検索結果
-
まずは、今のデータの検索の仕組みは、すべてのインターネット上にあるURLをグーグルのAIが巡回して、自らデータを自社のサーバーに集めている グーグルが優れているのは、この巡回するAIの性能が高いということ よって、人間が仕事しなくても、AIがグーグルのサーバーにデータを集めてくれているのでコスト面で優位に立てたと理解している この仕組みは確かに優れているが、それでもデータをグーグルのサーバーに集めて、そのデータを検索すると言う点で、中央集権的だ グーグルのサーバーにあるデータを他者の検索システムが利用できないので、競争にならないのだよ ブロックチェーンは、データがすでに公開されているため、グーグルがやっているように、AIが巡回してデータをサーバに集めるという作業が必要無い 誰でも検索システムを構築して、ブロックチェーン上にあるデータを検索できる よって検索システム間の競争も生まれるし、コストも下がって行くというわけ ちなみに、グーグルは検索のコストを、広告費などで埋めているわけだが WEB3時代になれば、広告など必要が無くなるほどコストが下がると見込まれる
-
smciはデータセンターじゃないから関係ねえよ
-
為替154.6円 日本国債 10年利回り0.84% 米国債券 10年利回り4.62% 米国債券 2年利回り4.98% 原油先物NYM 83.2ドル ブレント原油先物NYM 87.3ドル 前日終値、1500円 4月19日(金曜)、VIX恐怖指数が20指数を超えたのは去年の10月27日以来。前回はその日を境に、ダウ及び日経平均は劇的なV字回復を果たしている。 よって、4月19日付近を境に、前回同様、回復に向かう、あるいは、下げ止まる1つの目安になると思う。最悪、もう1段下がる可能性もあるが、そこが最高の買い場となるからVIX恐怖指数は下落局面ではチェックしておいた方が良いと思う。過去のデータから推測するに、4月は荒れても5月から秋にかけては、まるで何事もなかったかのように株価は上がっていくのではないかと私は推測している。 ちなみに、恐怖指数の私的な考え方は… 株価急落の恐怖でメンタルの弱い人が狼狽売りしてしまう場所。 逆に言うと、恐怖に打ち勝ちそれでも売らなかったメンタルの強い人だけが残る場所でもあるから、そうなると、下げ止まる、と考えられる。 株式投資も弱肉強食の世界、いわゆるこれが強いものだけが残る、ふるい落としと言われるものだ。 つまり、端的に言うなら恐怖指数が20を超えた時(付近)が本当の買い場なのだ。だから、資金はこれにも対応できるよう、常に残しておくべき。 アメリカの利下げ時期が遅れれば遅れるほど円安は進み、ここまで来てしまうと、通常の単独介入ではほとんど効果もなく、可能なら協調介入、それが無理なら、近々(半年程度で)金利を上げざるをえなくなるはず。 銀行株にとって好環境の現在において三菱UFJ株を買い増しする理由はあれど、売る理由は私にはない!
-
-
はっきり言おう。 アイサンテクノロジーより 《Kudanが遙か上のレベルを行っている。》 【点群データだけなら3流企業でも生成できる】 【点群データに色付ける事も3流企業でも出来る】 だって 【Liderで読み取れば簡単に点群が生成出来る】 のだから、、、 Kudanはその遙か上のレベルをいとも簡単にやってのけてるのだよ?!!! INNOVIZのCEOに、『これはSLAMの画像ですか?』と聞いた事がある。 INNOVIZCEOは『これはLider で読み取った画像です』 と返答が。 私は腑に落ちないまま現在進行形で来てしまった。 今ようやく飲み込めたよ。 3 次元 LiDAR 点群を使用した SLAM の実行 この例では、点群処理アルゴリズムと姿勢グラフの最適化を使用して、収集された 3 次元 LiDAR センサー データに "自己位置推定と環境地図作成の同時実行" (SLAM) アルゴリズムを実装する方法を説明します。この例の目標は、ロボットの軌跡を推定し、3 次元 LiDAR 点群と推定された軌跡から環境の 3 次元占有マップを作成することです。
-
こんな難しい事をKudanは一瞬で行っていた?!! SLAMの作り方※他企業の説明 ↓↓↓ https:// jp.mathworks.com/help/nav/ug/perform-lidar-slam-using-3d-lidar-point-clouds.html その1文 3次元 LiDAR 点群を使用した SLAM の実行 この例では、点群処理アルゴリズムと姿勢グラフの最適化を使用して、収集された 3 次元 LiDAR センサー データに "自己位置推定と環境地図作成の同時実行" (SLAM) アルゴリズムを実装する方法を説明します。この例の目標は、ロボットの軌跡を推定し、3 次元 LiDAR 点群と推定された軌跡から環境の 3 次元占有マップを作成することです。 ここで示す SLAM アルゴリズムでは、正規分布変換 (NDT) に基づく点群レジストレーション アルゴリズムを使用して軌跡を推定し、ロボットが同じ場所を通るたびに信頼領域ソルバーを使用した SE3 姿勢グラフの最適化を使用してドリフトを減らします。 データの読み込みと調整可能なパラメーターの設定 ある駐車場で Clearpath™ Husky ロボットから収集した 3 次元 LiDAR データを読み込みます。この LiDAR データには、"n" 行 3 列の行列の cell 配列が格納されています。ここで、"n" は取得された LiDAR データ内の 3 次元の点の数で、列は取得された各点に関連付けられている "xyz" 座標を表します。 Get outputFolder = fullfile(tempdir,'ParkingLot'); dataURL = ['https://ssd.mathworks.com/supportfiles/lidar/data/' ... 'NatickParkingLotLidarData.tar']; pClouds = helperDownloadData(outputFolder,dataURL); 点群レジストレーション アルゴリズムのパラメーター 点群レジストレーション アルゴリズムを使用した軌跡の推定のパラメーターを指定します。maxLidarRange で 3 次元レーザー スキャナーの最大範囲を指定します。 Get maxLidarRange = 20; 屋内環境で取得された点群データには床面と天井面の点が含まれていて、点群レジストレーション アルゴリズムで混同されます。次のパラメーターにより、一部の点が点群から削除されます。 referenceVector - 床面の法線方向。 maxDistance - 床面と天井面を削除するときのインライアの最大距離。 maxAngularDistance - 床面と天井面を当てはめるときの基準ベクトルからの最大角度偏差。 Get referenceVector = [0 0 1]; maxDistance = 0.5; maxAngularDistance = 15;
-
「WE LOVE JD Edwards」宣言 ジェクシードは、 オラクルのERP製品である「JD Edwards」を利用している企業における投資を保護するとともに更なる活用を支援するために、今後も「JD Edwards」に関するサービスを拡充し、継続してサービスを提供してまいります。 1.JD Edwardsの継続活用支援として、バージョンアップサービス、運用・保守サポートサービス、プロジェクト支援 に関するサービスを継続して提供します 2.JD Edwardsの維持コスト削減対策として、クラウド化支援(リフト&シフト)、外部モジュール開発支援、作業の 自動化支援等のサービスを継続して提供します 3.JD Edwardsのさらなる活用支援として、OraclePBCS等の管理会計ソリューションとの連携、帳票などのサード パーティ製品との連携等のインテグレーションサービスを拡充します 4.JD Edwardsから、新ERPシステムへ切り替えをする際のデータ移行等の移行支援サービスを提供します 「JD Edwards」を安心して継続的に利用頂くために、日本オラクルとの関係を強化し、様々なサービスの提供を行ってまいります。
-
Kudanは一瞬で読み取った点群から 自己位置推定とマッピング(SLAM)を同時にやってのけてる企業である。 点群生成するだけなら、点群に色付けするだけなら3流企業でも出来る。 SLAMとは? SLAMの作り方 https:// jp.mathworks.com/help/nav/ug/perform-lidar-slam-using-3d-lidar-point-clouds.html 3 次元 LiDAR 点群を使用した SLAM の実行 ※一部抜粋 この例では、点群処理アルゴリズムと姿勢グラフの最適化を使用して、収集された 3 次元 LiDAR センサー データに "自己位置推定と環境地図作成の同時実行" (SLAM) アルゴリズムを実装する方法を説明します。この例の目標は、ロボットの軌跡を推定し、3 次元 LiDAR 点群と推定された軌跡から環境の 3 次元占有マップを作成することです。 ここで示す SLAM アルゴリズムでは、正規分布変換 (NDT) に基づく点群レジストレーション アルゴリズムを使用して軌跡を推定し、ロボットが同じ場所を通るたびに信頼領域ソルバーを使用した SE3 姿勢グラフの最適化を使用してドリフトを減らします。 データの読み込みと調整可能なパラメーターの設定 ある駐車場で Clearpath™ Husky ロボットから収集した 3 次元 LiDAR データを読み込みます。この LiDAR データには、"n" 行 3 列の行列の cell 配列が格納されています。ここで、"n" は取得された LiDAR データ内の 3 次元の点の数で、列は取得された各点に関連付けられている "xyz" 座標を表します。 Get outputFolder = fullfile(tempdir,'ParkingLot'); dataURL = ['https://ssd.mathworks.com/supportfiles/lidar/data/' ... 'NatickParkingLotLidarData.tar']; pClouds = helperDownloadData(outputFolder,dataURL); 点群レジストレーション アルゴリズムのパラメーター 点群レジストレーション アルゴリズムを使用した軌跡の推定のパラメーターを指定します。maxLidarRange で 3 次元レーザー スキャナーの最大範囲を指定します。 Get maxLidarRange = 20; 屋内環境で取得された点群データには床面と天井面の点が含まれていて、点群レジストレーション アルゴリズムで混同されます。次のパラメーターにより、一部の点が点群から削除されます。 referenceVector - 床面の法線方向。 maxDistance - 床面と天井面を削除するときのインライアの最大距離。 maxAngularDistance - 床面と天井面を当てはめるときの基準ベクトルからの最大角度偏差。 Get referenceVector = [0 0 1]; maxDistance = 0.5; maxAngularDistance = 15; レジストレーション アルゴリズムの効率と精度を高めるために、randomSampleRatio で指定したサンプル比の無作為抽出を使用して点群がダウンサンプリングされます。
-
おはようございます。 雨の週明け元気出ないね。 先週末のエヌビディアの10%の下げと半導体株全体が売られて今週も売られそうで半導体株はしばらくお休みとなりそう。 そう言った中で今週はペロブスカイト銘柄、データセンター銘柄が注目されそうですね。 ペロブスカイト銘柄の伊勢をはじめ、積水化学工業、カネカとデータセンター関連のさくらインターネットやさくらケーシーエス、ドローン関連のFIGを注目して行こうと思います。 伊勢は決算もありどちらにも評価されてるので迷います。半分利確して半分は決算跨ごうかな。 今週も頑張りましょう。
お気の毒で掛ける言葉もございま…
2024/04/22 03:12
お気の毒で掛ける言葉もございませんが、ここに集う投稿者の多くの言葉をそのまま信ずることが最も危険なことでございます。 損切りすることは、誰でも精神的に大きなダメージを被るでしょうが、長期的に上昇することが期待できる銘柄としては、 Nvidia があります。 ここはあなた様のご判断によるところではございますが、ポジティブに考えれば、昨日10%も下落した Nvidia に乗り換えることを検討されてはいかがでしょうか? そもそも、TSMCの決算のガイダンスが下方修正されたことで、半導体株が一様に大暴落しておりますが、TSMCの下方修正は 「TSMC、2024年の半導体市場の成長見通しを下方修正」 スマホやPCの販売が低迷 ブルームバーグ 2024/04/19 https://shikiho.toyokeizai.net/news/0/749105 にあるように、 AI処理用の最先端チップを設計・製造するメーカー 👆 (データセンター関連、AI関連は非常に強い。その代表格がNvidia) は好調であって、不調なのは 消費者製品向けチップを手がけるメーカー 👆 (AAplがその代表格) です。 しかし、金曜日は AAPL-1.22%の弱い下げ に止まるも、 NVDAが-10% の大暴落に見舞われているのはTSMCの決算から考えれば全くおかしな話です。 損切をするというネガティブな考えから、気分一新、世界を代表する優良銘柄に乗り換えるというポジティブな考えに変容するはいかがでしょうか?