OFFICE風太郎

日本のエンジニア、風太郎です。問題解決が飯のタネです。仕事や生活で問題解決を活用したり、問題解決の基礎となる統計とかデータ分析の話をしていきます

トップ > 人工知能・機械学習

不景気の足音はAIバブル崩壊の序曲か？

人工知能・機械学習 品質工学
景気悪化で真っ先に削られる予算

　不景気になると真っ先に削られる予算は「今　お金を儲けていないお金」です。 必要なところから順番にいうと

  • 人件費（せいぜい残業減です）
  • 材料など収益を産みだすものの源泉
  • 家賃など会社を維持するためのものです。

　です。そのほかに、今収益を出している費用が優先で、出していない費用の優先順位は低いでしょう。
そして、残念ながら多くのAI関係の会社は直接利益をだしていないところも多く見受けられます。

今はバブル崩壊か？

　これから起こるのがバブル崩壊なのかどうかはわかりません。専門家で「やべー！」と思っていても、特に責任ある立場であるほど、それを言うことはできません。ただ、今までよくあったのが米国発の債権バブルです。10年前後に一回発生します。
米人って学習能力ないのか？とおもったこともあります。別の考え方をしてみると、最初儲けようと思った人が儲けて、最後は一般庶民や税金に押し付けることを繰り返しているということかもしれません。最近また債券リスクが言われ始めました。
　ただ、崩壊かどうかは別として、多くの企業の予算削減は行われるでしょう。

AIバブル崩壊の予感

　バブルに関しては下記のブログから引用します。

www.financepensionrealestate.work

このブログからさらに再引用になってしまってもう分けありません。ここに次のような言葉があります。

同書1では、 投機のエピソードに共通しているのは、 世の中に新しいものが現れたという考えがあると指摘しています。 その時々に革新的だと喧伝されるものは、例外なしに既成のやり方をごくわずかに変えてみただけのものだ、という指摘は核心をついている可能性があるのではないでしょうか。

　このような定義を考えるとAIはまさにこれにあたります。無から急に現れたわけではありません。過去の研究の蓄積があり、それが開花して技術が発展しています。 また、データ拡張(Data Augmentation)のように車輪の再発明のようなこともあります。（品質工学を学んでいる方はよくご存じでしょう）
　少なくともAIとは全く新しいものではありません。

　さらに

そして、投機の終わりに近い段階では、真に価値のある対象から離れ、確実性の乏しい対象へ向かうと指摘されています。2

とあります。最近のAI企業への投資状況をみるとそのようにも思われます。

バブル崩壊後の対応はどうすべきか？

　今か、いつかAIバブルが崩壊した後どうなるか考えてみます。

futaro.hatenadiary.jp

で考えたように、バブルが崩壊したとしてもいろいろな技術が得られるでしょう。まずはこの技術まで失わないようにする必要があります。その他は今までのバブル崩壊と同じようなことを行った企業が次の時代に生き残るでしょう。

  • 短期的に必ず生き残る
  • 長期的視点を必ず入れておく

短期的に生き残るためには、リストラなど収縮策でしょう。また、販売にテコ入れするのもあり得ます。松下幸之助氏は生産量を半分にして、その人材を販売に投入した3とあります。また、某自動車会社は技術のメンバーを販売に投入したこともあります。（うわさでは〇台売ると元職場に帰れるため、貯金を値引き原資に充てて、販売台数を稼いだというのもありました）
　また、長期的視点も大事です。先程松下幸之助氏の件では、その後さらに飛躍しました。しかし、先程の某自動車会社の例ではその後されに経営が悪化しました。単純に短期に生き残るだけではだめだということの証左でしょうか？
　その差はどこから来たのでしょうか？いろいろ考えることがあるでしょう。ここから先は経営のプロではないので、言及するのは尊大すぎると思いますが。生き残った企業はバブル崩壊前から計画して、バブル崩壊後にも脈々と手を打っていました。

　

  1. バブルの物語(A Short History of Financial Euphoria) ジョン・K・ガルブレイス↩

  2. 熱狂、恐慌、崩壊 金融恐慌の歴史 C・P・キンドルバーガー↩

  3. 不況を突破した決断 | 松下幸之助.com↩

技術書典に行ってみた

ITI機器 データサイエンス 人工知能・機械学習 技術書典
久々の同人誌即売会

　みなさんいかがお過ごしでしょうか？知らぬ間にまた肺炎になってしまった風太郎です。熱は出ない（出ても微熱程度）、白血球の数値も上がらないということで医者に見落とされていました。ある病院で細菌の培養検査とレントゲン（これもはっきりしなかった）、さらにCTではっきり分かったと言うことです。それまでは、検査してもはっきりしないけど原因不明の咳が出るという状況でした。 kutabirehateko.hateblo.jp 同じような方もいらっしゃるようです。コメントしようか、いらぬお節介か悩みますね。いろいろ考えて、ちょっとこれを公開したあとコメント残そうかも思います。
いらぬお節介で邪魔になった社会損失＜＜＜実は風太郎と同じ症状だった時の社会損失
　と考えたからです。（社会損失という言葉は品質工学で学びました）

　さて、本題の技術書典です。本当にこれは久しぶりです。十年以上ぶりの即売会参加です。楽しみにして東京へ向かいました。
　ご存じない方のためにリンクを貼っておきます。

techbookfest.org

簡単にいうと同人誌即売会の中でも「オンリーイベント」と言われるものです。

会場に行くまでも大変

　風太郎は田舎者です。ただ、池袋は仕事の都合上なんどか行ったことあるので安心していました。ここで大きな勘違いがありました。そこにサンシャインというビルがあると思い込んでいたのです。あんな大きなビル群だとは思いませんでした。入り口を入ると下りのエスカレータがあり、地下街が広がります。
　ここで大きく数１０分のロスをしてしまいます。おそらく相当ぐるぐるまわったのでしょう。大勢の人につられて歩いていったらアイドルのコンサート会場だったりもしました。やっと到着したのは１１時半も過ぎていた頃でした。

会場に到着、そして離脱

　１１時から開場ということで大きく出遅れました。最後尾に並びます。
　ここでやばいなーということがありました。焦って数十分小走りでした。その結果喉が乾いているのに、飲み物を一切持っていません。列はおそらく数千名です。「ここで、脱水症／熱中症になったらすごい運営に迷惑がかかる」と思って列を離脱しました。
　戻る時に一体どれぐらい人が並んでいるんだろう？と思って数えてみました。４人並んでいて、それを１００列まで数えます。ここで４００人の行列です。そこからざっくりと１０倍前後、最小５倍、最大２０倍でしょう。数千人の人が並んでいることになります。すごい人数だなぁと思いました。 　 　そのあと、椅子を見つけて、そこで１時間ちょっと休憩してから突入しました。

天国のような技術書典

　驚いたのは大手出版社があったことです。このようなことは通常の即売会でもあるそうですね。CQ出版社というインターフェイスとトランジスタ技術という雑誌の出版社のブースもありました。この二つの雑誌で人生決めたという思い出の出版社です。またインプレスから大量の電子書籍も出ていました。一部はKINDLEで購入したものもありますが、DRMなしなので再購入です。
　目的としたのは次の３冊です

  • 強化学習と進化学習ーブース自身がなし
  • マンガでわかるPRMLー印刷物なしのため電子書籍のみ
  • Kaggleチュートッリアルーこれは無事GET

　また、目的外としてマイコン関係の同人誌も手に入れることができました。これは幸いでした。ラズパイはパソコンでマイコンではない！という言葉も印象的です。 　とにかく楽しいイベントでした。 次回も行くぞー、できたらサークルチケットもゲットするように頑張ってみたいと思います。 そうなればおそらく最年長売り子の座を射留めることでしょう。

f:id:FUTARO:20190505152028j:plain
購入書籍の一部

【データサイエンス】データ分析環境について（WinPython編）

データサイエンス 人工知能・機械学習 分析環境
初学者にはお金が不要で構築できる環境を

　今からデータサイエンス（データ分析）をしようとしている人がソフトを購入するのは大変です。そのためここでは 「簡単に」 手に入れる方法を説明します。 　以前に データサイエンスとその環境について（無料環境） - OFFICE風太郎 でgoogle colaboratoryを紹介しました。しかし、自宅勉強ならともかく、職場ではネットで繋げないなどの問題があります。
そこで、自分のPCにインストールとなります。やはり、インストールなどは有償ソフトの方が楽だとも思います。 　有償ソフトで個人で購入できる値段は購入できそうなのはMatlabのアカデミック版だけでしょうか？
　それを購入するために通信制大学・大学院の放送大学に入学する人がいます。しかし、アカデミック版は有償ソフトのメリットのサポートがないのが気になります。 当然会社のPCにインストールすることはできません。なかなか高価なソフトでそう簡単に購入できなかったりします。
そこで、多くの人はPythonやRなどのオープンソースソフトを使うことになるでしょう。

オープンソースソフト（無料）

　多くの人が、PythonやRなどの無料ソフトを使っています。これを無料というと多くの人が反発するでしょう。ただ、初心者にとって、勉強のために多くの費用が必要な恐れをなくすことが大事だと考えてこのような表現にしました。
　初心者にはオープンソースという言い方とかわかりにくくて理解されないことが多くあります。そのため無料ソフトという名称を用いました。
　突っ込みたい人はいっぱいいると思いますがご容赦ください。

おすすめはWinpython

　このブログでは WinPython を進めます。

　多くの人は www.anaconda.com

を使っています。 　このAnacondaは大変よいパッケージ（ソフトウェアのセット）です。これを薦めるのは当然です。それでもあえて次のようなことを考えてこのWinPythonをお勧めします。

  • インストールそのものが不要（フォルダに展開するだけでいい）
  • そのためうまく動いた環境をそのまま他のPCに持っていける
  • ソースコード（*.Py）とセットで運用したらまるでアプリケーションのように運営できる

　と言ったメリットがあります。なぜこの環境を思い当たったか？それは次のような質問を受けたからです。
「Pythonを.EXE化できないか？」ということです。状況をいろいろ伺うと上記のような対応でできることがわかりました。それを伝えたところ「私は.EXE化したいんでる」としか言われませんでした。これは問題解決の視点からかなしいですね。.EXE化というのは目的を達成する手段です。問題解決で手段そのものを変更するのはかなり有効な方法です。

Winpythonの企業でのメリット

　上記のことから企業でのメリットがかなりあります。 その活用シーンを考えてみます。

まず第１に
　「構築済みの環境を手軽に配布できる」
　ということがあります。意外とソフトのインストールと、ライブラリのインストールは大変です。さらにバージョンとか合わせることはもっと大変です。これをフォルダ一つや、zipファイル一つで済むから楽です。

続いて、
　「ソースコードとセットで配布することにより、アプリケーションの様に取り扱える」
　直接実行すれば、それがまるでアプリケーションの様に動作します。これは実務だけじゃなく、研修とかのデモ用にも最適です。

最後に
　「動作が安定する」と言うことです。
　レジストリを汚したりしないので、動作が安定します。また、複数バージョンの共存も得意です。PCになれない人は意外と細かい操作をミスります。そこで、この様な形態で配布するとトラブルが少なくなります。

　以上の理由により、企業とかでPCの扱いに疎い人が多い場合に有効な分析環境と言えるでしょう。

参考）現在Anacondaでの最新バージョンのPython3.7は色々不具合があるようです。そこで旧バージョンはAnaconda installer archiveでダウンロードできます。

AIによってもたらされる次の世界（ボカロの次は？）

組織のあり方 人工知能・機械学習 ビジネスモデル

（約１９００字）

AI時代における生活

　風太郎の仕事の一つはAIの活用です。そのAI時代で多くの仕事がなくなるのではないか？と危惧されています。確かに多くの仕事はなくなるでしょう。反面多くの仕事も生まれていくことになります。そして多くの楽しみも生まれていくでしょう。
　ここでは仕事と生活について考えてみます。

２０世紀の少年が見た未来社会とそのギャップ

　遥か昔、未来世界を想像することが流行っていました。それらの多くの想像では「人は単純作業から解放されて余暇を満喫」していました。
そして、知的なことにのみ集中できる。クリエィティブなことに集中できる。ということでした。
　現実としては「単純作業から解放」されてはいません。しかし、「クリエィティブなこと」を色々行えるようになってきました。
　例えばこのブログです。２０世紀であれば、このようなアマチュアの文が人に読まれることはまずありませんでした。それを今読者様に読んでいただいています。 これは風太郎のブログだけではなく、多くの人のブログが多くの人に読まれています。また、ボカロ（ボーカロイド）によって多くの人の作詞、作曲した曲が配信されています。そのようにIT技術とインターネットの発展により、多くのクリエイティブなことが一般の人に解放されました。

期待する未来社会

AIバブルがもたらしたもの

AIがまたバブルに終わる予感ー無知が殺す未来ー - OFFICE風太郎で、今はAIバブルじゃないか？と考えました。そのイメージを図にしてみます。 バブルの時は実態以上に期待が高まります。経済的なバブルと異なり、期待値ほどではないが、一気に技術が高まると感じられます。

f:id:FUTARO:20190309173158p:plain
バブルのイメージ

　具体的にはGPUの大幅な進化、日々arXiv.org e-Print archiveなどに発表される新しい論文。Scikit-learnなどのライブラリの強力な進化です。
　これらのツールが我々の生活の裏側で働いています。

GDPで測れない豊かさ

　風太郎はもうおじいちゃんと言われても不思議じゃない年代です。その実感からいうと日本はGDPで見た上では経済成長していないと言われていますが、実際はかなり豊かになったと感じます。例えば、携帯電話やパソコンの普及のこです。仮に、遠距離のカップルが月に３万円電話代を使っていた昭和時代と比較すると、今はLINEで文字のやり取りや無料通話として考えると、マイナス３万円程度の経済の低下です。しかし、その統計とは別にコミュニケーションの実態としてはどんどん豊かになっています。このように金銭だけでは測れない豊かさが２１世紀だったと言えるでしょう。

AIのもたらす豊かさ

　今我々の生活の裏側では多くのAIが働いています。それが豊かさをもたらしています。では今後どのようになっていくのでしょうか？今風太郎が期待しているのは生成モデルです。それが今後我々を豊かにしてくれるのではないか？と考えています。

生成モデルの作り出す豊かさ

　生成モデルでは現在、グラフィック（キャラを作る）や情景（写真）、小説まで作れます。これは今のところ難しい操作が必要です。今後これが簡単になったらどうなるでしょうか？
　それに近いものがあると考えています。それは先ほど述べたボーカロイドです。ボーカロイドはそれまで歌手に歌わせることのできなかった人々に歌を作る道具を与えました。その結果、もうブームをすぎて定着の状況になっています。
　生成モデルは今まで作れなかったものを作れます。ひょっとしたら映画のようなものも作れるようになってくれるかもしれません。プロット与えると新しい小説を作るかもしれません。MMDなんかも簡単になるでしょう。そうすればもっとクリエイターが増えてくることになります。
　映画に例えるならば何億、何十億（円とかドルで）の制作費を用意しなくても机の上で作れるようになってくるかもしれません。そうすると映画の制作費は経済がダウンすることになりますが、様々な映画が出てくることになるでしょう。そのような未来社会を期待させます。

　

データサイエンスとその環境について（無料環境）

マネジメント データサイエンス 人工知能・機械学習

突然のデータサイエンス？いいえ違います。

　突然データサイエンスの話を始めました。実は突然じゃないんですよね、元々風太郎はそっちの方が専門です。
　ただ、このデータ分析に「問題解決スキル」と「プロセス構築スキル」がないと役に立たないんですよ。いくら、深層学習しようが、機械学習の技をかけようが、仕事としての成果につなげるためには、問題解決の問題点の解消に向けて行わないとダメです。また、プロセスをしっかりしないとやり直しや、無駄な作業が大量に発生します。

どういう環境で行うか？

　今まで会社ではGPU環境で行なっていました。自宅学習用はMACです。ちょっとだけAzureも使っていました。まわりにはGPU環境（コンシューマ用の１０８０や２０８０）を自宅に持っている人もいます。電気代が一割上がったとか、夏場は換気扇付近に放熱器取り付けると言っています。
　これらの環境は「高価」ですよ。ざっくりと最低２０万円、３０〜４０万は必要でしょうか？それを出すのはきついです。また、置き場所も大変です。場所も必要ですし、熱・音・光もあります。専用部屋が欲しいぐらいです。そう言った知り合いは「一戸建て」「独身」のどちらかでした。
　そこでクラウドでしょうか？一時間百円程度で借りられます。１０万円分で１０００時間です。これを安いと見るか高いと見るか悩むところです。ものすごく重い処理をしていたら大赤字です。 ちょっと見積もってみました。 　パソコン工房（ https://www.pc-koubou.jp/ ）で、RTX2070、１６RAM、i5（６コア）、５００GSSD(PCI）＋１THDDで約２３万です。 初心者がちょっとやってみようという金額ではありませんね。 やっぱりクラウドでやってみましょう。 ここではAzureとGoogleColabotryを取り上げてみます。　GoogleColabotoryは有名なんですがなんか情報少ないです。

Google Colaboratoryは”無料”のGPU開発環境

　なんといっても無料です。（情報とか取られているので無償じゃないかも？ですが）しかもGPUが無料です。 １２時間連続までという制限はありますが、それでも約１２００円相当です。

導入されているライブラリは次の通りです（CPU）　 Package Version

absl-py 0.6.1
alabaster 0.7.12
albumentations 0.1.8
altair 2.3.0
astor 0.7.1
astropy 3.0.5
atari-py 0.1.7
atomicwrites 1.2.1
attrs 18.2.0
audioread 2.1.6
autograd 1.2
Babel 2.6.0
backports.tempfile 1.0
backports.weakref 1.0.post1
beautifulsoup4 4.6.3
bleach 3.0.2
bokeh 1.0.2
boto 2.49.0
boto3 1.9.67
botocore 1.12.67
bs4 0.0.1
bz2file 0.98
cachetools 3.0.0
certifi 2018.11.29
cffi 1.11.5
chainer 5.0.0
chardet 3.0.4
Click 7.0
cloudpickle 0.6.1
cmake 3.12.0
colorlover 0.2.1
community 1.0.0b1
contextlib2 0.5.5
coverage 3.7.1
coveralls 0.5
crcmod 1.7
cufflinks 0.14.6
cvxopt 1.2.2
cvxpy 1.0.11
cycler 0.10.0
cymem 2.0.2
Cython 0.29.2
cytoolz 0.9.0.1
daft 0.0.4
dask 0.20.2
datascience 0.10.6
decorator 4.3.0
defusedxml 0.5.0
dill 0.2.8.2
distributed 1.25.1
Django 2.1.4
dlib 19.16.0
dm-sonnet 1.23
docopt 0.6.2
docutils 0.14
dopamine-rl 1.0.5
easydict 1.9
ecos 2.0.7.post1
editdistance 0.5.2
en-core-web-sm 2.0.0
entrypoints 0.2.3
et-xmlfile 1.0.1
fa2 0.2
fancyimpute 0.4.2
fastcache 1.0.2
fastdtw 0.3.2
fastrlock 0.4
fbprophet 0.3.post2
featuretools 0.4.1
filelock 3.0.10
fix-yahoo-finance 0.0.22
Flask 1.0.2
folium 0.2.1
future 0.16.0
gast 0.2.0
GDAL 2.2.2
gdown 3.6.0
gensim 3.6.0
geographiclib 1.49
geopy 1.17.0
gevent 1.3.7
gin-config 0.1.2
glob2 0.6
google 2.0.1
google-api-core 1.7.0
google-api-python-client 1.6.7
google-auth 1.4.2
google-auth-httplib2 0.0.3
google-auth-oauthlib 0.2.0
google-cloud-bigquery 1.1.0
google-cloud-core 0.28.1
google-cloud-language 1.0.2
google-cloud-storage 1.8.0
google-cloud-translate 1.3.2
google-colab 0.0.1a1
google-resumable-media 0.3.1
googleapis-common-protos 1.5.5
googledrivedownloader 0.3
graph-nets 1.0.2
graphviz 0.10.1
greenlet 0.4.15
grpcio 1.15.0
gspread 3.0.1
gspread-dataframe 3.0.2
gunicorn 19.9.0
gym 0.10.9
h5py 2.8.0
HeapDict 1.0.0
html5lib 1.0.1
httpimport 0.5.16
httplib2 0.11.3
humanize 0.5.1
hyperopt 0.1.1
ideep4py 2.0.0.post3
idna 2.6
image 1.5.27
imageio 2.4.1
imagesize 1.1.0
imbalanced-learn 0.4.3
imblearn 0.0
imgaug 0.2.6
imutils 0.5.2
inflect 2.1.0
intel-openmp 2019.0
intervaltree 2.1.0
ipykernel 4.6.1
ipython 5.5.0
ipython-genutils 0.2.0
ipython-sql 0.3.9
ipywidgets 7.4.2
itsdangerous 1.1.0
jdcal 1.4
jieba 0.39
Jinja2 2.10
jmespath 0.9.3
joblib 0.13.0
jpeg4py 0.1.4
jsonschema 2.6.0
jupyter 1.0.0
jupyter-client 5.2.4
jupyter-console 6.0.0
jupyter-core 4.4.0
kaggle 1.5.1.1
kapre 0.1.3.1
Keras 2.2.4
Keras-Applications 1.0.6
Keras-Preprocessing 1.0.5
keras-vis 0.4.1
knnimpute 0.1.0
librosa 0.6.2
lightgbm 2.2.2
llvmlite 0.26.0
lmdb 0.94
lucid 0.3.6
lxml 4.2.5
magenta 0.3.19
Markdown 3.0.1
MarkupSafe 1.1.0
matplotlib 2.1.2
matplotlib-venn 0.11.5
mesh-tensorflow 0.0.5
mido 1.2.6
mir-eval 0.5
missingno 0.4.1
mistune 0.8.4
mkl 2019.0
mlxtend 0.14.0
more-itertools 4.3.0
moviepy 0.2.3.5
mpi4py 3.0.0
mpmath 1.1.0
msgpack 0.5.6
msgpack-numpy 0.4.3.2
multiprocess 0.70.6.1
multitasking 0.0.7
murmurhash 1.0.1
music21 5.5.0
natsort 5.5.0
nbconvert 5.4.0
nbformat 4.4.0
networkx 2.2
nibabel 2.3.1
nltk 3.2.5
nose 1.3.7
notebook 5.2.2
np-utils 0.5.7.0
numba 0.40.1
numexpr 2.6.8
numpy 1.14.6
oauth2client 4.1.3
oauthlib 2.1.0
okgrade 0.4.3
olefile 0.46
opencv-contrib-python 3.4.3.18
opencv-python 3.4.4.19
openpyxl 2.5.9
osqp 0.5.0
packaging 18.0
pandas 0.22.0
pandas-datareader 0.7.0
pandas-gbq 0.4.1
pandas-profiling 1.4.1
pandocfilters 1.4.2
pathlib 1.0.1
patsy 0.5.1
pexpect 4.6.0
pickleshare 0.7.5
Pillow 4.0.0
pip 18.1
plac 0.9.6
plotly 1.12.12
pluggy 0.8.0
portpicker 1.2.0
prefetch-generator 1.0.1
preshed 2.0.1
pretty-midi 0.2.8
prettytable 0.7.2
progressbar2 3.38.0
promise 2.2.1
prompt-toolkit 1.0.15
protobuf 3.6.1
psutil 5.4.8
psycopg2 2.7.6.1
ptyprocess 0.6.0
py 1.7.0
pyasn1 0.4.4
pyasn1-modules 0.2.2
pycocotools 2.0.0
pycparser 2.19
pydot 1.3.0
pydot-ng 2.0.0
pydotplus 2.0.2
pyemd 0.5.1
pyglet 1.3.2
Pygments 2.1.3
pygobject 3.26.1
pymc3 3.5
pymongo 3.7.2
pymystem3 0.2.0
PyOpenGL 3.1.0
pyparsing 2.3.0
pysndfile 1.3.2
PySocks 1.6.8
pystache 0.5.4
pystan 2.18.0.0
pytest 3.10.1
python-apt 1.6.3
python-chess 0.23.11
python-dateutil 2.5.3
python-louvain 0.11
python-rtmidi 1.1.2
python-slugify 1.2.6
python-utils 2.3.0
pytz 2018.7
PyWavelets 1.0.1
PyYAML 3.13
pyzmq 17.0.0
qtconsole 4.4.3
regex 2018.1.10
requests 2.18.4
requests-oauthlib 1.0.0
resampy 0.2.1
rsa 4.0
s3fs 0.2.0
s3transfer 0.1.13
scikit-image 0.13.1
scikit-learn 0.20.1
scipy 1.1.0
screen-resolution-extra 0.0.0
scs 2.0.2
seaborn 0.7.1
setuptools 40.6.3
simplegeneric 0.8.1
six 1.11.0
sklearn 0.0
smart-open 1.7.1
snowballstemmer 1.2.1
sortedcontainers 2.1.0
spacy 2.0.18
Sphinx 1.8.2
sphinxcontrib-websupport 1.1.0
SQLAlchemy 1.2.15
sqlparse 0.2.4
stable-baselines 2.2.1
statsmodels 0.8.0
sympy 1.1.1
tables 3.4.4
tabulate 0.8.2
tblib 1.3.2
tensor2tensor 1.11.0
tensorboard 1.12.1
tensorboardcolab 0.0.22
tensorflow 1.12.0
tensorflow-hub 0.2.0
tensorflow-metadata 0.9.0
tensorflow-probability 0.5.0
termcolor 1.1.0
terminado 0.8.1
testpath 0.4.2
textblob 0.15.2
textgenrnn 1.4.1
tfds-nightly 0.0.2.dev201812180014 tflearn 0.3.2
Theano 1.0.3
thinc 6.12.1
toolz 0.9.0
tornado 4.5.3
tqdm 4.28.1
traitlets 4.3.2
tweepy 3.6.0
ujson 1.35
umap-learn 0.3.7
Unidecode 1.0.23
uritemplate 3.0.0
urllib3 1.22
vega-datasets 0.7.0
wcwidth 0.1.7
webencodings 0.5.1
Werkzeug 0.14.1
wheel 0.32.3
widgetsnbextension 3.4.2
wordcloud 1.5.0
wrapt 1.10.11
xarray 0.11.0
xgboost 0.7.post4
xkit 0.0.0
xlrd 1.1.0
xlwt 1.3.0
yellowbrick 0.9
zict 0.1.3
zmq 0.0.0

Googleなので、当然tensorflow,Kerasはあります。そして当然、Chainer,Pythorchはありません。 ただ、pipでその都度導入することはできます 自分の勉強用としては最適ではないでしょうか？また、１２時間以上かかるときは途中経過を保存しておいても良いと思います。 　環境はCPU(None）GPU、TPUを選ぶことができます。TPUというのがGoogleが深層学習用に作ったものらしいです。実行速度も魅力ですが、Out of memoryにならないのが魅力ですね。

機械学習を学ぶためには

　ライブラリには深層学習のフレームワークだけでなく、Scikit-learnもあります。先ほど述べたように、その場でライブラリのインストールもできます。インストール時間は意外と早かったりする場合も多くあります。
　このように「まず、データサイエンスやってみたい」っていう人にはオススメの環境です。　

今回はここの記事を参考にしました。 qiita.com

qiita.com

www.codexa.net

AIがまたバブルに終わる予感ー無知が殺す未来ー

人工知能・機械学習 データサイエンス

バブルとは？

　バブルはいろいろなところで使われます。特に経済的なバブルが有名ですね。その定義はいくつもあるようです。その中でわかりやすいと思うのは田口玄一博士の言葉です。下記にそれを示します。（やや風太郎がモデファイ）

経済の成長が生産性の向上を超えている時に発生する

　と言うことです。
　なぜ、経済の成長が生産性向上を超えるか？その理由は、根拠のない期待でしょう。いままでそういうバブルを繰り返していました。

　今も同様に人工知能が根拠のない期待によるバブルである気がしてしかたありません。

　マスメディアからは「人工知能が仕事を奪う」「人工知能が人間を超える２０４５年問題」などいろいろあります。これはフィクションのネタにはなります。先日も雑誌で２０４５年問題に関係するマンガを読みました。マスメディアの論調はこのレベルと大きく変わらないレベルも多いように感じられます。

仕事を奪うということ
　これは悪意ある言葉の使い方でしょう。投入した価値に対して出てくる価値、これを生産性と定義します。文明というのはこれを高めることをおこなってきました。必要な量を確保すると、それに携わる人が減ってきます。ずっと仕事を奪い続けていたと言えます。例えば、江戸時代は農民の数は７割とか８割とかと言われいます。今の日本でそれだけの人が農業に携わったら、農作物があまりすぎるでしょう。その分が他の産業に携わっています。また、みなさんがこのブログを見ているパソコンとかスマホは性能に対して、携わっている人などがかなり少なくなっています。こちらの場合は機能向上のため携わっている人は増えている様ですね。
　この様に同じ価値を少ない人、同じ人ならさらに高い機能を供給することが、生産性向上です。これを、悪意ある言い方だと、仕事を奪う、場合によっては労働強化とかいう言葉が使われています。　
　先ほど述べたように、生産性向上は耐えず行われています。風太郎が若い頃は先輩の方には林業などから転職した人がたくさん働いていました。また、先輩たちの世代から離農や兼業農家になった方もいらっしゃいました。このように、産業構造は絶えず変わり続けています。歴史的に見ると近代（明治以降）では昭和の終わりから平成にかけての方が変わらないぐらいじゃないでしょうか？

人工知能が人間を超える２０４５年問題
　これはシンギュラリティと言われていることです。AIがAIを生み出すことによって人間を超えるということです。「ない」と言い切ることはできませんが、「ある」ということをいう方が難しいでしょう。元々は演算処理能力が人間を超えることからきているようです。
技術的特異点 - Wikipediaで調べました。
　しかし、これはハードウェアの進化です。単純な演算能力だと世界のコンピュータの演算処理能力の総計は人間を超えているでしょう。しかし、それに見合うソフトウェアはそう簡単に出てきません。人間を超える様なソフトはまだ提唱されていません。
　ただ、これに対しては自信がないところもあります。ある時大天才がなんとかしちゃうかもしれません。しかし、現実はそういうのはどんどん複雑化しており、一人の人が全て開発するのは極めて困難でしょう。昔のフィクションでは一人の天才が複雑なものを作っていました（鉄腕アトム、マジンガーZ）。しかし、現実としては一人では無理なため、倫理含めて制限がかかることが考えられます。「悪の天才科学者XXXX」なんていうのは出てくることはありません。
　小説「未来の二つの顔（JPホーガン）」は国家レベルの実験で人工知能を進化させていました。それぐらいの規模は必要かもしれません。
　そういった計画がない現在では「２０４５年問題」は空想でしょう。

その他
　転移学習や、強化学習などの記事が出ています。どちらも「簡単に」っていうことが言われています。しかし、それもそう簡単ではありません。詳しくは説明しませんが、風太郎の経験では、かなり大変なものです。

バブルの何が問題か？

　そうやって、人々が気にしてくれて予算やら人材やら連れてくるのはいいことです。問題は期待通りの成果が出なくてバブルが弾けたあとです。例えば二次ブームのあとです。その時風太郎は人工知能の研究者と近いところにいました。その当時バブルはじけてひどいものでした。風太郎は、「冷たい目で見る方でした」実際ディープラーニングを最初に聞いた時は「え？なに？ニューラルネットワーク？そんなの要らない！」って言い切りました。
　あの、二次ブームの狂騒を知らなかったらもっと素直に取り組めたかも？と思います。また、二次ブームの後、多くの予算がカットされました。
　こういう風に今の熱狂とマスコミの伝え方からバブルの崩壊とその反動を恐れます。二次ブームの終焉後に日本ではかなり厳しい状況になった様です。しかし、アメリカは着実に研究を進めて居ました。また、イギリスでもオックスフォード大学などで研究が進められていた様です。今回も同じ様なことが起これば、この世界でまた米英と差がつくと思います。必要なのは、熱狂やブームではなく着実に研究や実用化を進めることでしょう。それに対してバブル崩壊は大変危険だと心配している今日この頃です