Search Results A

サイバー犯罪の推進者’ (Saibā hanzai no suishinsha)

イニシャルアクセスブローカーは、無許可のアクセスを販売します (Inisharu akusesu burōkā wa, mukyoka no akusesu o hanbai shimasu.)

光を乗りこなす：Sunswift RacingがWorld Solar Challenge Raceで輝く

今年の世界最大の太陽光自動車レースイベントで、ニューサウスウェールズ大学のサンスイフトレーシングチームが輝いています。 35年前に初めて開催されたワールドソーラーチャレンジは、世界中から学術参加者を引きつけています。今年のイベントには約100人の競技者が集まりました。レースは約4日間にわたり、約1,900マイルのコースを走り、速さではなく最大のエネルギー効率を競います。 UNSWシドニーはエネルギー効率競技で優勝し、Sunswift 7号車でゴールラインを最初に通過し、クルーザーカップを獲得しました。Sunswift 7号車は、エネルギー最適化のためにNVIDIA Jetson Xavier NXを利用しています。また、4人乗りで競技し、リモートのミッションコントロールチームも搭乗しています。「最少のエネルギーを使用してアデレードに他の誰よりも先に到着できるという完全に異なる提案ですが、最初にゴールラインを越えることは自慢の権利にすぎません」と、SunswiftのプロジェクトマネージャーであるUNSWのリチャード・ホプキンス教授は述べています。ホプキンス氏は以前、英国のF1レースチームを運営していました。レースの主催者は、このイベントを、オーストラリア大陸を横断する公共道路上で行われる「より持続可能な移動の未来に貢献する最も優れたイノベーションとエンジニアリングのチャレンジ」と位置づけています。また、電気自動車産業を追求する学生たちのキャリアパスのための出発点となっています。多くの競技者と同様に、UNSWもCOVID-19パンデミックによる3年間の休止後にレースに復帰し、今年の競技は非常に期待されています。「すべてのチームメンバーは、自分たちの役割を理解し、チームで最高のパフォーマンスを発揮する必要があります。その5日半中には疲労困憊します」とホプキンス氏は述べています。エネルギー効率に全力投球レースでは、参加者は完全に充電されたバッテリーでスタートし、夜に2つの場所で停車する際に充電することができます。残りのエネルギーの90％は太陽光と車両のソーラーパネルから得られます。 UNSWの第7世代のSunswift 7は、エネルギー効率を最適化するためにアルゴリズムを実行し、バッテリーの寿命を最大限に延ばすために非必要な計算をほぼ停止します。このソーラーエレクトリックバイクは、駆動速度を天候予報に基づいて調整することもできます。たとえば、天候が悪化する予報がある場合、後で雨が降るとコンディションが悪くなり、車は遅くなるため、車はドライバーにより速く走るように促します。 Sunswift 7号車は、ほとんどダーウィンからアデレードまで一直線に走るように設計されており、そのミッション以外ではできるだけ少ない電力を使用することが目的です。「Sunswift 7は昨年末にギネスブックに掲載され、バッテリーの単一充電で1,000キロメートル以上走行する最速の電気自動車として認定されました」と彼は語りました。学習のためのJetsonベースのレーサー UNSWチームは、車の空力特性を改善するために約60回のデザインイテレーションを作成しました。彼らは計算流体力学モデリングを使用し、各バージョンを分析するためにシミュレーションを実行しました。…

「医師がAIとの患者ケアで葛藤し、緩い監視を指摘する」

F.D.A.は人工知能を使用する多くの新しいプログラムを承認しましたが、医師たちは、これらのツールが介護を本当に改善するか、また堅実な研究に基づいているかについて懐疑的です

「Appleの研究者たちは、動的なポーズのRGB画像からの密集3D再構築において、画期的な人工知能アプローチを紹介する」

学習済みの先行知識を活用することで、モノクルカメラによるRGBのみの再構成は、低テクスチャ領域の課題や画像ベースの再構成の曖昧さに向けて大きな進歩を遂げました。リアルタイム実行のための実用的なソリューションが注目されています。これらのソリューションは、モバイルデバイス上のインタラクティブなアプリケーションにとって不可欠です。しかし、現在の最先端の再構成システムには、成功したアプローチがオンラインかつリアルタイムの両方であるという重要な前提条件が考慮されていません。オンラインで動作するためには、アルゴリズムが画像キャプチャ中に正確な増分再構成を生成し、すべての時間間隔で過去と現在の観測にのみ依存する必要があります。この問題は、各ビューが正確な、完全に最適化された姿勢推定を持っているという以前の取り組みの重要な前提を破ります。その代わりに、同時位置推定およびマッピング（SLAM）システムでは、リアルワールドのスキャン条件の下で姿勢のドリフトが発生し、動的な姿勢推定のストリームが生じます。既存の姿勢は、姿勢グラフ最適化およびループクロージャによって更新されます。このようなSLAMからの姿勢の更新は、オンラインスキャンで一般的です。図1に示すように、再構成はこれらの変更を尊重することによって、SLAMシステムとの一致を維持する必要があります。ただし、最近のRGBのみの密な再構成には、オンラインアプリケーションでのカメラの姿勢推定の動的な性質にはまだ対応していません。再構成の品質における重要な進展にもかかわらず、これらの取り組みは動的な姿勢を明示的に扱っておらず、静的な姿勢の入力画像の従来の問題の定式化を維持しています。一方で、これらの更新が存在し、現在のRGBのみの手法に姿勢の更新管理を統合する方法を提供しています。図1：SLAMシステム（a、b）からの姿勢データは、ライブ3D再構成では更新（c、赤緑）される場合があります。私たちの姿勢更新管理手法は、グローバルに一貫性のある正確な再構成を生成しますが、これらの変更を無視すると不正確なジオメトリが生じます。彼らは、シーンに新しい視点を統合するための線形の更新アルゴリズムを使用するRGB-Dの技術であるBundleFusionに影響を受けています。これにより、古いビューの非統合と、更新された位置の利用可能性に応じた再統合が可能となります。本研究では、汎用的なフレームワークとしての非線形の学習ベースの非統合技術を提供し、RGB画像からの動的な再構築における姿勢変更の管理をサポートします。静的な姿勢の仮定を持つ3つのサンプルのRGBのみの再構築技術が研究されています。オンラインシナリオにおける各アプローチの制約を克服するために。具体的には、Appleとカリフォルニア大学サンタバーバラ校の研究者は、学習ベースの非線形の更新ルールに依存するNeuralReconなどの技術のために、動的な再構築を容易にする深層学習ベースの非線形の非統合技術を提供します。彼らは、LivePoseと呼ばれる新しいかつユニークなデータセットを提供し、BundleFusionを使用して構築されたScanNetの完全な動的な姿勢シーケンスを含んでおり、この技術を検証し、将来の研究を支援します。非統合戦略の効果は、重要な再構成指標における質的および量的な改善を明らかにするテストで示されています。彼らの主な貢献は以下の通りです：• モバイルインタラクティブアプリケーションのための現実の環境により忠実に模倣した新しいビジョンの仕事を提供し、動的な姿勢のRGB画像からの密なオンライン3D再構成を実現します。• 彼らは公開可能な初の動的SLAM姿勢推定データセットであるLivePoseをリリースしました。これにはScanNetデータセットの1,613スキャンごとに完全なSLAMポーズストリームが含まれます。• 動的な姿勢での再構築を容易にするために、革新的なトレーニングと評価方法を作成しました。• 学習済みの再発ビュー統合を持つ技術に対して動的な位置処理を可能にする、独自の再発性非統合モジュールを提案しています。このモジュールは、姿勢変更の管理方法を教えます。

AI増強ソフトウェアエンジニアリング：知っておくべきすべてのこと

この包括的なガイドで、AIを活用したソフトウェアエンジニアリングの急速に成長する分野について学び、どのようにソフトウェアをより速く開発できるかを理解してください

世界のトップ10の生成AI企業

イントロダクション人工知能（AI）は、ビジネスの働き方を変革する力を持つ強力なテクノロジーです。AIの素晴らしい側面の一つは、分析したデータに基づいて新しいコンテンツ（写真や文章など）を生成するジェネラティブ人工知能（GAI）です。このテクノロジーは非常に役立ち、アート、医療、楽しみなど、さまざまなセクターで変革をもたらす力を持っています。世界中で変革的な進歩を牽引するトップ10のジェネラティブAI企業を発見しましょう。トップ10のジェネラティブAI企業プロジェクトのためにジェネラティブAIを作成するための優れたジェネラティブAI企業を探しているのですか？正しい場所に来ました。以下は、ジェネラティブAIの分野で本当に優れたトップ10の企業のリストです。この記事を読んで、ビジネスのアイデアに合うトップのジェネラティブAI企業を選びましょう。 1. RisingMax Inc. RisingMax Inc. は、ジェネラティブAI研究のパイオニア的なリーダーであり、驚異的な実績の記録を作り出しています。主なハイライト：彼らのプラットフォームは、世界中で高い評価を受けており、多くの企業がジェネラティブAIソリューションの開発の基盤として活用しています。ビッグデータ、機械学習、人工知能、ビジネスインテリジェンスなどの最先端の技術を活用して、RisingMaxはAI開発とAIチャットボットのソリューションを提供しています。 2. Suffescom Suffescom は、ジェネラティブAIソリューションの確保に本当に優れたジェネラティブAI企業の一つです。主なハイライト：彼らはクライアントにAI技術のアドバイス、ジェネラティブAIの作成、特別なAIソリューションの作成、学習できるAIの作成などをサポートしています。彼らは過去6年間この分野で活動しており、多くのアプリと洒落たAI製品を作り出してきました。彼らは健康、教育、銀行、保険、楽しいものなど、さまざまな業界と取り組んでいます。彼らはClaude AI、GPT-4、Vertex…

「DALL-E3」を詳しく見てみる

詳細な記事でOpenAIのDALL-E 3の進歩について探求しましょうさまざまなプロンプトでAIをテストし、ChatGPTとの高度な統合、優れた画像品質、倫理的なAIへの取り組みを探求します

テイクオーバー：AI共同パイロットがCスイートを終了

この記事で私が強調する重要なポイントは、AIが何らかの形でCスイートや他のサブレベルの企業の通常の業務フローを妨害しているということです私の意図をくどくともせずに述べるとすれば...

ISTAオーストリアとニューラルマジックの研究者が、トリリオンパラメータの言語モデルの効率的な実行のための革命的な圧縮フレームワークであるQMoEを紹介

複数の専門サブネットワークの出力を組み合わせて予測や意思決定を行うために設計されたニューラルネットワークモデルは、エキスパートの混合(MoE)と呼ばれます。このアーキテクチャは、複雑で多様なデータを取り扱う際に特に有用であり、データの異なるサブセットや側面に対して特殊なモデルを効果的に処理する必要がある場合に適しています。MoEモデルは、特定の入力に対してパフォーマンスが低いエキスパートの出力を無視することを学ぶことができるため、データ中の外れ値やノイズに対してより堅牢です。 MoEアーキテクチャの計算コストは、モデルの具体的な設計、対応するタスクの複雑さ、トレーニングや推論に使用されるハードウェアによって大きく異なる場合があります。特に多くのエキスパートや複雑なゲーティングメカニズムが関与する場合、MoEアーキテクチャは従来のニューラルネットワークよりも計算コストが高くなる場合があります。たとえば、SwitchTransformer-c2048モデルは1.6兆個のパラメータを持ち、効率的に実行するには3.2 TBのアクセラレータメモリが必要です。これは困難で高価なものとなっています。研究者は、QMoEと呼ばれる新しいフレームワークにおいて、このメモリ問題の解決策を提案しています。QMoEは、1ビット未満のパラメータごとに1.6兆個のパラメータを圧縮する正確なスケーラブルなアルゴリズムから構成されています。これにより、160 GB以下にSwitchTransformer-c2048モデルの1.6兆個のパラメータを圧縮することができ、単一のGPUで1日以内に処理することができます。これは、1ビット未満のパラメータによる正確な圧縮が実現可能であり、手頃な再トレーニング不要の圧縮技術によって達成される初めての事例です。これは通常、特定のモデルコンポーネントのコピーを作成し、各コンポーネントがすべての入力トークンのサブセットのみを処理するようにすることで実現されます。ルータレイヤーは一般的に、対応する入力-コンポーネント割り当てを決定します。量子化は、モデルサイズやその対応するモデル重みを低い数値精度にするために現在使用されている方法です。ただし、一部のMoEは非常に大きいため、4倍以上の削減率が必要になる場合があります。極端に低い精度でモデルを量子化するには、より洗練されたデータ依存の方法が必要です。完全精度（32ビットまたは16ビット）の重みとアクティベーションを持つニューラルネットワークをトレーニングする代わりに、データ依存の量子化手法は、量子化された重みとアクティベーションでモデルをトレーニングします。これにより、モデルは低精度数値表現の制限に適応することを学ぶことができます。データ依存の量子化のための人気のあるフレームワークやツールには、TensorFlow、PyTorch、TensorRTなどがあり、量子化に対するサポートを組み込んでいます。研究者は、デコーディング操作とエンコード行列に対して合理的な効率を持つことを考慮しています。彼らの今後の研究では、事前に訓練されたベースモデルの直接圧縮に焦点を当てる予定です。そして将来的には、圧縮モデルを特定の下流タスクに向けて調整するフィネチューニングも行う予定です。

このAI論文は、検索エンジンに対して大規模な言語モデルが事実確認の効率性にどのように比較されるか、明らかにします

異なる大学の研究者たちは、言語モデル（LLM）と検索エンジンがファクトチェックにおいてどれほど効果的かを比較しています。LLMの説明は検索エンジンよりも効率的なファクトチェックを支援しますが、説明が間違っている場合でもユーザーはLLMに頼りがちです。対照情報を追加すると過度な依存が減少しますが、検索エンジンを大幅に上回る効果はありません。重大な状況では、誤ったAIの説明に依存することが深刻な結果をもたらす可能性があるため、LLMの説明は確認済みの文章の読解を代替する信頼性のないものにならないかもしれません。彼らの研究は、言語モデルと検索エンジンをファクトチェックに用い、言語モデルの説明が効率を向上させる一方で誤った情報に依存する可能性があることを発見しています。重大な状況では、LLMの説明は文章の読解を代替することができない場合があります。別の研究では、ChatGPTの説明が確認作業を改善し、時間を節約する一方で、主張のインターネット検索を減少させることが示されています。この研究は、LLMのファクトチェックにおける役割と効率を検索エンジンと比較しています。LLMの説明は効果的ですが、間違っている場合には過度な依存が生じます。対照的な説明は提案されていますが、検索エンジンを大きく上回る効果はありません。重大な状況では、誤ったAIの説明に依存することが深刻な結果をもたらす可能性があるため、LLMの説明は確認済みの文章の読解を代替する信頼性のないものになる可能性があります。提案された手法は、80人の被験者を用いて言語モデルと検索エンジンをファクトチェックに適用し、言語モデルの説明は効率を向上させる一方で、ユーザーはそれらに過度に依存する傾向があることを調査しています。また、検索エンジンの結果と言語モデルの説明を組み合わせた効果についても調査しています。この研究では、正確さと確認時間を測定し、検索と説明がもたらす影響を評価しています。言語モデルの説明は、根拠のない状態に比べてファクトチェックの正確さを向上させます。確認済みの文章も正確さを向上させます。言語モデルの説明と確認済みの文章の間にはほとんど正確さの違いがありませんが、説明の方が読みやすいです。正確さにおいては検索には及びません。言語モデルは正しくない主張を説得力を持って説明することができ、誤った判断につながる可能性があります。特に重大な状況では、確認済みの文章の読解を代替するために、LLMの説明に一任することは推奨されません。結論として、LLMはファクトチェックの正確さを向上させる一方で、説明が誤っている場合には過度に依存したり正確な判断を下すリスクを伴います。LLMの説明を検索結果と組み合わせても追加の利点はありません。LLMの説明は読みやすいですが、虚偽の主張を説得力を持って説明することがあります。重大な状況では、LLMの説明にのみ依存することは望ましくありません。確認済みの文章の読解は正確なファクトチェックのために重要です。この研究では、ユーザーのための証拠のカスタマイズ、検索と説明を戦略的に組み合わせる方法、説明または確認済みの文章を表示するタイミングを探索することを提案しています。同時に両方を表示する効果についても確認の正確さを通じて調査しています。また、特に重大な状況では言語モデルの説明への過度な依存のリスクを検証しています。確認済みの文章の読解に代わるこれらの説明の信頼性と正確性を向上させる方法を探究しています。

Learn more about Search Results A - Page 122