Sprint, MCI, AGIS, UUnet, PSINet ISP ISP ISP

Size: px

Start display at page:

Download "Sprint, MCI, AGIS, UUnet, PSINet ISP ISP ISP"

Baldric Banks
5 years ago
Views:

2 Sprint, MCI, AGIS, UUnet, PSINet NAP NAP ISP ISP ISP

3 IXP IXP IXP ISP ISP

1.50 1.00 0.50 0.00 0.1 0.4 0.7 1.0 1.3 1.6 1.

2 5.5 5.8 6.1 6.4 6.7 7.0 7.3 7.6-0.50-1.00-1.

15 アルゴリズムとして実装

17 機械学習によるモデル化

18 帰納的実装

28 Zuckerberg & LeCun 2013 Hinton bidding Hinton & MSR

30.0% 152 層 160 25.0% 140 20.0% 8 層 120 100 15.0% 8 層 80 10.0% 19 層 22 層 60 40 5.0% 20 0.

29 30.0% 152 層 % % 8 層 % 8 層 % 19 層 22 層 % % NEC America 2011 Xerox 2012 AlexNet 2013 Clarifity 2014 VGG 2014 GoogleNet Human 2015 ResNet

soft max2 Soft maxact ivat ion AlexNet, 8 layers (ILSVRC 2012) 11x11 conv, 96, /4, pool/2 5x5 conv, 256, pool/2 3x3 conv, 384 VGG, 19 layers (ILSVRC 2014) 3x3 conv, 64 3x3 conv, 64, pool/2 3x3 conv,

30 soft max2 Soft maxact ivat ion AlexNet, 8 layers (ILSVRC 2012) 11x11 conv, 96, /4, pool/2 5x5 conv, 256, pool/2 3x3 conv, 384 VGG, 19 layers (ILSVRC 2014) 3x3 conv, 64 3x3 conv, 64, pool/2 3x3 conv, 128 GoogleNet, 22 layers (ILSVRC 2014) FC AveragePool 7x7+ 1(V) Dept hconcat Conv Conv Conv Conv 1x1+ 1(S) 3x3+ 1(S) 5x5+ 1(S) 1x1+ 1(S) Conv Conv MaxPool 1x1+ 1(S) 1x1+ 1(S) 3x3+ 1(S) Dept hconcat 3x3 conv, 384 3x3 conv, 128, pool/2 Conv Conv Conv Conv 1x1+ 1(S) 3x3+ 1(S) 5x5+ 1(S) 1x1+ 1(S) soft max1 Conv Conv MaxPool 1x1+ 1(S) 1x1+ 1(S) 3x3+ 1(S) Soft maxact ivat ion 3x3 conv, 256, pool/2 3x3 conv, 256 MaxPool 3x3+ 2(S) FC Dept hconcat FC fc, 4096 fc, 4096 fc, x3 conv, 256 3x3 conv, 256 3x3 conv, 256, pool/2 Conv Conv Conv Conv Conv 1x1+ 1(S) 3x3+ 1(S) 5x5+ 1(S) 1x1+ 1(S) 1x1+ 1(S) Conv Conv MaxPool AveragePool 1x1+ 1(S) 1x1+ 1(S) 3x3+ 1(S) 5x5+ 3(V) Dept hconcat Conv Conv Conv Conv 1x1+ 1(S) 3x3+ 1(S) 5x5+ 1(S) 1x1+ 1(S) Conv Conv MaxPool 1x1+ 1(S) 1x1+ 1(S) 3x3+ 1(S) Dept hconcat soft max0 3x3 conv, 512 3x3 conv, 512 3x3 conv, 512 Conv Conv Conv Conv 1x1+ 1(S) 3x3+ 1(S) 5x5+ 1(S) 1x1+ 1(S) Conv Conv MaxPool 1x1+ 1(S) 1x1+ 1(S) 3x3+ 1(S) Dept hconcat Conv Conv Conv Conv 1x1+ 1(S) 3x3+ 1(S) 5x5+ 1(S) 1x1+ 1(S) Conv Conv MaxPool 1x1+ 1(S) 1x1+ 1(S) 3x3+ 1(S) Soft maxact ivat ion FC FC Conv 1x1+ 1(S) AveragePool 5x5+ 3(V) Dept hconcat 3x3 conv, 512, pool/2 3x3 conv, 512 Conv Conv Conv Conv 1x1+ 1(S) 3x3+ 1(S) 5x5+ 1(S) 1x1+ 1(S) Conv Conv MaxPool 1x1+ 1(S) 1x1+ 1(S) 3x3+ 1(S) MaxPool 3x3+ 2(S) Dept hconcat 3x3 conv, 512 3x3 conv, 512 3x3 conv, 512, pool/2 fc, 4096 fc, 4096 fc, 1000 Conv Conv Conv Conv 1x1+ 1(S) 3x3+ 1(S) 5x5+ 1(S) 1x1+ 1(S) Conv Conv MaxPool 1x1+ 1(S) 1x1+ 1(S) 3x3+ 1(S) Dept hconcat Conv Conv Conv Conv 1x1+ 1(S) 3x3+ 1(S) 5x5+ 1(S) 1x1+ 1(S) Conv Conv MaxPool 1x1+ 1(S) 1x1+ 1(S) 3x3+ 1(S) MaxPool 3x3+ 2(S) LocalRespNorm Conv 3x3+ 1(S) Conv 1x1+ 1(V) LocalRespNorm MaxPool 3x3+ 2(S) Conv 7x7+ 2(S) input

31 ResNet, 152 layers 1x1 conv, 64 7x7 conv, 64, /2, pool/2 3x3 conv, 64 Microsoft 1x1 conv, 256 1x1 conv, 64 3x3 conv, 64 1x1 conv, 256 1x1 conv, 64 3x3 conv, 64 1x1 conv, 256 1x2 conv, 128, /2 3x3 conv, 128 1x1 conv, 512 1x1 conv, 128 3x3 conv, 128 1x1 conv, 512 1x1 conv, 128 3x3 conv, 128 1x1 conv, 512 1x1 conv, 128 3x3 conv, 128 1x1 conv, 512 1x1 conv, 128 3x3 conv, 128 1x1 conv, 512 1x1 conv, 128 3x3 conv, 128 1x1 conv, 512

34 COCO Segmentation Accuracy (%) MSRA st Google nd MSRA st FAIR nd

37 A car is running A man is cutting a piece of meat A man is performing on a stage A man is riding a bike A man is singing A panda is walking A woman is riding a horse A man is flying in a field

39 Right Whale Recognition Kaggle Challenge 衛星画像分析 Volodymyr Mnih, Geoffrey E. HintonECCV2010

44 Companion computer Stereo vision Ultrasonic sensors

50 リアルタイム AI Recurrent Neural Networks 深層学習により得られた大きな進歩画像処理機械翻訳音声認識 QA 他課題はオンラインサービスにおける運用展開そしてスケーラビリティ ht-1 xt-1 yt-1 yt yt+1 ht-1 ht ht+1 ht ht+1 xt xt+1 Convolutional Neural Networks

51 DNN Processing Units Contr ol Unit (CU) Register s CPUs Arithmet ic Logic Unit (ALU) GPUs Soft DPU (FPGA) Hard DPU ASICs 柔軟性効率性 BrainWave Baidu SDA Deephi Tech ESE Teradeep Etc. Cerebras Google TPU Graphcore Groq Intel Nervana Movidius Wave Computing Etc.

52 DRAM コントローラ USB コントローライーサネットコントローラ CPU dsp スライス ram CPU ram dsp スライス

53 Catapult v1 Ignite Catapult v Catapult v0 スケール v1 本番展開

54 命令命令命令データ命令データ命令命令 CPU 命令 FPGA FPGA: 空間計算 CPU: 時間的計算

55 Microsoft 製 FPGA ボード戦争と平和露英訳 Wikipedia 英西訳

58 概要ふぇ w 深層学習アルゴリズムの深い知識深層学習アルゴリズムの概要ライブラリが提供する機能の把握概要ふぇ w ツールの知識概要ふぇ w 研究者データサイエンティストエンジニア一般ユーザー

70 データ開発者サイエンティスト

71 透過的な相互運用の実現学習フレームワークと推論の分離を可能にする ONNX High level API & Framework Frontends Hardware Vendor Libraries & Devices ML HW GPU FPGA CPU DSP ONNX モデルを使用することにより ONNIX に対応する様々なデバイスライブラリツールの活用を可能にする ONNX.ai

あなたの考えにかかわらずあなたは戦いの只中にいるそしてほぼ間違いなく侵入されている,

74 Continuous Compromise Perspective 実際のところ侵入をしようとすれば必ず侵入できるこれを受け入れる必要がある顧客に対して言えることは : あなたの考えにかかわらずあなたは戦いの只中にいるそしてほぼ間違いなく侵入されている, 侵入を前提としたセキュリティ対策が必要 Michael Hayden Principal The Chertoff Group; Former Director of NSA & CIA

75 90% 200 日以上 4.2 億円 79% 企業の約 7 割はセキュリティ事故を経験 9 割は未知の脅威が侵入済み *2 攻撃者が検出されるまでに被害者のネットワーク内に潜伏している中央値の日数は 200 日を超える企業が被るデータ侵害の平均コスト *3 新テクノロジ採用の最大の障壁セキュリティプライバシーやコンプライアンスの懸念 *4 *1 Risk and responsibility in a hyper connected world: Implications for enterprises January 2014 *2 Verizon 2013 Data Breach Investigation Report *3 Ponemon Institute Releases 2014 Cost of Data Breach *4 APAC CIO 調査

76 常に新たな攻撃手法が開発され続けている攻撃者は長い時間をかけて侵入する怪しいメールは開けるなは機能しないネットワークには必ず侵入される侵入されることを前提にしたセキュリティが必須

77 データ学習モデルロジックとしての活用

80 有機的に相互作用する AI/IoT 社会道路工事情報保守計画車両情報線運行情報線運行情報交通渋滞予測 TV 番組情報物流集荷予測故障予知売上予測販売計画混雑予測混雑予測駅員警備計画イベント開催情報天候情報空調負荷予測空調制御計画

携帯電話の吸収率 (SAR) について / Specific Absorption Rate (SAR) of Mobile Phones

携帯電話の吸収率 (SAR) について / Specific Absorption Rate (SAR) of Mobile Phones 携帯電話の吸収率 (SAR) について / Specific Absorption Rate (SAR) of Mobile Phones 1. SC-02L の SAR / About SAR of SC-02L ( 本語 ) この機種 SC-02L の携帯電話機は国が定めた電波の体吸収に関する技術基準および電波防護の国際ガイドラインに適合していますこの携帯電話機は国が定めた電波の体吸収に関する技術基準