<p>初めまして、LeapMindさんで4ヶ月間インターンシップしました、西浦といいます。
こういった記事を書くのは初めてなので正直何を書けばいいのか分かりませんが、とりあえずインターン中に何をしたかと感想ぐらいは書いておこうと思います。</p>
<h2 id="インターン中のプロジェクト">インターン中のプロジェクト</h2>
<p>私のインターンシップは4ヶ月と期間が長かったこともあり、2つのプロジェクトを行いました。1つ目が「機械学習を用いた蒸発冷却実験の解析」というプロジェクト、2つ目が「データクレンジングによるモデルの性能向上」というプロジェクトです。</p>
<h2 id="機械学習を用いた蒸発冷却実験の解析">機械学習を用いた蒸発冷却実験の解析</h2>
<p>このプロジェクトは、元々LeapMindさんが行っていたものを引き継いだものでした。簡単に(?)説明すると、「蒸発冷却」という原子を冷やすための実験があり、その実験を行うには複数のパラメータを上手く調整しないといけません。調整自体は機械学習が自動的にやってくれる(前プロジェクトの成果(Nakamura et al. (2019)、すごい！)んですが、どのパラメータを使うかは事前に決める必要があります。そうなると一番効くパラメータから使いたいですよね？そこで、このプロジェクトです。</p>
<p>Nakamura et al. (2019)では、「ベイズ最適化」という手法を使って自動でパラメータを調整していますが、この時に「ガウス過程」を使います。そして、この「ガウス過程」になんやかんやしてやると最適化しながらどのパラメータが効くのかも出してくれます。</p>
<p>色々と専門用語が出てきて何を言ってるのか分からない方もいるかもしれません。でも大丈夫です。私もインターンシップに来る前は、この辺の知識は全くといっていいほどありませんでした。しかし、プロジェクトを進めるうえで、その知識を勉強することも含めて面倒を見て頂きました。このようにして、1つ目のプロジェクトは半分勉強をしながら約3ヵ月で終わりました。</p>
<h2 id="データクレンジングによるモデルの性能向上">データクレンジングによるモデルの性能向上</h2>
<p>データクレンジングとは、データセットから悪いデータ(本来そのクラスが持つべき特徴を持ってないデータ)を取り除くことで、識別器が間違った特徴を学習するのを防いで、性能を向上させようというものです。このプロジェクトは、1つ目のプロジェクトが終わってからの1ヵ月でやりました。期間が短かったのもあり、理論や手法の詳細を勉強する過程を飛ばして、実際にやってみてどうだったかを知ることがメインでした。実験を進める傍ら、報告用に資料をまとめたりと1つ目のプロジェクトに比べると忙しかったですが、色々とLeapMindの方々にサポートして頂いて何とか結果を出して終わることができました。</p>
<p><img src="/images/posts/news/4months-of-internship/e639ecca-image1.png" alt="登壇の様子"></p>
<h2 id="感想">感想</h2>
<p>振り返ってみると「4ヶ月ってあっという間だったな」というのが一番に出てきました。普通に考えると、4ヵ月って結構長いと思うのですがそう感じないってことはLeapMindさんでのインターンシップは非常に充実していたのだと思います。またプロジェクトに参加するだけではなく、社内で交流するイベントが多くあったことも良かったです。2週間に1回、他の部署の方たちとランチに行くShuffle Lunchという企画があったり、1週間業務を止めて自分のしたいことができるHackDaysという企画があったり他にも色々と企画がありインターンシップをより楽しむことができました。</p>
<p><img src="/images/posts/news/4months-of-internship/cd17b022-image3.png" alt="Shuffle Lunchの様子"></p>
<h2 id="最後に">最後に</h2>
<p>学生にとって一番重要かもしれない点を書いておこうと思います。</p>
<p>なんと、LeapMindさんのインターンシップでは、(一応上限はありますが)インターンシップ期間中の宿泊費を出してくれます。さらに給料まで出ちゃいます。</p>
<p>正直、学生の長期休暇なんてバイトして遊ぶばかりだと思います(少なくとも私はそうでした)。それだったら、インターンシップに参加してお金ももらいつつ有意義に過ごしたくないですか？</p>
<p>この記事を読んで少しでもLeapMindさんでのインターンシップに興味が出たら幸いです！</p>

4ヶ月間の長期インターンシップを終えて

<p>こんにちは！ LeapMindでインターンしました井上と申します。</p>
<p>私は8月と9月の二ヶ月間、Blueoil Divisionと呼ばれる部署に所属し、同じ時期にインターンを行ったOscarさんとともに、Blueoilを用いた新しい深層学習タスクの開発に携わりました。</p>
<p>この記事ではそのプロジェクト及び成果・感想に関して、特にBlueoilを使用して実装を行った開発者としての視点から、説明しようと思います。</p>
<h2 id="ⅰインターンシッププロジェクトについて">Ⅰ.インターンシッププロジェクトについて</h2>
<h3 id="blueoilと量子化について">Blueoilと量子化について</h3>
<p>BlueoilはLeapMind社で開発されているオープンソース深層学習フレームワークでtensorflowを基に開発されています。このBlueoilは以下の二点の特色を持ちます。</p>
<p>(i) ニューラルネットワークの量子化ツールを提供 (Quantization)
(ii) ARMやFPGA等の低消費電力アーキテクチャ上で効率的に動作するモデルを生成する点 (Edge Computing)</p>
<p>深層学習モデルは平たく言えば、行列演算・畳み込みと非線形変換の巨大な塊です。通常この演算は32 bitや64bitの浮動小数点を用いて実装されますが、ARMやFPGAといったアーキテクチャではこの浮動小数点の高速な計算が困難です。また高性能なCPUやGPUの導入は消費電力やコストの観点から、特にリソースが限られるEdge Computingでは現実的ではありません。</p>
<p>そこで登場するのは、量子化(Quantization)と呼ばれる技術です。量子化は行列の要素及び非線形変換を低bitの要素に近似する技術を指します。特にBlueoilでは深層学習モデルが2 bit以下 (高々2^2=4値しか取りえない) で量子化されます。この極端な量子化により、推論速度の向上が期待される他、乗算器を省略できるためFPGAで実装した際に劇的に回路面積を抑える事が可能になります。</p>
<p>Blueoilではまた量子化されたモデル専用の学習アルゴリズムが提供されます。さらにtensorflowをベースに開発されているため、tensorflowのAPIを使える他、量子化する演算を自在に選択・設計できます。そして設計者は、データセット及び推論モデルを定義しさえすれば、ARM・FPGA上で高速に動作する深層学習推論モデルを容易に構築することができます。</p>
<h3 id="optical-flow-estimationの深層学習モデル">Optical Flow Estimationの深層学習モデル</h3>
<p>さて今回のインターンシップのプロジェクトですが、ずばりOptical Flow Estimation (OFE)を行う深層学習モデルのBlueoil上での構築です。Optical Flowとは文字通り、視覚的な物体の動き(ベクトル)を指し、特にOFEはOptical Flowを二枚のデジタル画像から推定するタスクを指します。OFEは、物体の運動の解析やロボット等の運動制御の他、動画の圧縮や安定化に用いられる等幅広い応用が期待されます。</p>
<p>OFEには疎な推定と密な推定があるのですが (Fig. 1)、今回は特にFig 1.の下図のような、全ピクセルの動きを推定する密なOFEの実装を目標としました。</p>
<p><img src="/images/posts/news/blueoil-team-summerinternship/00fc1346-a.gif" alt="自動車の推定イメージ"></p>
<p><img src="/images/posts/news/blueoil-team-summerinternship/d611eec3-b.gif" alt="Fig. 1"></p>
<p>Figure 1 OFEの例。動画像から動画像内の物体の動きを推定する。</p>
<p>上動画は疎な推定、下動画は全ピクセルに対する密な推定。</p>
<p><a href="https://nanonets.com/blog/optical-flow/">https://nanonets.com/blog/optical-flow/</a> より引用。</p>
<p>さてこの密なOFEに関して、近年FlowNetS [<a href="https://arxiv.org/abs/1504.06852">P. Fischer et al., 2015</a>] とよばれる深層学習を使用した手法が提案されました。DeepFlow [<a href="https://hal.inria.fr/hal-00873592/document">P. Weinzaepfel et al., 2013</a>]やEpicFlow [<a href="https://arxiv.org/abs/1501.02565">J. Revaud et al., 2015</a>]等、密なOFEを推定するアルゴリズムはこれまでいくつか提案されてきたのですが、計算量が大きくリアルタイムでの推定が困難でした。またOpenCVで実装されているGunnar Farneback法 [<a href="https://link.springer.com/chapter/10.1007/3-540-45103-X_50">G. Farnerbäck 2003</a>]はCPU上で高速に動作するものの、近傍pixelのみを参照するため大きな変位を推定することができません。FlowNetSでは、Convolutional Neural Networkが用いられend-to-endで学習・推論されます。そしてGPU上を用いたデモンストレーションで5~10FPSに達することが報告されています (Fig. 2)。</p>
<p>しかしながらFlowNetSでもモデルのパラメータ数が大きくGPUやARM・FPGA上では実用的な速度で動作しません。インターンシッププロジェクトの最終目標は、このFlowNetSをBlueoilを用いて量子化し学習を行い、低消費電力アーキテクチャ上で高速に動作させることです。OFEを低消費電力のデバイス上でもリアルタイムに動作できれば、様々なデバイスでOFEが実装可能になることを意味し、応用の幅が大きく広がります。</p>
<p><img src="/images/posts/news/blueoil-team-summerinternship/dd3cb618-c.gif" alt="Fig. 2"></p>
<p>Figure 2 FlowNetSのデモンストレーション。
<a href="https://www.youtube.com/watch?v=k_wkDLJ8lJE">https://www.youtube.com/watch?v=k_wkDLJ8lJE</a>より引用。
デモンストレーションはGPU上で行われ5~10FPSを達成。</p>
<h3 id="lmflownetの開発">LMFlowNetの開発</h3>
<p>FlowNetSはFig 3.に示されるような構造を持ちます。FlowNetSはいわゆるEncoder / Decoder型の構造を持ち、大まかに特徴を抽出するEncoder (convolutionで構成される)と、実際のflow imageを出力するDecoder (deconvで構成される)が組み合わさっています。</p>
<p>このFlowNetSをそのまま量子化したいところですが、Blueoil上の諸々の制約によりそのままでは量子化する事ができません。そこでBlueoil上で動作するようにいくつか要素に変更を加えたLMFlowNet (Fig. 4)を本プロジェクトで開発しました。具体的には、例えばconvolution層のstrideがspace_to_depthを活用することで近似的に実装されています。</p>
<p>さらに計算時間及び開発キット(DE10-Nano)のメモリの問題から、最終的にFig. 5に示されるようなかなり単純化されたモデルを今回採用しました。なお、今回は連続値を出力する回帰タスクのため、この第一層と最終層の2つの層は量子化せずにそのまま32 bitの浮動小数点のまま計算します。</p>
<p>学習は、FlowNetSにおいて用いられた<a href="https://lmb.informatik.uni-freiburg.de/resources/datasets/FlyingChairs.en.html">Flying Chiars</a>を用いて行いました。更に過学習を防ぐためData augmentationを逐次行いデータセットを変換します。</p>
<p><img src="/images/posts/news/blueoil-team-summerinternship/d2e02f3a--0003-01-25-16.04.32-1536x997.png" alt="Fig. 3"></p>
<p>Figure 3 FlowNetSの構造。基本的にconvolution layerとdeconv layerから構成される。</p>
<p><img src="/images/posts/news/blueoil-team-summerinternship/a758b386--0003-01-25-16.04.53-1536x1072.png" alt="Fig. 4"></p>
<p>Figure 4 LMFlowNetの構造。Blueoilでサポートされている演算のみを採用し構成。</p>
<p><img src="/images/posts/news/blueoil-team-summerinternship/c7801911--0003-01-25-16.05.11-312x440.png" alt="Fig. 5"></p>
<p>Figure 5 最終的に採用したLMFlowNetの構造。ARM / FPGA上で動作させるため、画像サイズを1/16にした上で更に層の数を大幅に減らした。</p>
<h2 id="ⅱ成果">Ⅱ.成果</h2>
<h3 id="推論速度の比較">推論速度の比較</h3>
<p>まず推論速度を比較し、量子化による速度向上の効果を確認します (Table 1)。表からわかるように量子化された場合、x86 CPU (ノートPCのCPU; Core(TM) i7-5500U)上でおよそ2.5倍, ARM上でおよそ4倍, FPGA上でおよそ6倍推論速度が向上することがわかりました。さらに量子化されない1層目のパラメータ数を減らした場合、その速度向上の効果がより顕著に現れます。このようにLMFlowNetを構築しモデルを量子化させると、期待された通り推論速度が大幅に上昇しました。</p>





































<table><thead><tr><th>推論速度 [ms]
(5回平均)</th><th>量子化なし
(連続モデル)</th><th>量子化あり
+64 channels</th><th>量子化あり+
32 channels</th><th>量子化あり+
16 channels</th><th>量子化あり+
8 channels</th></tr></thead><tbody><tr><td>x86_64 (AVX使用)</td><td>35.2</td><td>14.3</td><td>10.9</td><td>8.56</td><td>7.3</td></tr><tr><td>ARM</td><td>875.6</td><td>204.2</td><td>140.8</td><td>116.0</td><td>101.7</td></tr><tr><td>FPGA</td><td>836.6</td><td>130.9</td><td>94.7</td><td>78.1</td><td>67.8</td></tr></tbody></table>
<p>Table 1 推論速度の比較。実験では通常の連続モデル / 量子化モデルに加え、量子化モデルにおいて量子化されない1層目のチャネル数を減らしたモデルに関しても検証した。</p>
<h3 id="推論精度の比較">推論精度の比較</h3>
<p>次に推論の精度を比較し、量子化が与える推論精度への影響を調べます (Table 2)。推論精度の評価はFlying Chairsのバリデーションデータ(学習に用いていないデータ)を用いて行いました。OFEではEnd Point Errorと呼ばれるground truthデータと出力データ間の距離(誤差)を測る指標が一般的に用いられ、それを用いて採用します。まず量子化を加えることにより、連続モデルと比較しておよそ1.5倍誤差が大きくなりました。またチャネル数を変える実験より、1層目のチャネル数がそこまで最終的な精度に影響を与えないことが読み取れます。</p>





















<table><thead><tr><th>推論速度 [ms]
(5回平均)</th><th>量子化なし
(連続モデル)</th><th>量子化あり
+64 channels</th><th>量子化あり+
32 channels</th><th>量子化あり+
16 channels</th><th>量子化あり+
8 channels</th></tr></thead><tbody><tr><td>End Point Error</td><td>6.403</td><td>9.448</td><td>9.263</td><td>10.625</td><td>9.311</td></tr></tbody></table>
<p>Table 2 推論精度の比較。End Point Errorは正解データと出力との誤差を測る指標。</p>
<h3 id="デモンストレーション">デモンストレーション</h3>
<p>さて実際にデモンストレーションを行ってモデルの妥当性を検証します。まずは通常のx86 CPUが搭載されているノートPCでのデモンストレーションです (Fig. 6)。連続モデルと比較したとき、量子化モデルは若干ぼやけた画像が出力されているものの、どちらのモデルも手の動きの向きに合わせて対応する位置に出力される様子が観察されます。</p>
<p><img src="/images/posts/news/blueoil-team-summerinternship/e27d0644-d1.gif" alt="Fig. 6 連続モデルのデモンストレーション"></p>
<p><img src="/images/posts/news/blueoil-team-summerinternship/f0d74866-d2.gif" alt="Fig. 6 量子化したモデルのデモンストレーション"></p>
<p>Figure 6 ノートPC (x86_64)上でのデモンストレーション。上図は連続モデル、下図は量子化したモデルのデモンストレーション。FPSの値はそれぞれ(左) 実効的なFPS  (右) 推論FPSを表す。右上の2画像を重ねてモデルに入力される。出力のflowは右下のcolor coding mapに対応されて出力される。</p>
<p>次はDE10 Nano (ARM + FPGA搭載)上でのデモンストレーションです。</p>
<p>連続モデルのFPSが1程度で、リアルタイムの描画から程遠いの対して、量子化モデルでは、DE10 Nano上でもFPSが10程度で実質リアルタイムに描画させることができました。このように量子化すれば5~10倍の速度で描画できることが確認されました。</p>
<p><img src="/images/posts/news/blueoil-team-summerinternship/4375ae06-e1.gif" alt="Fig. 7 連続モデルのデモンストレーション"></p>
<p><img src="/images/posts/news/blueoil-team-summerinternship/fda91378-e2.gif" alt="Fig. 7 量子化したモデルのデモンストレーション"></p>
<p>Figure 7 DE10-Nano (FPGA + ARM)上でのデモンストレーション。上図は連続モデル、下図は量子化したモデルのデモンストレーション。</p>
<h2 id="ⅲまとめ今後の課題感想">Ⅲ.まとめ・今後の課題・感想</h2>
<h3 id="まとめ">まとめ</h3>
<p>今回のインターンプロジェクトで、OFEの深層学習モデルを作成し(LMFlowNet)、Blueoilを用いて量子化を行いました。そして実際に推論精度をある程度維持しながら、ARMやFPGAといった低消費電力アーキテクチャ上で高速に動作させることに成功しました。</p>
<h3 id="今後の課題">今後の課題</h3>
<p>今後の課題は以下の三点が挙げられます。</p>
<p>(i) 1層目・最終層を含めた完全量子化</p>
<p>(ii) 前処理・後処理の最適化</p>
<p>(iii) アプリケーションの実装</p>
<p>まず、今回のLMFlowNetでは実装の制約の問題から1層目および最終層が量子化されていません。しかしながらこの浮動小数点での演算が特にFPGA上で律速となっており、量子化による高速化の効果が半減しているのが現状です。将来的に完全に量子化されることで、そのポテンシャルが完全に引き出されるでしょう。</p>
<p>次に前処理・後処理の最適化の必要性です。全体のプロセスにおいて推論はその一部にしか過ぎません。事実、今回のデモでも通信や前後の処理に無視できないほどの時間がかかっており、インターンのプロジェクトでもかなりの時間を前後処理の実装・調整に費やしました。量子化による恩恵を最大化するためにも、推論プログラム周辺のインターフェースの最適化がますます重要になります。</p>
<p>最後にアプリケーションの実装です。今回はOFEのみを実装しましたがそれ単体ではその価値が薄いです。OFEを用いた製品やサービスを構築することが、世の中で使われるためにも今後必要になるでしょう。</p>
<h3 id="感想">感想</h3>
<p>短い期間でしたが、とても刺激的で楽しい体験をさせていただきました。また完全ではないものの新しいタスクを0から実装し、デモンストレーションを作成することができました。この様に成果を出すことができたのは、インターン生で同じプロジェクトに携わったOscarさん、メンターの飯塚さん、Yangさん、金井さんをはじめとするBlueoil Divisionのメンバー、その他LeapMindの皆様の助力のおかげです。この場で感謝申し上げます。</p>
<p>今回のインターンで特に学んだのはチームでプロジェクトを実装・遂行することの楽しさおよび大変さです。今回はメンターの飯塚さんの指導の下、Oscarさんと協力することで遂行しましたが、その分担や計画立案、仕事の割り振り・調整に関して多くの議論を交わしました。このようなチームとしてコーディングは、普段はなかなか機会がないだけに、大変貴重な体験だったと思います。</p>
<h3 id="最後に">最後に</h3>
<p>インターン生ながら、プロジェクトの細部まで深く携わることができます。</p>
<p>Edge computingに興味のある方、実際に深層学習を活用したモノを作って見たい方はぜひインターンに応募してみてください！</p>
<h2 id="ⅳ参考文献">Ⅳ.参考文献</h2>
<p><a href="https://link.springer.com/chapter/10.1007/3-540-45103-X_50">Two-Frame Motion Estimation Based on Polynomial Expansion</a></p>
<p><a href="https://arxiv.org/abs/1504.06852">FlowNet: Learning Optical Flow with Convolutional Networks</a></p>
<p><a href="https://inria.hal.science/hal-00873592/document">DeepFlow: Large displacement optical flow with deep matching</a></p>
<p><a href="https://arxiv.org/abs/1501.02565">EpicFlow: Edge-Preserving Interpolation of Correspondences for Optical Flow</a></p>
<p><a href="http://labs.eecs.tottori-u.ac.jp/sd/Member/oyamada/OpenCV/html/py_tutorials/py_video/py_lucas_kanade/py_lucas_kanade.html">オプティカルフロー(Optical Flow) — OpenCV-Python Tutorials 1 documentation</a></p>
<p><a href="https://prtimes.jp/main/html/rd/p/000000031.000016656.html">LeapMind｜LeapMindのプレスリリース</a></p>

Blueoilチームでサマーインターンシップ

<p>はじめまして。LeapMindで夏休みの二ヶ月間インターンをしていた今村です。
インターンでは、Collaborative Development (Co-Dev) Divisionに所属していました。LeapMindといえばBlueoilを代表とした量子化技術を思い浮かべる人も多いかもしれませんが、実はLeapMind内ではCo-Dev Divisionが最も大きなチームであり、最先端の技術を持つ素晴らしいエンジニアの方々が企業との共同研究開発を行っています。
本記事では、私のインターンでの経験についてお話ししたいと思います。</p>
<h2 id="インターン期間中の取り組み">インターン期間中の取り組み</h2>
<p>今回のインターンでは、異常検知に関する研究開発をテーマに二人のメンターの指導のもと二ヶ月間取り組みました。一口に異常検知といっても様々なターゲットやそれに適した手法があり、はじめの二週間くらいは社内技術や既存手法のサーベイを通してどういった問題にフォーカスするかをしっかりと固めていきました。特に、二ヶ月という期間の制約の中で形にすることができ、なおかつ実問題に対する実用性が見込めるような課題設定をメンターがたとのディスカッションを通して行っていきました。実際には成果物のアウトプットのためにインターン期間の延長を行いましたが、（メンターがたの多大なるサポートのおかげで）最終的にはインターンでの取り組みをしっかりと形にすることができました。</p>
<h2 id="環境について">環境について</h2>
<p>LeapMindでのインターン環境はとても素晴らしいものでした。
社内で用いるノートPCは好きなようにリクエストできた上、4Kディスプレイまで支給され、追加の計算機も必要な分利用することができるなど、用意された環境は私にとって十分なものでした。
また、私は福岡に住んでいるのですが、東京までの交通費やインターン期間中の宿泊費は全額支給されたため、生活面や金銭面での心配は一切ありませんでした。遠方からのインターン参加を考えている方も安心して応募できる充実した補助制度だと思います。
社内環境としては、全メンバが同じ執務室であるためメンバ同士の距離が近く、HackDaysやFamilyDayなど社内イベントも活発で、チームの垣根を超えて様々な方と交流することができる点が私にとって魅力でした。Blueoilチームやビジネスチーム、デザイナーの方々など異なるバックグラウンドを持つ専門家とお話することができたのは貴重な経験でした。
また、インターン生のために毎週CTOとディスカッションする時間が設けられていたり、DeepLearningの最先端技術についての勉強会があったりと、技術面でのサポートも充実していました。</p>
<p><img src="/images/posts/news/co-dev-division-summerintern/bb04af3a-img_7263.jpg" alt="登壇する今村さん"></p>
<h2 id="最後に">最後に</h2>
<p>LeapMindでのインターンでは、たった二ヶ月とは思えないほど充実した時間を過ごすことができました。技術的な成長はもちろんのこと、アミューズメントカジノに行ったり、ボードゲームをしたり、福岡出身者でもつ鍋に行ったり、カラオケに行ったりと業務以外でもたくさんの楽しい思い出を作ることができました。エンジニアとして最高に働きやすい環境でのインターン、興味のある方は是非応募してみてはいかがでしょうか。</p>

Co-Dev Divisionでのサマーインターンについて

<p>Hi there! My name is Oscar. I’m a summer intern at LeapMind and a Taiwanese student from Waseda University. I had an incredible time interning at this rapidly growing, multinational startup and would love to share my journey with you!</p>
<h2 id="making-deep-learning-prevalent">Making Deep Learning Prevalent</h2>
<p>This original title from LeapMind caught my eye during my internship hunting. With IoT becoming more common, it is refreshing to see this new concept of bringing deep learning to various devices. After learning about the company’s mission of embedded deep learning and its multilingual, open working environment, I knew that an internship at LeapMind is going to be unique for me. The experience of working at a Tokyo startup that designs hardware and software for deep learning is just an opportunity I cannot miss!</p>
<h2 id="internship-project-optical-flow-estimation-with-blueoil">Internship Project: Optical Flow Estimation with Blueoil</h2>
<p>The goal of my internship is developing a DNN for optical flow estimation with Blueoil and quantizing the network for edge devices to run. Blueoil is an open-source software from LeapMind that helps me apply quantize-aware training and convert a trained network into an executable program. By running this program on a CPU or FPGA-based device, embedded deep learning is achieved! 😎</p>
<p>I worked on this project with an intern partner, Inoue san, and my mentor, Iizuka san. My main task is designing the network for optical flow estimation using TensorFlow and verifying its performance after quantize-aware training. After surveying multiple related works and considering their implementation costs and compatibilities with Blueoil, we decided to implement and quantize FlowNetS, a famous DNN for learning optical flow, published in 2015.</p>
<p>This task might look simple at first glance. All I have to do is reproduce a DNN and apply quantize-aware training to it. In reality, there are numerous constraints and challenges:</p>
<p>In Blueoil, only a subset of TensorFlow operations in FlowNetS can be converted for edge devices, so I must replace many parts of the network with original architectures.
Blueoil uses extreme low-bit quantization (1-bit and 2-bit), which can significantly weaken the network's performance. Therefore, I need to consider different speed-accuracy trade-offs, e.g., which part of the network to quantize.
The dataset for optical flow estimation is large (30GB), and the total training time takes more than 2 weeks. It usually takes around 2 days to tell whether the network is learning effectively or not.</p>
<p><img src="/images/posts/en/news/deep-learning-internship-at-leapmind/4f216710-img_7065.jpg" alt="Image: Presentation"></p>
<h2 id="results--what-i-learned">Results &#x26; What I learned</h2>
<p>Despite all the difficulties mentioned above, I was able to overcome them thanks to the support and advice from Inoue san, Iizuka san, and multiple full-time members. In the end, I developed an original DNN, LmFlowNetS, and reduced its inference time by 53.14% on a CPU-based device with quantization! Inoue san and I even gave a live demo of this network during our final presentation. Through this experience, in addition to technical skills, I have also learned the following:</p>
<ul>
<li><strong>Take the initiative and don't hesitate to ask the experts.</strong></li>
<li><strong>Communicate and listen actively.</strong></li>
<li><strong>Observe carefully and experiment boldly.</strong></li>
</ul>
<p>To sum up, I had a rewarding experience working at LeapMind. The vibrant, open company culture really keeps me motivated every day. If you're interested in gaining an experience similar to mine, please don't hesitate to apply!</p>
<p>Our Source Code: [<a href="https://github.com/OscarWang114/blueoil/tree/lm-flownet-s">https://github.com/OscarWang114/blueoil/tree/lm-flownet-s</a>]
Final Presentation Slides: [<a href="https://www.slideshare.net/leapmind/final-presentation-optical-flow-estimation-with-dl-183441802">https://www.slideshare.net/leapmind/final-presentation-optical-flow-estimation-with-dl-183441802</a>]</p>
<p><img src="/images/posts/en/news/deep-learning-internship-at-leapmind/f405f06d-img_7117.jpg" alt="Image: Presentation"></p>
<h2 id="bonus-what-i-love-at-leapmind">Bonus: What I love at LeapMind</h2>
<p><strong>Open culture🙌</strong>: Everyone at LeapMind is very approachable and transparent. I don’t need to hesitate to ask anyone questions, even the CTO.
<strong>Shuffle lunch😋</strong>: This regular event divides everyone randomly into groups for lunch. It’s the perfect chance to socialize with people from other teams!
<strong>Technology💻</strong>: I love the free FPGA boards for development and the object detection live demo at the office entrance!</p>

Deep Learning Internship at LeapMind

<p>はじめまして、LeapMindでインターンをしていた白川です。
8月と9月の2か月間、Research &#x26; Science Divisionに所属していました。
正直どのような層が読んでいるのかはよく知りませんが、私のインターンでの経験について語っていきますので、インターンの応募の際などに参考にしていただけると幸いです。（もちろんインターン予定以外の方も最後まで読んでいただきたいですが……）</p>
<h2 id="インターン中にしていた事">インターン中にしていた事</h2>
<p>まずは、大まかにどのようなインターンをしていたかを紹介するところから始めたいと思います。
今回の研究テーマは量子化ニューラルネットワークでの量子化をする際にビット幅を混ぜることによってパフォーマンスの向上を目指すというものでした。
詳しくは説明しないので、そのようなものがあるのだなとでも思ってください。
私自身も事前知識としては研究内容をそこまで理解していなく、面接時の話し合いや面接後に紹介してもらった参考文献などを読んでのスタートでしたが、2か月間である程度の成果は出せたのではないかと思います。</p>
<h2 id="leapmind内の環境">LeapMind内の環境</h2>
<p>インターン中はそれぞれのインターン生にメンターと呼ばれる人が1人おり、私のメンターであったジョエルさんも多くのサポートをしてくれました。
週1であった1対1でのミーティングでは直接的に業務に関わることだけではなく、それ以外のプライベートな事が業務に支障をきたしていないかなどを話す時間も設けられていました。
また座席としても隣に座っており、細かなこと等も頻繁に会話が出来たという環境は、要所要所で大いに助かりました。</p>
<p>また、R&#x26;S Divisionでは週の始めと終わりにCheck In/Outと呼ばれるミーティングがありました。
各々が長期的な目標と中期的なプランを見据えつつ、Check Inではそれぞれの週におこなう業務のプランを、Check Outではそのプランの達成状況を共有するといった感じで、個人的にも自身の進捗を客観的に見ることで、最終発表までの期間を最大限活かせたと思います。</p>
<p><img src="/images/posts/news/research-science-summer-intern/d3b2d1df-img_7007.jpg" alt="登壇する白川さん"></p>
<p>他にも、毎週のCTO Office Hour for InternでCTOの徳永さんと進捗状況やおすすめのスープカレー屋さんを話したり（？）、月2回のShuffle Lunchで社内のいろいろな人たちとお昼を食べたり、Team Activityとしてフレンチレストランで夜ご飯を食べたり、インターンの締めとして焼肉をご馳走になったりなども楽しかったです。</p>
<p>こうして書いてみると食べてばかりにも見えますが、他にも（時期的に参加は出来ませんでしたが）HackDaysなどのイベントもあり、インターンとして楽しみながら働けました。</p>
<h2 id="最後に">最後に</h2>
<p>ここまで読んでくださった方で、LeapMindやResearchに興味を持っていただけたのなら、インターンに応募してみてください！</p>

R&Sチームでのサマーインターンについて

<p>AI（Artificial Intelligence、人工知能）の要素技術であるディープラーニング技術を活用する企業に向けたソリューションを提供するLeapMind株式会社（所在地：東京都渋谷区、代表取締役CEO：松田 総一、読み方：リープマインド、以下「LeapMind」）は、2019年10月15日にあいおいニッセイ同和損害保険株式会社（本社：東京都渋谷区、代表取締役社長：金杉 恭三、以下「あいおいニッセイ同和」）、SBIインベストメント株式会社（本社：東京都港区、代表取締役執行役員社長：川島 克哉）、トヨタ自動車株式会社（本社：愛知県豊田市、代表取締役社長：豊田 章男、以下「トヨタ」）、三井物産株式会社（本社：東京都千代田区、代表取締役社長：安永 竜夫、以下「三井物産」）［会社名・五十音順］の4社から合計約35億円のシリーズCラウンドにおける資金調達を実施したことをお知らせいたします。LeapMindはこれまでに約14.9億円の資金調達を実施しており、このたびの調達により累計調達額は約49.9億円になります。また、あいおいニッセイ同和・トヨタ・三井物産の3社とはそれぞれ業務提携を行い、さらなる事業拡大を進めて参ります。</p>
<h2 id="資金調達の目的背景">資金調達の目的、背景</h2>
<p>LeapMindでは、ディープラーニングを電力や通信状況に制約のある環境で実用化するために、ソフトウェアとハードウェアの両面から研究開発を行ってまいりました。LeapMindが保有する「極小量子化ディープラーニング技術」を用いることで、消費電力など様々な制約があるエッジ端末上でもディープラーニングを動作させることが可能となります。</p>
<p>このたび調達した資金は、「Blueoil」のさらなる開発とともに、「Blueoil」をさらにご活用いただけるよう極小量子化ディープラーニング専用の回路を設計し、並外れた低消費電力とかつてない性能を実現するための独自IP(Intellectual Property)の開発、および採用やマーケティング費用に充当する予定です。</p>
<h2 id="業務提携の目的背景">業務提携の目的、背景</h2>
<p>あいおいニッセイ同和は、日本の大手損害保険であり、コネクティッドカーやドライブレコーダーを活用した先進的な保険商品などの開発を行なっております。LeapMindの保有する技術を活用し、新たな保険商品の開発などを目指して参ります。</p>
<p>また、LeapMindの持つディープラーニングモデルの量子化を活用した「極小量子化ディープラーニング技術」は自動車産業においても要素技術の一つとして用途は今後さらに広がるものと考えております。トヨタとLeapMindは、今回の資本業務提携を機に、共同での開発を加速させ、実用化に向けた取り組みを推進してまいります。</p>
<p>国内外で多様な領域にわたる事業を展開する三井物産は、同社の総合力と国内外ネットワークまたグループ会社および出資先を通じてLeapMindが保有する技術の社会実装が加速されることを期待しております。</p>
<h2 id="出資企業について">出資企業について</h2>
<h3 id="あいおいニッセイ同和損害保険株式会社">あいおいニッセイ同和損害保険株式会社</h3>
<p>本社所在地：東京都渋谷区恵比寿1-28-1</p>
<p>代表者：金杉 恭三</p>
<p>主な事業内容：損害保険事業</p>
<p>URL：<a href="https://www.aioinissaydowa.co.jp/">https://www.aioinissaydowa.co.jp/</a></p>
<h3 id="sbiインベストメント株式会社">SBIインベストメント株式会社</h3>
<p>本社所在地：東京都港区六本木一丁目6番1号</p>
<p>代表者：川島 克哉</p>
<p>主な事業内容：ベンチャーキャピタルファンド等の運用・管理</p>
<p>URL：<a href="http://www.sbinvestment.co.jp/">http://www.sbinvestment.co.jp/</a></p>
<h3 id="トヨタ自動車株式会社">トヨタ自動車株式会社</h3>
<p>本社所在地：愛知県豊田市トヨタ町1番地</p>
<p>代表者：豊田 章男</p>
<p>主な事業内容：自動車の生産・販売</p>
<p>URL：<a href="https://global.toyota/jp/">https://global.toyota/jp/</a></p>
<h3 id="三井物産株式会社">三井物産株式会社</h3>
<p>本社所在地：東京都千代田区丸の内一丁目1番3号</p>
<p>代表者：安永 竜夫</p>
<p>主な事業内容：鉄鋼製品、金属資源、プロジェクト、モビリティ、化学品、エネルギー、食料、流通事業、ヘルスケア・サービス事業、ICT事業、コーポレートディベロップメントの各分野において、全世界に広がる営業拠点とネットワーク、情報力などを活かし、多種多様な商品販売とそれを支えるロジスティクス、ファイナンス、さらには国際的なプロジェクト案件の構築など、各種事業を多角的に展開</p>
<p>URL：<a href="https://www.mitsui.com/">https://www.mitsui.com/</a></p>
<h2 id="leapmind代表コメント">LeapMind代表コメント</h2>
<p><strong>LeapMind 代表取締役CEO 松田 総一</strong></p>
<p>ディープラーニング技術は研究開発の段階から、実用化へのフェーズへと変わってきました。しかし、現在の技術では実用化までの間に高速化、電力効率、コスト面などにおいて多くの問題を解決する必要があります。LeapMindでは、これらの問題を解決するために極小量子化ディープラーニングという手法について研究開発してまいりました。既に、FPGA向けに量子化ニューラルネットワーク用アクセラレーターを実現しておりますが、今後はASIC（特定用途向け集積回路）用IPの開発や、これらのアクセラレーターを活用するためのソフトウェア「Blueoil」のさらなる開発、商用版の準備も進めてまいります。LeapMindの技術は、並外れた低消費電力とかつてない性能を実現し、これまでディープラーニングの導入が難しかった制約の多い環境でのディープラーニングの実用化を可能とします。「機械学習を使った今までにないデバイスをあまねく世に広める」というLeapMindのミッションを実現するため、パートナー様と共に革新的なサービスや製品を世の中に出していきたいと考えております。</p>
<p>今回のシリーズCでは、世界でも有数のサービスや製品の提供をされている企業様に参画いただけたことを光栄に感じております。また、今回の資金は回路設計、コンパイラ、ディープラーニング研究をはじめ、ビジネス開発やFAEなどの人材強化にも使用していきたいと考えております。</p>

LeapMind、シリーズCラウンドとして約35億円の資金調達を実施

<h2 id="お客様の課題に対する有効性エッジデバイスでの実現可能性を短期間で検証">お客様の課題に対する有効性・エッジデバイスでの実現可能性を短期間で検証</h2>
<p>ディープラーニング技術を活用する企業に向けたソリューションを提供するLeapMind株式会社（所在地：東京都渋谷区、代表取締役CEO：松田 総一、読み方：リープマインド、以下：LeapMind）は、本日よりディープラーニングが適応可能か検証したい企業に向けた「ディープラーニング導入検討サービス」の提供を開始します。本サービスは、LeapMindに在籍するディープラーニングプロジェクトの経験豊かなエンジニアが、画像分類または物体検出などのモデル構築を実施し、お客様へ簡易評価レポートとアノテーション済みデータを納品する代行サービスです。通常のディープラーニング技術はもちろん、クラウドや消費電力の大きなコンピューティングリソースが必要なく手のひらサイズのエッジデバイス内で推論処理が可能となる「エッジディープラーニング技術」の導入まで、お客様のご要望に合わせてご提案いたします。</p>
<h2 id="ディープラーニング導入検討サービス詳細">「ディープラーニング導入検討サービス」詳細</h2>
<p>ディープラーニングが適応可能か検証したい企業に向けたサービスです。お客様は画像データをご用意いただくだけで、LeapMindがアノテーション作業から、構築したディープラーニングモデルの検証および評価までを一貫して行います。LeapMindが得意とするエッジデバイス上での検証も行い、結果を簡易評価レポートとしてまとめ、アノテーション済みのデータと共に納品いたします。納品後、お客様側で自由に検証していただけるよう、作成したモデルの購入に加え、モデルを搭載したDE10-Nano（※）などの指定エッジデバイスの購入もできます。</p>
<p>サービス詳細：<a href="https://leapmind.io/products/efficiera-ip">https://leapmind.io/products/efficiera-ip</a></p>
<p>※Terasic社「DE10-Nano」
<a href="https://www.terasic.com.tw/cgi-bin/page/archive.pl?Language=English&#x26;No=1046">https://www.terasic.com.tw/cgi-bin/page/archive.pl?Language=English&#x26;No=1046</a></p>
<h2 id="背景">背景</h2>
<p>AI（Artificial Intelligence、人工知能）の国内市場規模は、技術の成熟・安全性の向上・コストの減少などにより、運輸分野における自動運転の実用化、製造分野における情報化・知能化、生活関連分野への導入などさまざまな産業分野での市場形成が進むことが予測され、2030年には約86兆円（※）へと市場が拡大することが期待されております。その中でも特に大きな注目が集まっているディープラーニングによって、画像処理や音声処理など、いくつもの分野で劇的な精度向上が実現されてきました。しかし、導入に至るまでは専門知識はもちろんのこと、データの収集、アノテーション、クリーニングを実施しモデルを構築する必要があり、長期の開発スケジュールと、それに伴う費用を要することから、導入までに漕ぎ着けないケースが多く存在しています。</p>
<p>本サービスでは、エッジデバイスを含むディープラーニングの検討のために必要な工程をLeapMindが代行いたします。これにより、お客様はディープラーニングに関する事前知識や技術、専門家が必要なく、時間と費用を削減しながらも、エッジディープラーニング技術の導入のための検討を行えるようになります。</p>
<p>※（出典）EY総合研究所「人工知能が経営にもたらす創造と破壊」</p>
<h2 id="本サービスをご利用いただくメリット">本サービスをご利用いただくメリット</h2>
<p>安価にモデルの評価を実施可能
パラメータチューニングやデータオーグメンテーションなどの知識が不要
簡易結果レポートを取得できる
アノテーション済みデータを取得できる
ディープラーニングでの課題解決の可能性の見極めができる</p>
<h2 id="ディープラーニング導入検討サービスから製品化までの流れ">ディープラーニング導入検討サービスから製品化までの流れ</h2>
<p><img src="/images/posts/news/3429/2ae731ea-5e0bcd5857e3fe5497c495b162bd292f-1024x229.png" alt="ディープラーニング導入検討サービス→社内検証→共同研究→製品化"></p>
<h2 id="leapmind会社概要">LeapMind会社概要</h2>
<p>2012年に創業。AIの要素技術であるディープラーニングをコンパクト化することで、あらゆるモノに適用する「Deep Learning of Things (DoT)」の世界の加速を目指しています。ニューラルネットワークモデルの改善や独自のアルゴリズム研究をソフトウェアとハードウェアの両領域から行い、低消費電力なFPGAなどの電力が限られた小さなコンピューティング環境でも、エッジ側でクラウドを介さずにディープラーニングが稼働する「エッジディープラーニング」技術を実現。この独自技術を、小さな機械やロボットなど様々なエッジデバイスで活用していただくために以下3つのソリューションを提供しております。今回のサービスは「共同研究」をはじめ、全てのソリューションへと通じる内容となっております。</p>
<p>エッジディープラーニングの導入に必要な、データ作成、モデル構築、ハードウェア実装までを提供するプロダクト群 <strong>「DeLTA-Family」</strong>
ディープラーニングモデルの極小量子化、低消費電力なFPGA上での動作に必要なランタイムなどを、世界中の技術者の方にお使いいただき、当分野を発展させることを目的にオープンソース化したソフトウェアスタック <strong>「Blueoil」</strong>
お客様に合わせてカスタムして高度な研究開発を行う <strong>「共同研究」</strong></p>
<p>本社：〒150-0044 東京都渋谷区円山町28-1 渋谷道玄坂スカイビル5F
代表者：代表取締役CEO 松田 総一
設立：2012年12月
URL：<a href="https://leapmind.io">https://leapmind.io</a>
ディープラーニング導入検討サービス 公式URL： <a href="https://leapmind.io/products/efficiera-ip">https://leapmind.io/products/efficiera-ip</a>
DeLTA-Family 公式URL：<a href="https://delta.leapmind.io">https://delta.leapmind.io</a>
Blueoil 公式URL：<a href="https://blue-oil.org">https://blue-oil.org</a>
共同研究事業 公式URL：<a href="https://leapmind.io/business/consulting/">https://leapmind.io/business/consulting/</a>
本サービスに関するお問い合わせ先</p>
<p><a href="mailto:business@leapmind.io">business@leapmind.io</a></p>

ディープラーニング導入検討サービスを開始

<p>みなさま、またまた登場いたしました。LeapMindでインターンシップを行っている堂園です。
今回は題目にある通り、現在私が所属しているBusiness Divisionでのインターンシップについてご紹介します。
今までやってきた事を棚卸ししてみると、書きたいことが多すぎました...
まとめられないので、時間軸でご紹介できればと思います。
（今読み返して見ると、日記みたいになってしまいました。）
それでは、スタート！</p>
<h2 id="2018年-8月27日">2018年 8月27日〜</h2>
<p>初めは弊社学習済みモデル提供プラットフォーム「Modelite」に載せるモデルを作るという名目で入社しました。
ただ、実はずっとAI企業でセールスをしたいと思っていました。
そのことを打ち明けると、すんなりと僕をセールスの部署に配置転換してくださいました。
やりたい事に対して、チャレンジできる環境をすぐに用意してくださった事、本当に感謝しています。</p>
<p>そして、入社した週の金曜日、LeapMind主催のイベント「DeLTA-Tech」が開催されました。
会場の設営や準備のお手伝いとして、僕も参加することになりました。</p>
<p><img src="/images/posts/news/business-division-intern/614c034e-img_8591-300x200.jpg" alt="設営準備の様子"></p>
<p>そこで、今いる部署がセールスということもあり、イベント終了後お客様とお話する機会がありました。
アルバイトなどでお客様とお話することはたくさんありましたが、初めてのto Bのお客様で、入社して5日でわからないことだらけでしたが、積極的に話に行きました。
今思うと、よく話に行ったなと思います（笑）
（すぐに社員の方がフォローに入ってくれて、事なきを得ました。。。）</p>
<h2 id="2018年-9月">2018年 9月〜</h2>
<p>9月、僕はインサイドセールを担当する事になりました。
LeapMindでは、インサイドセールスの取り組みについてはまだまだ立ち上げ段階で、みんな探り探りでした。
スコアリングや、リードに架電した際の落とし込み、要再架電の期限など決めなければならない仕組みは山ほどありました。</p>
<p>架電してはフィードバックを繰り返して、フィールドセールスに対してどれだけ良いパスを投げられるか、どのような言い回しが刺さるのかなどについて、毎日議論しました。</p>
<p>さらに、僕はこの機会をいただいたことで、多い時には1日20人くらいのお客様とお話しました。
架電を通して、現在お客様が抱えている課題や、Deep Learningを使ってやりたいことなどを実際に聞くことができました。
やっぱり、実際に生の声を聞くということはすごく勉強になりました。</p>
<p><img src="/images/posts/news/business-division-intern/IMG_4133-300x225.jpg" alt="ブースの様子"></p>
<p>そして、9月中旬、僕は初めて出展イベントで、ブースに説明員として立ちました。
電話の時とは違い、Face to Faceでお客様とお話するので、表情やボディーランゲージを意識して、どうすればLeapMindの魅力やソリューションについてうまく説明できるのかという事について、自分なりに検証しました。
（ここでも色んな方にサポートしていただきました。感謝です。）</p>
<p>そして、イベントで獲得したリードを元に、またまたインサイドセールスを行いました。
毎日架電しては、セールス内でフィードバックを繰り返しました。
泥臭くはありましたが、個人的にはすごく楽しかったです。
この時にはインサイドセールスフローや、トークスクリプトの作成など、少しずつ仕組み化が進んでいきました。</p>
<h2 id="2018年-10月">2018年 10月〜</h2>
<p>10月は、怒涛のイベントWeekでした。
セールスチーム総動員で、リード獲得に向けて2週間毎日全力を尽くしました。
朝から幕張や東京ビックサイトに行き、夕方までブースに立ち続けました。
規模が大きいイベントということもあり、色んな企業の方がブースに来られました。
正直、かなりの人数毎日対応していたので、結構疲れました（笑）
でも、それ以上に色んな業種の方とお話することができて、楽しかったという気持ちの方が大きいです。（これはほんまです。毎日笑顔でブースに立っていました。）
ブースにあるディスプレイでプチプレゼンもしたり、本当に貴重な経験でした。</p>
<p><img src="/images/posts/news/business-division-intern/cab9bf31-img_9953-300x200.jpg" alt="ブースの様子"></p>
<h2 id="2018年-12月">2018年 12月〜</h2>
<p>12月といえば、HackDaysですね。
HackDays期間は、業務を止めて、仕事とは関係ない作品を作るという、とてもエキサイティングな社内イベントです。
DLエンジニアの先輩とマーケターの先輩とチームを組んで、「Youtuberのkemioと僕を入れ替える」という動画作品を作りました。</p>
<p>この動画はDeep Fakeという技術を用いて作成しました。
１つの作品をみんなで協力して作るという、まるで高校の文化祭みたいな感じでとても楽しかったです。</p>
<h2 id="2018年-1月">2018年 1月〜</h2>
<p>1月からは、Business Divで仕組みが変わり、僕もフィールドセールスに行くことが多くなりました。</p>
<p>東京や神奈川、遠いところで長野まで、お客様とお話するためにたくさん足を運びました。</p>
<p>人生で初めてブログを書きましたが、結構難しいですね。
文章を書くのがそもそも得意ではなかったので、かなり苦戦しました（笑）</p>
<h2 id="2018年-2月">2018年 2月〜</h2>
<p>個人的に一番成長したと感じているのが2月です。</p>
<p>初めてお客様に対して、提案書を作成しました。</p>
<p>僕は何かを作る時は初めから１つずつ丁寧に作っていくというクセがありました。
なので、提案書を作る時も、スライドの1ページから１つずつ作っていきました。
ただ、この作り方はあまり良くないというアドバイスを頂きました。</p>
<p>なぜかというと、「提案書はストーリーが大事」だからです。</p>
<p>なので、そのアドバイスを元に、まずは紙に自分の提案書の構想、ストーリーを書きました。</p>
<p>そして技術的な部分はエンジニアに相談したり、ビジネスの部分はセールスの人に相談したり、とにかく聞きまくりました。</p>
<p>そして、下記が自分が作成した提案書のタイムラインです。</p>
<p>①ノートにフレームを作る
　　　　　　↓
②ノートにある程度のスライドイメージを書いてみる
　　　　　　↓
③実際にパワポで下書きをする。社内の使えそうな既存のスライドがあれば、それを引っ張ってくる
　　　　　　↓
④スライドを清書する</p>
<p>【↓】の部分で社員の方に沢山フィードバックを頂きました。</p>
<p>さらに、お客様に見せて、こういう部分を追加して欲しいというフィードバックも頂き、何回も修正しました。</p>
<p>このインターンシップの期間の中で、正直一番しんどい時期でした。
「社内の合意を得る」のというのはとても大変だということを実感しました。</p>
<p>でも、振り返ってみると、この時期が一番成長した時かなと思っています。
終盤にこのような機会をくださって、僕はすごく感謝しています。</p>
<h2 id="まとめ">まとめ</h2>
<p>このインターンシップを通じて、仕事とは「色んな人からの合意を得る」ということなんだと実感しました。</p>
<p>こんな大学3年生に、貴重な経験をさせていただいて、本当に感謝しています。</p>
<p>もし、あなたがビシネス、セールスに関わってみたいと思うのであれば、ぜひインターンシップに来てみてはいかがでしょうか？</p>
<hr>
<p>LeapMindでのインターンについては、<a href="https://hrmos.co/pages/leapmind/jobs?jobType=INTN">こちら</a>から。</p>

Business Divisionでのインターンシップについて

<p>【新発表】2/27の #EDLS2019 にて、DNNプロセッサIPの開発と当社OSS「Blueoil」の Xilinx Zynq UltraScale+ MPSoC対応について発表しました。また、会場では、JAXA(宇宙航空研究開発機構)がLeapMindの技術を使って開発を進めている「GIDLIE」(ジドリ)のデモ展示を行いました。
その様子をマイナビニュースに取り上げていただきましたので、宜しければご覧くださいませ。同イベントにおいてCEO松田が「エッジコンピューティング市場の発展に貢献したい」という意気込みも語っています。</p>
<p><a href="https://news.mynavi.jp/article/20190228-778753/">https://news.mynavi.jp/article/20190228-778753/</a></p>

【新発表】DNNプロセッサIPの開発と「Blueoil」Xilinx対応について

<p>LeapMindでインターンをしていた五反田です。</p>
<p>さて、今回は題目にある通りハードウェアチームでのインターンについて説明できたらと思います。</p>
<h2 id="成長できる環境">成長できる環境</h2>
<p>まず、僕の所属していたチームは半分以上の方が海外出身の方で、毎日のミーティングも基本的には英語で行われていました。
社員の方と同じように席を与えてもらったこともあり、時にはチームの人と英語でジョークを話しつつ仕事を進めていきました。(まさか町田市が神奈川県か東京都か論争を話すとは思いませんでしたが...笑)</p>
<p>インターンの最終発表も英語で行わせていただき、半分留学感覚で仕事できたことは学部生としてはとても貴重な経験だったと思います。
...このように書くと「英語で仕事できるだけがメリットなの？」と思うかもしれませんが、もちろんそうではなく、実際にLeapMindが開発しているBlueoilというサービスに直に携わり、FPGA開発とDeep Learning両方を経験することができ、とても面白いものでした。
(補足しておくと、メンターやマネージャーとの会話は日本語で、最終発表も日本語でできるので、英語が苦手だという人でも問題なくLeapMindでインターンできると思います。)</p>
<p><img src="/images/posts/news/2018_intern_hardware/IMG_1117-300x200.jpg" alt="登壇する五反田さん"></p>
<p><img src="/images/posts/news/2018_intern_hardware/IMG_1087-300x200.jpg" alt="発表の様子"></p>
<h2 id="技術とエンジニアを大切にする会社">技術とエンジニアを大切にする会社</h2>
<p>「最低メモリ16GBが人権」という言葉が聞こえてきたり、4Kのディスプレイが支給されたりと、エンジニアにはとても働きやすい環境が整えられているというのも印象的でした。また、LeapMindでは、先ほど言及したBlueoilはオープンソースとして開発が進められている他、FPGAやDeep Learningについての勉強会が月に数回のペースで開かれる等、技術を大切にする姿勢を持っている会社だと感じました。</p>
<p>また、オフィスの色々なところにホワイトボードが設置され、気軽に議論をしている人がいたり、卓球をして気晴らしをしている人がいる等、とても自由な空気がありました。
少し話はずれますが、インターンも終わりに近づき夜まで残って作業をしていた時、CTOの徳永さんが「お疲れ様です、一緒に夕食でもいかがですか？」と美味しいトンカツ屋さんでご馳走してくださったり、ボードメンバとの距離が近いことも印象に残りました。</p>
<h2 id="最後に">最後に</h2>
<p>FPGA開発とDeep Learning両方を経験でき、こんなに働きやすい会社は中々ないと思います。もし、あなたがエンジニア志望なら、ぜひインターンに来てみてはいかがでしょうか？</p>
<p>最終日の発表の内容や、技術的な話題については、機会があれば後日投稿します！</p>
<hr>
<p>LeapMindでのインターンについては、<a href="https://hrmos.co/pages/leapmind/jobs?jobType=INTN">こちら</a>から。</p>

News