Warpcastを触ってみている

少し前から気になっていた、Warpcastというアプリケーションでアカウントを作ってみた。
言ってしまうとX（旧Twitter）みたいなものだが、Web3。つまり、分散型のテクノロジーを組み合わせて作られている点が従来のものと異なる。

Warpcastとは

WarpcastはFarcasterという分散ネットワークを利用したソーシャルネットワークです。
見た目的には、ほぼほぼX（旧Twitter）ですね。
インターフェースとしてはモバイルアプリとWebがありますが、ログインはモバイルアプリから行う仕様となっています。

Farcaster に関しては本家のHPに仕様周りが書かれているが、ちょっとまだ正確に理解できているとは言えない。。。

Architecture | Farcaster

DAppsは各レイヤーに何が保存されて、どこで何を保証するのか？が分散化されているので、全体の理解という意味においては難しいですね。

見てくれは完全にXです

ブロックチェーンを使うことになるので、費用がかかってしまい、私がやったタイミングでは年間$5の費用が要求されました。

User、Channelsをフォローすることでタイムラインが賑わっていきます。
ただ、内容としてはXと変わらないので、Warpcast単独で使う分にはそれほどWarpcastをお金払ってやる必要性はないかもしれません。

費用がかかるため、スパムが入りづらいという点はあるかもしれませんね。

試しに、Castしてみました。

先々の利点

Farcasterでは、メッセージなどのデータをオフチェーンで管理し、IDに関する情報をオンチェーンで管理しているようだ。

アプリケーションは、Farcasterの上に構築されるアプリケーションとなるので、Warpcastと別のアプリケーション間でIDやメッセージなどを共有することが可能になる。
（アプリケーションの仕様として、他のアプリケーションで作られたメッセージなどを除外することももちろんできるだろうが）

複数のアプリケーション間で、同一のIDが同じユーザを指し示すことになるので、デジタル空間上のIDという意味では面白そう。

Ethereumメインネット上のWalletアドレスやENSを使えばいいんじゃないの？って話はあるが、

It also uses a separate Ethereum account to sign transactions, so you can keep your main Ethereum account secure.
Accounts | Farcaster

別に作っているからかえって安全だよ、ということのようだ。
かなり、仕様の理解に関しては自信がないけれど、今のところの私の理解として書いてみた。
Warpcast以外のFarcaster上アプリケーションに関しても、せっかくなので触ってみようと思う

招待用のQRをちょっと貼り付けて見るので、もしよかったら使ってみてください。

参考

沈黙の艦隊がアマプラに来ていた

コメントを残す

映画ではなく、ドラマ仕立てーーー！！！

2/9に1－6話。2/16に7－8話という形で公開されるスケジュール。
映画の未公開シーン、続編という位置づけのよう。

映画『沈黙の艦隊』に劇場未公開シーンなどを加えた“完全版連続ドラマ”配信　Amazon Original ドラマ「沈黙の艦隊シーズン 1 ～東京湾大海戦～」（otocoto） – Yahoo!ニュース

早速、少しずつ見始めています。

しかし、漫画の映像化。。。
つい最近起きた問題をどうしても思い出してしまいますね

まだ4話までしか見ていませんが、原作との違いは結構感じる場面は多いです。

特に違和感を感じるのは海江田と深町の関係がちょっと違う感じなんですよね。
展開が色々とごちゃまぜになっているのは時間的な制約があるのでしょうがないにしても。。

ドラマの仕上がり自体はいいと思う。
根本的な、沈黙の艦隊で言いたかったことは言えているんじゃないだろうかと思える

作者としてはどうなんだろうな。。と、このタイミングだと思っちゃいますね。

かわぐちかいじ「沈黙の艦隊」大沢たかお主演で実写映画化、9月29日公開（動画あり / コメントあり） – コミックナタリー (natalie.mu)

映画公開時にはこういうコメントにはなっていますが。

何はともあれ、楽しみです。

「イーロン・マスク未来を創る男」を読んだ

コメントを残す

そういえば、名前はもちろん知っているし、スペースXやテスラだとか、X（旧Twitter）とか、そういった話は知っているのだが、イーロン・マスクに関してはそれ以上の話は知らないなぁと思い、毎度のことながらAudibleで聴いてみた。
Audibleいいぜ。

https://amzn.to/3Swafwi

やべー

程度の差こそあれ、成功した人というのはハードワークをしているものだとは思うけれど、イーロン・マスクが自分だけでなく自社の社員に求めていたレベルは、現代の基準から考えるとちょっと捕まってしまうのではないだろうか？と思われるレベルだ。

頭のいい。。。というか、一周回っちまっている感があるけれど、そういう人は根本的に違うんだな、と思わざるを得ない気もする。

休暇を久しぶりにとって旅行中に病気になったときの逸話として「休暇を取ると死にかける」とか言葉が出てきたときは思わず吹き出してしまった。。

本書を読んで得るもの

なんだろう。この本を読んだことによってイーロン・マスクが歩んできた過去に関しては、一側面ではあるのだろうけれど知ることができた。

ただ、自分自身として何かしら参考にしたいかと聞かれると、正直ちょっと思いつかない。
根本的な能力的な差はあるものの、そこまでの乾きを持っていないことが一番の違いなんだろう。

子育てをしている親として、子の成長や成功というものを願わない訳はないのだが、その乾きを経験させるために・・・・？
果たして、イーロン・マスクの少年期にあったような経験をさせればよいのだろうか？に関しては疑問符が尽くし、そもそもイーロン・マスクのようになってほしいか？はNoな気もする。

うーん。
とどのつまりは、イーロン・マスクに関してちょっと詳しくなった。以上マルってところか。

コストコ三昧

コメントを残す

今日は久しぶりにコストコへ買い物。
最近は子供たちはついてくることがなく、今日は妻も家でやることがあったため一人で。。。。

我が家からだと一番近いコストコでも1時間半くらいかかるのでちょっと気軽に行くには遠いんですよね。
もうちょっと近くにほしい。

家電、日用品からペット用品、食品まで幅広く取り揃えているコストコですが、我が家の購入するものはほぼ食品関係。

我が家では”コストコパン”と呼んでいるディナーロール
クロワッサン
チーズタルト
スタバのコーヒー豆（ダークロースト・赤いやつ）
あとはマフィンやケーキ類も美味しいですね。

サロベツ牛乳も妻や子供たちは好きなので必ず購入しています。

本当は今日は、グレープフルーツが売っていれば買いたかったのですが、売っておらず。残念。

コストコに行った日の夕食はコストコで何かしら買ってきたもので済ませるのが常となっており、主には下記の3パターンとなります

・寿司（ファミリー向けの50貫くらいのもの）
・サーモン　→ご飯に乗っけてサーモン丼に
・ロティサリーチキン　→分解してレタスとかと一緒に

今日はサーモン。

お寿司の場合、子供たち優先で食べてもらうとなると、どうしてもイカ・タコみたいなものが余って大人が少し寂しくなるんですよね。

サーモンは美味しいのですがちょっとお値段が高いです。
ただ、大きい塊で売っているので、一度に全部食べるわけではなく何回か楽しむことができるのでいいんですよね。

ロティサリーチキンも美味しいのですが、どうしても手間がかかってしまいます。

コストコに行った際に、その場で買って食べる食事も忘れてはならない。
私の定番はプルコギベイクとクラムチャウダー。
この2つは譲れない。

余裕があれば、ソフトクリームも食べたいところなのですが、今の時期のフレーバーがヘーゼルナッツなのでそこまで魅力的には思えないんですよね。

プルコギベイクもクラムチャウダーも、十分な量があるので満足なんですが。。。

コスパだけ考えれば、ホットドッグ一択なんだけど、プルコギベイク・・・美味しすぎる。

毎回行くたびに、新商品が気になって気になって、買いたくなってしまうんですが、あまり買いすぎると妻から白い目で見られてしまうので我慢。

いやー。30分圏内にほしい。。。

転職するという選択肢に関して

コメントを残す

今の会社に転職したのが2019年なので4年と少しになります。

新卒で入った会社に20年近くずっと所属していたので、転職を経るという意味では今が2社目になります（会社が吸収合併されるとかはあったが）。

転職を決意したのは、いくつか理由はあったのですが、先に書いた通り吸収合併されたことによっての体制の変化だったり、自分自身のスキル陳腐化だったりと言ったものでした。
給料に関しては、自分としては十分いただけている感じはあったんですよね。

現職では、若干給料は下がりました。
それでも、これまでは経験してこなかったことを色々と経験させてもらいながら自分自身のスキル不足を改めて痛感する部分が多いです。

一方で、前職がそれなりに制度面がしっかりしていたギャップもあり、組織としての構造や制度に関しては結構疑問符がつくことは多いですし、まだまだこれから感はあります。

新しい話があった時にどうするか

自分自身で足りないところは多々感じる日々ですが、これに関しては、ぶっちゃけ足りることはないでしょう。

そして、現在の会社でまだ成長できる余地があったとしても、よりいい環境を模索し続けることも必要なことだとは思います。

一方で、私自身もうすごいいい歳なので、転職は非常に困難を極めます。
前回の時点で、何度門前払いを受けたことか・・・。
現在は更に厳しくなっていることでしょう。
好き好んで50手前の人間を雇用するメリットがありません。

では、今の会社に骨を埋めるのか？に関しては難しいところですよね。
もちろん、この先もずっと会社が存続していくかなんてわからないということもあります。

自分から積極的に転職活動をする訳では無いにしても、どういう条件や環境であれば動くべきか。
また、そういう条件を引き出せるような人間になるためには何をしていかなければいけないのか？ということに関しては考えていきたいところ。

そう考えた時に、自分はどんな条件を引き出したいんだろう？

給料
時間の確保
スキルアップ
ステータス
一緒に働く人

自分に取っての優先順位は一体なにで、何を満たしていれば、自分の人生においてよりよい選択となるのか。

この年になるまで流されるまま働いてきてしまったところはあるけど、今更ながらに考えています。

内省の時間

コメントを残す

定期購読しているHBRを久しぶりに早い段階で読んだ

https://amzn.to/42x3cIl

特集は生成AIに関してのビジネス利用だったり製品開発に関する何本かの記事ではあるが、これに関してはそれほど目新しい内容は見当たらなかった印象。

後半のEmotionalIntelligenceコーナーに書かれていた「たとえ苦痛でも、内省の時間を取るべき理由」がちょっと気になった。

内省。

Wikipediaを見るとこう定義されている

内省（ないせい）（英: human self-reflection）とは、人間が内観を行使する能力と基本的なる自然な感情、目的および本質について深く鑑みてみるというその意欲のこと。
内省 – Wikipedia

私自身、この記事を読んで「あぁ、振り返りのことね」と考えたのだが、内省と振り返りは異なっていて、内省は上記の定義にあるような、いわば自分自身の内面だったりあり方のようなものに関して焦点を当てている。

それに対して、振り返りは自分自身の行動に対して焦点を当てている。

私自身、内省にしろ振り返りにしろできていないわけだが・・・。

HBRの記事では、内省を行う上で自分に対して、問いかけをすると良いと書かれていた。

私は何から逃げようとしているのか
同僚たちの目標達成を、私はどの様に助けているのか
職場で最も苦手とする相手との関係において、私自身が原因となっていると思われる部分はどのようなものか

などなど。
んー。なんか若干行動面が混じっているような気がする。

結局何かしらの行動があったとして、その行動が自分としてのあり方に準じた行動となっているのか？という考えで見てみると、振り返りだろうと内省だろうと似たようなところに帰結しそうな気もする。

内省や振り返りの重要性はよく出てくるが、これを習慣化することはできていない。

ただ、この記事にあるように、あらかじめ問いを立てて置くというのは良いやり方のように感じた。
なにもないところで、振り返りや内省と言われても迷子になってしまうしハードルが上がってしまっているようにも感じるからだ。

特に、「何から逃げようとしているのか」はいいかもしれない。
インセプションデッキの「夜も眠れなくなるような問題はなんだろう？」に近しい気もする。

ちょっとやってみたいと考えている

Kaggle notebook の Accelerator

コメントを残す

Kaggle が提供している jupyter notebook で training や prediction 実行する際に、そのままの設定だとものすごい時間がかかりました。

待っていても、少しずつ進んで行くはいいものの気がついていたらセッションがタイムアウトされてしまったり・・・。
こんな時どうするのかな？というところを見てみるとAccelleratorを変更すると良いらしい

なるほど、これか。
選択肢としては

None （CPU）
GPU T4x2
GPU P100
TPU VM v3-8

とある。それぞれどういう時に使うといいとかどっかに書いてないかな？と思い、一旦それぞれに関して調べてみた

まとめ

最初に簡単にまとめておく

名前	モデル	アーキテクチャ	Core	Memory	その他	用途
GPU　T4x2	NVIDIA GPU model from the Tesla series.	Turing	2,560 CUDA cores	16 GB of GDDR6 memory	T4 GPUs include Tensor Cores, which can accelerate certain deep learning operations, particularly when working with mixed-precision training
GPU P100	NVIDIA GPU model from the Tesla series.	Pascal	3,584 CUDA cores	16 GB or 12 GB of HBM2 memory.	In general, GPU P100 is considered more powerful than GPU T4, primarily due to the higher number of CUDA cores and better memory bandwidth. However, the actual performance depends on the specific workload you’re running.
TPU VM v3–8	Google TPU v3		8 Core

GPUとTPUは違いすぎて比較表がうまく作れなかった。。。

GPU T4x2

明確な公式文書は見つけられなかったが、フォーラムにはP100と比較したコメントが出ていた

What is the difference between ‘GPU T4 x2’ and ‘GPU P100’ in the notebook? | Kaggle

GPU Model: T4 is an NVIDIA GPU model from the Tesla series.
Architecture: T4 is based on the Turing architecture.
CUDA Cores: T4 has 2,560 CUDA cores.
Memory: T4 typically has 16 GB of GDDR6 memory.
Performance: T4 offers good performance for a range of tasks, including machine learning, deep learning, and general GPU-accelerated computations.
Tensor Cores: T4 GPUs include Tensor Cores, which can accelerate certain deep learning operations, particularly when working with mixed-precision training.

GPU P100

GPU P100 に関しての公式文書としては下記を見つけた

Efficient GPU Usage Tips and Tricks

Kaggleは、NVIDIA TESLA P100 GPUへの無料アクセスを提供します。これらの GPU はディープラーニングモデルのトレーニングに役立ちますが、他のほとんどのワークフローを高速化することはありません (つまり、pandas や scikit-learn などのライブラリは GPU へのアクセスの恩恵を受けません)。

ふむ・・・。
ただ、Acceleratorの適用がセッション単位なんじゃないかな。
最終的に notebook でトレーニングするにしてもその前段となるpandas等の処理部分を省くことはできないし。
notebookを分割して前処理部分とトレーニング部分を分ければいいのかな？

GPU の週あたりのクォータ制限まで使用できます。クォータは毎週リセットされ、需要とリソースに応じて 30 時間以上になる場合があります

このあたりは注意が必要ですね。
一回あたりの実行時間がどれくらいかにもよるし、週に30時間であれば十分な気がするけれど。。。

TPU VM V3-8

TPUそのものが何かに関してはこちらの記事が参考になった

【AIメモ】GoogleのTPUがすごい (zenn.dev)

TPUに関してはKaggle内にも情報が乗っていた

Tensor Processing Units (TPUs)

こちらを読み進めていくと、TPUの性能をちゃんと活かすためには、バッチサイズだとかを適切にする必要があるそうな。

バッチサイズが大きいほど、TPU はトレーニングデータをより高速に処理します。これは、トレーニングバッチが大きいほど “トレーニング作業” が多くなり、モデルをより早く目的の精度に到達できる場合にのみ役立ちます。そのため、経験則では、バッチサイズに応じて学習率を上げることも必要です。

ただ、ちょっと下の方に気になることが。。。

特定の種類のコードのみのコンペティションには技術的な制限があるため、コンペティションのルールで明確にされているように、TPU で実行されるノートブックの提出をサポートすることはできません。しかし、だからといって、TPU を使用してモデルをトレーニングできないわけではありません。

この制限の回避策は、TPU を使用する別のノートブックでモデルのトレーニングを実行し、結果のモデルを保存することです。その後、そのモデルを送信に使用するノートブックに読み込み、GPU を使用して推論を実行し、予測を生成できます。

というわけで、提出用のnotebookに関してはTPUなど特定の技術に依存したものはNG。ただ、モデルを作るスピードは早いので、別のnotebookでモデルを作った上で、そのモデルを利用するのはOKということらしい。

色々ありますねぇ