News

AI(機械学習)技術でワイヤカット放電加工機の加工精度を向上

ファナック株式会社(以下 ファナック)は、同社のワイヤカット放電加工機 注1 であるロボカットα-CiBシリーズの加工精度を高める「AI熱変位補正機能」を、株式会社Preferred Networks (以下PFN)と共同開発しました。

本機能を搭載するロボカットは、ファナックとPFNの協業後、初めての「AI機能搭載商品」となります。
ファナックとPFNは、製造業向けのAI機能の開発で2015年から協業 *1、資本提携し *2、ファナックの商品の性能向上や稼働率向上に有効なAI機能の共同開発を進めてまいりました。今回開発したAI熱変位補正機能では、ワイヤカット放電加工機の温度変化による加工精度変動をAI(機械学習)技術を活用して予測・制御し、補正精度を従来機能比で約30%改善しました。本機能は、小型から大型のワークまで適用可能です。

ロボカット

 

このAI熱変位補正機能はロボカットのオプション機能として提供され、本年11月より受注開始の予定です。また、本機能を搭載したロボカットを、メカトロテックジャパン2017(10月18日~10月21日にポートメッセなごやにて開催)に出品致します。

更に、同様の機械学習を用いたロボドリル版「AI熱変位補正機能」についても開発を進めており、近々提供開始の予定です。

ファナックとPFNは、今後も共同でAIによる製造現場の改善・革新を目指して、一歩一歩着実に進んでまいります。

 

株式会社Preferred Networks 代表取締役社長 最高経営責任者 西川 徹
「ファナックとの提携後、機械学習技術を活用した初めての商品を発表できることをうれしく思います。今回、製造業で重要な課題の一つである、制御パラメータの最適化に対して、機械学習技術の活用が有効であることを示すことができました。PFNは今後も機械学習・深層学習の技術を応用して、工作機械やロボットの知能化に貢献してまいります。」

 

*1 株式会社 Preferred Networks の協業に関するお知らせ
http://www.fanuc.co.jp/ja/profile/pr/newsrelease/osirase20150610.html

*2 ファナック株式会社および株式会社 Preferred Networks の資本提携に関するお知らせ
http://www.fanuc.co.jp/ja/profile/pr/newsrelease/osirase20150821.html

注1 極細のワイヤ電極と被加工金属(導体)の間の放電現象を利用して金属の精密・微細形状加工をするための工作機械

Preferred Networks、民間企業の計算環境として 国内最大級のプライベート・スーパーコンピュータを9月から稼働

NTT Comグループのマルチノード型GPUプラットフォームを採用

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長 最高経営責任者:西川 徹、以下:PFN)は、自動運転技術やがん診断をはじめとした深層学習(ディープラーニング)などの研究開発用プライベート・スーパーコンピュータを、2017年9月より稼働しました。このスーパーコンピュータは、NTTコミュニケーションズ株式会社(本社:東京都千代田区、代表取締役社長:庄司 哲也、以下:NTT Com)と株式会社NTTPCコミュニケーションズ(本社:東京都港区、代表取締役社長:田中 基夫、以下:NTTPC)の高速演算処理(GPU)プラットフォームを採用し、計算ノードにはNVIDIA(R)製 Tesla(R) P100 GPUを1,024基搭載しています。民間企業のプライベートな計算環境としては、国内最大級となります。

 

1. 背景と狙い

PFNでは、深層学習の研究開発や関連技術の迅速な実用化のため、最新GPUによる、高速かつ潤沢な計算環境が必要でした。また、GPUの稼働にあたっては高電力の確保、排熱処理、ネットワークの高速化が課題でした。これらの課題を解決するため、PFNは、GPUサーバーにおける高い技術力と豊富な実績、最先端のデータセンター構築ノウハウを持つNTT Comグループのマルチノード型GPUプラットフォームを採用し、PFN独自の並列分散学習技術ChainerMN※1を活用するための大規模なマルチノードの深層学習用研究開発基盤※2を構築しました。

 

2. PFNのプライベート・スーパーコンピュータの概要

(1)民間企業のプライベートな計算環境として国内最大級

最先端のマルチノード技術を活用しており、NVIDIA(R)製 Tesla(R) P100 GPUが1,024基稼働しています。理論上のピーク性能は4.7ペタフロップス※3で、これは、民間企業のプライベートな計算環境として、国内最大級です。

(2) NTT Comグループならではの実現力

NTT Comグループは、GPUのパフォーマンスを最大化するための豊富な構築ノウハウや、世界トップレベルの信頼性を誇るデータセンターサービス「Nexcenter™」および「Enterprise Cloud」の構築実績を活かし、マルチノード型GPUプラットフォームを実現・提供しています。

 

3. 今後の展開について

PFNは今回構築したプライベート・スーパーコンピュータを活用し、オープンソースの深層学習フレームワークChainer(R)の高速化を進めます。さらに、大量の計算資源を必要とする交通システム、製造業、バイオ・ヘルスケア分野での研究開発をより一層加速させます。また今後は、次世代GPU「Volta」ベースのNVIDIA(R)製Tesla(R) V100の導入も検討予定です。

NTT Comグループは、今後もAI関連技術やそれを支えるインフラの提供を通して、深層学習技術の研究や商用での積極的な利活用をサポートし、PFNのAIビジネスを支援していきます。

 

4. NVIDIA 日本代表 兼 米国本社副社長 大崎 真孝のコメント

現代AIのコアテクノロジーであるディープラーニングにおいて、計算パワーは競争力の源であり、NTT Comグループ様との協業によりPreferred Networks様がこのようなプライベート・スーパーコンピュータを構築されたことは、Preferred Networks様をはじめとして、日本の国力強化にも大いに貢献するものと期待しております。

 

※1: 複数ノードを並列協調動作させることにより、深層学習の速度を飛躍的に高めることができる技術

※2: 複数のサーバーをあたかも仮想的に1台の大規模サーバーに見立て、PFN独自の技術(ChainerMN)を活用するためのプラットフォーム

※3: コンピュータの処理能力を表す単位の一つ。peta (ペタ) は1000兆(10の15乗)、FLOPS (フロップス) は1秒間に行える浮動小数点演算の回数を表すので、1ペタフロップスは毎秒1000兆回の浮動小数点演算を行えることを意味する。

※Chainer(R)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。その他、記載されている会社名、製品名は、各社の登録商標または商標です。

 

■ 株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。

オープンソースの深層学習フレームワークChainer(チェイナー)の開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。(https://www.preferred-networks.jp/ja/

 

■ NTTコミュニケーションズ株式会社について

1999年に設立。全世界40以上の国/地域、110以上の都市に拠点を持ち、190以上の国/地域でグローバルネットワークサービスを提供。通信事業者ならではの高品質なインフラと技術を活かし、クラウド、コロケーション、アプリケーション、セキュリティなどの多岐にわたるICTサービスを展開しています。また、Software Defined技術を活用した新たなサービスとマネージドサービスの提供によって、お客さまのデジタルトラスフォーメーションに貢献するとともに、AIやIoTを用いた新たなビジネスの創出に取り組んでいます。(http://www.ntt.com/)

 

■ 株式会社NTTPCコミュニケーションズについて

株式会社NTTPCコミュニケーションズ(NTTPC)は、1985年に設立されたNTTコミュニケーションズのグループ会社であり、日本の通信市場におけるネットワークサービスおよび通信ソリューションプロバイダーです。NTTPCは、1995年にNTTグループの第1世代ISPサービス「InfoSphere」を開始し、1997年に日本の第1世代インターネットデータセンターとサーバーホスティングサービス「WebARENA」を開始しました。NTTPCは、NTTグループの企業向けインターネットサービスの先駆者として常にICT市場に対して、新しいサービス・ソリューションを開拓しています。(http://www.nttpc.co.jp/)

マルチノードでの分散学習パッケージChainerMN 正式版 v1.0.0 をリリース

データ並列のコア機能の安定化と、さらなる高速化を実現

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長 最高経営責任者:西川徹、以下、PFN)は、オープンソースの深層学習フレームワークChainer(チェイナー) に、マルチノードでの分散学習機能を追加するパッケージ ChainerMN ※1(チェイナー・エムエヌ)正式版 v 1.0.0 をリリースしました。

機械学習・深層学習技術の実用化に向け、より大きなデータを活用し、より精度の高い学習モデルを実現するために、学習に使われるモデルのパラメータ数や計算量が増大しています。

ChainerMNは、1ノード内の複数GPUまたは複数ノード間の両方での高速な通信により大規模分散深層学習を実現する、Chainer の追加パッケージです。PFNは2017年5月9日にChainerMN のβ版をリリースしており、今回は初の正式版のリリースとなります。ChainerMN v1.0.0 は、以下の機能が追加されています。

 

● ChainerMN v1.0.0 の特長

1. データ並列のコア機能の安定

安定性が向上したことにより、安心してご利用いただけます。

 

2. マルチGPUの集合通信ライブラリNVIDIA NCCL 2.0 をサポート

最新バージョンに対応したことで、より高速化しました。

 

3. サンプルコードの拡充(機械翻訳、DCGAN)

より先進的なChainerMN の使い方をサンプルを見て学ぶことが可能になりました。

 

4. 対応環境の拡充(非CUDA-AwareなMPIへの対応)

これまではOpen MPI, MVAPICH など、CUDA-Aware MPIの対応が必要でしたが、それ以外の環境でもChainerMN をご利用いただけます。

 

5. モデル並列機能の実験的サポート

複数GPUをこれまでと異なるモデル並列で連携させることで、より複雑な分散学習ができるようになりました。従来の手法(データ並列)では、精度を保ったまま使用ノード数を上げていこうとすると、実質的なバッチサイズに限界があることが知られています。これを克服して、さらなる速度向上を図るため、より挑戦的な手法であるモデル並列の一部を実験的に実装しています。

 

これらの機能により、ChainerMN での学習の安定化と、さらなる高速化の実現、ユーザビリティの改善を行っています。

以下は、ImageNetの画像分類データセットを使ったChainerMN の性能測定の結果です。今年1月の発表時からは約1.4倍、5月に公開したβ版からは1.1倍高速という結果になりました。実験設定の詳細についてはこちらをご覧ください。

https://chainer.org/general/2017/02/08/Performance-of-Distributed-Deep-Learning-Using-ChainerMN.html

また、ChainerMN は2017年10月より、エクストリームデザイン株式会社(本社:東京都品川区、代表取締役:柴田 直樹)が提供するクラウドスパコン構築運用無人化サービス「XTREME DNA」で利用できるようになります。従量課金のパブリッククラウド Microsoft Azure のGPUインスタンスの分散並列環境テンプレートにChinerMN が追加されるため、大規模分散深層学習に必要なインフラ周りの環境構築が不要になるだけでなく、研究開発コストの管理も容易になります。

ChainerMN は、深層学習研究者・開発者がニューラルネットワークの設計にはじまる研究開発の主要部分に注力しやすい環境の提供を目指し、今後も継続的に機能追加、対応環境の拡充を進めてまいります。

 

■ オープンソースの深層学習フレームワークChainerについて  http://chainer.org/

PFNが開発・提供するChainerは、Pythonベースのディープラーニング向けフレームワークとして、“Define-by-Run”アプローチによりユーザーが簡単かつ直感的に複雑なニューラルネットワークを設計し、学習させるための高い柔軟性とパフォーマンスを兼ね備えています。2015年6月にオープンソース化されたChainerは、最も普及しているディープラーニング向けフレームワークの1つとして、学術機関だけでなく、ディープラーニングの最新研究成果をいち早く現実世界のアプリケーションに活用するためのフレームワークを求める産業界においても、多くのユーザーに支持されています。

8月4日発表のトヨタ自動車による追加出資について

8月4日発表のトヨタ自動車による追加出資に関して、たくさんのお問い合わせをありがとうございました。
出資比率に関するご質問を多くいただきましたので補足いたします。

今回、当社への追加出資により変更されるトヨタ自動車の持ち分は、当社の従前からの事業、経営の方針に変更を加えるような出資比率ではありません。

以上

Preferred Networks、トヨタ自動車から約105億円の資金調達 モビリティ分野でAI技術の共同研究・開発を加速

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長 最高経営責任者:西川徹、以下、PFN)は、トヨタ自動車株式会社(本社:愛知県豊田市、社長:豊田 章男、以下、トヨタ)と自動運転技術など、モビリティ事業分野におけるAI(人工知能)技術の共同研究・開発を加速させるため、トヨタから約105億円の追加出資を受けることで合意しました。PFNが第三者割当増資により発行する株式をトヨタが引き受けます。これにより、トヨタはPFNの外部筆頭株主となります。

PFNとトヨタは、2014年10月から共同研究・開発を開始し、関係強化を目的に2015年12月、トヨタがPFNに10億円を出資しています。

これまで両社で実施した、物体認識技術や車両情報の解析技術などの共同研究・開発を通じ、PFNが持つ世界トップレベルの知能化関連技術(機械学習、深層学習、ビッグデータ処理等)は、自動運転をはじめとした、次世代のモビリティ社会の実現を目指すトヨタにとって必要不可欠であると、高く評価されました。

PFNは今回の資金調達により、計算環境の拡充、優秀な人材の確保をすすめ、モビリティ事業分野におけるトヨタとの関係強化、共同研究・開発をさらに加速させます。

 

■ 株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。
オープンソースの深層学習フレームワークChainer(チェイナー)や、アプリケーションを含む統合ソリューションDeep Intelligence in-Motion(DIMo、ダイモ)の開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。(https://www.preferred-networks.jp/ja/

* Chainer(R)、DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。
* その他、記載されている会社名、製品名は、各社の登録商標または商標です。

2017 Japan-U.S. Innovation Awardsにて「Emerging Leader Award」を受賞

深層学習技術の応用において、PFNの先進的な取り組みが認められました

    

Emerging Leader Award (Japan)の授賞式で、スタンフォード大学US-アジア技術経営センターのDr. Richard DasherとPFNの最高戦略責任者 丸山宏

 

株式会社Preferred Networksは、米国時間7月28日(金)にスタンフォード大学にて開催された、2017 Japan-U.S. Innovation Awardにおいて、最高賞となる「2017 Emerging Leader Awards」に選ばれました。PFNは2016年に同Awardの「Innovation ShowCase」の1社に選出されており、この1年での急成長が高く評価されました。

Japan-U.S. Innovation Awardsは、Japan Society of Northern California (北カリフォルニア日米協会)が Stanford University のUS-Asia Technology Management Center (スタンフォード大学US-アジア技術経営センター) の協力を得て、2011年より運営しているプログラムです。

その中で最高位の賞となる「Emerging Leader Awards」は、成功をおさめ、世界的に大きな影響を与える可能性がある革新的なスタートアップ企業に贈られます。日本とサンフランシスコ/シリコンバレーに拠点を置くベンチャーキャピタリスト、学識経験者、著名なビジネスエグゼクティブで構成された40人のイノベーションアドバイザリーカウンシルによる厳格なプロセスを通じて、米国と日本から各1社ずつ選ばれます。

Preferred Networksのテクニカルアドバイザーに UCバークレーのピーター・アビール教授が就任

株式会社Preferred Networks本社東京都千代田区、代表取締役社長 最高経営責任者西川徹、以下、PFNは、カリフォルニア大学バークレー校University of California, Berkeleyの教授で、OpenAIのリサーチサイエンティストであるピーター・アビールPieter Abbeel氏が、8月1日付けで、PFNのテクニカルアドバイザーに就任することで基本合意しました。

アビール教授は、ロボティクスにおける機械学習を用いた最適化・自動化における第一人者で、深層強化学習を用いたロボットの制御で世界最先端の研究成果を数多く発表し、最近ではAI研究を行う非営利会社であるOpenAIでも活躍しています。

今回のテクニカルアドバイザー就任では、PFNのロボティクス関連研究に対して、最新の深層学習手法をはじめとする技術的なアドバイスや指導をいただくことで、開発および実用化を加速することを目的としています。

就任に至る経緯等の詳細はResearcher Blogをご覧ください: https://preferredresearch.jp/2017/07/22/abbeel/

 

  • Pieter Abbeel ピーター・アビール

Pieter Abbeel

  • 略歴
    ベルギー・ルーヴェン・カトリック大学電子工学科修士を経て2008年スタンフォード大学にてコンピュータサイエンスの博士号を取得。同年よりカリフォルニア大学バークレー校の電気情報工学科に着任。ロボティクスと機械学習、制御の研究に従事。IEEE Robotics and Automation Society Early Career Award、Sloan Research Fellowshipなど受賞多数。BBC、New York Times、MIT Technical Reviewなどメディア登場多数。

 

■ 株式会社Preferred Networksについて https://www.preferred-networks.jp/ja/

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。
オープンソースの深層学習フレームワークChainer(チェイナー)や、アプリケーションを含む統合ソリューションDeep Intelligence in-Motion(DIMo、ダイモ)の開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。

* Chainer(R)、DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。
* その他、記載されている会社名、製品名は、各社の登録商標または商標です。

オープンソースの深層学習フレームワーク Chainer の最新版となるChainer v2をリリース

学習時のメモリ使用効率の大幅な改善など、機能強化を実施

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川 徹、プリファードネットワークス、以下、PFN)は、オープンソースの深層学習フレームワークChainer(チェイナー)のメジャーアップデート版となるChainer v2をリリースしました。

2015年のChainer公式リリース以来初めてとなる大幅な機能強化を実施し、よりパワフルに、柔軟に、そして直感的に、深層学習の実装と学習が可能になります。

深層学習技術の急速な発展と応用分野の拡大にともない、深層学習フレームワークに求められる機能、ユーザーの目的も急激に変化し、多様化しています。

Chainerは、最新の深層学習研究の成果を迅速に取り入れ、ChainerMN(分散深層学習)/ChainerRL(強化学習)/ChainerCV(コンピュータ・ビジョン)などの追加パッケージ開発、Chainer開発パートナー企業のサポートなどを通して、各分野の研究者や実務者の最先端の研究・開発活動を支援していくことを目指しています。

 

今回リリースしたChainer v2では、大きく3つの機能強化・改善を行いました。

1. 学習時のメモリ使用効率を大幅に改善

学習速度を犠牲にすることなく、メモリ使用量を大幅に削減。画像認識の分野で多用されるネットワーク ResNet50を用いた学習時には、メモリ使用量を33%以上削減できることが確認されています。これにより、より大きなネットワーク設計が容易になり、また、従来のネットワークにおいても、より大きなバッチサイズでの学習が可能になります。

 

2. Chainerの付属配列ライブラリ CuPy を分離・独立し、GPUを活用した高速配列演算の応用範囲を拡大

汎用配列計算ライブラリ CuPy は、科学技術計算の分野で多用されるライブラリ NumPy と非常に高い互換性をもつため、NumPyで記述されたコードをほとんど変更することなくGPUを使って高速に実行することが可能です。今回CuPyを分離し、独立したライブラリとして開発していくことで、深層学習以外の分野の研究・開発にも応用範囲を広げ、ユーザーの拡大を目指します。

 

3. APIを整理し、より直感的に

Chainerは、複雑なニューラルネットワークをプログラムとして直感的に記述できることが大きな特長の一つです。今回、ユーザーのユースケースやコミュニティからの要望を考慮し、不要なオプションの削除やインターフェースの整理を行い、より洗練されたAPIに改善しました。さらに直感的な記述が可能になったことで、意図しないバグの埋め込みが起きにくくなります。

 

● Chainer ReleaseNote:
https://github.com/chainer/chainer/releases/tag/v2.0.0

● Chainer Upgrade Guide:
http://docs.chainer.org/en/stable/upgrade.html

● Chainer Blog:
http://chainer.org/announcement/2017/06/01/released-v2.html

 

Chainerは今後、各分野の研究者や実務者の最先端の研究・開発活動をより迅速かつ効率的にサポートするため、4ヶ月ごとにメジャーバージョンのリリースを計画しています。

Chainer v2リリースにおいても、これまで同様に外部コントリビュータの開発成果を数多く取り入れさせていただきました。PFNは今後も、サポート企業やOSSコミュニティと連携しながらChainerの開発と普及を推進してまいります。

 

■ Chainer Meetup #05 

Chainerユーザーである開発者・研究者のコミュニティーイベントです。

●日 時: 2017年6月10日(土)14:00~18:30

●会 場: 日本マイクロソフト株式会社 品川オフィス セミナールームA
(東京都港区港南2-16-3 品川グランドセントラルタワー31F)

●申 込: https://chainer.connpass.com/event/57307/

 

■ Deep Learning Lab コミュニティキックオフ

最新のディープラーニング技術を実際のビジネスへ応用するべく、技術とビジネスの両面に精通したプロフェッショナルたちが集まるコミュニティです。主要プラットフォーム/フレームワークにMicrosoft AzureとChainerを採用し、事例や最新技術動向の情報発信を行います。

●日 時: 2017年6月19日(月)9:00~12:30

●会 場: 日本マイクロソフト株式会社 品川オフィス 会議室
(東京都港区港南2-16-3 品川グランドセントラルタワー31F)

●申 込: https://dllab.connpass.com/event/57981/

 

■ オープンソースの深層学習フレームワークChainerについて  http://chainer.org/

PFNが開発・提供するChainerは、Pythonベースのディープラーニング向けフレームワークとして、“Define-by-Run”アプローチによりユーザーが簡単かつ直感的に複雑なニューラルネットワークを設計し、学習させるための高い柔軟性とパフォーマンスを兼ね備えています。2015年6月にオープンソース化されたChainerは、最も普及しているディープラーニング向けフレームワークの1つとして、学術機関だけでなく、ディープラーニングの最新研究成果をいち早く現実世界のアプリケーションに活用するためのフレームワークを求める産業界においても、多くのユーザーに支持されています。

 

■ 株式会社Preferred Networksについて https://www.preferred-networks.jp/ja/

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。
オープンソースの深層学習フレームワークChainer(チェイナー)や、アプリケーションを含む統合ソリューションDeep Intelligence in-Motion(DIMo、ダイモ)の開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。(https://www.preferred-networks.jp/ja/

* Chainer(R)、DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

お絵描きコミュニケーションアプリ「pixiv Sketch」と線画自動着色サービス「PaintsChainer」が連携。イラストの自動着色機能を提供開始!

AIがイラスト制作の「着色」をサポート!イラスト上の顔や服装、風景等を認識し、自動的に着色する新機能を提供

ピクシブ株式会社(代表取締役社長:伊藤浩樹、本社:東京都渋谷区)とAIベンチャーの株式会社Preferred Networks(代表取締役社長:西川徹、本社:東京都千代田区、以下、PFN)は提携し、お絵描きコミュニケーションプラットフォーム「pixiv Sketch(ピクシブスケッチ)」に、新たにAI技術による線画自動着色サービス「PaintsChainer(ペインツチェイナー)」の機能を追加し、2017年5月24日(水)より提供開始します。

 

pixiv Sketchは、PCやスマートフォン等のデバイスを通じてお絵描きしたものをそのまま投稿できるコミュニケーションプラットフォームです。部屋の中でくつろいでいる時も、友達と外で遊んでいる時も、いつでもどこでも気軽にお絵描きをして、お絵描きを投稿することでコミュニケーションをリアルタイムに体験できます。
この度pixiv Sketchに追加する機能は、PFNが開発・提供する深層学習フレームワークChainerを使って線画および着色イラストを学習させたPaintsChainerの、塗る色を自動判断できる技術が使われています。

 

これはイラスト制作のうちの「着色」という重要な工程を手助けしてくれるもので、pixivSketch上で描いた絵や外部画像ファイルを選択して自動着色ボタンをクリックするだけで、AIがイラスト上の顔や服装、風景等を認識し、自動的に色が塗られます。また色の調整も可能で、カラーパレットから線画上の任意の箇所に、好きな色をヒントとして指定して自動着色することもできます。

 

ピクシブとPFNは、今後もAI技術や研究を通して、お絵描きをより身近で楽しいものに変えるべく、価値のあるサービス提供をしてまいります。

 

 

■下記①~④のお絵描き工程のうち、③着色工程に自動着色機能を使うことができます

■pixivSketchでの自動着色機能

  • 対応開始 :5月24日(水)
  • 費用:無料
  • URL:https://sketch.pixiv.net/ (※WEB版のみ対応)
  • 主な利用方法
    ① 線画を描く、もしくは画像を選択
    ②「自動着色」ボタンで自動着色する
    ③ 2種類から好みの着色パターンを選択
    ④ 必要に応じて、色のヒントをカラーパレットから入力し、着色を調整
    ⑤ 色指定の後、矢印ボタンをクリックし、完成!

 

 

■pixiv Sketchとは  https://sketch.pixiv.net/

「日々のお絵描きをもっと気軽で楽しいものにしたい」という想いで立ち上げた、お絵描きコミュニケーションプラットフォーム。PCやスマートフォン等のデバイスを通じて、いつでもどこでもお絵描きしたものを投稿できるサービスです。

■PaintsChainerとは  https://paintschainer.preferred.tech/

PFNが開発・提供し、2017年1月のサービス公開と同時にTwitter等で大きな反響のあった、オンライン線画自動着色サービス。白黒等で描かれた線画ファイルをアップロードするだけで、深層学習の技術を使って完全自動着色または色指定の自動着色をすることができます。

 

■株式会社Preferred Networks  https://www.preferred-networks.jp/ja/

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指している。最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進している。

所在地:東京都千代田区大手町1-6-1 大手町ビル2F

代表取締役社長:西川徹

設立日:2014年3月26日

 

■ピクシブ株式会社  http://www.pixiv.co.jp

所在地 : 東京都渋谷区千駄ヶ谷4-23-5 JPR千駄ヶ谷ビル2F

代表取締役社長:伊藤浩樹

事業内容:インターネットサービス事業

設立日:2005年7月25日

 

*Chainer(R)、DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

*その他、記載されている会社名、製品名は、各社の登録商標または商標です。

Preferred Networksとマイクロソフト、ディープラーニングソリューション分野で戦略的協業

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長 最高経営責任者:西川徹、以下、PFN)とマイクロソフト コーポレーション(本社:米国ワシントン州レドモンド、CEO:サティア ナデラ、以下マイクロソフト)は、人工知能や深層学習の実社会での活用を推進するため、ディープラーニングソリューション分野において戦略的協業することで合意しました。

今回の協業により、マイクロソフトのパブリッククラウドプラットフォームMicrosoft AzureとPFNの深層学習テクノロジーの連携を推進し、各業種業態のビジネス課題を解決する深層学習ソリューションを提供します。本協業の日本市場における展開を、日本マイクロソフト株式会社(本社:東京都港区、代表取締役 社長:平野 拓也)が全面的に支援します。

 

両社は、本協業を通して①テクノロジー、②人材育成、③マーケティング、の3つの軸で連携を進めます。

1.テクノロジー:

  • 深層学習に関わる技術者の課題として、複雑化するニューラルネットの学習時間の増大、増加し続けるデータの煩雑な管理、絶え間なく技術革新するアルゴリズムへの対応、深層学習を用いたシステム開発の方法論などが挙げられます。今回の協業では、2017年夏に、Microsoft AzureのIaaS と PFNの深層学習フレームワーク Chainerの親和性を高め、Chainer / ChainerMN(Multi Node)をワンクリックでAzure IaaS 上に展開する Azure Templateの提供、データサイエンスVMへのChainer 搭載、Azure Batch ServicesおよびSQL ServerのChainer対応、そしてChainerのWindows対応などを進めることで、課題の解消を図ります。

 

  • 現在主流であるニューラルネットワークのスクラッチ開発は高度な技術的知識が求められ、必要とされる投資金額も非常に大きくなっています。深層学習の実社会への適用を推進するためにはスクラッチ開発から、標準化されたソリューションへの移行が必須です。これを推進するため、Microsoft Azureのデータ収集分析サービスとPFNの深層学習プラットフォーム Deep Intelligence in-Motion(DIMo、ダイモ)を組み合わせ、特定のワークロードや業種向けソリューションを2017年中に提供します。また、そのソリューションを展開するパートナーを両者で支援し育成を行い、より広い実社会への実装を加速させていきます。

2.人材育成:

  • データサイエンス人材の育成は深層学習の実社会への応用の主要な課題の1つです。この課題を解消するために両社が連携し、大学の学生、企業内のエンジニア・研究者向けのトレーニングプログラムを2017年中に提供します。また、高等教育機関向けには政府機関などのデータ関連人材育成プログラムへの参加を検討していきます。

 

  • トレーニングプログラムはニューラルネットワークの基礎を学ぶ初級クラスだけではなく、実際に深層学習の実ビジネス事例をテーマに応用方法を学ぶ上級クラスまで提供します。これらのトレーニングを通して3年間で5万人の人材育成を計画しています。国際競争力のある IT 人材育成を目的とする世界最大の学生向けの IT コンテストであるImagine CupやAzure for Research などのプログラムをトレーニングのゴールとして用意します。

3.マーケティング:

  • 深層学習は機械学習の手法の1つですが、現在人工知能という広範な意味を含む言葉に含まれる形で多くの人の目に触れています。その結果、お客様のビジネス課題を解決するために深層学習が有効なのかどうか見極めが難しくなっています。これまでマイクロソフトとPFNが培った深層学習ビジネスの知見および、Microsoft Azure、Chainer、DIMoを活用した実際の成功事例をもとに、2017年夏に各業種に向けたお客様ワークショップを開始します。

 

  • Chainer、DIMoが提供する最新の深層学習テクノロジーを、強固なAzure基盤上に組み込むことにより、お客様の基幹システムに組み込めるエンタープライズグレードのエンドツーエンドソリューションを2017年内目途で提供します。

 

  • 深層学習でビジネス課題を解決したいお客様と、深層学習のコンサルティングや展開を行う企業とのマッチングの場として、コミュニティ”Deep Learning Lab(ディープラーニング・ラボ)”を発足し、2017年6月19日(月)および7月25日(火)の両日、コミュニティの主旨説明会を開催します。https://dllab.connpass.com/

 

 

■株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。

最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。(https://www.preferred-networks.jp/ja/)

 

■日本マイクロソフト株式会社について

日本マイクロソフトは、マイクロソフト コーポレーションの日本法人です。マイクロソフトは、モバイル ファースト&クラウド ファーストの世界におけるプラットフォームとプロダクティビティのリーディングカンパニーで、「Empower every person and every organization on the planet to achieve more.(地球上のすべての個人とすべての組織が、より多くのことを達成できるようにする)」を企業ミッションとしています。

日本マイクロソフトは、この企業ミッションに基づき、「革新的で、安心でき、喜んで使っていただけるクラウドとデバイスを提供する会社」を目指します。

 

* Chainer(R)、DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

* Microsoft、Azure、Surface、Cortana は、米国 Microsoft Corporation の米国およびその他の国における登録商標または商標です。

* その他、記載されている会社名、製品名は、各社の登録商標または商標です。

 

オープンソースの深層学習フレームワークChainerに、 マルチノードでの分散学習機能を追加するChainerMN(β版)をリリース

本日、株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、プリファードネットワークス、以下、PFN)は、オープンソースの深層学習フレームワークChainer(チェイナー)に、複数GPUの連携による分散学習機能を追加することで、学習速度を高速化させた追加パッケージ ChainerMN(チェイナー・エムエヌ、「MN」は「Multi Node」の略、https://github.com/pfnet/chainermn)のβ版をリリースしました。

GPUの性能は継続的に向上していますが、より大きなデータを活用し、より精度の高い学習モデルを実現するために、深層学習で使われるモデルのパラメータ数や計算量も増大しています。そのため現在でも、Chainer を含む一般的なフレームワークを用いた標準的な学習では 1週間以上かかるようなユースケースが少なくありませんでした。

PFNでは、より大規模なデータを扱ったり、試行錯誤のイテレーションを効率化するために、複数のGPUを連携させ、マルチノードでの分散学習機能を実装したChainerMNを開発しました。実験では「32ノード/128GPU」を動作させ、「1ノード/1GPU」で約20日を要する学習を、4.4時間で終わらせることに成功しています。

 

  • ChainerMNと他のフレームワークとの性能比較実験

https://research.preferred.jp/2017/02/chainermn-benchmark-results/

128 GPU を用い、速度のために精度を犠牲にしない実用的な同一設定下で、各フレームワークが学習完了に要する時間を比較した実験では、ChainerMN が最も高速という結果になりました。

 

また、GPU 数を変えた時の各フレームワークのスループットでは、1GPU の時にはC++ で記述されたMXNet, CNTK のほうがPython で記述されているChainerMN よりも高速であるものの、128 GPU では、ノード内・ノード間の両方で高速な通信を実現した ChainerMN が最も高速であり、スケーラビリティがあるという結果になりました。

 

ChainerMNは高速でスケーラブルなだけでなく、Chainerのユーザーであれば既存の学習コードから数行の変更をするだけで簡単にChainerMNを利用可能です。

ChainerMNは既に社内の複数のプロジェクトで利用されており、自然言語処理分野や強化学習分野での試用も始まっています。

 

  • オープンソースの深層学習フレームワークChainerについて

PFNが開発・提供するChainerは、Pythonベースのディープラーニング向けフレームワークとして、“Define-by-Run”の手法を通じてユーザーが簡単かつ直感的に複雑なニューラルネットワークを設計するための高い柔軟性とパフォーマンスを兼ね備えています。2015年6月にオープンソース化されたChainerは、最も普及しているディープラーニング向けフレームワークの1つとして、学術機関だけでなく、ディープラーニングがもたらすメリットを現実世界のアプリケーションや研究に活用するための柔軟なフレームワークを求める産業界の多くのユーザーに支持されています。(http://chainer.org/

 

  • 株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。

最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。(https://www.preferred-networks.jp/ja/

 

*Chainer、DIMoは、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

 

Preferred Networks社員がOpenAIに客員研究員として出向

2017年4月10日より、Preferred Networksエンジニアの藤田康博がカリフォルニア州サンフランシスコにあるOpenAIに客員研究員として出向しました。

OpenAIは人工知能研究の非営利組織で、数多くの著名な研究者が重要な人工知能の課題に取り組んでおり、その特許や研究成果を一般に公開しています。

藤田はゲーム人工知能に強く興味を持つ研究者で、Chainer上の深層強化学習ライブラリ、ChainerRLの開発者でもあります。

9月までの出向期間で、藤田はOpenAIのプロジェクトに参加し、その成果も公開される予定です。

Preferred Networksは研究コミュニティに積極的に参加し、この分野で同様のコラボレーションやイニシアティブを通じて研究推進への貢献を続けて参ります。

インテルとPreferred Networks、ディープラーニング向けオープンソースフレームワークChainerの開発で協業インテル アーキテクチャ上でChainerの実行パフォーマンスの大幅な向上を目指す

インテルコーポレーション(本社:米国カリフォルニア州サンタクララ)と株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長 最高経営責任者:西川徹、以下、PFN)は、本日、PFNが開発・提供するディープラーニング向けオープンソースフレームワークであるChainer(R)(チェイナー、http://chainer.org/)の開発で協業すると発表しました。今回の協業により、インテルの汎用インフラ上でChainerのパフォーマンスを大幅に向上することを目指します。

 

今後、IoT(モノのインターネット)や5G(第5世代移動通信システム)、AI(人工知能)などの先進的なテクノロジーがさまざまな産業分野で活用され、データを中心としたビジネス機会や利用体験を生み出していくことが予想されています。特にAIやディープラーニングに関するテクノロジーの進化により、データが持つ価値をさらに高めるアプリケーションの創出が加速します。

AIやディープラーニングに関するフレームワークなどのテクノロジー、そしてアプリケーションの開発/実装は、特定用途向けのコンピューティング環境のもとで進められています。そして、このことが、開発者コミュニティにおける、開発の複雑性、時間、コストなどの制約となっています。
この状況を踏まえ、AIの開発をより容易に進められるよう、各産業向けアプリケーション開発者にとって使いやすく、先進的なディープラーニング・フレームワークとして実績のあるChainerを開発・提供するPFNと、汎用コンピューティング テクノロジーや業界をリードするAI/ディープラーニング向けアクセラレーターを提供するインテルが共同で取り組みます。両社のテクノロジーを活用し、AIやディープラーニング向けの先進的なフレームワークを活用したアプリケーションの開発/実行の最適化を進め、画像認識や機械制御、異常検知などの性能向上を目指します。

PFNが開発・提供するChainerは、Pythonベースのディープラーニング向けフレームワークとして、“Define-by-Run”の手法を通じてユーザーが簡単かつ直感的に複雑なニューラルネットワークを設計するための高い柔軟性とパフォーマンスを兼ね備えています。2015年6月にオープンソース化されたChainerは、最も普及しているディープラーニング向けフレームワークの1つとして、学術機関だけでなく、ディープラーニングがもたらすメリットを現実世界のアプリケーションや研究に活用するための柔軟なフレームワークを求める産業界の多くのユーザーに支持されています。

インテルは、業界をリードするテクノロジー企業として、AIコンピューティング時代をさらに加速させるための独自の地位を築いています。そして、インテル(R) Xeon(R)プロセッサー、インテル(R) Xeon Phi™プロセッサー、インテル(R) Arria 10 FPGA、インテル(R) Nervana™ テクノロジーなど、業界で最も幅広いAI向けコンピューティング製品とChainerとの組み合わせにより、ディープラーニング向けに革新的な処理能力を実現できるよう支援します。また、このChainerフレームワークでは、高度に最適化されたオープンソースのライブラリであるインテル(R) Math Kernel Library(MKL)およびインテル(R) Math Kernel Library Deep Neural Network(MKL-DNN)を基盤となるビルディングブロックとして採用します。

 

インテルとPFNは、今回の協業を通じて以下の取り組みを推進します。

  • インテル アーキテクチャ上での、Chainerの実行パフォーマンスを継続的に最適化
  •  Chainerのアップデートへの継続的な対応
  •  汎用コンピューティング、アクセラレーター、ライブラリなどのインテル アーキテクチャのアップデートに対するChainer最適化の継続的な対応
  •  インテルのGithub(https://github.com/intel/chainer)において両社の協業成果を開発者コミュニティに公開
  •  AI/ディープラーニング市場の成長を加速するためのプロモーション活動での協

■インテルについて

インテルは、テクノロジーの可能性を広げ、この上ない感動体験を提供します。インテル、そしてインテル10万人以上の社員による創造の成果については、newsroom.intel.comまたはintel.comでご覧ください。

 

■株式会社Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、イノベーションの実現を目指しています。最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。

 

*Intel、インテル、Intel ロゴは、米国およびその他の国におけるインテル コーポレーションの商標です。

*Chainer、DIMoは、株式会社Preferred Networksの日本国およびその他の国における商標または登録商標です。

PFN 2017夏季 インターン募集

昨年に引き続き、Preferred Networks (PFN)は夏季インターンを実施します。今年度も学生のみなさまの応募をお待ちしております。昨年までにご応募いただいた方のエントリーも可能です。
今年度から、機械学習分野の募集に加えて、フロントエンド・バックエンド・チップ開発分野についても募集を行います。機械学習分野のみならずより多くのみなさまからのご応募を歓迎いたします。
私たちと一緒に新しい技術、ソフトウェア、サービスを創り上げていきましょう。

 

募集要項

 

●期間

 

2017年8月1日~9月30日 ※応相談

 

●実施場所

 

〒100-0004 東京都千代田区大手町1-6-1 大手町ビル2, 3F

 

●待遇

 

  • 時給:高校生1500円/高専生・大学生・大学院生1800円
  • 勤務時間:原則実働8時間・週5日(祝日を除く)
  • 交通費支給(月10000円まで)

 

●PFNインターンの特徴

 

  • 深層学習、コンピュータビジョン、自然言語処理、強化学習、アルゴリズム、分散処理など、様々な分野のスペシャリストがメンターとしてつき、2ヶ月の間長期にわたって一緒に議論・開発ができます。
  • インターン実施中に研究成果として面白い結果が出た場合、公開可能な範囲でインターン後にOSSや論文にすることも可能です。

 

●応募資格

 

個人で開発できる能力と高いモチベーションを持っている方を募集しています。また、下記テーマに沿った知識や開発経験を持っている方は考慮されますが、無くても構いません。資格の必要条件は以下の通りです。

  • 高校生・高専生・大学生・大学院生、他応相談
  • 日本語または英語でコミュニケーションがとれる方
  • コミュニケーションを主体的にとれる方
  • プログラミング経験がある方(言語問わず)
  • インターン期間中の平日、東京オフィスに来社できる方(海外在住の方のご応募は既に終了しており、今回は受け付けておりません)

 

※遠方にお住まいの方、且つご実家が通勤可能な圏内でない方には、インターン期間中のお住まいを用意致します。
※本格的な開発を行ったことがない方も、ぜひ積極的にご応募ください。

 

●応募方法

 

応募フォーム

https://docs.google.com/forms/d/e/1FAIpQLSevjHAtBhq9380kzDLXQ1dySoWa_p7N_VhgTHZnC4pcJa75hw/viewform

上記応募フォームに必要事項を記入の上、応募してください。「ご自身のPR資料」についてはGoogle driveにアップロードの上、共有URLを応募フォームに記入してください。アップロード手順は以下のURLをご参照ください。
https://www.preferred-networks.jp/wp-content/uploads/2017/03/intern2017_GoogleUpload_3.pdf

なお、応募に関するご質問は intern2017@preferred.jp で受け付けております。

※ご自身のPR資料

能力を証明、アピールするものをMicrosoft WordかGoogle docsでA4一枚程度にまとめてください。
(関係したソフトウェア、サービス・受賞歴、論文リスト、ポートフォリオ、プログラミングコンテストの参加歴、ブログやサイト、twitterアカウント等)

※実施したいテーマ(複数可)

下に記載の「実施テーマ」から選択して応募フォームに記載し、インターンへの応募動機・学びたいことを400文字以内で記述してください
(選考の重要なポイントになります。)

 

●応募締切

 

2017年5月7日(日)23:59(日本時間)

 

●選考フロー

書類選考…締め切り後、合否を約一週間で通知
事前課題選考…書類選考の合格者にメールにて通知
面接(原則1回)…遠方の方はskypeで対応となります。面接は6月1-17日を予定しており、この間にご対応頂けますようお願い致します。どうしても都合のつかない方は、面接日程調整時にその旨ご連絡下さい。
合格通知(6月下旬)

 

●実施テーマ

 

以下の研究開発分野から相談の上、実施するテーマを決定いたします。実施したいテーマは応募フォームにご記載ください。

[機械学習・数理分野]

応用研究領域

  • Chainer開発
  • 画像認識
  • 映像解析
  • コンテンツ生成(画像、映像、音声等)
  • 自然言語処理
  • 音声認識
  • 異常検出
  • IoT
  • データ圧縮
  • ロボティクス(アーム・二足歩行・自動運転車・経路計画)
  • ゲノム・エピゲノム・プロテオーム解析
  • 組み込みシステムへの深層学習の適用
  • LSI設計最適化

 

基礎研究領域

  • 分散深層学習・分散アルゴリズム
  • 強化学習
  • 最適化
  • 深層生成モデル
  • モデル圧縮
  • 量子化ニューラルネットワーク
  • 教師データの少ない機械学習(半教師あり学習・弱教師あり学習・one-shot learning・メタ学習)
  • シミュレーションを用いた機械学習
  • 機械学習モデルの解釈
  • 差分プライバシー
  • コミュニケーション・協調の創発

 

[フロントエンド・バックエンド分野]

  • Chainer周辺開発
  • SensorBee
  • PaintsChainer
  • ストリーム処理
  • ユーティリティ開発
  • Web開発
  • ネットワーク
  • ハイパフォーマンスコンピューティング
  • 3DCG
  • Unity開発
  • AR/VR

 

[チップ開発分野]

  • FPGA設計

 

●PFNの情報

 

Preferred セミナー:毎週木曜日11:10から、PFNではセミナーを実施しており、下記YouTubeリンクからメンバーのプレゼンを御覧頂けます。
https://www.youtube.com/user/preferredjp

リサーチブログ:技術的な話題について記事を書いています。
http://research.preferred.jp/

Twitter
PFN(ja) https://twitter.com/PreferredNetJP
PFN(en) https://twitter.com/PreferredNet

 

●PFNの過去参加者の記録

 

2016夏季インターン

・最終発表会(ポスター発表)
https://preferred-networks.connpass.com/event/39651/
https://research.preferred.jp/2016/10/intern2016/

・ブログなど
http://aonotas.hateblo.jp/entry/2016/11/05/170042
http://qiita.com/okdshin/items/c486da9c3e563147b0ff

2015夏季インターン

・最終発表会
http://www.ustream.tv/recorded/71791769
http://www.ustream.tv/recorded/74391829

・ブログ
久米さん https://research.preferred.jp/2015/08/intern2015kume/
小林さん http://hytae.hatenablog.com/entry/2015/10/03/2015_PFIインターン
澤井さん http://nupioca.hatenadiary.jp/entry/2015/10/07/031101

2014夏季インターン最終発表会

http://www.ustream.tv/recorded/53153399

2013夏季インターン最終発表会

#1 http://www.ustream.tv/recorded/39248263
#2 http://www.ustream.tv/recorded/39248390
#3 http://www.ustream.tv/recorded/39249101
#4 http://www.ustream.tv/recorded/39249245

2012夏季インターン

・最終発表会
前編 http://www.ustream.tv/recorded/25759352
中編 http://www.ustream.tv/recorded/25759781
後編 http://www.ustream.tv/recorded/25760407

・ブログ
NrNrNr7 http://nullnull.hatenablog.com/entry/20130512/1368335029

 

以前の参加者

http://d.hatena.ne.jp/obfuscation/20110410
http://d.hatena.ne.jp/goth_wrist_cut/20110511/1305100343
http://d.hatena.ne.jp/mr_konn/20101017/1287309185
http://d.hatena.ne.jp/kisa12012/20101007/1286461504
http://d.hatena.ne.jp/repeatedly/20101003/1286036800
http://d.hatena.ne.jp/repeatedly/20101011/1286763963
http://d.hatena.ne.jp/sotarok/20091009/1255031349
http://d.hatena.ne.jp/tb_yasu/20091010/1255171210
http://d.hatena.ne.jp/viver/20090909/p1

Financal Times とArcelorMittalが主催するBoldness in Business Awards 2017において、Technology Awardを受賞

英ロンドンで現地時間3月17日に開催された「FT ArcelorMittal Boldness in Business Awards 2017」において、Preferred Networks(以下PFN)が「Technology Award」を受賞しました。

PFNが開発するIoTおよび深層学習・機械学習技術に関して、ファナック株式会社との産業用ロボットによる工場の自動化、異常検知への応用、トヨタ自動車株式会社との自動運転への応用などが高く評価されました。

 

● FT ArcelorMittal Boldness in Business Awardsについて

    Financial Times と世界最大級の鉄鋼・鉱業会社ArcelorMittal が2008年に創設したビジネス賞で、9回目となる今回は、6つのカテゴリーにおいて、世界中から革新的な企業がノミネートされました。受賞者は、Financial Timesの編集者Lionel Barber、ArcelorMittalの会長兼最高経営責任者Lakshmi Mittalを含む専門家のパネルによって選ばれます。

 

・Awardの詳細および受賞者一覧
https://live.ft.com/Events/2017/FT-ArcelorMittal-Boldness-in-Business-Awards

・ロンドンで行われた授賞式の写真
https://www.flickr.com/photos/45442848@N05/33110753460/in/album-72157678023721663/

・Financial TimesでのPFNの紹介記事
Preferred Networks teaches robots to collaborate through deep learning
https://www.ft.com/content/a1f3c3a0-d368-11e6-b06b-680c49b4b4c0

ソラコムと Preferred Networksが独ハノーバーで開催される「CeBIT2017」で機械学習技術をIoT機器の上で利用する「エッジヘビーコンピューティング」の共同デモを実施

株式会社ソラコム(本社:東京都世田谷区、代表取締役社長:玉川憲、以下、ソラコム)と、株式会社 Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、以下 PFN)は、3月20日から24日に独ハノーバーで開催される「CeBIT(セビット)2017(国際情報通信技術見本市)」において、PFNが開発する深層学習の技術を、ソラコムに繋がったIoT機器の上で利用する「エッジヘビーコンピューティング」の共同デモを行います。

ソラコムは、IoT通信プラットフォーム「SORACOM」を提供しています。「SORACOM」を採用することにより、IoTに特化した無線通信を、リーズナブルに、WebコンソールもしくはAPI からプログラマブルにご利用いただけるだけではなく、通信経路上での暗号化や、クラウド連携など、セキュアかつ迅速にIoTシステムを構築・運用いただけます。

PFNは、IoTと深層学習をはじめとする機械学習の技術に強みを持ち、製造業や交通、バイオ・ヘルスケアを中心とする応用分野で高度なインテリジェンスを実現するため、分散協調的にデータ解析処理を行うプラットフォーム製品の開発・提供を行っています。

ソラコムが提供するセルラー回線などの無線技術により、IoT機器からデータを直接クラウドに送信することは簡易になってきています。しかし、帯域やデータ量を考えた場合、映像や音声といった大規模データをリアルタイムで継続的に送信することは、依然として課題があります。

今回のデモ展示は、IoT機器上で深層学習技術を実行し、データ解析することで、これらの課題を解決し、本当に価値のあるデータだけを効率的にクラウドへ送信することを可能にするものです。PFNではこの技術を「エッジヘビーコンピューティング」と呼んでいます。この手法を用いることで、高度なリアルタイム解析と、小さいデータ通信量の両立、加えて映像データ自体は解析後すぐ破棄するためプライバシーなどの問題も解決することができます。

 

エッジヘビーコンピューティング」の共同デモ詳細:

1.デモの内容

IoT機器に接続されたカメラに映った人物のデモグラフィックをその場で分析し、分析結果のみをクラウドへ転送して可視化を行うデモです。
今回、組み込み向けの高性能GPUモジュールである「NVIDIA(R) Jetson(TM) TX1」上でPFNの深層学習プラットフォーム「DIMo(ダイモ、Deep Intelligence in-Motion)」を動作させます。そして、「NVIDIA Jetson TX1」に接続されたカメラに映った人物のデモグラフィックをその場で映像に基づいて分析します。その後、要約された情報のみを「SORACOMAir」でクラウドに転送し、「SORACOM Harvest」を利用して可視化します。

 

2.「エッジヘビーコンピューティング」のメリット

カメラがとらえた人物の年齢・性別や映像内の位置情報と言った大ざっぱな情報だけをクラウドに転送することで得られるメリットは以下の通りです。

  •  映像を直接クラウドに送って解析する典型的なケースと比べて圧倒的に小さいデータを送るだけで済む
  • データサイズを気にせずに高品質で高い解像度の映像を分析できる
  • クラウドに映像を送る場合は解像度と品質を落とさなければならないため、分析の難易度が上がる
  • 映像はクラウドに蓄積せず、分析後カメラ側で破棄するためプライバシーを守りやすい

 

3.共同デモの展示詳細

時期:2017年3月20日~24日

会場:ドイツ・ハノーバー「CeBIT(セビット)2017(国際情報通信技術見本市)」

ブースナンバー:Hall 12, Stand B37   http://www.cebit.de/exhibitor/soracom-dk/U177198

※なお、ソラコムとしては、Japan Pvillion内、Hall 4, Stand A38 にもブースがありますが、上記のデモ展示はHall 12のみとなります。

 

「エッジヘビーコンピューティング」の共同デモにあたり、エンドースメントのご紹介

エヌビディア合同会社様に、本デモ展示にあたり、エッジデバイスをご提供いただきました。

エヌビディア合同会社 日本代表 兼 米国本社副社長 大崎真孝様

「エヌビディアはAIコンピューティングカンパニーとして、サーバーサイドのディープラーニングの学習からエッジサイドでの推論まで、End-to-Endでソリューションを提供しています。今回の「エッジヘビーコンピューティング」のデモはエヌビディアのディープラーニングソリューションを具現化するものであり、今後も両社の取り組みをサポートして参ります。」
demo1

demo2

株式会社ソラコムについて

株式会社ソラコムは、 IoT 向けの通信プラットフォーム「SORACOM」を提供します。このプラットフォームは、2015年9月にサービス提供開始された、IoTに特化したモバイル通信サービスです。お客様はSORACOMを利用することにより、IoTシステムに不可欠な通信を、リーズナブルに、セキュアに、プログラマブルにシステムに組み込むことができます。

 

株式会社 Preferred Networksについて

IoTにフォーカスした深層学習技術のビジネス活用を目的に、2014年3月に創業。デバイスが生み出す膨大なデータを、ネットワークのエッジで分散協調的に処理する「エッジヘビーコンピューティング」を提唱し、交通システム、製造業、バイオ・ヘルスケアの3つの重点事業領域において、新しいイノベーションの実現を目指しています。
最先端の深層学習技術を提供するDeep Intelligence in-Motion(DIMo、ダイモ)プラットフォームをベースとしたソリューションの開発・提供をはじめ、トヨタ自動車株式会社、ファナック株式会社、国立がん研究センターなどの世界をリードする組織と協業し、先進的な取り組みを推進しています。

 

NVIDIA Jetson TX1について

Jetson TX1 はクレジットカードサイズのモジュールに搭載されたスーパーコンピューターです。 NVIDIA Maxwell(TM) アーキテクチャ、256 NVIDIA CUDA(R) コア、64 ビット CPU を備え、非常に効率的な処理能力を見せます。また、ディープラーニング、コンピュータービジョン、GPU コンピューティング、グラフィックスの最新技術を備え、組み込みビジュアル コンピューティングに最適なモジュールとなっています。

NVIDIA Jetson TX1

 

***********************************************************

■会社概要

会社名: 株式会社ソラコム
代表取締役社長: 玉川憲
本社: 東京都世田谷区玉川四丁目5番6号尾嶋ビル3F
資本金: 37億2755万4044円(資本準備金含む)
ウェブサイト https://soracom.jp/

会社名: 株式会社Preferred Networks
代表取締役社長: 西川徹
本社: 東京都千代田区大手町1丁目6番1号大手町ビル2F
ウェブサイト https://www.preferred-networks.jp

※DIMo(TM)は、株式会社Preferred Networksの日本国およびその他の国における商標です。また、記載されている会社名および商品名は、各社の商標または登録商標です。

 

Preferred Networksとファナック、第3回日本ベンチャー大賞において経済産業大臣賞(ベンチャー企業・大企業等連携賞)を受賞

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹、以下PFN)は、経済産業省などが主催する第3回「日本ベンチャー大賞」において、「経済産業大臣賞(ベンチャー企業・大企業等連携賞)」をファナック株式会社と共に受賞しました。
PFNの最先端のAI技術と、ファナックが長年培ってきた世界最高水準の機械制御技術を連携させ、モノづくりの現場を革新する両社の取り組みを高くご評価いただきました。

  • 「日本ベンチャー大賞」について
    若者などのロールモデルとなるような、インパクトのある新事業を創出した起業家やベンチャー企業を表彰し称える制度です。起業を志す人々や社会に対し、積極的に挑戦することの重要性や起業家一般の社会的な評価を浸透させ、もって社会全体の起業に対する意識の高揚を図ることを目的としています。
  •  

    (経済産業省Webページ)
    http://www.meti.go.jp/press/2016/02/20170220006/20170220006.html
    (第3回「日本ベンチャー大賞」パンフレット)
    http://www.meti.go.jp/press/2016/02/20170220006/20170220006-1.pdf

    • 2017年2月20日(月)に総理官邸にて開催された表彰式の様子

      世耕経済産業大臣から表彰状を授与
      左から、世耕経済産業大臣、PFN西川、ファナック稲葉善治会長兼CEO

      安倍総理と記念写真
      安倍内閣総理大臣と西川

      受賞者記念撮影
      左から、安倍内閣総理大臣、PFN西川、世耕経済産業大臣、ファナック稲葉善治会長兼CEO

      世耕経済産業大臣、ファナック稲葉善治会長兼CEOと西川、岡野原
      左から、PFN西川、世耕経済産業大臣、ファナック稲葉善治会長兼CEO、PFN岡野原

    人工知能のトップ会議AAAI-17で深層学習実装のチュートリアルを行いました

    現地時間2月5日、サンフランシスコで開催中の国際会議AAAI-17において、PFNメンバーの得居と大野が深層学習の実装とフレームワークに関し”Deep Learning Implementations and Frameworks (DLIF)”と題したチュートリアルを行いました。

    深層学習の応用においてソフトウェアフレームワークの利用は欠かせなくなっていますが、本チュートリアルはその実装の基礎や設計における選択肢、およびChainerを含む現存するフレームワークの特徴比較を行い、ユーザーが用途に合ったフレームワークを選択できるようになることを目的としています。

    当日の発表資料とサンプルコードはこちらからダウンロード頂けます。

    AAAIは30年以上の歴史を持つ人工知能分野におけるトップ会議であり、今年は機械学習の理論から、IoTやロボティクスにおける応用など計24のチュートリアルが企画され、DLIFはその中でも最大の事前登録者を集めました。なお、本チュートリアルは産総研の兼村厚範氏との共同発表で、また神嶌敏弘氏と麻生英樹氏に技術アドバイザとしてご協力頂きました。




    (写真右から、PFNの得居誠也、大野健太、産総研の兼村厚範氏)


    PFNはこれからもソフトウェア公開や論文発表、チュートリアルなどを通じて、アカデミアへの貢献を続けていきます。

    ネットワークのエッジで動作する深層学習プラットフォームDeep Intelligence in-Motion(DIMo、ダイモ)v2のβ版先行提供開始のお知らせ

    株式会社Preferred Networks(プリファード・ネットワークス、本社:東京都千代田区、創業者 代表取締役社長:西川 徹、以下PFN)は、ネットワークのエッジで動作する深層学習プラットフォームDeep Intelligence in-Motion(DIMo、ダイモ)v2と、そのアルゴリズムパッケージの一つであるセンサーデータに対する異常検知についてβ版の先行提供(注1)を開始しました。

    DIMo v2 β版をご利用いただくにあたり、DIMoの活用提案、導入支援、実証実験支援などにつきましては、業務提携をしている株式会社Ridge-i(リッジアイ(注2)本社:東京都千代田区永田町1-11-28、CEO:柳原尚史)とも連携し、より早く効率的にお客様のビジネス業務へ活用できるよう促進してまいります。

    DIMo v2 β版およびアルゴリズムパッケージの利用については引き続き募集をしております。アルゴリズムパッケージに含まれるのはお知らせ時点では以下の機能となります。
    ・人・物体検出を行うためのコンピュータビジョンパッケージ
    ・センサーデータ(数値データ)に対する異常検知パッケージ
    ご利用については課題の内容を含めて個別に相談をさせて頂いておりますので、ご興味をお持ち頂けましたら最下部の連絡先のメールアドレスか、PFNの問合せ窓口(https://www.preferred-networks.jp/ja/contact)にご連絡下さい。

    DIMo v2 は2017/4に正式版を公開する予定です。
    これまで提供していた DIMo についても、ポータルを利用するバージョンに徐々に統合していきます。
    以下、以前のお知らせに記載した DIMo の説明を再掲いたします。

     


    DIMoはPFN製の深層学習(注3)フレームワークChainerと、同じくPFN製のIoT向けストリーム処理エンジンSensorBeeを利用し、ネットワークのエッジで発生するストリームデータに対して直接深層学習を適用します。さらにエッジで動作する深層学習をクラウドから管理・制御するためのコンソールを提供し、エッジやフォグ(注4)で動作する既存のIoT/M2Mプラットフォームと深層学習を簡単に連携させられます。

    DIMoはクラウド型の深層学習APIを提供するのではなく、ネットワークのエッジで稼働するデバイスに深層学習のモデルとプログラムを転送し、そのデバイスから発生するデータに対して深層学習を直接適用します。そのため、クラウド型の深層学習サービスと比較して次のようなユースケースに対して有効です:

    (1) 低レイテンシが要求される
    (2) 分析対象のデータをすべてクラウドに転送するのが難しい
    (3) 深層学習の適用頻度が高い

    ネットワークのエッジで直接深層学習を実行することのメリットの一つとして、クラウドへリクエストを送ってレスポンスを受けとるのにかかるネットワークの遅延をカットできる点があります。DIMoでは深層学習を直接ネットワークのエッジやフォグのデバイス上で動かすため、クラウド型のサービスと比較して低レイテンシの処理に向いています。

    また、IoTの環境ではネットワークの帯域不足やプライバシーの保護などの理由でデータをすべてクラウドに転送するのが難しいことがあります。他にもデータの価値密度が低いためすべてのデータをクラウドに保存することにほとんど意味がないケースも多く、とりあえずクラウドに貯めるというアプローチが常にうまく行くわけではありません。DIMoではネットワークのエッジで発生する映像などのサイズの大きな非構造化データから必要な情報をその場で抽出し、さらに重要な情報のみをフィルタリングしてクラウドに転送できます。プライバシーに関しても処理したデータは永続化する必要がなくその場で破棄できるためより安全な解決策を提供できます。

    他にも深層学習をデバイスの制御に利用する際には数ミリ秒単位での推論を求められることがあります。クラウド型の深層学習サービスではAPIの呼び出し回数による課金モデルを採用しているものが多いのですが、高頻度の呼び出しを行う場合には価格が高くなりがちで、シビアな制御に利用することは難しくなります。DIMoではユーザの用意したデバイス上で深層学習を実行する代わりに、学習や推論を含めた実行回数(API呼び出し回数)に制限はありません。

    以上はエッジ側で深層学習を利用するDIMoをクラウド型のサービスと比較した際のメリットです。一方で、クラウドがエッジに対して優位な点ももちろんあります。特に、エッジでは大規模なストレージや強い耐障害性を持った計算クラスタを構築することは困難で、クラウドが得意とするような信頼性の高い大規模集計を行えません。そこで、DIMoはすべてをエッジで解決するのではなく、フォグやクラウドが得意とする部分はそちらに任せ、逆にそれらが苦手とする部分をエッジ側でフォローするような相補的関係を構築します。例えば現在のデータベースは構造化データの取り扱いは得意ですが、音声や映像と言った非構造化データを直接効率的に扱うのは現時点ではまだ得意ではありません。エッジで発生する映像データはネットワークの帯域的な問題でクラウドにアップロードしづらいだけでなく、そのままの形でクラウドの分析ソリューションに持って行っても柔軟な分析は行えません。しかし、DIMoを利用することで、ネットワークのエッジにあるカメラの映像をその場で分析しクラウドには通常時はカメラがとらえた物体の情報のみを構造化データとして送信するといった処理が可能になります。

    DIMo は次のコンポーネントで構成されます:

    * エッジでの深層学習を管理するためのポータル
    * 分野毎のアルゴリズムと学習済みモデルのパッケージ
    * 深層学習の開発・実験基盤(2017/4以降予定)

    アルゴリズムパッケージはβ版では人・物体検出を行うためのコンピュータビジョンパッケージと異常検知用のパッケージを提供します。他にも電力などの需要予測の研究開発を現在進めており、そちらも早期に追加予定です。それぞれのパッケージのアルゴリズムも随時強化され、例えば電力需要予測では将来的に電力最適化アルゴリズムも提供していきます。他にも自律制御向けの強化学習、エッジデバイス同士の自律的なコミュニケーション手段を構築するためのアルゴリズムなども随時追加されます。


     

    (注1)以前のお知らせにて提供を予告していたものとなります (https://www.preferred-networks.jp/ja/news/dimo-beta
    (注2)株式会社Ridge-i:   深層学習・強化学習などを中心としたAI領域に特化した技術支援、コンサルティング、ソリューション開発、「DIMo」導入支援、実証実験支援などを提供
    (注3)多層構造のニューラルネットワークを用いる近年急速に発展した機械学習の一手法
    (注4)Cisco Systemsが提唱するクラウドとエッジの中間に位置するレイヤー

     

    ■ 本件に関するお問い合わせ先
    株式会社Preferred Networks
    pfn-info@preferred.jp

    人工知能(AI)を活用した統合的がん医療システム開発プロジェクト開始

    国立研究開発法人 国立がん研究センター(理事長:中釜 斉)と株式会社Preferred Networks(代表取締役社長:西川 徹、以下、PFN社)、国立研究開発法人 産業技術総合研究所(理事長:中鉢 良治、以下、産総研)人工知能研究センター(研究センター長:辻井 潤一)は、国立研究開発法人 科学技術振興機構の戦略的創造研究推進事業(CREST)における「イノベーション創発に資する人工知能基盤技術の創出と統合化」研究領域に採択され、人工知能(AI:Artificial Intelligence)技術を活用した統合的ながん医療システムの開発プロジェクト(以下、本プロジェクト)を開始します。

    本プロジェクトでは、国立がん研究センターに蓄積されている膨大な罹患者の詳細な臨床情報やマルチオミックスデータ*1(ゲノム、エピゲノム*2、画像情報および血液など網羅的な生体分子情報)、さらに疫学データと文献情報を、AI技術を利用して統合的に解析し、日本人のがん罹患者個々人に最適化された医療(Precision Medicine)の提供を目指した革新的がん医療システムの開発を目的とします。また、システムを実用化し、社会全般に普及させることにより、がん医療の質の向上を推進することを目指します。

     

    ■背景
    国立がん研究センターは、これまで世界でも有数の質の高いがんの基礎研究・臨床研究および疫学研究を長い間継続的に行なっており、蓄積されたがんの診断データは膨大な量になります。これらを統合的に解析することで、個々人に最適化された医療を提供できると考えられていますが、これまでは、このようながんに関するビッグデータを解析する手法が無く、実現に至っておりませんでした。しかし、近年、診断に利用されるデータの電子化が進んできたこと、複数のコンピュータやプロセッサを利用した分散処理技術の発展によりビッグデータ解析が可能になってきたこと、および、深層学習に代表される AI技術の発展により、構造化されたデータのみならず、構造化されていない多様ながんのビッグデータであっても、統合解析をすることで、医療の質の向上へと繋げられる可能性が高まってきました。

     

    ■研究概要
    本プロジェクトでは、最前線の深層学習技術の研究開発・産業化を推進しているPFN社、およびAI研究開発を先導する産総研 人工知能研究センターと共同で、国立がん研究センターが保持している膨大ながんに関する臨床データ、マルチオミックスデータおよび疫学データを統合的に解析するメディカルAI技術を開発します。その上で複雑ながんの本態を解明し、がんの診断・治療および創薬へ応用していきます。例えば最近様々な分野で利用が広がる深層学習技術をPFN社はがん診断に適用することで、様々ながんの早期予測精度を画期的に改善することを示し始めています。また、産総研で研究されている機械学習・統計手法により、がんの有無・進行度の判別や効果ある治療法の選択が容易になるバイオマーカー(生体物質)探索の効率化が期待できます。このように最先端のAI技術を導入することで、より迅速でかつ精度の高いがんの診断・治療および創薬システムを、産・官・学が密接に連携して開発します。

    がん医療に伴うAI開発においては、電子化・構造化されたデータのみならず、様々な非構造化がんデータベースの構築と、その多彩なデータベースを解析できる機械学習・深層学習技術の開発が必要になります。そのため、本プロジェクトでは、まず、機械学習・深層学習の適用が可能な正規化されたがんのデータベースを構築し、その上で機械学習・深層学習を利用して解析します。対象としてクリニカルシークエンス*3(ゲノム)データ、ヒストン修飾*4を中心としたエピジェネティクスデータ*5および血液検査データに重点を置き、より正確ながんの診断、個々のがん罹患者にあった治療法の選択、創薬へ応用していきます。CREST事業が求める最初の2年4カ月でProof of Concept (POC:概念実証)の取得を目指し、5年後を目処に実用化を目指していきます。

    Concept diagram of this project

     

    ■採択された研究課題

    国立研究開発法人 科学技術振興機構 戦略的創造研究推進事業(CREST)
    研究領域: 「イノベーション創発に資する人工知能基盤技術の創出と統合化」
    課題名: 「人工知能を用いた統合的ながん医療システムの開発」
    代表者: 国立がん研究センター 研究所 がん分子修飾制御学分野長 浜本 隆二

     

    ■用語解説
    *1 マルチオミックスデータ
    網羅的な生体分子についての情報であり、ゲノム(Genome)やトランスクリプトーム(Transcriptome)、プロテオーム(Proteome)などと呼ばれる、様々な網羅的な分子情報をまとめた情報。

    *2 エピゲノム
    DNA塩基配列の変化を伴わずにDNAやヒストンへの化学修飾が規定する遺伝情報。

    *3クリニカルシークエンス
    臨床検体を用いたがん関連遺伝子変異の網羅的解析。

    *4ヒストン修飾
    クロマチン構成タンパク質であるヒストンに認められるアセチル化、メチル化、リン酸化、ユビキチン化などの化学修飾

    *5エピジェネティクスデータ
    エピゲノム(*2)の網羅的解析によって得られるデータ。主にDNAメチル化およびヒストン修飾を指すことが多い。

     

    ■お問合せ先
    国立研究開発法人 国立がん研究センター
    企画戦略局 広報企画室
    〒104-0045 東京都中央区築地5-1-1
    TEL: 03-3542-2511(代表) FAX:03-3542-2545 E-mail:ncc-admin@ncc.go.jp

    株式会社Preferred Networks
    〒100-0004 東京都千代田区 大手町1丁目6−1 大手町ビル2F
    E-mail:pfn-info@preferred.jp
    URL:https://www.preferred-networks.jp

    国立研究開発法人 産業技術総合研究所
    企画本部 報道室
    〒305-8560 茨城県つくば市梅園1-1-1 中央第1
    つくば本部・情報技術共同研究棟8F
    TEL:029-862-6216 FAX:029-862-6212 E-mail:press-ml@aist.go.jp

    Press Conference

     

    ※11月29日記者発表の様子

    Preferred Networks、SCSKとAsian Frontierグループの業務提携に関するお知らせ

    Preferred Networks、SCSKとAsian Frontierグループの
    業務提携に関するお知らせ

     

    株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長:西川徹 以下、PFN)は、SCSK株式会社(本社:東京都江東区、代表取締役社長:谷原徹、以下SCSK)と株式会社Asian Frontier(社長:ミゲルアンヘル エステベス 安倍 以下AF)およびAFグループの株式会社Ridge-i(本社:東京都千代田区、代表取締役社長:柳原尚史、以下Ridge-i)と業務提携し、SCSKが開発・運用する企業の業務システムへのAI技術活用の一環として、PFNの持つ深層学習(ディープラーニング)を中心にした機械学習のプラットフォーム「DIMo(ダイモ:Deep Intelligence in-Motion)」(注1)の導入を推進します。

    【背景】
    PFNの持つ最先端の機械学習や深層学習の技術はネットワークの進化とともに産業界において広範な適用可能性及び変革の可能性を秘めています。
    一方、SCSKは、金融機関、製造業、流通業、通信業向けなど、すべての業種・業界向けにさまざまな業務システム・サービスを提供しています。特に昨今、金融機関においては、既存業務の効率化や知見の有効活用を目的に、FinTech・AIへの積極投資が進み始め、機械学習・深層学習技術の業務システム・サービスへの適応が求められています。

    【内容】
    他の先進技術と同様に、実際にビジネスの現場においてPFNの技術を適用していくには、各業界におけるビジネスニーズに即して開発が推進される必要があります。
    すでにDIMoのビジネス活用コンサルティング・導入支援において業務提携しているAFグループを含め、広範な業種・業界向けにさまざまな業務システム・サービスを提供しているSCSKをパートナーとして迎える事で、迅速なビジネスへの技術適用を推進していく事に致しました。すでにSCSKおよびAFグループと共同で開始されている金融機関での実証実験の他にも他業界での実証実験も予定されており、商用化を加速してまいります。

    (注1)DIMo (Deep Intelligence in Motion)とは、PFNの持つ深層学習や強化学習などの機械学習技術をライブラリー化し、汎用的に各業界で利用できるようにしたソフトウェアプラットフォームです。

     

    本業務提携における各社の役割

    株式会社Preferred Networks : 深層学習技術を使った「DIMo」の提供及び技術支援
    株式会社Asian Frontier : 『DIMo』を活用した業務改革・システム化構想のコンサルティングサービスを提供
    株式会社Ridge-i : 深層学習・強化学習などを中心としてAI領域に特化した技術支援、コンサルティング、ソリューション開発、実証実験支援、DIMo導入支援などを提供
    SCSK株式会社 : 全業種の業務課題に対するAI技術の適応検討、および業務システムへの実装を提供
     

    ■ 本件に関するお問い合わせ先
    株式会社Preferred Networks
    e-mail:pfn-info@preferred.jp

    株式会社Asian Frontier
    部署:先進技術ソリューション本部
    e-mail:toiawase@asian-frontier.com

    ※掲載されている製品名、会社名、サービス名はすべて各社の商標または登録商標です。

    BBT宇宙天気予報研究会におけるChainer Playgroundの先行利用事例

    京都大学BBT宇宙天気予報研究会では、京都大学をはじめ世界中の人々の努力により、これまでに膨大な観測データが蓄積されている、活動する天体・太陽に対して、深層学習技術を適用することで、人類の文明にも日々影響を与えている太陽活動を予測する研究に取り組まれています。(https://www.usss.kyoto-u.ac.jp/bbt.html

    BBT宇宙天気予報研究会ではPFNが開発しているChainerを利用し、宇宙天気を予測する授業をされておりますが、このたびChainer Playgroundを先行利用することによりPython環境を学生のみなさんのPCにインストールすることなく、深層学習の原理やChainerの使い方を理解することが可能となりました。

    村主 崇行 京都大学 非常勤講師のコメントです。
    「環境のセットアップには毎度、1−2週間とられてしまうほか、学生さんのPCのOSや性能差も大きいので、ブラウザさえあれば動くオンライン教材はとても助かっています。」

    PFNがん研究所 (PFN Cancer Research Institute (PCRI))の設立について

    PFNがん研究所 (PFN Cancer Research Institute (PCRI))の設立について

     

    株式会社Preferred Networks(プリファード・ネットワークス、本社:東京都千代田区、創業者 代表取締役社長:西川 徹、以下PFN)は、自動車、製造業、そしてバイオヘルスケアの3つの分野を重点事業領域として研究開発、産業化を進めております。

    特にバイオヘルスケアの分野においては、近年の次世代ゲノムシークエンサーの発展により、ゲノム解析(DNA, RNA, マイクロRNAや、エピゲノムを含む)による個別化医療が実現可能な時代が近づいてきました。しかしながら、個別化医療を実現するためには、ディープラーニング(深層学習)など最先端の人工知能(AI)技術を活用し、大量のゲノムデータを正確に分析し、各医療機関とも密接に連携を取りながら、個別化医療実現に向けて努力することが急務となっています。

    PFNは、その第一弾として、東京大学産業連携プラザにPFNがん研究所 (PFN Cancer Research Institute (PCRI))を設立しました。PCRIでは、次世代シークエンサーを利用したウェットラボを立ち上げ、最新バイオテクノロジーとディープラーニングに代表される最先端の人工知能技術との融合領域の研究・産業化を進めていきます。具体的には、診断、治療、創薬の3つの分野において、深層学習を利用したがんゲノム研究を進め、
    1)新規がん診断法の確立、
    2)ゲノム分析によるがん治療方針の決定、最適治療薬の選択や術後の予測、
    3)それぞれの患者に適応した個別化創薬、
    など革新的な個別化医療を実現できるようイノベーションを起こし続けます。

    PFNはこれからも、最先端の人工知能技術をいち早く様々なヘルスケアの分野に応用し、皆様の健康やQOL( Quality of Life:生活の質) の向上のために貢献していきます。

    ■ 本件に関するお問い合わせ先
    株式会社Preferred Networks
    pfn-info@preferred.jp

    ネットワークのエッジで動作する深層学習プラットフォームDeep Intelligence in-Motion(DIMo、ダイモ)のβ版先行提供を12月中旬から開始します

    ネットワークのエッジで動作する深層学習プラットフォームDeep Intelligence in-Motion(DIMo、ダイモ)のβ版先行提供を12月中旬から開始します

     

    株式会社Preferred Networks(プリファード・ネットワークス、本社:東京都千代田区、創業者 代表取締役社長:西川 徹、以下PFN)は、ネットワークのエッジで動作する深層学習プラットフォームDeep Intelligence in-Motion(DIMo、ダイモ)のβ版先行提供を12月中旬から開始します。DIMoはPFN製の深層学習(注1)フレームワークChainerと、同じくPFN製のIoT向けストリーム処理エンジンSensorBeeを利用し、ネットワークのエッジで発生するストリームデータに対して直接深層学習を適用します。さらにエッジで動作する深層学習をクラウドから管理・制御するためのコンソールを提供し、エッジやフォグ(注2)で動作する既存のIoT/M2Mプラットフォームと深層学習を簡単に連携させられます。

    DIMoはクラウド型の深層学習APIを提供するのではなく、ネットワークのエッジで稼働するデバイスに深層学習のモデルとプログラムを転送し、そのデバイスから発生するデータに対して深層学習を直接適用します。そのため、クラウド型の深層学習サービスと比較して次のようなユースケースに対して有効です:

    (1) 低レイテンシが要求される
    (2) 分析対象のデータをすべてクラウドに転送するのが難しい
    (3) 深層学習の適用頻度が高い

    ネットワークのエッジで直接深層学習を実行することのメリットの一つとして、クラウドへリクエストを送ってレスポンスを受けとるのにかかるネットワークの遅延をカットできる点があります。DIMoでは深層学習を直接ネットワークのエッジやフォグのデバイス上で動かすため、クラウド型のサービスと比較して低レイテンシの処理に向いています。

    また、IoTの環境ではネットワークの帯域不足やプライバシーの保護などの理由でデータをすべてクラウドに転送するのが難しいことがあります。他にもデータの価値密度が低いためすべてのデータをクラウドに保存することにほとんど意味がないケースも多く、とりあえずクラウドに貯めるというアプローチが常にうまく行くわけではありません。DIMoではネットワークのエッジで発生する映像などのサイズの大きな非構造化データから必要な情報をその場で抽出し、さらに重要な情報のみをフィルタリングしてクラウドに転送できます。プライバシーに関しても処理したデータは永続化する必要がなくその場で破棄できるためより安全な解決策を提供できます。

    他にも深層学習をデバイスの制御に利用する際には数ミリ秒単位での推論を求められることがあります。クラウド型の深層学習サービスではAPIの呼び出し回数による課金モデルを採用しているものが多いのですが、高頻度の呼び出しを行う場合には価格が高くなりがちで、シビアな制御に利用することは難しくなります。DIMoではユーザの用意したデバイス上で深層学習を実行する代わりに、学習や推論を含めた実行回数(API呼び出し回数)に制限はありません。

    以上はエッジ側で深層学習を利用するDIMoをクラウド型のサービスと比較した際のメリットです。一方で、クラウドがエッジに対して優位な点ももちろんあります。特に、エッジでは大規模なストレージや強い耐障害性を持った計算クラスタを構築することは困難で、クラウドが得意とするような信頼性の高い大規模集計を行えません。そこで、DIMoはすべてをエッジで解決するのではなく、フォグやクラウドが得意とする部分はそちらに任せ、逆にそれらが苦手とする部分をエッジ側でフォローするような相補的関係を構築します。例えば現在のデータベースは構造化データの取り扱いは得意ですが、音声や映像と言った非構造化データを直接効率的に扱うのは現時点ではまだ得意ではありません。エッジで発生する映像データはネットワークの帯域的な問題でクラウドにアップロードしづらいだけでなく、そのままの形でクラウドの分析ソリューションに持って行っても柔軟な分析は行えません。しかし、DIMoを利用することで、ネットワークのエッジにあるカメラの映像をその場で分析しクラウドには通常時はカメラがとらえた物体の情報のみを構造化データとして送信するといった処理が可能になります。

    DIMoは次のコンポーネントで構成されます:

    * エッジでの深層学習を管理するためのポータル
    * 分野毎のアルゴリズムと学習済みモデルのパッケージ
    * 深層学習の開発・実験基盤(2017/4以降予定)

    アルゴリズムパッケージはβ版では人・物体検出を行うためのコンピュータビジョンパッケージと異常検知用のパッケージを提供します。他にも電力需要予測の研究開発を現在進めており、そちらも早期に追加予定です。それぞれのパッケージのアルゴリズムも随時強化され、例えば電力需要予測では将来的に電力最適化アルゴリズムも提供していきます。他にも自律制御向けの強化学習、エッジデバイス同士の自律的なコミュニケーション手段を構築するためのアルゴリズムなども随時追加されます。

    DIMoは2017/4に正式版を公開する予定です。

    (注1)多層構造のニューラルネットワークを用いる近年急速に発展した機械学習の一手法
    (注2)Cisco Systemsが提唱するクラウドとエッジの中間に位置するレイヤー

     

    ■ 本件に関するお問い合わせ先
    株式会社Preferred Networks
    pfn-info@preferred.jp

    深層学習をウェブブラウザ上で学習できる「Chainer Playground」の無償公開について

    深層学習をウェブブラウザ上で学習できる「Chainer Playground」の無償公開について

     

    株式会社Preferred Networks(プリファード・ネットワークス、本社:東京都千代田区、創業者 代表取締役社長:西川 徹、以下PFN)は、深層学習をウェブブラウザ上で学習できる環境、「Chainer Playground」を無償で公開します。ChainerはPFNが開発したPythonベースの深層学習(注1)フレームワークで、複雑なニューラルネットワーク(注2)を柔軟に記述するために開発されました。Chainer Playgroundでは深層学習とChainerの基礎を実際のプログラミングを通しながら学べます。Chainer Playgroundを利用するにあたって必要なのはウェブブラウザのみで、PythonやChainerのインストールも必要ありません。ブラウザでChainer Playgroundに接続するだけですぐに学習を始められます。

    Chainer Playgroundのコンテンツとして、まずは公式ドキュメントベースのChainerチュートリアルと、深層学習の基礎を学べる教科書を公開します。教科書は書き終わったところから公開し、随時加筆していく予定です。これらのコンテンツではあらかじめ提供されているオープンデータセットを使ってGPU上で実際に実験を行えます。

    Chainer Playgroundの公開は11月初旬を予定しています。その後は深層学習を使う上で必要なテクニックを分野毎に一問一答形式で学べる「深層学習100本ノック(仮称)」、より初心者向けの深層学習教材、深層学習や機械学習の経験がないアプリケーションデベロッパー向けのChainerチュートリアルなどを随時増やしていきます。

    (注1)多層構造のニューラルネットワークを用いる近年急速に発展した機械学習の一手法
    (注2)神経回路に似た計算構造を持つ機械学習モデルの一種

    ■ 本件に関するお問い合わせ先
    株式会社Preferred Networks
    pfn-info@preferred.jp

    CEATEC JAPAN 2016 に出展します

    株式会社Preferred Networksは、2016年10月4日(火)〜7日(金)幕張メッセにて開催されております、CEATEC JAPAN 2016(www.ceatec.com)に出展しております。

    Preferred Networksは、特別企画展示エリア内の人工知能パビリオンにおいて、人工知能(AI)の中核技術といわれるディープラーニング(深層学習)の製品への適用事例を、以下3点展示しております。

     

    1.ドローン 深層強化学習に基づくドローン制御

    複雑で制御が難しい対象(Cyber-Physical Systems)を物理モデルベースではなく強化学習を使って制御し、ドローンが自ら学習して飛行するデモを展示いたします。Preferred Networksは、深層強化学習を用いた自動運転や工場用ロボットの制御等で先端的かつ汎用的な技術を持っており、このデモではドローンというさらに複雑な制御対象にも適用できることを示します。

    * Cyber-Physical Systems
    実世界(Physical System)に浸透した組み込みシステムなどが構成するセンサーネットワークなどの情報を、サイバー空間(Cyber System)の強力なコンピューティング能力と結びつけ、より効率のよい高度な社会を実現するためのサービスおよびシステム

    2.ロボット 棚から多様な物体を取出しできるロボット

    現実世界の多種多様な物体をロボットで正しく認識して持ち運ぶことは、物流倉庫の自動化において非常に重要な課題であり、将来的には産業用だけでなく、家庭環境へも応用範囲が広がっていきます。倉庫内ピッキングに関する世界的な大会であるAmazon Picking Challenge 2016でも優秀な成績を修めたシステムを改良し、ドローン等と連携するシステムも構築しました。

    3.DIMo  Deep Intelligence in Motion (ディープラーニングを利用した弊社データ解析プロダクト)による映像解析

    深層学習を利用したデータ解析プロダクトによる映像解析のデモを実施します。展示では、例としてドローンを模したカメラからの映像を処理し、人を検知して男女などの属性を推定する技術を示します。監視用・マーケティング用を含めて現在使用されているカメラは無数にあり、それらを人が全て監視したり、単に記録用に使われたりするのではなく、リアルタイム性が高くインテリジェンスな分析ができることで、新しい防犯やマーケティングの仕組みを作ることができると期待されています。

    ■ CEATEC開催期間中に予定されている講演について
    CEATEC期間中に予定されている弊社の講演は以下のとおりです。
    ・10/4(火) 11:15-12:15  IoT推進コンソーシアム総会 「IoTに向けた世界の取り組みと日本の取り組み〔仮〕」(CEO西川)
      http://www.iotac.jp/event/plenary2016/
    ・10/4(火) 15:10-16:10  ICTイノベーションフォーラム2016 「AI・ロボット技術の基礎研究と社会展開・社会実装との橋渡し」(CEO西川)
      http://www.keieiken.co.jp/if2016/
    ・10/6(木)  11:00-11:40  【CEATEC×産総研人工知能カンファレンス~PAVILION DAY】
    「IoTのエンジンとなるディープラーニング」(CEO西川)
      http://www.ceatec.com/ja/conference/confDateList.html?date=2016-10-06  
    ・10/7(金) 10:00-11:00 CPS/IoTトレンドセッション 「実世界の人工知能 ~交通、製造業、バイオヘルスケア~」(CSO丸山)
    ・10/7(金) 12:30-14:30 AIと知財について「学習済モデルの再利用について(仮)」(CSO丸山)
    ・10/7(金) 14:40-16:55 特別展示企画セッション(FANUC稲葉専務取締役と弊社CEO西川の対談)
      http://www.ceatec.com/ja/conference/confDateList.html?date=2016-10-07

    ぜひご来場の際は、ブースや講演にお立ち寄りください!

    2016 US-Japan Innovation Awardsにて日本発の革新的なスタートアップ企業に選出

    スタンフォード大学で行われたシンポジウムで表彰されるPFN西川社長CEO

    Preferred Networksが2016年US-Japan Innovation Awardsにおいて、日本発の革新的なスタートアップ企業5社に選出

    ~スタンフォード大学において開催された2016 US-Japan Innovation Awardsで、Innovation Showcaseを受賞~

     

    株式会社Preferred Networks(プリファード・ネットワークス、本社:東京都千代田区、創業者 代表取締役社長:西川 徹、以下PFN)は米国時間7月22日(金)にスタンフォード大学にて開催された、2016 Japan-US Innovation Awardにおいて、日本発の革新的なスタートアップ企業を選出する「2016 Innovation ShowCase」の1社に選ばれましたので、お知らせいたします。

    US-Japan Innovation Awardsは、Japan Society of Northern California (北カリフォルニア日米協会)が Stanford University のUS-Asia Technology Management Center (スタンフォード大学US-アジア技術経営センター) の協力を得て、2011年より運営しているプログラムで、その中で”Innovation Showcase”は日本発のエキサイティングなスタートアップ企業に贈られる賞です。

     

    PFNについて

    東京を拠点とし、Internet of Things (IoT)において深層学習を中心とした機械学習技術を用いたソリューションにフォーカスしているベンチャー企業です。機械学習技術の先進技術を提供するDeep Intelligence in-Motion(DIMo)プラットフォームをベースとしたソリューションの研究開発に取り組んでいます。Preferred Networksは自動車業界や産業用ロボットにおいてそれぞれトヨタ自動車株式会社やファナック株式会社などの世界をリードする企業と協業し先進的な取り組みを推進しています。詳細は、http://www.preferred-networks.jpをご覧ください。

    Preferred Networks とDeNA、合併会社設立のお知らせ

    Preferred Networks とDeNA、人工知能技術を用いた
    企業向けソリューションを提供する合弁会社PFDeNAを設立

    ~ディープラーニングを中心とした高度な機械学習技術で様々なデータの価値を最大化~

    株式会社Preferred Networks(プリファード・ネットワークス、本社:東京都千代田区、創業者 代表取締役社長:西川 徹、以下PFN)と株式会社ディー・エヌ・エー(本社:東京都渋谷区、代表取締役社長兼CEO:守安 功、以下DeNA)は、ディープラーニング(深層学習)※1や高度な機械学習※2など最先端の人工知能※3(AI)技術を活用した企業向けソリューションや消費者向け商品・サービス等の提供を目的として、本日、合弁会社を設立しました。

    新会社である株式会社PFDeNA(ピー・エフ・ディー・エヌ・エー、以下PFDeNA)では、DeNAが多彩なインターネットサービスの運営を通じて蓄積してきた様々なデータや複数事業領域での経験と、PFNのAI技術、特にディープラーニングに関する広範囲な知見や最先端の技術を組み合わせることにより、DeNAあるいは顧客企業の持つ様々なデータの価値の最大化を図ります。事業領域としては、ゲーム、ヘルスケア、自動車・交通関連のほか、大規模データを扱うあらゆる産業を検討していきます。

    PFDeNAの設立により、PFNは、AI技術の活用に必要となるデータへのアクセスがDeNAを通じて可能になることで、多数の利用者とAI技術との接点を作り、AI技術で社会に大きな影響を与えることができるようになります。DeNA は、既存の事業領域でAI技術を活用できるようになるだけでなく、自社でのAI技術活用の成功例を他社にソリューションとして販売したり、新たな事業領域に進出したりすることが可能となります。

    合弁会社の概要

    会社名 株式会社PFDeNA
    所在地 東京都渋谷区渋谷2-21-1
    設立日 2016年7月14日
    資本金等 30百万円(出資比率 DeNA:50.0% PFN:50.0%)
    役員 代表取締役社長:守安 功(現 DeNA代表取締役社長兼CEO)

    取締役:西川 徹(現 PFN代表取締役社長)

    取締役:岡野原 大輔(現 PFN取締役副社長)

    取締役:川崎 修平(現 DeNA取締役)ほか1名

    事業内容 人工知能技術(ディープラーニングをはじめ高度な機械学習技術)の共同研究開発およびその成果を利用した商品またはサービスの企画、開発および運営
    公式サイト http://pfdena.com

    ※1 人間の神経細胞のような多層構造のネットワークを用いた機械学習で、複雑かつ膨大なデータの処理が可能。Deep learning。
    ※2 コンピュータが人間の助けなしに自ら新しいことを学ぶ能力。Machine learning。
    ※3 学習・推論・分析などの知的な能力を持ったコンピュータのプログラム。Artificial intelligence (AI)。

    PFNについて

    東京を拠点とし、Internet of Things (IoT)において深層学習を中心とした機械学習技術を用いたソリューションにフォーカスしているベンチャー企業です。機械学習技術の先進技術を提供するDeep Intelligence in-Motion(DIMo)プラットフォームをベースとしたソリューションの研究開発に取り組んでいます。Preferred Networksは自動車業界や産業用ロボットにおいてそれぞれトヨタ自動車株式会社やファナック株式会社などの世界をリードする企業と協業し先進的な取り組みを推進しています。詳細は、http://www.preferred-networks.jpをご覧ください。

    株式会社ディー・エヌ・エー(DeNA)について

    DeNAは、ゲーム、eコマース、エンターテインメント、ヘルスケア、キュレーション、オートモーティブなどの様々な領域で、モバイル端末向けを中心としたインターネットサービスを提供している東証一部上場企業(2432)です。1999年にPC向けのオークションサイトを運営するベンチャー企業として東京で創業されて以来、DeNAは、ひとつの事業領域にこだわることなく、次々と時代を切り拓く新しいインターネットサービスを生み出すことで進化を遂げてきました。特にモバイル端末向けのゲームは大きな成長エンジンとなり、現在では世界中で約2,000人以上の従業員がDeNAグループで働いています。また、DeNAはプロ野球チームと陸上チームを所有しており、スポーツの領域でもその名を知られています。詳細は、http://dena.comをご覧ください。

    Amazon Picking Challenge 2016のPick Task部門で第2位を獲得しました

     
     
    Preferred Networksのメンバで構成されたチームPFNは、ライプチヒで6/29-7/3に行われましたAmazon Picking Challenge 2016に参加し、”pick task”で第2位(1位とは同スコア)を獲得、また”stow task”では第4位となりました。
     
    Amazon Picking Challenge (http://amazonpickingchallenge.org/) は、2つのタスクに分かれ、”pick task”は棚の各ボックスに入れられた46のアイテムから決められた12アイテムを取り出すことを競い、”stow task”は1つの箱に入れられた12のアイテムを取出し、すでに34のアイテムが入った棚に格納することを競います。またこれらのタスクにおいてロボットは自律的に動き、人間は何も操作を行うことはできず、物体判別や物体の状態認識、モーションプランニング、物体把持プランニングが要求されます。
     
    PFNチームは、自社で開発したOSSであるChainerを使ったディープラーニングを利用して、カメラセンサからの画像や3Dマップを入力として物体認識とその物体に対する最適なアプローチ位置を割り出しています。FANUCの6軸ロボットアームを2つ使用し、それぞれ吸引と把持を行う異なる仕様のエンドエフェクタをハンドメイドで開発して接続しています。またロボットの自律的なモーション制御も我々で開発し、本システムを3か月という短い期間で構築し、世界の強豪を上回る結果を残すことができました。
     
    今回の成果は、産業IoTやロボティクスの高度化において、非常に重要なものであると考えております。

    参考:

    Amazon Picking Challenge 2016に参加します

    Preferred Networksは6月29日から7月3日までドイツのライプツィヒで開催されるAmazon Picking Challenge 2016(http://amazonpickingchallenge.org/)に参加いたします。

    Amazon Picking Challengeは、人が介在しない自律制御されたロボットによって、棚の中にある様々な形状の物体を取り出すタスク、およびカゴの中にある物体を棚に入れるタスクの正確性を競うコンペティションです。弊社のチームは、深層学習技術を使った物体認識や、異なるロボットを組み合わせた効率の高い動作を強みとして挑戦します。Preferred NetworksはIoT分野の変革に向けた深層学習関連技術の研究開発を続けており、今回のコンペティションもその成果の一つとなります。どうぞご期待ください。

    製造業のリーダー企業によるコラボレーション: アナリティクスによる製造業の「モノづくり」最適化

    ロボットとファクトリー オートメーションの世界的サプライヤーであるファナック株式会社は、ITによるデジタル化をけん引する世界的リーダー企業、シスコ、産業用オートメーションと情報ソリューションを専門とする世界の大手Rockwell Automation、人工知能ソリューションの先進プロバイダーであるPreferred Networksと協業します。これらの企業は共同で、CNC(コンピュータ数値制御装置)とロボットのみならず周辺デバイスとセンサーを接続して製造・生産を最適化するためのアナリティクスを提供するプラットフォーム、FANUC Intelligent Edge Link and Drive(FIELD)systemを開発します。

    FIELD systemは、ファナックのオートメーション システムで使用されるCNC、ロボット、周辺デバイス、センサー向けの高度なアナリティクスを提供するためのプラットフォームです。これは、マシンの信頼性、品質、柔軟性、スピードの向上を通じて総合設備効率(OEE)と収益率を向上させるものです。また、高度な機械学習機能とディープ ラーニング機能も提供します。ファナックは、シスコ、Rockwell Automation、Preferred Networksと協業することで、ネットワークおよびコンピューティング インフラストラクチャ、アプリケーション、ミドルウェア プラットフォームを含む完全なソリューションを提供します。このオープン プラットフォームを利用することで、アプリケーション開発者、センサーおよび周辺デバイス メーカー、システム インテグレーターは、設備効率、生産高、品質を向上させるソリューションを構築することができます。

    これまでの成功をさらに加速
    FIELD systemは、ファナックの現在のZDT(Zero Downtime)コネクテッド ロボット プロジェクトをさらに拡張させるものです。このプロジェクトにおいて、コネクテッド ロボットの数は、2016年末には6000台から10000台に達するものと見込まれています。ZDTは、シスコのクラウド、IoTデータ収集ソフトウェア、エンドツーエンドのセキュリティ機能から構成されます。これら4社が連携し、産業用イーサネットスイッチを利用してロボットをCisco UCS(Unified Computing System)に接続することで自動車メーカー向けのシステムを実装します。システムはすべて、ファナックとシスコのZDTデータ収集ソフトウェア上で実行されます。このシステムを導入する自動車業界のお客様は、製造ダウンタイムの大幅な短縮とさらなるコスト削減を、短期間のうちに実現することができます。

    インテリジェントな製造業
    FIELD systemは、お客様とアプリケーション開発者が高度な機械学習と人工知能を活用することによって、製造業でのさらなる生産性向上と効率化をもたらします。ファナックとPreferred Networksは、バラ積みロボットの高度化、高精度な異常検知、故障予測などのアプリケーションにおいて新しい技術を確立しました。FIELD systemは人工知能とエッジコンピューティング技術を組み合わせることで分散型機械学習(Distributed Machine Learning)を可能にします。機械から収集されたデータを、ネットワークのエッジでリアルタイムに処理することにより、機械がお互いに柔軟にかつ賢く協調し今までになかった高度な製造業を実現します。

     

    FIELD systemの詳細と各社の役割

    ファナック:マシンの信頼性、品質、スピードの向上に必要な主要指標を追跡するためのセンサーが埋め込まれたCNCとロボットを提供します。

    ファナック、シスコ、Preferred Networks:シスコは、メッセージ ブローカー、セキュリティおよびアプリケーション ライフサイクル管理(ALM)アプリケーションを含むミドルウェア プラットフォームを提供します。また、Preferred Networksのオープンなディープ ラーニング フレームワーク(Chainer)、IoT向けのストリーム エンジン(SensorBee)、さらにはDIMo(Deep Intelligence in-Motion)プラットフォーム内の高度な機械学習ライブラリを活用します。

    シスコ、Rockwell Automation:CNC、ロボット、その他セル装置をFIELDアプリケーションに接続するためのネットワーキング、コンピューティング、セキュリティ インフラストラクチャを提供します。そのすべてがRockwell Automationとシスコの共同開発によるConverged Plantwide Ethernet(CPwE)アーキテクチャ(セキュリティ、接続性、柔軟性、拡張性をさらに向上させます)をベースとし、単一の小規模セルから数百セルの大規模工場までの接続を可能にします。

    ファナック、Rockwell Automation、Preferred Networks:FIELDミドルウェアおよびインフラストラクチャ プラットフォーム上で実行される初期アプリケーション ソフトウェアを提供します。これは、現在導入されているLINK-iおよびZDTアプリケーション、およびファナックとPreferred Networksの協業によるディープ ラーニング技術を活用したアプリケーションを拡張するものです。迅速に導入できるよう、Rockwell Automationの製造業向けソフトウェア製品(FactoryTalk View、FactoryTalk VantagePoint、およびFactoryTalk Production Centerなど)はFIELD systemにシームレスに統合される予定です。

    各社のコメント

    シスコ、シニア バイス プレジデント IoT兼 アプリケーション担当
    ローワン・トロロープ(Rowan Trollope)
    「今回の協業は、産業界において歴史的変革であり、IoTと産業オートメーション、機械学習を一体化して“未来の工場”を実現しようとするものです。これまで長年にわたって検討されてきたことが今、現実に起ころうとしています。シスコがその取り組みに参画できることをこの上なく嬉しく思うと同時に、これによって今後、デジタル化の恩恵を実現させようとする他の業界においても重要な役割を担って行けるものと大いに期待しています。」

    Preferred Networks、代表取締役社長 CEO、西川 徹
    「この協業により製造業の高度化をさらに加速できることを非常に嬉しく思っています。ファナックとの協業では、当初から個々の機械を賢くするだけではなく、機械同士がリアルタイムで連携・協調し、継続的な生産性向上を目的として機械学習・人工知能の技術の確立を目指してきました。FIELD systemはそのビジョンの実現に向けて中核を担う商品であると確信しています」

    Rockwell Automation、シニア バイス プレジデント 兼 最高技術責任者(CTO)、サジート・チャンド(Sujeet Chand)氏
    「Rockwell Automationはワールドクラスの企業と連携することで、製造業が現在利用しているインテリジェント デバイスからのデータを活用して企業全体のアナリティクス戦略を推進し、製造業の投資効率の最大化に貢献します。デバイスからエンタープライズ全体へのデータの分析に対するセキュアで拡張性に優れたコンピューティングのアプローチにより、ユーザーは運用を改善し、組織のニーズに適合した、情報に基づく意思決定を行えるようになります」

    ファナック株式会社について
    富士山麓に本拠を置くファナック株式会社は、世界で最も革新的なファクトリー オートメーション、ロボット、ロボマシンのメーカーであり、グローバル リーダーです。46か国で252拠点を展開するファナックは、ワールドクラスのサービスとサポートを世界のお客様に提供しています。1972年の発足以来、ファナックは、コンピューター数値制御装置の開発におけるパイオニア企業としてマシン ツールの自動化に貢献してきました。ファナックのテクノロジーは、単一マシンの自動化から生産ライン全体の自動化へと進化した世界の製造革命をリードしてきました。詳細については、http://www.fanuc.co.jp/eindex.htmをご覧ください。

    シスコシステムズ合同会社について
    シスコシステムズ合同会社は、米国シスコ(NASDAQ:CSCO)の日本法人です。シスコは、ビジネスの基盤となるインテリジェントなネットワーキングソリューションから、音声、映像、データ、ストレージ、セキュリティ、エンターテイメントをはじめとする新しい分野、そして、人々の仕事や生活、娯楽、学習のあり方を一変させることのできるネットワーク プラットフォームの提案を目指しています。
    シスコの会社概要・詳細は以下のWebサイトでご参照頂けます。http://www.cisco.com/jp

    株式会社Preferred Networksについて
    東京を拠点とし、Internet of Things (IoT)において深層学習を中心とした機械学習技術を用いたソリューションにフォーカスしているベンチャー企業です。機械学習技術の先進技術を提供するDeep Intelligence in-Motion(DIMo)プラットフォームをベースとしたソリューションの研究開発に取り組んでいます。Preferred Networksは自動車業界や産業用ロボットにおいてそれぞれトヨタ自動車株式会社やファナック株式会社などの世界をリードする企業と協業し先進的な取り組みを推進しています。詳細については、http://www.preferred-networks.jp/ja/をご覧ください。

     

    PFN&PFI2016夏季インターン募集

    昨年に引き続き、Preferred Networks (PFN), Preferred Infrastructure (PFI)は合同で夏季インターンを実施します。今年度も学生のみなさまの応募をお待ちしております。昨年までにご応募いただいた方のエントリーも可能です。 私たちと一緒に新しいソフトウェアやサービスを創り上げていきましょう。

    PFI/PFNインターンの特徴
    ・情報検索、自然言語処理、深層学習、アルゴリズム、分散処理、コンピュータビジョンなど
    様々な分野のスペシャリストがメンターとしてつき、一緒に議論・開発ができます。
    ・ベンチャー企業の表と裏が見放題。
    将来的にベンチャー企業に就職したい人、または創業したい人は、ぜひ生の職場を体験してください!
    ・インターン実施中に研究成果として面白い結果が出た場合、
    公開可能な範囲でインターン後にOSSや論文にすることも可能です。

    募集要項
    募集内容・実施条件はPFIとPFNで同一です。ただし、PFIでの実施課題に取り組む場合、日本語がネイティブと同等程度に扱えることが条件となります。テーマ毎にPFIとPFNいずれかでのインターン採用になります。

    ▼期間
    2016年8月1日~9月30日 ※参加者の予定、希望により実施時期の調整は可能です。

    ▼実施場所
    〒100-0004 東京都千代田区大手町1-6-1 大手町ビル2F

    ▼待遇
    時給:高校生1200円~/高専生・大学生・大学院生1500円~
    勤務時間:原則実働8時間・週5日(祝日を除く)
    交通費支給(月10000円まで)

    ▼応募資格
    ソフトウェアを個人で開発できる能力と高いモチベーションを持っている方を募集しています。また、下記テーマに沿った知識や開発経験を持っている方は考慮されますが、無くても構いません。資格の必要条件は以下の通りです。
    ・現在、18歳以上の学生であること(高校生・高専生・大学生・大学院生、他要相談)
    ・コミュニケーションを主体的にとれる方
    ・プログラミング経験がある方(言語問わず)
    ・インターン期間中の平日、東京オフィスに来社できる方
    ・PFIでの実施課題に取り組む場合、日本語がネイティブと同等程度に扱えることが条件となります(英語・中国語ができればなお可)

    ※尚、遠方にお住まいの方には住居を用意する予定です。
    ※女性、日本語以外の言語をネイティブとする方のインターンも積極的に採用いたします。
    ※本格的なソフトウェア開発を行ったことがない方も、ぜひ積極的にご応募ください。

    ▼応募方法
    intern-apply@preferred.jpに以下の応募書類を送付してください。
    応募に関するご質問もこちらで受け付けております。

    ▼応募書類
    1.履歴書(名前・住所・経歴・連絡先)
    2.能力を証明、アピールするものをA4一枚程度にまとめたもの
    (関係したソフトウェア、サービス・受賞歴、論文リスト、ポートフォリオ、プログラミングコンテストの参加歴、ブログやサイト、twitterアカウント等)
    3.実施したいテーマ(複数可)を記述の上、インターンへの応募動機・学びたいことをまとめたもの
    (選考の重要なポイントになるので、なるべく詳細に記述してください。)

    ▼応募締切
    2016年5月8日(日)23:59(日本時間)

    ▼選考フロー
    書類選考…5/8(日)締め切り後、合否を約一週間で通知

    事前課題選考…書類選考の合格者にメールにて通知

    6月中に面接(1回)…遠方の方はskypeで対応

    7月初旬 インターンとして採用の決定

    実施テーマ
    テーマによりPFI, PFNいずれでのインターンか決定します。必ず応募書類に記載ください。

    【PFIでの実施】
    1. 技術分野:自然言語処理
    自然言語処理を用いたテキスト分析を行うため、以下のようなテーマに取り組んでいます。
    ・自動分類
    ・固有表現抽出
    ・類義語抽出
    ・自動要約
    ・類似文書検索

    2. 技術分野:音声認識
    音声データを用いたデータ分析を行うため、以下のようなテーマに取り組んでいます。
    ・深層学習による音素推定
    ・深層学習による文章推定
    ・話者推定(話者識別)
    ・ノイズフィルタリング

    【PFNでの実施】
    1. 応用分野
    ・画像認識
    ・異常検出
    ・ロボティクス(二足歩行・自動運転制御)
    ・ゲノム・エピゲノム・プロテオーム解析
    ・画像生成
    ・組み込みシステムへの深層学習の適用
    IoT向けストリーム処理

    2. 研究分野
    ・教師データの少ない機械学習(半教師あり学習・弱教師あり学習・one-shot learning)
    ・分散深層学習・分散アルゴリズム
    ・深層生成モデル
    ・シミュレーションを用いた機械学習


    ※※PFI/PFNの情報※※

    Preferred セミナー:毎週木曜日昼に、メンバーがセミナーをしています。
    https://www.youtube.com/user/preferredjp
    リサーチブログ:技術的な話題について記事を書いています。
    http://research.preferred.jp/
    Twitter
    PFI https://twitter.com/preferred_jp
    PFN(ja) https://twitter.com/PreferredNetJP
    PFN(en) https://twitter.com/PreferredNet


    ※※PFIの過去参加者の記録※※

    2015夏季インターン最終発表会
    http://www.ustream.tv/recorded/71791769
    http://www.ustream.tv/recorded/74391829

    2015夏季インターンブログ
    久米さん https://research.preferred.jp/2015/08/intern2015kume/
    小林さん http://hytae.hatenablog.com/entry/2015/10/03/2015_PFIインターン
    澤井さん http://nupioca.hatenadiary.jp/entry/2015/10/07/031101

    2014夏季インターン最終発表会
    http://www.ustream.tv/recorded/53153399

    2013夏季インターン最終発表会
    #1 http://www.ustream.tv/recorded/39248263
    #2 http://www.ustream.tv/recorded/3924839
    #3 http://www.ustream.tv/recorded/39249101
    #4 http://www.ustream.tv/recorded/39249245

    以前の参加者
    http://nullnull.hatenablog.com/entry/20130512/1368335029
    http://d.hatena.ne.jp/obfuscation/20110410
    http://d.hatena.ne.jp/goth_wrist_cut/20110511/1305100343
    http://d.hatena.ne.jp/mr_konn/20101017/1287309185
    http://d.hatena.ne.jp/kisa12012/20101007/1286461504
    http://d.hatena.ne.jp/repeatedly/20101003/1286036800
    http://d.hatena.ne.jp/repeatedly/20101011/1286763963
    http://d.hatena.ne.jp/sotarok/20091009/1255031349
    http://d.hatena.ne.jp/tb_yasu/20091010/1255171210
    http://d.hatena.ne.jp/viver/20090909/p1

    事務所移転のお知らせ

    このたび株式会社Preferred Networksは平成28年4月25日より下記に移転することになりました。
    新事務所は大手町駅に直結となりまして、よりアクティブな研究・開発活動の拠点となるものと存じます。
    これを機に、皆様の信頼にお応えできるよう倍旧の努力をしてまいる所存でございます。
    今後とも一層のご支援を賜りますようお願い申し上げます。

    [新所在地]  
    ※平成28年4月25日(月)より
    〒100-0004 東京都千代田区大手町1-6-1
    大手町ビル2F

    株式会社Preferred Networks
    代表取締役社長 西川 徹

    比戸将平がロンドンで行われたJAPAN-UK Robotics and Artificial Intelligence Seminarで発表しました。

    2月18日にロンドンで開かれたJapan-UK Robotics and Artificial Intelligence Seminar 2016にPreferred Networksが招待され、Chief Research Officerの比戸将平が登壇しました。本セミナーは駐日イギリス大使館と在英日本大使館の共催で、日英のロボット・人工知能における協業について日英双方のアカデミアおよび政府機関が議論する催しです。
    日本側からは大阪大学の石黒教授を始めとする高名な研究者が参加し、弊社比戸はSocio-economic impactセッションのNew business innovationsの発表の1つとして人工知能技術と自動車、および産業ロボットの融合や実例などについて講演しました。講演後はイギリス政府機関や現地のコンサルティング企業などからコンタクトを受けました。

    ロンドン滞在中にはAlan Turing Instituteを始めとする研究機関・スタートアップを公式訪問し、その他にもImperial College of Londonで1時間の公開セミナーを行うなど、精力的にネットワーキングと関係づくりを行いました。
    Preferred Networksは引き続きヨーロッパを含めた海外地域での協業と人材獲得を精力的に進めてまいります。

    トヨタ自動車からの出資引受に関するお知らせ

    2015国際ロボ展出展

    Preferred Networksは12月2日から5日まで東京ビッグサイトで開催される2015国際ロボット展のFANUCブース内において展示を行います。

    2015国際ロボット展 Officialサイト
    http://biz.nikkan.co.jp/eve/irex/

    NVIDIAおよびPREFERRED NETWORKSの技術提携に関するお知らせ

    2015年9月18日、NVIDIAと Preferred Networksは産業用アプリケーションに向けたディープラーニング (深層学習) 技術の開発および発展において、技術提携関係を確立することに合意しました。

    ■背景
    PFNは産業用ロボット、自動運転、創薬の分野において、最先端のディープラーニングを中心とした分散型機械学習の技術を持ち、産業の変革を推進しています。それらの技術には高性能な演算処理能力が必要になります。NVIDIAはデータサイエンティストおよび研究者がディープラーニングの能力を最大限に活用できるように、GPUで加速化された高性能なコンピューティング・テクノロジーや高度なソフトウェア・ソリューションを提供しており、今回の体制を整えることにしました。

    ■内容
    PFNは既にNVIDIAのGPUを深層学習の研究開発の為に活用しております。PFNが開発したOSS“Chainer”はディープラーニング・モデルの学習において、GPUで加速化させたコンピューティング能力を十分に活用しています。
    IoTをはじめとする様々な分野で深層学習を活用するためには、クラウドだけでなくエッジでもデータ処理を行うことが必要です。GPUは、そのようなエッジのインテリジェント化に向けて大きな役割を果たします。今回の提携は、その流れをさらに加速させることは間違いありません。

    ■お問合せ
    株式会社Preferred Networks
    pfn-info@preferred.jp

    PFNオープンハウスを行います

    この度、PFNは初めての採用イベントを企画しております。PFNは現在大きく成長のステージにあり、熱意のある人材を募集しています。この会は会社の雰囲気やメンバーを知っていただき、現在どのような課題に取り込んでいるか、技術者が普段どのようなことを考えて最先端の技術を作り出しているのかなどについてカジュアルにお話しする場となります。

    当日は、多くのメンバーが参加予定ですので、ぜひお気軽にお越しください。

    日時:10月22日(木)18:30〜20:30(受付開始18時)
    会場:エムワイ貸会議室お茶の水(御茶ノ水駅から徒歩3分)
    住所:〒101-0062 東京都千代田区神田駿河台2-1-20 お茶の水ユニオンビル4F

    アジェンダ:
    – 代表西川より 「会社紹介とPFNメンバーに求めること」
    – 岡野原techトーク…毎週ランチタイムに繰り広げられる岡野原タイムを再現
    – メンバーより入社までと現在の業務への取り組み
    奥田 遼介(エンジニア) / 得居 誠也(リサーチャ) / 田中 大輔(エンジニア)
    – Q&A (採用や実際の業務、会社の雰囲気についてオープンな質問を受けます)

    ▼参加申し込み・イベント詳細に関しては下記URLをご参考ください
    http://connpass.com/event/20898/

    トビアス・ファイファーがパリで開催されたMobiComで登壇しました

    9月7日-11日にパリで開催された21st International Conference on Mobile Computing and Networking (MobiCom)にて、弊社トビアス・ファイファーがパネルディスカッションに参加しました。MobiComはモバイルコンピューティングとワイヤレスネットワーキングの分野でのトップカンファレンスです。

    担当のパネルは以下となります。
    「Big Data, IoT, … Buzz Words For Academia Or Reality For Industry?」
    資料: http://www.sigmobile.org/mobicom/2015/pubformIoT-BigData-1.pdf

    エール大学のWenjun Huと東京大学の江崎浩先生が議長を務め、江崎先生がPFNのエッジヘビーコンピューティングとディープラーニングによるIoTへのアプローチをご紹介くださいました。その後、質疑応答を交えながら、IoTの現状と今後についてパネリストは議論を深めました。学術機関は、どの様に世の中のリアルなデータを取得し研究することが可能か、また今後のIoTの跳躍に必要なことは何なのか、といったことが主なテーマとなりました。

    ファナック株式会社および株式会社Preferred Networksの資本提携に関するお知らせ

    ファナック株式会社(社長:稲葉善治)と株式会社Preferred Networks(社長:西川徹)は、工作機械やロボット等の更に高度なインテリジェント化を目指し、機械学習や深層学習(ディープラーニング)を活かした技術開発において協業を進めるべく、下記のとおり資本提携について合意いたしましたので、お知らせいたします。

    1.ファナックからPreferred Networksへの出資の概要

    出資金額:900百万円

    取得株式:Preferred Networksの発行済株式総数の6.0%相当の株式

    出資方法:Preferred Networksが行う第三者割当増資を引受けることにより出資。

    出資時期:2015年9月末まで(予定)

    2.協業および資本提携の背景
    インダストリー4.0やインダストリアルインターネットなどに代表される次世代の製造業を支える仕組みとして、IoTが非常に多くの注目を集めています。しかし、データ量が飛躍的に増大し、集めた大量のデータ(ビッグデータ)をどのように活かしていくのか、どのようにリアルタイム処理をするのかが大きな課題となりつつあります。
    そこで、よりエッジ(機械側)に近い場所で大量のデータをリアルタイムかつインテリジェントに処理し、工作機械やロボットをコアとするモノづくりの現場における高度な自動化を目指す手段として、機械学習や深層学習を利用することで、両社が協業することとなりました。そして今般、その促進のために資本提携を行うこととなりました。

    3.協業および資本提携により目指す方向
    これまで機械学習や深層学習はサイバー空間での適用が進んできました。しかし、フィジカルなモノづくりの現場での、工作機械やロボットへの適用までには至っていません。そこで、Preferred Networksの持つ最先端の機械学習や深層学習の技術とファナックの持つ多くの技術を融合し、これらの機械に適用します。これにより、インダストリー4.0の適用範囲を包含するモノづくりの現場の多くのレイヤーにおいて、これまでにない高度な自動化の実現を目指します。ファナックとPreferred Networksの協業は、ファナックの業務全般において行われる予定です。例えば、以下のようなものを目指します。
    工作機械やロボットが、
    ・自分で学習し協調する
    ・自分で協調する方法を学習する
    ・自分で不具合を発見し補う

    ■お問合せ
    株式会社Preferred Networks
    pfn-info@preferred.jp