こんにちは、データシステム部推薦基盤ブロックの寺崎（@f6wbl6）です。現在、推薦基盤ブロックではデータサイエンス部MLOpsブロックのメンバーと協力しながらMLOps基盤の構築を進めています。本記事ではMLOps基盤構築の一環として進めているVertex Feature Storeの機械学習システムへの導入に関する知見およびVertex Feature Storeを導入する上での制限や課題をご紹介します。 MLOps基盤に関する取り組みについては以下のテックブログでも取り上げていますので、こちらもご参照ください。 techblog.zozo.com techblog.zozo.com techblog.zozo.com 推薦基盤ブロックが抱える機械学習システムの課題 機械学習システムの課題に対する取り組み Feature Store 概要 Feature Storeの選定 Vertex
AI分野における利用契約で考えるべき「料金」「許諾範囲」「支払方法」：スタートアップとオープンイノベーション～契約成功の秘訣～（8）（1/4 ページ） 本連載では大手企業とスタートアップのオープンイノベーションを数多く支援してきた弁護士が、スタートアップとのオープンイノベーションにおける取り組み方のポイントを紹介する。第8回は前回の続きとして、AIやデータ分析サービス利用に際しての契約締結における留意点を取り上げる。 連載第7回の前回は、スタートアップとのオープンイノベーションに際しての事業化段階の留意点のうち、ライセンスに関する留意点をご紹介しました。 今回は、同じく事業化段階の留意点のうち、利用契約に関する留意点をご紹介します。 ⇒連載「スタートアップとオープンイノベーション～契約成功の秘訣～」バックナンバー ※なお、本記事における意見は、筆者の個人的な意見であり、所属団体や関与するプ
AIモデル学習の評価時／オペレーション時に発生するバイアスリスク、どう対処する？：エンジニアが知っておくべきAI倫理（3） 正しくAIを作り、活用するために必要な「AI倫理」について、エンジニアが知っておくべき事項を解説する本連載。第3回は、AIモデル学習の評価時、オペレーション時のバイアスリスクへの対処法について。 前回はデータのバイアスリスクへの対処法を、具体例を交えて解説した。今回は、AIモデル学習の評価時、オペレーション時のバイアスリスクへの対処法について解説する。考え方や手法、ツールがAI開発の一助になれば幸いだ。 AIモデルの不透明さ、不可解さをどう解決するか AIモデルにおいて、「精度は高いがなぜその出力がなされているか理解しがたい」といった問題が発生し得る。特にディープラーニングなどのAIモデルにおいて、モデルの入出力関係が解釈しづらく、ブラックボックスとなり、AIが誤った
医薬品などの原料となる化合物の構造データは機密性が高い。ゆえに製薬および化学系の企業ならびに機関において、データの持ち出しや他者との共有は困難であり、複数企業やアカデミアと連携した新薬開発などでは、データ共有が課題になっていたという。 NECは、データを暗号化したまま計算処理ができる秘密計算技術を用いた複数組織間のデータ統合の有効性の検証を目的に、京都大学大学院医学研究科（小島 諒介講師、岩田 浩明特定准教授、奥野 恭史教授）との継続的な議論をふまえて、創薬における予測モデルの構築に関する実証実験を昨年10月から5ヶ月間実施。様々な化合物とそれらの毒性が記載されているデータセットを用いた毒性予測モデル等を評価した。 実証実験では、連合学習技術を基盤として改良を加えた機械学習ライブラリkMoL（github）に同社の秘密計算技術を適用――機密データである化合物情報および活性情報等を直接拠出せ
［解決！Python］Excelワークシートに散布図を作成するには（OpenPyXL）：解決！Python from openpyxl import Workbook wb = Workbook() ws = wb.active values = [ ('生徒', '数学', '物理', '英語'), ('A', 82, 79, 32), ('B', 68, 58, 48), ('C', 66, 84, 71), ('D', 75, 52, 62), ('E', 28, 29, 44), ('F', 34, 28, 61), ('G', 96, 62, 68), ('H', 46, 54, 58), ('I', 20, 35, 51), ('J', 48, 55, 33) ] for v in values: ws.append(v) wb.save('sample_chart.xlsx'
はじめに 簡単に機械学習ができる、PythonのAutoMLライブラリである 「PyCaret」 について紹介いたします。 初めてのqiita投稿なので、温かい目で読んでいただけると嬉しいです。 機械学習は開発に時間がかかったり、専門的で難しいと感じる方もいると思いますが、AutoML を利用することで、効率よく機械学習を行うことができます。 AutoML とは、データの前処理やモデルの作成を自動化し、少ないコードで行うことができる仕組みです。 その一つに PyCaret というPythonベースのライブラリがあります。 PyCaret は以下のような方におすすめだと思います。 時間や手間をかけず機械学習をしたい方 「機械学習の勉強をしたいけれど、実装とか難しそう」と不安を抱えている方 PyCaret とは PyCaret は、PythonのAutoMLライブラリです。OSSで、MITライ
DeepProtectの特徴は「各金融機関のデータから導き出された統計情報だけを集めること」だ。データそのものは取り扱わないため、そこから個人の情報を識別できなくなっている。NICTらは「こうした仕組みで、機密性の高いデータを外部に開示することなく、複数の組織で連携して多くのデータを基にした機械学習を可能にした」としている。 「個別」と「連合」の組み合わせで検知精度向上 関連記事 ETL、BIサービスを組み込むセキュリティログ分析基盤の設計方針、サーバレスとフルマネージドがもたらす効果とは マーケティング分析で用いられているデータ基盤サービスを活用した、リクルートの「次世代セキュリティDWH」の構築事例を中心に、最新のセキュリティログ基盤の動向を紹介する連載。今回は、どのような思想とこだわりを持ってシステムを設計したのか解説する。 AIで「ATMの不正取引」を検知、ラックが独自技術で検知率
『Pythonからはじめるアルゴリズムトレード ―自動売買の基礎と機械学習の本格導入に向けたPythonプログラミング』 Yves Hilpisch 著、村上 振一郎 訳 2022年4月8日発売予定 368ページ（予定） ISBN978-4-87311-979-3 定価3,960円（税込） 『Pythonによるファイナンス 第2版』の著者が、アルゴリズムトレードを始める上で必要な自動売買の基礎と、機械学習を本格的に導入するために必要なPythonの知識について解説します。具体的には、アルゴリズムトレード用の適切なPython環境の設定、データの取得、NumPy/pandasを使ったデータ分析、トレード戦略のバックテスト、市場予測、ストリーミングのリアルタイム処理等、アルゴリズムトレードのさまざまな側面にPythonを適用するさまざまな手法を紹介し、自動トレード戦略を効率よく構築、デプロイす
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
