空の青さもすてき。
Source link
Views: 0
Google、初の推論専用TPU「Ironwood」を今年後半Cloud顧客に提供開始へ
Googleは「Cloud Next 2025」で、第7世代となるTPU「Ironwood」を発表した。推論処理に特化した初のTPUだ。最大で4614TFLOPSの計算能力を提供する。
Source link
Views: 0
「ペルソナシリーズ」カード付ウエハースが発売！メタリックプラカードは全30種類
「ペルソナシリーズ」ウエハース第2弾発売！
本商品には、『ペルソナ3 リロード』『ペルソナ4 ザ・ゴールデン』『ペルソナ5 ザ・ロイヤル』のキャラクターたちが集結。
ファン垂涎のメタリックプラカードは全30種類という豪華なラインナップで、シリーズファンはもちろん、コレクターも見逃せない内容となっています！
美麗なイラストと輝くメタリック加工で、お気に入りのキャラクターをより一層鮮やかに楽しめますよ。
詳細は公式サイトをご確認ください。
Views: 0
大阪・関西万博にやってきた姫路名物「えきそば」は税込3850円でひと味やふた味どころでなく別格の味わいの「究極の神戸牛すき焼きえきそば」 – GIGAZINE
大阪・関西万博では、世界各地の料理が楽しめるだけでなく、日本国内で展開する飲食店も腕によりをかけた特別なメニューを提供しています。姫路名物として知られる「まねきのえきそば」のまねき食品は、新商品として「『史上最強』で『最美味』の“究極のえきそば”」を出すということだったので、食べに行ってきました。
［大阪・関西万博への出店が決定！未来型チャレンジショップに挑戦します］ | まねき食品株式会社
https://www.maneki-co.com/2025/02/14/1698/
大屋根リングの内側、会場ほぼ中央にある「静けさの森ゾーン」に面したところに「スシロー 未来型万博店」「MANEKI FUTURE STUDIO JAPAN」「らぽっぽファーム～おいもとイチゴとりんごのfarm to the table～」が3店舗並んでいます。中央がまねきのお店。
メニューはこんな感じ。
入店してレジで注文し、席で待って、呼び出しがあったら受け取りカウンターに行くというスタイルは、姫路で展開されているお店と同様。なお、大阪・関西万博は全面的にキャッシュレスの方針となっているため、カードの残高不足に備えてチャージ機が設置されていました。
店内はカウンター席とテーブル席があり、カウンターテーブルを除いてSDGsのため段ボール製となっていました。
今回は“究極のえきそば”だという「究極の神戸牛すき焼えきそば」を提供してもらいました。器からして輪島塗の漆器で、特別な一杯であることを感じさせるものとなっています。
まずはだしを一口飲んでみると、口の中に入った瞬間に「！？」という記号が頭から飛び出す感じ。えきそばといえば「中華麺＋和風だし」の組み合わせが特徴で、だしは薄く塩味を感じるぐらいの味付けなのですが、このえきそばのだしは別物で、魚介の旨みでガツンとぶん殴られるかのよう。実際、ホタテとハマグリを加えて「万博仕様」のだしにしているとのこと。
めんも、しっかりだしと絡みつつ、だしに負けることなくツルツルでムチッと弾力のある食感がある、通常の麺とは異なるもの。この2つの組み合わせだけでも「えきそばがパワーアップしている」と実感します。
そこに加わるのは神戸牛のすき焼きで、肩ロースを100g使用しているとのこと。味付けはすき焼きらしく甘さをしっかり押し出した甘辛です。以前、きつねえきそばを食べたときに甘口の油揚げと少し塩味のあるだしにはギャップがあって上級者向けという印象を抱いたため、甘みのあるすき焼きはどうなるだろうかと思ったのですが、甘辛い肉の味わいを、貝のしっかり風味を蓄えただしが受け止めていて、さすがに抜かりなしでした。
すき焼きなので、さらに卵まで控えているといううれしさ。
確かに、税込3850円というのは、「きつね」や「天ぷら」のえきそばの税込480円と比べてもかなりの高級メニューですが、ノーマルのえきそばとはひと味もふた味も違う、食べたことのないえきそばになっているというのは事実。広い万博会場の中には抑えめの価格にしているお店もありますが、「せっかく来たなら、なにか特別な品を」というときの選択肢として考えてみるのはアリなのではないかと思いました。
なお、スタンダードな各種お弁当もあります。
お菓子や、えきそばの乾麺とスープのお土産セットもありました。
オリジナルTシャツもあるということです。
ちなみに、「究極の神戸牛すき焼きえきそば」にソフトドリンクとお土産特典をつけたリターンのあるクラウドファンディングが開催されています。もし、2025年5月19日以降に大阪・関西万博に行って「究極の神戸牛すき焼きえきそば」を食べようと思っているのであれば、このリターンをもらっておくのが少しお得かもしれません。
聞いて！大阪・関西万博でまねきの究極の神戸牛すき焼きえきそばが3850円の理由。 – CAMPFIRE (キャンプファイヤー)
https://camp-fire.jp/projects/838388/view
この記事のタイトルとURLをコピーする
Views: 0
大量の経路検索が一瞬で！？最強オープンソース「R5R」 #GTFS – Qiita
国土交通省からデータアナリストとして株式会社onerootsへ転職した小池と申します。
早速ですがオープンソースの経路検索システムといえば、何を思い浮かべるでしょうか？
一般的によく知られているものとしては、OpenTripPlanner（OTP） があります。実は、この経路検索に関して、処理速度を比較した面白い論文があります。
この論文では、ArcGIS Pro、OpenTripPlanner（OTP）、R5R、Emme のツールを用いて移動時間の算出速度を比較しています。その結果、R5Rが圧倒的に高速であることが明らかになりました。特に、複数の出発地から複数の目的地への移動時間を計算する場合において、他のツールと比較して群を抜いて速いことが確認できます。今回はこのR5Rを用いた交通解析についてご紹介していきます。
R5（Rapid Realistic Routing on Real-world and Reimagined networks） は、Conveyalが開発したオープンソースの経路検索エンジンで、到達圏解析や複数の出発地・目的地の組み合わせの計算を高速に実行できる特徴があります。これにより、都市スケールの大規模な分析でも短時間で結果を得ることができます。
このR5を、Rのパッケージとして扱えるようにしたのが、Ipea（Institute for Applied Economic Research）が開発したR5Rです。今回は、このR5Rの環境構築と分析方法について詳しくご紹介していきます。
（※Python版もありますが、こちらは別の記事で改めてご紹介予定です。）
R5Rの環境構築
R5RはR上で動作するパッケージですが、R5を内部で使用しているため、Javaの実行環境（JDK）も別途必要です。ここでは、Dockerを使った環境構築方法をご紹介します。以下は、R5R環境を構築するためのDockerfileです。
Dockerfile
FROM rocker/r-ver:4.4.1
RUN apt-get update && apt-get install -y \
libcurl4-openssl-dev \
libssl-dev \
libxml2-dev \
libudunits2-dev \
libgdal-dev \
libgeos-dev \
libproj-dev \
curl \
pv \
&& rm -rf /var/lib/apt/lists/*
RUN curl -L -o /tmp/OpenJDK21U-jdk_x64_linux_hotspot_21.0.5_11.tar.gz https://github.com/adoptium/temurin21-binaries/releases/download/jdk-21.0.5%2B11/OpenJDK21U-jdk_x64_linux_hotspot_21.0.5_11.tar.gz \
&& mkdir -p /usr/lib/jvm \
&& tar -xzf /tmp/OpenJDK21U-jdk_x64_linux_hotspot_21.0.5_11.tar.gz -C /usr/lib/jvm \
&& rm /tmp/OpenJDK21U-jdk_x64_linux_hotspot_21.0.5_11.tar.gz
ENV JAVA_HOME="/usr/lib/jvm/jdk-21.0.5+11"
RUN R -e "install.packages(c('remotes', 'sf'))"
RUN R -e "remotes::install_github('ipeaGIT/r5r', subdir="r-package")"
上記のDockerfileを作成後、以下のコマンドを実行すると構築が完了します。
Docker実行コマンド
docker build -t r5r_accessibility .
データ準備
次に、解析を行うために OpenStreetMapの地図データと、GTFSの公共交通データが必要となります。今回は徳島県つるぎ町を対象として解析を行いたいと思います。これらのデータは全て同じフォルダに保存します。
①OpenStreetMap
最初に分析する対象範囲のOpenStreetMapを入手するため、以下のサイトから四国の.osm.pbfファイルをダウンロードします。
ダウンロードした四国全体のデータをそのまま使うことも可能ですが、処理時間を短縮するために、つるぎ町だけを抽出して使用します。抽出ツールについては、こちらのConveyalの公式ドキュメントに載っていますので参考にしてみてください。
②GTFS
続いて、つるぎ町の公共交通データ（GTFS）を入手します。今回は、以下のサイトからつるぎ町のGTFSデータをダウンロードします。
③出発地・目的地
最後に、出発地・目的地の位置情報を記載したcsvファイルを作成します。
今回は、以下のようなcsvを作成します。
「出発地.csv」
| id | lat | lon |
|---|---|---|
| 出発地1 | 34.040408 | 134.067784 |
| 出発地2 | 34.000502 | 134.08444 |
| 出発地3 | 34.035032 | 134.06151 |
「目的地.csv」
| id | lat | lon |
|---|---|---|
| 町役場本庁 | 34.03734 | 134.064147 |
| 町役場支所 | 33.95496 | 134.064578 |
| 道の駅 | 34.042613 | 134.060105 |
分析方法
次に、R5Rを用いた具体的な分析方法についてご紹介します。今回は以下の４つについて分析を行います。
（１）移動時間の算出
（２）移動時間の算出（各移動手段別の時間も取得）
（３）移動経路
（４）到達圏解析
（１）移動時間算出
まず、全ての出発地から全ての目的地までの移動時間を算出します。以下のコードを実行することで、移動時間を計算できます。
R（ttm.r）
# メモリ割り当て
options(java.parameters = "-Xmx16G")
library(r5r)
# フォルダの読みこみ
folder_path "/scripts/"
# 出発地のデータを読みこみ
points read.csv(paste0(folder_path,"出発地.csv"))
# 目的地のデータを読みこみ
poi read.csv(paste0(folder_path,"目的地.csv"))
# GTFSとOSMが保存されているフォルダを読みこみ
data_path folder_path
# ネットワークの構築
r5r_core setup_r5(data_path = data_path)
# 条件設定
mode c("WALK", "TRANSIT") # 徒歩と公共交通で移動
max_walk_time 300 # 徒歩の最大移動時間（分）
max_trip_duration 300 # トリップの最大移動時間（分）
walk_speed 4.8 # 徒歩の速度（km/h）
departure_datetime as.POSIXct("15-03-2025 7:45:00",
format = "%d-%m-%Y %H:%M:%S") #出発時間の指定
# （１）移動時間算出
ttm travel_time_matrix(r5r_core = r5r_core,
origins = points,
destinations = poi,
mode = mode,
time_window = 1L,
departure_datetime = departure_datetime,
max_walk_time = max_walk_time,
walk_speed = walk_speed,
max_trip_duration = max_trip_duration)
# csvとして保存
write.csv(ttm, file = paste0(folder_path, "ttm_result.csv"), row.names = FALSE, fileEncoding = "cp932")
このRスクリプトをDockerで実行するには、以下のコマンドを使用します。
Docker実行コマンド
docker run --rm -v ${PWD}:/scripts -w /scripts r5r_accessibility Rscript ttm.r
計算が完了すると、ttm_result.csv に以下のような形式で移動時間が出力されます。
このうち、travel_time_p50 列が移動時間（分）を表します。
| from_id | to_id | travel_time_p50 |
|---|---|---|
| 出発地１ | 町役場本庁 | 6 |
| 出発地１ | 町役場支所 | 36 |
| 出発地１ | 道の駅 | 15 |
| 出発地２ | 町役場本庁 | 79 |
| 出発地２ | 町役場支所 | 36 |
| 出発地２ | 道の駅 | 89 |
| 出発地３ | 町役場本庁 | 7 |
| 出発地３ | 町役場支所 | 36 |
| 出発地３ | 道の駅 | 15 |
（２）移動時間の算出（各移動手段別の時間も取得）
先ほどの結果では、移動全体にかかる所要時間のみが出力され、徒歩やバスといった各移動手段ごとの所要時間は含まれていませんでした。ここでは、徒歩・バス・待ち時間などの内訳も含めた移動時間を取得します。徒歩速度や最大移動時間などの条件は前回と同じまま、以下のコードを実行することで取得できます。
R
# （２）移動時間の算出（各移動手段別の時間も取得）
ettm expanded_travel_time_matrix(r5r_core = r5r_core,
origins = points,
destinations = poi,
mode = mode,
time_window = 1L,
departure_datetime = departure_datetime,
max_walk_time = max_walk_time,
walk_speed = walk_speed,
breakdown = TRUE,
max_trip_duration = max_trip_duration)
# csvとして保存
write.csv(ettm, file = paste0(folder_path, "ettm_result.csv"), row.names = FALSE, fileEncoding = "cp932")
計算が完了すると、以下のような結果が出力されます。出発地からバス停までの徒歩時間や公共交通の乗車時間、待ち時間、どの路線に乗ったか、乗換回数等が取得できました。
| $\textsf{from_id}\hspace{1em}$ | $\textsf{to_id}\hspace{3em}$ | $\textsf{departure_time}$ | $\textsf{draw_number}$ | $\textsf{access_time}$ | $\textsf{wait_time}$ | $\textsf{ride_time}$ | $\textsf{transfer_time}$ | $\textsf{egress_time}$ | $\textsf{routes}\hspace{1em}$ | $\textsf{n_rides}$ | $\textsf{total_time}$ |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 出発地１ | 町役場本庁 | 7:45:00 | 1 | 0 | 0 | 0 | 0 | 0 | [WALK] | 0 | 6.5 |
| 出発地１ | 町役場支所 | 7:45:00 | 1 | 5.9 | 1.1 | 29 | 0 | 0.4 | 10 | 1 | 36.4 |
| 出発地１ | 道の駅 | 7:45:00 | 1 | 0 | 0 | 0 | 0 | 0 | [WALK] | 0 | 15.6 |
| 出発地２ | 町役場本庁 | 7:45:00 | 1 | 0 | 0 | 0 | 0 | 0 | [WALK] | 0 | 79.2 |
| 出発地２ | 町役場支所 | 7:45:00 | 1 | 0.4 | 19.6 | 16 | 0 | 0.4 | 10 | 1 | 36.4 |
| 出発地２ | 道の駅 | 7:45:00 | 1 | 0 | 0 | 0 | 0 | 0 | [WALK] | 0 | 89.3 |
| 出発地３ | 町役場本庁 | 7:45:00 | 1 | 0 | 0 | 0 | 0 | 0 | [WALK] | 0 | 7 |
| 出発地３ | 町役場支所 | 7:45:00 | 1 | 2.5 | 5.5 | 28 | 0 | 0.4 | 10 | 1 | 36.4 |
| 出発地３ | 道の駅 | 7:45:00 | 1 | 0 | 0 | 0 | 0 | 0 | [WALK] | 0 | 15.1 |
（３）移動経路
続いて、特定の出発地から目的地までの詳細な移動経路を取得します。今回は例として、出発地3から町役場支所までの経路を取得します。以下のコードを実行することで、詳細な経路情報を取得できます。
R
library(sf)
#（３）移動経路
det detailed_itineraries(r5r_core = r5r_core,
origins = points[3,],
destinations = poi[2,],
mode = mode,
time_window = 1L,
departure_datetime = departure_datetime,
max_walk_time = max_walk_time,
walk_speed = walk_speed,
max_trip_duration = max_trip_duration)
# geojsonとして保存
st_write(det, "det_result.geojson", driver = "GeoJSON", delete_dsn = TRUE)
GeoJSON形式で出力されたデータは、QGISなどのGISツールで表示することができます。 実際にQGIS上で表示すると、出発地から目的地までの徒歩・バス経路が可視化できます。
（４）到達圏解析
最後に、町役場本庁から到達可能な範囲を算出します。今回は、10分単位で0〜60分までの到達圏を計算します。以下のコードを実行することで、到達可能な範囲を取得できます。
R
#（４）到達圏解析
iso1 isochrone(r5r_core,
origins = poi[1,],
mode = "TRANSIT",
mode_egress = "WALK",
cutoffs = seq(0, 60, 10),
sample_size = 1,
polygon_output = FALSE,
departure_datetime = departure_datetime,
max_walk_time = max_walk_time,
max_trip_duration = max_trip_duration,
time_window = 1L)
# geojsonとして保存
st_write(iso1, "isochrones.geojson", driver = "GeoJSON", delete_dsn = TRUE)
GeoJSON形式で出力されたデータをQGIS上で表示すると、道路網に沿った移動時間ごとの到達可能範囲を可視化できます。
坂道を考慮した分析
これまでは2次元空間での分析を紹介してきましたが、標高データを取り入れることで、坂道を考慮した分析も可能になります。方法としては、国土地理院が提供する基盤地図情報から標高データを取得し、GeoTIFF形式に変換したうえで、GTFSやOSMデータを保存しているフォルダと同じ場所に保存します。これにより、標高を考慮したルート計算が可能になります。GeoTIFFへの変換方法については、以下のサイトに詳しく紹介されていますので、参考にしてみてください。
算出方法としては、デフォルトでToblerのハイキング関数が設定されています。 詳細な内容については以下に論文なども含めて掲載されていますので、参考にしてみてください。
実際に標高データを入れて到達圏解析を実施したところ、導入後の方が下流側において若干移動範囲が広くなる結果となりました。
最後に
本記事では、R5Rを用いて公共交通における到達圏解析や移動時間の算出を行う方法をご紹介しました。R5Rは処理速度が非常に速く、大規模な都市に対しても高速に解析が可能で、非常に有用なツールです。実際にこのツールを使用して、移動利便性の評価を行う業務も行っています。
次回はR5のPython版である「R5py」についてもご紹介したいと思いますのでよろしくお願い致します。
Views: 0
Openaiの弁護士は、Elon Muskが「さらなる違法で不公平な行動」から禁止されることを求めています
Openaiとその疎遠な共同設立者である億万長者のElon Muskの間の劇的なスーツは、失望させる兆候を示していません。
水曜日に提出CEOのSam Altmanを含むOpenaiおよび事件の他の被告の弁護士は、Muskが「さらなる違法で不公平な行動」から禁止され、「彼がすでに引き起こした損害に責任を負った」と命じられたことを呼びかけました。
「Openaiは回復力があります」とファイリングは読みます。 「しかし、マスクの行動は犠牲になりました。彼のキャンペーンが続く場合、より大きな害が脅かされます – その使命の奉仕においてオープンライの能力、その使命を促進するために不可欠な関係、そして公共の利益に […] オープンライに対するマスクの継続的な攻撃は、最近ではオープンの将来を混乱させるために設計された偽の買収入札で頂点に達しましたが、やめなければなりません。」
マスクの弁護士は、TechCrunchのコメントの要求にすぐに応答しませんでした。
Openaiに対するMuskの訴訟は、AIの研究がすべての人類に利益をもたらすことを保証するために、非営利のミッションを放棄したというスタートアップを非難しています。 Openaiは2015年に非営利団体として設立されましたが、2019年には「キャップされた営利団体」構造に改造され、現在は公的給付法人に再構築されようとしています。
ムスクは、予備的差止命令を求めていました Openaiの営利への移行を停止します。 3月、連邦判事 要求を拒否しました – しかし、この事件は2026年春にju審裁判に行くことを許可した。
かつてOpenaiの重要な支持者だったマスクは、おそらくそのです 最大 敵。 Openaiにとっては利害関係が高いため、2025年までに営利目的の転換を完了する必要があると伝えられています。 首都の一部を放棄します ここ数ヶ月で育ちました。
カリフォルニアチームスターのような非営利団体や労働グループを含む組織のグループは、今週、カリフォルニア州司法長官のロブ・ボンタに、オープンアイが営利団体になるのを止めるように請願し、会社は「慈善資産を保護できなかった」と主張し、「慈善ミッションを積極的に覆い、安全な人工知能を促進する」と主張しています。
エンコード、カリフォルニアを共催した非営利組織 不運 SB 1047 AI安全法、 アミカスのブリーフで同様の懸念を表明しました 12月に提出。
Openaiは、その回心があると言っています 非営利団体を保存します そして、ヘルスケア、教育、科学などの分野で「慈善イニシアチブ」に費やされるリソースを吹き込みます。
Views: 0