Search Results A

「RAGの語義における課題に取り組むドメイン固有の検索の見落とされがちな面について」

数千のドメイン固有ドキュメントが類似点を持ち、埋め込みでは関連するドキュメントを検索する際に一部不足がある場合、ハイブリッド検索、階層的ドキュメント順位付け、指導者埋め込みを利用して、コモン・レトリーバル・オーグメンテッド・ジェネレーション（RAG）セットアップに対処します

AIパワードの予測分析で非営利団体の資金調達を革命化する

非営利の資金調達には数多くの課題がありますいつ寄付するか、寄付の可能性を高める要素は何かが理解することは容易ではありませんそのため多くの非営利組織の意思決定者は、人工知能（AI）を活用して未来予測分析ツールを実行することで新たな洞察を得るようにしました計画的なアウトリーチ手法非営利の資金調達は ...

QLoRA：16GBのGPUで大規模な言語モデルの訓練を行う

「我々は、モデルのための量子化などの体重減少技術と、パラメータ効率の良いファインチューニング技術であるLoRAを組み合わせる予定ですこの組み合わせの結果として生まれるのが、QLoRAです」

大規模なMLライフサイクルの統治、パート1：Amazon SageMakerを使用してMLワークロードを設計するためのフレームワーク

あらゆる規模や業界の顧客が、機械学習（ML）を自社の製品やサービスに取り入れることでAWS上で革新を遂げています生成モデルに関する最近の進展は、さらに様々な業界におけるMLの採用の必要性を高めていますただし、セキュリティ、データプライバシー、ガバナンスの制御の実装は、顧客がMLを実施する際に直面する主要な課題です

イントロダクション人工知能の進化する領域において、二つの主要な要素が刷新を果たしました：生成型AIと強化学習。これらの最新技術である生成型AIと強化学習は、自己改善型のAIシステムを作り出す可能性があり、機械が自律的に学習し適応する夢を現実のものにするための一歩を踏み出しています。これらのツールは、自己改善型のAIシステムの道を開き、自己学習および自己適応する機械のアイデアに近づくことをもたらしています。最近のAIの進歩は驚くべきものです。人間の言語を理解することから、コンピュータが世界を認識し解釈するのを助けるまで、様々な領域で進歩を遂げてきました。GPT-3のような生成型AIモデルとDeep Q-Networksのような強化学習アルゴリズムは、この進歩の最前線に立っています。これらの技術は個別に変革をもたらしてきましたが、それらが融合することによってAIの能力の新たな次元が開かれ、世界の限界を緩和しています。学習目標強化学習とそのアルゴリズム、報酬構造、強化学習の一般的なフレームワーク、状態行動ポリシーに関する必要な知識と深い知識を獲得し、エージェントがどのように意思決定を行うかを理解する。これらの二つの分野がどのように共生的に組み合わさることで、より適応性の高いインテリジェントシステムを創り出すことができるかを調査する。健康医療、自動車、コンテンツ制作などの分野で、生成型AIと強化学習を統合することによる効果と適応性を示すさまざまな事例研究を学び分析する。 TensorFlow、PyTorch、OpenAIのGym、GoogleのTF-AgentsなどのPythonライブラリに精通し、これらの技術の実装における実践的なコーディング経験を得る。この記事はデータサイエンスブログマラソンの一環として公開されました。生成型AI：機械に創造性を与える生成型AIモデルは、OpenAIのGPT-3のように、自然言語や画像、音楽などを生成するように設計されています。これらのモデルは、与えられた文脈で次に何が起こるかを予測する原理に基づいて動作します。これらは、自動化されたコンテンツ生成から人間の会話を模倣するチャットボットまで、あらゆることに使用されてきました。生成型AIの特徴は、学習したパターンから新しいものを作り出す能力です。強化学習：AIに決定を学ぶ出典 – Analytics Vidhya 強化学習（RL）はもう一つの画期的な分野です。これは、人間のように試行錯誤から学ぶAIを実現する技術です。これは、Dota 2や囲碁などの複雑なゲームをAIに教えるために使用されています。RLエージェントは、行動に対して報酬やペナルティを受け取り、このフィードバックを使用して時間とともに改善します。ある意味では、RLはAIに自律性を与え、動的な環境での意思決定を可能にします。強化学習のフレームワークこのセクションでは、強化学習の主要なフレームワークについて解説します。実行主体：エージェント人工知能と機械学習の領域では、「エージェント」という用語は、指定された外部環境とやり取りするための計算モデルを指します。その主な役割は、目標を達成するか、一連のステップで最大の報酬を蓄積するために意思決定を行い、行動を起こすことです。 The…

メタ：メタバースの悪夢からAIの成功へ

タイトルの前半は言葉通りであり、後半は少し明確ではありません私は（以下で正当性を主張している）メタのAIにおける非定型な進歩は少なくとも興味深くて...

KAISTの研究者らが「SyncDiffusion」を提案：知覚的な類似度の損失関数から勾配降下法を使って複数の拡散を同期させるためのプラグアンドプレイモジュールです

最近の研究論文では、KAISTの研究者チームが、事前学習済みの拡散モデルを使用して、パノラマ画像の生成を向上させる画期的なモジュールであるSYNCDIFFUSIONを紹介しました。研究者たちは、パノラマ画像の作成において、複数の固定サイズの画像を縫合する際に目立つシームが存在するという重要な問題を特定しました。この問題に対処するため、彼らはSYNCDIFFUSIONを提案しました。広くて没入感のある視点を持つパノラマ画像の作成は、画像生成モデルにとって課題を提供します。通常、これらのモデルは固定サイズの画像を生成するために訓練されています。パノラマを生成しようとすると、複数の画像を単純に縫合することで目立つシームや不連続な構成物が生じることがよくあります。この問題は、画像をシームレスにブレンドする方法と全体の一貫性を維持するための革新的な手法の必要性を引き起こしました。パノラマ画像の生成のための2つの主要な手法は、逐次的な画像外挿とジョイントディフュージョンです。前者は、与えられた画像を逐次的に拡張して最終的なパノラマを生成し、各ステップで重なり合う領域を修正することで行われます。しかし、この手法はしばしばリアルなパノラマを生成することが難しく、繰り返しパターンを導入してしまう傾向があり、理想的な結果を生み出すのには十分ではありません。一方、ジョイントディフュージョンは、複数のビュー全体で逆生成プロセスを同時に操作し、重なり合う領域で中間のノイズのある画像を平均化します。このアプローチはシームレスなモンタージュを効果的に生成しますが、ビュー全体でコンテンツとスタイルの一貫性を維持する点では不十分です。その結果、異なるコンテンツやスタイルの画像を1つのパノラマ内で組み合わせ、非一貫な出力を生み出すことがよくあります。研究者たちは、SYNCDIFFUSIONを複数の拡散を同期させるモジュールとして紹介しました。これは知覚的な類似性損失に基づく勾配降下を用いたものです。このアプローチは、各ノイズ除去ステップで予測されたノイズ除去画像を使用して知覚的損失の勾配を計算する点において、意義のあるガイダンスを提供します。このアプローチにより、コンテンツの一貫性を保ちながら画像をシームレスにブレンドすることができるため、一貫したモンタージュの作成に有益です。 SYNCDIFFUSIONをStable Diffusion 2.0モデルと組み合わせて行われた一連の実験では、従来の手法を大幅に上回る結果が得られました。ユーザースタディによると、SYNCDIFFUSIONは66.35％の好意的な評価を受け、従来の手法は33.65％でした。この大きな改善は、SYNCDIFFUSIONが一貫したパノラマ画像の生成において実用的な利点を提供していることを示しています。 SYNCDIFFUSIONは画像生成の領域への注目すべき追加です。これは、シームレスで一貫したパノラマ画像の生成という永続的な問題に効果的に取り組んでいます。複数の拡散を同期させ、知覚的類似性損失から勾配降下を適用することで、SYNCDIFFUSIONは生成されたパノラマの品質と一貫性を向上させます。その結果、パノラマ画像の作成を含むさまざまなアプリケーションにおいて貴重なツールとなり、勾配降下を使用して画像生成プロセスを改善する可能性を示しています。

「ユーレカ！NVIDIAの研究によるロボット学習の新たな進展」

ロボットに複雑なスキルを教えることができるNVIDIA Researchによって開発された新しいAIエージェントは、ロボットの手にペン回しのテクニックを迅速に演じることを学習しました。これは人間と同じくらいのスキルです。上記のビデオで見られる驚くべき手品は、ユーレカによってほぼ30のタスクを学習させることによって達成されました。ユーレカは報酬アルゴリズムを自律的に書き、ボットをトレーニングします。ユーレカは、引き出しやキャビネットを開ける、ボールを投げてキャッチする、はさみを使うなどのタスクもロボットに教えました。今日発表されたユーレカの研究には、論文とこのプロジェクトのAIアルゴリズムが含まれており、開発者はNVIDIA Isaac Gymを使用して実験することができます。これは強化学習研究のための物理シミュレーションリファレンスアプリケーションです。アイザックジムは、オープンUSDフレームワークに基づいた3Dツールやアプリケーションを構築するための開発プラットフォームであるNVIDIA Omniverse上に構築されています。ユーレカ自体は、GPT-4大規模言語モデルによって動作します。「ここ10年で強化学習は素晴らしい成果を上げてきましたが、報酬設計などの課題はまだ存在します。それは試行錯誤のプロセスです。」と、NVIDIAのAI研究の上級ディレクターであるアニマ・アナンドクマールは語りました。彼女はまた、ユーレカの論文の共著者でもあります。「ユーレカは、困難なタスクを解決するために生成的学習と強化学習の手法を統合する新しいアルゴリズムを開発するための第一歩です。」 AIがロボットをトレーニング論文によると、ユーレカが生成する報酬プログラムは、ロボットの試行錯誤学習において、専門家によって作成されたものよりも80%以上のタスクで優れたパフォーマンスを発揮しています。これにより、ボットの平均パフォーマンスが50%以上向上しています。 https://blogs.nvidia.com/wp-content/uploads/2023/10/franka_cabinet.mp4 ユーレカによって引き出しを開けるように学習されたロボットアーム。このAIエージェントは、ロボットに強化学習のためのソフトウェアコードを生成するためにGPT-4 LLMと生成的AIを活用しています。具体的なタスクの促しや事前定義された報酬テンプレートは必要ありません。また、開発者のビジョンにより正確に合わせて報酬を修正するための人間のフィードバックをすぐに組み込むことができます。 Isaac GymのGPUアクセラレーションされたシミュレーションを使用することにより、ユーレカは効率的なトレーニングのために大規模な報酬候補の品質を迅速に評価することができます。ユーレカは、トレーニング結果からキーとなる統計情報の要約を作成し、LLMに報酬関数生成の改善を指示します。このように、AI自体が自己改善しています。ユーレカは、四足歩行、二足歩行、クアッドローター、器用な手、共同作業者のアームなど、あらゆる種類のロボットにあらゆる種類のタスクを実行することを教えてきました。この研究論文では、20のユーレカによるトレーニングされたタスクについて、ロボットの手が幅広い複雑な操作スキルを示す必要があるオープンソースの手先器用さベンチマークに基づく詳細な評価が提供されています。 NVIDIA Omniverseを使用して生成された視覚化で、9つのIsaac Gym環境の結果が紹介されています。 https://blogs.nvidia.com/wp-content/uploads/2023/10/humanoid.mp4 ユーレカを通じて走りの足技を学ぶヒューマノイドロボット。…

「Amazonが処方せんのドローン配送をテスト中」

アマゾンはテキサス州カレッジステーションで処方箋薬のドローン配送サービスを試験しており、将来的に他の市場へのサービス拡大を計画しています

「NvidiaとiPhoneメーカーのFoxconnが「AI工場」を建設する」というニュースが発表されました」

「フォックスコンの劉氏はBBCに、電気自動車が今後数十年で同社の成長を牽引すると語った」

Learn more about Search Results A - Page 142