河原塚健人の作品一覧
「河原塚健人」の「基盤モデルとロボットの融合 マルチモーダルＡＩでロボットはどう変わるのか」「Data-centric AI入門」ほか、ユーザーレビューをお届けします！
- 作者をフォローする
- フォローすると、この作者の新刊が配信された際に、お知らせします。
作品一覧
-
ビジネス・実用
3.61巻3,630円 (税込)【岡野原大輔氏 推薦!!】 これまでのロボットには困難だったタスクにどう挑むのか。 「フィジカルAI時代」の中核技術を理解するための指針となる一冊。 ★★生成AIによる大変革、次の主役はロボット！★★ ■ロボットを知らなくても読める！ この大変革の流れを知らずして、AI・情報科学の未来は語れません。 AIに関心のある研究者、エンジニア、マネージャー、起業家―― 技術の潮目をつかみたいすべての人に贈ります。 ■AIが“世界に接する”時代へ！ 生成AIは、いまや言語や画像にとどまりません。 LLMを超え、より大規模でマルチモーダルなモデルが「基盤モデル」です。 それがロボットと結びつき、世界に接するAIが生まれています。 ・「あれ取ってきて」という指示に応答するロボット ・みずからコードを書いて自分を制御するロボット ・未知の環境でも、試行錯誤して成果を出すロボット かつてできなかったことが、基盤モデルの力で実現しています。 ■語り尽くすのは、最前線を走る若きツートップの研究者！ 「そもそも、基盤モデルとは何なのか？」 「基盤モデルでロボットの何が変わるのか？」 「基盤モデルをロボットにどう使うのか？」 技術の本質を捉えたい人に向けて、深く・わかりやすく語り尽くします。 【目次】 第1章 基盤モデルとロボット 第2章 基盤モデルでロボットの何が変わるのか 第3章 これまでのロボット 第4章 基盤モデルができること 第5章 基盤モデルをロボットにどう使うか 第6章 ロボット基盤モデル 第7章 今後の展開 -
ビジネス・実用
5.01巻3,520円 (税込)※この商品はタブレットなど大きいディスプレイを備えた端末で読むことに適しています。また、文字だけを拡大することや、文字列のハイライト、検索、辞書の参照、引用などの機能が使用できません。 ◆高品質なデータを設計・開発する技術◆ Data-centric AIとは、機械学習の権威でありGoogleのAI研究チームを率いたAndrew Ngが2021年に提唱した、モデルよりもデータに主眼を置くというAI開発のアプローチです。過去数十年にわたりAI開発においては、固定されたデータセットに対してニューラルネットワークをはじめとしたモデルを適用し、そのモデルを改善することに関心が寄せられていました。しかし、このモデルを中心としたアプローチでは、データセットへの過度な依存やデータセットが抱える課題への無意味な適合により、実用において期待ほどモデルの性能が改善しないといった問題が指摘されています。そのため近年はモデルを固定したうえで、データ拡張、アノテーションの効率化や一貫性の担保、能動学習といったデータに工夫を加えることによってモデルの性能を向上させるアプローチに注目が集まっています。本書では、Data-centric AIの概要を解説したあとに、画像認識、自然言語処理、ロボットといった分野におけるデータを改善するための具体的なアプローチを解説します。最終章では、企業における実践的な取り組みを紹介します。 ■こんな方におすすめ ・データセットの作成、データの学習方法に興味のある方 ・基盤モデルに興味がある方 ■目次 ●第1章 Data-centric AIの概要 ・1.1 Data-centric AIとは ・1.2 データセットのサイズとモデルの性能の関係 ・1.3 データの品質の重要性 ・1.4 おわりに ●第2章 画像データ ・2.1 画像認識におけるData-Centric AIとは ・2.2 画像認識モデルの基礎知識 ・2.3 データを拡張、生成する技術 ・2.4 不完全なアノテーションからの学習 ・2.5 画像と言語ペアの関係性を学習した基盤モデル ・2.6 能動学習 ・2.7 おわりに ●第3章 テキストデータの収集と構築 ・3.1 言語モデルの事前学習 ・3.2 事前学習データの収集 ・3.3 ノイズ除去のためのフィルタリング ・3.4 データからの重複除去 ・3.5 テキストデータ収集の限界 ・3.6 おわりに ●第4章 大規模言語モデルのファインチューニングデータ ・4.1 ファインチューニングとは ・4.2 Instruction Data ・4.3 Preference Data ・4.4 ファインチューニングモデルの評価 ・4.5 日本語における大規模言語モデルのファインチューニング ・4.6 おわりに ●第5章 ロボットデータ ・5.1 はじめに ・5.2 RTシリーズの概要 ・5.3 多様なロボット ・5.4 ロボットにおけるデータ収集 ・5.5 データセット ・5.6 データ拡張 ・5.7 おわりに ●第6章 Data-centric AIの実践例 ・6.1 テスラ ・6.2 メタ ・6.3 チューリング ・6.4 LINEヤフー ・6.5 GO ・6.6 コンペティションとベンチマーク ・6.7 Data-centric AI実践のためのサービス ・6.8 おわりに ■著者プロフィール 片岡裕雄（かたおかひろかつ）：2014年 慶應義塾大学大学院 博士（工学）。2024年現在、産業技術総合研究所 上級主任研究員、オックスフォード大学 Academic Visitor および cvpaper.challenge 主宰。時空間モデルのベースライン3D ResNetの研究開発，実データ不要の事前学習法 数式ドリブン教師あり学習（Formula-Driven Supervised Learning; FDSL）を提案。2019/2022年度AIST Best Paper、2020年 ACCV 2020 Best Paper Honorable Mention Award、2023年 BMVC 2023 Best Industry Paper Finalist。研究はMIT Technology Reviewや日経等メディアにて掲載。本書の監修を担当。
ユーザーレビュー
-
-
-
Posted by ブクログ
LMを代表とする基盤モデル(Foundation Model)がどのようにロボットと合体し、何が可能になって、今どこは課題なのかが複数の論文を概観しながら読者に理解させる形式の Survey論文っぽい本。読む人を選ぶと思う。survey論文退屈な人には刺さらないと思う(良いSurvey論文を読むことはその道を大まかに知ることの一番の近道であるはずだが)。
ロボットにはロボットのデータが必要でそれらがうまい具合にデータセットになっている論文がないことがわかった。一応、大規模かつ多様なものはあるけど、ロボットの身体性とかを考慮したりしたものは存在しない。
知能発達、予測符号化とかとLLMとロボット -
-
Posted by ブクログ
ロボットは「人間のように学び、理解して動く存在」へと変わり始めている。その構造を説明している本。
これまでのロボットは、料理でいうと「この順番で切って、焼いて、盛り付ける」と手順をすべて決め打ちするやり方だった。一方で基盤モデルは、食材の性質や味の組み合わせという“料理の原理”を学んだ料理人のようなもの。状況を見て、何を作るかを判断し、工程をその場で組み立てる思考が可能。
この「原理を学んだ脳（基盤モデル）」をロボットに使うことで、ロボットも変わり始めている。決められた動きをする機械ではなく、状況を解釈し、自ら行動を選び、失敗から学ぶ存在へ。
本質は、「分解して設計する世界」から「統合し
