Search Results on

アマゾンは、「Amazon Q」という会社の生成AIアシスタントを発表しました

競争の激しいプロダクティビティソフトウェアと生成AIチャットボットの分野において、Amazonが最新のイノベーション「Amazon Q」を発表しましたこの発表は、ラスベガスで開催されたAWS Reinventカンファレンスで行われ、MicrosoftやGoogleなどのテックジャイアントが既に大きな存在感を持っている領域へのAmazonの積極的な進出を象徴しています

Amazon

「NVIDIAは、最大級のAmazon Titan Foundationモデルのトレーニングを支援しています」

大型言語モデルに関するすべての情報は大きいです。巨大なモデルは、数千台のNVIDIA GPU上で大規模なデータセットをトレーニングします。これにより、生成AIを追求する企業には多くの重大な課題が生じる可能性があります。ビルディング、カスタマイズ、および実行するためのフレームワークであるNVIDIA NeMoは、これらの課題を克服するのに役立ちます。 Amazon Webサービスの経験豊かな科学者と開発者チームは、Amazon TitanのためにAmazon Titan foundation modelsを作成しています。Amazon Titanは、foundation modelsのための生成AIサービスです。このチームは過去数ヶ月間、NVIDIA NeMoを使用しています。「NeMoと協力する主な理由の1つは、拡張性があり、高いGPU利用を可能にする最適化が組み込まれていることで、より大規模なクラスタにスケーリングできるため、顧客へのモデルのトレーニングと配信をより迅速に行えるようになるということです」と、AWSのシニアトレーニングエンジニアであるレナード・ローセン氏は述べています。大きなこと、本当に大きなことを考える NeMoの並列処理技術により、効率的なLLMトレーニングが規模にわたって行えます。 AWSのElastic Fabric Adapterと組み合わせることで、チームはLLMを多数のGPUに分散してトレーニングを加速することができました。 EFAは、AWSの顧客に10,000以上のGPUを直接接続し、オペレーティングシステムとCPUをNVIDIA GPUDirectを使用してバイパスするUltraCluster Networkingインフラストラクチャを提供します。この組み合わせにより、AWSの科学者たちは卓越したモデル品質を提供することができました。これは、データ並列処理アプローチのみに頼っている場合には規模で実現不可能です。…

「NVIDIA BioNeMoがAWS上での薬剤探索のための生成型AIを可能にする」

主要な製薬会社やテクバイオ企業の研究者や開発者は、Amazon Web Servicesを通じてNVIDIA Claraソフトウェアとサービスを簡単に展開できるようになりました。詳細はこちらをご覧ください。本日のAWS re:Inventで発表されたこの取り組みにより、AWSクラウドリソースを使用しているヘルスケアおよびライフサイエンスの開発者は、NVIDIAの加速オファリングを柔軟に統合することができるようになります。これにはNVIDIA BioNeMo（創成AIプラットフォーム）も含まれており、AWS上のNVIDIA DGX Cloudに追加され、高性能コンピューティングのためのAWS ParallelClusterクラスタ管理ツールとAmazon SageMakerマシンラーニングサービスを介して現在利用可能です。北薬やライフサイエンス企業の数千社がAWSを利用しています。彼らは今やBioNeMoにアクセスして、専有データを使用してデジタル生物学の基礎モデルを構築またはカスタマイズし、NVIDIA GPUアクセラレートクラウドサーバーを使用してモデルのトレーニングとデプロイをスケールアップすることが可能です。 Alchemab Therapeutics、Basecamp Research、Character Biosciences、Evozyne、Etcembly、LabGeniusなどのテクバイオイノベーターは、既にBioNeMoを使用して創成AIによる医薬品の探索と開発を行っています。このコラボレーションにより、彼らはバイオモレキュラーデータ上でトレーニングされた創成AIモデルを開発するためにクラウドコンピューティングリソースを迅速にスケールアップするためのより多くの方法を得ることができます。この発表により、NVIDIAの既存のヘルスケアに特化したオファリングがAWS上で利用可能になります。それには、医療画像処理のためのNVIDIA MONAIおよびジェノミクスの加速のためのNVIDIA Parabricksも含まれています。 AWSでの新機能：NVIDIA BioNeMoが創成AIを推進する BioNeMoは、デジタル生物学のためのドメイン固有のフレームワークであり、事前学習済みの大規模言語モデル（LLM）、データローダー、最適化されたトレーニングレシピを含んでいます。これにより、ターゲットの同定、タンパク質構造の予測、薬剤候補のスクリーニングを加速することで、コンピュータ支援の薬剤探索を推進することができます。薬剤探索チームは、BioNeMoを使用して専有データを活用し、クラウドベースの高性能コンピューティングクラスター上でモデルを構築または最適化することができます。…

「11つのPython魔法メソッド- プログラマーが知っているべき」

「Pythonのクラスで組み込み関数やメソッド呼び出しの動作をサポートしたいですか？Pythonのマジックメソッドを使えば、それが可能です！では、マジックの背後にあるメソッドを探ってみましょう」

Python

GPT-4の進化：Python Plotlyダッシュボードの簡単な作成方法

数ヶ月前、私はPythonのplotlyダッシュボード作成のためのGPT-4のプロンプト方法に関する一連の（まずまず成功した）記事を書きました最近、GPT-4はデータの可視化を分析して表示する能力を大幅に向上させましたそれは今や簡単にマルチビジュアルなPythonのplotlyダッシュボードの作成に対応できるのでしょうか？読んで確かめましょう！

パーセプトロンからアダラインまで – From the Perceptron to Adaline

「以前の記事で、おそらく存在したもっとも基本的な二元分類器であるローゼンブラットのパーセプトロンを説明しようとしましたこのアルゴリズムを理解することは教育的な価値があり、...」

「One-2-3-45++に出会ってみましょう：おおよその1分で単一の画像を詳細な3Dテクスチャメッシュに変換する革新的な人工知能手法」

UCサンディエゴ、浙江大学、清華大学、UCLA、およびスタンフォード大学の研究者たちは、高速かつ高品質な3Dオブジェクト生成のための革新的なAI手法「One-2-3-45++」を発表しました。この手法は、まず2次元拡散モデルを活用し、一貫したマルチビュー画像の生成のために微調整を行います。次に、これらの画像を詳細な3Dのテクスチャつきメッシュに変換するために、マルチビューによる条件付きの3Dネイティブ拡散モデルが使用されます。この手法により、約1分間で入力画像によく似た高品質で多様な3Dアセットが合成され、実用アプリケーションにおける速度と忠実度の課題に取り組まれています。 One-2-3-45++は、1枚のRGB画像からわずか1分未満で高品質な3Dオブジェクトを生成する手法です。マルチビュー画像を活用し、生成されたメッシュのテクスチャを軽量の最適化プロセスを介して改善します。比較的な評価では、One-2-3-45++がCLIPの類似度スコアとユーザーの選好スコアにおいてベースライン手法よりも優れていることが示されています。3D拡散モジュールの効果に対するマルチビュー画像の重要性が強調され、一貫したマルチビューの生成において既存手法に対して改善が見られました。この研究は、単一の画像やテキストに基づいて3D形状を生成するという課題に取り組んでおり、さまざまなアプリケーションにとって重要です。既存の手法は、3Dトレーニングデータの不足により未知のカテゴリにおいて汎化する際に改訂する必要があります。提案されたOne-2-3-45++手法は、以前のOne-2-3-45の欠点を克服し、一貫したマルチビュー画像を同時に予測し、マルチビューによる条件付きの3D拡散ベースモジュールを使用して効率的かつ現実的な3D再構築を実現します。この手法は、細かい制御を持ちつつ1分未満で高品質な結果を達成し、ベースライン手法を上回っています。広範なマルチビューと3DペアリングでトレーニングされたOne-2-3-45++モデルは、各ステージに別々の拡散ネットワークを使用しています。最初のステージでは通常の3D畳み込みを使用して完全な3D占有ボリュームを作成し、2番目のステージでは3Dスパース畳み込みを3Dライトボリュームに取り入れます。マルチビュー画像によって誘導される軽量の改善モジュールは、テクスチャの品質を向上させます。CLIPの類似度スコアとユーザーの選好スコアを含む評価指標は、この手法がベースライン手法を上回っていることを示しています。ユーザー調査によっても品質が検証され、既存手法と比較してランタイムの効率性が強調されました。 One-2-3-45++はCLIPの類似度スコアとユーザーの選好スコアにおいてベースライン手法を上回し、優れた品質とパフォーマンスを示しています。改善モジュールはテクスチャの品質を向上させ、CLIPの類似度スコアを高めることにつながります。さらに、この手法は最適化ベースの手法と比較して優れたランタイムの利点を提供し、迅速な結果を提供します。まとめると、One-2-3-45++は、1枚の画像から迅速かつ正確に高品質な3Dテクスチャ付きメッシュを生成する非常に効率的なテクノロジーです。ユーザー調査によって、入力画像との品質と整合性において他のテキストから3Dモデリング手法よりも優れていることが検証されました。さらに、最適化ベースの代替手法を上回し、迅速な結果を提供します。将来の研究は、より大規模かつ多様な3Dトレーニングデータセットの活用、追加の後処理技術の探求、テクスチャの改善モジュールの最適化、幅広いユーザースタディの実施、および他の情報タイプの統合に注力する必要があります。この手法を仮想現実、ゲーム、コンピュータ支援設計などのさまざまな分野で適用する際の有効性と潜在的な影響を評価することが重要です。

「リテラルを使ったPythonの型ヒント」

認めます：私はいつもタイピングのファンではありませんでしたPythonのリテラルタイプの形式で、リテラルタイプを作成する方法実際、私はリテラルタイプを過小評価するだけでなく、完全に無視し、使用を拒否しました...

「PythonによるLong Short-Term Memoryのマスタリング：NLPでのLSTMの力を解き放つ」

この作業は、Pythonを使用したRNNとNLPに関する私の記事の続編です単純な再帰層を持つ深層学習ネットワークの自然な進化は、Long Short…

「Microsoftの研究者がPIT（Permutation Invariant Transformation）を提案：動的まばらさのためのディープラーニングコンパイラ」

“`html 最近、深層学習は動的スパース性に最適化されたモデルの研究によって注目されています。このシナリオでは、スパース性パターンはランタイムでのみ明らかにされ、効率的な計算にとって大きな課題を提起しています。この課題に直接対処するため、研究者グループはPermutation Invariant Transformation（PIT）という革新的な解決策を提案しました。これは、第29回ACMオペレーティングシステム原則シンポジウムで彼らの最新の研究で紹介されています。スパース性を考慮した深層学習の最先端ソリューションは、伝統的に事前に定義された静的スパース性パターンに苦しんできました。問題は、前処理に関連する大きなオーバーヘッドであり、ランタイム中のみ知られている動的なスパース性パターンを効果的に処理できないという制約にあります。研究者たちは、動的スパース計算の効率的な実行が、GPUに対応したタイル構成（高いGPU利用率を実現するために重要）と捨てられることのない非ゼロ値のテンソル内の計算に寄与しない領域を最小限に抑えるスパース性対応タイルの形状との間の基本的な不整合に直面することを認識しています。 PITとは、最適化領域の新たな方向性を切り開くディープラーニングコンパイラです。PITは、数学的に証明されたPermutation Invariant Transformationを活用します。この変換により、計算結果を変えずに、複数のまばらに配置されたマイクロタイルをGPUに効率的な密集タイルに統合することが可能になります。この戦略的な操作により、高いGPU利用率と最小限の領域浪費をバランス良く実現し、動的スパース性の取り扱いにおいてパラダイムシフトをもたらします。 PITのワークフローは、指定モデル内のすべてのオペレータに対して実行可能なPITルールを特定することから始まります。これらのルールは、動的スパース性の特定要件に合わせて作成された効率的なGPUカーネルの生成の設計図として機能します。重要なのは、このプロセスがランタイムで行われるため、PITがスパース性パターンが解き明かされるにつれてダイナミックに適応できるという点です。この実装には、PITルールを迅速に実行するための2つの重要なプリミティブ、SReadとSWriteが含まれています。 PITのオンラインスパース性検出および疎密なデータ変換メカニズムは、重要な役割を果たしています。Permutation Invariant Transformationは、PITがマイクロタイルから計算効率の高い密集タイルを構築することを可能にし、GPUに対応した構成と一致します。これは、従来の解決策がオフラインのデータ再配置に関連する著しいオーバーヘッドに苦しんでいることとは対照的です。研究者たちはPITを様々なモデルでテストし、包括的な評価を行いました。その結果、PITは最先端のコンパイラと比較して、動的スパース計算の加速において最大5.9倍の性能向上を示しました。このパフォーマンスの向上は、動的スパース性によってもたらされる計算上の課題へのPITの具体的な影響を示しています。 PITの貢献は、疎なトレーニングシナリオにも広がり、その柔軟性と堅牢性をさらに確かなものとしています。この研究は、単なる新しい手法を提案するだけでなく、動的スパース性の取り扱いに対する包括的なツールキットを提供し、ディープラーニング最適化の分野における革新的な進展の舞台を構築しています。まとめると、この研究で紹介された画期的な動的スパース性最適化ツールは、Permutation Invariant Transformation（PIT）の力を活用し、GPUに対応したタイル構成とスパース性対応タイルの整合性の課題に取り組むだけでなく、効率の面で深層学習の新たな時代を切り開きます。計算効率の驚異的な加速、多様なモデルの取り扱いの柔軟性、疎なトレーニングシナリオでの潜在的な応用性を考えると、この研究は動的スパース性適応の革命的な進展に向けた基盤を築き、ディープラーニング最適化の常に進化する景色において重要な役割を果たす存在となっています。 “`

Learn more about Search Results on - Page 10