/atcl/column/14/346926/032200897/?P=2
(太字は上記サイトより引用）
自分へのメモ（まだ試していない、というか、ドローンすら買っていない）
ノンプログラマでもコピペでOK！JavaScriptを使ってDroneを飛ばそう
https://liginc.co.jp/187633
ノンプログラマでもコピペでOK！JavaScriptを使ってDroneを飛ばそう
https://liginc.co.jp/187633
アクセス
トータル
ランキング
