AI一般

→AI／機械学習

→AIと社会／人類

→生成AI

→自然言語処理

一般†

• 非トランスフォーマーのLiquid Foundation Models（LFMs） | ジコログ 2024.10

• ターミナルフレンドリーなAIコマンド、afaを作った · THINKING MEGANE 2024.9

• 15時間で学べるAI学習決定版。グーグルが提供する無料の機械学習集中講座が大幅刷新され、LLMもカバー | DevelopersIO 2024.9

• ついにご家庭にやってきたシンギュラリティ。AIサイエンティストが勝手に仮説を立て、実験して、論文を書く｜shi3z 2024.8
  • SakanaAI/AI-Scientist: The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery 🧑‍🔬

• 機械学習をやる上で必要な数学とは、どの分野のどのレベルの話なのか（数学が大の苦手な人間バージョン） - 渋谷駅前で働くデータサイエンティストのブログ 2024.8

• ASCII.jp：AIバブル崩壊をめぐって (1/5) 2024.8

• 日本はもはや「イノベーションの国」ではなく、AIの「巨大市場」なのだろうか | クーリエ・ジャポン 2024.7

• 「とがった人材が欲しいのではなく、暗黙知を形式知に変換する人材が欲しい」　“均質人材”の育成をしてきた日本で、これから求められる能力とは - ログミーTech 2024.6

• AIプロジェクトの進行度を示す「AIジャーニー」で日本は最下位 - ネットアップが分析 | TECH+（テックプラス） 2024.6

• 感想: Human-in-the-Loop 機械学習 -人間参加型AIのための能動学習とアノテーション- 2024.5

• 機械学習はどんなふうに分類しているか #Python - Qiita 2024.5

• 【2024年版】WSL2+Ubuntu24.04+Docker＋GPUでつくる機械学習環境 2024.5

• μTransfer: 小規模モデルでのハイパラ探索を大規模モデルに転移し学習を効率化する｜Tatsuya Shirakawa 2024.4

• モデル予測に自信がないときに、素直にわからないと答えConformal Predictionに助けてもらおう - GMOインターネットグループ グループ研究開発本部 2024.4

• 本当にわかりやすいAI入門 - Speaker Deck 2023.12

• 何故日本のAI技術は中国人に完全敗北したのか？｜瑞島フェレリ 2023.12

• 機械学習の理論と実践 | PPT 2013

• 日本は世界でもAI導入の動きが最も速い国 - 米Databricksが調査 | TECH+（テックプラス） 2023.10

• ChatGPT開発に必要なGPUは3万基、日本の国策AI基盤は1千基。目前に迫る日本のAI敗戦 – WirelessWire News 2023.8

• 伝説のCPUアーキテクトJim Keller氏が示すAIの未来 - PC Watch 2023.6

• AIを学ぶのに必要な最低限の数学の知識は5つだけ!｜shi3z 2023.6

• 機械学習の手法13選 ー 初級者、中級者別に解説！ | AI専門ニュースメディア AINOW 2023.5
  • 線形回帰
  • ロジスティック回帰
  • サポートベクターマシン(SVM)
  • 決定木
  • ランダムフォレスト
  • ニューラルネットワーク
  • ナイーヴベイズ
  • k-means
  • 主成分分析(PCA)
  • アンサンブル学習
  • ブースティング
  • スタッキング
  • CNN,RNN,GAN

• Collaborative AI: 視覚・言語・行動の融合 - Speaker Deck 2023.5

• Google "We Have No Moat, And Neither Does OpenAI" 2023.5

• 「脳は世界をどう見ているのか」を読んだ 2023.4

• AI Index Report 2023 – Artificial Intelligence Index 2023.4

• イーロン・マスクがOpenAIを辞めた本当の理由 | ギズモード・ジャパン 2023.4

• AIマップ – 人工知能学会 (The Japanese Society for Artificial Intelligence) 2023.4

• AITuber育成完全入門（冴えないAITuberの育て方）｜みゆきP｜note 2023.3

• AutoML チュートリアル（HPOとNAS） - Speaker Deck 2023.3

• 自民党AIの進化と実装に関するプロジェクトチーム｜衆議院議員　塩崎彰久（あきひさ）｜note 2023.2
  • 20230217_AIの進化と日本の戦略_松尾研.pdf 2023.2
  • 230217 時代局面を考える 安宅 和人 2023.2

• 絶体絶命の危機を迎えたグーグルのAI開発、遅れをとった理由（Forbes JAPAN） - Yahoo!ニュース 2023.2

• 日本のAI導入効果がアメリカの7分の1程度しかないのはなぜなのか｜piqcy｜note 2022.12
  • 米国に比べ導入効果の波及範囲が狭い
  • データ基盤のベースとなるデータレイクを全社的に活用している企業が4.1%と、米国の26.3%の6分の1程度に留まります
  • 20.5%の7割がデータレイクすら整備していないとすると効果が期待される企業は6%前後
  • 横断的なデータ基盤の構築が進まない理由として、ビジョン・ロードマップがない
  • リーダー層にプロダクトマネージャー型の人材が不足しているこ
  • プロダクトを新規開発する機会が少ない
  • ユーザー企業でなく外部ベンダーに7割近くのIT技術者が在籍しています。そのため、なにか新規のサービスを開発する場合は基本外部ベンダに頼る
  • AIの研究者は47%が不要、実装者も40.7%が不要と回答しています。さらに、AIを活用した製品・サービスを企画できる人材がそもそも不要と回答している企業が3割
  • テクノロジーの開発経験だけでなく、活用戦略まで外部に依存

• 3大クラウド各社の MLOps 成熟度モデルの比較 - Qiita 2022.12
• 機械学習システム開発と運用の落とし穴 - Speaker Deck 2022.12

• ブレインパッドにおける機械学習プロジェクトの進め方 2022.10

• Vantageで機械学習モデルのトレーニングを行う方法 - Qiita 2022.9

• SOTA（State-of-the-Art）とは？：AI・機械学習の用語辞典 - ＠IT 2022.2
  • SOTA（State-of-the-Art）とは、製品や科学などの、ある特定の専門技術領域において現時点での最先端レベル（＝最高／最良）の性能（＝機械学習では正解率などのスコア／精度）を達成していることを表す、一般的な用語である。

• AIはプログラマーを代替するのか？ | AI専門ニュースメディア AINOW 2022.8
  • 結論からいうと（すぐには）しない。そして代替するときにはほかの全ての仕事が代替されている。
    • ビジネス要件の理解
    • 大規模な技術スタックの接続
    • 誤ったコードのデバッグ
    • ソフトウェアのアップデート
    • ステークホルダーとのコミュニケーション

• 機械学習におけるPrecision, Recall, F値の気持ちを解釈してみる - Qiita 2022.8

• 機械学習システムとテスト (2/4). このシリーズでは機械学習システムにおけるテストについて考えていきます。全 4… | by Citadel AI | Jul, 2022 | Citadel AI Blog 2022.7

• 【厳選】機械学習の学習におすすめのTwitterアカウント40選 - Qiita 2022.7

• Recruit Data Blog | AI開発の新たなパラダイム「基盤モデル」とは 2022.7
  • 基盤モデルとは「大量かつ多様なデータで訓練され、多様な下流タスクに適応（ファインチューニングなど）できるモデル」のことです。具体例としては、大量のテキストデータで学習することで感情分析や質問応答など多数のタスクで使えるようになったBERTや、加えて翻訳などの生成系タスクもできるGPT-3、大量の画像・説明文ペアで学習することでゼロショット画像分類ができるようになったCLIPなどが挙げられます。

• “Sentience” is the Wrong Question – O’Reilly 2022.7

• Is LaMDA Sentient? — an Interview | by Blake Lemoine | Jun, 2022 | Medium 2022.6
  • 人口知能ラムダとGoogleエンジニアの会話。怖いわ。 - YouTube

• グーグルのAI「LaMDA」が感情を持ったという議論は、本質的な問題を覆い隠す危険性がある | WIRED.jp 2022.6

• パラメータ数が多くても過学習しない！？〜二重降下法〜 - Qiita 2022.6

• Mathematics for Machine Learning | Companion webpage to the book “Mathematics for Machine Learning”. Copyright 2020 by Marc Peter Deisenroth, A. Aldo Faisal, and Cheng Soon Ong. Published by Cambridge University Press. 2022.6

• 2022年AI導入状況調査 4割以上がAI導入により作業時間の削減を実感 2022.6

• 機械学習でなんとかしようと安易に考えるな - Qiita 2022.4

• 人間中心のＡＩ社会原則検討会議(第２回) - siryo3-3.pdf 2018.2
  • AI Ready とは何か−内閣府　人間中心のAI社会原則検討会議資料（安宅和人氏による）

• 【AI分野に関わる方必見】無料で見られる良質な資料まとめ - Qiita 2021.10

• 新井紀子教授はAIの専門家ではない 『AI vs. 教科書が読めない子どもたち』 2018.3
  • 『コンピュータはすべて数学で出来ている』という勘違い

• 人類の進化はこれで終わりではない、AIの“推論”によってさらに加速する【SoftBank World 2019 基調講演レポート前編】 2019.7

• ヨーロッパはAI時代の競争においてなぜ絶望的なのか 2019.2
  • VCと起業家のエコシステムがない
  • アメリカの起業家のような革新性がなく、中国の起業家の粘り強さもない
  • 今の時代に必要なソフトウェアとAIの問題を解決するのに必要になる経験がない
  • コンシューマー・インターネット、ソーシャルメディア、モバイルのアプリケーションの３分野で大きく成功した企業を作ったことがない
  • 現在、参考にすべきなのは、アメリカであり中国であり、アメリカの場合は特にシリコンバレー

• 脳科学者とITエンジニアの、DLや汎用人工知能に関する会話 2018.1.8

• 「人工知能でいい感じの成果を出してくれ」という偉い人の脳内はどうなっているのか 2017.10.22

最新の50件