各種方針等 arrow_forward_ios生成系AIについて 生成系AI(ChatGPT, BingAI, Bard, Midjourney, Stable Diffusion等)について 2023年4月3日 東京大学理事・副学長（教育・情報担当） 太田　邦史 この半年ほどの期間で、生成系人工知能(Generative AI)が複数発表され、社会的に大きな注目を集めています。基本的には、インターネット上などに存在する既存の文章や画像イメージを大量に機械学習し、これに強化学習を組み合わせなどして、一定レベルの品質の文章や画像を生成するシステムです。とくに、2022年11月に公開され、話題になった大規模言語モデルChatGPTはバージョンが更新され、最新のGPT-4では生成される文章などの質や正確性が著しく向上しています1。 これらの生成系AIは、平和的かつ上手に制御して利用すれば、人類の

学生の皆さんへ 2023年5月11日 学長　樺山祐和 現在、ChatGPTをはじめとした生成系人工知能（生成AI）についての議論が高まっています。そして、今後ますます技術が進み、また社会にも深く広く浸透していくことが予想されます。 美術大学としてはよりよい「学び」を得てもらうべく、こうした新技術を柔軟に活用し、また危惧される側面にも十分に配慮し、制作や研究に真摯に向き合ってもらいたいと期待しています。このメッセージでは、以下の6点を軸に、生成AIをめぐる現状と課題について大学としての見解を記述します。 身近なツールとなってきた生成AIを、まずは自分の目で確かめてみよう。 生成AIの問題や可能性についてより深く考えていこう。 個人情報や機密情報、また悪意のある内容の入力は絶対にしてはいけません。 レポートや論文に、生成AIの回答をそのまま用いて提出することを禁止します。 生成AIを引用すると

適当に書く。脚色したり故意に現実と変えたりした部分はいくつかある。けど、おおむね本当の話。だけど、フィクションなんだと思ってください。 元々はよくいる男のオタクだった、と言って良いと思う。といっても、オタ活で人生が充実していたというタイプではなくて、抱き枕カバーとかタペストリーとか買ってSNSで見せびらかすということもなくて。そこでアイデンティティを主張してた訳ではなかった、という意味では今風のオタクではないのかもしれない。 ツイッターで数千人くらい、絵師とか同人作家とかエロ漫画家とかフォローしてた。VTuberは見ない。基本的には絵を描く人のフォロワー。 たまにはすごい気に入る絵師というのは現れる訳で、『推し活』をやるかどうか、迷ったことが何度かある。けど、そういう文化は自分には合わなかった。リプ欄見てるとなんか歯ぎしりしたくなる。 感想も送らない。即売会もあまり行かない。スケブも頼まな

本で読んだ知識をドヤ顔で紹介したら、その実験には再現性がありませんでした。 そんな恥ずかしい記事を書いたブロガーは誰でしょう？ そう、私です。 ステレオタイプ脅威はありますん ちょっと前に「ステレオタイプ脅威」の記事が話題になっていた*1。 世の中には「女性は数学に弱い」というような負のステレオタイプがある。自分のアイデンティティがそれに該当していると意識してしまうと、実際にパフォーマンスが落ちるというものだ。これは様々な実験の結果によって示されている。というのが記事で紹介されていた話だった。 ところが現在、その「実験結果」は再現性が無いと言われている。ステレオタイプ脅威の根拠は実験結果にあるというのに、その土台は不確かなものであるのだ。 とくに、最近の研究ではほとんど再現性がないとされている「ステレオタイプ脅威」について、リベラルバイアスにも言及しながら議論しているのが印象的。 日本では

はじめに Pearl, Raubinときたので、LiNGAMについて知っておこうと思い以下の書籍を読みました。 統計的因果探索 (機械学習プロフェッショナルシリーズ) 作者:清水 昌平発売日: 2017/05/25メディア: 単行本（ソフトカバー） いつも通り簡単にまとめて、Rで実行実行してみます。 統計的因果探索 ある2つの変数の因果関係を考えた時に、ある共変量となるの存在が考えられる。 次の三つの構造的因果モデルが考えられる。 この候補となる因果モデルの中で、得られているデータを生成したと考えられるモデルを特定したい。 このように、得られているデータを用いて、候補となる構造的因果モデルの中から適当なモデルを推定することを統計的因果探索と呼ぶ。 因果探索のの三つのアプローチ ノンパラメトリック 線形性や誤差項に分布を仮定しないアプローチ パラメトリック 線形性や誤差項にガウス分布を仮定す

物事の本質に迫るため、正しい研究を行い、正しい報告を行うことは研究者の使命である。しかしながら、経営学を含め、多くの学問で、そのような適切な研究のあり方が危機に陥っている。学術界の社会制度自体が、研究者による不適切な研究を助長しているともいえる。このようなことを指摘しているのが、Mayer, van Witteloostuijn & Beugelsdijk (2017)である。具体的に言えば、現状の学術界では、本当は真実ではないことを、真実だと誤って報告した論文が多くジャーナルに掲載される危険性（False positive, 第一種の誤り）を高めているというのである。これらを生み出す研究行為のうち、典型的なものが、HARKing, p-hacking, asterisk-seekingである。 HARKingとは、Hypothesizing After the Results are K

ホーム ブログ 人工知能（ＡＩ）、ビッグデータ法務 Midjourney、Stable Diffusion、mimicなどの画像自動生成AIと著作権｜知… はじめに Midjourney、Stable Diffusion、mimicなど、コンテンツ（画像）自動生成AIに関する話題で持ちきりですね。それぞれのサービスの内容については今更言うまでもないのですがMidjourney、Stable Diffusionは「文章（呪文）を入力するとAIが自動で画像を生成してくれる画像自動生成AI」、mimicは「特定の描き手のイラストを学習させることで、描き手の個性が反映されたイラストを自動生成できるAIを作成できるサービス」です（サービスリリース後すぐ盛大に炎上してサービス停止しちゃいましたが）。 で、この手の画像自動生成AIのようなコンテンツ自動生成AIですが、著作権法的に問題になる論点は大体決ま

紹介 『私たちのR』は宋財泫（SONG Jaehyun）と 矢内勇生が共同で執筆するRプログラミングの「入門書」である。統計学の本ではない。 また、本書はデータ分析の手法の解説書でもない。Rを用いたデータ分析については他の本を参照されたい。私たちが専門とする政治学におけるデータ分析については、以下の本を勧める。 浅野正彦, 矢内勇生. 2018. 『Rによる計量政治学』オーム社. 飯田健. 2013.『計量政治分析』共立出版. 今井耕介（粕谷裕子, 原田勝孝, 久保浩樹 訳）2018.『社会科学のためのデータ分析入門（上）（下）』岩波書店. 本書が想定するのは、次のような希望をもつ読者である。 分析に入るまでの段階、つまりデータの入手やクリーニング方法が知りたい 分析結果を自分の思いどおりに可視化したい 複数のモデルを効率的に分析したい Rでシミュレーションがしたい Rと友達になりたい 本

オープンサイエンスとは、極めて曖昧で何を指しているのか漠然としていますが、基本的にはデジタル時代に鑑み、これまで以上にオープンで、多様な可能性をもって行うことができるようになった研究活動の諸側面を総称しています。 オープンサイエンスには大きく二つの流れがあると理解されます。一つは、サイエンスはよりオープンであるべきであるという、理念的なものです。もう一つは、主に行政サイドからくる、説明責任や透明性などの観点からくるものです。 デジタル時代でインターネットが普及した現在、人々のコミュニケーションは飛躍的に円滑になりました。これに伴い、研究活動も複数名の研究者からなる共同研究で行われることが多くなり、また国際共同研究も容易となりました。研究に関わる様々なファイル（研究データや付帯情報、論文のドラフト等）がインターネット上で共有され、同時編集されるようになりました。 同時に、共同研究のしやすさか

CHUGAI DIGITAL VISION 2030の3つの基本戦略の1つである「デジタルを活用した革新的な新薬創出」について、各取り組みを紹介します。 中外製薬は、リアルワールドデータ（RWD）利活用により新薬の臨床開発プロセスの効率化・高度化、医薬品の価値証明、疾患理解などを進め、患者さん一人ひとりに最適な治療の提供を実現します。 「リアルワールドデータ（RWD）」とは、日常の実臨床の中で得られる医療データの総称です。RWDにはレセプトデータ、DPC（Diagnosis Procedure Combination）データ、電子カルテのデータ、健診データ、患者レジストリデータ、ウェラブルデバイスから得られるデータなどがあります。近年、医療ITの進展により大量のRWDを取得・解析できるようになっています。 RWDは予め目的を決めて前向きにデータを取得する臨床試験とは異なり、日常の実臨床から

t-SNEは、高次元のデータを可視化する手法としては、非常に便利ですが、時々不可解な挙動をしたり、誤解を招くような可視化をすることがあります。 シンプルなデータを可視化して動作の仕組みを理解することで、t-SNEのより効果的な使い方を学ぶことができます。 t-SNEは、高次元のデータを調査するための手法として、2008年にvan der MaatenとHintonによって発表 [1] された人気の手法です。 この技術は、数百または数千次元のデータですら無理やり2次元の「マップ」に落とし込むという、ほとんど魔法のような能力を備えているために、機械学習の分野で幅広く普及しています。 このような印象を持っている方が多いのですが、こういった捉え方をしていると誤解を招くこともあります。 この記事の目的は、よくある共通の誤解を解くためでもあります。 t-SNEで可視化できることと、できないことを説明す

ここのところ発生生物学界隈では1細胞解析が大ブームです。「マウスの初期胚完全に理解した」みたいなサイトも整備されてきて、その勢いとどまるところを知らず。「細胞ばらしてクラス分けしただけで何が嬉しいの？」とか言ってる口の悪い人もいるようですが、「ス、スゲエ、、、」というのがやはり多くの人にとっての第一印象ではないかと思います。で、この一細胞解析で必ずと言って出てくるのがtSNE解析。膨大な遺伝子発現のデータから、この細胞は似ている、この細胞は似ていない、と、二次元プロット上に可視化することができる解析法になります。専門的には「次元下げ」というみたいですが、これ、eCLIPのデータで使ってみたらいろんな転写産物を細胞タイプみたいに分類できるかも？ということで、こちらの記事を参考に、ちょっと遊んでみました。 eCLIPはご存知の通り、多数のRNA結合蛋白質がどのRNAに結合しているのかを調べたデ