この記事は新野淳一氏のブログ「Publickey」に掲載された「GitLabがGoogle CloudとAI分野で提携、AIをGitLabツール群に統合。コードの自動生成、コードにある脆弱性の説明、コードレビュアーの推薦など実現」（2023年5月10日掲載）を、ITmedia NEWS編集部で一部編集し、転載したものです。 米GitLabとGoogle CloudはAI分野での提携を発表し、Google Cloudが提供するAI機能の「Vertex AI」などにより、GitLabのツール群にAIによる開発者の支援機能を組み込んでいくとしました。 そしてGitLabは5月3日付けのブログ「GitLab details AI-assisted features in the DevSecOps platform」で、今後どのようなAI関連の機能をGitLabに実装していくのかについて説明してい

Try Gemini 2.0 Flash experimental, our newest model with low latency and enhanced performance Bring generative AI to real-world experiences quickly, efficiently, and responsibly, powered by Google’s most advanced technology and models including Gemini. Plus, new customers can start their AI journey today with $300 in free credits.

TensorFlow Recommenders と Vertex AI Matching Engine によるディープ リトリーブのスケーリング ※この投稿は米国時間 2023 年 4 月 20 日に、Google Cloud blog に投稿されたものの抄訳です。 以前のブログ投稿で、Google Cloud でレコメンデーション システムを実装する方法として、（1）Recommendations AI によるフルマネージド ソリューション、（2）BigQuery ML での行列分解、（3）Two-Tower エンコーダと Vertex AI Matching Engine を使用したカスタムのディープ リトリーブ手法の 3 つを紹介しました。このブログ投稿では、3 つ目の選択肢について詳しく説明し、プレイリストのレコメンデーション システムを構築するために Vertex AI でエンド

データセンター設立により「Googleのツールやサービスを利用する際のアクセスを高速化し、より高い安定性を実現する」（Google）という。環境にも配慮するとして、寒冷期には外気を使ったサーバを冷却する仕組みなども搭載した。 関連記事 Googleが日本に約1000億円投資、ネットワークインフラ増強へ　2024年に千葉でデータセンター開設 Googleが日本のネットワークインフラに約1000億円を投資すると発表した。今後、日本とカナダを結ぶ海底ケーブルを開設する他、千葉県印西市に同社初の国内データセンターを開設する。 GoogleのピチャイCEO、「日本にも旗艦店を出したい」 Googleのスンダー・ピチャイCEOは来日中、日本でもオリジナルハードウェアの旗艦店を開設したいと語った。Pixelシリーズなどを体験、購入できる旗艦店の1号店はニューヨークにある。 AWS、日本リージョンに約34

Google Cloudは2023年3月15日（米国時間）、生成AI（人工知能）を利用したアプリケーションを簡単に構築できる新世代ツールを求める企業のニーズに応え、Google Cloudの機械学習（ML）プラットフォーム「Vertex AI」での生成AIサポートと、新ツール「Generative AI App Builder」を発表した。 生成AIは、新しいテキスト、画像、コード、動画、音声などを生成するAIや、これらを組み合わせて生成するAIを指す。Vertex AIでは、MLモデルやAIアプリケーションのトレーニングやデプロイ（展開）ができ、モデルの構築、デプロイ、スケーリングを高速化することが可能だ。 関連記事 生成系AI（ジェネレーティブAI：Generative AI）とは？ 用語「生成AI」について説明。全く新しいオリジナルのアウトプットを生み出すAI、具体的にはデジタルの画

この記事は kaggle用にNVIDIA A100 GPUを使いたかったので、 GCP&kaggleコンテナイメージを用いた環境構築に挑戦したところ、 思ったより難しくて数日を費やしてしまったので、備忘録として手順を整理しました。 GCPに手を出してみたいけど躊躇している方や、今現在同じように苦労している方の助けになれば幸いです。 （注意事項） あくまでkaggle用学習環境の構築方法であることにご注意ください。例えばプロダクト用のGPU環境が欲しい場合は、より適切な手順があると思います。 本記事では(筆者がPyTorchユーザーのため)Tensorflowはサポートしていません。 ただし、kaggleコンテナを開始するところまでは同じ進め方のはずなので、参考にはなると思います。 手順 (事前準備)GPUの割り当て申請 GCPでGPUを使用するためには、割り当ての申請を事前に行う必要があり

はじめに 2023年3月15日未明、OpenAIから GPT-4がリリースされ、Google CloudからはVertexAIの新機能として Generative AIが追加され、Generative AI App Builderのリリースが発表されました!! 奇しくも同日発表となったそれぞれのサービスに関してリリースドキュメントが公開されているので、要点を絞って両方紹介できればと思います 同時にGenerativeAIに関するサービスが発表されるあたり、この業界（この業界に閉じない可能性の方が高いけど）の歴史の分岐点にいる感じしますね サマリ (GPT-4) GPT-4は多くの学術的ベンチマークで 人間レベル（しかも成績優秀者）の性能を発揮し、既存の機械学習ベンチマークにおいても 他の先端モデルの精度を上回っている GPT-4はマルチモーダルなモデルであり、インプットとして画像とテキスト

※この投稿は米国時間 2023 年 3 月 14 日に、Google Cloud blog に投稿されたものの抄訳です。 ジェネレーティブ AI は、インタラクティブなマルチモーダル体験の新しい波の到来を告げるものであり、情報、ブランド、そして互いとの関わり方を変えるものです。Google Cloud は、AI に対する Google の数十年にわたる研究、革新、投資の力を活用し、企業や政府に対して、シンプルな自然言語のプロンプトからテキスト、画像、コード、動画、音声などを生成する機能を提供します。 この技術の可能性を実現することは、すべての開発者、企業、政府の手にこの技術が提供されることを意味します。これまで、組織がジェネレーティブ AI にアクセスすることは難しく、カスタマイズはおろか、時には信頼を損ないかねない不正確な情報が生成されることもありました。10 年前、企業や開発者が新しい

データアナリティクス事業本部の鈴木です。 クラスメソッド データアナリティクス通信(機械学習編) の2023年3月号です。2023年2月分のアップデート情報をお届けできればと思います。 AWSでは、特にAmazon Fraud Detectorが使いやすいように改善されているのが印象的でした。不正検知モデルをマネージドな環境で構築・運用できるサービスですが、これまでと比べて少ないデータ量からでも開始できるようにコールドスタート機能がサポートされたほか、データをインポートする際に分かりやすいようスマートデータ検証機能が追加されました。 Google Cloudでは、プレビュー版ですがVertex AI Pipelinesで、テンプレートギャラリーの機能が公開されました。 それでは各々のアップデートを振り返って行ければと思います。 ※ アップデートは機械学習チームメンバー内で業務に取り入れられ

凸版印刷：AI 運用パイプライン構築で作業時間を月 20 時間削減し、モデル構築と予測のコストを 10 分の 1 に削減 「すべてを突破する。TOPPA!!!TOPPAN」というブランド メッセージに基づき、印刷の領域だけではなく、デジタル マーケティングにおいても得意先に対するさまざまな領域での課題解決力を発揮している凸版印刷株式会社（以下、凸版印刷）。取り組みの 1 つとして、AI ソリューション「KAIDEL（カイデル）」を提供しています。この KAIDEL の AI ソリューションに、統合 AI プラットフォーム Vertex AI が採用されています。Vertex AI の導入プロジェクトについて、デジタルマーケティングセンターのセンター長、およびメンバー 2 名に話を伺いました。 利用しているサービス： Vertex AI、BigQuery、Cloud Storage、Clou

データアナリティクス事業本部の鈴木です。 クラスメソッド データアナリティクス通信(機械学習編) の2023年2月号です。2023年1月分のアップデート情報をお届けできればと思います。 先月は、AWSではAmazon Personalizeにて、直近の傾向を考慮できるレシピやインポート済みのデータセットの分析機能が追加され、非常に便利になりました。 Google Cloudでは、BigQuery MLとVertex AIの統合がさらに進み、BigQuery MLを使った機械学習機能の開発をより強力にサポートしようとしていることを実感する月でした。 それでは各々のアップデートを振り返って行ければと思います。 ※ アップデートは機械学習チームメンバー内で業務に取り入れられそうかを中心に確認しているので、一部取り上げられていないものもあるかもしれませんが、参考になりましたら幸いです。また、複数の

G-genの佐伯です。当記事では、Vertex AIのAutoML及びバッチ予測の基本的な操作方法を解説しながら、簡易的で且つ安価に予測データを収集できる手法を解説できればと考えます。前編では、Vertex AIのAutoML及びバッチ予測の基本的な操作方法を解説させていただきます。 Vertex AI AutoML とは 当記事で行う検証作業 検証作業内容 今回のトレーニングデータについて データの前処理 作業の主な流れ 対象となるデータをデータセットに登録する データセットを指定してAutoMLの学習処理を実行する 推論手法 バッチ予測 推論データの結果確認 まとめ Vertex AI AutoML とは AIのモデル作成は、高度なデータサイエンスの知識・経験が必要ですが、Vertex AI AutoMLを使用すれば、トレーニングデータをアップロードするだけで自動的に機械学習モデルを構

この記事は GMOアドマーケティング Advent Calendar 2022 23日目の記事です。 こんにちは、GMOアドマーケティングの平木と申します。 今回は、非エンジニアPdMの自分が、Vertex AIで広告配信用の機械学習モデルを作成してみた体験について書いていきたいと思います。 Vertex AIとは Vertex AIとはGoogle Cloud Platform 上における機械学習プラットフォームで、データの前処理からモデル構築、予測やデプロイまでを一元的に行うことができるプラットフォームです。 Vertex AIのAutoML を使用することで、コードを書かずにGUIベースの操作のみでモデルをトレーニングすることができるため、学習を兼ねて広告配信用の機械学習モデルを作成してみました。 何を予測する機械学習モデルを作成するか 今回は、広告配信用の機械学習モデルとしてより初

こんにちは。CADDiのAI LabでMLOpsエンジニアをやっている中村遵介です。 MLOpsチームは今から3ヶ月前に立ち上がったばかりの新しいチームなのですが、その前身としてAPI基盤を作っていた時期があったので、そこで得られた知見を書いていこうと思います。 背景 CADDiのAI Labは2021年の12月に立ち上がった今月1才になったばかりの組織です。その若さにも関わらず、日々有用なMLモデルが作成されていっています。 そのような中で、「新しく作ったMLモデルを素早くユーザにデリバリーしたい」という話が上がるようになりました。ここでいうユーザとはCADDi社員や社内システム、公開アプリケーションなどを指します。 そのため、AI Lab内で簡単に使用できるAPI基盤を作成することにしました。具体的には以下の体験を作ることを目指しました。 開発者に提供するAPIデプロイ体験 推論コード

Vertex AI Model Registry とは その名の通り、 ML モデルのバージョンを管理するための場所です。モデルのバージョン管理をするだけであれば GCS 等にモデルの情報を記載したテキストファイルを用意するなどの方法が考えられますが、 Vertex AI Model Registry を使うことの1番のメリットはやはり他の Vertex AI サービスとの親和性が高い点です。 例えば Model Registry に配置したモデルは以下のように利用できます。 テストデータに対するモデルの精度検証 Vertex AI Endpoint へのデプロイ バッチ予測の実行 また BigQuery ML や AutoML で学習されたモデルも Model Registry で管理できるため、 GCP の何らかのサービスで学習した ML モデルは全て Model Registry に

はじめに 株式会社 RetailAI X Advent Calendar 2022 の 8 日目の記事です。 昨日は@tanabe_shogoさんの『Node.jsを使って、BigQueryからデータを取得するWebAPIを作る』でした。 本日は ML エンジニアの@atsukishが担当します。普段は機械学習モデルの開発以外にも、機械学習モデルの安定的な開発・運用基盤である MLOps の開発も担当しております。MLOps については以下の弊社テックブログでわかりやすい解説がありますので、こちらも参照ください。 機械学習モデルを安定的に開発・運用していくためには、MLOps のような機械学習向けの運用基盤が必要となります。次の図に示すように MLOps において機械学習モデルのアルゴリズムに該当するソースコード（ML Code）はごく一部であり、必要となる周辺要素は膨大で複雑です。ML

ZOZO：A/B テストの結果 Recommendations AI により ZOZOTOWN 全体の注文金額、注文数、商品閲覧数で 101% 以上の効果を達成 1,500 以上のショップ、8,500 以上のブランドで、常時 90 万点以上のアイテムを提供し、毎日 2,600 点以上の新着商品を掲載（2022 年 6 月末現在）している日本最大級のファッション EC ZOZOTOWN を運営する株式会社ZOZO（以下、ZOZO）。膨大な商品の中から、ZOZOTOWN の利用者に「おすすめアイテム」を推薦するための仕組みに Recommendations AI を採用しています。推薦システムの導入プロジェクトについて、推薦基盤ブロックのブロック長、およびエンジニアに話を伺いました。 利用しているサービス： Recommendations AI、BigQuery、App Engine、Pub/

機械学習モデルのアプリケーションへの統合を容易にする Cloud Spanner 向け Vertex AI インテグレーション ※この投稿は米国時間 2022 年 11 月 19 日に、Google Cloud blog に投稿されたものの抄訳です。 Cloud Spanner は、業界トップクラスの整合性と可用性を環境の規模を問わずに実現するフルマネージド リレーショナル データベースです。金融サービス、小売、ゲームなどの業界では、あらゆる規模の組織が Spanner によってミッション クリティカルなアプリケーションを実行していますが、基幹業務アプリケーションを効率的に実行するだけでは不十分な場合が少なくありません。こうした組織は、手動による対策に頼るのではなく、機械学習（ML）モデルを活用して、ビジネス イベントやお客様のイベントに迅速かつスケーラブルな方法で対応したいと考えています

データアナリティクス事業本部の鈴木です。 先月から始まりましたクラスメソッド データアナリティクス通信(機械学習編) の12月号です。 今月は特にAWSでre:Invent2022が開催されるため、少し早いですが現時点までのアップデートを12月号としてご紹介します。 機械学習チームメンバー内で業務に取り入れられそうかを中心に確認しているので、一部取り上げられていないものもあるかもしれませんが、参考になりましたら幸いです。また、複数のパブリッククラウドのサービスを取り上げますが、比べたりする意図はありません。 AWS SageMaker Autopilotに関するアップデート 一括でバッチ推論が実行できるようになりました。 これまでAutopilotでバッチ推論をするには、以下の手順を踏む必要がありましたが、一括できるようになりました。 DescribeAutoMLJob APIを使用して一