後編ではニューラルネットワーク（NeuralNetwork、以下「NN」という。）を中心に紹介します。既に広く知られ、深層学習には不可欠なツールではありますが、NNは生物学的な神経回路網を模倣した機械学習の手法です。脳の仕組みを参考に、多層のニューロンで構成され、情報を処理・学習します。この仕組みを理解することで、機械学習の基本原理を把握し、実際の問題に適用できるようになります。

利用するライブラリ

深層学習を学ぶ上で、Kerasは高い柔軟性と使いやすさを兼ね備え、初学者から上級者まで幅広い層に支持されているライブラリです。

パフォーマンスではTensorFlowには劣るものの、ニューラルネットワークの構築や訓練を効率的かつ直感的に行うことができるので、講座ではそこまで大きなデータを扱わない点からも、Kerasを活用しています。

MNISTデータの学習

講座では、手書き数字認識の代表的なデータセットであるMNIST(MixedNaturalInstituteofStandardsandTechnologydatabase)を使用し、NNの学習プロセスを学びます。Kerasを用いたネットワークの構築、トレーニング、評価までの一連の流れを通じて、実践的なスキルを習得します。

畳み込みニューラルネットワーク（CNN）を用いた演習

CNN(ConvolutionalNeuralNetwork、以下「CNN」という。）は、画像処理において特に威力を発揮するアーキテクチャです。講座では、画像の特徴を階層的に抽出するCNNの仕組みを詳しく解説します。畳み込み層やプーリング層などの構成要素を通じて、なぜCNNが画像関連の課題に効果的なのかを理解します。

実際のデータに基づいた演習は、学習の定着において不可欠です。講座ではCNNを用いて、穀物画像データやポケモン画像データを使用した分類問題に取り組みます。

これらのオープンデータはkaggle（https://www.kaggle.com/）から取得可能ですが、現実の課題に対処するスキルを身につけ、実務でも応用可能な深層学習の知識を磨くためのきっかけにもなるでしょう。

画像処理講座を通じて、画像に対する基礎知識からはじまり、CNNの理解、実践的な演習まで、深層学習における幅広いスキルを身につけることができます。

技術の進化が著しい現代において、深層学習の知識はますます重要となります。本講座がその一助となるよう、社員のフィードバックを反映しつつ、社内教育の充実にもつなげたいと思います。

今回は簡単ではありますが、ChatGPTの活用事例としてLangChainによるRAGの実装方法についてご紹介しました。当社では最先端技術の研究・調査を行っており、最新の調査結果を随時公開していきます。

関連記事

・

関連分析技術

・畳み込みニューラルネットワーク

当社について

日々最先端の機械学習・分析技術の研究を行い、それらを活用した予測ボンズカジノ ツイッター・AIボンズカジノ ツイッターの提供を行っています。

・商品の画像分類ボンズカジノ 入金不要ボーナス
・画像生成
・商品レコメンドボンズカジノ 入金できない構築
もっと見る　

The post first appeared on 金融エンジニアリング・グループ（FEG：フェグ｜日鉄ソリューションズグループのデータ分析・コンサルティング会社）.

LangChainとは

LangChainとは、PythonでLLMを用いたアプリケーション開発を効率的に行うためのフレームワークです。LangChainは、LLMが生成する情報のカスタマイズに長け、正確性及び関連性を向上させるためのツール群を抽象化した形で提供します。
以下では、LangChainを用いた特定の記事を参照させる仕組み（RAG – Retrieval-Augmented Generation)の実施例をご紹介します。尚、今回使用するLLMはマイクロソフト社のAzure上で提供されているOpenAI社のボンズカジノ ツイッター、及びRAGに用いるベクトルデータベースにはAzure AI Searchを用いています。

実践：特定記事の参照

LangChainを用いRAGを構成することによって「LLMの事前学習時には無かった、2022年のサッカーワールドカップカタール大会（2022 FIFA World Cup）に関する情報を参照させたうえで返答させる」ための仕組みを作成してみました。
・使用ボンズカジノ ツイッター：gpt-35-turbo
・使用言語：Python
・環境：Azure Machine Learning(Serverless Spark Compute)
・参照させる記事：2022年サッカーワールドカップカタール大会の記事(https://www3.nhk.or.jp/news/html/20221219/k10013927351000.html)
※記事情報はベクトル化(数値データ化)する処理をする必要があります （ベクトル化のコードについて詳細を知りたい方は問い合わせフォームよりご連絡ください）

RAGによるカスタマイズ

まずは基となるLLMボンズカジノ ツイッター（gpt-35-turbo）に対し時期的に未学習であることが明かな質問をしてみます。

#ボンズカジノ ツイッターの設定
model = AzureChatOpenAI(
deployment_name=”＜デプロイ名＞”, # gpt-35-turbo のデプロイ名を指定します
)

#クエリーの設定
query1 = “2022年のワールドカップで優勝したのはどこですか？”
query2 = “2022年のワールドカップで日本はどんな成績を収めましたか？”

#既存ボンズカジノ ツイッターへのクエリー その1
comp1 = model.predict(query1)
print(comp1)
#既存ボンズカジノ ツイッターへのクエリー その2
comp2 = model.predict(query2)
print(comp2)

上記のPGMを実行してみると、

私は人工知能であり、未来の出来事を予測することはできません。申し訳ありません。

私にはそのような情報を提供することはできません。私は人工知能の言語ボンズカジノ ツイッターであり、未来の出来事を予測する能力はありません。ご理解いただけますようお願いいたします。

と結果が表示されます。

そこで、LangChainでRAGを構成し、ベクトル化した記事を参照させてみます。

#ベクトルデータベースと紐づけてRAGを構成
retrieval_qa = ConversationalRetrievalChain.from_llm(
model, # gpt-35-turboを使う
vector_store.as_retriever(), 　 #　加工済みの記事参照
return_source_documents=True
)

#RAGを使ったクエリー その1
chat_history = [ ]
result1 = retrieval_qa({“question” : query1, “chat_history” : chat_history})
print(result1[“answer”])
#RAGを使ったクエリー その2
result2 = retrieval_qa({“question” : query2, “chat_history” : chat_history})
print(result2[“answer”])

上記のPGMを実行してみると

2022年のサッカーワールドカップで優勝したのはアルゼンチンです。
2022年のワールドカップで日本は、グループリーグを突破し、決勝トーナメント1回戦で敗退しました。詳しくは、グループリーグで優勝経験のあるドイツとスペインにいずれも逆転勝利し、グループ首位で決勝トーナメントに進出しました。決勝トーナメント1回戦ではペナルティーキック戦で敗れ、ベスト8には届きませんでした。

と正しい結果が表示されます。
（コード詳細を知りたい方は問い合わせフォームよりご連絡ください）

おわりに

上記のようにLangChainを使いRAGを構成することで、LLMボンズカジノ ツイッターが元々事前に学習していなかった情報を返してくれる仕組みができました。今回は特定の記事を参照することしかしておりませんが、複数の情報を参照することも実装次第では可能となります。そしてその情報を社内情報にすれば、会社専用のチャットボットのようなものも作成可能です。

また一方でLangChainは、汎用的な用途向けにWikipediaを直接参照させたり、株価や天気予報のサイト等をピンポイントで参照させたり、さらにはエージェントを定義することによって情報収集機能を自在に操る事もできるので、用途に応じ大いに発展させる可能性を秘めています。

今回は簡単ではありますが、ChatGPTの活用事例としてLangChainによるRAGの実装方法についてご紹介しました。当社では最先端技術の研究・調査を行っており、最新の調査結果を随時公開していきます。

関連記事

・

当社について

日々最先端の機械学習・分析技術の研究を行い、それらを活用した予測ボンズカジノ ツイッター・AIボンズカジノ ツイッターの提供を行っています。

・テキストボンズカジノ ツイッターを用いた分類モデル構築
・メール配信ターゲット抽出ボンズカジノ ツイッター構築
・商品レコメンドボンズカジノ 入金できない構築
もっと見る　

The post first appeared on 金融エンジニアリング・グループ（FEG：フェグ｜日鉄ソリューションズグループのデータ分析・コンサルティング会社）.

Tacotron2の導入について

まずは、私の使った作業環境を先に紹介します。

さて、現在ではTacotron2+Waveglowのオリジナルコードを試そうとしても（Colabでの実行も含め）バージョンが合わないため動かないようです。
一つに、Tacotron2+WaveglowのインストールにはTensorflow1.Xが必要な事。さらに、NVIDIA RTX　3000番台以降のGPUを使用する場合、対応するCUDA11以降が必要なため、古い環境を揃えようにも通常の方法では限界があります。
残念ながら、CUDA11とリンクしたTensorflow1.Xは、conda-forge,PyPI 共にありませんので、自身でビルドする必要があります。

そこで、今回はNVIDIAが用意している、Docker イメージ（コンテナ）を使うことにしました。
ちょうど、“nvcr.io/nvidia/tensowflow/22.05-tf1-py3” というのが、動作条件（Tensorflow＋CUDA1.7）を満たすイメージコンテナなので、これを使いました。
Dockerイメージカタログの中から見つけることができました。

手順

①必要なイメージをダウンロードします。

docker pull nvcr.io/nvidia/tensowflow/22.05-tf1-py3

②ダウンロードしたイメージのimage id を調べておきます。

docker images

③コンテナーを起動します。

docker -it -gpus all /–mount type=bind,src=/home/d_drive,dst=/home/work -p=8888:8888
–device /dev/snd –group-add audio
–ipc=host –ulimit memlock=1 –ulimit stacks=6710884 ＜image id

起動オプションが多いので、実際は、compose.ymlで指定する方がよいですが、ここでは割愛します。

④Dockerに入ったら、PyTorchをインストールします。

# pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1
–extra-index-url https://download.pytorch.org/whl/cu117

⑤tacotron2のインストールを行います。

# cd /home/work
# git clone https://github.com/NVIDIA/tacotron2.git
# cd tacotron2
# git submodule init
# git submodule update

⑥Apexをインストールします。

# git clone https://github.com/NVIDIA/apex
# cd apex
# pip install -v –disable-pip-version-check –no-cache-dir –global-option=”–cpp-ext”
–global-option=”–cuda-ext”
# cd ..

⑦その他の必要なモジュールのインストールを実施します。
　nanoなどのテキストエディタを使ってrequirements.txtを書きかえます。

matplotlib==3.5.0
tensorflow==1.15.5
numpy==1.13.3
inflect==7.0.0
ibrosa==0.8.0
scipy==1.4.1
Unidecode==1.0.22
pillow
pysoundfile==0.9.0.post1

　・インストールを実施

# pip install -r requirements.txt

⑧jupyter lab を起動します。

# jupyter lab –no-browser –ip=0.0.0.0 –p=8888 –allow-root –NotebookApp.token=”

ローカルのプラウザで http:localhost:8888 を指定し、ノートブックを開きます。

プレトレーニング済みボンズカジノ ツイッターのダウンロードは、ブラウザーで、https://github.com/NVIDIA/tacotron2 を開いて、Inference demoにある、Tacotron2 model　と　Waveflow　modelへのリンクからダウンロードします。ダウンロードしたtacotron2_statedict.ptとwaveglow_256channels_univesal_v5.ptは、　/home/d_drive/tacotron2 （docker上では　/home/work/tacotron2）に移動させます。

動作確認は、inference.ipynb が、プログラム上にあるボンズカジノ ツイッターファイル名をダウンロードしたものと一致させ動けばOKのはずです。
※グラフのところでbottom が無効なオプションとかでエラーになる場合は、plot_data関数定義の箇所のBottom-lower に書き換えれば、OKです。
プログラム上のテキスト通りに英語のスピーチが聞こえると思います。

docker imageは終了すると、元に戻ってしまうので、ここまでの状態で、一旦 コミットをかけておきましょう。

・DOCKER IDを確認

docker ps

・コミットする

docker <docker id commit

日本語を発話させる場合には、JSUTデータセットなどを使ってTacotron2ボンズカジノ ツイッター部分だけをファインチューニングします。
Jsut（Japanese speech of Saruwatari-lab, University of Tokyo）は「台本」と「読み上げ音声」（女性、同一人物）で構成されているデータセットです。
https://sites.google.com/site/shinnoketakamichi/publication/jsut

実際のボンズカジノ ツイッター学習方法は、他の方がWebページに具体的に詳しく書いておられますので、ここでは割愛します。
音声は、私見ですが、ちょうどNHKのニュースで使用されているAI音声ガイドにそっくりなものができます。

（参考ページ）
　NVIDIA/tacotron2 で日本語の音声合成を試す (2) – JSUTで学習

ESPNET2

ところで、実のところ現在では、音声認識・音声合成の統合開発環境（ESPNET2)があります。
この開発キットはtacotron2を含んでおり、今回のようなインストールに苦労することなく動かすことができます。
ESPNET2で使用可能なボンズカジノ ツイッターには次のようなものがあります。

ESPNET2が扱えるボンズカジノ ツイッター

• 　Tacotron2
• 　Transformer-TTS
• 　FastSpeech
• 　FastSpeech2
• 　Conformer FastSpeech & FastSpeech2
• 　VITS
• 　JETS

この中で、VITSは、E2E型のボンズカジノ ツイッターで、比較的自然に聞こえる音声を生成できるようです。
デモンストレーションが用意されており、ローカルPCにインストールする前に簡単に試すことができます。

ESPNET2はこちらにあります。
https://github.com/espnet/espnet

デモンストレーションが用意されており、容易にColab上で動かすことができます。
https://colab.research.google.com/github/espnet/notebook/blob/master/espnet2_tts_realtime_demo.ipynb

結論

音声認識技術は歴史的に、音声波形をスペクトログラムを用いて時系列に並べたものを確率論的に解析する隠れマルコフボンズカジノ ツイッターが利用されてきましたが、その後、計算機資源が潤沢になるに従い、ニューラルネットワークやこれらのハイブリッド型、そして最近ではGlowとWaveNetを組み合わせたWaveGlowに代表されるように、様々な分野で使われているディープラーニングの成果が利用されるようになっています。

後日、ESPNET2も動かしてみたものの、多機能ゆえにフレームワークが複雑であり、ソースコードにも目を通しながら動かす場合には、単体ボンズカジノ ツイッターのTacotron2を上記手順でNVIDIAの提供するDockerコンテナを利用して動かす方がはるかに容易でした。

尚、ESPNET2を動かす場合でも、OS、Pythonライブラリ等のバージョンアップによって動かなくなってしまう可能性が高く、Docker環境に構築する事をお勧めします。

統合環境は一見すると便利なようでありますが、原著にあるオリジナルのボンズカジノ ツイッターを工夫しながら動かしてみる事が研究や理解を深めるためには重要だと考えます。 みなさんもぜひ、本稿のように試行錯誤しながら音声認識・音声合成を楽しんでみてください。

関連記事

・ボンズカジノ 登録の仕方2+WaveGlow を動かす（音声合成）【前編】

当社について

日々最先端の機械学習・分析技術の研究を行い、それらを活用した予測ボンズカジノ ツイッター・AIボンズカジノ ツイッターの提供を行っています。

・テキストボンズカジノ ツイッターを用いた分類モデル構築
・メール配信ターゲット抽出ボンズカジノ ツイッター構築
・商品レコメンドボンズカジノ 入金できない構築
もっと見る　

The post Taボンズカジノ 入金不要ボーナス 出金条件tron2+WaveGlow first appeared on 金融エンジニアリング・グループ（FEG：フェグ｜日鉄ソリューションズグループのデータ分析・コンサルティング会社）.

画像処理について

まず初めに、画像処理の概要について説明します。画像は通常、ピクセルと呼ばれる小さなドットの集まりで構成された行列として表現されます。
この行列はNumPy配列としても知られ、深層学習においても頻繁に使用されます。各ピクセルには色や明るさなどの情報が含まれ、カラー画像であればR(赤)、G(緑)、B(青)の3つの値で表現されますし、白黒画像であれば色の濃淡を表す1つの値のみを用います。
これらを適切に処理することで様々な情報を抽出できます。

画像処理の基本的な手法

画像処理にはさまざまな基本的な手法が存在します。例えば、グレースケールは画像を白黒に変換する手法であり、2値化は画像を二値（完全な白と黒）に変換します。
大津の方法を用いた2値化は、画像全体のヒストグラムを解析して最適な閾値を自動的に決定します。HSV変換は、色相（Hue）、彩度（Saturation）、明度（Value）の3つの要素に画像を変換し、RGB形式よりもカラーレベルの変更が容易になります。
目的によっては、画像の色数を減らして単純化する減色処理がありますし、画像のコントラストを調整してより鮮明な画像を得るためのヒストグラム均一化という手法もあります。モルフォロジー演算は画像の形状や構造を変更するための操作であり、膨張や収縮などが含まれます。

画像処理の演習

こうした基本的な手法を理解するためには、やはり演習が重要です。実際に手を動かして画像処理を行うことで、理論だけでは得られない実践的な知識を得ることができます。演習では、上記で紹介した手法を用いて、与えられた画像に対して処理を行い、その効果を確認することが期待されます。一例ですが、以下のような手法について理解し、実際の画像の変化について確認することができます。

・ヒストグラム均一化：画像のコントラストを向上させ、より自然な視覚効果を生む手法です。暗い領域と明るい領域の差を縮小させ、画像全体の情報をより均等に分布させます。

・モルフォロジー演算：画像の形状を変更するための操作で、膨張や収縮などがあります。物体の境界を強調するのに有用です。

・画像の畳み込み：畳み込みニューラルネットワーク（CNN）で広く使用される手法で、画像フィルターを用いて画像の特徴を抽出します。

・エッジ検出：画像中の物体のエッジを検出する手法で、明るい部分と暗い部分の境界となるエッジの強調や検出を行います。Sobelフィルタ、ラプラシアンフィルタ、Canny法などの手法があります。

これらの手法を理解し、実践することで、深層学習における画像処理の基礎について学びます。このような知識は、機械学習ボンズカジノ ツイッターの開発や画像認識の分野で重要な役割を果たします。深層学習教育においては、理論と実践を組み合わせたアプローチが成功への近道となります。

次回

今回は画像処理の概要についてお伝えしました。次回はニューラルネットワークについてお伝えします。

今回は簡単ではありますが、ChatGPTの活用事例としてLangChainによるRAGの実装方法についてご紹介しました。当社では最先端技術の研究・調査を行っており、最新の調査結果を随時公開していきます。

関連記事

・

関連分析技術

・畳み込みニューラルネットワーク

当社について

日々最先端の機械学習・分析技術の研究を行い、それらを活用した予測ボンズカジノ ツイッター・AIボンズカジノ ツイッターの提供を行っています。

・商品の画像分類ボンズカジノ 入金不要ボーナス
・画像生成
・商品レコメンドボンズカジノ 入金できない構築
もっと見る　

The post first appeared on 金融エンジニアリング・グループ（FEG：フェグ｜日鉄ソリューションズグループのデータ分析・コンサルティング会社）.

社内でのChatGPT活用

ChatGPTとは

まずはChatGPT関連について簡単に説明いたします。
ChatGPTにはそのサービスの裏側に機械学習ボンズカジノ ツイッターが入っているのですが、それは膨大なデータを学習した大規模言語ボンズカジノ ツイッター(Large Language Models、通称LLM)となります。
2023年11月現在のChatGPTに搭載されているボンズカジノ ツイッターは2021年9月時点までのデータを学習しているといわれており、ネット上の公開情報含む様々なデータを参照していると考えられます。ですが当然個々の会社が使っている情報等は学習しておりませんので、例えば「金融エンジニアリング・グループの有給申請方法は何ですか？」等を聞いたとしても正しい答えは返ってきません。つまり既存のボンズカジノ ツイッターをカスタマイズしなければ、ある会社の情報を聞けるような仕組みは作れないのです。

ボンズカジノ ツイッターのカスタマイズ方法

ボンズカジノ ツイッターをカスタマイズする方法は大きく分けて2つあります。
1つ目はボンズカジノ ツイッターの調整(Fine-tuning)により専用のボンズカジノ ツイッターに調整する方法、2つ目は既存ボンズカジノ ツイッターのまま参照する仕組みをつくる方法です。

1つ目のボンズカジノ ツイッターの調整については、新しいデータを用意しそれを追加学習する方法となります。これは珍しい言語での質問や専門分野の質問など、ボンズカジノ ツイッターが未知のデータを取扱うケースでは有効とされています。一方で既存のボンズカジノ ツイッターが高い精度を誇ることや、追加データの作り方によっては期待した答えが返ってこない場合もあるなどのデメリットもあり必ずしもこの方法を選択する必要はありません。

2つ目の既存ボンズカジノ ツイッターのまま参照する仕組みについては、ボンズカジノ ツイッターが知らない情報を参照する場合、参照先を文脈(コンテキスト)として命令文(プロンプト)に含め、ボンズカジノ ツイッターに質問する方法が一般的となります。こうした、期待する回答が得られるよう、プロンプトに工夫を加えることをプロンプトエンジニアリング(Prompt Engineering、PE)といいます。そしてこのようにボンズカジノ ツイッターの外部情報を参照させる手段として、LangChainが有用となります。

次回

今回はChatGPTの概要についてお伝えしました。次回はボンズカジノ ツイッターの活用方法として有用なLangChainについて解説します。

関連記事

・

当社について

日々最先端の機械学習・分析技術の研究を行い、それらを活用した予測ボンズカジノ ツイッター・AIボンズカジノ ツイッターの提供を行っています。

・テキストボンズカジノ ツイッターを用いた分類モデル構築
・メール配信ターゲット抽出ボンズカジノ ツイッター構築
・商品レコメンドボンズカジノ 入金できない構築
もっと見る　

The post first appeared on 金融エンジニアリング・グループ（FEG：フェグ｜日鉄ソリューションズグループのデータ分析・コンサルティング会社）.

音声認識と生成系AI

昨今、音声認識技術は、チャットポット、文字起こし等で広く実用化され始めています。
一方で、今はまさに生成系AIブームで、一般用途ではゲーミング用途にとどまらず、一部のマニア界隈ではStable Diffusion（画像生成）を動かすために高価なGPU（十分なVRAM容量が必要）が必要で、マイニングブームが下火となった現在でも、ニーズが衰えることなく、円安状況も相まって価格は高値安定といった状況です。（ChatGPTも自然言語系AIとしては、生成系AIに含まれます）

Tacotron2+WaveGlow

音声データにおける生成系AIといえば、音声合成があります。著名なものに、今回取り上げる、Tacotron2+WaveGlowがあります。
（論文：https://arxiv.org/abs/1712.05884）

このボンズカジノ ツイッターでは同一の話者が吹き込んだデータを用意し、ボンズカジノ ツイッター学習をすれば、その人物の特徴をボンズカジノ ツイッターに取り込み、打ち込んだテキストから、本人そっくりの音声を生成させることができます。tacotronのサイトには、The LJ Speech Datasetで学習したデモが用意されています。
このボンズカジノ ツイッターの良いところは、Tacotron2ボンズカジノ ツイッター でテキストからメルスペクトログラムを作成し、それを基にしてWaveGlowボンズカジノ ツイッターで音声合成を行うという、２段階の処理になっているところだと思います。(下図 )

メルスペクトログラム

メルスペクトログラムは一言で言うならば、時間、周波数および信号強度からなる３次元データで、音声認識・音声合成を学ぶ者は必ず通る道であり、いってみれば基本中の基本といったデータで、プロットすることによって簡単に視覚化できます。
音声データからメルスペクトログラムを作るのはPythonで簡単に行えます。言ってみればボンズカジノ ツイッターの動きを視覚的にとらえやすい。
最近の性能が高いといわれているE2E(End-to-end)型のボンズカジノ ツイッターでは、このメルスペクトログラムを生成する工程をバイパスする構成になり、ボンズカジノ ツイッターがブラックボックス化します。個人的には、Tacotron2は、途中結果を視覚化できるという点で、一度は動かしておきたいボンズカジノ ツイッターだと思います。

次回

今回はTacotron2の概要についてお伝えしました。次回は実際にTacotron2を動かす際の実装方法について解説します。

関連記事

・Taボンズカジノ 入金不要ボーナス 出金条件tron2+WaveGlow

当社について

日々最先端の機械学習・分析技術の研究を行い、それらを活用した予測ボンズカジノ ツイッター・AIボンズカジノ ツイッターの提供を行っています。

・テキストボンズカジノ ツイッターを用いた分類モデル構築
・メール配信ターゲット抽出ボンズカジノ ツイッター構築
・商品レコメンドボンズカジノ 入金できない構築
もっと見る　

The post ボンズカジノ 登録の仕方2+WaveGlow を動かす（音声合成）【前編】 first appeared on 金融エンジニアリング・グループ（FEG：フェグ｜日鉄ソリューションズグループのデータ分析・コンサルティング会社）.