サクサク読めて、アプリ限定の機能も多数!
トップへ戻る
WWDC24
www.slideshare.net/pfi
Kubernetes Service Account As Multi-Cloud Identity / Cloud Native Security Conference 2022 / #CNSec2022
This presentation was given at the Green500 BoF at SC21, in which PFN's VP of Computing Infrastructure Yusuke Doi discussed the power measurement for PFN's MN-3 supercomputer with MN-Core™ accelerators and how the company improved MN-3's power efficiency from 29.7GF/W to 39.38GF/W in 5 months. More about MN-Core: https://projects.preferred.jp/mn-core/en/ More about MN-3: https://projects.preferred
Preferred Networks(PFN)は深層学習などの最先端の技術を最短路で実用化することで、これまで解決が困難であった現実世界の課題解決を目指しています。コンピュータビジョン、自然言語処理、音声認識、ロボティクス、コンパイラ、分散処理、専用ハードウェア、バイオインフォマティクス、ケモインフォマティクスといった幅広い分野で研究開発を行っており、それを支えているのが Kubernetes を用いて構築しているオンプレミス/ベアメタルの GPU クラスタです。 本セッションでは、PFN が Kubernetes を用いてクラスタを運用するなかでどのような障害が起きるのかを紹介し、また障害対応をどのように自動化しているのかを具体的に使用/開発したソフトウェアを含めてご紹介します。また Kubernetes クラスタの管理、アップグレードの自動化にも取り組んでおり、それを実現する Clus
Kubernetes で実践するクラウドネイティブ DevOps "監視とオブザーバビリティ"編 / Cloud Native DevOps with Kubernetes (Monitoring and Observability) コンテナと Kubernetes の到来によりソフトウェアをデプロイおよび運用する方法は大きく変わりました。ソフトウェアはコンテナ化された分散システムとなり、Kubernetes(または類似の基盤)の上で自動化を通じて動的に管理されるものになっています。そうしたアプリケーションを開発し、本番(プロダクション)に高頻度でデプロイしながらも安定した運用を実現することが今求められています。 本セッションは「OpenShift Meetup Tokyo #9 - DevOps/GitOps編」での発表の続編としてアプリケーションの運用、監視におけるメトリクスやオブザ
2020年7月29日-30日開催のCloud Operator Days Tokyo 2020の講演資料です。 PFNの太田と佐藤が、Kubernetesによるインフラ構築やCI/CDについて説明します。Read less
2019年9月27日のPyData.Tokyo Meetup #21での発表資料です。 Optuna (https://github.com/pfnet/optuna) の使い方やソフトウェアデザイン、LightGBM向けの新機能について紹介しています。Read less
2018年12月4日 Japan Container Days 講演資料 谷脇大輔 Preferred Networksでは1000個以上のGPUとInfiniBandからなるオンプレミスのクラスターを自社で構築しており、研究者が様々な目的、リソース量、実行時間の機械学習ジョブをKubernetes上で実行して研究成果を出しています。 KubernetesはKubeflowの登場など、機械学習基盤としても非常に注目されている一方で、現実的には未だ発展途上です。 講演では機械学習基盤としてのKubernetesの導入理由、その実用性と将来性、Preferred Networksの挑戦についてお話ししました。
2018年11月17日開催のRubyData Tokyo Meetupでの講演資料です。 三好 邦彦「Menoh-Rubyで始めるお手軽簡単なDNN推論アプリ」
【2018年9月14日 GTC Japan講演資料】 Chainer は、直感的な記述が特徴の深層学習フレームワークです。Define-by-Run 方式によりニューラル ネットの計算過程をそのまま Python で書き下し、CuPy や cuDNN を用いることで GPU の計算力を最大限引き出すことができます。Chainer を用いた深層学習のパフォーマンス特性や高速化の技法、パフォーマンス向上の取り組みなどをご紹介します。
CuPy は Python 上での GPU 計算を支援するライブラリです。Python で標準的に使われている配列計算ライブラリ NumPy 互換の API を提供することで、ユーザーが簡単に GPU (CUDA) を使えることを目指して開発しています。 今回は、CuPy の使い方とその実例、高速化のポイントに加えて、CuPy の仕組み、開発の方向性など、より深く CuPy を知って頂ける内容をお伝えします。
Kubernetes meetup-tokyo-13-customizing-kubernetes-for-ml-cluster
20180926 kubeflow-meetup-1-kubeflow-operators-Preferred Networks-Shingo Omura
Tier Ⅳ Tech Meetup #2 - 自動運転を作るのはCloudシステムの集合体?? 活用技術を大解剖 -Tier_IV
7月29日開催 July Tech Festa 2018基調講演スライドです。 大村伸吾「Preferred Networksの機械学習クラスタを支える技術」 https://2018.techfesta.jp/ Slides of Keynote in July Tech Festa 2018.
Introduction of Deep Reinforcement Learning, which was presented at domestic NLP conference. 言語処理学会第24回年次大会(NLP2018) での講演資料です。 http://www.anlp.jp/nlp2018/#tutorialRead less
PFNの丸山宏がソフトウェア科学会 第20回プログラミングおよびプログラミング言語ワークショップ(PPL2018) で行った招待講演「演繹から帰納へ~新しいシステム開発パラダイム~」のスライドです。Read less
2018年2月27日開催のNTTコミュニケーションズ主催セミナーで講演した、Preferred Networks(PFN)土井裕介の講演資料を公開します。 PFNの研究開発概要と、それを支えるプライベート・スパコン「MN-1」についてご紹介しています。
2018年1月15日の東京大学医学部機能生物学セミナーでの岡野原大輔の講演資料です。 最後の参考文献を修正しました。 修正版はこちらです。 https://www.slideshare.net/pfi/20180115-87025513
IPAB(http://www.ipab.org/)が主催する第4回IT創薬コンテストにチームPFDrugで参加し、「深層学習を用いた阻害活性予測」でグランプリ(IPAB賞)を受賞しました。 また、今回の成果の一部を活用し、Chainer Chemistryを公開しました。(https://github.com/pfnet-research/chainer-chemistry)
12月12日-13日の2日間にわたって開催されたGTC Japan 2017でのPreferred Networks海野裕也の講演資料です
ChainerMNによる機械学習の高速化勉強会での講演資料です。 PFN鈴木脩司「分散深層学習とChainerMNについて」
Presentation by Daisuke Okanohara At Summer School of Correspondence and Fusion of AI and Brain Science Aug. 3rd, 2017.
2. Preferred Networks, Inc. (PFN) • “Make everything intelligent and collaborative” • Founded: Mar. 2014 – Founder: Toru Nishikawa, Daisuke Okanohara • Office: Tokyo, San Mateo • Employees: ~80: researchers and engineers • Investors: FANUC, Toyota, NTT 4. Preferred Networks, Inc (PFN) • 最近のPFNの成果のまとめ – 実世界の人工知能 2017/2/10 @DeNA TechCon https://www.slideshare.net/pfi/dena-techcon-2017 • “人工知能”に対するPF
PFNオープンハウス2017で使った資料です。 PFNの研究開発、およびその思想について紹介しています
2. 今⽇日のアジェンダ l 背景 ̶— これまでのディーラーニングと創薬 l 創薬向け、ライフサイエンス向けの深層学習の進化 ̶— 新NP問題に対する学習⼿手法 ̶— ⽣生成モデルによる表現学習 ̶— 化合物の特徴学習 l アプリケーション例例 ̶— QSAR, 材料料設計, 性質予測 ̶— シミュレーション ̶— 化合物の再合成の探索索 3. 会社紹介:Preferred Networks (PFN) l IoT時代に合わせた分散知能を備えた新しいコンピュータを創造する l 2014年年3⽉月創業 l 東京オフィス, シリコンバレーオフィス l 従業員:約60⼈人 殆どが研究者、エンジニア l 主な出資者 FANUC, Toyota, NTT 3 We are hiring!! 4. ディープラーニング(深層学習)とは l 層が深く、幅も広いニューラルネット
実世界の人工知能の適用例を紹介しています ・自動車 ・ロボット ・異常検知 ・ライフサイエンス ・コミュニケーション ・クリエーター ・Chainer
IBIS2016での講演内容を公開します。深層学習を実世界の問題に適用する上でどのような課題があるのか、車、ロボット、ヘルスケア、コミュニケーションでどのような研究課題があるのかについて紹介しています。
ディープラーニングが自動運転、コネクテッドカーにおいて どのように活かせるかについての講演資料です。 特に映像による車両, 人物検出, セグメンテーションの動画が新しい情報です。
IIBMP2016(第五回生命医薬情報学連合大会)での招待講演の内容です。深層学習を生成過程の問題としてとらえて、なぜ表現を学習できるのかを説明した後に,深層生成モデル(VAE, GAN, 少しだけ自己回帰モデル, エネルギーモデル, モーメントマッチングモデルを紹介します。
次のページ
このページを最初にブックマークしてみませんか?
『Preferred Networks』の新着エントリーを見る
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