自転車のコンポーネントを交換しました。

　ＢＢ、クランクセット、スプロケット、チェーン、リアディレーラーのプーリを交換しました。当初は自宅で交換しようと考えていたのですが、レンタルピットがあり、ワンポイントレッスンも実施している自転車屋さんがあることを発見したのでそちらで教えていただきながら作業をしてきました。
　今回の交換は、ディレーラーを除くドライブトレインのほぼ全替えになります。結構な作業量でしたが、大変楽しく作業することができました。自転車のコンポーネントの交換は難しく思えますが、丁寧に教えて頂いたので、次回以降は自分で作業できると思います。チェーンなどの消耗品はきちんと定期交換していこうと思います。

　さて、自分でコンポーネントを交換すると言うことは、一度分解すると言うことなのですが、素人が知識を身につける上で、これ以上に効率的な方法はないですね。本で学習するより圧倒的に早いです。分解の過程で、その機械の特性や構造、そのような形状になっている理由等を深く理解することができます。例えば、前回の交換の際にＶブレーキを一旦取り外しました。Ｖブレーキにはばねの強度を調整するネジがあるのですが、なぜこのネジでばねの強度を調整できるのか理解できます。簡単なことなのですが、分解してみないと調整可能な理由をそもそも考えずに済ませてしまうことが多いです。ドライブトレイン周りでは、クランク周辺の部品の取り付けのためのネジが逆ネジなのかそうでないのか、ＢＢ（スクエアテーパータイプ）の取り付け順序がある理由、ＢＢのシャフトに対するクランクの固定の仕組み、等々。。いろいろと勉強になりました。

　機械いじりは楽しいですね。当面必要な交換は済ませてしまったので、私の自転車の部品をしばらく交換する必要がありません。乗り物として考えると、大きなメンテナンスがしばらく不要であることは喜ばしいことなのですが、機械いじりができないのはちょっとさみしいです。今後は、日常の使用の結果、劣化したコンポーネントを替えていこうと思います。いつか最初から一台組み上げたいですが、それはちょっと先の話です。

　当面は、サイクリングを楽しんでいこうと思っています。そうすると、気になるのはサイクルコンピュータとか、履歴記録アプリとか、ですね。少しずつ試していこうと考えています。

シマノ自転車博物館に行ってきました。

　主な展示は、自転車の歴史を実機と共に解説したものです。自転車の草創期から今の形に至るまで、形態やコンポーネントの変遷がわかりやすく解説してあります。
　初期の自転車は、ドライジーネという乗り物でペダルはなかったそうです。足で地面をけって進む乗り物で、自転車の練習に使われる子供用のストライダーと同様の形をしています。ドライジーネはドイツとフランスで特許も取っているそうです。
　ドライジーネ以後、前輪に対して直接クランクが接続された形態に進化し、その後、前輪で操舵し、クランクの回転で後輪を駆動する形態に進化したとか。
　１４０年ほど前には今の自転車の形態とほぼ同一の形態まで進化したようです。１４０年前から現在に至るまで、自転車の形態はあまり変化しませんが、パーツは徐々に進化していきます。材料も進化し続け、デザインも進化します。少し前のコンポーネントより現在のコンポーネントの方がデザイン的に洗練されているのがわかります。もちろん、機能も進化しているのでしょう。

　特許出願を調べてみると、まだまだ進化は止まっていないようです。最終形まで進化してから１００年以上も経過している装置なのに進化し続けるって、わりと珍しいのではないでしょうか？私は最近は自転車の雑誌をよく見ており、徐々に最新のテクノロジーを把握しつつありますが、特許出願の動向を調べると技術の内容をより深く理解できそうですね。ちょっと調べてみようと思っています。

　久々の更新になってしまいました。

　以前から趣味と実益を兼ねて電子工作をやりたいと考えていました。
年明けから少しずつ始めています。
　といっても、理学部卒業後、応用物理系の修士課程を修了した私は
電子回路を設計した経験がありませんので、
本当に初歩的なことから始める必要があります。
「まずは半田付けから。」というレベルです。
キットを使ってラジオを組み立てたり、デジタル時計を組み立てたり。
デジタル時計はＵＳＢ給電でしたので、
電源回路を購入して電池駆動にしてみました。

　本当に初歩的なことなのですが、
それでも、回路系の発明を扱う際に役に立つ知識は得られます。

　キットの組立だけだとつまらないので、
今はＡｒｄｕｉｎｏという簡易マイコンをいじっています。

こちらは制御も絡むので、沢山学習できそうな気がします。

　本当でした。少なくとも件数では。

　人工知能関連技術の開発競争では、米国企業が突出して進んでおり、日本企業は遅れをとっている。多くの人はこのような印象を持っているのではないでしょうか。でもこれは本当でしょうか？多くの人がＡと言っていても、本当はＢかもしれないと考える傾向にある私は自分自身でこの印象が正しいか検証してみたくなりました。私は特許業界で仕事をしてますので、特許出願の統計からこの印象が正しいかどうか探ってみました。具体的には、人工知能関連の技術を示唆するワードを含む明細書の公開件数を日米で比較してみました。
　以下の棒グラフは（公開年ANDキーワード）で得られたデータの統計です。検索にはJ-PlatPatとUSPTOのPatent Application Full Text And Image Databaseを使用しました。例えば、米国であれば、公報全文にartificial intelligenceが含まれる２００１年公開の出願を、（PD/1/1/2001->12/31/2001 and SPEC/” artificial intelligence “）というパラメータで検索しました。

　図１はニューラルネットワーク、図２は人工知能、図３は機械学習、図４は強化学習がキーワードです。日本出願の検索結果は、以前のエントリでの統計を流用しています。各グラフで横軸は公開年です。左縦軸は検索された件数（棒グラフ）を示しており、右縦軸は検索された件数を全公開件数で除した値（折れ線グラフ）を示しています。特定のキーワードを含む明細書の件数が各国企業の技術力を反映しているという短絡的な結論にはならないと思いますが、少なくとも各国での技術開発の動向や開発競争の熾烈さ等は分かるかと思います。
　どのキーワードでも、公開件数は米国における件数が日本における件数を大幅に上回っていました。例えば、２０１６年においては、ニューラルネットワークで６．４倍、人工知能で２２．５倍、機械学習で８．７倍、強化学習１３．７倍も多くの出願が米国において公開されていました。どのキーワードでも米国では近年顕著に件数が伸びていますが、日本において件数が伸びていえるキーワードは機械学習のみでした。
　機械学習というキーワードを含む日本出願の公開件数が近年顕著に増加しているのは確かであり、人工知能関連技術の特許出願ブームが起きていると考えられることは以前のエントリで述べましたが、米国出願と比較すると規模が極めて少なく、双方を同じグラフにプロットするとブームなのか否かわからないレベルです。
　１５年ぐらい前、日本の企業は特許出願件数で他国の企業を圧倒していると言われていましたが、人工知能関連技術については、２００８年の景気後退以前から米国における公開件数が日本における公開件数を圧倒しています。そして、近年ではより顕著に差がついています。日本企業は米国出願もしていますし、日米の公開件数の差が日米企業の開発力をそのまま示しているとは言えません。また、特定のキーワードを含む明細書の公開件数だけで多くを語ろうとは思いませんが、少なくとも、人工知能関連特許の主戦場は日本ではなく米国であることは確認できたように感じます。人工知能関連技術の開発企業は、有望技術が開発された場合に米国に出願するのが原則なのでしょうか。

　日米の公開件数に圧倒的な差がついているので、このような圧倒的な差を認めたくない気持ちから、各年の検索結果を各年の全公開件数で規格化してみました。近年、日本では年間出願件数が減っており、米国では増えています。図１～図４における米国での公開件数の増加と日本での公開件数の低迷は、年間出願の増減である程度説明できるのではないかと考えたわけです。そこで、検索された件数／年間公開件数を年毎に算出し、折れ線グラフとしてプロットしました。ところが、やはり日米の件数に圧倒的な差がありました。例えば、機械学習を含む明細書の公開件数／年間公開件数を２０１６年で見てみると、米国では０．０１８であり約２％もありますが、日本では０．００３４であり、たったの０．３４％でした。人工知能関連技術が全産業の中で占める地位が日米では大きく違うことが分かりました。

　以上のように日米で比較すると、日本においては人工知能関連技術の公開件数が米国より圧倒的に少ないことが分かりました。そうすると、将来的に米国で特許になっている技術の多くが日本で特許になっていないという状況になるように思えます。この場合、日本で国内限定のサービスを提供する限り、非権利者が比較的自由に活動することができ、米国でサービスを提供する場合と比較して非権利者に非常に有利ですね。
　日本はデフレに苦しんでいますが、それでもまだGDPが世界３位の国です。このような市場規模の大きい国で人工知能関連技術の特許網が手薄な状況は、今後も続くのでしょうか。あるいは、日本においても人工知能関連技術の出願が増加していくのでしょうか。出願統計を定期的にチェックしたいと思います。

　企業の未来を創る。
　特許出願をする企業の目的の一つには、当然、こういう類いの目的があると思います。特許明細書には、基本的に現在より後の未来に利用される可能性のある技術が書かれていますが、その中には、ごくまれに相当に先を行っている技術があります。特許関連ニュースをウォッチしていると、ときおりこのような出願が話題になります。この米国明細書（14/975618）も一部で話題になっているようで、私も読んでみました。
　明細書には、外郭の壁面にドローンが発着するプラットフォームおよび開口部が形成された高層ビルのような配送センターが書かれています。外郭の内部では人やロボットが作業するようです。実施形態には、ビルの形状やプラットフォームのバリエーションが多数開示されています。
　なんというかすごく未来を感じます。私は直感的に手塚治虫氏のマンガを思い出しました。氏のマンガに出てきそうなフォルム、アイディアだからでしょうか。
　amazonがドローンを使った配送の実験をしているということについては数年前から話題にはなっていましたが、配送センターの構造について独占排他権の獲得を目指し、出願に投資するのですから、おそらく実験しているだけというレベルを超えているのですね。ドローンでの配送なんて聞くと、私は、安全性の確保、法規制など、実現のために越えなくてはならない障害ばかりが思い浮かんでしまいますが、障害を考えるよりも先に実践してしまうamazonの行動力に頭が下がります。実現したら物流の世界が激変すると思うのですが、どうなりますかね。私が生きているうちにこの未来を覗いてみたいです。
　特許出願において突き抜けた未来を提示する必要はないですし、むしろ、特許出願はそういうものではなく、直近５年～１０年ぐらいの技術に独占排他権を得るためのものであると、私は思っています。しかし一方で、未来を見据えて実際に行動し、実績を積み重ね、特許も確保する企業に勝つのは難しいとも感じます。

　先日、「IOT関連事業の知財による保護の現状と将来動向」というテーマの研修に参加してきました。IOT関連事業ではデータの利活用が重要になるが、現状ではITの超巨大企業がデータを握っており、独占による弊害が生じることを防ぐために産業構造審議会で法整備等の提案を行っていくなどといった話を聞くことができました。研修聴講中は、日本でも危機感をもって動こうとしている方々がいるのだなと感心していたのですが、帰宅後、紹介されていた報告書を見ていると、法整備等で独占を抑制することに期待するのは建設的ではないなと感じました。報告書には現状分析と今後の課題が書かれているのですが、多くの議題で「引き続き検討」という結論になっています。初読では少し期待外れだったのですが、法整備等は、現状分析、公平の観点での検討など、当然に時間がかかりますし、世界の変化に後追いで対処していくものであって、予見される変化に先んじるものではないですから、この類いの結論になるのはある意味当然でしょうか。
　報告書を読み、思索する中で気づいたのですが、私は無意識のうちに強者に対する法規制を期待していたようです。しかしこれは、特許業界人としてよろしくないな、と考えるに至りました。先んじて行動し、実践し、投資した企業がビジネスで成功を収めた後に規制が過度に強化されるとイノベーションが促進されなくなってしまいます。規制強化を期待するのではなく、先手を打つことで競争優位性を確保する方がよほど建設的ですよね。特許業界人としては先手を打つことを狙っていく、常にそういうマインドであるべきでした。そういえば、研修会ではセンサー関係の技術で日本企業には優位性があるという話がありましたし、工場でのセンシングデータを利活用したスマートな物作りなどで日本企業が大量のデータを蓄え得る領域はまだあるという話も聞きます。まだまだ、データの収集で日本企業がイニシアティブを握れる余地はあると言うことでしょうか。私たちがまだ知らない未来を見せてくれる日本企業がどんどん現れることを期待したいですし、そういう企業のお手伝いをしていきたいと思います。

　先日、日経BP社主催の展示会を見てきました。
　クラウド、セキュリティ、IOT、工場、VR等に関するセミナーや展示が行われていました。私は、クラウド、セキュリティ、IOT、工場に関心があり、それぞれのセミナーに参加しつつ展示をまわったのですが、弁理士から見ても非常に興味深いと思える話をたくさん聞くことができました。
　IOT、工場関連では、やはりスマートファクトリー、ロボットへの人工知能の適用が話題になっていました。スマートファクトリーの実現には各社が取り組んでいるようで、実現の過程で重視すべきことなどが紹介されていました。例えば、スマートファクトリーはITとOT(Operational Technology)との融合によって実現されますが、一般的にはITの技術者とOTの技術者とでスキルセット、マインドセットが違うため、各部門の人材が協働し、うまく成果を出すための仕組み作りが重要なのだとか。
　他にも、スマートファクトリーで気をつけるべきサイバーセキュリティの講演などがありました。先行者の経験を他者に伝達することで、産業、市場を立ち上げようとする試みが行われていたように思われました。スマートファクトリーについてはまだまだ成長初期なのでしょうか。成長初期であることや異なる分野の技術者の知見を融合することを考えると、スマートファクトリーの開発に際しては発明がたくさん生まれそうですね（この場合、出願すべきでない発明も多いように思われますが）。

　ロボットへの人工知能の適用に関連した話題では、シンプルな機械学習をすることがトレンドになっているという話が興味深かったです。ロボットの稼働中にセンシングした情報で機械学習をする際、例えば、画像情報をエッジ側（ロボット側）で処理してしまい、最小限の画像情報だけをクラウドにアップロードして機械学習するとか、汎用的な作業に対応した機械学習をするよりもロボットの特定の作業に特化した機械学習をするとか、そういうシンプル化がトレンドだとおっしゃっている講演がありました。機械学習では大量のデータを集めて解析を行うことで人間に分からない推論を実施するという要望もあるように思えるのですが、この場合、リッチな情報を扱うことに利点があり、シンプル化の方向性ではありません。当然、いろいろな方向性はあるのでしょうが、今後、大きなトレンドが生まれることはあるのでしょうか。個人的にはシンプル化の方が面白いと思いました。シンプル化の際にどの情報を削り、どの情報を使うのか人為的に試行錯誤することもあるでしょうし、この段階で発明の余地があるように思えますので。

　クラウドに関しては、あまり詳しくなかったこともあり、あるサービスのクオリティに驚きました。Google社が提供しているG Suiteというサービスには機械学習によるレコメンドが多用されており、例えば、プレゼン資料作成のアプリでは、テキストや写真を選択し、実行ボタンを押すと機械学習に基づいてクールなデザインをいくつもレコメンドしてくれるそうです。スプレッドシートのアプリでは、数百のデータについて「最も売上数の多い商品は？」などと自然言語で質問を入力すると、こういうグラフはどうですか？などと結果を返してくれ、そのグラフや統計に利用した式も提示してくれるそうです。このアプリでは、自然言語の解釈とグラフのレコメンドに機械学習が利用されているようです。プレゼン資料のデザインやスプレッドシートでの体裁決定などは業務本来の目的ではないため、これらを支援することで業務上発生する無駄を削減できるという講演でした。さすがですねえ。こんなことができれば業務上の生産性が向上するでしょうね。他のクラウドサービスでも似たようなことはできるのでしょうか？
　機械学習で効率化できる作業は我々弁理士の日常業務の中にもたくさんありそうです。我々は大量の文書を扱いますので、機械学習を導入すれば検索業務はものすごく効率化できそうです。

KickStarter。ご存じの方も多いと思いますがクラウドファンディングの１種です。
　クラウドファンディングでプロジェクトを支援したことある方はいらっしゃるでしょうか。私は１回だけ支援したことがあります。レゴ（登録商標）を利用可能なプログラミング学習用のロボット（phiro）の開発を支援しました。当時は、プロジェクトが成功するまでソワソワしながら進捗を見守っていました。アイディアをリアルな物として具現化する起業家には頭が下がる思いです。お返しとして１台のロボットを頂きましたので、子供と一緒に遊んでいます。クラウドファンディングは、起業家がアイディア次第で自らの思いを実現できる仕組みとしてすっかり定着したようですね。起業家の選択肢を増やすという意味でクラウドファンディングが担う社会的意義はとても大きいと思います。起業家がいなくなると社会が停滞するでしょうから。

　私自身の経験はさておき、先日KickStarter関連で興味深いニュースを目にしました。
BeeScanning
ディープラーニングで蜂たちを致死的な害虫から救う養蜂家作のアプリBeeScanning
　なんでも、ミツバチのコロニーは１年で半数近く死に絶えてしまうことがあり、主な原因は寄生ダニなのだそうです。この寄生ダニによる被害は養蜂家にとって死活問題なのですが、従来、寄生ダニの蔓延を補足することが難しく、コロニーの死滅を防ぐのが難しかったのだとか。
　そこで、このプロジェクト創設者はミツバチのコロニーの写真をスマートフォンで撮影し、解析してダニの存在とダニに対する耐性を持つハチとを明らかにするアプリを開発することにしたそうです。で、画像から結論を推定する際に利用するのがディープラーニングだそうです。あ～なるほど。このように、人間の判別を支援する技術としてディープラーニングはうってつけですよね。特に、人間が見ても判別困難な事象についてディープラーニングで推論できるようになればインパクトは非常に大きいですね。

　この例のように、機械学習などの応用例を最近耳にするようになりましたね。特に、ICT企業の巨人以外の開発者による応用例が増えてきているように思えます。人口知能関連技術が推定等の分野で非常に有効であることが徐々に実証され、裾野が広がってきたと言うことでしょうか。人工知能関連技術は種々の産業に応用可能と思いますが、農業関連では多くの分野に適用可能なのではないでしょうか。熟練の農家には暗黙知がたくさん存在するように思えますので、そのような暗黙知をどんどん機械学習させれば面白いと思います。いずれにしても、どんどん応用分野が広がってほしいものです。AIブームをブームで終わらせないために。
　農業分野に限らず、今、世界中で人工知能関連技術の開発が進められていると思います。特許業界に身を置く私としては、開発の初期段階で必ず知的財産戦略を決めておくことをおすすめします。ブームのまっただ中にある技術はものすごい速さで進歩していきますので、一旦走り出すと、開発過程でマイルストーンに達するたびに成果を独占すべきか、開放すべきか熟考するのは事実上不可能のように思えますから。

　人工知能関連技術について出願動向を調べました。一部をメモしておきたいと思います。
　以下の棒グラフは（公開年ANDキーワード）で得られたデータの統計です。検索にはJ-PlatPatを使用しました。例えば、公報全文に自己符号化器が含まれる２００１年公開の出願は、（公開日：２００１年１月１日～１２月３１日）AND（公報全文に含まれるキーワード：自己符号化器ORオートエンコーダー）として集計しました。２０１７年は４月１７日までのデータになります。特定のキーワードを含む明細書の年毎の公開件数（左縦軸）が棒グラフで示されています。また、日本特許庁全体での年毎の公開件数（右縦軸）が折れ線グラフで示されています。

【図１】

　図１は、人工知能というキーワードが含まれる公報を公開年で集計した結果です。人工知能というキーワードを含む出願は２００２年頃から増え始めて年２００件に達した後、２００７年頃に減少に転じ、２０１１年頃に再び増加して近年は年２００件レベルで推移しています。２０１６年は少し減っていますが２０１７年は４月の段階で１００件を超えていますから直近では増加傾向であるように思えます。２００３年以降の底は２００９年ですから、サブプライム問題に起因する不況の影響を受けて減ったと推定されます。
　しかし、いずれにしても公開件数が多くて２００件規模というのは、ブームと言われている状況からして少なすぎるように思えます。多くの企業がしのぎを削っている昨今の状況を全く反映していないように思えます。

　そこで、キーワードを変えて再検索してみました。
　図２は、機械学習というキーワードが含まれる公報を公開年で集計した結果です。

【図２】

　ご覧の通り、きれいに「ブーム」といえるデータになりました。国内公開件数の減少に全く影響されずに機械学習というキーワードが含まれる公報の公開数が増加しているように見えます。
　「人工知能」という漠然とした記述よりも、「機械学習」というより具体的な技術が明細書で述べられ、その件数が急激に増加しているという事実は、技術の解説書であるべき特許明細書の特性を反映しているのかもしれません。ニュース等では「機械学習」より「人工知能」の方がよく使われるのと好対照ですね（グーグル検索でも「人工知能」でのヒットの方が「機械学習」でのヒットより圧倒的に多いです）。むろん、ブームに乗じて「機械学習で行ってもよい」という程度の記述が含めてある明細書も存在するでしょうが、そうであっても図２に示す激増は、近年のようにブームと言われる状況が特許業界でも起こっていることを示しているように思えます。各社で熾烈な争いが行われていると推測されます。

　次に、個人的に興味がある機械学習関連の要素技術について調べてみました。図３は、word2vec、自己符号化器（オートエンコーダ）、強化学習というキーワードが含まれる公報を公開年で集計した結果です。

【図３】

 　全ての要素技術において公開件数は少ないのですが、自己符号化器については、あまりの少なさにびっくりしました。明細書で公開するような内容ではないと言うことでしょうか？私が以前読んだ本では、自己符号化器が、現在の人工知能ブームの一要因としてあげられていたため、もっと出願されているだろうと推測していました。ちなみに米国ではautoencoderというキーワードを含む明細書で、比較にならないほど多くの出願がなされています。
　word2vecは最近（２０１４年頃？）提唱された技術なので、まだ出願は少ないと推測されます。
　強化学習は、少ないながらもある程度の数の出願で触れられているようです。こちらも、日本全体の公開件数の減少に反して件数が増加または維持していると言えるでしょうか。２０１７年は突出して多いため、今後延びていくかもしれません。
　私自身は機械学習関連の技術で強化学習に極めて大きい関心を持っています。強化学習は、教師なし学習で自動的に最適化してくれる技術であるため応用範囲が非常に広く、出遅れているといわれる日本企業や、規模の比較的小さな企業にもまだチャンスがあるのではないかと期待しています。
　機械学習を含む明細書を出願している出願人には、出願件数上位の常連ではない出願人が含まれていました。しかも、直近で非常に多くの出願をしており、直近のシェアが突出している出願人が存在します。この企業の製品を見ると出願数を激増させる戦略が極めて妥当のように思えます。むしろ、同業他社は何をしているのだろうと思うぐらいです。
　調べてみると他にも各種企業の様々な戦略が垣間見られて非常に興味深かったです。機会があれば、より深掘りしてみようと思います。

　詳細はこちらです。

　この勉強会は主催者の方が運営しているウェブサイトのアクセスログをニューラルネットワークで学習し、アクセスログの特定のパラメータに基づいて、ウェブサイトからの離脱率を予測するという内容でした。
　勉強会はハンズオンと呼ばれる形式でした。私はハンズオンの勉強会に初めて参加しましたが、ハンズオンは、自分自身でコーディングをしながらみんなで勉強するといった形式の勉強会だそうで、主催者の方をはじめ、詳しい方が多く参加されているようです。事前に予習し、積極的に参加するほど得られる成果は大きくなりそうです。

　当日は、ハンズオンの他に３人の方が発表されました。
１．超解像関連の技術
２．TensorFlowで写真をゴッホ風の絵に変換
３．人工知能とデザインについて
という内容でした。
　１．の超解像技術は、例えば、低解像度の画像から高解像度の画像を生成するような技術で、低解像度の画像を入力、高解像度の画像を出力としたＣＮＮを学習すると、低解像度画像の高解像度化をすることができるとのことでした。ちょっと前にgoogleのニュースなどが話題になりましたが、それに類する技術のようです。そのときはどんな魔法？と思いましたが、技術的な説明を聞いてコンセプトはつかめたように思えました。私の知識不足で理解できなかったことも多かったのですが、論文等も紹介して頂いたので機会があれば勉強したいと思います。
　制御系の仕事をしていると画像処理関係の特許技術が関連してくることも多いため、覚えておいて損はないように思えました。
　２．も以前話題になりました。そのときはどうするのかと思いましたが、この話も技術説明を聞いてコンセプトは理解できましたように思えました。元画像と生成画像のとの差分と、画風画像の特徴量と出力画像の特徴量の分布の差分との和に基づいて学習するのだとか。うまいこと考えますねえ。こちらも画像処理関係の技術であるため、機会があればもう少し勉強しておこうと思います。
　３．はデザインの話でした。懇親会で講師の方のお話を伺いましたが、ウェブサイトでのユーザーの行動解析によって商品購入を動機づけるレコメンドをするなど、現実のビジネスにインパクトを与えるアイディアをお持ちのようでした。人工知能はまだ話題先行のように思えますので、実際にビジネスに役立つアプリケーションを考えるのはとても大事ですよね。

　ハンズオン、発表のいずれも私にとって刺激になりました。この勉強会は無料で開催されており、私たちはとても気軽に参加できますが、主催者の方々が無料で企画、運営するのはとても大変のように思えます。スポンサー企業様と主催者の方々に感謝です。今後も機会があれば参加したいと思います。

　相変わらずチェロ・メタルバンドのアポカリプティカにはまっているおかげで、自分のチェロの練習も少しだけ頑張っている。
大人の習い事として始めて１１年、やっと（今頃）音を鳴らせるコツが分かったというか、まぁ先生に教えてもらったんですけど。
今弾いている曲はヴィヴァルディの『四季』の中の『冬』の一部分。ゆったりした曲なので自分としては音が切れないようになめらかに弾きたいところ。
先生に演奏を聞いてもらうと、
音はそんなに切れていないけど、もうちょっと音を鳴らせないですか？とのこと。
どうも私の音は薄っぺらい感じらしい。なんとなくわかる。先生が弾くと、たった一音でも音がふくらんで幅があるというかなんというか、とにかく、音楽、というかんじ。私のは平たんな一音をつなげてるだけ。
ではどうすればいいかというと、ただ弾くだけではなく、
弓を引くときは脇を大きく開ける。
弓を弦に乗せたら段々コマ寄りに弓をすべらせていく。
さらに、なめらかにしたいからといって移弦のときに音をつなげ過ぎず、むしろ少し音を切る方がいいとのこと。
これでやってみると・・・
おおっなんだか前よりいい音が出てる（ような気がする）！
特にコマ寄りに弓を持っていく、というところで実感。
このやり方で、先生に楽譜の下のパートを弾いてもらって『冬』を合奏してみた。ちょっと音楽っぽい！？楽しい！！やっぱり音が合わさると楽しい。この曲はスローテンポで割と簡単なので自分もそれほど緊張せずに弾ける。
せっかく今やる気が少しあふれている時なので、今のうちに自主練にはげんでおこう。