クラウドERPの市場動向

「ERPはクラウドでは利用しない」とした企業が現在は73.8%に上りましたが、5年後には24.8%、10年後には15.6%と急減する見込みが示されました
規模はわかんないけど、動向的にはクラウドへらしい
（注意：利用「しない」だから、数字が低いほうがクラウド利用する人が多いことになる）
【まとめ】クラウドERPの市場動向・メリット・事例
http://www.bizcompass.jp/orig-ac/bu-cost-018-14e.html

(太字は上記サイトから引用だけど、そのサイトが他から引用している）

グーグルの新フォント「Noto Serif CJK」

「2種類のフォントを混ぜて使うと、きれいに見えないのです」

だそうな・・・（＾＾；）

日中韓に対応したグーグルの新フォント「Noto Serif CJK」は、なぜ生まれたか
http://wired.jp/2017/04/08/noto-serif-cjk/

「WiFi １０００人つないだ！」をイジメル人たちの技術レベルは、2013年以前の昔の頭？

２０１０年の時代遅れのガイドの話をしているのではないのだよ。。。
そんなもん、２０１３年に覆されている。どんだけ、古い情報読んでるんだよ・・・

あるついーとがいじめにあっているようだ・・・


藤原和博‏ @kazu_fujihara
スマホを学校で使うのにWiFiを設備すればすぐ繋がると思っていたのが大失敗！どんな苦労をしたか、裏話を書きました。市教委だけじゃなく、学校によく出入りしている内田洋行も富士通も気づかなかったこと。これ、全国の自治体の参考になりますよ
http://www.nikkei.co.jp/rim/glweb/kiji/313kiji.pdf …


この記事が

http://www.nikkei.co.jp/rim/glweb/kiji/313kiji.pdf


これに対して、

高等教育機関向け高密度無線 LAN デザイン ガイド
http://www.cisco.com/c/ja_jp/products/collateral/wireless/aironet-1250-series/design_guide_c07-693245.html

を上回れるのか？とか、すごんで（いるつもりになっている）んだそうだ。

さらに、

「学校の授業でスマホ活用」のはずが、初歩的な技術運用ミスで失敗し業界の笑いものになるまで
https://news.yahoo.co.jp/byline/yamamotoichiro/20170408-00069688/

でも、この文書を上げ、さらに悪意があるのかわかんないけど、
「１００人」ぐらいではこんなガイドラインがあって、２０１０年には解決しているといって、
上記ツイートと関連記事をディスっている。

---

おいおいおい、そのガイド、読んだ？意味わかって読んだ？

そのガイドで、１０００人動画常時アクセスは実質「できない」って書いてあるだろう！

ところが、この記事では、「できた」と書いている。
それだけで、このツイートや記事は価値があるんだよ！

そして、その技術は２０１３年ごろから出てきているのかな・・・？
従来のコンセプトとは違うWifi技術で、それを
富士通の人や内田洋行の人は「しらない」といっているのだよ！

っていっても、わかんないかもしれないので、順に説明しよう・・・

---

■WiFiの接続は、従来人数が増えれば、帯域は減った。

WiFiは２．４GHzと５GHzがある。
２．４GHzは、同時３チャンネル以上を利用すると、混信する。
（詳しくはhttp://musenlan.biz/blog/522/）


そこで、３人以上つなぎたいときは、どうするか？

同一チャンネルを使う。この場合、WiFiは、同一チャンネルを利用したい
２人がジャムらないように空き時間を見計らって、うまい具合に２人
を通信できるようにさせる・・・とはいえ、結局２人でシェアするのだから
帯域は２分の１にへる。

学校などで利用する場合は、狭い場所（さらに屋内＆見通し距離）なので、
５GHｚ帯と併用する。５Ghzはもっとチャンネル数が
取れる。なので、１００人くらいであれば、2.4/5G Wifi併用で結構うまくいく。

この技術に基づいて作られているのが
「高等教育機関向け高密度無線 LAN デザイン ガイド」
で、そこの
「表 4 チャネル数、接続数、および集約帯域幅（Mbps 単位）のリファレンス ガイド」
にあるように、この方式では、６００接続に対して、0.70MBｐｓしか出ない。
ところが、
「表 1 アプリケーション別の帯域幅要件」
にあるように、Webの講義・オンデマンドビデオなどでは１MBｐｓほしい。
つまり、６００人はだめなのだ。この手法では。
とうてい１０００人はできない。

上記非難をしている人は、このガイドをあげているけど
このガイドしか読んでいないなら、１０００人動画はつながらない
（つながるだけならできるかもしれないけど、フォーム入力とか？）
と思うのが普通なのだ・・・

---

■そこに「スタジアムWi-Fiソリューション」

ところが、これとはまったく違ったコンセプトが現れた。
具体的には、

エヌ・ティ・ティ・ブロードバンドプラットフォーム株式会社、西武ドームにおける「スタジアム Wi-Fi ソリューション」導入
http://www.cisco.com/c/ja_jp/solutions/service-provider/mobility/case-studies/0907-wifi-nttbp-cs.html

上記の説明は、「図２」今までのソリューションにあたる。
それと違うコンセプトが「スタジアムWi-Fiソリューション」

具体的に言うと、一時（池田氏で）話題になった、「ホワイトエリア」のWifi版
指向性の高いWiFiアンテナをつなぐことで、対象エリアを絞り込む。
こうすれば、ちょっと（距離を）離しただけで、同一のチャンネルで別々のネットワーク
として使える。たとえば、アンテナの指向性を使って、
同じエリアを５つの混信しない小さなネットワークに切り分けられれば、
全体は１０００人でも、各ネットワークエリアには、１０００÷５エリア＝２００人
となる。このスループット（接続数２００、チャネル数２１）はさっきの表４によると、
2.10Mbps！目標クリアするのだ・・・

このほかにも、バーチャルセルだったかな？とか、方法があるらしいけど、
とにかく最近、従来のように単純に接続するのではない方法で、
電波干渉を回避しながらアクセスポイントの高密度配置が可能
になってきたのだ。

この記事２０１３年に出てるけど、たぶん、そのくらいからじゃないかなあ・・
この手法？

---

■この手法でもできない問題と回避策が、その記事に書いてある。

これで帯域は確保できるんだけど、実はこれだけでは、アクセス集中は回避できない。
そこで、
　サーバーを増強し、
　いっせいにアクセスを開始するログイン（認証）のアクセス回数を減らし、
　さらにほかのサイト（Lineなど）への通信も遮断し
スループットをあげているというのが、記事の内容。

　帯域は意識するんだけど、アクセスの集中もね！というのが、この記事にかいてある
ことで、このアクセス集中の話については、さっきのガイドラインに書いていない。
（アプリ側の話でネットワーク設計者には関係ない・・・ので書いてないのは当たり前）
　なので、そこについて触れている点で、意味があるのだ。

　それが読み取れないというのは、たぶん読み手の技術力の低さで、このツイートした
人が責めを負うべき話ではない。

　むしろ、こういうツイートとか情報をじゃんじゃん流してほしい。

　わかるやつにはわかると思う。


■おまけ

これも見ておくといいかも！

あなたの学校に「使える無線LAN」を導入する3つのポイント/シスコシステムズ
http://ict-enews.net/zoomin/cisco/

サイエンスZEROの筋変位センサー（奈央さんが鳥をかんじてたやつ）を買うには

センサー部分は、

UnlimitedHand
http://unlimitedhand.com/
だと思う。上記サイトに売っているお店が書いてある

ちなみに、やっていたのは

手に小鳥が乗る感覚を体験！触感型ゲームコントローラー開発者H2L CEO 岩崎氏インタビュー
https://iotnews.jp/archives/9145

かな？・・
テレビでは社長の岩崎さんが出ていたけど、このブログでは、
UnlimitedHandを開発した会社H2Lの創業者　玉城 絵美　さんの名前を

空間に絵を書いて没入できるHTC Viveの話とか、筋変位で手が動かすとかのVR話聞いてきた！
http://blog.goo.ne.jp/xmldtp/e/2e69bc092c731cc98060c19c9792c691

で出してるけど、あ、あれ？

　Emi Tamaki：筋変位で手を動かす

しか、書いてないや・・・
あれ、どっかにかかなかったっけかなあ？H2Lの取締役として名前のある鎌田さん
の話とか、シャフトの話とか・・・

ま、いっか。たぶん、シャフトの最近の話（トヨタの）は、書いてないと思うので
今度その辺も含めて書く。



●P.S

ちなみに、そのほか番組に出てきた話

VR酔いについては、こちら
【体験レポ】微弱な電気を流して“VR酔い”を克服できる？
http://www.moguravr.com/vr-nausea-cedec2016/

総指伸筋については
総指伸筋（そうししんきん）
http://muscle-guide.info/extensordigitorum.html

電気通信大学前のセブンイレブン 24時間電子部品が買える

電気通信大学前のセブンイレブンの品揃えがすごい。「実店舗で24時間電子部品が買える」「地味にお酒も充実」
https://togetter.com/li/1097217

「クックパッド」のレシピをめぐり物議

離乳食にはちみつで男児死亡　「クックパッド」のレシピをめぐり物議
「離乳食 はちみつ」で検索すると147件のレシピがヒットする。
https://www.buzzfeed.com/takumiharimaya/cookpad-baby-food

AIの市場って、思ったより、小さいのでは？

富士キメラ総研
ＡＩを活用した分析サービス、ＡＩ環境を構築するためのシステムインテグレーション（ＳＩ）、プロダクトなど
ＡＩ（人工知能）ビジネスの国内市場を調査
２０３０年度の市場は２兆１,２００億円（２０１５年度比１４.１倍）
http://www.group.fuji-keizai.co.jp/press/pdf/161128_16095.pdf

２０３０年なんて、先の話はわからないので、２０１５年でみると。。。

２０１５年度のＡＩビジネスの国内市場は１,５００億円

えっ（＠＿＠！）ちいさっ・・

IoTの場合、

IoT分野の市場規模は2015年度の約5200億円から2022年度には3.2兆円まで拡大する
http://www.atmarkit.co.jp/ait/articles/1611/22/news088.html


ゲームアプリの市場は

2015年の日本のスマートフォン・タブレット向けゲームアプリの市場規模は、年間グロス売上（末端価格）で9453億3500万円
http://k-tai.watch.impress.co.jp/docs/news/1013173.html

パブリッククラウド市場は

2016年の国内パブリッククラウドサービス市場は、前年比30.5%増の3,762億円
http://www.idcjapan.co.jp/Press/Current/20170313Apr.html


つまり、２０３０年のAI市場規模ですら、２０２２年のIoT市場の３分の２しかない。
AIの市場って、思ったより、小さいのでは？

「先生にSNSを見られるのがイヤ」

なら、大事な話は会って直接話そう！
・・・正論！

「先生にSNSを見られるのがイヤ」という中学生に、マツコが持論を展開
http://grapee.jp/317493

人工知能ロボット「Musio」（ミュージオ）

人工知能ロボット「Musio」の体験会に行ってきました！
https://chiik.jp/articles/7GYHW

AI,BI,CI,DI・・・次はEI、心（感情）の時代

AIは言わなくなった、いまはBI,CIの時代、ってことは・・・
http://blog.goo.ne.jp/xmldtp/e/45112a3c03e9f336eda37b289527819e
っていうのを２０１４年に書いた。

今、たしかにその次のDI、
SpringがSpringBootで復活した！

ということは、次はEI＝Emotional Intelligence 心の知能
ということで、感情の時代になるのかもしれない・・・

もっとも、今AIにもどったので、次はまたBIになるのかもしれません
（ZIで、ロート製薬の目薬になる？）

りんなさんのバイト先とか勤務状況を聞いてきた！

４月６日の
インテル　AI　Day
のつづき(これでおわり）

---

■LINEのチャットボット・　いさごさま

・動画

　チャットボット
　　検索・予約

・自己紹介
　　なぜLineにいるのかは、ぐぐれ
　　きっかけはりんなさん
　　だまされたとおもって、りんなさんと友達になろう！
　　中国で相談→Lineとやるのがよさそうといったのがいさごさん

　　大量の会話データ：Line

・りんなさんが口説けたときの武勇伝
　　しんらつな言葉もある
　　会話を続けるように学習
　　会話がどのくらい続くかを最適化
　　りんなのコンセプト　Emotional AI
　　こるたな・・・しごとに
　　しゃおあいすとりんな・・・感情だけ
　　どこかで融合？

・つくってみたい
　　３年前は難しかった
　　今オープンソース

　　bingチーム：
　　　検索エンジン　Word2vecみたいなものつかっちゃえば
　　　徹底的に学習：日本語を解析しているのではない
　　　　　ディープラーニング：パターン
　　　　　深層学習類似度モデル
　　　　　言葉を生み出す：RNN
　　　→川柳とかもできる

・データ量
　　パーミッションを得やすい会社

・りんなさん、バイトしてます
　　→広告なので就職でなくバイト
　　SHARPXりんな　in Twitter
　　　つかれない、めげない、やめない
　　にんげんがみててひやひや：業務要件に弱い
　　　　ワーナーブラザーズ：えいがみる？
　　　　　りんな：みるよ、ディズニー
　　ていさんはざんねん
　　　　学習をリアルタイム；好奇心もたせると
　　　　PTAがいる：教育データのスコアリング
　　　　　→日本人には当たり前：ロボットは教育するもの
　　　　　　欧米：ロボットが支配する？

・りんなさんのバイト先：ローソン
　　　あきこちゃんとしてふるまう：丁寧な言葉
　　　りんなは乱暴な言葉　　
　→新商品は教えない：ユニバーサルボットは存在しない
　　AIを使うための目的がしっかりしていれば、それに対して

・Line
　マンスリー６８００万人：ほぼほぼ、何らかの形で
　アクティブ率　７１．０

　全世代サービス

　企業への対話でもチャットやメッセージングの利用意向が急増

・やまと運輸
　再配達通知：Lineで
　　２４時間３６５日対応できるーなぜ→AIが入っているから
　NAVITIME
　　終電
　AIR Do
　　搭乗手続きもLineだけで完結→１対１の会話も
→Android,ios：チャットボットで！

・カスタマーサポート
　Line Pay
　　チャットボット
　Line版まなみさん（ろはこ）
　　AIから人間に切り替わる→満足最大化
　→Lineカスタマーコネクト
　　　オートリプライ
　　　マニュアルリプライ
　　　コールToLine（音声）
　　　LineToコール（IP電話）
　ハイブリッドコネクション
　現状は満足な答えを返せない
　　はい　いいえ→いいえに切り替わるとコールセンターへ
　IT系パートナー

・音声
　　フリーダイヤル、ナビダイヤル（IVR）の置き換え
　　もともと、無料音声通話アプリだった！
　Call To Lineで実現する待ち時間なしのIVR

　音声・テキスト以外の立地メディア活用の可能性

・Clova
　Wave
　テキストチャットはもちろん、動画、音声組み合わせ
　りんなのように楽しませる→スマートスピーカー
　IoT：エッジ側で解決できる　自動販売機　Lineとつなぎこむときにインテルさんも

・Closing the Distance

■将棋コンピューター将棋界最強の会社が語るAIの未来　ひーろーず
　HEROZ AI Kishin（棋神）というサービス開始
　名人を超えた

　将棋Wars
　ぽけもん of マスター
　野村證券：株価予測

　ブレインラボ

　課題を解決：各産業

＜＜技術的特異点と将棋プログラムPONANZA＞＞
・佐藤名人　VS　PONANZA（デンソーさんに腕）
　PONANZA圧勝
　６年前　電王線始まった：トッププロ倒すほどではなかった
　→進化は加速
　　プロ棋士：ここからが長いといった：人間の直感だとそう
　　コンピューター：どんどんのびる
　→指数的に伸びる；はじめはよわい

・どうしてこんなに強くなったか
　人工知能２つのパート
　　　人間が作った部分
　　　人間が作っていないところ

　　探索すること
　　評価の部分→書いていない

　はじめ：プロの手とさしてが一致→ある程度まで

　さらに強くする：強化学習
　　　１００おく局面を用意→予想と結果の差分を小さくなるように
　　　　→兆に届くレベル→新戦法まで生み出す

　現在；コンピューターからセオリーを学んでいる
　　人間の教師がコンピューター

・２０１３年　コンピューター将棋に負けた　お葬式

　２０１４年　なれた


・ディープラーニング
　　ゲームの世界でも：アルファーゴー：４勝１敗　あるふぁーごーが人間の知らない囲碁を打った
　　　→強化学習：あたらしい地平線
　　オンライン対局：６０連勝

　将棋では・・
　囲碁：正しい手を打つのは簡単（あいてるところに打てばよい）
　→ディープラーニングにルールを伝える？
　→ルールはいらなかった
　Ponanza Chainer

・将棋界：技術的特異点を越えた、将棋の世界

　人間が愛するのは、対人間


■深層学習フレームワーク Chainerとその進化
・２０１５年～公開されているフレームワーク
　PFN

・Chainerの目標
　社内の深層学習の研究開発を加速させる
　　高い自由度で直感的に記述できる
　　十分に高速に実行できる
　　用意にデバックできる
→世の中の深層学習の研究開発を加速させる

・ニューラルネットの学習方法
　目的関数の設計
　　　RNNなどを利用して自分で設
　勾配の計算
　　　自動で計算
　最小化のための反復計算
　　　ライブラリが提供

・ニューラルネット
　誤差逆伝播法→勾配を計算：自動でやってくれる

・いままで
　　Define And Run 静的グラフ：Caffeなど
　　Define by RUN 動的グラフ：Chainer

　Define And Runは構築と評価がべつべつ
　Define by RUNは構築と評価が同時

・なぜ
　深層学習は階層の深いだけではなくなってきている
　いろんなネットワークが提案
　手法が複雑化：高い自由度必要

・さまざまなプロジェクト
　Chainer MN
　Chainer RL（深層強化学習）
　Intel版 Chainer

・２０１５年　TensorFlowも開発されていた

・ChainerMN
　複数GPU,複数ノードで（マシン間はInfiniBand)
　→スパコンなどで使うやつ

・使いやすさを損なうことなく
　分散して学習を追加する

・強化学習
　がんばってなにかする：
　昔自作してた

・利用シーンの違い
　運用コストの違い
　消費電力の違い
→Intel 版Chainer MKLDLLをたたいて最適化

・まとめ

■人工知能分野の技術軍の社会実装

話の内容
・言語
・ちゃれんじ

そもそも：会社紹介
・アルゴリズム

事業領域：社会実装へのフォーカス
　データ収集：IoT
　データ解析：
→最終的に体験が変わる

　基本的に：
　　教師データ
　　計算リソース
　　アプリケーション
　　最終的にユーザー体験かわる

→今日は言語

人工知能
　　機械学習
　　　　表現学習
　　　　　　深層学習
言語領域NN

＜＜言語領域＞＞
　BEDORE（べどあ）
・自然言語処理の進化
　　対話：ディープラーニング
　　課題解決を対話エンジンで
・機械学習ベースの対話：ルールベースよりも高い精度で質問の意図を読み取る
　　ルール間の管理が難しかった
　　例を教えればいい
・BEDOREを導入することで、センターへのか電数が削減可能
　　→自動応答
　→サジェスト：ナレッジマネジメントへ

・AIプロダクトが価値を出すために必要な３つのようそ
　　高い初期精度
　　ミスを保管できるふぇーるせーフナ仕組み
　　アルゴリズムに視線と反映される

・データ量が増えるほど精度が上がる
　→初期開始時の精度が重要：好循環に入るのに
・ミスを保管できるフェールセーフな仕組み
　１００％はできないので
・アルゴリズムに視線と反映される
　ダッシュボードでアノテーションにより効率的に入れられる

＜＜ここまで＞＞

・後半
技術インフラ
　　コスト
　　応答性能、スケーラビリティ、
　　ビジネス領域　社会実装→特化したプロセッサ
　　　ex: B to C
　　エッジ側で認識

チャレンジ
１．言語依存性の対応→言語の意味理解

　（１）シンボルスペース

　　　　対応づけ

　（２）パターンスペース

　　　　パターン認識

　（３）リアルスペース

・古典的言語軌跡　（１）のみ
・近い将来の言語解析　（１）、（２）
・言語の意味解析　　（１）、（２）、（３）

２．人口構造と人口減少から見るAIの社会受容性

３．技術者別人口構造と世代間連携の必要性
　　５０代　くみこみとか
　　３０代　エンタープライズとか
　　２０代　AI

■あいさつ
・AIは単独で語られることがおおいが、実は進化した結果であり、
　その前に、クラウド等様々なハイプがある
・AIで何かできないか→前提条件をやっていないと大変
　きちんと投資している人には落差はない連続体
　あくまでもAIはツール

「デジタルトランスフォーメーション」の意味知ってた？

ちなみに、「デジタルトランスフォーメーション」とは、
もともとはITの浸透が、人々の生活をあらゆる面でより良い方向に変化させる
という意味だけど、IDC的にいうと、
第三のプラットフォームにより競争優位にたつこと
らしい。で、「第三のプラットフォーム」とは
「クラウド」「ビッグデータ／アナリティクス」「ソーシャル技術」「モビリティ」
で、ちなみに、第一が汎用、第二がクライアントサーバーらしい

・・・あれ、AIでてきてないじゃん（＾＾；）

っていうわけなんだけど、IDCの講演もあった、
４月６日の
インテル　AI　Day
のつづき

---

■AIテクノロジーと将来への展望：詳細のご紹介
・ハードウェアの話
・インテルAIプロダクトグループ：CEO直結

トピック
　・AIの分類
　・インテルNervanaプラットフォームポートフォリオ
　・将来への展望

AIの展望
　昔は、エキスパートシステム
　今、ディープラーニング

マシンラーニングのタイプ
　教師あり学習
　教師なし学習：統計レベルで理解
　強化学習：エージェント　あるふぁーごー
→オーバーラップすることも、一緒に使うことも

従来のマシンラーニング
　N　X　N
　　K値　フィーチャー
　　分類木にかける：SVM,ランダムフォレスト

ディープラーニング
　複数の抽象化レベルで特徴を抽出する方法
　特徴はデータから検出
　データが多いほどパフォーマンスが工場
　高度なデータ表現

エンドツーエンドのディープラーニング
　ながしてあげればいい
　→定義する必要がない
　ただし、従来型の手法を利用可能

以前は「人間の仕事」だったタスクを自動化
　ImageNet→エラー率下がる
　発話のエラーレート

ディープラーニングの課題
（１）学習処理に必要な大規模なコンピューティング要件
　　コンピューティング／データ
（２）パフォーマンスがデータ量に応じて変化
　　ビデオ：Googleが提供　発話も
　　スケーリングはI/Oバウンド
　　　　学習速度・プロセッサー数

インテル　Nervanaプラットフォーム
・中心（それいがいもあるけど）
　中核はXEON,XEON PHI、クレスト
　クレストはFPGAとあわせても

・まずXEON
　最も広く導入されているマシンラーニングプラットフォーム
　広く採用

・XEON PHI
　HPCから派生マルチスレッド、

・半導体
　演算用のモデルと基盤
　脳からマシンラーニングにマッピング；

・クレストファミリー
　GPU
　おんチップ型メモリー
　スケーラビリティ

・ディープラーニング　ワークロード向けに設計
　
・LAKE CRESTのディープラーニングアーキテクチャ
　アーキテクチャのスナップショット
　　テンソルベースのアーキテクチャ
　　階層構造
　　HPCと異なり、メッシュがた：なーばなの特徴

・ナーバナこんぴゅーととぽろじー
　ふぁぶりっくのなかでかんけつ


・プラットフォーム
　　クレストファミリー
　　FPGA
　　XEON PHI
　　XEON

・ソフトウェア：ハードウェアと組み合わせて使える
　いろいろなレベルの抽象化

・主要なAI研究
　学習処理の高速化に向けたアルゴリズムの進化
　学習モデルのスパース化とぷるーにんぐ
　精度を微細化した演算
　ディープラーニングにおける学習処理のスケーリングの向上

・AI時代におけるインテリジェンスの実現


■インテルFPGAでのマシンラーニング
・コンピューティング、データセット、証明がある
　→戻ってきた

・インテルのAIエコシステムではFPGAも使用可能
　４つの
　　柔軟性、低レンテンシー、高スループット、低電力
　→すいろんによい
　　生産性、使いやすさ

・FPGAに適したMLの例
　クラウド
　　FPGAは書き換え可能
　自動運転車
　軍事・防衛

・どこに展開：どこにでも
　デバイス、ゲートウェイ、フォグ、クラウド

・マシンラーニングにFPGAを使用する理由
　フィールドプログラマぶる
　ゲートアレイ：ロジックゲートで構成　
　高いスループット、移動短縮、高い電力効率
　DSP→任意の精度

　AI　２ヶ月ごとに新しい

・AIエコシステムにFPGAが提供すること
　CNN：使いやすさDLA
　汎用性の高い、ソリューションをパラメータ化
　OpenCL SDKでカスタマイズ

・マシンラーニングにおける多様なFPGA使用モデル
　FPGA
　インラインデータフロー処理
　ストレージアクセラレーション
　コンピューティングのアクセラレーション・オフロード

・インテルFPGAがもたらす価値
　インテルArria10FPGAのパフォーマンス

・インテルのAIエコシステムではFPGAも使用可能
　SDK,フレームワークから出発：最適化している
・$intelAIで今すぐはじめよう！

■デジタルトランスフォーメーションによる
　コグニティブ／AIシステム活用の進化　ゲスト講演　IDCジャパン

　市場よりの話
　コンテキスト２つ
　　AIはブームで終わるか？
　　エコシステムに乗り遅れないために、だれと

・背景
　ステイクホルダーは変化している
　デジタルトランスフォーメーション

　第三のプラットフォームの新たな成長ビジネスプラットフォームへの展開
　　　５０％ぐらい（３．７％の成長率→むかしのプラットフォームを食っていく）

　応用系：イノベーションアクセラレーター
　　コグニティブ。AI

　AI
　　Pepper？
　　アメリカ情報処理：人間に近いもの→意識？

　ｄｘエコノミーの萌芽：２０１７年、DXは経済化
　デジタルトランスフォーメーション（DX)
　　第三のプラットフォームを利用
　　→考えないと成り立たない

　測定する手段
　　マチュリティスケープ
　　　ステージ１．すきものがやっている
　　　ステージ２．だいたい使われている
　　　ステージ３．標準化
　　　ステージ４．だいたいつかっているけど、なりたたないほどではない
　　　ステージ５．なりたたない
　→去年１・２
　　今年２・３　１個シフト
　世の中：もっとはやい方向にトランスフォーム

　イノベーションアクセラレーター
　２０１６　１６７億　２０２０　２７３４億円

　国内コグニティブ／AIシステム市場予測　２０１５年～２０２０年

　コグニティブAIシステムとは
　　人間の意思決定を早く性格に、えびでんすスベース、補助

　２０１６年までに注目されたユースケース
　　顧客サービス自動化エージェント
　　品質管理
　　　：
　　どちらかというとPOC
　２０１７年
　　お金になるビジネス
　　　フリート管理（運行管理・タクシー管理）
　　　安全
　　　サイバーセキュリティ
　　　詐欺・犯罪・テロ検知

　IoTの８５％にAI
　ソフトウェアの５０％にAIが入っていないと競争力はない

　いわなくなったとき；自然に使っているかも？

・AI；しってます。→つかっているのは６～７％→マーケットにチャンス

　４つ課題
　　システムアーキテクチャ
　　システム／ソフトウェア開発手法とその容易さ
　　ノウハウ
　　運用

・IDCの提言
　コグニティブ・AIシステムが作るエコシステムに乗り遅れない
　あらゆる用途業種・業務での利用を考える
　提言
　　コグニティブシステムのパートナーを適切に選択する
　　　戦略領域はどこか
　　　エンジニアリング人材の獲得・育成
　　　開発が容易なプラットフォーム

　　

いまさら聞けないオシロスコープの超基本

を勉強したいので、URLをメモメモ

いまさら聞けないオシロスコープの超基本
http://techon.nikkeibp.co.jp/atcl/feature/15/032700084/

インテルのAI用チップについて聞いてきたのだが・・・

よくわからん・・・いっぱいあって・・・

４月６日インテル AI Dayに行ってきた
その内容をメモメモ・・なんだけど、はじめ、ヒカリエホール（９F)の入り方が分からず（１１階からはいる）
初めの部分を聞き逃した。

---

■インテル＋AI：未来の体験の推進
（途中から）

自動運転
・データ管理とコンピューティング必要
・車からクラウドまでサポート
・カスタムソリューションによる実現

インテルの投資
・自動化運転に大きな投資、２億～３億ドル
　１８年に売り上げ、２１年に黒字化
　ベンチャーにも
　次世代プラットフォーム

今日の講演
・インテルAI事業本部発足
　PFNとインテルによるAI協業
　Chainerを開発

＜＜DeepLearning　PFN西川社長＞＞

・ディープラーニングを実世界に
　IoTとディープラーニングの進化の流れ
　TOYOTA,Funuc、NTTなど
・最初の例
　自動運転にディープラーニングを活用
　　→深層強化学習
　産業用ロボット
　　アマゾン　ピッキングの速度を競う
　　　うまくつかむ
　　　ものを認識
　　→２位（１位と同点）

・研究開発の加速　Chainer
　エコシステム、コミュニティの拡大
　→Intelからの支援、最適化

・今後：たくさんのデータ量に対応

・ことしの１月　ディープラーニングサミット→高い巣ケーラビリティ
　ネットワークのボトルネック
　　　→エッジヘビーコンピューティング
　　　　　　→ファナックと２０１７年にプラットフォーム

＜＜ここまで＞＞

・インテルがAIコンピューティング時代を推進
・インテルがAIコンピューティング時代を民主化
・インテルがAIコンピューティング時代を先導

---

■AIで社会変革を推進　基調講演１－２
・AI：新しい世界
　よりよい世界をAIで実現　促進、推進、拡張、自動化
・技術革新の推進
　２０２０年までにAIで必要とされる計算能力が１２倍に拡大
　ロバートムース　脳から手がかり

・AIの多様性
　人工知能
　　手法
　　　マシンラーニング
　　　　実装
　　　　　ディープラーニング
　　　　　従来型のマシンラーニング
　　手法
　　　推論システム
　　　　実装
　　　　　メモリーベース
ロジックベース

・インテル　NERVANAポートフォリオ
　AI実装向け共通アーキテクチャ
　Aria１０
　ていちえんの推論　XeonをFPGAで補強
　クレストファミリー：ニューラルの

・インテルXEONプロセッサーE5ファミリー
　　統計型ML：Apache Spark→１８倍
　　次世代：スカイレイク；推論を加速度的に早める
　　　→低遅延の推論
　XEON PHIプロセッサー
　　ほぼ比例したスケーリングで
　KNIGHTS MILL
　　ステップ関数、HPCの分野で

・NERVANA(ナーバナ)クレストファミリー
　　LAKE CREST　→　KNIGHTS（ないつ） CREST
　トレーニングの時間を１００分の１に短縮

・自動運転：エンド・ツー・エンド
　ローカル・インテリジェンス
　グローバル・インテリジェンス

・自動運転を実現するためのソリューション

　　自動車　接続　クラウド

　FPGAのあーりあ
　せつぞく５G
　スマートAPIで接続
　データセンタs

・医療を変革するAI
　パーキンソン病の治療
　クラウドでの共同がん研究
　新薬発見
　再入院の削減
　スケーラブルなゲノムセンター

・インテルNERVANA　AI　諮問委員会

・AI革命の促進

---

■インテルのAIソフトウェア

・ソフトウェアよりの詳細
・新しいコンピューティングの波
　まったく異なったワークロード
　　→革命：大量のデータが入手できる
　　　処理能力が上がっている→AIの技術：大きく前進
・AI　ビジネスを大きく変革
　AI　２００６年くらい
　　→学術界、産業界（業界業種とわず）

　たとえば医療：脳神経科学
　　鑑定検査：網膜→初期状態：糖尿病
　　AI戦略　いまやCTO,CIO　会社戦略として重要

・深層学習
　大量データ：
　　ラベル付けされたもの、されていないもの
　　むいている　CNNにむいているもの、RNNにむいているもの
　トレーニング
　　このあとで

・トレーニング：かならずしも専門家でなくてもいい
　　オープンソース
　　ある程度のカスタマイズ必要
　
・インテルAIソリューションポートフォリオ
　AIをいちはやく；ハードウェアの上に
　　　数学的
　　　DNN
　　　ぱいそん
　　　フレームワーク
　　　データサイエンティストのためのツール、デプロイツール

・ソフトウェアフレームワーク
　　ディープラーニングフレームワーク
　　ビルディングブロック（ハード）

　→ディープラーニングに最適化されたハード
　　MLSL

・Toolsとフレームワークポートフォリオ
　DAL：独自　ぱいそんでぃすとりびゅーしょん

・インテルとどのように
　　INTEL NERVANA AI ACADEMY
　AI KAGGLE COMPETITION
　　いろいろ支援
　NEON
　　お＾ぷんソースライブラリ、GIT HUB上にある

・まとめ
　ハードいろいろある
　フレームワーク、ライブラリ、ツール、実践者もひつよう

---

■ゲスト講演
　最新のHPC技術を生かしたAI・ビッグデータインフラの
　東工大TSUBAME-3と産壮健ABCI（AI橋渡しクラウド）

・日本AI冬の時代
　→隆盛

・HPC　TSUBAME2.0
　State of the art
　　７０００プロセッサぐらい→シミュレーション　ゴードンベル賞
　　２ぺたふろっぷすのとき

・ビッグデータ
　クラウド：従来型では対処できない
　→研究に取り掛かる
　大規模なビッグデータ・AI処理の２つの計算特性
　　グラフ解析：ソーシャルネットワーク、記号
　　　　疎行列データ構造：バンド幅ヘビー
　　ヒントンたちが提案したけど・・ばっくぷろぱケーション
　　　　密行列・計算ヘビー

　スパコンをビッグデータ向けに

・GRAPH500　４期連続世界１位
　トップ５００：Linpack　京　よりもはやい
　　→京のネットワークが優れている

・ディープラーニングで盛り上がってきた
　AIRC、AIP,ゆにばーさる・・・（３つある。政治的に）

・ネットワークのバンド幅も並列化すると・・
　データ；いっぱいある
　解析するアルゴリズム、人もある（アメリカ、中国、ベンチャー、国研・・・）
　プラットフォームがない：アマゾン、Googleはあった
　　→日本のクラウドベンダー：おおきいのがない
　　　HPCではある
・ビッグデータ向けスパコン
　　グリーンなスパコンを機械学習用に
　　ビッグデータAIスパコン

・TSUBAME 3.0のシステム概要
　インテルテクノロジーもたくさんはいっている
　データセンターも作っている
　２番目、４番目に

・短縮精度が使える
　浮動小数点：倍精度、単精度

・世界トップクラスの冷却効率
　リソース割り当て

・基礎的な研究
　産業に対する出口－協業
　　オープンイノベーションラボラトリ

・クラウドに→AI橋渡しクラウド
　１３０ぺタ
　　いま機械学習だと１ぺタ１人で使ってしまう→１００人くらい同時に
　データセンターに入らない
　　１０倍以上の熱密度→自分たちでデータセンター作る
　　→インフラのオープンソース　６０KW

・スパコン調達
　ひとつはビッグデータ
　AI・深層学習のベンチマーク：ランキングができるもの

・ソフトウェアスタック

・HPC技術を入れたビッグデータ、AI
　３倍から６倍
　２０１９年にえくさAIを作る技術はある
　　お金がついてないないだけ
　まだたりない

さらばUstream

さらばUstream、10年で消滅。IBM Cloud Videoへ完全移行
https://news.yahoo.co.jp/byline/mikamiyoh/20170405-00069546/