  |
はてなキーワード: 学習とは
ひとりの人間が制作トラブルから自ら命を絶ってしかもそれが原作者で
それはそれは悲しい話でやるせないとは思うんだけど
自殺があったからといってそれだけの重大なトラブルや責任があったとは言えない
（逆に言うと犠牲者が出てない事案を軽んじていいわけでもない）
ビジネス上のトラブルで取引相手が自殺するなんてドラマ制作側視点で見れば予見不可能
運が悪かったとも言える
社内調査の回答がああいう反応なのもおかしなことではないと思う
この果てに今度は日テレや小学館からまた犠牲者を出してしまうのではないかと
ネット民は勧善懲悪的な価値観なのでそれでスッキリかもしれないけど
残された周囲の人の悲しみを想像してみてほしい
もうひとつは騒ぎが大きくなるほど自殺が「問題を世に訴えるための最善の手段」になってしまうこと
この騒ぎで学習した人々は窮状に陥ったとき同じことをしようとするだろう
それが恐ろしい
中国のOEMに電動パワートレインのユニットを納めている中国で生産しているティア1メーカーの技術者
中国と日本だけでなく日本と他の国というところだけど、日本はNG品を作らない製造方法
中国や欧州含めてその他の国は不良品を出荷しなければ良いという判断
不良品が出たら捨てた方がトータルで安いんじゃないの？というのが彼らの考え方
日本は効率を非常に重視、サイクルタイムを短縮し、工程を分け、早く生産しようとする
日本はラインを作る、工程ごとに専用マシンが付いて工程集約しない1つの装置に対して1つの加工
中国は少数試作の作り方、5軸のマシニングセンタ2台で加工したり5軸4軸のマシニングセンタ1台ずつで加工したり
加工精度は工程が少ないためかなり高い
サプライヤーのリスク管理。中国は台数保証しない、1台でも100台でも同じ値段
月1万台作るのでラインを作ると5億の投資がいるならばマシニングセンタ並べた方が安くなると考えてる
工程集約するためには設計段階で考慮が必要だが中国は設計の考え方も違うの？
そんなことはない日本の方が生産性を考えて設計している、中国は生産性を無視した設計やマニアックな加工をしてる
それって儲かるの？
謎。プライスは決まってるけどコストが見えてこない、だから「ものが作れない大変です！」ってなっちゃう
ものづくりを考えてない設計で何度かサプライヤーの支援に行ったこともある
工程集約にはメリットもある、また設備は日本よりも新しい日本の量産メーカーにはないような設備が並んでいて加工精度はよく出る
「やり切り仕舞い」という考え方、5軸4軸マシニングセンタを並べて何でも作れるようにする
モデルチェンジのスピードがめちゃくちゃ早いので、ラインを作っちゃうと間に合わない
業界で働く人たちは？
バブル時代の日本のように「24時間働けますか」なノリでエンジニアもオペレータも若い、マンパワーはすさまじい
日本の大手メーカーは標準化作業を進めているので標準化された作業しか知らなくて、生産技術のエンジニアは「標準以外のことは分かりません」と言うことになりかねない
中国は「失敗した、こうした、それでも失敗した、そしてうまくいった」と失敗をして学習することを繰り返しているのでかなりスキルが高かった、一般的な日本のTier1、OEMの生産技術の担当者と同等かそれ以上
オペレーターも？
オペレーターだったら「ここをこう変えてくれ」と言うとその場でCAMを叩いて、治具を修正して即対応する
CAD前提の運営なのでCAMの使用が当たり前、日本みたいに2D図面を使わない
最初は中国の2D図面の質が低くて疑問に思っていたが実際やってみると2D図面いらなかった
上流の設計からBOMが出てきてそれが調達から営業まで連携出来てる、日本は2D図面に変換するのでBOM連携出来てない
ラインを作って工程分けると精度が出にくいので、製品の精度でガチンコ勝負して「どっちが良いもの作りますか？」と言えば間違いなく中国
精度要求がどんどん上がっているので工程集約しなければ精度保証できない、ラインをつくっていては無理
中国のメーカはマシニングセンタを裸で買ってきて、生産技術担当の人間がロボットインテグレート含めた治具や工具の設計をやる
そういうところのキャリアの差が出てきている
中国はものづくりを分かっていない、素材基準や加工基準がない、面もある
なので「この状態だと精度出せないよ」となることもある、そう指導したときもう夜だったけど「分かりました！明日の朝までに変えます！」と言って対応した
SOLIDWORKS立ち上げて治工具の設計して作り変えたり、マシニングセンタでプログラム作ったり全部自分でやる
ポテンシャルはすごく高い
はい、Kaggleのようなブラックボックスのリーダーボードで評価する現場は存在します。
機械学習モデルの評価には、一般的に以下の2つの方法があります。
1. **ホールドアウト評価**: 学習データを訓練データとテストデータに分割し、テストデータでモデルを評価する方法。[1]
2. **ブラックボックス評価**: 評価用のデータセットが公開されず、サーバーにモデルを提出して評価される方法。Kaggleのコンペティションがこの方式。[1][2]
つまり、Kaggleのようなブラックボックス評価は、機械学習の様々な現場で採用されている評価方式の1つであり、特に実運用に近い評価が求められる場合に有効な手段となっています。[1][2][3]
Citations:
[1] https://qiita.com/Shun_PI/items/896d05ed9689f4b24347
[2] https://www.kikagaku.co.jp/kikagaku-blog/kaggle-competition/
[3] https://www.kikagaku.co.jp/kikagaku-blog/signate-competition/
[4] https://www.topgate.co.jp/blog/google-service/8707
[5] https://www.jst.go.jp/crds/pdf/2023/RR/CRDS-FY2023-RR-02.pdf
訓練データの分布が、99%がTrueで1%がFalseってタイプのやつだとするだろ？
それでそのまま評価するにしろ、F1を使うにしろ、実用の精度の評価は難しいんよ
F1で評価するにしても、それは「ランダム分類機よりは汎化性能が高い」ということならわかるが、実用判断だと「Falseの見逃しは減らせ！」ってことが結構ある
