Search Results A

商務省は、「米国人工知能安全研究所」を設立し、AIの安全に関する取り組みを主導します

「米国人工知能安全研究所は、先週バイデン大統領が署名した大統領令で商務省に割り当てられた責任を支援します」

スタンフォードの研究者たちは、「EquivAct」というロボット学習における画期的な提案を行いましたこの提案は、異なる規模や方向でのタスクを一般化するためのものです

人間は、標準的なオブジェクトでタスクを完了する方法のわずかな例だけを与えられた場合でも、対象物の視覚的または物理的属性が異なる変形タスクの変種を推測して学習することができます。学習されたポリシーをさまざまなオブジェクトのスケール、方向、視覚的見た目に対応できるようにするためには、既存のロボット学習の研究には大量のデータ拡張が必要です。しかしながら、これらの改善にもかかわらず、未知の変化への一般化は保証されていません。スタンフォード大学の新しい論文では、1つのソース操作シナリオからの少数のサンプル軌跡を入力とし、未知のオブジェクトの視覚的見た目、サイズ、ポーズにも一般化する可能性のある視覚運動方針のゼロショット学習の課題に取り組んでいます。特に、服や箱などの可変および関節性のあるオブジェクトと、ピックアンドプレースのような剛体のオブジェクトとの取り扱い方を学ぶことが重要でした。学習されたポリシーが異なるオブジェクトの配置、方向、スケールに対して堅牢であることを保証するために、視覚的なオブジェクト表現とポリシーアーキテクチャに等速変換を組み込むことが提案されました。彼らはEquivActという新しい視覚運動方針学習手法を提案しており、1つのソース操作シナリオでのデモから3Dロボット操作タスクの閉ループポリシーを学習し、ゼロショットで未知のシナリオに一般化することができます。学習されたポリシーは、ロボットのエンドエフェクタの姿勢と環境の部分的なポイントクラウドを入力とし、エンドエフェクタの速度やグリッパーコマンドなどのロボットのアクションを出力とします。ほとんどの従来の研究とは異なり、研究者たちはニューラルネットワークにはSIM(3)に等速変換するネットワークアーキテクチャを使用しました。つまり、出力のエンドエフェクタの速度は、入力のポイントクラウドとエンドエフェクタの位置が変換および回転される際に適応するということです。彼らのポリシーアーキテクチャが等速変換であるため、小規模の台上活動のデモから学習し、その後、異なる視覚的および物理的見た目を持つデモ対象オブジェクトの大きな変動を含むモバイル操作タスクにゼロショットで一般化することができます。この手法は、表現とポリシーの2つのパートに分かれています。エージェントの表現を訓練するために、チームはまず、ターゲットタスクのオブジェクトと同じカメラと設定を使用してキャプチャされた一連の合成ポイントクラウドを提供しますが、異なるランダムの非一様スケールでキャプチャされます。提案されたアーキテクチャが一様なスケーリングに対応している場合でも、このような非一様スケーリングのために訓練データを追加しました。シミュレーションデータにはロボットのアクティビティを示す必要はなく、実際のタスクをデモンストレーションする必要もありません。彼らは、シーンポイントクラウドからグローバルとローカルの特徴を抽出するために、シミュレーションデータを使用してSIM(3)に等速変換するエンコーダ・デコーダアーキテクチャを訓練しました。訓練中には、ペアのポイントクラウド入力に対してコントラスティブラーニングの損失を使用し、類似の位置にあるオブジェクトの関連するオブジェクトセクションのためのローカル特徴を組み合わせました。ポリシー学習フェーズでは、以前に検証されたタスクトラジェクトリのサンプルへのアクセスが制限されていると仮定されます。研究者たちは、データを使用して閉ループポリシーを訓練し、シーンの部分的なポイントクラウドを入力とし、以前に学習したエンコーダを使用してポイントクラウドからグローバルとローカルの特徴を抽出し、それらの特徴をSIM(3)に等速変換するアクション予測ネットワークに供給してエンドエフェクタの動きを予測します。従来の剛体物の操作タスクだけでなく、この提案手法は、コンフォータの折りたたみ、容器のカバー、ボックスの封印といったより複雑なタスクで評価されました。チームは、各活動ごとに人間がテーブル上のオブジェクトを操作する人間の例を多く提示しています。手法をデモンストレーションした後、ロボットはより大規模なスケールで同じ問題を解決する必要があるモバイル操作プラットフォームで評価されました。その結果、この手法は、ソース操作のデモから閉ループのロボット操作ポリシーを学習し、目標のジョブを一回の実行で実行するために細かな調整は必要ないことがわかりました。また、この手法はオブジェクトのポーズやスケールの範囲外への一般化に対して重要な拡張を必要とせず、等速変換を利用していない手法よりも効率的であることが示されました。

役に立つセンサーがAI in a Boxを立ち上げる

「あなた自身のプライベートで安全なAIボックスを持ってみたいですか？全部のアプリ、不快感はなしでそれがUseful Sensorsが約束していることです」

アップル M2 Max GPU vs Nvidia V100、P100、およびT4

「Apple Silicon M2 MaxのGPU性能を、TensorFlowを使用して、MLP、CNN、およびLSTMモデルのトレーニングにおいて、Nvidia V100、P100、およびT4と比較します」

「5つのシンプルなステップシリーズ：Python、SQL、Scikit-learn、PyTorch、Google Cloudをマスターする」

「Python、SQL、Scikit-learn、PyTorch、Google Cloud Platformの使い方をマスターするためのVoAGI Back to Basics Getting Started in 5 Stepsシリーズに飛び込んでみてください」

Data science

「データ分析での創発的AIの解放」

はじめに生成AIは、新しいデータを生成し、コーディングや分析などのタスクを簡素化することにより、データ分析を向上させます。GPT-3.5などの大規模言語モデル（LLMs）は、データからSQL、Python、テキスト要約、および可視化を理解および生成することにより、これを実現します。しかし、短い文脈やエラーの扱いなどの制限は依然として存在しています。将来の改善では、特化したLLMs、マルチモーダルな能力、および効率的なデータワークフローのためのより良いユーザーインターフェースに焦点を当てています。TalktoDataなどのイニシアティブは、使いやすい生成AIプラットフォームを通じてデータ分析をよりアクセス可能にすることを目指しています。目標は、誰にでもデータ分析を簡素化し、普及させることです。学習目標：生成AIのデータ分析における役割を理解する。大規模言語モデル（LLMs）のデータ分析での応用を探る。データ分析における生成AIの制限と解決策を特定する。生成AIの定義：その機能と重要性の理解生成AIは、テキスト、イメージ、音声、ビデオ、および合成データにおいて優れたコンテンツ生成を行うAIのサブセットです。事前定義されたパラメータに基づいて分類や予測を行う従来のAIモデルとは異なり、生成AIはコンテンツを生成します。これはディープラーニングの範疇で操作され、与えられた入力に基づいて新しいデータラベルを生成する能力によって自己を区別しています。その印象的な違いは、構造化されていないデータを処理する能力であり、事前に定義されたパラメータにデータを合わせる必要がないことです。生成AIは与えられたデータからの理解と推論の可能性を持っています。したがって、データ分析において画期的なイノベーションとなります。データ分析における生成AIの応用特にGPT-4やGPT-3.5などのLLMsを通じて、生成AIにはデータ分析における数多くの応用があります。最も影響力のあるユースケースの一つは、データプロフェッショナルがコードを生成する能力です。SQLやPythonの公開されたコードスニペットを学習したLLMsは、データ分析タスクに大きく貢献するコードを生成することができます。これらのモデルは、推論能力を持ち、データ内での洞察の抽出と相関の作成が可能です。さらに、彼らはテキストの要約、可視化の生成、グラフの変更なども行い、分析プロセスを向上させます。彼らは単純な回帰や分類などの従来の機械学習タスクだけでなく、データセットを直接分析するために適応します。これにより、データ分析が直感的で効率的に行われます。 LLMsの能力と実世界での使用の公開データ分析にLLMsを活用する場合、OpenAIのGPT 3.5、LLaMA Index、関連するフレームワークなど、さまざまなライブラリを使用して、CSVファイルやSQLデータベース上でデータ分析を行います。コード: #OpenAIとAPIキーのインポート import os import openai from IPython.display…

AlluxioがAI最適化されたデータプラットフォームを発表し、より高速なMLパイプラインを提供します

「AIイニシアチブの価値実現を加速させるために、AIと機械学習のワークロードのフルポテンシャルを引き出す簡素化されたデータインフラストラクチャを活用します」

Middleware.ioは、生成AIを搭載したクラウド観測プラットフォームを紹介します

クラウドネイティブアプリケーションのダイナミックな領域では、観測可能性の必要性が浮上しています。クラウドコンピューティングの急速な台頭とマイクロサービスの増殖により、現代のアプリケーションは複雑になり、グローバルなサーバーに分散し、毎日膨大なデータを処理しています。この複雑さにより、企業が中核目標を達成するために観測可能性の重要性に取り組む際のリスクが高まっています。たとえ一時的でもダウンタイムは収益の損失や企業の評判への悪影響につながります。これが現在多くの組織が直面しているジレンマです。観測可能性の必要性は明確ですが、既存のソリューションはクラウドネイティブアプリケーションの複雑さに対してタイムリーな洞察を提供する必要があります。このギャップにより、組織はより効率的なトラブルシューティングと積極的な問題管理を探し続けています。迅速な行動が求められるデジタル空間で、リアルタイムでの問題の特定と解決は重要です。ミドルウェアはこの観測可能性のジレンマに対する有望な解決策を提供します。この画期的なクラウドネイティブな観測性プラットフォームは、AI技術を活用して進化しました。このプラットフォームは、AIによる異常検出と解決の力を利用します。AIアドバイザーは重要なツールであり、インフラストラクチャーとアプリケーションの問題を特定し、問題解決の効率的なソリューションを提供します。このプラットフォームの特徴は、データのトレンドに基づいて入力エラーを予測する予測能力です。この問題管理への予測的なアプローチは、絶えず変化するデジタル領域でリスクを軽減しようとする組織にとってのゲームチェンジャーです。この革新的なプラットフォームの最も魅力的な側面の一つは、強力なリアルタイムモニタリングです。組織は、ユーザーフレンドリーなダッシュボードを通じて重要なメトリクス、ログ、トレース、イベントに簡単にアクセスでき、自社の技術スタックに対する可視性が大幅に向上します。プラットフォームのAI駆動機能は問題を重大、VoAGI、低の3つのカテゴリに分類し、組織が効果的に優先し対処できるようにします。AIアドバイザーは、問題に関連するリソースや詳細な解決策など、包括的な情報を提供し、ユーザーが素早く修正できるよう支援します。この革新的なソリューションは、観測可能性の需要が過去最高水準にある時期に登場しています。組織の86%が、観測可能性が主要なビジネス目標の実現をサポートする重要な機能であると認識しています。AI、具体的にはGPT-4の導入により、組織がクラウドネイティブアプリケーションの管理とトラブルシューティングを革新する可能性があります。最近の650万ドルのシードファンディングの活用により、このプラットフォームは拡大、チームの成長、およびさらなるAI機能の開発に向けて準備が整っており、クラウドネイティブ時代における観測可能性に明るい未来を約束しています。まとめると、クラウドネイティブアプリケーションによる複雑性とデジタル時代における迅速なトラブルシューティングの必要性から、新たな革新的なソリューションが生まれました。このAI技術を活用した観測可能性プラットフォームは、クラウドネイティブアプリケーションの課題を効果的に対処するための希望の光です。リアルタイムモニタリング、予測能力、ユーザーフレンドリーなダッシュボードが全ての秒数が重要な世界で魅力的な選択肢となるでしょう。観測可能性の未来は以前よりも明るく積極的なものになります。この記事はMiddleware.ioがAI駆動のクラウド観測可能性プラットフォームを紹介したものでした。遡及はMarkTechPostによって提供されました。

このAIの論文は、インコンテキスト学習の秘密を解き明かすものです：言語モデルがベクトルマジックに関数をエンコードする方法

自己回帰トランスフォーマーモデルでは、関数ベクトル（FV）として知られるコンパクトなベクトルで入出力関数を表現するニューラルメカニズムが特定されています。因果関係調停分析は、さまざまなコンテキストでの学習タスクに適用され、注意ヘッドの一部がFVを輸送し、ゼロショットおよび自然言語設定でのタスク実行を可能にします。FVには、関数の出力空間に関する情報が含まれており、これらは新しい複雑なタスクをトリガーするために組み合わせることができます。これは、LLM（言語モデル）において汎用関数の内部抽象化の存在を示しています。北東大学の研究者たちは、LLMにおけるインコンテキスト学習（ICL）の研究を拡張し、FVの存在を明らかにするためにトランスフォーマーを探求しました。この研究は、ICLプロンプト形式、メタラーニングモデル、ベイジアンタスク推論など、関連する多くの研究を参照し、トランスフォーマーのデコードされた語彙の研究から洞察を得ます。また、ICLのコピー行動の分析と、Pearl他によって開発された因果関係調停分析手法を適用してFVを分離します。この研究では、豊富な自然言語テキストデータで訓練された大規模な自己回帰トランスフォーマーモデルにおいてFVの存在を調査します。ICLの概念を拡張し、FVを生み出すトランスフォーマーの基本的なメカニズムを探求します。ICLに関する以前の研究、プロンプト形式やスケーリングなどがこの研究に影響を与えています。FVは入出力タスクのためのコンパクトなベクトル表現として導入されます。因果関係調停分析はFVを識別し、その特性（コンテキストの変化に対する堅牢性や意味的な組み合わせの可能性など）を理解します。この手法は因果関係調停分析を用いて自己回帰トランスフォーマーモデルにおけるFVを探求します。隠れ状態がタスクをエンコードしているかどうかを評価するテストを行い、出力の生成における精度を測定して自然言語の移植性を評価します。さまざまな設定でFVの抽出をテストするために40以上のジョブが作成され、代表的な6つのタスクに焦点を当てます。この論文は、ICLと言語モデルにおける関数表現に関する以前の研究を参照しています。現在の研究では、因果関係調停分析を通じて自己回帰トランスフォーマーモデルにおけるFVの存在が明らかにされています。これらの入出力タスクのコンパクトな表現はさまざまなコンテキストで堅牢であり、特定の手順をトリガーすることができます。中間層において強力な因果関係効果が示され、複雑なタスクに対して意味的なベクトルの組み合わせが可能です。この手法は、他の手法よりも優れた性能を発揮し、言語モデルがさまざまなコンテキストで適用可能な汎用的な関数抽象化を持つことを強調しています。提案された手法は、因果関係調停分析を通じて自己回帰トランスフォーマーモデル内のFVの存在を正確に特定します。これらの入出力タスクのコンパクトな表現はさまざまなコンテキストで堅牢であり、言語モデルの中間層において強力な因果関係効果を示します。また、FVには関数の出力空間をエンコードする情報が含まれることが多いですが、その再構築はより複雑です。さらに、FVは新しい複雑なタスクのトリガーとして組み合わせることができ、意味的なベクトルの組み合わせの可能性を示しています。これらの結果は、多様なコンテキストでの汎用関数の内部抽象化の存在を示唆しています。今後の研究の方向性としては、FVの内部構造を探索し、エンコードされた情報と実行への寄与を解明すること、複雑なタスクでの有用性を検証すること、および組み合わせ可能性に関する可能性を調査することが挙げられます。様々なモデル、タスク、層でのFVの汎用性を探る比較研究が重要です。他のFV構築手法との比較研究や、タスク表現技術との関係についての調査も必要です。さらに、テキスト生成や質問応答などの自然言語処理タスクでのFVの応用についてもさらなる探求が必要です。

「HITL-TAMPを紹介します：自動計画と人間の制御のハイブリッド戦略を通じて、ロボットに複雑な操作スキルを教えるための新しいAIアプローチ」

ロボットに複雑な操作スキルを教えるための人間のデモンストレーションの観察は、有望な結果を示しています。操作のデモを提供することは時間がかかり、労力もかかるため、これを現実世界の長期運用に拡大することは困難です。ただし、タスクのすべての要素が同じではありません。 NVIDIAとジョージア工科大学による新しい研究では、様々な将来の結果が可能な問題を解決するのに特に効果的なTask and Motion Planning（TAMP）システムの強化方法を探索しています。有限の基本的な能力のすべての組み合わせを探索することで、TAMPアプローチはさまざまな多段階の操作タスクの行動を計画することができます。各スキルは従来から手作業で設計されていますが、バネで固定された蓋を閉める、または穴に棒を挿入するなどのタスクは非常に効率的にモデル化するのが非常に難しい例です。代わりに、チームは人間の遠隔操作とクローズドループ学習を利用して、必要な能力のみを組み込み、残りは自動化に任せることでタスクを実現します。これらの機能は、データ収集時の人間の遠隔操作および収集されたデータから学習されたポリシーに依存しています。TAMPシステムと人間の遠隔操作を統合する際には、重要な技術的な障壁があり、それらの間でスムーズな引継ぎが確保される必要があります。これらの障壁を克服するために、彼らはHuman-in-the-Loop Task and Motion Planning（HITL-TAMP）を提供しています。これは、TAMPと遠隔操作を補完的に統合するシステムです。デバイスによって使用されるTAMPゲート制御メカニズムにより、TAMPシステムと人間の遠隔操作の切り替えによるデモンストレーションの収集が可能です。重要なことは、TAMPシステムが人間オペレーターに対して作業計画の特定のポイントでのみ参加するよう促すことで、一度に1つのデモンストレーションセッションを非同期に管理することができる点です。この技術は、データ収集のスループットを劇的に向上させます。これにより、必要なときにのみ人間のデモンストレーションを要求することで、長期運用で接触の頻度が高い作業における巨大なデータセットの収集に必要な労力を削減します。TAMPゲートストラテジーを人間のデータを使用してトレーニングするために、彼らは模倣学習フレームワークとデータ収集システムを統合しています。タスクをロボットに教えるために必要なデータ、タスクを教えるのにかかる時間、教えられたポリシーの成功率について、彼らはこれが完全なタスクの人間のデモンストレーションの収集よりも高いパフォーマンスをもたらすことを示しています。研究者たちは15人の参加者を対象にHITL-TAMPと通常の遠隔操作システムを比較しました。彼らの方法では、ユーザーは同時に3倍以上のデモンストレーションを獲得することができました。非専門の遠隔操作からのわずか10分のデータで、75%以上の成功率を持つエージェントをトレーニングすることができました。HITL-TAMPは、現実世界のコーヒーの淹れ方など、12の接触の多い長期タスクにまたがる2.1Kのデモンストレーションを収集することで、ほぼ完璧なエージェントを頻繁に生成します。タスクの全体での人間のデモンストレーションの収集とポリシーの学習効率は、TAMPと遠隔操作の組み合わせによってHITL-TAMPで大幅に向上しています。

Learn more about Search Results A - Page 117