Search Results プロトタイプ

「生成AIをめぐる旅」

私の豊富な経験に深く踏み込んで、全力でGenerative AIを受け入れ、あなたが利益を得るために活用できる貴重な洞察と知識を得てください

IoTにおける自然なインタラクション MQTTとChatGPTの組み合わせ

知能化されたIoTアプリケーションを作成したいですか？MQTTプロトコルとChatGPTのような自然言語処理アプリを組み合わせることがおすすめです

編集者のメモ：これは、高性能コンピューティングを用いて科学を進める研究者を紹介するシリーズの一部です。高校に入る前、ゲ・ドンは、上海交通大学の教授である彼女の母のような物理学者になりたいと思っていました。「彼女はクリーンエネルギーが人類の維持に非常に重要だと言っていました。彼女はそれについてたくさん話していました」とゲ・ドン（上の写真は2歳のときの彼女と母）は言います。ゲ・ドン 32歳になった彼女は、HPCとAIの助けを借りて、核融合の商業化への道を見つけることを目指すスタートアップでその夢を追っています。物理学におけるAIの先駆的な研究 2014年、彼女の生涯の仕事は、彼女を彼女の上海の自宅から7,000マイル以上離れたプリンストン大学の名門プラズマ物理学研究所に連れて行き、彼女はそこで博士号を取得しました。彼女の博士論文は、プリンストン大学の同僚の進歩に基づいています。彼らはAIを利用して、融合炉の故障を引き起こす可能性のあるプラズマの乱れを予測する最初の人々でした。ゲ・ドンの研究は、太陽の表面よりも熱いプラズマのエッジが、ドーナツ形の装置であるトカマク内でどのように振る舞うかを明らかにしました。その後、彼女は同僚とNVIDIAの専門家と協力して、NVIDIA Omniverseを使用してトカマク内でプラズマが円を描く様子をデジタルツインで作成しました。AIを使用することで、従来の数値計算方法に基づくシミュレーションのコストを大幅に削減しました。 https://blogs.nvidia.com/wp-content/uploads/2023/09/OV-sim-of-ppl-tokamak.mp4 その結果は、エンジニアが明日の発電所で超高温プラズマを安全に保つ制御装置を構築するのに役立つかもしれません。これにより、クリーンエネルギーの源の到来が加速されます。転機となる会話コロナ禍の間、ゲ・ドンは上海に戻り、自宅で仕事をすることになりました。そこで、2021年に友人の周陽との転機となる会話が、野心的な計画を持つスタートアップ「エネルギーシンギュラリティ」の共同設立の決定につながりました。周陽はトカマクを建設したいと言いました。彼女がその数十億ドルのアイデアを退けたとき、彼ははるかに費用のかからない計画の詳細な分析を示しました。エネルギーシンギュラリティのチームと超伝導磁石そして、彼は、プラズマを制御するために高温超伝導磁石を使用するという、研究者の間で人気のあるアプローチを取りたい理由を説明しました。彼は別の物理学の分野を学んでいたにもかかわらず、その根本的な方程式まで理論的に説明できました。彼らの話の後、「私は興奮しすぎて、一晩中眠れませんでした」と彼女は大胆な計画について言います。数ヶ月後、彼らは他の3人と共に会社を設立しました。 AIにとって新たな挑戦強力で壊れやすい磁石を作り、制御する方法を学ぶことは、このスタートアップの主な技術的課題です。チームはHPCとAIに頼って進路を見つけようとしています。「これはAIが最も効果的で最も低コストなアプローチを提供するために加速できる統計分析の全く新しい研究領域です」と彼女は言います。このスタートアップは、オフィスのNVIDIAアクセラレートサーバー上で既にプロトタイプを設計しています。…

「ワイルドワイルドRAG…（パート1）」

「RAG（Retrieval-Augmented Generation）は、外部の知識源を取り込むことで言語モデルによって生成された応答の品質を向上させるAIフレームワークですこれにより、…のギャップを埋める役割を果たします」

スマートな”メガネは非着用者とのパワーバランスを歪める

コーネル大学とブラウン大学の研究者は、拡張現実またはスマートグラスの着用者は、非着用者に比べて特定の利点を持っていることを発見しました

「データ分析と可視化のための生成型AIの利用」

信じるか信じないか、生成AIは単なるボックス内のテキスト以上です真実は、それが従来の創造的アプリケーションの境界を超えているということですだから、それがすることは、テキスト生成をはるかに超えたユーザーの能力を拡張するということですそれは芸術ですその素晴らしさに加えて...

「ChatGPTのような生成AIを使用してペルソナを作成する方法」

信じるか信じないかは別として、ChatGPTやGoogleのBardなどの生成AIチャットボットは、顧客サービス担当者や専門家などの特定のパーソナリティを持つようにトレーニングすることができますしかし、それはさらに進むことができます適切な情報と文脈をチャットボットに与えると、それが...

このAI研究は、OpenAIの埋め込みを使用した強力なベクトル検索のためのLuceneの統合を提案します

最近、機械学習の検索分野において、深層ニューラルネットワークを応用することで大きな進歩がありました。特に、バイエンコーダーアーキテクチャ内の表現学習に重点を置いています。このフレームワークでは、クエリ、パッセージ、さらには画像などのマルチメディアなど、さまざまな種類のコンテンツが、密なベクトルとして表されるコンパクトで意味のある「埋め込み」として変換されます。このアーキテクチャに基づいて構築されたこれらの密な検索モデルは、大規模な言語モデル（LLM）内の検索プロセスの強化の基盤として機能します。このアプローチは人気があり、現在の生成的AIの広い範囲でLLMの全体的な能力を高めるのに非常に効果的であることが証明されています。この論文では、多くの密なベクトルを処理する必要があるため、企業は「AIスタック」に専用の「ベクトルストア」または「ベクトルデータベース」を組み込むべきだと示唆しています。一部のスタートアップ企業は、これらのベクトルストアを革新的で不可欠な現代の企業アーキテクチャの要素として積極的に推進しています。有名な例には、Pinecone、Weaviate、Chroma、Milvus、Qdrantなどがあります。一部の支持者は、これらのベクトルデータベースが従来のリレーショナルデータベースをいずれ置き換える可能性さえ示しています。この論文では、この説に対して反論を示しています。その議論は、既存の多くの組織で存在し、これらの機能に大きな投資がなされているという点を考慮した、簡単なコスト対効果分析を中心に展開されています。生産インフラストラクチャは、Elasticsearch、OpenSearch、Solrなどのプラットフォームによって主導されている、オープンソースのLucene検索ライブラリを中心とした広範なエコシステムによって支配されています。 https://arxiv.org/abs/2308.14963 上記の画像は、標準的なバイエンコーダーアーキテクチャを示しており、エンコーダーがクエリとドキュメント（パッセージ）から密なベクトル表現（埋め込み）を生成します。検索はベクトル空間内のk最近傍探索としてフレーム化されています。実験は、ウェブから抽出された約880万のパッセージから構成されるMS MARCOパッセージランキングテストコレクションに焦点を当てて行われました。評価には、標準の開発クエリとTREC 2019およびTREC 2020 Deep Learning Tracksのクエリが使用されました。調査結果は、今日ではLuceneを直接使用してOpenAIの埋め込みを使用したベクトル検索のプロトタイプを構築することが可能であることを示唆しています。埋め込みAPIの人気の増加は、私たちの主張を支持しています。これらのAPIは、コンテンツから密なベクトルを生成する複雑なプロセスを簡素化し、実践者にとってよりアクセスしやすくしています。実際には、今日の検索エコシステムを構築する際に必要なのはLuceneだけです。しかし、時間が経って初めて正しいかどうかがわかります。最後に、これはコストと利益を比較することが主要な考え方であり続けることを思い起こさせてくれるものです。急速に進化するAIの世界でも同様です。

「モジュラーディフュージョンを紹介します：PyTorchを使用してディフュージョンモデルを設計およびトレーニングするためのPythonライブラリ」

marktechpostのためにクールなAIプロジェクトを常に探しており、今回はRedditで投稿されたこのプロジェクト”Modular Diffusion”に非常に感銘を受けました。Modular Diffusionが提供するモジュラーAPIにより、PyTorchを利用してユニークなDiffusionモデルを作成してトレーニングすることが簡単になります。このツールキットは高度にカスタマイズ可能なAPIを提供することで、Diffusionモデルの作成とトレーニングを簡素化します。わずか数行のコードで、個々の方針モデルのプロトタイプを作成する方法を大幅に改善することができます。目標は、ユーザーが異なるモジュールを組み合わせて異なる出力を得られるモデルクラスを持つことで、各モジュールがDiffusionモデルプロセスの特定の機能（ノイズスケジュール、ノイズタイプ、デノイジングネットワーク、損失関数、ガイダンスなど）に対応します。ライブラリには既に多くの便利なモジュールが含まれており、今後もさらに追加される予定です。カスタムモジュールの作成は簡単です。既存の基本クラスを拡張して始めるだけです。プロジェクトの詳細とインストールの簡単さについては、https://github.com/cabralpinto/modular-diffusionを訪問してください。主な特徴システムの高度なモジュラーデザインのおかげで、拡散プロセスを構成するノイズタイプ、スケジュールタイプ、デノイジングネットワーク、損失関数を簡単に切り替えることができます。すぐに利用できるように、事前に構築されたモジュールのライブラリが増え続けています。基本クラスを継承し、必要なメソッドを実装することで、独自のモジュールを簡単に作成することができます。 Modular DiffusionはPyTorch上に構築されているため、既に慣れ親しんでいる構文でモジュールを作成することができます。使用可能な可能性はほぼ無限であり、高品質の写真の作成から非自己回帰的なテキスト合成パイプラインの実装まで幅広く活用できます。 Modular DiffusionはPyPI上で見つけることができ、Python 3.10+で公式にサポートされています。

効率的なディープラーニング：モデルの圧縮のパワーを解き放つ

機械学習モデルが本番環境に展開される際には、モデルのプロトタイプ段階では考慮されなかった要件を満たす必要があることがしばしばあります例えば、モデルには…

Learn more about Search Results プロトタイプ - Page 11