日々の開発業務で培った技術的な知見や、よりよいプロダクト提供のための技術的な取り組みなどを積極的に紹介をしていきます。
こんにちは。デバイスソフトウエア開発部の斎藤です。
生産性向上エッジAIカメラシステム「PROLICA®」を用いた画像解析システムの開発を担当しています。
PROLICAは、ネットワークカメラとエッジコンピューターを使用してリアルタイムに物体検出を行うことを主な機能としていますが、AIとは独立した機能として、画像内の信号機（赤・青・黄）の状態を輝度差から判定する仕組みも備えています。
本記事では、指定した範囲の「輝度差」を算出して、信号機の状態を判定する機能を紹介します！
PROLICAの詳細や他の機能につきましては、以下の弊社HPや、これまで私が執筆した記事をご覧ください。
生産性向上AIカメラ「PROLICA®」
ＡＸ研究室の庄内です。
巷ではAIエージェントの話題が席巻し、企業ではDXの手段としていかに活用していくか、個人ではどのように雑務をなくして効率化していくかについて検討されていることと思います。
このような生成AI時代における現状をどのようにとらえるとよいのかというを話をしていきたいと思います。
続きを読む
こんにちは！デバイスソフトウエア開発部の山内です。
最近、iPad向けのアプリ開発に携わっているのですが、実は少し前までSwift・SwiftUIを全く書いたことがありませんでした。
そうなると大変なのは、学習と実務レベルでのコーディングを両立させること。どうしよう！Appleのチュートリアルやって、参考書買って……
…あ、生成AIという手がありました。
現在エコモットでは、Microsoft CopilotとGeminiを利用することができます。今回はGeminiに焦点を当てて、
を見ていきながら、Geminiを業務にどう役立てていくべきか考えてみようと思います。
続きを読む
デバイスソフトウエア開発部の板谷です。
最近Chrome拡張機能の改修業務を担当する機会がありました。
Chrome拡張機能の開発経験はなく、時間がかかりそうだと思っていたところGoogleが開発した生成AI『Gemini』で業務を効率化することができたので本記事で紹介しようと思います。
続きを読む
こんにちは。デバイスソフトウエア開発部の斎藤です。
現在、生産性向上エッジAIカメラシステム「PROLICA®」を使用した画像解析システムの開発を担当しています。
PROLICAには、人物や車両などを検出する「物体検出機能」に加え、検出した対象物を継続的に追跡する「物体トラッキング機能」も備わっています。
様々なシーンで活躍する物体トラッキングですが、実はトラッキングアルゴリズム自体ではないカメラ由来の弱点もあったりするので、今回はそのあたりを解説していきたいと思います。
PROLICAや物体トラッキングの詳細につきましては、以下の弊社HPや、以前私が執筆したトラッキングについての記事をご覧ください！
https://www.gembaroid.jp/product/prolica.html
こんにちは！
SJC共同開発推進室の鈴木です。
今回は、前回の【モニターなしで簡単リモート操作！RaspberryPi設定のご紹介】（１）の環境構築の続きで、外出先など離れた場所からリモート接続する方法をシェアしたいと思います！まだ、（１）をご覧になられていない方は先にこちらの記事を読んでいただければ幸いです。
こんにちは！
SJC共同開発推進室の鈴木です。
今回、社内のテック部でRaspberry Pi（ラズパイ）を使用する機会がありました。電子工作を行う際、Raspberry Pi（ラズパイ）は小型で高性能な特性から、よく選ばれるデバイスです。WiFiが利用できる環境で、手元にキーボードやモニタが無いけど、PCとラズパイのみでRaspberry Pi（ラズパイ）の設定をしたい方向けに手順をシェアしたいと思います。
まずは環境構築ということで、今後は作成したものを定期的に発信できれば嬉しく思います。
続きを読む
はじめにこんにちは、AX研究室の庄内です。このたび、開発本部データアナリティクス部からAX研究室へと組織改編があり、AIを用いたDXについて、研究・社会実装していく役割を担うことになりました。
こちらはAX研究室のロベルト・フバチです。この投稿では、比較的新しい種類のニューラルネットワークである コルモゴロフ・アーノルド・ネットワーク（Kolmogorov-Arnold Network, KAN） について紹介します。 その名前はコルモゴロフ・アーノルド表現定理に由来しており、この定理は「任意の多変数関数は1変数関数の和として表現できる」と述べています。
これはどういう意味でしょうか？ たとえ非常に複雑な数学的関係でも、より単純な部分に分解することが可能です。 その結果、理解しやすくなり、処理も容易になります。 そのため、科学者たちは長年この定理に関心を持ち、ニューラルネットワークへの応用を模索してきました。しかし、満足のいく結果を得ることはできませんでした。
転機が訪れたのは2024年4月のことです。この定理を利用したニューラルネットワークの学習方法を説明する論文が発表されました[1]。 それ以来、多くの研究チームがコルモゴロフ・アーノルド・ネットワークに関する研究を発表し始めました [2]。
続きを読む
