分子設計・材料設計・プロセス設計・プロセス管理において、分子記述子・実験条件・合成条件・製造条件・評価条件・プロセス条件・プロセス変数などの特徴量 x と分子・材料の物性・活性・特性や製品の品質などの目的変数 y との間で数理モデル y = f(x) を構築し、構築したモデルに x の値を入力して y の値を予測したり、y が目標値となる x の値を設計したりします。 データ解析・機械学習でモデルを構築し始める際のサンプル数の目安について、もちろんモデルを構築する時には、可能な限り多くのサンプルを用いることが望ましいです。多くのサンプルを用いることで、サンプルの変化に強い (例えばサンプルが一つ追加されたり一つ削除されたりしても結果の変わりにくい) 頑健なモデルを構築できる可能性が高まります。頑健なモデルにより、より妥当な x の設計やモデルの解釈が可能になります。 ただし、サンプルを集め
Apple M4チップはArm SEMのサポートにより、物体検出など一部の機械学習ワークロードがApple M2の約2倍となっているようです。詳細は以下から。 Appleは現地時間2024年05月07日、タンデムOLEDテクノロジーを採用したUltra Retina XDRディスプレイを搭載しApple史上最も薄い「iPad Pro (M4)」を発表するとともに、そのiPad Proに初めて搭載する第2世代の3nmテクノロジーを採用した「Apple M4チップ」を発表しました。 このApple M4チップは、Apple史上最も高速なNeural Engineを搭載し、iPad Pro (M4)ではワンタップで被写体を背景から分離できるFinal Cut Proのシーン除去機能などが、より高速に実行できると発表されていますが、 Geekbenchに投稿された10コアのCPUのApple M4
第8回 Data-Centric AI勉強会 ~Human-in-the-Loop機械学習 特別回~の発表内容です。 https://dcai-jp.connpass.com/event/315963/ 書籍「Human-in-the-Loop 機械学習」において、翻訳を担当した章(1,7,8,11,12章)の内容を抜粋して紹介します。Human in the loop 機械学習において重要な概念であるアノテーションとヒューマンコンピューターインタラクションについて、著者の機械学習エンジニアとしての実例を交えつつ説明します。 Amazon での書籍リンク https://amzn.to/47u5tFz
この記事について この記事では、プログラミング初心者の大学生である(であった)私が試行錯誤しながらなんとかスター数300越えのOSSライブラリを作った過程をまとめたものです。ライブラリ自体はまだまだ発展中のためこの記事も適宜更新してく予定です。ライブラリ自体の詳細というよりも、自作OSSの認知度を上げで他の人に使ってもらうために有用そうな知見をまとめていこうと思います。 ライブラリの概要 今私が作っているのは、AIJackという、機械学習モデルがもつセキュリティ・プライバシー上の脆弱性についての各種攻撃・防御手法を実験するためのPythonツールです。既存のライブラリの多くは特定の種類の攻撃や防御に特化したものが多く、複数のタイプの攻撃・防御を組み合わせて実験するためにはいくつものライブラリを組み合わせる必要がありました。そこでAIJackでは、できる限り統一的なAPIで様々な攻撃・防御手
Googleの機械学習モデル「Transformer」は、データを時系列に処理しなくても、自然言語などのデータを翻訳やテキスト要約することが可能で、ChatGPTなどの自然な会話が可能なチャットAIのベースとなっています。また、Transformerの手法を画像分野に応用したモデルが「Vision Transformer」です。ソフトウェアエンジニアのデニス・タープ氏が、「Vision Transformer」のコンポーネントがどのように機能し、データはどのような流れをたどるのか、ビジュアル化して解説しています A Visual Guide to Vision Transformers | MDTURP https://blog.mdturp.ch/posts/2024-04-05-visual_guide_to_vision_transformer.html 0:はじめに 前提として、T
@『反実仮想機械学習』出版記念イベント#1 https://cfml.connpass.com/event/313112/ Amazon: https://www.amazon.co.jp/dp/4297140292 質疑応答: https://docs.google.com/document/d/1P9C6ajiJZVGL0u77TbHvspJs_vfLE_b9puTxlSrVVuM/edit?usp=sharing 概要: 反実仮想(Counterfactual)─ 起こり得たけれども実際には起こらなかった状況 ─ に関する正確な情報を得ることは、機械学習や意思決定最適化の応用において必要不可欠です。例えば、「現在運用している推薦アルゴリズムを仮に別のアルゴリズムに変えたとしたら、ユーザの行動はどのように変化するだろうか?」や「仮に個々の生徒ごとに個別化されたカリキュラムを採用したら、
人工知能(AI)技術と著作権など、生成AIに対して社会が抱える懸念に対処する方向性が見えてきた。文化庁の小委員会は著作権の考え方を、内閣府の知的財産戦略推進事務局は知財全般の骨子案をそれぞれ示した。流動的な面があるものの大枠は示された。著作物を学習し放題の“機械学習パラダイス”とされた法解釈は、クリエーター寄りに修正される。データの対価や作風などの判断は業界や司法に委ねられ、業界のガバナンス(統治)に国が管理できるかが課題になる。(小寺貴之) 著作権法では著作物を他人が享受しない場合は著作権が制限される規定がある。この制限規定のために著作物は学習し放題とされ、AI開発者にとって“機械学習パラダイス”と言われてきた。海外で画像生成AIにクリエーターらが反発し、日本でもクリエーターや事業者などから懸念が表明されていた。 文化庁の指針では非享受目的は引き続き権利制限が適用されるものの、享受目的が
連載目次 前回は、機械学習の基礎と、主要なPythonライブラリの概要を説明しました。 今回は、Pythonを使った機械学習プログラミングの基本的な流れを、実際にコードを書きながら体験的に学んでいきましょう。具体的には、データの読み込みと加工から、グラフによる可視化、統計的な数値計算、そして簡単な機械学習モデルの構築まで、基本的な一連の流れを体験できます(図1)。 今回で学べること 図1の通り、機械学習プログラミングの基本的な流れに沿って進めると、第1回で紹介した主要なPythonライブラリ(pandas、NumPy、Matplotlib、seaborn、scikit-learnなど)を各場面で使い分けることになります。 各ライブラリを深く理解して使いこなすためには、個別に詳しく学ぶことが必要です。ただし本連載では、詳細には触れず、実践で役立つ基本的な使用例に絞って説明します。もっと深く掘
はじめまして、エムスリーエンジニアリングGプロダクトマネージャーの植田です。23年8月にエムスリーに入社し、エンジニア十数名が所属するAI・機械学習チームへ専任プロダクトマネージャーとして参画しています。スタートアップカルチャーが浸透している本チームで半年強働く中での学びを振り返りたいと思います。 DALL·E 3で生成したプロダクトマネージャーが学んでいる絵 どうしてエムスリーへ入社したのか AI・機械学習チームとプロダクトマネージャーとしての業務 学び (1):チームの足りていない領域を補完するのがプロダクトマネージャー 学び (2):いつまでに成果を出すのか決める まとめ We are hiring!! どうしてエムスリーへ入社したのか 前職では6年程大手通信キャリアで社内向け基盤の開発チームでプロダクトオーナーを担当していました。日々クラウドやデジタルマーケティングの技術を追う楽し
メタデータをダウンロード RIS形式 (EndNote、Reference Manager、ProCite、RefWorksとの互換性あり)
分子設計・材料設計・プロセス設計・プロセス管理において、分子記述子・実験条件・合成条件・製造条件・評価条件・プロセス条件・プロセス変数などの特徴量 x と分子・材料の物性・活性・特性や製品の品質などの目的変数 y との間で数理モデル y = f(x) を構築し、構築したモデルに x の値を入力して y の値を予測したり、y が目標値となる x の値を設計したりします。 スモールデータ、すなわちサンプル数が小さいデータセットにおいては、データ解析・機械学習を慎重に行う必要があります。スモールデータにおける問題の詳細は、こちらに書いた通りです。 小さなデータセットが抱える大きな問題サンプル数が小さいデータセットには、データ解析で回帰分析やクラス分類をするとき、とてつもなく大きな問題があります。回帰分析やクラス分類における問題というと、精度の高いモデルが構築できないことを想像するかもしれません。
Amazon BedrockのKnowledge BaseでRAGを構築し、RDSのデータを分析するアプリケーションを開発する はじめに こんにちは! 第一SAチームのshikaです。 普段、あるAmazon RDS上のデータベース(MySQL)に対し、SQLを実行してデータを参照しています。 毎回SQLクエリを実行するのが手間だったので、データ検索を容易にするWebアプリケーションを開発しました。 このアプリケーションには、AWSの生成AIサービス「Amazon Bedrock」を活用しており、生成AIを用いた対話式の検索機能を実現しています。 できあがったアプリケーションの画面は以下です。 データはテストデータを使ってます。以下の通り、架空の会社の従業員情報に関するデータです。 本記事ではこのアプリケーションの構成、仕組みについて、特にAmazon Bedrockの部分を重点を置いて解
こんにちは。私がAidemyでデータ分析講座コースを受講いたしました。今回は学んだスキルを活用して、上場企業を株価予測をしてみました。 ※私の環境: Python3 Chrome Google Colaboratory Windows 10 目次 1.目的 2. データセット 3. 機械学習モデル 4. 予測モデルの構築と検証 5. 結果 6. 反省 1.目的 上場会社の株価データセットを用いて、株価予測するLSTMの機械学習モデルを構築すること。 2.データセット Yahoo Financeである上場企業Lasertec(6920.T)の時列データ 3.機械学習モデル LSTM(Long Short-Term Memory: ニューラルネットワークの一種で、長期的な依存関係を学習することができる特徴ある。 4.予測モデルの構築と検証 4-1. ライブラリのインポート import ker
大阪公立大学大学院理学研究科FD研修会 「人工知能と数学」2024年2月15日 https://www.omu.ac.jp/orp/ocami/activities/fd/list/ 講演者:鈴木 大慈 氏(東京大学大学院情報理工学系研究科・准教授) 講演タイトル:機械学習の数学 講演アブストラクト:機械学習は現在,ChatGPTや拡散モデルといった基盤モデルの発展により,社会的に大きな影響を与える技術となっている.これら基盤モデルは大規模資本によるモデル開発による発展が著しいが,一方でその裏には数学的に興味深い理論的背景がある.本発表では,そのような基盤モデルを支える深層学習の背後にある理論を紹介する.より具体的には,代表的な生成モデルの一つである拡散モデルの背後にある確率微分方程式による特徴付けやその推定理論について述べ,大規模基盤モデルの基本構造であるTransformerの関数近似
2024年4月13日紙版発売 2024年4月13日電子版発売 齋藤優太 著 A5判/336ページ 定価3,520円(本体3,200円+税10%) ISBN 978-4-297-14029-8 Gihyo Direct Amazon 楽天ブックス ヨドバシ.com 電子版 Gihyo Digital Publishing Amazon Kindle honto この本の概要 反実仮想(Counterfactual)─ 起こり得たけれども実際には起こらなかった状況 ─ に関する正確な情報を得ることは,機械学習や意思決定最適化の応用において必要不可欠です。例えば,「現在運用している推薦アルゴリズムを仮に別のアルゴリズムに変えたとしたら,ユーザの行動はどのように変化するだろうか?」や「仮にある特定のユーザ群に新たなクーポンを与えたら,収益はどれほど増加するだろうか?」「仮に個々の生徒ごとに個別化さ
日立製作所【6501】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeから日立製作所【6501】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # 日立製作所【6501】の株価データを取得 stock_data = yf.download("6501", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasの
要約 AWS Well-Architected - Machine Leaning Lensが2023/7に更新された Well-Architected ToolでMachine Leaning Lensが扱えるようになっていた為、手順を紹介 Machine Leaning Lensの中身も簡単に紹介 はじめに AWS Well-Architected Frameworkとは AWS Well-Architected Framework(以下、WA FW)は公式に以下の説明があります。 AWS Well-Architected は、クラウドアーキテクトがさまざまなアプリケーションやワークロード向けに高い安全性、性能、障害耐性、効率性を備えたインフラストラクチャを構築する際に役立ちます。AWS Well-Architected では、6 つの柱 (優れた運用効率、セキュリティ、信頼性、パフォ
グローリー【6457】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeからグローリー【6457】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # グローリー【6457】の株価データを取得 stock_data = yf.download("6457", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasの
サムコ【6387】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeからサムコ【6387】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # サムコ【6387】の株価データを取得 stock_data = yf.download("6387", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasのDataFr
澁谷工業【6340】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeから澁谷工業【6340】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # 澁谷工業【6340】の株価データを取得 stock_data = yf.download("6340", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasのDat
データサイエンスを手掛けるDATAFLUCT(東京・渋谷)は、2023年に東武鉄道と実証実験を実施した特急券の需要予測について、その方法を明らかにした。これまで観光シーズンに予約で満席となった列車について、特急に乗りたかったのに特急券を買えなかった乗客がいたと考え、これを機会損失分として定量的に推定。将来の特急券需要を予測する際に、この機会損失分などを織り込んだ。 東武鉄道は、浅草から日光や鬼怒川温泉方面に向かう特急について、予測結果を基に一部列車の車両を増結して定員を増やした。延べ4日間の増結で、通常よりも600人以上多くの乗客を輸送した。 需要予測は機械学習の応用などにより、精度を得られるようになってきている。DATAFLUCTは食品工場や流通に関する需要予測、製造業での調達に関する予測などを手掛けており、鉄道においても「実用的に利用できる精度の予測結果を実現できた」としている。 特急
東洋エンジニアリング【6330】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeから東洋エンジニアリング【6330】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # 東洋エンジニアリング【6330】の株価データを取得 stock_data = yf.download("6330", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価
ローツェ【6323】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeからローツェ【6323】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # ローツェ【6323】の株価データを取得 stock_data = yf.download("6323", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasのDat
Dockerを使った機械学習環境の構築方法 株式会社松尾研究所で働いているからあげ(@karaage0703)です。松尾研究所では、機械学習(ここでは、予測モデル、画像認識からLLMまで幅広く扱います)を使う多数のプロジェクトが走っています。プロジェクトの特性は多種多様なので、環境構築方法は様々なのですが、松尾研究所では、環境構築方法の1つとしてDockerを推奨していています。今回はDockerを使った機械学習環境の構築方法を紹介します。 松尾研究所の特にインターン生を想定した記事にはなりますが、他の組織、個人の方にも参考になる部分があるかと思いWebに広く公開させていただきます。 なぜDockerで機械学習環境を構築するのか? 具体的な手法に入る前に、まずはDockerで機械学習環境を構築する理由から説明したいと思います。説明が不要な方はここはスキップしてもOKです。 そのために、Do
サトーホールディングス【6287】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeからサトーホールディングス【6287】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # サトーホールディングス【6287】の株価データを取得 stock_data = yf.download("6287", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用し
ユニオンツール【6278】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeからユニオンツール【6278】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # ユニオンツール【6278】の株価データを取得 stock_data = yf.download("6278", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、p
SMC【6273】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo FinanceからSMC【6273】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # SMC【6273】の株価データを取得 stock_data = yf.download("6273", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasのDataFr
インソース【6200】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeからインソース【6200】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # インソース【6200】の株価データを取得 stock_data = yf.download("6200", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasの
鎌倉新書【6184】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeから鎌倉新書【6184】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # 鎌倉新書【6184】の株価データを取得 stock_data = yf.download("6184", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasのDat
ディスコ【6146】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeからディスコ【6146】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # ディスコ【6146】の株価データを取得 stock_data = yf.download("6146", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasのDat
Microsoftは2024年2月29日(米国時間)、オープンソースでクロスプラットフォームの機械学習(ML)モデルアクセラレータ「ONNX Runtime」の「ONNX Runtime Web」機能において、WebGPUを用いてWebブラウザ内でのMLを高速化できるようになったと発表した。 ONNX Runtimeは、さまざまなハードウェア、ドライバ、OSと互換性があり、グラフの最適化や変換に加え、ハードウェアアクセラレータを適宜活用したパフォーマンスを提供する。PyTorch、TensorFlow/Keras、TensorFlow Lite、scikit-learnなどのフレームワークのモデルで使用できる。 ONNX Runtime Webは、JavaScript APIとライブラリを使用して、WebアプリケーションでMLモデルを実行、デプロイ(展開)できる。 関連記事 「Chrome
ジャパンマテリアル【6055】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeからジャパンマテリアル【6055】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # ジャパンマテリアル【6055】の株価データを取得 stock_data = yf.download("6055", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データ
分子設計・材料設計・プロセス設計・プロセス管理において、分子記述子・実験条件・合成条件・製造条件・評価条件・プロセス条件・プロセス変数などの特徴量 x と分子・材料の物性・活性・特性や製品の品質などの目的変数 y との間で数理モデル y = f(x) を構築し、構築したモデルに x の値を入力して y の値を予測したり、y が目標値となる x の値を設計したりします。 モデルに関して、予測精度の高いモデルを構築することも重要ですし、構築したモデルを解釈することでデータセットが取得された実験系やシミュレーション系に新たな知見をフィードバックすることも大事です。モデルの予測精度の向上や解釈性の向上のため、x を検討することが行われます。特徴量エンジニアリングと呼ばれることもあります。 特徴量・記述子を検討・設計するときの心構え分子設計・材料設計・プロセス設計・プロセス管理において、分子記述子・
伊藤忠テクノソリューションズ(CTC)は、マサチューセッツ工科大学発のスタートアップ企業Liquid AIとエッジAIソリューションの開発を目的とした協業を開始した。 伊藤忠テクノソリューションズ(CTC)は2024年2月21日、マサチューセッツ工科大学発のスタートアップ企業Liquid AIとエッジAI(人工知能)ソリューションの開発を目的とした協業を開始したと発表した。 この取り組みでは、「Liquid Neural Network(LNN)」技術に基づいてLiquid AIが開発したAIを活用する。LNNは、少ない処理能力でも順応性の高いML(機械学習)を可能にする技術で、これによりエッジデバイスでの処理性能の向上を目指す。 従来のMLモデルでは約10万個のニューロンを必要とする計算を、LNNでは19個のニューロン数で算出し、同等の結果が得られる。エッジデバイスや小型コンピュータでの
楽天銀行【5838】株価予想: Pythonによるデータ分析と機械学習の実践データの収集と前処理株価の予測には、まず過去の株価データを収集し、適切に前処理する必要があります。Pythonを使って、株価データを取得し、pandasのDataFrameとして読み込みます。以下のコードは、Yahoo Financeから楽天銀行【5838】の過去の株価データを取得する例です。 import pandas as pd import yfinance as yf # 楽天銀行【5838】の株価データを取得 stock_data = yf.download("5838", start="2020-01-01", end="2022-01-01") # データの確認 print(stock_data.head())このコードでは、yfinanceライブラリを使用して株価データを取得し、pandasのDat
急速に広がる生成AI(人工知能)を巡り、文化審議会小委員会は、AIがウェブ上のデータを取り込む「機械学習」に著作権者の許諾は要らないとする考え方を維持しつつ、権利侵害の具体例をあえて示すことで野放図な利用をけん制した。AIによる技術革新に期待が高まる一方、クリエーターらは権利侵害への懸念が拭えず、バランスの取り方が課題として残り続けている。【李英浩】 文化庁が実施したパブリックコメント(意見公募)には、クリエーターや業界団体から計約2万5000件の意見が寄せられた。自作がAIに学習され続けることへの対策を求める内容がある一方、公的機関が機械学習の「歯止め」になる考え方を示すことはAI開発の萎縮につながりかねないと指摘する声も上がった。 「機械学習がクリエーターの利益を侵害しないというのは、机上の議論に過ぎない」。…
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く