#機械学習 99件

イベントに参加したユーザーは、本当に熱量が上がったのか　存在しないデータと比較する「反実仮想機械学習」

Kaggleで得られるのは“技術領域の深化”と“専門分野の拡張”　DeNAのKaggle Grandmasterたちが語る、AIエンジニアとしての生存戦略

成績に応じて業務時間中にKaggleができる　世界トップクラスのKagglerが在籍する、DeNAの「Kaggle社内ランク制度」

音声、画像、自然言語処理の組み合わせで新しい価値を生み出す　世界トップの技術力を持つLINEが目指す“MiLAI”　

AIは間違いなく僕たちを創造的にしてくれる　大切なのは「人×AI」「人＋AI」というマインドセット

数億のユーザーデータを使って作る機械学習の仕組み　LINEのエンジニアが開発するサービス横断型レコメンデーション

AIが起こす「間違い」や「ゆらぎ」がおもしろい　「逸脱」を許容することで生まれる新しい創造性

AIと作り出す新しい表現のかたち　人間の猿真似ではない“創るためのAI”

AIはアーティストに成り得るか？　「人×AI」で生み出される新しい創造性のかたち

人間が見つけられなかった新しい結晶構造も発見　Optunaによるリートベルト解析自動化で得られたもの

XRDパターンの解析で大変なリートベルト解析の試行錯誤　Optunaを使った物質の“結晶構造解析自動化”

PyTorch→TensorFlowの変換　VGG16を用いた実践的なモデル移植

画像認証ライブラリ「timm」からモデルはどう選ぶのか　数百種類から最適な1つを決める時のポイント

「ベイズ最適化」と「枝刈り機能」で効率的な探索を実現　JVMパラメーターチューニングにおけるOptunaの活用　

TensorFlowとPyTorchの相互変換はどうやるか　機械学習の困りごとに使える重み変換のテクニック

数百種類のモデルを備える最強画像認識ライブラリ　「timm」のお手軽な使い方

タクシーの営業収益がMLモデルで1.4%、統計値で2.2%増加　Optuna×Kubeflow Pipelineで簡単にできるハイパーパラメーターチューニング

「走行ルートの推薦」をどう最適化するか　タクシー配車アプリ「GO」がOptunaを導入した理由

「精度の向上」「安定供給」「再利用性の向上」　LINEが属性推定システムのリニューアルで取り組んだ3つの改善ポイント

次元数480万以上の特徴量データからユーザーの属性を推定　LINEが属性推定システムのリニューアルで見えたさまざまな課題

「CMA-ES」の苦手をどう克服すればよいか　欠点を埋める派生アルゴリズム「Warm Starting CMA-ES」

フードデリバリーの多様な課題に向き合う　出前館の機械学習システム開発の裏側

どうすれば「注文」から「お届け」までがスムーズにつながるか　出前館が機械学習に取り組む理由

モデル評価とA/Bテストで売上増加率を約2倍に　LINEスタンプにおけるレコメンドエンジン改善プロジェクト

柔軟なKubernetes活用で分散機械学習や負荷テストも実現 LINEが開発した分散処理用RPCライブラリ

Optunaから簡単に利用できる「CMA-ES」　進化計算で最も有力な連続最適化問題のアルゴリズム

LINEが抱えるデータの価値を最大化するのがミッション　LINEのMachine Learning室の各チームが目指すLINEの価値創造

今より優れていればどんどん新しくしていく　LINEのMachine Learning室がチャレンジし続けるチームでいれるわけ

機械学習の煩雑なパラメーター管理の決定版　「Hydra」「MLflow」「Optuna」の組み合わせで手軽にはじめる一元管理

LINEには開発に専念できる環境がそろっている　機械学習・データ基盤開発・AIサービス開発部門でサーバーサイドエンジニアとして働く意義

「テキストの自動生成」で広がる超巨大言語モデルの可能性　LINEのAIが実現するイノベーション

LINEの広告やスタンプを適切に推薦するために　LINEの機械学習をバックアップする2つのチーム

Pure Pythonで書かれた“Optuna”の仕組み　ハイパーパラメーター自動最適化のフレームワーク

毎日2万回ダウンロードされるPreferred Networks（PFN）の“Optuna”　「探索空間」と「目的関数」でパラメーターを最適化する

自分と似ている人がブックマークしている作品は？　ピクシブ流“行列分解による逐次学習アルゴリズム”

IIJのSOCアナリストが検知と分析のサイクルを回すわけ　　DDos攻撃検知にAIを選ばなかった理由

悪性の通信振る舞いは簡単に見つかるのか　IIJの機械学習で検知するセキュリティの脅威

なんのためにMLを使うのかを意識する　メルカリアプリにおけるエッジAIの実装・運用のポイント

エッジAIを実装しても使われなければ意味がない　メルカリアプリの実例で見る実装・運用のポイント

ビッグデータ活用時のワークフローの大切さ　ZOZO研究所のエンジニアが感じた次元が違う300万画像の処理

LINE公式アカウントの“メッセージ送りすぎ問題”　機械学習でどのように解決したのか

大規模データを上手に分散処理するには　MLの独自ライブラリ開発から見たポイント

GPUを使っていかに効率よく機械学習をするか　LINEがML用に独自ライブラリを開発した理由

MLエンジニアがMLしやすくするために　ZOZO研究所研究開発エンジニアが語るビッグデータ活用術

機械学習できるデータを用意せよ　MLで重要なデータマネジメントの11領域

1

2 3