こんにちは、技術研究所のウエサマです。
人工知能分野における日本の先進的な取り組みや、研究成果を知るため人工知能学会の全国大会（第３０回）に参加してきましたので、いくつか紹介したいと思います。
尚、今回の会場は北九州の小倉。
小倉は「焼うどん」、「アーケード商店街」発症の地だそうです。そして世界遺産 官営八幡製鐵所旧本事務所がありますね。
あと初日から気になっていた、駅前にあるシロヤベーカリー。ここのサニーパン、アノン、オムレットはとっても美味しかったです^^
機械学習/画像処理
適当にサンプルを選ぶ
技術研究所の(あ)です。
ここ数年の流行りの機械学習ですが、僕もちょっと機械学習を用いた画像分類を試してみる機会がありました。
識別したい対象 (例えば猫) が写っている画像(正例)と、写っていない画像(負例)を用意し、機械学習アルゴリズムで学習させると、「その対象 (猫) が写っているか?」という確信度を返す分類器ができあがります。
試したシステムの説明では「正例と負例は同じくらいの数で学習させるとよい」と書いてありました。
手持ちの写真がたくさん (例えば1万枚) あって、その中に猫の写真が100枚 (集合C としましょう) あったとしたら、猫の写ってない写真を残りの 9900枚 (not-C としましょう) から 100枚選んでやる必要があります。どうせならなるべく偏りがないよう、ランダムにせねばなりません。
C と、not-C から選んだ100枚から、それぞれ同じ割合でランダムに学習用データとテスト用データに切り分ける必要もあります。どうやって選ぶのがスマートかなー、調べれば出てくるよなー、と思ったのですが、その前にちょっと自力で考えてみました。
IBM Watsonハッカソン に出場しました～ハッカソン編～
こんにちは、営業統括部（所属は営業ですが、身も心もエンジニア）のママンです。
いま様々なところで目にするIBM Watson。
フォーラムエンジニアリングさんなどの企業導入事例もでてきました。
そのIBM Watsonのハッカソンが2016年2月13日～3月10日にかけて行われ、クレスコも参加してきました。（詳細 → 第2回 IBM Watson 日本語版ハッカソン ）
テーマは「IBM Watsonで人々の暮らしを豊かにする」。もうワクワクしちゃいますね。
最終結果はなんと……
アイディア賞受賞！賞品はPlayStation 4！と素晴らしい成果を出すことができました。
今日のエンジニアブログは、IBM Watsonハッカソンに出場しました～ハッカソン編～です。
Watson × Android で質問応答アプリケーションを作る！
こんにちは、スマートソリューションセンターの「たーぼう」です。
今回の記事は、IBM BluemixとWatson Developer CloudのWatsonサービスを使用して、
質問応答Androidアプリケーションを作成しましたのでご紹介していきたいと思います。
IBM Bluemix、Watson Developer Cloudのそれぞれのサービス説明については、割愛いたします。
それぞれ、こちらのリンクから製品情報についてご覧ください。
SENSY育成日記1 洋服大好きSEが人工知能を育ててみる
技術研究所のりまてぃです。
最近話題の”機械学習””Deep Learning”ですが、「実際にサービスに組み込まれるとどんな感じかな？」ということで、リリースされているサービスを使ってみました。この記事では、ファッション人工知能アプリのSENSYを”エンジニア”（以下エ）と”洋服大好き女子”（以下女）という２つの立場から考察してみようと思います。
Azure Machine Learningでナンバーズ予測（後編）
こんにちは、技術研究所のウエサマです。
このエントリーは”Azure Machine Learningでナンバーズ予測”の後編となります。
前編はこちら⇒Azure Machine Learningでナンバーズ予測(前編)
チュートリアル部分の記事が長くなるため、先に”まとめ”と”予想実績”について記載します。
試してみたい方は、後半のチュートリアルをご覧ください。
Azure Machine Learningでナンバーズ予測（前編）
こんにちは、技術研究所のウエサマです。
今回、Microsoft Azure Machine Learning(以下、Azure ML)を試してみたので、それを前後編の記事にしたいと思います。
前編は全体の概要について記載し、後編はチュートリアルとなります。
Raspberry Pi で Watson 日本語質問応答システムを作ってみた
こんにちは、技術研究所のウエサマです。
本ブログにて取り上げた、自然言語分類器 IBM Watson Natural Language Classifier（以下、NLC）に記載した内容を活用し、日本語のしゃべれる質問応答システムとしてRaspberry pi（以下、ラズパイ）上に構築してみましたので、その様子を構成や仕組みについて記載します。
尚、質問応答システムと書いてますが、単に分類器をうまいこと使い、質問応答風に見えるよう開発したものです。
参考：
自然言語分類器 IBM Watson Natural Language Classifier(後編)
こんにちは、技術研究所のウエサマです。
このエントリーは、”自然言語分類器 IBM Watson Natural Language Classifier”の後編となります。
前編はこちら⇒自然言語分類器 IBM Watson Natural Language Classifier(前編)
前回の記事ではIBM Watson Natural Language Classifier(以下 NLC)の概要、生成のステップ、トレーニングデータの準備まで記述しました。今回はその続きとして準備したトレーニングデータをもとに分類器を生成してみます。ただし、単に分類をするのではなく分類したクラス名が答えとなるようトレーニングし日本語によるなんちゃって質問応答システムを作ってみます。
大まかな手順としては、BluemixのダッシュボードからNLCサービスを作成し、このサービスに対してトレーニングデータをアップロードすることで分類器を生成します。その後、分類器に対して質問を行いクラスの取得を行ってみます。
自然言語分類器 IBM Watson Natural Language Classifier(前編)
こんにちは、技術研究所のウエサマです。
技術研究所では、研究テーマのひとつとして機械学習をどのように事業へ適用していくか調査を行っており、各種の機械学習について主に使う側の視点で調査を行っております。
こうしたなか本年７月クレスコはWatsonを活用しpepperをはじめとするロボット、モバイル、パソコンに対応する様々なWatsonアプリケーション開発を行うことを、ソフトバンクと共にプレスリリースを行いました。
このエントリーでは記事を前後編に分け、機械学習を採用したIBM Watson APIのひとつであるNatural Language Classifierを取り上げます。公式サイトでは日本語はサポート外（執筆時点）となっておりますが、設定をちょこっと変更し日本語を扱ってみます。
前編では分類器の概要とトレーニングデータの準備までを記述します。後編では実際に分類器を作成し日本語でのクラス分けを試してみます。ただし、本来の単純なクラス分けだとつまらないため、なんとなく質問応答になるような使い方で遊んでみたいと思います。
