パワポ、「これでスッキリ！」

めもめも

【パワポ時代の情報整理術】つめこみすぎなスライドがこれでスッキリ！
https://note.mu/pptxdesign/n/n31797abf58f8

「ASIMO開発終了」っていうけど・・・

「ASIMO開発終了」報道　ホンダ「ヒューマノイドロボの開発は続ける」
http://www.itmedia.co.jp/news/articles/1806/28/news082.html

ホームページはまだある

http://www.honda.co.jp/ASIMO/


まあ、死んだ人のホームページやブログが残っている時代だから、
ホームページがあっても不思議はないが・・・

GANで人工知能が生成した女性が、実在しないことをWatson,Azure,Google,AWSは見抜けるか？

６月２７日、水曜ワトソンカフェに行ってきた。
その内容をメモメモ
（遅刻したので、途中から。表題の答えは、中ごろにある）

---

途中から来たの

■途中から
（よくわかっていない。ウィングアークさん素敵！って言えばいいの？）

■forkwell　懇親会スポンサー
・成長し続けるエンジニアの支援がしたい（転職）
・ポートフォリオの説明
　自分の立ち位置、上司との１on 1

■水曜ワトソンカフェとは
・自己紹介を適当に
　IBMチャンピオン（ユーザーでリードしてる人）が運営している
　developer Advocate
　　東京では５人、世界２２０人
　　Watson使ってない人　半分
　　今回１０回。はじめは５人くらいから
　　はじめてのWatson
　　Watsonで体感する人工知能
　なぜ水曜　労働のパフォーマンス上がる

・Watsonの紹介
　２０１１年　クイズで勝ちました
　２０１４年　IBMクラウド
　IBM Code
　　　IBM Code　Pattern　Githubで公開している
　　　２２０人の半分はオープンソースのこみったー
　　　あれくさと一緒に使う

　Call for code
　　ハッカソンみたいなもん
　　国連、赤十字とタイアップ　AI、ブロックチェーン
　　５人１チーム

　　　https://bit.ly/2ManMqz
　　　　→終わってます・・・
　補足します
　　Watson Personality Insights

　量子コンピューターは先を言っている
　オープンソース

■セッション１　
　画像認識超比較
　各社コグニティブサービス全部入り

　Visual Recognitionを動かしたら・・・

　自己紹介：Software Design4月号でAzure

　Watsonダッシュボード
　Azure
　Google
　Amazon

・音声認識全部入り
・スマートスピーカー全部入り
　RasPi　Google AssistantSDK
　AWS　Device SDK
　NodeRed Watson
　　　　　Azure
　現状、４つ常駐できない

・機能視点
　・画像認識と画像属性
　　　一般物体認識
　・顔認識
　　　顔検出
　　　性別年齢人物特定、化粧
　・特定用途
　　　不適切コンテンツ
　　　キャプション
　　　料理
　　　カスタムモデル
→Azureは結構もっている。Amazonも
　顔系の処理充実
　Watson・・・

・各サービスの特徴
　　Watson　少ない学習データで精度良い。カスタム
　　Azure　顔認識（横顔、マスクX)手書き文字（英語）
　　Google　看板。文字認識、サイト
　　Amazon　顔認識、顔比較

・開発視点
　Watson
　　API
　　画像
　　開発
　　カスタムモデル
　間違ってたら、心のパワーポイントで直して！

　Azureも作り方一緒
　Googleも一緒、ただ、ローカルにRequest.Jsonを作って
　Amazonも同じ　iamuserつくって・・・めんどくさい

・性能重視
　Azure精度上がった
　Auure横顔、マスクにがて
　タイガーマスクは認識しない
　有名人判断
　　Googleは有名人できないが、Webのほうから拾える

　GANでAIが作った人間の顔
　　各社コグニティブサービスにかけると・・・
　　　全社、だまされた！（＞＿＜！）

　GANで最初に騙されるのは・・
　　Amazonはやい
　　Azure,Googleが次
　　Watsonは、大体顔になったとき反映

・いろんな言語が入っている看板
　Google安定！（ハングル含め）

・手書き文字（英語）
　Google　機能ない

・ロゴ
　　テキストから読んでいる
　　Adidasのロゴ、Adidosのロゴ、Adidosのほうが高い

・USやヨーロッパの人が来て、Japanすげえ！

・総合的には顔、ってするとAzure

・苦手な顔は？
　個人識別　Azure：子供が苦手

・動画を含めてみると
　やってないけど・・

・マスク認識できない問題・横顔問題


■チャットボット開発におけるWatson Assistantの利便性と課題
・personal insightに尾崎豊の歌詞を入れると・・・

・ビジネステンプレートの無料ダウンロードサイト 8bizocean)
　別に
・チャットボットと会話しながら作る
　SPALO
　スマホ時代のビジネステンプレート

　工事報告書を作るでも

・Watson Assistantを使っています。

　Line　→　チャットボット(python)→Watson Assistant（対話管理ツール）

・いまいちなところ
　ロジックと会話が同居
　会話チャネルに依存
　会話コンテキストを自前で実装
　AIらしくない

・Botのフレームワーク
　Wit.ai　意味不明
　repl.ai
　api.ai　わかりやすい　→ Dialogflowに名前変わっている

Dialogflowの問題：会話フローの管理
　ピザの注文のようなものは作りやすい
　処理の分岐があるような会話は作りにくい

IBM Watson カンバセーション
会話フローの管理　直感的にわかる

AIらしさ
@sys-dateエンティティ

それ以外のシステムエンティティ
　場所、人名は日本語対応していない
　パーセント、通過、数値はシステムエンティティがある

DialogFlowではじめてAssistantにいくといいかも

・プログラミングの常識を変えるツール
　～っぽかったらOK!

スライドシェアのsukodaiで公開

・うらっかわにBot Builder
・オートリマインドモード

■次回予告
・７月末の水曜日　泉ガーデン
　日経ビジネスが変なこと始めるってさ
　日経ビジネスRaise
　来月の頭に
　編集部から問いかけをする
　ベータ版
　謎のコーナー　広田ラボ

炎上させないための14カ条

こんなかんじらしい

（1）SNSは公開されていることを認識する。
（2）SNS上の友人が少なくても炎上リスクがあることを認識する。
（3）SNSは友人知人への連絡用ツールとして用いると危険だと認識する。
（4）多様な価値観の人がいるので、自分の価値観を押しつけず、他人の価値観を否定しない。自分の書き込みに対して批判があることを覚悟する。
（5）批判に対して中傷や人格的な攻撃を行わない。
（6）プライバシーを侵害する書き込みをしない。
（7）差別的、攻撃的な言動など、他人を不快にさせる書き込みをしない。
（8）政治、宗教、思想・信条など、デリケートな話題に関する書き込みをしない。
（9）アカウントなどの画像使用や他人の著作物を勝手に使用・加工した書き込みをしない。
（10）他人に対する中傷や単なる悪口の書き込みをしない。
（11）自分のプライバシーに関わる書き込みをしない。
（12）交通違反、暴行・脅迫、無銭飲食、恐喝行為、パワハラ発言、セクハラ発言など、違法行為についての告白をしない。
（13）企業の秘密情報に関する書き込みをしない。
（14）企業に関する情報を発信しない。仮に発信するとしても企業の公式見解ではないことを明記する。

【引用元】
"プロのハゲ"とつぶやいた報道部長の末路
https://www.msn.com/ja-jp/news/national/プロのハゲとつぶやいた報道部長の末路/ar-AAz4pPX?ocid=spartandhp#page=2

正常と異常を分けるため、データをK-meansでクラスタリングすると、うまくいかないことがあるけど・・・

・・・その理由の文章の出典、やっと見つけたので、メモ

【その理由】
幸福な家庭はどれも似たものだが、不幸な家庭はいずれもそれぞれに不幸なものである。

【出典】
アンナ・カレーニナ


そうだそうだ、そうだった（＾＾）ｖ

ありがとう、

名言ナビ
https://meigennavi.net/word/031/031299.htm

ちなみに、解説すると。。
正常のデータは、似ているんだけど、
異常のデータはさまざま。なので、全く違う要因がいくつもあることがある。
ところが、k-meansの場合、いくつにわけるのを、あらかじめ入れてしまう。
２（正常と異常）にすると、異常はさまざまあるので、むしろ、正常値のほうが近くなって、うまく分離できない。
じゃあ、異常のグループは、いくつあるか・・というと、わからない

結果として、極端な異常値を中心として、正常値が２つにわかれてしまったりする・・・

【対策】

外れ値分析をする。
http://www.stat.go.jp/training/2kenkyu/pdf/ihou/67/wada1.pdf
https://support.minitab.com/ja-jp/minitab/18/help-and-how-to/statistics/basic-statistics/how-to/outlier-test/perform-the-analysis/select-the-analysis-options/
https://bellcurve.jp/statistics/blog/14290.html
http://univprof.com/archives/16-07-19-4830461.html

ＧＰＳの仕組み

とりあえず、メモ

ＧＰＳの仕組み
http://www.ne.jp/asahi/nature/kuro/HGPS/principle_gps.htm

「新聞読まぬ」層が「自民」支持

そうなんだよね・・・
自民の支持層で若い人たちは、新聞よりもニコニコ動画、SNSとかを使う人たちなんだよね・・
なんで、従来の選挙運動方針だと、だめかもね・・・
そもそも、世論も、どうなんだかはっきりしない・・・

【表題の引用元は↓のリンク先】
麻生氏「新聞読まぬ人は自民」 昨秋の衆院選に関し

研究100連発、１００個メモったぞ！

NIIのオープンハウス、研究100連発、みに行けなかったんだけど、

国立情報学研究所オープンハウス2018『研究100連発』生中継
http://live.nicovideo.jp/watch/lv312508365

で、公開されていたので、見て、１００個分メモった！
こんなかんじ

---

■１人目片山紀生先生

「高速・高機能なマルチメディア・データベースを目指してー大量の動画から知識を紡ぎだす」

　画像や映像を検索・分析するための基礎技術
　類似画像の検索
　　　特徴量空間をつくる

１．高速検索のためのデータ構造SR-Tree
　　探索量の絞り込み

２．映像中の顔領域の類似検索

３．特徴量の分布の違いを用いた高速化法

４．NII TV-RECS（学術研究用放送映像アーカイブの構築）

５．NII TV-RECSの拡張

６．視覚情報の役割に着目した震災報道の分析

７．字幕放送テキストによるトレンド分析

８．クロスTVチャンネルフィルタリング

９．ニュースショットクラウド

１０．映像の連続／不連続の教師なし学習法

---

■２人目　鄭銀強先生

「カメラやコンピュータを人の目や脳に近づける－コンピュータビジョンの新たな可能性を拓く」

多次元情報センシング

三次元センシング
１．車載ステレオカメラSLAM
２．クラウド画像より三次元復元
３．世界のデジタル化とローカリゼーション

三次元センシング　陸上から水中へ
４．同時に水面形状と水中対象物の三次元復元
５．水の光吸収特性より水中対象物の三次元復元
６．三次元センシングー体の内部？
　　
色：RGB　VS　スペクトル　RGB画像からスペクトル画像の再構成
７．畳み込みニューラルネットワークの特化

RGBカメラの感度曲線の差別
８．スペクトル画像再構成への影響？　２８回
９．既存のカメラプールから最適化の感度曲線　１回
１０．最適化の感度曲線を設計する

---

■三人目　後藤田 洋伸先生
「三次元でモノを見る」

１．三次元でものを見るために　裸眼立体視
２．裸眼立体視の代表的な実現方法　レンチキュラーレンズ
３．多視点対応を目指す
４．複数の表示デバイスを積み重ねる（横に並べるのでなく、縦に積み重ねる）
５．複数の表示デバイスを積み重ねる：計算機で計算、継ぎ目、ぼやけてる
６．表示層をもっと増やす　かいこうりつ
７．表示層をもっと増やす　仮想的にパネルの数を増やす
８．まだまだ不十分　ところどころぼやけ→液晶、方式
９．積み重ね方を工夫する　レンズシート、導波管→指向性
１０．１００年前にもあった積層法　焦点を変えて撮影　ルミエールの方法

---

■四人目　坊農　真由美先生
「『生きたことば』をつかまえる－コミュニケーションの現場から言語の常識を突破する」

コーパス言語学　シングルモーダルからバイモーダル・マルチモーダルへ
いざ、マルチモーダルインタラクション研究の世界へ

バイモーダルのお話
１．言語の常識その１：語彙化をうたがってる　たまねぎつがう
２．その場で即興的に
３．会話分析の用語：進行性（Progressivity 一時的につかう）
４．口話教育　マウジング（口の動きを使う）
５．語彙化をせずにその場で決める
　　　従来の言語学を超越する
　　　未来の言語政策を考える
６．画像処理を使って、手話データベース

マルチモーダル
７．言語の常識その２：ランクだけでいいの
　　三人目はなぜ去ったのか
８．Fじんけいシステム
９．理論のあてはめ（７を８に）　
　　いみづけられたくうかんがとおのいた
１０．三人目問題をとことん　アンドロイドロボットなど

---

■五人目　杉山麿人先生

「データから機械学習で知識発見ー膨大なでーたから役に立つ情報を効率的に見出す」

身の回りの機械学習技術
・データを散布図で
１．高速にグループを見つける
２．高速に外れ値を見つける　外れ値検出
３．関連の強度を柔軟に測定する
４．統計的パターンマイニング
５．統計的グラフマイニング
６．グラフ間の類似度を測る　グラフカーネル　
７．RとPythonでグラフカーネル
８．情報幾何で機械学習
９．行列のバランス化　射影でバランス化
１０．深層学習を解析する
　　

---

■六人目　五島 正裕先生

「プロセッサはまだまだ速くなる」

プロセッサ（CPU）の性能とクロック速度
　性能＝クロック速度XIPC→IPC上がった
　IPC　１サイクルに実行した命令の数
　演算きを増やすと→その他の占める回路が多い→削減技術ひつよう

・．レジスタファイル
　従来：レジスタキャッシュ、マルチバンク
１．非レイテンシ志向レジスタキャッシュ
２．マルチステージ・マルチバンク・レジスタ・ファイル
　→非レイテンシ指向パイプライン
３．バンク衝突を起こさない命令スケジューラー

・命令スケジューラー
　レシピ先読み：ウェイクアップ
　連想検索
４．マトリックス・スケジューラーのウェイクアップ
５．リネームド・トレース・キャッシ
６．ディスパッチ・イメージ・キャッシュ

省面積・省電力
７．フロントエンド実行
８．ツインテール・アーキテクチャ
９．高性能より省電力を強調
１０．高性能モードと省電力モード

---

■七人目　石川　冬樹　先生

「スマートなシステム、スマートなディペンダビリティ保証－次世代システムを頼れるものへ」

ディペンダビリティとソフトウェア工学

・どうしてうまくいくのか
１．段階的詳細化の構造変更支援
２．仕様妥当性確認のためのテスト生成

　　CPSへのテスティング技術深化
３．繰り返し実行でほしいケースをあぶりだす
４．あぶりだし方を訓練しておく

５．機械学習システムの継続的品質評価

自己適応

６、自動（再）設計・自己適応
７．ユーザーとともに整合性あるシステムを再設計する

要求分析
８．法律の解釈　エンジニアにとってやりやすい

９．評判や使い勝手でアプリ
１０．実践教育＆応用研究・コミュニティ

---

■八人目　佐藤健　先生
「裁判官の判断をシミュレーション？－人間の推論をコンピュータで実現」

１．法的因果関係の定式化
２．義務推論の選好仮説推論による定式化
３．証明責任の定式化
４．判決推論システムPROLEG（ぷろれぐ）　要件事実論
５．事例ベース推論の仮説論理プログラミングによる実現
６．法律の例外発見
７．複数の法律間の衝突の発見
８．複数の法律間の衝突の解消
９．類似法律文書検索
１０．司法試験民法　問題が解けるか？

---

■九人目　栗本 崇　先生
「タフに、そして柔軟にー学術情報ネット和０区SINETの提供サービス」

SINET：全国の大学・研究所の学術情報基盤
特徴：はやい・ひろい・あんぜん

１．日本全国の学術用データ通信に対応
２、日本全国全体を超高速回線で接続
３．世界の教育機関と連携するための高速な国際回線
４、高性能なデータ転送
５．高性能なVPNサービス
６．多様なVPNサービス　仮想大学LAN　レイヤ２オンデマンドサービス
７．直結クラウドサービス
８．多層切替による高信頼なネットワーク
９．DDoS mitigation（ミティゲーション）サービス
１０．関連図書のご案内

---

■十人目　武田英明先生

「ウェブと人工知能の融合　人間の創造性を刺激するコンピューター」

１．知的CAD
　　人の知　設計市ミュラー田―しみれーたー
２．エージェントのち　知識エージェントによる知識推論
３．実世界エージェント：ロボットの知　自己組織化マップ　強化学習
４．Webからの知
　　ブックマーク：共通の関心
５．人とWebをつなぐ技術：アバターエージェント
６．オントロジー：知識の構造化
　　分類の変遷を行き来できる
　　農作業オントロジー
７．Linked Data　美術館データ、地域ガイド、Dbpedia Japanese
８．コミュニティの知　社会ネットワーク　初音ミク
９．ニコニコ学会
１０．集合知
　社会（人工）知能

---

こちらからは、以上です！

AI詐欺師に騙されやすい企業

企業が求めるAI人材は、

「深層学習などのAI技術がビジネスに与えるインパクト、つまり『どれくらい儲かるか』を切り出すコンサルティングができる人材」とした。「さらに欲を言えば、（コンサルティングで）自分が提案した内容を実際に深層学習のモデルとして落とし込める人材が一番欲しい」（佐藤氏）。これに加え「最新の英語論文を読みながら次の日に『こんな結果が出ました』とスピード感を持つ人材も必要」という。

【引用元】
2年で辞めて大学に戻る、AI学生と企業に埋まらぬ溝
http://tech.nikkeibp.co.jp/atcl/nxt/column/18/00323/061800004/?P=2

ちょっとまって（＾＾；）

冷静に考えよう。
これだと、自分のドメインにかかわらず、AIの儲け話を持ってきたら、そいつは優秀ってことだよねえ。
だけど、自分のドメインでもないし、AIも詳しくないんだから、儲け話が本堂かどうか、
モデルが正しいか、最新の英語論文を本当に読んだのかわかんないよねえ～
だから、自信をもって、「こんな結果でました」って、いいきられたら、信じるしかないよねえ。


でも、自信をもって、儲かるっていうやつは、詐欺師です（ふつう、リスクに気づいて、そこまでいいきれない）

・・・こんな考えじゃ、AI詐欺師に騙されるって・・・


AIを導入している企業、ドローンとかを導入している企業は、まったくちがうんだよね

わかりやすい例を、今度あげよう・・・

強化学習で、巡回セールスマンとか、ナーススケジューリングとか、解けるの？

強化学習って、最適化問題につかえるじゃない？（多腕バンディット問題）


ってことは、強化学習で、巡回セールスマンとか、ナーススケジューリングとか、解けるの？
小規模な簡単な例から学習させていって・・・
（あ、おもいつきだから・・・できるかどうかは不明）

「一般の人が思うデザイナー像と実際との違い」

天才はひらめく人ではなく、努力ができる人だったりする・・・

「一般の人が思うデザイナー像と実際との違い」を示したイラストに「ほんとこれ」「職場に貼りたい」
https://togetter.com/li/1237245

その～木何の木

ヒエラルキー

https://twitter.com/gadd9/status/1007849750572306432/photo/1

はじめてのD-CASE

っていうのがあるそうなので、メモ。
あとでみる

http://dimensions-japan.org/dcase/pdf/はじめてのD-Case.pdf

みずほ銀、正念場は１０月らしい・・で、みずほ銀のすごいのは・・

みずほ銀の記事。

みずほ銀が第一関門を突破、正念場続く新システム移行
http://tech.nikkeibp.co.jp/atcl/nxt/column/18/00001/00610/

が、日経コンピューター６月２１日号に全文載っているけど、
それによると、山場は１０月とのこと。まだまだ、安心できませんね！

今回の移行ですごいのは、何回にも分けて移行しているところ。
大規模だから、当然じゃん！と思うかもしれないけど、
そうでもないのだ・・・

ビッグバンで移行する場合、もし失敗したら、前のシステムに戻せる。

しかし、段階的に移行すると、途中で失敗したとき、実質もとに戻せなくなる。

具体的に話そう。

６月から移行をはじめ、（縁起でもないけど）１０月で失敗したとする。
この時、６月以前には戻せない。もう、６月～９月まで新システムで動いているから。
とくに、６月から９月の間、例えば７月の移行にバグがあって、１０月のシステムが
動かないことが、１０月に分かった時、７月のバグを治すと、８月～９月の
取引がおかしくなる可能性がでる。。。

ってことで、分割して移行すると、途中で問題が発覚しても、前に戻せない。
先に進むしかないのだ。だから、ある意味、（戻せないという点で）ビッグバンよりきつい。

それを選んだみずほは、勇気あるといえる。

AI・データの利用に関する契約ガイドライン

策定されたらしいので、メモ

「AI・データの利用に関する契約ガイドライン」を策定しました
http://www.meti.go.jp/press/2018/06/20180615001/20180615001.html