Search Results on

「Pythonを使って現実世界のデータにおけるべき乗則の検出」

ここでは、最大尤度法を使用して実証データからパワーローを検出する方法を説明しますPythonのサンプルコードも含まれています

「Pythonでの空間移動のアニメーション化」

「空間データは本質的に視覚的であり、Pythonで(地理-)空間データを可視化する技術の進歩により、あらゆる形状や形式の地図を簡単に素早くプロットすることができるようになりましたさらに、グラフのアニメーションも作成できます...」

ネットワークグラフを視覚化するための最高の新しいPythonパッケージ

この記事では、私が偶然出会ったPythonパッケージを紹介します私の謙虚な意見ですが、これは今まで見た中で最高のネットワークグラフの視覚化ツールですデータに詳しい読者の方々にとって…

「PythonのSet union() – 5分で完全ガイド」

「Pythonプログラマーには、2つのセットを結合するためのいくつかの方法がありますこのブログ記事では、セットのunion()メソッドを紹介し、その使用方法のいくつかの例も見ていきますさらに、set union()の利点についても話し合い、Pythonで人気のあるツールである理由についても見ていきます...」

「Rcloneを使用したクラウドベースのデータストレージの管理」

企業がクラウドベースのストレージソリューションにますます依存するにつれて、ビッグデータを効果的に管理するために適切なツールと技術を持つことが不可欠です

「コスト効率の高い高性能 AI 推論用の Amazon EC2 DL2q インスタンスが一般提供開始されました」

Qualcomm AIのA.K Royさんによるゲスト記事ですAmazon Elastic Compute Cloud（Amazon EC2）DL2qインスタンスは、Qualcomm AI 100 Standardアクセラレータによってパワーアップされ、クラウド上で効率的に深層学習（DL）タスクを展開するために使用することができますDLタスクのパフォーマンスや精度を開発し、検証するためにも利用できます

「Amazon Bedrock と Amazon Location Service を使用したジオスペーシャル生成AI」

今日、ジオスペーシャルのワークフローは、通常、データの読み込み、変換、そしてマップ、テキスト、またはチャートなどの視覚的インサイトの生成から構成されます生成AIは、これらのタスクを自律エージェントを介して自動化することができますこの投稿では、Amazon Bedrockの基本モデルを使用して、ジオスペーシャルタスクを完了するためにエージェントにパワーを与える方法について説明しますこれらのエージェントはさまざまなタスクを実行することができます[...]

『Amazon Search M5がAWS Trainiumを使用してLLMトレーニングコストを30%節約しました』

数十年にわたり、Amazonは機械学習（ML）を先駆的かつ革新的に活用し、顧客に楽しい体験を提供してきました最初の日々から、Amazonは書籍の推薦、検索、不正検出など、さまざまなユースケースにMLを使用してきました同業他社と同様に、高速化されたハードウェアの進歩により、Amazonのチームはモデルの追求を可能にしました

ペンシルバニア大学の研究者たちは、OpenAIのChatGPT-Visionに対して、一連のテストを実施することで、ビジョンベースのAI機能の有効性を評価するための機械学習フレームワークを開発しました

GPT-Visionモデルは、多くの人の注目を集めています。人々は、テキストや画像に関連するコンテンツを理解し生成する能力に興奮しています。しかし、課題があります – GPT-Visionが得意とすることと苦手なことが正確にわかりません。この理解の欠如は危険を伴う可能性があります、特にミスが深刻な結果をもたらす可能性のある重要な分野でモデルが使用される場合には。従来、研究者はGPT-VisionのようなAIモデルを評価するために、広範なデータを収集し、自動的な指標を使用して測定します。しかし、研究者によって導入されたもう一つの手法である例に基づく分析では、データの大量分析ではなく、特定の数の具体的な例に焦点を当てます。この手法は科学的に厳密で、他の分野でも効果が証明されています。 GPT-Visionの機能を理解する課題に対処するために、ペンシルベニア大学の研究者チームは、社会科学と人間コンピュータインタラクションに触発された形式化されたAIメソッドを提案しました。この機械学習ベースの手法は、モデルのパフォーマンスを評価するための構造化されたフレームワークを提供し、その実世界での機能に対する深い理解を重視しています。提案された評価手法には、データ収集、データレビュー、テーマの探索、テーマの開発、テーマの適用という5つのステージが含まれています。社会科学の基礎理論と主題分析から引用し、比較的小規模なサンプルサイズでも深い洞察を提供するために設計されています。この評価プロセスの効果を示すために、研究者たちは特定のタスクにそれを適用しました – 科学的な図表のための代替テキストの生成。代替テキストは視覚障害を持つ個人に画像の内容を伝えるために重要です。分析の結果、GPT-Visionは印象的な能力を示す一方で、テキスト情報に過度に依存し、プロンプトの表現に敏感で、空間的な関係の理解に苦労することが判明しました。結論として、研究者は、知識不足-drivenの質的分析がGPT-Visionの限界を特定するだけでなく、新しいAIモデルの理解と評価に対する緻密なアプローチを示していることを強調しています。目標は、特にエラーが重大な結果をもたらす可能性のある状況で、これらのモデルの潜在的な誤用を防ぐことです。この記事はUniversity of Pennsylvaniaが、OpenAIのChatGPT-Visionにテストを実施することで、視覚ベースのAI機能の有効性を測定するための機械学習フレームワークを開発しました。

「Amazon SageMaker JumpStart、Llama 2、およびAmazon OpenSearch Serverless with Vector Engineを使用して、金融サービス向けのコンテキスト重視のチャットボットを構築する」

「金融サービス（FinServ）業界は、ドメイン固有のデータ、データセキュリティ、規制コントロール、業界のコンプライアンス基準に関連する独自の生成AIの要件を持っています加えて、顧客は最も高性能かつ費用対効果の高い機械学習（ML）モデルを選択し、ビジネスユースケースに合わせて必要なカスタマイズ（ファインチューニング）を行うための選択肢を求めていますアマゾン[...]」

Learn more about Search Results on - Page 13