こんにちは、技術研究所のウエサマです。
この記事は、質問すると答えを教えてくれるボットをIBM Watsonで実装し、Slack、Twitterに組み込んで使ってみたという記事（チュートリアル）の後編となります。
今回のポイントはメッセージを受信しWatsonへの問合せを行うスクリプト部分への変更を行うことなく、ボットを稼働させるプラットホームをSlackからTwitterに変更するという点になります。
このようにHubotはプラットホームの違いをAdapterにて吸収してくれるため、開発資産を有効に活用する事ができます。
前編はこちら⇒Slack、TwitterにWatson質問応答botを作ってみた(前編)
こんにちは、技術研究所のウエサマです。
この記事では、質問すると答えを教えてくれるボットをIBM Watsonで実装し、Slack、Twitterに組み込んで使ってみたという記事（チュートリアル）の前編となります。
尚、今回の記事にて採用したボットはHubotとなります。
HubotHubotはadapter, robot,script の３つの機能から構成され、ボットの処理はCoffee Scriptを使い記述します。ボットが動作するチャットシステムに依存する部分は、全てAdapterが吸収するため、例えばSlackで動かしてたボットを明日からTwitterで動かします。と言われても、Adapterを変更することで対応できるため開発したscriptはそのまま活用する事ができます。この点は、とてもいいですね。
技術研究所の(あ)です。
他の記事もいくつか書きましたが、最近、機械学習をちょこちょこ試してます。その一環で、オープンソースのフレームワークの Caffe での画像分類も試してみました。ウェブ等でいろいろ調べて試行錯誤しつつインストールしたり実行してみたりしたのですが、いくつか凄まじくハマったところがありましたので、それらの点について、同じようなトラブルに出くわした方々のためにここにメモっておきます。
Caffe (version は 1.0.0-rc3 てことでいいのかな?) をインストールしたのは、Ubuntu の載った AWS の GPUインスタンス上に CUDA 7.5 (GPGPU のライブラリ) を入れて、という環境です。
事前に「必要なライブラリ等が多くて、インストールがたいへん」と聞いていましたが、確かにたいへんでした。具体的な手順等は検索するといろいろ出てくるのでここでは端折ります。調べて出てくることに加え、make の途中で既に入れたはずのライブラリが「ない」と言われるので、パスを修正したりシンボリックリンクを張ったり、などの作業はいくつかやりましたが、このへんはまあ、ちょっと Unix に慣れた人ならば普通に対応できる範囲だと思います。
技術研究所の (あ) です。
前回書いたとおり、ちょい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。
そうすると、せっかくなので自分の手持ちの写真で試してみたくなります。
手持ちの写真で、判りやすく分類できて、そこそこ数があって、すぐに用意できるものというと…僕の場合こんなのになります。
虹と環天頂アークと、環水平アーク、後者二つは聞いたことがない人も多いかもしれませんが、太陽の周りにできる暈の仲間です。似てるような似てないような、これらの自然現象の写真の自動分類をやってみます。
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^^
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。
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。
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。
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。
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。
