こんにちは、『スタディサプリ』でデータエンジニアをしている橘高 (@masanobbb)と丹田 (@JinTanda) です。 今回は、昨年の10/

はじめに R&D組織でシニアマネージャーをしている高橋 諒です。New Orleansで開催された機械学習の国際会議「

この記事は BASE Advent Calendar 2022 の19日目の記事です。 はじめに こんにちは、DataStrategyチームの竹内です。 今回はBASEで作成されたショップが扱っている商品のカテゴリを機械学習モデルを使って推論するための取り組みについてご紹介いたします。 はじめに TL;DR 商品カテゴリ データセットの作成 ラベルセットの検討 データのサンプリング AWS Ground Truthを利用したアノテーション アノテーション対象のフィルタリング モデルの学習とテスト BERT

はじめに aptpod Advent Calendar 2022 9日目の記事を担当する、開発本部の加藤と申します。 aptpodでは自社製のハードウェアも提供しております。現在、コンピュータ製品には EDGEPLANT T1 がありますが、異なるニーズやユースケースにも対応できるような、測定用のペリフェラルを内蔵したコンピュータの試作機開発を行っています。この試作機の特長等についてご紹介させていただきます。こちらの試作機にご興味をお持ちいただけましたら、当社までお問い合わせください。製品化に向けたロード

０．はじめに こんにちは。ゲーム・エンターテイメント事業部の清原(@nezumimusume)です。 ...

初めに ISID X（クロス） イノベーション 本部 の三浦です。 仕事でかかわってるわけではありませんが、個人的な興味としてStable Diffusion周りの動向を追っております。 あの界隈の進歩は今凄まじいですね。 で、 google colab上で試すというやり方もあるのですが、 google colabのリソース枠を使い果たす事態が最近頻発しておりますので今回はdokcerベースでローカル環境を作りました。 また、CPUのみのマシンでもお試しできることを確認しましたので執筆している次第です。

TL;DR🤩 音声認識器Whisperの認識精度と認識速度について調査 認識精度 英語では論文同様の結果 日本語の認識精度はドメインに依存 baseモデルの推論がドメインにより不安定 ビームサーチの利用により、推論の頑健性が向上 largeモデルのCERはbaseモデルの半分程度 認識速度 baseモデルのRTFはGPUで0.104　largeのRTFは0.408 バッチサイズなどを最適化することで改善 こんにちは。RevCommのリサーチチームでインターンをしている中田亘です。 2022年9月21日にO

こんにちは！金融ソリューション事業部の山下です。 本記事では、 こちらの記事 でも紹介した Unreal Engine が提供する「Pixel Streaiming」 プラグイン を使って AWS サーバーからリアルタイムCGストリーミング配信を行います。 説明をシンプルにする為、 AWS の基本的な知識（EC2, セキュリティグループ、IAMロールなど）の説明は割愛いたします。 また、本検証を行う場合、使用する GPU インスタンス の利用料金が発生する点にご注意ください。 実施手順 手順は、以下のとお

2017年から2018年にかけて、社会問題として注目されたマンガ海賊版サイト「漫画村」をご記憶の方も多いと思います。第三者が著作権者の許諾を取らずにコンテンツを配信する海賊版サイトは年々増加し、2021年にタダ読みされたマンガの総額は1兆円を超えると試算されています。（※1）   2022年7月に函館で開催されたJANOG（※2）50では、海賊版サイト・技術検証チーム（以下、技術検証チーム）による「マンガ海賊版サイトの技術要素と対策法」と題するプログラムが行われました。技術検証チームの一人として、Ｊストリ

目次 目次 はじめに 論文紹介 The Norm Must Go On: Dynamic Unsupervised Domain Adaptation by Normalization OcclusionFusion: Occlusion-aware Motion Estimation for Real-time Dynamic 3D Reconstruction EPro-PnP: Generalized End-to-End Probabilistic Perspective-N-Points for

G-gen の杉村です。当記事では Google Cloud（旧称 GCP）の仮想マシンサービスである Compute Engine を徹底解説します。当記事は、 基本編 記事に続く、「応用編」です。 基本編の記事 サービスアカウントとアクセススコープ サービスアカウントのアタッチ アクセススコープ デフォルトのサービスアカウント Compute Engine へのサーバー移行 ロードバランシングと SSL/TLS インスタンスグループ インスタンスグループとは アンマネージドインスタンスグループ マネー

深層学習をする上で、最も大切なマシンスペックを聞かれたら何と答えますか? GPUのTensor性能、VRAM、GPUの数、CPU性能、メモリ、… 問題によって正解は異なりますね。 しかし、特に大規模なデータセットで機械学習する場合では、しばしばネットワーク帯域とストレージシステムのディスクI/Oによって制限されます。この記事ではそのような課題に対して、学習側でどのようにデータを扱うかを見ていきたいと思います。 1. この記事は? こんにちは、TURING MLチームです。TURINGはEnd-to-End

こんにちは、テリーです。物申す系YouTuberのヘライザーを毎日見てます。ヘライザーのサブチャンネルのとある動画の中で、別の女優さんに顔を置換して話をしているシーンがありました。おそらく芸能人の写真1枚から顔データを取 […]

こんにちは、テリーです。物申す系YouTuberの ヘライザー を毎日見てます。ヘライザーのサブチャンネルのとある動画の中で、別の女優さんに顔を置換して話をしているシーンがありました。おそらく芸能人の写真1枚から顔データを取り込み、自身の顔を芸能人に置き換える処理をしています。 今回は顔置換技術(フェイススワップ)の中でも特に最新の SberSwap を紹介します。従来のフェイススワップは学習用に大量の顔画像が必要で、学習処理に大量の時間(数時間)が必要でした。そのため、大量の画像が手に入らない人に置き換

はじめに 機械学習エンジニアの荒居秀尚です。2021年新卒入社で、機械学習モデリングや機械学習を用いたデータ施策におけるM