News

第5回 日本ベンチャー大賞 内閣総理大臣賞 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、プリファードネットワークス、以下、PFN)は、経済産業省などが主催する第5回 日本ベンチャー大賞において「日本ベンチャー大賞(内閣総理大臣賞)」を受賞し、安倍晋三内閣総理大臣より表彰状を授与されました。

PFNの受賞は、2017年の第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同受賞した時に続くものです。

 

  • 日本ベンチャー大賞について

日本ベンチャー大賞は、次世代のロールモデルとなるような、社会的インパクトのある事業を創出した起業家やベンチャー企業等を表彰する制度で、積極的に挑戦することの重要性や起業家の社会的な評価を向上させ、社会全体の起業に対する意識の高揚を図ることを目的に、2014年に始まりました。経済産業省、農林水産省、オープンイノベーション・ベンチャー創造協議会が広く募集をかけて、経済団体、有識者等で構成される審査委員会において受賞者が決定されます。

今回PFNが受賞した内閣総理大臣賞は、事業の新規性や革新性、グローバル市場への進出や社会課題の解決といった事業のビジョンなどに関し、最も評価の高いベンチャー企業に対して付与されるものです。

 

(経済産業省のニュースリリース)
https://www.meti.go.jp/press/2019/05/20190523003/20190523003.html

(第5回 日本ベンチャー大賞パンフレット)
http://cbox.adman.co.jp/1905/nva-all.pdf

 

株式会社Preferred Networks 代表取締役社長 最高経営責任者 西川 徹 のコメント

このたび、第5回「日本ベンチャー大賞 内閣総理大臣賞」の受賞という栄誉にあずかり、改めて身の引き締まる思いです。2014年にPFNを創業して以来、深層学習などの最先端技術を最短路で実用化することを目指し、自動運転、産業用ロボットや工作機械の高度化、がんの早期診断など、現実世界の様々な課題に取り組んでまいりました。今後は、家事などを代替するパーソナルロボットの実現や、スポーツ解析、クリエイティブなどの新しい分野にも深層学習の応用領域を拡大し、社会の役に立つ新しい技術の開発に、より一層邁進してまいります。

 

2019年5月23日(木)に総理官邸にて開催された表彰式の様子

首相官邸で安倍内閣総理大臣から表彰状を授与されました

全自動お片付けロボットシステムのデモンストレーションで安倍内閣総理大臣にトマトのおもちゃを手渡しました

左から、西川、岡野原、五十嵐、海野、羽鳥

左から、五十嵐、羽鳥、長谷川、西川、海野、岡野原

オープンソースの深層学習フレームワークChainerおよび 汎用配列計算ライブラリCuPyの最新版v6をリリース

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)および汎用配列計算ライブラリ CuPy™(クーパイ) のメジャーアップデート版となるv6をリリースしました。Chainer v6では、v5までのコードをほとんど変更することなくそのまま動作させることが可能です。

2015年にオープンソースとして公開されたChainerは、Define-by-Run方式によるフレキシブルで直感的な深層学習フレームワークのパイオニアとして、現在も活発に開発がすすめられ、多くのユーザーに利用されています。

今回、Chainer v6(β版)で試験的に統合されたC++製のChainerXが、より多くのexampleに対応しました。ChainerXを使用することで、Chainerのフレキシブルさや後方互換性をほとんど失うことなく、順伝播・逆伝播ともにフレームワーク側のオーバーヘッドを大幅に低減し、より高いパフォーマンスを実現しています。また、新たなハードウェアへの対応をサードパーティの開発者がプラグインとして実装することで、ChainerおよびChainerX本体のソースコードを変更することなくChainerX上で利用できます。

 

Chainer v6およびCuPy v6の主な特長は次の通りです。

  • ChainerXの統合
    • 高速でよりポータブルな多次元配列と自動微分のバックエンドを追加
    • ChainerXの配列をNumPyやCuPyの配列と同じように使える互換レイヤーを実装し、C++による低オーバーヘッドな自動微分を実現
    • 統合デバイスAPIを導入し、NumPy、CuPy、iDeep、ChainerX など多様なバックエンドに対し、デバイス指定やデバイス間転送を統一のインターフェイスで実現

 

  • 混合精度学習のサポート強化
    • デフォルトデータ型として新たにmixed16を追加し、単精度と半精度の演算を組み合わせた訓練を透過的に実現する混合精度モードを導入
    • 混合精度学習におけるアンダーフロー回避のため、オーバーフローを検出して自動調整する動的スケーリングを実装

 

  • FunctionやLinkのテストツール追加
    • 最小限のコードから順伝播、逆伝播、2回微分のユニットテストを生成するテストツールを追加

 

  • NumPy関数へのCuPy配列対応
    • NumPyの試験的な機能である__array_function__に対応し、この機能を有効にした NumPyの多くの関数に直接CuPy配列を適用

 

 

Chainerは今後も性能向上やバックエンドの拡充を進める予定です。ChainerXの使い勝手を向上し、対応する演算も拡充していくことで、より広い範囲のユースケースでの性能向上に貢献していきます。

Chainerの開発は、外部コントリビュータの開発成果を数多く取り入れています。PFNは今後も、最新の深層学習研究の成果を迅速に取り入れ、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・普及を推進してまいります。

 

  • オープンソースの深層学習フレームワークChainer™について

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。

Chainerは、最新の深層学習研究の成果を迅速に取り入れ、ChainerRL(強化学習)/ChainerCV(コンピュータ・ビジョン)/ChainerUI(学習ログの可視化)/Chainer Chemistry(化学、生物学分野のための深層学習ライブラリ)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。
http://chainer.org/

Preferred Networksのテクニカルアドバイザーに英オックスフォード大学のYarin Gal准教授が就任

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)において、英オックスフォード大学准教授であるYarin Gal氏が、本年3月1日付けでテクニカルアドバイザーに就任しました。

Gal准教授はベイズ深層学習とその実社会応用の第一人者であり、ベイズ統計、近似ベイズ推定等の分野でも顕著な研究業績を収める傍ら、コンピュータビジョンや機械学習の安全性、機械学習モデルの解釈性などの応用にも取り組んでいます。

今回のテクニカルアドバイザー就任では、画像認識向けの生成モデルや、実世界モデリングにおける不確実性の研究において、技術的なアドバイスや指導をいただくことで、PFNの研究開発および実用化を加速することを目的としています。

Yarin Gal 准教授

 

  • 略歴

2016年、ケンブリッジ大学機械学習グループで博士号を取得(指導教員:Zoubin Ghahramani)。2018年、オックスフォード大学コンピュータサイエンス学部で准教授に就任。クライスト・チャーチ(オックスフォード)大学チュートリアル・フェロー、アラン・チューリング研究所チューリング・フェローを兼任。元セント・キャサリン大学リサーチ・フェロー。Google Europe Doctoral Fellowshipなど受賞多数。

Sports Technology Lab社と共同で、深層学習技術を活用したサッカー戦術・分析支援アナリティクスツール「PitchBrain(β版)」を開発、国内提供を開始

株式会社Preferred Networksは、スポーツテクノロジーの研究・新規事業開発を行う株式会社Sports Technology Lab社と共同で、サッカーに特化した戦術・分析支援アナリティクスツール「PitchBrain(ピッチ・ブレイン)」を開発しました。
現在、国内外の複数のサッカークラブにご協力いただき、「PitchBrain」を活用して各クラブで見込まれる効果の実証実験を開始しています。

詳しくは、Sports Technology LabのWebサイトをご覧ください。
URL:https://www.sportstechnologylab.com/

機械学習・深層学習を活用したファナックのAI新機能

ファナック株式会社(以下ファナック)は株式会社Preferred Networks(以下PFN)と共同で、機械学習・深層学習を活用した新たなAI機能を開発、リリース致します。

 

FA:AIサーボモニタ(Level 4:深層学習)

 

工作機械の送り軸や主軸の突然の故障による機械停止は、加工ラインの長時間停止などの大きな問題につながります。これを防止するためには、故障する前に送り軸や主軸の異常の兆候を知る必要があります。

機械の送り軸や主軸の状態を知るため、その制御データを高速サンプリングして収集し、これに深層学習を適用して異常度を提示する、AIサーボモニタ機能を開発致しました。

AIサーボモニタでは、正常動作中にモータのトルクデータを入力として学習することによりその特徴量を取り出し、正常な状態を表現する学習モデルを作成します。その後、実稼働中に得られるトルクデータを入力として正常な状態と比較し、「異常度」を算出、提示します。機械のオペレータは、この異常度を監視することで、送り軸・主軸の異常の兆候を加工現場で知ることができます。

AIサーボモニタにより送り軸や主軸の「壊れる前に知らせる」を実現し、故障前のメインテナンスが可能となり、機械稼働率向上に貢献します。

出荷開始予定時期:2019年7月

 

ロボット:AI良否判定機能(Level3: 機械学習)

 

ファナックとPFNは、ロボットが機械学習を用いて対象物を検査する「AI良否判定機能」を新たに開発しました。

本機能では、ロボットが対象物のOK画像・NG画像に基づく良否を判定します。溶接したナットや組み付けた部品の有無を確認したり、部品の表裏が正しく組み付けられているかといった、生産工程での確認作業を、外付けのPCを使わず、ロボット制御装置の内蔵ビジョンで行うことができます。

従来のビジョン機能で部品の組み付け結果を確認する場合、あらかじめ教えた部品の形状と位置を検出し、「検出できれば対象物がある」「検出できなければ対象物がない」と見なす手法が取られていました。この手法では、対象物の周辺に溶接スパッタや煤が残っていたり、金属反射によるハレーションなどで対象物を見つけにくくなると、物があってもNG判定となってしまうことが多く、ビジョンの設定に熟練を必要としていました。

「AI良否判定機能」では、物の形状と位置を見つけるのではなく、機械学習を用いて画像から良否を判定するため、対象物の周辺状況やハレーションによる変動に強い、ロバストな検査工程を実現できます。また、ビジョンパラメータの細かいチューニングを必要とせず、OKとNGの画像をデータセットとして数枚~数十枚学習させるだけで、簡単に高い精度の判定を行うことができます。

 

出荷開始予定時期:2019年8月

 

 

 

株式会社Preferred Networks 代表取締役社長 最高経営責任者 西川徹

「止まらない工場の実現に向け、予防保全、異常検知は、必ず解決しなければならない課題であり、機械学習・深層学習技術が大きく貢献できる部分だと考えています。

これからも、より広い領域に機械学習・深層学習を適応した賢いロボット、賢い工作機械の市場導入を加速させ、モノづくりの現場に新しい価値を提供していきます。」

深層学習の初心者向けに、日本語の オンライン学習資料「ディープラーニング入門:Chainer チュートリアル」を無料公開

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、深層学習の初心者向けに、オープンソースの深層学習フレームワークChainerTM(チェイナー)の使い方などを解説する、日本語のオンライン学習資料「ディープラーニング入門:Chainer チュートリアル」(以下、Chainer チュートリアル)を無料公開しました。深層学習の基礎から実践まで、Chainer を使いながら、コーディングと理論を一緒に学んでいくことが可能です。

Chainer チュートリアルは、機械学習や深層学習に興味があり、その仕組みや使い方を理解したいと考えている大学生や社会人の方に向けて書かれた深層学習の初心者向けオンライン学習資料です。大学の授業や企業研修、商用セミナーなどで広く利用されることを想定し、誰でも無料で使用することが可能です。

機械学習の勉強を進めるために必要な数学の基礎から、Python というプログラミング言語を用いたコーディングの基本、機械学習・深層学習の基礎的な理論、画像認識や自然言語処理などに機械学習を応用する方法に至るまで、幅広いトピックを解説しています。

深層学習を学ぶために必要となる前提知識からステップを踏んで解説することで、深層学習を初めて学ぶ人でも挫折せず進められるよう工夫され、このChainer チュートリアルだけで必要な知識を一通り得ることができます。

また、本チュートリアルでは、Google Colaboratory※1を利用することで、資料の中に登場するコードをそのままブラウザ上で実行できます。ブラウザだけでコードを書き、実行して、結果を確認できるので、説明に使われたサンプルコードを確かめるために、手元のコンピュータで環境構築を行う必要はありません。

 

  • ディープラーニング入門:Chainer チュートリアル URL https://tutorials.chainer.org

  • コンテンツ(2019年4月10日公開時点)

【Step1 準備編】

  1. はじめに
  2. Python 入門
  3. 機械学習に使われる数学
  4. 微分の基礎
  5. 線形代数の基礎
  6. 確率・統計の基礎

 

【Step2 機械学習とデータ分析入門】

  1. 単回帰分析と重回帰分析
  2. NumPy 入門
  3. scikit-learn 入門
  4. CuPy 入門
  5. Pandas 入門
  6. Matplotlib 入門

 

【Step3 ディープラーニング入門】

  1. ニューラルネットワークの基礎
  2. Chainer の基礎
  3. Chainer の応用
  4. トレーナとエクステンション

 

今後は応用編として、Step4 画像認識、Step5 自然言語処理、Step6  深層強化学習、Step7 デプロイを追加していく予定です。

PFNはこれからも最先端の深層学習技術の研究開発をおこなうとともに、すべての人が技術の可能性と課題を正しく理解するための学習コンテンツの制作、情報発信を継続していきます。

 

※1:Google Colaboratory は、Jupyter Notebook というブラウザ上でコードを書き、その場で実行結果を確認したり、Markdown と呼ばれる文章を記述するためのマークアップ言語を使ってメモや解説などを書くことができ、LaTeX 形式の数式もきれいにレンダリングして表示することができる、オープンソースのウェブアプリケーションです。

 

  • オープンソースの深層学習フレームワークChainerTM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。

Chainerは、最新の深層学習研究の成果を迅速に取り入れ、ChainerRL(強化学習)/ChainerCV(コンピュータ・ビジョン)/ChainerUI(学習ログの可視化)/Chainer Chemistry(化学、生物学分野のための深層学習ライブラリ)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。(http://chainer.org/

 

Preferred Networks Creative Project: キャラクター生成プラットフォームCrypkoの技術提供を開始

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、PFN Creative Projectの一環として、キャラクター生成プラットフォームCrypko™️(クリプコ)の技術提供を開始します。

Crypkoは、深層学習技術を活用したWebサービスとして2018年5月にベータ版が公開され、多くの反響を受けながら、2019年3月に一般向け公開を終了しました。今後はPFNで研究開発を継続し、まずはアニメーション、イラスト、ゲーム等の制作企業向けに技術提供していきます。

Crypkoは最先端の深層学習技術により、高品質なキャラクターを無限通りに生成することができます(動画1)。さらに複数のキャラクターを合成することで、それらの特徴を引き継いだ新しいキャラクターを生成することも可能です(図1)。

また、ブロックチェーン・スマートコントラクト技術を応用※1することで、キャラクターの生成・合成履歴や利用者との紐づけを管理し、1つ1つのキャラクターの価値を保証する仕組みを提供します。このような技術を組み合わせることで、Crypkoプラットフォーム上で、世界に1つしかないキャラクターを生成することができます。

 

動画1 キャラクターの生成例

 

図1 キャラクターの合成例

 

PFNは今後もアニメーション、イラスト、ゲーム等の分野に深層学習技術を積極的に応用し、クリエイティブ領域の技術革新に貢献していきます。

 

※1  Crypkoではブロックチェーン上にキャラクターの生成や合成、交換といった取引データを記録することで、取引データをネットワーク上に公開することができます。そのデータは、Crypkoの参加者全員が取引記録の正当性を検証し、参加者全員の合意によって有効化されます。処理データはネットワーク上で多くの分散されたノードで保管されることで、一部のノードでデータの改ざんが行われてもネットワーク全体の記録まで改ざんすることは極めて困難となり、不正が難しいとされています。

PFN2019 夏季インターン募集要項

2019夏のインターンのお申込みは〆切ました。
たくさんのご応募ありがとうございました。

For international students in Japan:

  • This program is only for students who already have visa eligibility to work as an intern this summer in Japan.
  • English version of the instruction is available here.

 

Preferred Networks (PFN) は、今年の夏に PFN 東京オフィスで熱意をもって一緒に働いてくださるインターンを募集します。昨年までにご応募いただいた方の再エントリーも可能です(但し、既に過去のインターンシッププログラムに参加された方は除きます)。機械学習のみならず、コンピュータサイエンスの幅広い分野から、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みたいという学生のみなさまのご応募を歓迎いたします。

 

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、ロボティクス、バイオヘルスケア、強化学習、分散処理など、様々な分野の弊社スペシャリストがメンターとなり、2ヶ月の長期にわたって一緒に議論・研究・開発を行います。
  • インターン実施中に研究成果としてすぐれた結果が出た場合、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できます。

 

期間

  • 開始日:8月初旬(各人のスケジュールを考慮して決定)
  • 終了日:2019年9月20日 (金)
    • 希望者は9月24日~27日もインターンシップと同条件にて勤務可能です:
      • 9月下旬から授業開始の学校が多いため、今年は最終日を原則9月20日に設定しています
      • しかしながら、夏季休暇が上記日程より長い場合、かつ研究成果の取りまとめや社員との交流という観点から、希望者は同条件にて9月27日まで勤務が可能です
      • また、インターン期間中であっても、研究室の活動や学会参加、帰省等による不在は柔軟に対応いたします

 

実施テーマ一覧

  • 2019年度夏季インターンシップの実施テーマは以下の通りとなります。
  • 選考の過程もしくは選考終了後、弊社メンバーと相談の上、取り組むテーマを最終決定いたします。応募フォームには必ず第2希望までご記入ください。第3希望は、希望するものがある方のみで結構です。

 

テーマ

  1. 機械学習/深層学習の理論研究
  2. 三次元空間を扱うコンピュータビジョン
    • 三次元ニューラルネット(微分可能レンダラー・ニューラルネットを利用した三次元再構成)の研究開発
    • 自己位置推定・3次元復元技術の開発
    • Visual-SLAM
  3. 動画を扱うコンピュータビジョン
    • 動画解析(スポーツ映像など)
  4. その他、コンピュータビジョン全般
    • 物体検出
    • セグメンテーション
    • 画像分類
    • 少数例での学習
    • 画像生成
  5. 深層学習のアニメーション応用・クリエイター支援
  6. 強化学習全般
  7. 機械学習アルゴリズムの応用(数理最適化、シミュレーション、時系列予測など)に関する研究開発
  8. バイオヘルスケア
  9. ケモインフォマティクス / マテリアルズインフォマティクス
  10. 対話・意味解析・記号接地・推論・翻訳
  11. 音声・信号処理
  12. インターフェース・インタラクション
    • 仮想現実・拡張現実
    • ヒューマンコンピュータインタラクション・ヒューマンマシンインタラクション・ヒューマンロボットインタラクション
  13. ロボティクス-ロボティクスのための深層学習/深層強化学習
  14. ロボティクス-ロボットシミュレーションの研究開発
  15. ロボティクス-移動ロボットの行動計画
  16. ChainerとChainerライブラリの開発
    • Chainer本体の開発
    • CuPyの開発
    • ChainerCV, ChainerRL, ChainerChemistryまたはChainerUIなどの、Chainerベースの分野特化ライブラリ開発
  17. 機械学習等の性能最適化に関する研究開発
    • 推論のためのNNモデル性能最適化
    • 深層学習のためのコンパイラ技術開発
    • 独自アーキテクチャ採用アクセラレータ向けアプリケーション開発
    • 深層学習のためのプロセッサ開発・低消費電力アーキテクチャ/VLSI技術開発
  18. 機械学習を支えるインフラの研究開発
    • 分散深層学習/深層学習のためのHPC・分散データ管理
    • 機械学習のための実験環境効率化・クラスタ管理・実験管理システム開発
    • Edge Heavy Computing/In-Network Computingの研究開発
    • Optuna 開発
  19. 機械学習パイプラインの自動化に向けた研究
    • 機械学習パイプラインの自動化に向けたハイパーパラメタ最適化・アーキテクチャ探索・特徴エンジニアリング等に関する研究
  20. フロントエンド開発
    • 【4月15日更新あり】機械学習のための情報可視化ツールやアノテーションツール開発など
    • 機械学習のための情報可視化ツール・フロントエンドの開発など
  21. プロダクト・デザイン
    • ロボット製品のコンセプト・スケッチ・ユーザーインタラクションのデザイン
    • 3D-CADモデル作成とハードウェア・プロトタイプの制作
  22. その他
    • 上記以外の持ち込みのテーマ。自身でテーマ設定をして研究を進められる熱意と能力のある人の応募を歓迎します


勤務場所

〒100-0004 東京都千代田区大手町1-6-1 大手町ビル PFNオフィス


応募資格

  • 個人でアプリケーションやツールを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、【実施テーマ一覧】に掲載したテーマに沿った知識や開発経験は選考において考慮されますが、特段無くとも構いません。必要な資格は以下の通りです:
    • 高校生・高専生・大学生・大学院生。その他高等教育機関に通っている方は応相談
    • 日本語または英語でコミュニケーションが流暢にとれる方
    • 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
      (リモート勤務によるインターンは受け入れておりません)
  • 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


ご応募における注意事項

  • 2019年度のグローバルインターン(日本でのインターン就労にビザサポートが必要な方)の応募は既に終了しており、今回は受け付けておりません
  • 日本国内の大学に学生ビザで通う外国人留学生の方については、インターン開始までに【資格外活動許可】を申請・取得してください
  • 大学の単位認定の為に事務作業が生じる場合は、事前のご相談が必要です。必要な手順が多いものはお断りさせていただくこともございます


応募方法

  • こちらの応募フォームからご応募ください。応募フォームへのアクセスにはGoogleアカウントによるログインが必要です。応募フォームに記入いただいた個人情報は、インターン選考の目的に利用いたします
  • PR 資料の提出に関して
    • 能力を証明、アピールするものをA4一枚程度でまとめてください
    • 形式は自由ですが、ファイルフォーマットはPDFのみとします。(特にアピールしたいソフトウェア、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 ほかソーシャルネットワークのアカウント等を想定しています)
    • 「応募フォーム」の【ご自身のPR資料】欄からアップロードしてご提出ください。
  • 応募締切:2019年4月18日(木)正午12:00PM(日本時間、締切後の応募不可)
  • お問合せ先:intern2019-admin@preferred.jp


応募後の選考フロー

  • 一次選考
    • 4月18日の応募締切後、原則として全員に選考課題として、コーディングテストを弊社から送付いたします。
      【3月29日追記】21.プロダクト・デザインを選んだ方にはコーディングテストの代わりに、他の課題を別途ご案内いたします。
    • 解答提出の締切は5月7日を予定
  • 面接
    • 面接を実施します。遠方の方は Wepow を使用したオンライン面接実施が可能です
    • 実施期間は5月27日より3週間程度を予定
  • 合格通知
    • 6月25日以降に順次結果を送付予定


待遇

  • 時給
    • 高専生・大学生・大学院生 2,500円
    • 高校生 2,000円
  • 勤務時間:原則実働8時間、週5日(土曜・日曜・祝日を除く)
  • 移動費用:インターン参加に際し、現在お住まいの場所から飛行機・新幹線での移動を要する場合、往復移動費用1回分をサポートします
  • 通勤交通費:ご自宅または、宿泊場所から会社が認める経路にて支給します
  • 宿泊費補助:遠方から参加する場合、5,000円/日の宿泊補助費を支給。期間中の休日も含まれます
    • 宿泊先はご自分で手配していただきます(通勤圏内に10万円台前半のウィークリーマンション等はございます)
    • 補助金額は課税対象となりますのでご留意ください

NVIDIA GPUなどの最新技術を採用した プライベート・スーパーコンピュータ MN-2 を自社構築し、7月に稼働

MN-1、MN-1b、MN-2合計で約200※1ペタフロップス※2の計算資源を保有

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、プライベート・スーパーコンピュータ MN-2(エム・エヌ・ツー)を自社構築し、2019年7月に稼働します。

MN-2は、NVIDIA(R) V100 Tensor コア GPUを搭載した最新のマルチノード型GPGPU※3計算基盤で、すでにPFNが保有するプライベート・スーパーコンピュータMN-1(2017年9月稼働)、MN-1b(2018年7月稼働)と合算して、PFNは合計約200 ペタフロップスの計算資源を保有することになります。またMN-2の構築に並行して、PFNが独自開発するディープラーニング・プロセッサ MN-Core(TM) によるプライベート・スーパーコンピュータ MN-3を2020 年春に稼働予定です。

PFNは継続的に計算資源に投資することで、深層学習の研究開発および関連技術の実用化を加速し、世界的な開発競争における優位性を確保していきます。

 

MN-2の完成イメージ

 

  • PFNの次期プライベート・スーパーコンピュータ MN-2(エム・エヌ・ツー) の概要

PFNは、2019年7月より、最新CPUを5,760CoreとNVIDIA V100 Tensor コアGPUを1,024基搭載した MN-2を稼働します。MN-2は、国立研究開発法人海洋研究開発機構 横浜研究所 シミュレータ棟内に構築され、2020年稼働予定のMN-3と同一サイト内で連携稼動し、さらに、現在稼働中のMN-1およびMN-1bとも閉域網で接続されます。MN-2の理論上のピーク性能は、深層学習で利用される混合精度浮動小数点演算において約128ペタフロップスであり、MN-2のみでMN-1bの2倍以上のピーク性能となります。

MN-2のGPUノード間インターコネクトは、RoCEv2※4の採用に併せて1ノードあたり100ギガビットイーサネットを4本搭載し、PFN独自のチューニングを行うことで、マルチノードの高速処理を実現します。同時に総容量10PBを超えるソフトウェア・デファインド・ストレージ※5を独自に構築して機械学習時のデータアクセスを最適化することで、学習の高速化を図ります。

PFNはこのMN-2の上でオープンソースの深層学習フレームワークChainer(TM)(チェイナー)を活用し、大量の計算資源を必要とするパーソナルロボット、交通システム、製造業、バイオ・ヘルスケア、スポーツ、クリエイティブ分野での研究開発をより一層加速させます。

 

株式会社Preferred Networks 執行役員 システム担当VP 秋葉 拓哉のコメント

我々はこれまでも、最先端のNVIDIA GPUを用いた大規模データセンターを活用し、ディープラーニングとその応用に関する研究開発を行ってきました。高い計算力はディープラーニングの研究開発を支える大きな柱の1つです。今回NVIDIA V100を1,024基搭載したMN-2を構築することで、研究開発をさらに加速することができると確信しています。

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 様のコメント

Preferred Networksが、現在運用中のMN-1およびMN-1bに加え、最先端のデータセンター向けGPUであるNVIDIA V100 を採用したMN-2を構築されることを歓迎いたします。超高速なGPU間通信を実現するNVLINKを搭載した、NVIDIAのフラグシップGPUにより、ディープラーニングおよび関連技術の研究開発がより一層加速され、世界をリードする成果が生まれることを心より期待しております。

 

※1:MN-1は半精度浮動小数点演算能力、MN-1bおよびMN-2は混合精度浮動小数点演算能力。混合精度浮動小数点演算は、複数の精度の浮動小数点演算を組み合わせて利用する方式のこと。

※2:コンピュータの処理能力を表す単位の一つ。peta (ペタ) は1,000兆(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1,000兆回の浮動小数点演算を行えることを意味する。

※3:General-purpose computing on GPU(GPUによる汎用計算)

※4:RDMA over Converged Ethernet。遠隔ノード間での直接メモリアクセス (RDMA) を実現するネットワークプロトコルの一つで、イーサネット上で低遅延・高スループットを実現する方式

※5:分散するデータストレージの使用効率を高めるためソフトウェアにより一元管理されたストレージシステム

 

*MN-Core(TM)、Chainer(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。

本社周辺に「メカノ工房」を開設。ロボットハンドの試作や、シミュレーション結果を 実機で迅速に検証するためのラピッドプロトタイピング環境を整備

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、本社のある東京・大手町にメカノ工房を開設し、ロボットハンド等の試作と検証を迅速に行えるラピッドプロトタイピング環境を整備します。これにより、ソフトウェアとハードウェア両面からロボット関連の研究開発を進め、新しい技術の実用化を加速させます。

機械学習・深層学習技術の発展は、認識・制御などにおいて、ロボティクス分野のソフトウェアに劇的な進化をもたらしています。このソフトウェアの可能性を最大限に引き出すため、PFNは本社周辺に、ロボット向けハードウェアの試作や検証を迅速に行うためのラピッドプロトタイピング環境、メカノ工房を開設しました。コンピュータ上のシミュレーションと実機の動作環境は異なるため、メカノ工房において短期間で実機を試作、実環境で動作検証し、そして改善するというサイクルを高速化することで、ハードウェア開発にソフトウェア開発のスピードを取り込むことを目指しています。また、ソフトウェアエンジニアとハードウェアエンジニアがお互いの領域を身近に学びあえる環境を整えることで、新たな技術革新につなげる狙いがあります。

PFNは機械学習・深層学習技術を実世界に応用することを目指し、オープンソースの深層学習フレームワーク Chainer (TM) や、深層学習に特化したプロセッサー MN-Core (TM)の研究開発を行っています。中でも注力事業の一つであるロボティクス分野では、ファナックとの協業による工作機械・ロボットの知能化、および自社開発による全自動お片付けロボットシステムなどのパーソナルロボットの実用化を進めており、メカノ工房では各製品群に適合するロボットハンド、アタッチメント、実験器具などの試作、検証を行う予定です。

写真:メカノ工房内部

メカノ工房に導入済みまたは導入予定の主な工作機械は次の通りです。

  • 5軸マシニング
  • 3軸マシニング
  • NCフライス
  • 汎用旋盤
  • カーボン3Dプリンタ
  • 樹脂積層3Dプリンタ
  • 光造形3Dプリンタ

 

PFNは今後も、ソフトウェアとハードウェアのエンジニアがそれぞれの専門領域を学びあい、知識と技術を高めていける環境の整備をしていきます。これにより、ソフトウェアとハードウェア双方の進化を推進し、新しい技術の実用化を加速していきます。

「未来の学び プログラミング教育推進月間」協力企業として、小学生向けに、プログラミング体験を含めた学習指導案の作成に協力。 全自動お片付けロボットシステムを題材にしたビデオ教材を制作・配信

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、未来の学びコンソーシアムが進める「未来の学び プログラミング教育推進月間」に向け、全国の小学校の総合的な学習の時間におけるプログラミング体験を含めた授業の学習指導案「自動化の進展とそれに伴う自分たちの生活の変化を考えよう」の作成に協力しています。また、PFNが開発する全自動お片付けロボットシステムを題材にしたビデオ教材を制作し、提供します。

「未来の学びコンソーシアム」を連携して運営する文部科学省、総務省、経済産業省の3省は、2020年の小学校プログラミング教育必修化に向け、2019年9月に「未来の学び プログラミング教育推進月間」を設定しています。全国の小学校に対して、月間中にプログラミングの授業に取り組んでみるよう呼びかけ、小学校におけるプログラミング教育の実施に向けた準備を推進しています。

PFNは創業者の西川徹、岡野原大輔をはじめ、社員の約90%がエンジニア・リサーチャーであり、その多くが小学生・中学生のころからコンピューターに慣れ親しんできました。小さい頃からプログラミングの楽しさを知る機会をもつことで、次の世代の誰もがソフトウェアに興味を持ち、将来社会のあらゆる場で活躍している、そんな社会の実現を願い、今回PFNも教材の制作、提供に協力しています。

 

  • PFNの教材を使ったプログラミングを含む学習指導案の概要

「自動化の進展とそれに伴う自分たちの生活の変化を考えよう」

https://mirapro.miraino-manabi.jp/lp_pfn.html
(未来の学び プログラミング教育推進月間 特設サイト内)

人々の生活を便利にする機械による自動化の仕組みを調べる。また、簡単なプログラミングを通して、自動化システムの開発・運用を体験する。これらの活動により、社会に貢献できる職業があること、自動化システムを開発する方々の思いに気づき、自分たちの生活における自動化技術を見直し、現在や将来の生活でどのように生かすことができるか考えよう。

  1. 自動化される仕事と、私たちの生活
  2. 自動じゃんけん器プログラミング体験と、自動化の可能性

 

PFNが開発する全自動お片付けロボットシステムを題材にしたビデオ教材は、本年9月までに制作し、配信する予定です。そのビデオ教材の一部をサンプル動画として公開しました。

また、PFNがプログラミング教材に込めた思いについて、PFNフェローの丸山宏がブログを書きました。
https://research.preferred.jp/2019/02/primary_education_maruyama/

 

  • 未来の学び プログラミング教育推進月間について

2020年の小学校プログラミング教育必修化に向けた準備を推進するため、文部科学省、総務省及び経済産業省では、2019年9月を「未来の学び プログラミング教育推進月間(通称:みらプロ)」と設定しています。全国の小学校にて総合的な学習の時間等でプログラミング体験を取り入れた授業を実施するように呼びかけ、必修化に向けた機運を醸成することを目的とし、17社の民間企業が協力企業として参加しています。各企業の最先端の取り組みを知り、プログラミング体験で理解を深め、児童が各自の課題に探究的に取り組める活動を応援するための指導案とビデオ教材などを提供します。 (https://mirapro.miraino-manabi.jp/

Preferred Networksのテクニカルアドバイザーに統計数理研究所の福水健次教授が就任

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)において、統計数理研究所数理・推論研究系 教授である福水健次氏が、2018年11月21日付けでテクニカルアドバイザーに就任しました。

福水教授は統計的機械学習の理論研究の第一人者です。特に特異モデルやカーネル法、アルゴリズムの幾何学的解析においてNIPS2017ベストペーパー賞など顕著な研究業績を上げられており、最近では位相的データ解析の研究にも取り組まれています。

今回のテクニカルアドバイザー就任は、PFNにおけるニューラルネットワークモデルの理論解析に技術的なアドバイスや指導をいただきながら共に研究を進めることで深層学習技術に関する理解を深め、他の研究や応用につなげていくことを目的としています。

 
福水健次 教授

Kenji Fukumizu

  •  略歴

1989年京都大学理学部(数学)卒業。同年(株)リコー入社、中央研究所勤務。1996年京都大学にて博士号取得(理学)。1998年より理化学研究所脳科学総合研究センター研究員。2000年統計数理研究所の助教授に就任。2002-2003年、カリフォルニア大学バークレー校客員研究員。2006-2007年、フンボルト財団リサーチフェローとしてドイツ・マックスプランク研究所で客員研究員。現在、統計数理研究所教授、統計的機械学習研究センター長。NIPS 2010, 2011, 2015, 2017, 2018 Program Committee, Area Chair。ICML 2009, 2015, 2017, 2018 Program Committee, Area Chair。Journal of Machine Learning Research, Action Editor。

博報堂DYグループのSports Technology Lab社と、深層学習技術を用いたスポーツアナリティクスソリューションの共同開発に合意

株式会社Preferred Networks(PFN)は、博報堂DYグループにおいてスポーツテクノロジーの研究・開発を行う株式会社Sports Technology Labと共同で、深層学習技術を用いたスポーツアナリティクス領域のプロダクト開発を行い、国内のみならず海外マーケットも見据えたスポーツ領域での新規ビジネス展開を目指します。

詳しくは、博報堂DYグループの発表資料をご覧ください。
URL:https://www.hakuhodody-holdings.co.jp/news/corporate/2019/01/2036.html

日本メディカルAI学会公認資格 「メディカルAI専門コース」のオンライン講義資料を作成し一般公開

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、日本メディカルAI学会公認資格(以下、メディカルAI専門コース)のオンライン講義資料を作成し、無料で一般公開しました。

 

一般社団法人日本メディカルAI学会は、医療および人工知能に関する技術およびその応用の研究を行うための場として2018年に設立されました。現在、PFNの岡野原大輔およびPreferred Networks America, Inc. の大田信行が理事を務めています。

メディカルAI学会では当該分野の研究を発展させ、国際競争力を高めることを目的にメディカルAI専門コースを開設しました。このコースは、機械学習の基礎から応用について学ぶオンライン講義、医学の専門知識を学ぶオフライン講義、および小テストで構成され、医療で人工知能技術を使う際に最低限必要な知識や実践方法を学ぶことができます。

PFNは、このオンライン講義で用いられる講義資料の作成を行いました。(資料の一部は株式会社キカガクの協力を得て執筆されています。)この資料はウェブ上で無料公開され、メディカルAI専門コース受講者でなくても誰でも利用することができます。また、オンライン講義では機械学習・深層学習を行うためのプログラムコードを実際に実行しながら学べるよう、Google Colaboratory上で動作確認されたJupyter Notebookの形式で公開しています。Google Colaboratoryを用いることでGPUを使った学習を無料で体験することができます。

 

  • 日本メディカルAI学会公認資格:メディカルAI専門コースについて

オンライン講義資料は全8章からなり、機械学習に必要な数学の基礎から、深層学習フレームワークChainer™ を使った実践的な深層学習プログラミングのやり方までを、解説文とソースコードを合わせて說明しています。目次は次の通りです。

  1. 機械学習に必要な数学の基礎
  2. 機械学習ライブラリの基礎
  3. ニューラルネットワークの基礎
  4. Deep Learningフレームワークの基礎
  5. 実践編: MRI画像のセグメンテーション
  6. 実践編: 血液の顕微鏡画像からの細胞検出
  7. 実践編: ディープラーニングを使った配列解析
  8. 実践編: ディープラーニングを使ったモニタリングデータの時系列解析

 

 

メディカルAI専門コース オンライン講義資料の作成に関して、Preferred Networks Research Blogを投稿しましたので、詳細はこちらをご覧ください。

https://research.preferred.jp/2018/12/medical-ai-course-materials/

 

PFNは今後も、医療分野において深層学習技術の応用を進め、メディカルAI研究の発展に貢献していきます。

 

  • 関連リンク

日本メディカルAI学会:https://www.japan-medical-ai.org/

株式会社キカガク:https://www.kikagaku.co.jp/

深層学習フレームワークChainer:https://chainer.org/

Preferred Networks Creative Project:MotionChainer、DesignChainerを開発。アニメーション映画『あした世界が終わるとしても』に技術提供

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、深層学習技術の実世界への応用を目指し、PFN Creative Projectとして、2019年1月25日公開のオリジナル劇場長編アニメーション映画『あした世界が終わるとしても』の製作委員会に参画しています。本作品の制作にあたり、PFNは深層学習技術を活用したソフトウェアDesignChainer™(デザイン・チェイナー)とMotionChainer™(モーション・チェイナー)を開発し、技術提供しました。

 

  • DesignChainerについて

デザインワークには様々な手法があり、抽象化もその1つです。DesignChainerは、深層学習により入力画像を再解釈し、抽象化します。抽象的なベクトルや特徴量を抽出し、さらにそれを人間が操作、変更することで、抽象化の度合を変化させ、入力画像と異なる表現に再構成することが可能です。今回、作品に登場するキャラクター『アルマティック』のデザインに活用されています。

©あした世界が終わるとしても

(左)アルマティックの頭部のデザイン画 (右)ニューラルネットワークによる抽象化

 

 

  • MotionChainerについて

大勢の人々の動き(モーション)を生成する仕組みを群衆システムと呼びます。アニメーションの中で、群衆が動くシーンを作成するには、これまで膨大な工数が必要でした。MotionChainerは、深層学習を用いることにより、1人1人の人物の動きをプログラムに記述しなくても自然な群衆の動きを自動生成することが可能です。

このシステムを使うことで、1000体超の人物のモーションを簡単に生成することができます。

 

PFNは今後もイラスト、マンガ、アニメーション等のクリエイティブ分野に深層学習技術を積極的に応用し、クリエイティブ分野の技術革新を進めていきます。

 

  • 関連リンク

Preferred Networks Creative Project  https://projects.preferred.jp/creative/ashitasekaiga

映画『あした世界が終わるとしても』 https://ashitasekaiga.jp/

 

* DesignChainer™およびMotionChainer™は、株式会社Preferred Networksの日本国またはその他の国における商標または登録商標です。

深層学習に特化した ディープラーニング・プロセッサー MN-Coreを発表。2020年春、MN-Coreによる大規模クラスターMN-3を稼働予定

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、深層学習に特化したディープラーニング・プロセッサー MN-Core (TM) (エムエヌ・コア)を発表します。東京ビッグサイトで開催中の SEMICON Japan 2018において、MN-Coreチップ、ボード、サーバーなど、PFNが独自開発した深層学習向けのハードウェアを展示します。

PFNは、深層学習の実世界への応用を目指し、オープンソースの深層学習フレームワークChainer (TM)(チェイナー)の開発や、研究開発を支える大規模GPUクラスターMN-1(エムエヌ・ワン)、MN-1b(エムエヌ・ワン・ビー)の構築を進めてきました。これらを活用した大規模な分散深層学習により、自動運転、ロボットの高度化、がん診断などの分野で研究開発を加速させ、実用化に向けた取り組みを強化しています。

現在PFNでは、深層学習の「学習」フェーズの高速化に向け、深層学習の特徴である「行列演算」に最適化した専用チップMN-Coreを開発しています。MN-Coreは、近年のチップ開発で特に重要視される電力性能(消費電力あたりの演算性能)において、世界最高クラスの1 TFLOPS/W(半精度)を実現できる見込みです。最小限の機能に特化することで、コストを抑えながら、深層学習における実効性能を高めることが可能です。

  • MN-Coreチップのスペック
    • 製造プロセス : TSMC 12nm
    • 消費電力 (W、予測値) : 500
    • ピーク性能 (TFLOPS) :  32.8(倍精度) / 131(単精度) / 524 (半精度)
    • 電力性能(TFLOPS / W、予測値) : 0.066 (倍精度)/ 0.26(単精度) / 1.0(半精度)

https://projects.preferred.jp/mn-core/

今後、より複雑な未解決課題に取り組んでいくには、深層学習の学習済みモデルの精度と演算速度をさらに向上させる必要があり、継続的な計算資源の確保と効率化が重要になります。PFNでは、2020年春の稼働に向け、MN-Coreによる新しい大規模クラスターMN-3を構築する予定です。1000 nodeを超える専用サーバーからなるMN-3の計算速度は、最終的に2 EFLOPSまで拡大することを目標にしています。

MN-3以降では、それぞれ得意分野の異なるMN-CoreとGPGPU(General-purpose computing on GPU;GPUによる汎用計算)を組み合わせて利用することで、より効率的な計算環境の構築を目指します。

PFNは、深層学習フレームワークChainerにおいて、MN-Coreをバックエンドとして選択できるように開発を進め、ソフトウェアとハードウェア両方向からのアプローチにより、深層学習によるイノベーションを推進していきます。

MN-Coreをはじめ、自社開発した深層学習向けハードウェアは、SEMICON Japan 2018のPFNブースに展示します。

  • SEMICON Japan 2018  PFN展示ブースについて

 

* MN-Core (TM) およびChainer (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。

機械学習向けハイパーパラメータ自動最適化フレームワーク Optuna (β版)をオープンソースソフトウェアとして公開

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、オープンソースのハイパーパラメータ自動最適化フレームワークOptuna™(オプチュナ)のβ版を公開しました。

機械学習、深層学習において、アルゴリズムの挙動を制御するハイパーパラメータの調整は不可欠です。特に深層学習は、学習率やバッチサイズ、学習イテレーション数、ニューラルネットワークの層数、チャンネル数といった様々なものがハイパーパラメータとなり、その数が多い傾向がある上に、その調整がモデル精度を大きく左右します。また、深層学習を用いる多くの研究者・エンジニアは、かなりの時間を費やしてハイパーパラメータを手動で調整しているのが現状でした。

Optunaは、ハイパーパラメータの値に関する試行錯誤を自動化し、優れた性能を発揮するハイパーパラメータの値を自動的に発見します。オープンソースの深層学習フレームワークChainer™をはじめ、様々な機械学習ソフトウェアと一緒に使用することが可能です。

 

 

Optunaの主な特長は次の通りです。

  • Define-by-Run スタイルの API

高いモジュール性を保ったまま複雑なハイパーパラメータの最適化が可能

 

  • 学習曲線を用いた試行の枝刈り

反復アルゴリズムが学習に用いられる場合、学習曲線から学習結果を予測。良い結果が見込まれない試行を早期終了し、最適化を効率化

 

  • 並列分散最適化

複数ノードを用い複数の試行を同時に行う非同期分散最適化をサポート

 

Optuna は、物体検出コンペティションGoogle AI Open Images 2018– Object Detection Trackなど、既にPFNの各プロジェクトで活用され、成果をあげています。PFNは今後もOptunaの開発を活発に続け、先進的な機能の試作・実装を精力的に進めていきます。

 

 

*Chainer™ およびOptuna™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。

N次元配列の自動微分をC++で実装したChainerXをリリース。Chainer v6(β版)に統合し、計算パフォーマンスを向上

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)v6に、N次元配列の自動微分をC++で実装したChainerX(チェイナー・エックス)を統合してリリースします。Chainer v6では、v5までのコードをほとんど変更することなくそのまま動作させることが可能です。

Chainerは2015年のオープンソース公開以来、現在に至るまで活発に開発が続けられ、フレキシブルで直感的な深層学習フレームワークのパイオニアとして、多くのユーザーに使われてきました。その後、多くの深層学習フレームワークがChainerと同じDefine-by-Run方式を採用したことからも、Chainerの先見性は証明されています。一方、ChainerがPure Python実装にこだわってきたことは、コードの可読性やシンプルさに貢献していたものの、パフォーマンスが向上するに従ってPython実行系自体が持つオーバーヘッドが全体の実行時間に占める割合が相対的に増え、ボトルネックとなりつつありました。

今回、C++製のChainerXをChainer本体に統合してリリースすることは、多くのユーザーから見たChainerのフレキシブルさや後方互換性をほとんど失うことなく、より高いパフォーマンスを実現する方向への第一歩となります。

 

ChainerXの主な特長は次の通りです。

  • Pythonと密に結合した実装で、Pythonによる記述の割合も大きかったNumPy、CuPy™および自動微分(autograd)をC++で実装

行列計算や画像の畳込みなどの演算、および誤差逆伝播のロジックをすべてC++で実装することにより、PythonによるCPUオーバーヘッドを最大 87% 削減(脚注:オーバーヘッドのみを計測した場合の比較)

 

  • CPU、GPU、その他のハードウェアのバックエンドにも簡単に対応可能

バックエンドを差し替え可能とすることでデバイス間の移植性が向上

 

図:NumPy/CuPy に相当する多次元配列実装に Define-by-Run 方式の自動微分機能を加えた範囲を ChainerX が新たにカバーする。

 

 

ChainerXは今後性能向上やバックエンドの拡充とともに、ChainerXで記述したモデルをPython以外の環境からも呼び出せるよう開発を進める予定です。

なお、ChainerXの詳細は、カナダ・モントリオールで12月開催予定の機械学習のトップカンファレンスNeurIPS(旧名NIPS)において、開発者の得居誠也が発表する予定です。

12月7日12:50-02:55 Open Source Software Showcase

http://learningsys.org/nips18/schedule.html

 

Chainerの開発は、外部コントリビュータの開発成果を数多く取り入れています。PFNは今後も、最新の深層学習研究の成果を迅速に取り入れ、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・普及を推進してまいります。

 

  • オープンソースの深層学習フレームワークChainerについて

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。

Chainerは、最新の深層学習研究の成果を迅速に取り入れ、ChainerRL(強化学習)/ChainerCV(コンピュータ・ビジョン)/ChainerUI(学習ログの可視化)/Chainer Chemistry(化学、生物学分野のための深層学習ライブラリ)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。(http://chainer.org/

 

*Chainer™ およびCuPy™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。

三井物産とPreferred Networks、深層学習技術を用いたがん診断をはじめとする、バイオ・ヘルスケアソリューションを提供する合弁会社の設立に合意

三井物産株式会社(本社:東京都千代田区、代表取締役社長:安永竜夫、以下、三井物産)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、深層学習技術を用いたバイオ・ヘルスケアソリューションを米国において事業化することを目指し、合弁会社(以下、新会社)を設立することに2018年11月15日付で合意しました。なお、新会社の最高経営責任者には、Preferred Networks America, Incの最高執行責任者を務める大田信行が就任します。

近年、さまざまな分野において深層学習技術を活用したイノベーションが急速に進展しています。特に、バイオ・ヘルスケア分野への深層学習技術の活用は目覚ましく、創薬・診断・治療などにおいて技術革新が期待されています。

今後、深層学習技術を駆使したバイオ・ヘルスケアソリューションの世界的な市場拡大が見込まれる中、PFNが注力領域の一つとして取り組んできたがん診断技術に、三井物産がグループとして保有するネットワーク、病院グループ、ヘルスケア関連事業資産やパートナーを掛け合わせることで、社会実装を加速させます。

新会社設立後、深層学習技術を活用したバイオ・ヘルスケアソリューションの研究開発及びがんの先制医療の事業化に向け協創を進め、両社にて社会課題の解決を目指します。

 

三井物産株式会社
代表取締役副社長執行役員 田中 聡のコメント

「弊社新中期経営計画の中で成長分野と位置付けたヘルスケア領域において、深層学習技術におけるリーディングカンパニーたるPFN社と共に、革新的技術を用いた海外での事業開発・実用化を推進できることを大変うれしく感じています。」

株式会社Preferred Networks
代表取締役社長 最高経営責任者 西川 徹のコメント

「PFNは医療分野への深層学習技術の応用を目指し、2014年より研究開発を続けてまいりました。今回、この研究成果を活かした取り組みの一つとして、三井物産と米国においてがん診断を含む新たな取り組みをスタートできることを大変うれしく思います。」

株式会社Preferred Networks America, Inc.
最高執行責任者 大田 信行のコメント

「深層学習によるがん診断技術を早期に実用化し、がんの先制医療を確立させて、世界中のがんで苦しむ人々をできる限り少なくできるように努めてまいります。」

 

合弁会社の概要(予定)

会社名 Preferred Medicine, Inc.
所在地 330 Primrose Rd Burlingame, CA USA
設立年月 2018年11月
CEO 大田 信行(Nobuyuki Ota)
資本金 100万米ドル (出資比率 三井物産:50.0% PFN:50.0%)
事業概要 深層学習などの機械学習技術を活用したがん診断を中心とする、
バイオ・ヘルスケアソリューションの開発・運営

Preferred NetworksとPFDeNAが、深層学習技術を用いて少量の血液でがん14種を判定するシステムの共同研究を開始

2021年を目標に社会実装し、がんの早期発見・健康寿命延伸を目指す

株式会社Preferred Networks(代表取締役社長: 西川 徹、以下PFN)と株式会社ディー・エヌ・エーとPFNの合弁企業である株式会社PFDeNA(代表取締役社長:守安 功、以下PFDeNA)は、深層学習技術を活用し、少量の血液で14種類のがん※1を早期発見する検査システムの研究開発を開始します。

 

本研究では、国立がん研究センター(以下 NCC)にて、提供者の同意を得て研究用に収集された血液検体(以下 NCCバイオバンク検体)、ならびに臨床情報を用いて開発を行います。PFDeNAは、このNCCバイオバンク検体を個人が特定されない形で取扱い、次世代シーケンサー※2を用いてExRNA※3発現量を計測します。PFNは、計測されたExRNAの発現量と臨床情報を用いて、深層学習によって学習・評価・解析します。これにより、血液中のExRNAの発現量を元に14の種類別にがんの有無を高精度に判定できるシステムの実用化を目指します。

 

社会的背景

がんは、日本人の死因の第1位となっており、その死亡者数は年間37万人を超え、増え続けています。日本人の2人に1人ががんを患い、死亡した人のうち3.6人に1人ががんによって亡くなっている状態です。*

その一方で、がんは早期発見することが重要にもかかわらず、日本国内の各種がん検診の受診率は3割程度と、先進国の中でも低水準にとどまっています。がん検診は、がんの種類により異なる検査方法で体の部位・臓器それぞれを検査する必要があり、その精度のばらつきや、検診費用、身体的負担などが課題となっています。

そのような中、近年ではmiRNA※4を含むExRNAの遺伝子発現量に着目した研究が多数報告され、各臓器のがんに特徴的に発現するmiRNAが存在していることがわかってきました。がんに罹患すると体液中で発現しているmiRNAの種類や量が変動するため、簡単に採取できる血液などを使ったがん診断が期待されています。

 

今後について

本研究の成果は、PMDA※5の承認審査を経る等した上で、2021年を目標に社会実装(事業化)を行い、広く活用されていくことを目指します。

これにより各種がん検診において、少量の血液採取で14種のがんの早期発見ができるようになり、高精度かつ患者負担が少ないがん検査が普及することが期待されます。将来的には日本国内におけるがん検診の受診率の向上、がんの早期発見による死亡率の低減、健康寿命の延伸、医療費の削減に貢献していきます。

 

※1 14種のがん: 胃がん、大腸がん、食道がん、膵臓がん、肝臓がん、胆道がん、肺がん、乳がん、卵巣がん、子宮頸がん、子宮体がん、前立腺がん、膀胱がん、腎がんが本研究の対象。

※2 次世代シーケンサー: DNAの塩基配列を並列的に高速に読み出せる装置

※3 ExRNA: 本研究で示すExRNAとは、血液などの体液中に存在するRNAのことで、本研究においては主にmiRNA(マイクロRNA)を指す。miRNA は様々な生命活動の調節に寄与しており、診断用のバイオマーカーとして応用が期待されている。

※4 miRNA: 遺伝子発現を調整する効果を持つ20塩基程度のリボ核酸

※5 PMDA: 独立行政法人医薬品医療機器総合機構のこと。医薬品や医療機器などの品質、有効性および安全性の承認審査を行う機関。 https://www.pmda.go.jp/about-pmda/outline/0001.html

 

*出典:「平成 29 年(2017) 人口動態統計月報年計(概数)の概況」(厚生労働省)

オープンソースの深層学習フレームワークChainer および 汎用配列計算ライブラリCuPy の最新版となるv5をリリース

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(TM)(チェイナー)および汎用配列計算ライブラリ CuPy(TM)(クーパイ) のメジャーアップデート版となるv5 をリリースしました。

6か月ぶりのメジャーバージョンアップとなる今回、これまで追加パッケージとして提供していたChainerMN(チェイナー・エム・エヌ、分散深層学習パッケージ)を統合し、より簡単に利用できるようになりました。最新版v5では、v4までのコードをほとんど変更することなくそのまま動作させることが可能です。

 

Chainer v5およびCuPy v5の主な特長は次の通りです。

  • 分散深層学習パッケージChainerMNを統合

・Chainerの一部として統合され、より簡単に、複数GPUによる高速な分散深層学習を実行可能

  • データ拡張ライブラリNVIDIA(R) DALI に対応

・JPEG画像のデコードやリサイズなどの前処理をGPUで処理することにより高速化

  • FP16をサポート

・ほとんどコードを変更することなくFP16モードに変更可能

・メモリ消費が減ることで、より大きなバッチサイズが使用可能

・NVIDIA(R) Volta GPUのTensor コアを使用することにより、さらに高速化可能

  • 最新のインテル(R) アーキテクチャに対応

・v4で導入されたChainer Backend for Intel(R) Architecture (旧iDeep)の最新版(Version 2)に対応し、インテル(R) プロセッサーでの学習および推論を高速化

  • 静的グラフに対する計算の高速化・省メモリ化

・学習を通して変化しない静的グラフをキャッシュすることで、その部分の計算やメモリ使用を最適化し、学習速度を20~60%高速化

  • CuPyが相互連携強化Anaconda Numba、PyTorchと相互に並列データを交換

・Anaconda NumbaによりJITコンパイルされた関数にCuPyの配列をダイレクトに渡すことが可能

・DLpack:PyTorchなどの他フレームワークと相互に配列データ交換可能

  • CuPyの基礎的な操作を50%高速化

・メモリ確保や、配列の初期化などの性能が向上

 

 

ChainerおよびCuPyの開発は、外部コントリビュータの開発成果を数多く取り入れています。PFNは今後も、最新の深層学習研究の成果を迅速に取り入れ、サポート企業やOSSコミュニティと連携しながらChainerとCuPyの開発・普及を推進してまいります。

 

 

  • オープンソースの深層学習フレームワークChainerについて

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。

Chainerは、最新の深層学習研究の成果を迅速に取り入れ、ChainerRL(強化学習)/ChainerCV(コンピュータ・ビジョン)/ChainerUI(学習ログの可視化)/Chainer Chemistry(化学、生物学分野のための深層学習ライブラリ)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。(http://chainer.org/

CEATEC Japan 2018でパーソナルロボットシステムを初公開、全自動お片付けロボットシステムを展示

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長CEO:西川徹、以下、PFN)は、幕張メッセで開催されるCEATEC JAPAN 2018において、現在開発中のパーソナルロボットシステムの技術デモとして「全自動お片付けロボットシステム」を初公開します。

PFNでは、ロボットが身近な場所で活躍する社会の実現に向けて、パーソナルロボットの技術開発を進めています。工場などの規格化された環境と異なり、人間の生活空間で働くロボットには、複雑で変化する状況への柔軟な対応や、人との自然なコミュニケーションが求められます。

今回、PFNブース(A060)では、トヨタ自動車株式会社が開発する ”生活支援ロボットHSR(Human Support Robot)” を使い、従来の物体認識・ロボット制御技術では困難だった「散らかった部屋の全自動お片付け」のデモンストレーションを行います。ロボットが、乱雑に置かれた洋服、おもちゃ、文房具など、家庭にある様々な物体を認識してつかみ、所定の場所に片付けていきます。また、ロボットに対して人が口頭やジェスチャーで片付け指示を出すなど、直感的なコミュニケーションによるロボット操作もご覧いただけます。

全自動お片付けロボットシステムの詳細は特設ページをご覧ください。
https://projects.preferred.jp/tidying-up-robot/

この全自動お片付けロボットシステムは、CEATEC JAPAN 2018に展示されるイノベーション性が高く優れている技術・製品・サービス等を表彰する「CEATEC AWARD 2018」 において、インダストリ/マーケット部門の準グランプリに選ばれました。

  • PFN展示ブース

・期間:2018年10月16日(火)~19日(金)10:00~17:00

・展示エリア:トータルソリューションエリア  ホール2(ブース番号A060)

・展示内容:パーソナルロボットの技術デモ「全自動お片付けロボットシステム」(初公開)

 

また、開幕初日の基調講演CEATEC Keynote Futureに代表の西川徹が登壇し、「すべての人にロボットを」と題した講演を行います。講演では、PFNが注力する最先端の機械学習・深層学習技術とロボティクスを応用することで、実世界の課題をどのように解決するか、また、今後の技術の展望についてご紹介します。

  • 基調講演CEATEC Keynote Future

・日時:2018年10月16日(火)12:30~13:15

・会場:幕張メッセ 国際会議場 コンベンションホール

・講演者:株式会社Preferred Networks 代表取締役社長 CEO 西川徹

・講演概要:すべての人にロボットを

機械学習技術の発展により、ロボットの可能性は急速に拡大しています。様々な状況への柔軟な対応や、より人に近い作業をロボットが行うには、機械学習技術とロボティクスの融合が必要不可欠です。今後はより多くの場所で、人々がロボットの力を活用する場面が増えてくるでしょう。そのような新しいロボットの時代に、テクノロジーがどのように活用されうるのか、今の技術と今後の展望、そして私たちの新しい取り組みについて講演する予定です。

Preferred Networksのテクニカルアドバイザーに東京大学の五十嵐健夫教授が就任

株式会社Preferred Networks(本社東京都千代田区、代表取締役社長CEO 西川徹。以下「PFN」)において、東京大学大学院情報理工学系研究科教授である五十嵐健夫氏が、本年8月1日付けでテクニカルアドバイザーに就任しました。

五十嵐教授は、ユーザインタフェース研究の第一人者で、二次元のスケッチから三次元オブジェクトをインタラクティブに作成する著名な手法Teddyを始めとする数多くの研究成果をインタフェース、コンピュータグラフィクスの国際会議で発表し、最近ではJST CREST HCI for Machine Learningプロジェクトにおいて研究代表者を務め、機械学習技術を使いやすくするための研究を行っています。

今回のテクニカルアドバイザー就任では、PFNのヒューマンコンピュータインタラクション(HCI)およびヒューマンロボットインタラクション(HRI)関連研究に対して、インタラクションに関するノウハウ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。

PFNにおけるHCI関連の活動と五十嵐教授との協業の詳細はResearch Blogをご覧ください。

 

五十嵐健夫 教授

Takeo Igarashi

  •  略歴

2000年、東京大学大学院においてユーザインタフェースに関する研究により 博士号(工学)取得。2002年3月に東京大学大学院情報理工学研究科講師就任、 2005年8月より同助教授、2011年5月より教授。IBM科学賞、学術振興会賞、 ACM SIGGRAPH Significant New Researcher Award,  Katayanagi Prize in Computer Science 等受賞。 ACM UIST 2013 program co-chair, ACM UIST 2016 conference co-chair, ACM SIGGRAPH ASIA 2018 Technical papers program chair。 ユーザインタフェース、特に、インタラクティブコンピュータグラフィクスに関する研究に取り組んでいる。

深層学習による高精度な外観検査ソフトウェアをリリース

圧倒的に少ない学習データで短期間・安価にシステムを構築可能

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長CEO:西川徹、以下、PFN)は、深層学習技術を使った高精度な外観検査ソフトウェアPreferred Networks Visual Inspection(プリファードネットワークス ビジュアル・インスペクション)を開発し、2018年12月よりパートナー企業へのライセンス提供を開始します。また、2018年10月18日(木)に、幕張メッセで開催されるCEATECの新製品セミナー(N3-5)にて製品発表を行います。

機械学習・深層学習技術の活用が広がり、製造現場の外観検査システムへの応用も進んでいます。しかし、深層学習技術を活用した外観検査システムは、数千枚単位の大量の学習用画像データや、画像処理エンジニアによる学習支援が必要な上、検査結果の説明性が乏しいなどの課題がありました。

PFNは、深層学習フレームワークChainer(TM)の開発や、重点事業領域とする交通システム、製造業、バイオヘルスケア分野への深層学習技術の応用によって蓄積した技術力・ノウハウを活かし、これまでの外観検査システムの課題を解決するPreferred Networks Visual Inspectionを開発しました。

  • Preferred Networks Visual Inspectionの特長
  1. 少量の学習データ(良品画像100枚と不良品画像20枚から)で検査ラインを短期立ち上げ
  2. 金属・プラスチック・布・食品など、様々な素材・形状に対応
  3. キズ・異物・汚れなどの異常箇所の可視化による高い説明性
  4. 直感的な学習UIにより、エンジニアでなくても簡単に操作

 

PFNがPreferred Networks Visual Inspectionとして提供するのは、学習支援ソフトウェアとCPU版異常検知ソフトウェアです。システムの構築にあたっては、ライセンスパートナーから、学習ワークステーション、検査機PC、撮影装置、可視化・操作UIなどを必要条件に応じて自由に組み合わせて導入することが可能です。また、高速検査のためのGPU版異常検知ソフトウェアもオプションで提供します。

これにより、運用のシンプルさと高精度を両立した自動外観検査システムを安価に短期間で構築でき、コストやシステムの柔軟性の問題から、これまで自動化できなかった製造ラインにも導入しやすくなります。また、問題個所を可視化する高い説明性があるため、個人のスキルに頼りがちな製造現場での技術継承やノウハウの横展開にも有用です。

 

Preferred Networks Visual Inspectionと従来製品の比較

 

 

  • 製品発表

幕張メッセで開催されるCEATECの新技術・新製品セミナー(N3-5)「ディープラーニングを応用した製品不良検知ソフトウェアおよびピッキングロボットソリューション」の中で、Preferred Networks Visual Inspectionの製品発表を行います。

 

PFNは今後も、機械学習・深層学習技術の実世界への応用を推進していきます。

世界454チームが参加した物体検出コンペティション Google AI Open Images – Object Detection Trackで準優勝

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長CEO:西川徹、以下、PFN)は、Kaggleの物体検出コンペティション「Google AI Open Images – Object Detection Track」に挑戦し、出場した454チーム中で2位になりました。

物体検出(Object Detection)技術は、コンピュータビジョン分野の主要研究課題の一つであり、自動運転、ロボティクスの基礎技術としても非常に重要です。これまでもImageNetやMS COCOなどの大規模データセットを使った検出精度を競う大会が研究コミュニティーの求心力となって、そのアルゴリズムや物体検出技術を飛躍的に向上させています。

2018年7月3日~8月30日の期間で開催された、Kaggleの物体検出コンペティション「Google AI Open Images – Object Detection Track」は、今年Googleが新たに公開したOpen Images V4※2が使用され、これまでにない大規模かつ複雑なデータセットでのコンペティションとして、多くの研究者の注目を集め、世界各国から454チームが参加しました。

PFNは分散深層学習ライブラリChainerMNの開発チームを中心に、深層学習による画像処理ライブラリChainerCV開発チーム、自動運転、ロボティクス分野の有志メンバーが集まり、チーム「PFDet」としてこのコンペティションに挑戦しました。今回、今年7月に新しく構築したNVIDIA(R) Tesla(R) V100 32GB 512基の大規模クラスター「MN-1b」を初めてフル稼働させ、さらに、深層学習を並列化して大規模データセットでの学習を高速化する技術や、自動運転、ロボティクスの各分野で培ってきた研究成果を総合的に投入しました。その結果、最終順位は1位チームと0.023%の僅差のスコアで準優勝することができました。

 

本コンペティションの解法に関する論文「PFDet:2nd Place Solution to Open Images Challenge 2018 Object Detection Track」を公開しました。https://arxiv.org/abs/1809.00778

その内容は、ドイツで開催されるEuropean Conference on Computer Vision (ECCV)2018の併設ワークショップにおいて発表します。

また、本コンペティションで開発した技術の一部はChainerMNおよびChainerCVの機能として公開予定です。

 

PFNでは、今後も画像解析や物体検出技術の研究開発に取り組み、PFNが重点事業領域とする交通システム、製造業、バイオヘルスケア分野などでの実用化を推進していきます。

 

※1:機械学習コンペティションのプラットフォーム

※2:170万枚の画像からなる大規模データセット(500種類の物体を計1200万個含む)

CEATEC JAPAN 2018に出展します

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長CEO:西川徹、以下、PFN)は、2018年10月16日(火)~19日(金)まで、千葉市の幕張メッセで開催されるCEATEC JAPAN 2018にブース出展いたします。また、開幕初日の基調講演CEATEC Keynote FutureにPFN代表の西川徹が登壇し、「すべての人にロボットを」と題した講演を行います。

展示ブースでは、PFNの新しい取り組みについて初公開する予定です。

 

●基調講演CEATEC Keynote Future

・日時:2018年10月16日(火)12:30~13:15

・会場:幕張メッセ 国際会議場 コンベンションホール

・講演者:株式会社Preferred Networks 代表取締役社長 CEO 西川 徹

・講演概要:

「すべての人にロボットを」
機械学習技術の発展により、ロボットの可能性は急速に拡大しています。様々な状況への柔軟な対応や、より人に近い作業をロボットが行うには、機械学習技術とロボティクスの融合が必要不可欠です。今後はより多くの場所で、人々がロボットの力を活用する場面が増えてくるでしょう。そのような新しいロボットの時代に、テクノロジーがどのように活用されうるのか、今の技術と今後の展望、そして私たちの新しい取り組みについて講演する予定です。

※CEATEC JAPAN 2018事務局公式リリースはこちら

●PFN展示ブース

・期間:2018年10月16日(火)~19日(金)

・展示エリア:トータルソリューションエリア(ブース番号A060)

・展示内容:PFNの新しい取り組みについて(初公開)

中外製薬、東京エレクトロンから合計で約9億円の資金調達を実施

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長CEO:西川徹、以下、PFN)は、2018年8月に、中外製薬株式会社(本社:東京都中央区、代表取締役社長CEO:小坂達朗、以下、中外製薬)から約7億円、東京エレクトロン株式会社(本社:東京都港区、代表取締役社長CEO:河合利樹、以下、TEL)から、その子会社を通じて約2億円の出資を受けることで合意したことを発表します。

PFNは今回の資金調達により、財務基盤の強化、計算環境の拡充、優秀な人材の確保をすすめてまいります。

同時に、PFNと中外製薬は、革新的な医薬品・サービスをはじめとする新たな価値創出を目的とした包括的パートナーシップの下、深層学習技術を用いて医薬品研究開発における既存課題の解決を目指すとともに、より探索的な取り組みも含めた共同プロジェクトを実施してまいります。また、PFNとTELは、半導体製造分野において最適化・自動化などをテーマに、深層学習技術を用いた共同研究をすでに開始しています。

PFNは、交通システム、製造業、バイオ・ヘルスケア分野に加え、より幅広い分野においてイノベーションを実現し、さらなる企業価値の向上を目指してまいります。

 

今回出資いただく各社よりコメントをいただきました。

中外製薬株式会社
上席執行役員プロジェクト・ライフサイクルマネジメント(マーケティング)、経営企画統括 奥田 修 様

今後、ヘルスケア・ライフサイエンス領域においても、研究開発を含むすべてのバリューチェーンで、従来の技術とIoTやAIをはじめとした新しい技術の融合が必要不可欠になると考えられます。Preferred Networksの有する最先端の機械学習・深層学習をはじめとするデータ解析技術を、弊社の「技術ドリブンの創薬」をコアとする事業活動全般に適用することで、アンメットメディカルニーズの高い疾患に対する革新的な医薬品とサービスの提供を図り、世界の医療と人々の健康に貢献することを目指します。

 

東京エレクトロン株式会社
執行役員 コーポレート・イノベーション本部 西垣 寿彦 様

Preferred Networksが持つ世界最先端の深層学習技術を、東京エレクトロンが持つ世界最先端の半導体製造技術と融合させることにより、半導体製造における新たなイノベーションとなる画期的な研究開発の成果を得ることができると期待しています。

 

関連リンク:

Preferred Networksとの包括的パートナーシップ契約締結について
https://www.chugai-pharm.co.jp/news/detail/20180726153001.html

 

* 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。

オフィス拡張について

株式会社Preferred Networks(以下、PFN)は、事業拡大にともなう社員の増加、また、今後のさらなる増強を見据え、大手町本社のオフィススペースを拡張しました。

新オフィス位置(大手町ビル3階)

PFNの新オフィスは、個人の生産性を高める快適なワーキングスペースに加え、チームでのコミュニケーションを促進するグループワークエリア、お座敷スタイルの畳エリア、ケータリングやコーヒーを楽しめるカウンターエリアなどを備えています。多様なワーキングスペースを設けることで、これまで以上に働きやすく、社員のコラボレーションや新しい発想につながる環境の構築を目指しました。

 

また今回、大手町ビル3階に、ご来訪者様専用の有人受付を新設するとともに、来客用会議室も増設しています。

昇降デスクのあるワーキングスペース

少人数から大人数まで自由にアレンジできるグループワークエリア

お座敷スタイルの畳エリア

カウンターエリア

ケータリングランチ

新設された有人受付(大手町ビル3階352区画)

 

ロボットの国際学会ICRA 2018で、 Preferred Networksの論文がHuman-Robot Interaction(HRI)部門の Best Paper Awardを受賞

ロボット分野の主要国際会議のひとつ、米国電気電子学会(IEEE)が主催するICRA(International Conference on Robotics and Automation)が、2018年5月21日~25日の日程でブリスベンにて開催されました。その中で、PFNの論文「Interactively Picking Real-World Objects with Unconstrained Spoken Language Instructions」が Human-Robot Interaction(HRI)部門においてBest Paper Awardを受賞しました。

受賞式(左から、小林颯介、羽鳥潤、1人とばして高橋城志、Ko Wilson)

受賞式の後で(左から、小林颯介、羽鳥潤、高橋城志、Ko Wilson)

 

PFNでは、人間とロボットのコミュニケーション手段に最新の画像処理技術と自然言語処理技術を適用する研究を行い、人間の自由な話し言葉(音声言語命令)によってロボットのオブジェクトピッキングタスクを操作できるインタラクティブシステムを構築しています。

 

PFNの論文「Interactively Picking Real-World Objects with Unconstrained Spoken Language Instructions」の詳細と動画は、こちらのサイトをご覧ください。

https://pfnet.github.io/interactive-robot/

 

PFNは今後も、最新技術の研究開発と、その産業応用を推進していきます。

ODSC East 2018で、Chainerが Open Source Data Science Project賞を受賞

Open Source Data Science Project賞は、データサイエンス分野への顕著な貢献が認められたプロジェクトに授与される賞で、昨年はPandas Project と scikit-learnが受賞しています。今年は、“define by run”による動的で柔軟なニューラルネットワーク定義が評価され、Chainerが受賞しました。

 

 

 

Chainerは次のように評価されました:

Chainerは、柔軟で直感的なPythonベースのニューラルネットワークのフレームワークで、「アルゴリズムと深層学習の実装との間のギャップを埋める」ことに努めています。 Chainerは、フレームワークとして“define by run”を初めて採用し、ニューラルネットワークを動的に定義することができます。Chainerは柔軟性を重要な特徴にしているため、他のフレームワークでは難しいカスタマイズが可能であり、CPUやGPUでの計算もサポートしています。

https://opendatascience.com/odsc-east-2018-open-source-data-science-project-award-winner-the-chainer-framework/

 

Open Data Science Conference (ODSC)について

ODSCはデータサイエンスコミュニティに繋がり、日々使用するオープンソースアプリケーションに貢献するためのカンファレンスです。革新的なアイディアの交換を促し、OSSの発展を促進するために、国際的なデータサイエンスコミュニティを一つにまとめることを目的としてます。

 

オープンソースの深層学習フレームワークChainerについて

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。
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。(http://chainer.org/)

役員人事について

Preferred Networks(以下、PFN)は、事業領域の拡大と、それにともなう様々な技術要素の研究開発、事業の推進のため、このたび新しい取り組みとして、執行役員制度とPFN Fellow制度を導入します。

若い人に成長の機会を提供し、経験を積んだ人がそれをサポートするというPFNの企業文化を強化するとともに、急成長する組織を可能な限りフラットに保ち、スピードを落とさずに判断や行動ができることを目指しています。また、PFN Fellowは、長年にわたって研究分野に著しい貢献があり、社内外からも高い評価を得ている研究開発者に対して任命するものです。

PFNは、責任の適切な移譲・運用、サステイナブルな会社組織を実現することで、一人一人が主体的に事業や研究に関わり、お互いの信頼関係を形成し、チームとしてさらに成長してまいります。

 

  • 取締役(3名)

 

西川 徹             代表取締役社長

岡野原 大輔     代表取締役副社長

奥田 遼介         取締役

 

  • 執行役員(7名)

 

秋葉 拓哉

岡野原 大輔

奥田 遼介

高橋 正和

西川 徹

長谷川 順一

山本 潔

 

  • PFN Fellow(1名)

 

丸山 宏

以上

オープンソースの深層学習フレームワークChainer および 汎用配列計算ライブラリCuPy の最新版となるv4をリリース

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ChainerTM(チェイナー)および汎用配列計算ライブラリ CuPyTM(クーパイ) のメジャーアップデート版となるv4 をリリースしました。

Chainer とCuPyは、最新の深層学習研究の成果を取り入れ、6ヶ月ぶりにメジャーバージョンアップをしました。今回リリ―スした最新版 v4では、ほとんどのコードを変更することなくそのまま動作可能です。

 

Chainer およびCuPy v4の主な特長は次の通りです。

● NVIDIA(R) GPU上での高速・省メモリな学習のための機能追加※1

NVIDIA TensorCoreをサポートし、畳込み演算を高速化しました。また、ロススケーリングを実装し、半精度浮動小数点数を用いることによる勾配消失を緩和しました。

● CuPy のインストールが高速化

CuPyのバイナリパッケージの提供を開始し、これまで約10分かかっていたインストール時間を約10秒に高速化しました。

● Intel(R)アーキテクチャ向け最適化

Intel Deep Learning Package (iDeep)※2バックエンドを追加して、Intel CPUでの学習および推論の高速化を実現しました。これにより、当社のベンチマークにおいて、GoogLeNet(画像認識用のニューラルネットワークのひとつ)でのCPU使用時の推論速度が従来比8.9倍に向上※3しました。

● 二階微分をサポートする関数をさらに追加

v3から導入された二階微分のサポート範囲が広がり、最新のネットワークやアルゴリズムを記述する自由度がさらに向上しました。

Chainerでの学習結果をCaffe 形式でエクスポートする機能を追加

Chainerの計算手順と学習した重みをCaffe形式でエクスポートする機能を実験的に追加しました。これにより、Pythonが動かない環境でもChainerの学習結果の利用が容易になります。(ONNX形式へのエクスポートは引き続きonnx-chainerパッケージにて利用可能です)

 

 

ChainerおよびCuPyの開発は、外部コントリビュータの開発成果を数多く取り入れています。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とCuPyの開発・普及を推進してまいります。

 

※1:http://docs.nvidia.com/deeplearning/sdk/mixed-precision-training/index.html

※2:Intel CPU上で深層学習の一般的な演算を高速に実行するためのNumPy互換のライブラリ   https://github.com/intel/ideep

※3:1枚の画像に対する処理時間をiDeep有効時・無効時で比較した結果。いずれの条件でもMKL(Intel Math Kernel Library)は有効。CPUは Intel Xeon(R) CPU E5-2623 v3 を使用。

 

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。

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。(http://chainer.org/

機械学習、深層学習を活用したファナックのAI新機能

ファナック株式会社(以下ファナック)は株式会社Preferred Networks(以下PFN)と共同で、機械 学習や深層学習をFA・ロボット・ロボマシンのそれぞれの商品に適用する新たなAI機能を開発致しました。

 

FA:AIサーボチューニング(機械学習)

高速加工,高精度加工或いは高品位加工の実現のため、機械学習を用いてサーボモータ制御のパ ラメータの高度な調整を簡単に実現する「AIサーボチューニング」機能群の開発を推進中です。今回この 「AIサーボチューニング」の第一弾として、「AIフィードフォワード」を開発致しました。

AIフィードフォワードは、機械特性をより正確に表現するために高次元化したモデルに基づくフィードフォ ワード制御です。このモデルは数多くのパラメータで表現されるため、従来のようなマニュアルでのパラメータ 調整は困難です。そこでパラメータ決定プロセスに機械学習を適用し、高度なフィードフォワード制御を実 現しました。

AIフィードフォワードによりサーボモータの加減速時の機械振動を抑制できるため、高品位加工の実現 に貢献致します。

出荷開始予定時期:2018年4月

 

ロボット:AIバラ積み取り出し(深層学習/FIELD systemアプリケーション)

バラ積み取出しにおける高確率での取り出し成功のため、深層学習によるワーク取り出し順序の決定 を行うスコアリング機能を、FIELD system上のアプリケーションとして開発致しました。

深層学習でロボットが自動的に取出し順番の学習を行うため、従来の人手で行っていた取り出し順番 の調整作業から解放され、バラ積み取出しシステムの立ち上げ時間の短縮を実現します。

また、本機能を用いることでバラ積み機能の教示熟練者でなければ難しかった高い取り出し成功率を実 現します。ワークの種類毎に学習モデルを作成することで、取り出し成功確率を上げることができます。

左:FIELD BASE Pro (NVIDIA社製GPU付) 右:バラ積みセンサ付ロボットシステム(デモ機)

出荷開始予定時期:2018年4月

 

ロボマシン:AI熱変位補正(機械学習)

昨年11月に販売を開始したワイヤカット放電加工機「ロボカット」用のAI熱変位補正機能に続く、ロ ボマシンのAI第2弾として、ロボドリル用AI熱変位補正機能を開発、販売を開始致しました。

AI 熱変位補正機能は、周囲温度や機械の動作中の発熱を温度センサで検出し、温度変化による 熱変位を機械学習技術を活用して予測し補正する機能です。温度センサを用いない従来機能と比較 して、加工精度が約40%改善しました。また、温度センサの配置や温度データの活用方法を工夫するこ とで、万一温度センサが故障した場合でも、加工を中断することなく最適な補正を継続します。

AI熱変位補正機能 第1弾 ロボカット (2017/11リリース)

AI熱変位補正機能 第2弾 ロボドリル

出荷開始時期:2018年3月(発売済)

 

株式会社Preferred Networks 代表取締役社長 最高経営責任者 西川徹

AIバラ積み取り出しは、2015年にファナック様と協業を開始した当初から着手していたプロジェクトであり、 ロボットに深層学習を応用した初めての製品として発表できることは大変意義深いと考えています。 これからも、より広い領域に深層学習を適応した賢いロボット、賢い工作機械の市場導入を加速させ、 モノづくりの現場に新しい価値を提供していきます。

最新のNVIDIA Tesla V100 32GB GPUを採用した プライベート・スーパーコンピュータ「MN-1b」を7月に稼働

NTT Comグループのマルチノード型GPUプラットフォームを拡張

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)、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)は、米国時間2018年3月27日に発表された最新のNVIDIA(R) Tesla(R) V100 32GBをPFNのプライベート・スーパーコンピュータ「MN-1(エム・エヌ・ワン)」の拡張に採用します。この最新GPUは、NTT ComおよびNTTPCが提供する次期高速演算処理(GPU)プラットフォーム上に搭載し、7月に稼働予定です。

 

1.背景

PFNは、深層学習の研究開発および関連技術の迅速な実用化、また、世界的な開発競争を勝ち抜くため、最新GPUによる高速かつ潤沢な計算環境を世界に先駆けて導入することが必要でした。

NTT ComおよびNTTPCは、GPU間ネットワークや排熱処理などの蓄積されたノウハウが評価され、PFNが求める最新GPUによるマルチノード型プラットフォームを構築し運用することとなりました。

 

2.PFNの次期プライベート・スーパーコンピュータ「MN-1b(エム・エヌ・ワン・ビー)」の概要

現在PFNが保有しているプライベート・スーパーコンピュータ「MN-1」を拡張し、新たに7月より、最新のNVIDIA Tesla V100 32GBを512基稼働させる予定です。拡張部分の理論上のピーク性能は、深層学習で利用される混合精度浮動小数点演算※1において約56ペタフロップス※2であり、拡張部分のみで従来の約3倍のピーク性能となります。

 

3.今後の展開について

PFNは構築予定の次期プライベート・スーパーコンピュータ「MN-1b」を活用し、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)の高速化を進める予定です。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、クリエイティブ分野での研究開発をより一層加速させます。

NTT Comグループは、急速に拡大する高速演算用途に応えるため、高圧電力の安定供給・効率的な排熱処理などのインフラ運用ノウハウを活かし、最新のGPUプラットフォームを世界に先駆けて提供します。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、PFNのAIビジネスを支援していきます。

 

エヌビディア合同会社 日本代表 兼 米国本社副社長 大崎 真孝のコメント

Preferred Networksが、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の次期計算環境「MN-1b」において、2倍のメモリを搭載した最先端のデータセンター向けGPUであるNVIDIA Tesla V100 32GB のご採用をいただき誠に光栄でございます。NTT Comグループの豊富な構築・運用実績と信頼性の高いデータセンターサービス、NVIDIAの最新GPUによる高速かつ潤沢な計算基盤をもとに、交通システム、製造業、バイオ・ヘルスケアの領域において、世界をリードする研究開発の成果を心より期待しております。

スーパーマイクロ株式会社取締役(兼VP. Strategic Sales, 米国Super Micro Computer, Inc.)Emmy Changのコメント

Preferred Networksは、最新バージョンのインテル(R) Xeon(R) スケーラブル・プロセッサーと、8基の最新NVIDIA Tesla V100 32GB GPUアクセラレータを搭載した、弊社のSuperServer(R) 4029GP-TRT2を導入する世界で初めての事例となります。Supermicroは、常に最新の革新的なハードウェアとソリューションによって、Preferred NetworksとNTT Comグループを引き続きサポートいたします。弊社は、Preferred Networksが、この最新プライベート・スーパーコンピュータを使用して、新たな目標を達成すると確信しています。

※1: 複数の精度の浮動小数点演算を組み合わせて利用する方式

※2: コンピュータの処理能力を表す単位の一つ。peta (ペタ) は1,000兆(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1,000兆回の浮動小数点演算を行えることを意味する。

 

※Chainer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のプライベート・スーパーコンピュータが Top 500リストのIndustry領域で国内1位に認定

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

PFN2018 夏季インターン募集要項

For international students in Japan:
If you have visa eligibility to work as an intern this summer in Japan, you can apply from here by using English. If you need a help in English, please contact the following address; intern2018@preferred.jp

 

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。昨年までにご応募頂いた方の再エントリーも可能です。 機械学習のみならず、コンピュータサイエンスの幅広い分野で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

 

● 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、ロボティクス、バイオヘルスケア、強化学習、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。

 

● 期間

開始:各人のスケジュールを考慮して7月末~8月頭に設定
終了:2018年9月21日 (金)

※希望者は9月24日~28日もインターンシップと同条件にて勤務可能です。

9月下旬から授業開始の学校が多いため、今年は最終日を9月21日と設定しました。しかしながら、研究成果の取りまとめや社員との交流という観点から、希望者は同待遇にて9月末まで勤務が可能です。また、インターン期間中であっても、研究室の活動や学会参加、帰省等による不在は柔軟に対応いたします。

 

● 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

 

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。

 

【ご応募における注意事項】
  • 日本でのインターンシップ就労にビザサポートが必要な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
  • 大学の単位認定の為に事務作業が生じる場合は、事前のご相談が必要です。煩雑なものはお断りさせて頂くこともございます

 

● 勤務場所

〒100-0004 東京都千代田区大手町1-6-1 大手町ビル PFNオフィス

 

● 待遇

  • 時給:高専生・大学生・大学院生2500円/高校生2000円
  • 勤務時間:原則実働8時間、週5日(土曜・日曜・祝日を除く)
  • 通勤交通費:会社が認める経路にて支給します。
  • 移動費用:インターン参加に際し、在学場所から飛行機・新幹線での移動を要する場合、往復移動費用1回分をサポートします。
  • 宿泊費補助:遠方から参加する場合、5000円/日の宿泊補助費を支給。期間中の休日も含まれます。対象となる方は、日々の通勤時間が60分程度以上の方を想定しています。宿泊先はご自分で手配していただきます(通勤圏内に10万円台前半のウィークリーマンション等はございます)。補助金額は課税対象となりますのでご留意ください。

 

● 応募方法

応募フォーム

※こちらの応募フォームからお申込みください。応募フォームへのアクセスにはGoogleアカウントによるログインが必要です。

締切:2018年4月30日(月)23:59(日本時間)

お問合せ先:intern2018@preferred.jp

 

※「ご自身のPR資料」について

能力を証明、アピールするものをA4一枚程度でまとめてください。形式は自由ですが、ファイルフォーマットはPDFのみとします。(特にアピールしたいソフトウェア、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アカウント等を想定しています)

 

● 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。応募フォームに必ず第2希望までご記入ください。第3希望は、希望するものがある方のみで結構です。

 

1. 機械学習/深層学習の理論研究

2. コンピュータビジョン

3. 深層強化学習

4. ロボティクス

5. バイオヘルスケア

6. 分散深層学習/深層学習のためのHPC・分散データ管理

7. 自然言語処理

8. 音声処理

9. VR/AR

10. ヒューマンコンピュータインタラクション・ヒューマンマシンインタラクション

11. 深層学習のアニメーション応用・クリエーター支援

12. Chainer本体の開発

13. Chainerベースの分野特化ライブラリ開発

14. 異常検知等の機械学習アルゴリズムの研究開発

15. 機械学習のための情報可視化ツール・フロントエンド開発

16. 機械学習のための研究支援・クラスタ管理・実験管理システム開発

17. 深層学習のための専用アクセラレータ/プロセッサ開発

18. 深層学習のためのコンパイラ/オプティマイザ開発

19. IoT/Edge Heavy Computingプラットフォームの開発

20. その他

21.(追加)深層学習のチューニング自動化のための研究開発

22.(追加)動画解析(スポーツ映像など)

 

● 応募後の選考フロー

▼一次選考

4/30の応募締切後、原則として全員に選考課題として、①オンラインセルフ面接(録画) ②コーディングテストを弊社から送付いたします。(締切は5月14日を予定)

▼二次選考

面接を実施します。遠方の方はskype等ビデオチャットで対応可能です。(実施期間は6月5日より2週間程度を予定)

▼合格通知(6月下旬)

線画自動着色サービスPaintsChainerが 第21回文化庁メディア芸術祭 エンターテインメント部門で 優秀賞 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 最高経営責任者: 西川 徹、以下PFN)が開発・提供するPaintsChainer™(ペインツチェイナー)が、第21回文化庁メディア芸術祭(文部科学大臣賞)エンターテインメント部門の優秀賞を受賞しました。

文化庁メディア芸術祭は、アート、エンターテインメント、アニメーション、マンガの4部門において、高い芸術性と創造性をもつ優れた作品を顕彰するメディア芸術の総合フェスティバルです。1997年より開催され、今回が第21回となります。本年度は4,192作品、過去最多となる世界98の国と地域から応募があり、各部門から大賞1作品、優秀賞4作品、新人3作品が選出されました。

PaintsChainerは、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、無料のオンライン線画自動着色サービスです。白黒等で描かれた線画ファイルや写真画像をアップロードするだけで、深層学習の技術を使ってイラスト上の顔や服装、風景等を認識し、完全自動着色または色指定による自動着色をおこないます。現在、「たんぽぽ」「さつき」「かんな」の3つの着色モデルを公開しています。https://paintschainer.preferred.tech/index_ja.html

今回、PaintsChainerが優秀賞を受賞するにあたり、「自動着色を可能にする支援プラットフォームを、誰もが利用可能なウェブサービスとして提供した意義は大きい」とのご評価をいただきました。

国立新美術館での記者発表会にて受賞者記念撮影(中段左から4人目が米辻)

PaintsChainer開発者である、PFNのエンジニア米辻泰山のコメントです。

PaintsChainerは、ディープラーニングの勉強を兼ねて開発し始めた個人的プロジェクトでした。それが今回このような賞をいただけて大変光栄です。ディープラーニングを教えてくださった先輩方、サービス化と運営に協力、応援してくださったPreferred Networksの皆さん、そして楽しい、面白いと共感してくださったユーザーの方々に心より感謝いたします。
これからも、PaintsChainerを発展させつつ、さらに新しい領域にもチャレンジしていきます。

 

 

  •  第21回 文化庁メディア芸術祭 受賞作品展
    メディア芸術の “時代(いま)”を感じる全受賞作品の展示とシンポジウムやトークイベント、ワークショップ等の関連イベントが開催される予定です。
    ○ 会場: 国立新美術館 (東京・六本木)
    ○ 会期: 2018年6月13日(水)~ 24日(日)

 

※PaintsChainer™は、株式会社Preferred Networksの登録商標です。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。

国際情報オリンピック2018日本大会に協賛します

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、2018年9月1日(土)~9月8日(土)まで、茨城県つくば市にて開催される「第30回国際情報オリンピック(IOI 2018)日本大会」に協賛し、参加する学生の皆様を応援します。

IOI 2018 JAPAN組織委員会委員長 古川 一夫

世界の各国と地域より選手を迎え、IOI 2018 JAPANを円滑に実施するにあたり、PFNの協賛は大きな賛助となります。また、国際情報オリンピック選手の経験者が働く企業からの協賛は、後に続く選手達にとっても大きな励みになります。

この大会を通じ次世代を担う皆さんのネットワークが深まることを、そして新たな技術革新のうねりが醸成されることを期待しています。

 

株式会社Preferred Networks 代表取締役社長 最高経営責任者 西川 徹

PFNには現在6人の国際情報オリンピック出場経験者が在籍しています。問題の理解力、アルゴリズムの考案力、プログラミング能力を高いレベルで身につけることは、今後ビジネスの世界に出てからも強力な武器になります。

IOI 2018への挑戦が、学生の皆様にとってプログラミングの楽しさに触れ、国内外の仲間と切磋琢磨する素晴らしい機会になることを期待しています。

 

国際情報オリンピック(International Olympiad in Informatics)について

情報科学 (informatics) を対象分野として毎年開催される国際科学オリンピックの1つであり、世界中の80を超える国と地域で選抜された中等教育課程の学生(日本では、主に中高生・高専生)が参加します。

国際情報オリンピックの競技では、与えられた課題を解決するアルゴリズムを考案し、そのアルゴリズムの性能(効率や解の質)、アルゴリズムを適切にプログラムとして実装するプログラミング能力が競われます。また、世界中から集まる同世代の若者と交流することで、今後の高度なIT社会の中核を担い、国内外のネットワークを持った人材を育成することも期待されています。
https://www.ioi-jp.org/ioi/

白泉社と博報堂DYデジタル、Preferred Networksの深層学習技術による 線画自動着色サービスPaintsChainerを活用したカラー版マンガ作品の配信を開始

株式会社白泉社(本社:東京都千代田区、代表取締役社長:鳥嶋和彦、以下白泉社)および株式会社博報堂DYデジタル(本社:東京都港区、代表取締役社長:辻輝、以下博報堂DYデジタル)は、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)の協力のもと、深層学習技術を使った自動着色によるカラー版マンガ作品の配信および販売を開始いたしました。

今回、PFNが提供する線画自動着色サービス「PaintsChainer(ペインツチェイナー)」※1 をカスタマイズし、マンガ着色向け新モデルを開発しました。深層学習による自動着色ならではのグラデーションなど、独特の味わいがお楽しみいただけます。

 

  • PaintsChainerによる着色例

『結婚×レンアイ。』(著:萩尾彬)

 

  • 第1弾配信タイトル
『結婚×レンアイ。』 (著:萩尾彬)
『私達××しました』 (著:空あすか)

2018年1月24日より順次、白泉社e-netほか主要電子書店サイトにて配信開始。

 

白泉社は、月刊ウェブマガジンの先駆けである「Love Silky」※2 等のWEBコミックを多数刊行しており、博報堂DYデジタルが手掛けるCONPYRA※3 と連携し、これまでに多数のプロジェクトを実施してまいりました。本件はその連携の一環の施策となります。

今回、PFNはPaintsChainerのマンガ着色モデルの開発を担当し、博報堂DYデジタルは仕様策定および制作進行のディレクションを担当しました。今回の第1弾配信を皮切りに、今後、他作品の自動着色によるカラー版の制作・配信も行っていく予定です。

今後も、白泉社・博報堂DYデジタル・PFNは、マンガ表現のさらなる発展を目指し、深層学習による新たなマンガ制作技術の開発に積極的に取り組んでまいります。

 

※1  PaintsChainer(R)(ペインツチェイナー)について

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や写真画像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による自動着色をおこなう。着色モデルが異なる「たんぽぽ」「さつき」「かんな」を無料公開している。
【公式サイト】https://paintschainer.preferred.tech

※2  Love Silky(ラブシルキー)について

白泉社が配信する月刊ウェブマガジン。女性向けマンガ作品を多数掲載し、毎月第3水曜日に最新号を配信開始。2018年1月よりVol.61が配信中で、2013年1月の刊行開始から5周年を迎えた。また、姉妹誌として、同じく女性向けマンガ作品を掲載する「Love Jossie」(2015年7月刊行開始)、小説作品に特化した「ジョシィ文庫」(2017年11月刊行開始)がある。
【公式サイト】http://www.hakusensha.co.jp/silky_web

※3  CONPYRA(コンピラ)について

博報堂DYデジタルが手掛ける作家エージェント事業。誰でも自由に発信できるデジタル・プラットフォームが普及し、無数の創作コンテンツが日々生まれている中、独自のデータ分析によって特に優れた作品を発掘し、作家/クリエイターとのエージェント契約にもとづいて、作品のプロデュースを行う。エージェント業務のほか、各種パブリッシャー企業との連携により、小説・マンガを中心としたビジネス開発を多数推進中。
【公式サイト】https://conpyra.com

インテリジェント・エッジ・システムの開発に向けた合弁会社の設立に合意

ファナック株式会社(代表取締役会長兼CEO:稲葉 善治/以下、ファナック)、株式会社日立製作所(執行役社長兼CEO:東原 敏昭/以下、日立)および株式会社Preferred Networks(代表取締役社長 最高経営責任者:西川 徹/以下、PFN)は、このたび、産業・社会インフラ分野のエッジデバイスにAI技術を活用したインテリジェント・エッジ・システム*1の開発をめざし、2018年4月2日付で合弁会社(以下、新会社)を設立することを合意しました。なお、現在日立の執行役副社長を務め、4月1日付でファナックの副社長執行役員に就任する齊藤 裕が、新会社の社長を兼任します*2

 

*1 インテリジェント・エッジ・システム: クラウドと工作機械、産業機械、ロボットなどのエッジデバイスとの中間層においてAIを活用し、定時性をもったリアルタイム制御を実現するシステム

*2 日立の執行役副社長は3月31日付で退任予定

 

近年、さまざまな分野においてAI技術を活用したイノベーションが急速に進展しています。特に、産業・社会インフラ分野では、車やロボットなどのエッジデバイスに近い領域でのAI技術の活用が期待されています。

 

こうした中、ファナックと日立、PFNの3社は、世界に先駆けた産業・社会インフラ分野におけるインテリジェント・エッジ・システムの共同開発とそれに向けた合弁会社の設立に合意しました。新会社は、ファナックの工作機械・ロボットに関する技術・ノウハウ、日立の製造現場における制御技術をはじめとしたOTおよびITの知見、そしてPFNのディープラーニング技術や分散コンピューティング技術を融合させ、インテリジェント・エッジ・システムの開発をめざします。合弁会社設立後、事業性検証および事業計画の策定を行い、その後、実際のシステム開発や適用分野の拡大を図る計画です。

 

ファナックと日立、PFNの3社は、新会社での取り組みを通じ、インテリジェント・エッジ・システムなどの次世代制御システムの開発を進めることで、Society5.0の実現に向けた協創を進めていきます。

 

ファナック株式会社
代表取締役会長 兼 CEO 稲葉 善治のコメント

「ファナックがIoTへの取り組みとしてFIELD systemの開発に今後とも力を入れていく上で、より高速で定時性をもったリアルタイム制御の実現をめざす合弁会社の活動は、プラスの効果をもたらすものと考えます。工場自動化の分野に特化してきた当社としましては、急速に進もうとしている製造業のIoT化に柔軟かつ迅速に対応し、今後とも製造業の発展に貢献してゆきたいと考えます。そのための取り組みの一つとして、今回の合弁会社に大いに期待しています。」

 

株式会社日立製作所
執行役社長兼CEO 東原 敏昭のコメント

「このたび、ファナック、PFNとの合弁会社を設立することとなり、大変光栄です。日立は、100年を超えるOT、50年を超えるITの知見・ノウハウを融合した社会イノベーション事業により、社会課題の解決や人々の安全・安心・快適な生活の実現をめざしています。今回、3社がそれぞれの強みを持ち寄り、世界に先駆けたインテリジェント・エッジ・システムを開発・提供していくことで、産業・社会インフラ分野の高度化に貢献していきたいと考えています。」

 

株式会社Preferred Networks
代表取締役社長 最高経営責任者 西川 徹のコメント

「昨年12月に日立製作所との資本業務提携を発表してから、早くもこのような新しい取り組みができることをうれしく思います。PFNは2015年にファナックと資本業務提携し、機械学習・深層学習技術を用いて、工作機械やロボットが賢くつながる革新的な製造現場の実現を共にめざしてまいりました。今回、この3社が合弁会社を設立することで、各社の得意分野をいかした革新的技術の開発・提供を加速させ、世界に向けて、より大きな流れをつくっていきたいと思います。」

 

合弁会社の概要(予定)

商号 Intelligent Edge System合同会社
資本金 3,000万円
出資額 ファナック 1,000万円  日立 1,000万円  PFN 1,000万円
社長 齊藤 裕
所在地 山梨県南都留郡忍野村忍草字古馬場3580番地
設立年月日 2018年4月2日
事業概要 インテリジェント・エッジ・システムの概念実証および開発

コミックマーケット93にPaintsChainerブースを出展

プロジェクションマッピングによるマンガへの自動着色を体験

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、2017年12月29日(金)~31日(日)の3日間、東京国際展示場(東京ビッグサイト)で開催されるコミックマーケット93に、企業ブース「AIがマンガに色付け!PaintsChainer(ペインツチェイナー)」を出展します。

 

  • PaintsChainerブースについて

線画自動着色サービスPaintsChainerをご紹介します。今回、プロジェクションマッピングを用いた新しいユーザーインターフェースを発表し、持ち込み線画イラストやマンガなど、紙への自動着色を体験していただけます。

  • 会場:東京国際展示場  〒135-0063 東京都江東区有明3-11-1
  • 会期:2017年12月29日(金)~ 31日(日)10時~17時(最終日16時まで)
  • ブース位置:西 1ホール ブース1332(企業ブース)
  • PaintsChainerコミケ特設サイト http://paintschainer-pr.preferred.tech/comiket93

 

AIがマンガに色付け!PaintsChainerブース(イメージ)

 

 

プロジェクションマッピングを用いたPaintsChainerの新インターフェース(イメージ)

白黒の線画や、マンガなどの用紙を中央に置くと、上部に設置されたプロジェクターが着色イメージを投影します。

 

 

 

 

 

 

 

 

 

  • PaintsChainer(ペインツチェイナー)とは

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や写真画像をアップロードするだけで、深層学習の技術を使ってイラスト上の顔や服装、風景等を認識し、完全自動着色または色指定による自動着色をおこないます。現在は着色モデルが異なる「たんぽぽ」「さつき」「かんな」を公開しています。(https://paintschainer.preferred.tech/index_ja.html

 

 

PaintsChainerの公式キャラクター
「絵愛ちえな(えーあい・ちえな)」

 

 

 

 

 

 

 

 

※PaintsChainer®は、株式会社Preferred Networksの登録商標です。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つの重点事業領域を中心に、様々な分野で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/