News

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/

ファナック、博報堂DYHD、日立製作所、みずほ銀行、三井物産から合計で20億円超の資金調達を実施

株式会社Preferred Networks(本社:東京都千代田区、代表取締役社長 最高経営責任者:西川徹、以下、PFN)は、2017年12月に第三者割当増資をおこない、新たに、株式会社博報堂DYホールディングス(本社:東京都港区、代表取締役社長:戸田裕一)、株式会社日立製作所(本社:東京都千代田区、執行役社長兼CEO:東原 敏昭)、株式会社みずほ銀行(本社:東京都千代田区、取締役頭取:藤原弘治)、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)が、それぞれ約5億円ずつ引き受けることで合意しました。

同様に、2015年6月に協業を開始し、同8月に資本提携をしたファナック株式会社(本社:山梨県忍野村、代表取締役会長 兼CEO:稲葉善治)も、約5億円分の当社株式を追加取得することで合意しました。

今回の増資により、2017年8月に発表したトヨタ自動車による約105億円の追加出資から続く一連の資金調達を完了します。

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るとともに、中長期的な発展を見据え、出資各社とそれぞれの分野で協業していきます。

今後は、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。

 

ファナック株式会社
代表取締役会長 兼 CEO 稲葉 善治 様

当社は、Preferred Networksの持つ最先端の機械学習・深層学習技術を、当社のFIELD systemおよびその他の全商品群への適用を進め、製造現場のエッジ部分(加工現場、組立現場)で情報をリアルタイムに高速に処理し機械が互いに柔軟かつ賢く協調する、これまでになかった高度な生産システムを実現してまいります。

※ FANUC Intelligent Edge Link and Drive system: 製造現場の各種機器を接続して製造の最適化を実現するオープンプラットフォームで、様々な企業が参加可能です。

 

株式会社博報堂DYホールディングス
代表取締役社長 戸田 裕一 様

Preferred Networksの有する深層学習をはじめとする機械学習技術・実装力と、博報堂DYグループの有する広告、マーケティング、メディア、コンテンツ領域におけるクリエイティビティならびに、独自データを掛け合わせることによって、革新的なソリューションやサービスを創出できるものと大変期待しております。クリエイティビティとテクノロジーの融合と、実社会への実装を推進し、生活をより楽しく、より豊かにするイノベーションをPreferred Networksと共に実現していきたいと思います。

 

株式会社日立製作所
代表執行役 執行役副社長 齋藤 裕 様

日立が展開する社会イノベーション事業では、IoTやAIといった最先端技術の活用や、さまざまなパートナーとの協創を拡大しています。今回の出資を機に、Preferred Networksのディープラーニングにおける知見、日立のOT×IT×プロダクトにおける技術・ノウハウといった両社の強みを持ち寄り、Society5.0の実現に向けた協創を実現していきたいと考えています。

 

三井物産株式会社
代表取締役常務執行役員 CDO(チーフ・デジタル・オフィサー)北森 信明 様

Preferred Networks社は、高度な人工知能(AI)技術を持つ業界のリーディングカンパニーです。三井物産はPreferred Networks社との新たなパートナーシップを通じ、グローバルに保有する事業資産のオペレーションの効率化、高付加価値化ひいては新事業創出に繋げるDigital Transformation活動を一層推進し、競争力の強化を図ってまいります。

 

関連リンク:
・株式会社博報堂DYホールディングス「博報堂DYホールディングス、Preferred Networksと資本業務提携を合意」
http://www.hakuhodody-holdings.co.jp/news/corporate/2017/12/1505.html

・株式会社日立製作所「日立がPreferred Networksに出資」
http://www.hitachi.co.jp/New/cnews/month/2017/12/1211.html

・三井物産株式会社「AI 事業会社の Preferred Networks 社に出資」
https://www.mitsui.com/jp/ja/release/2017/1225185_10838.html

 

◆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ChainerTM(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/

 

* 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

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)が占有利用するプライベート・スーパーコンピュータ「MN-1」が、LINPACK ※1 性能測定の結果、約1.39ペタFLOPS ※2 を記録しました。これにより、2017年11月のスーパーコンピュータ性能ランキングを示すTOP500リスト (http://www.top500.org) において、産業領域 (Industry Segment) のスーパーコンピュータにおける世界12位、国内1位として登録されました。研究用等の全てのスーパーコンピュータを含むランキングにおいては、世界91位、国内13位となります。

 

PFNのプライベート・スーパーコンピュータMN-1の概要 ※3

MN-1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) Tesla(R) P100GPUを1,024基搭載しています。

MN-1は、Mellanox社製 Infiniband インターコネクトを活用することで、PFNが開発する分散深層学習パッケージChainerMN (チェイナー・エムエヌ)による高速な分散深層学習 ※4 が可能です。

PFNはMN-1を使って、特に多くの計算機資源を必要とする交通システム、製造業、バイオ・ヘルスケア分野をはじめとしたさまざまな分野での深層学習の研究開発を、より一層加速させます。

 

※1  コンピュータの実用上の演算速度を比較するためのベンチマークテストの一つ

※2  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。

※3  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
  https://www.preferred-networks.jp/ja/news/pr20170920

※4  深層学習の学習速度において世界最速を実現
  https://www.preferred-networks.jp/ja/news/pr20171110

 

■ 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/

*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。

Preferred Networks、深層学習の学習速度において世界最速を実現

大規模な並列コンピュータを活用し、分散学習パッケージChainerMNでImageNetの学習を15分で完了

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、大規模な並列コンピュータ「MN-1※1」を活用し、深層学習(ディープラーニング)の学習速度において世界最速を実現しました。

 

深層学習モデルの精度を向上させるため、学習データのサイズやモデルのパラメータ数が増加し、それにともなって計算時間も増大しています。1回の学習に数週間かかることも稀ではありません。複数のコンピュータを連携させて学習を高速化することは、新たなアイディアの試行錯誤や検証に要する時間を圧縮し、素早く研究成果をあげていくために非常に重要です。

一方で、複数のコンピュータを使った並列分散学習においては、通常、GPU数を増やすほどバッチサイズが大きくなることに加え、GPU間の通信にオーバーヘッドが存在することで、得られるモデルの精度や学習スピードが徐々に下がっていくことが知られています。

今回、これらの課題を克服するため、学習アルゴリズムと並列化性能の改善をおこない、1,024GPUで構成される民間企業で国内最大級の並列コンピュータMN-1と、分散学習パッケージ ChainerMN※2(チェイナー・エムエヌ)を用いて学習を行いました。

その結果、ImageNet※3の画像分類データセットを利用したResNet-50※4の学習を15分で完了し、同様の研究報告※5としてこれまで最速とされていた学習時間を大幅に短縮しました。

今回の研究成果は「Extremely Large Minibatch SGD: Training ResNet-50 on ImageNet in 15 Minutes」というタイトルで、次のURLで公開しました。 (https://www.preferred-networks.jp/docs/imagenet_in_15min.pdf)

PFNはこの研究成果をいかして、大規模な深層学習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ていきます。

 

■ 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が中心となって開発・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であり、“Define-by-Run”の手法を通じて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できる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、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/

 

■ 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、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、イノベーションの実現を目指しています。(https://www.preferred-networks.jp/ja/

 

*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。

 

※1 NVIDIA(R) Tesla(R) P100を1,024基搭載。民間企業のプライベートな計算環境で国内最大級 https://www.preferred-networks.jp/ja/news/pr20170920

※2 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

※3 一般に広く使われている画像分類データセット

※4 画像認識の分野で多用されるネットワーク

※5 Intel(R) Xeon(R) Platinum 8160を1,600台使用して31分で学習完了(Y. You et al. ImageNet Training in Minutes. CoRR,abs/1709.05011, 2017)

AI(ディープラーニング)技術を活用した射出成形機の予防保全機能

ファナック株式会社(以下 ファナック)と株式会社Preferred Networks(以下PFN)は、ディープラーニングを工作機械に適用する新しい事例として、ファナックの電動射出成形機であるロボショットα-SiAシリーズの予防保全を行う「AIバックフローモニタ」を共同開発しました。

 

今回開発したAIバックフローモニタは、射出成形機の消耗品(逆流防止弁)の摩耗状態をディープラーニングで評価・予測し、消耗品が「壊れる前に知らせる」機能です。従来は、樹脂の逆流状況を示すデータ波形の形状変化を人間が見て、逆流防止弁の摩耗状態と交換時期を推測していました。今回、ディープラーニング技術を活用してこのデータ波形を高度に分析することで摩耗量を数値化し、逆流防止弁の適切な交換時期を知らせることが可能になります。

また、「Edge Heavy」の特徴を活かしてクラウドを必要としないことも特徴で、ROBOSHOT-LINKi上で主なデータ処理を行います。

このAIバックフローモニタはロボショットのオプションとして提供され、予防保全による稼働率の向上を実現します。(来年1月より受注開始予定)

本機能を搭載したロボショットを、国際プラスチックフェア2017(10月24日~10月28日に幕張メッセにて開催)にて出品致します。

 

ファナックとPFNは、今後も共同でAI機能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。

 

ロボショット

 

システム構成(概要)

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

オープンソースの深層学習フレームワークChainer v3 およびNVIDIA GPU向け行列計算ライブラリCuPy v2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(R)(チェイナー)のメジャーアップデート版となる Chainer v3 およびNVIDIA(R) GPU向け行列計算ライブラリ CuPy™(クーパイ) v2 をリリースしました。

Chainer は、最新の深層学習研究の成果を迅速に取り入れ、3ヶ月ごとにメジャーバージョンアップをしています。今回リリ―スした Chainer v3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 v3およびCuPy v2の主な特長は次の通りです。

1. 二階以上の自動微分をサポート
Chainer が自動微分を提供する多くの関数で、二階以上の微分もサポートしました。深層学習において二階微分が必要となる一部の手法が、論文にかかれている数式の通り簡単に実装できるようになります。

2. CuPy のメモリアロケータが改善
多くのニューラルネットにおいてGPU 利用時のメモリ使用効率が大幅に改善され、場合によってはメモリの再アロケーションが抑えられ速度も向上します。

3. CuPy に疎行列のサポートを追加
これまで GPU 上で実装するコストが高かった大規模なグラフ解析や自然言語処理をより簡単に実装することができます。

 

◆ Chainer ReleaseNote: https://github.com/chainer/chainer/releases/tag/v3.0.0

 

Chainer v3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。

 

◆ 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/

 

*Chainer(R) 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。

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。