Search Results 14

私は5ヶ月間、毎日ChatGPTを使用しましたここには、あなたの人生を変えるいくつかの隠れた宝石があります

これらのChatGPTの隠れた宝石を使って、あなたの人生を変えてください

Artificial Intelligence

AIが詐欺師をだます：ロボコールに対する巧妙な戦い

アメリカのFCC（連邦通信委員会）がロボコールに対する取り締まりを強化しようとしているにもかかわらず、ロボコールは未だにしつこい迷惑行為として続いており、人をだますことを狙っている無防備で弱い人々に付け込んでいます。しかし、1人の起業家が独自の方法で反撃する方法を見つけました。ジョリー・ロジャー・テレフォン・カンパニーの仕掛け人であるロジャー・アンダーソン氏にお会いしましょう。彼は人工知能（AI）を利用して詐欺師を騙す方法を開発しました。この記事では、アンダーソン氏の独創的な解決策が、ChatGPTと音声クローナーを搭載したボットを利用してテレマーケティングの詐欺師を出し抜く方法について探求します。彼らの時間を無駄にし、最終的には彼らに金銭的な損失を与える方法です。ロボコールに立ち向かうロボコールは、アメリカ全土の消費者に依然として問題を引き起こしており、1つの電話番号当たり月平均14回のコールがあります。これらの多くは、未熟な人々や高齢者を狙った詐欺です。FCCの取り組みにもかかわらず、ロボコールは革新的な解決策を求める持続的な問題です。ロジャー・アンダーソンとジョリー・ロジャー・テレフォン・カンパニージョリー・ロジャー・テレフォン・カンパニーのオーナーであるロジャー・アンダーソン氏は、ロボコールに対抗するための非常に斬新なアプローチを考案しました。アンダーソン氏の会社はAI技術を活用して、テレマーケティングの詐欺師を線上で引き留め、彼らの時間とリソースを無駄にします。ただし、アンダーソン氏の動機は個人の娯楽にとどまりません。彼は一般の人々にリーズナブルな料金で自分のシステムを利用する機会を提供しています。詳しくはこちら：コールセンターのサポート業務におけるNLPの応用簡単なセットアップとエンドレスなエンターテイメントジョリー・ロジャー・テレフォン・カンパニーのシステムの設定は非常に簡単です。ユーザーは年間25ドルのプランに申し込み、アカウントに関連付けられた一意の番号に通話転送をアクティベートする必要があります。そこから、ユーザーはボットにロボコールを処理させるか、通話をマージしてAIによる会話の面白さをこっそりと聞くことができます。多様なボットの人格ジョリー・ロジャー・テレフォン・カンパニーのシステムのハイライトの1つは、利用可能な多様なボットの人格です。例えば、「ホワイティ」ホワイトビアードは、しばしば不満を言ったり気を散らしたりする高齢の不機嫌な人物です。また、Salty Sallyは、騒々しい子供たちを抱える忙しい専業主婦の役割を果たします。これら多様な人物像により、詐欺師とのやり取りがさらに面白くなります。ボットはどのようにやり取りするのですか？一般的な認識とは異なり、詐欺師とはChatGPTが直接対話しているわけではありません。代わりに、ジョリー・ロジャー・システムは詐欺師の発言を分析し、その内容に関連する事前にプログラムされた応答を選択します。声は人間のように聞こえるかもしれませんが、フレーズは繰り返されることがあり、自然ではないことがあり、時には幻想を破ることもあります。それでも、ボットは最大15分間詐欺師を引きつけ、他の潜在的な被害者を狙うことを防ぎます。詐欺師の正体を暴く – ホワイティ・ホワイトビアードの出会い広く共有されたYouTubeの動画では、ジョリー・ロジャーが、ホワイティ・ホワイトビアードとDish Networkの代表をなりすましている詐欺師との会話を明らかにしました。なりすまし犯はTVサービスについて話そうとしますが、ホワイティは農場の仕事に夢中で興味を示しません。会話が進むにつれて、ホワイティは仕事に集中し、なりすまし犯はTV番組の話題に固執します。ホワイティは、詐欺師がロボットや録音かもしれないと疑い、電話の相手の正体を疑います。結果として、ホワイティのユーモラスな気晴らしは、詐欺師が個人情報や請求情報を収集するのを防ぎ、他の人々を詐欺の被害から守る可能性があります。詐欺師をだます先駆者たちジョリー・ロジャー・テレフォン・カンパニーは、革新的なアプローチで大きな注目を集めていますが、これはこの戦略を採用した最初の企業ではありません。2008年から活動しているチャットボット「Lenny」もロボコーラーをいら立たせています。ただし、Lennyは人間のオペレータに連絡するためにキープレスが必要であることを認識することができません。これは現在の詐欺師が頻繁に利用する戦術です。一方、ジョリー・ロジャーのボットは自動ダイヤラーの発言を検出し、適切なキーを自動的に「押す」ことができます。これにより、通話が早期に切断されるのを防ぎます。私たちの言葉ロボコールは続くかもしれませんが、ロジャー・アンダーソンと彼のジョリー・ロジャー・テレフォン・カンパニーの創意工夫により、反撃する方法があります。詐欺師たちは、AIで動作するボットと巧妙な声の人格を利用して、挫折させられ、出し抜かれています。簡単なセットアッププロセスと無限のエンターテイメントで、個人はロボコール詐欺師の捕食的な戦術から自分自身を守ることができます。今こそ、AIを利用して詐欺師を騙す番です。

マイクロソフトの研究者たちは、ラベル付きトレーニングデータを使用せずにパレート最適な自己監督を用いたLLMキャリブレーションの新しいフレームワークを提案しています

最近の進展により、大規模言語モデル（LLM）の能力が著しく向上しており、生成事前トランスフォーマー（GPT）モデルは大きな可能性を示しています。GPT-3からGPT-4への移行や、PaLMやLLaMAといった他のLLMの登場により、問題解決能力や自然言語理解能力が著しく向上しました。また、生成モデルはさまざまな分野でデータを生成するために頻繁に使用されます。生物学や医療などの高い精度と信頼性が必要なアプリケーションでLLMが使用される場合、幻覚の問題は依然として大きな障壁となっています。残念ながら、幻覚を正確に検出したり出力の信頼性を測定するための体系的な手法は存在しません。特に、人間の入力を用いた強化学習の後、生成LLMからの固有の信頼スコアは利用できないことがあります。また、ヒューリスティックな手法は計算コストが高く、LLM自体のバイアスによる偏りがあります。LLMのアンサンブルをサンプリングするなど、2つの基本的な方法があります。LLMの回答の信頼度を評価するための。最初の方法では、LLMにさまざまな方法で刺激を与えて多くの回答を作成し、その回答の信頼性を推測するために使用します。自己整合性や思考の連鎖プロンプトがその例です。これらの手法は定量的ではなく、モデルによって生じるバイアスに対しても影響を受けやすいです。これを測定するための標準化された方法はありませんが、プロンプト技術は結果の品質に重要な影響を与える可能性があります。2つ目の方法は、回答を確認するために人間のレビュアーを雇ったり、大量のラベル付きデータを使用して評価モデルを作成したりするなど、外部のデータソースに頼るものです。現在の教師ありモデルトレーニングの主な障害の1つは、これらの手法に必要な大量の手動注釈作業です。この点で、自己教育はデータパターンと新たな知識を柔軟に使用できるため、有望な選択肢となります。この研究のMicrosoftの研究者は、パレート最適学習を使用して、LLMの応答データと監督データの両方を組み合わせる柔軟なフレームワークを提供しています。彼らは、以前のプログラム的監督の取り組みやパレート最適化の研究の豊富さに触発されました。彼らの戦略は次の直感に基づいています。LLM自体が自分自身を判断することからバイアスを防ぐために、LLMとは独立した外部の監督のソースが必要です。2つ目に、LLMのエラーをゴールドラベル上のノイズの摂動として考えます。LLMノイズと独立した外部ノイズの両方を備えたモデルを適合させると、実際には暗黙のラベルスムージングが行われ、キャリブレーション能力が向上します。この点で、パレート最適自己教育は両方の品質を統合するための有用なフレームワークを提供します。特に、提案された方法は非ラベルデータのみを必要とするため、注釈が費用のかかる分野に適しています。パレート最適学習評価リスク（POLAR）スコアを使用してLLMのミスの可能性を計算することを提案し、4つの異なるNLPタスクに関する実験結果を示し、提案されたPOLARスコアがゴールドラベルで評価されたLLMのエラー率と大きく関連していることを示しました。彼らは、POLARスコアを使用して高リスク状況のための改善されたLLMパフォーマンスを示し、動的なプロンプト戦略を利用してGPT-4のベースラインパフォーマンスを最先端の教師ありモデルを超えるように改善する方法を示しています。

インデータベース分析：SQLの解析関数の活用

次のレベルにデータ分析スキルを活用するために、RANK()、NTILE()、CUME_DIST()などのさまざまなSQL分析関数について学びましょう

SQL

マーケティング予算の最適化方法

マーケティングミックスモデルは、異なるマーケティングチャネルが売上に与える影響を理解するための強力なツールですマーケターはマーケティングミックスモデルを構築することにより、各要素の貢献度を定量化することができます

Matplotlibを使用してインフォグラフィックを作成する

データを扱い、データサイエンティストとして仕事をするためには、魅力的で興味深いデータの可視化を作成することが重要ですこれにより、読者に情報を簡潔な形式で提供することができ、理解を助けることができます

AIが置き換えることができない仕事

はじめにサイバーノートであろうとそうでなかろうと、おそらく「AIが置き換えることのできない仕事」の議論を聞いたことがあるでしょう。2025年までに、世界中で約8500万の仕事が自動化によって廃れるリスクに直面しています。人工知能は毎回新たな発明を行っており、それが大規模に展開されれば、ほとんどの人間の仕事をこなすことができる可能性があります。過去にはChatGPTというものが登場し、作家やコンテンツマーケターを驚かせました。スポーツ業界では、食事計画の自動化や選手の怪我予防などにAIが活用されています。カスタマーサービスでは、既にチャットボットを導入する環境が整っています。この状況から考えると、本当にAIに置き換えられない仕事が存在するのかと思われます。しかし、上記で議論した内容を考慮すると、作家や栄養士、カスタマーサービスエージェントが別の職業に転職する必要があるのでしょうか？この記事の最後まで読み進めると、自分自身で判断することができます。さて、AIに置き換えることができない仕事について話しましょう。しかし、その前に、私たちはあなたに素晴らしい機会を提供したいと思います。データサイエンスやAIに熱中しているすべての方々に、2023年の高い期待を寄せたDataHack Summitに参加していただきたいと思います。8月2日から5日まで、バンガロールの名門NIMHANSコンベンションセンターでイベントが開催されます。このイベントでは、実践的な学び、貴重な業界の洞察、そして非競争力のあるネットワーキングの機会が満載です。ぜひDataHack Summit 2023をチェックしてください！ AIの仕事市場への影響出典：Built In 仕事市場におけるAIによる変化は、多くのトレンドや話題の中心となっています。この技術は特定のタスクを自動化し、産業を変革する可能性を持っていますが、雇用に対して複雑な全体的な影響を与え、AIはいくつかの仕事を置き換えることはできません。しかし、そこに進む前に、世界の注目を浴びている出来事をすべてご紹介しましょう。自動化が仕事を置き換えています AIに関する懸念の一つは、自動化が以前は人間が行っていた特定のタスクを置き換える可能性です。研究によると、AIによって2030年までに約4億から8億人が仕事を失い、別の職業に転職する可能性があります。ロボット工学や機械学習などのAI技術は、さまざまなセクターでルーチンや繰り返しのタスクを自動化することができ、一部の仕事の需要が減少することをもたらす可能性があります。製造業、カスタマーサービス、交通、データ入力などの産業は、自動化による仕事の置き換えの影響を最も受けやすい産業の一部です。新しい役割が生まれています出典：The Enterprise Project AIは一部の仕事をなくすかもしれませんが、新しい仕事の機会を生み出し、既存の役割を補完する可能性もあります。AI技術が進化するにつれて、AIシステムを開発、実装、維持するための新しい役割が出現します。さらに、データ分析、機械学習、AI倫理、アルゴリズム設計などの分野に精通した専門家への需要が高まるでしょう。組織はAIシステムを監督し、倫理的な考慮事項を確保し、AIの洞察に基づいた戦略的な意思決定を行う人材を必要とするでしょう。スキルの開発と同様にスキルの向上も重要です人工知能の広範な採用は、仕事市場で求められるスキルの変化をもたらす可能性があります。一部の低スキルで繰り返しのタスクは自動化される可能性があり、AI技術と補完するスキルに重点が置かれることになるでしょう。これには、批判的思考、創造性、問題解決能力、適応力、感情知性、複雑な意思決定などのスキルが含まれます。スキル向上の取り組みは、変化する仕事市場に適応するために必要な能力を獲得するために重要となるでしょう。社会経済的な考慮事項が注目されています AIが求人市場に与える影響は、より広範な社会経済的な意味を持っています。AIの恩恵が公平に分配されない場合、所得格差に寄与する可能性があります。教育や資源へのアクセスが制限されている特定のコミュニティや個人は、変化する求人市場に適応する際に困難を抱えるかもしれません。スキルのギャップに対処し、終身学習を支援し、包括的なAI技術へのアクセスを促進する政策や取り組みは、潜在的な不平等を緩和するのに役立ちます。 AIが置き換えられない仕事の概要出典：Analytics…

科学ソフトウェアの開発

この記事では、このシリーズの最初の記事で示されたように、科学ソフトウェアの開発においてTDDの原則に従って、Sobelフィルタとして知られるエッジ検出フィルタを開発します

Webスケールトレーニング解放：DeepMindがOWLv2とOWL-STを紹介、未知語彙物体検出の革新的ツール、前例のない自己学習技術によって駆動されます

オープンボキャブラリーの物体検出は、さまざまな実世界のコンピュータビジョンタスクにおいて重要な要素です。ただし、検出トレーニングデータの入手の制約と、事前学習モデルの脆弱性により、性能が劣り、スケーラビリティの問題が生じることが多いです。この課題に対処するため、DeepMindの研究チームは最新の論文「Scaling Open-Vocabulary Object Detection」で、最適化されたアーキテクチャであるOWLv2モデルを紹介しています。このモデルはトレーニング効率を改善し、OWL-STセルフトレーニングの手法を組み込んで検出性能を大幅に向上させ、オープンボキャブラリー検出タスクでの最先端の結果を達成します。この研究の主な目的は、ラベルスペース、注釈フィルタリング、およびオープンボキャブラリー検出セルフトレーニング手法のトレーニング効率を最適化し、限られたラベル付きデータで堅牢でスケーラブルなオープンボキャブラリー性能を実現することです。提案されたセルフトレーニング手法は、次の3つの主要なステップで構成されています：チームは既存のオープンボキャブラリー検出器を使用して、WebLIという大規模なウェブ画像テキストペアのデータセットでオープンボックス検出を行います。彼らはOWL-ViT CLIP-L/14を使用して、すべてのWebLI画像に境界ボックスの疑似注釈を付けます。彼らは、人間による注釈付けされた検出データを使用してトレーニングモデルを微調整し、パフォーマンスをさらに向上させます。特筆すべきは、研究者がより効果的な検出器を訓練するために、OWL-ViTアーキテクチャのバリアントを使用していることです。このアーキテクチャは、コントラストトレーニングされた画像テキストモデルを利用して画像とテキストのエンコーダを初期化し、検出ヘッドはランダムに初期化されます。トレーニングの段階では、チームは同じ損失関数を使用し、OWL-ViTアーキテクチャから「疑似ネガティブ」をクエリに追加して、利用可能なラベル付き画像の利用を最大化するためにトレーニング効率を最適化します。さらに、大規模Transformerトレーニングのために以前に提案された手法を組み込んで、トレーニング効率をさらに向上させます。その結果、OWLv2モデルは、元のOWL-ViTモデルに比べてトレーニングFLOPSを約50％削減し、トレーニングスループットを2倍に加速します。チームは実証的な研究で、提案手法を以前の最先端のオープンボキャブラリー検出器と比較しています。OWL-ST技術により、LVISの稀なクラスの平均精度（AP）が31.2％から44.6％に向上します。さらに、OWL-STレシピをOWLv2アーキテクチャと組み合わせることで、新たな最先端のパフォーマンスが実現されます。全体的に、本論文で提案されたOWL-STレシピは、大規模なウェブデータからの弱教師付き学習を活用して検出性能を大幅に向上させ、オープンワールドの位置特定におけるウェブスケールのトレーニングを実現します。この手法は、ラベル付き検出データの希少性による制約に対処し、堅牢なオープンボキャブラリー物体検出のスケーラブルな手法の可能性を示しています。

製造品の品質におけるコンピュータビジョンの欠陥検出を、Amazon SageMaker Canvasを使用したノーコード機械学習で民主化する

品質の低下によるコストは、製造業者にとっての最重要課題です品質の欠陥は、廃棄物や再作業のコストを増加させ、スループットを減少させ、顧客と企業の評判に影響を与える可能性があります生産ラインでの品質検査は、品質基準を維持するために重要です多くの場合、品質と欠陥の検出のために人間の視覚検査が使用されますが、これは...

Learn more about Search Results 14 - Page 137