Search Results RT-2

エッジ上でのビジュアル品質検査のためのエンドツーエンドのMLOpsパイプラインの構築-パート1

「機械学習（ML）モデルの成功した導入は、エンドツーエンドのMLパイプラインに大きく依存していますこのようなパイプラインの開発は困難な場合もありますが、エッジMLユースケースを扱う場合はさらに複雑になりますエッジでの機械学習は、実行可能性をもたらす概念です...」

ランチェーン101：パート2c PEFT、LORA、およびRLでLLMを微調整する

この記事をより理解するために、前回のパートをご覧ください前回のパートでは、言語モデルの大規模なものについて話しましたモデルの微調整（または転移学習とも呼ばれます）は、機械学習の技術であり、以下のように利用されます...

「Non-engineers guide LLaMA 2チャットボットのトレーニング」となります

イントロダクションこのチュートリアルでは、誰でも一行のコードを書かずにオープンソースのChatGPTを構築する方法を紹介します！LLaMA 2ベースモデルを使用し、オープンソースのインストラクションデータセットでチャット用に微調整し、そのモデルを友達と共有できるチャットアプリにデプロイします。クリックだけで偉大さへの道を歩むことができます。😀 なぜこれが重要なのか？特にLLM（Large Language Models）を含む機械学習は、私たちの個人生活やビジネスにおいて重要なツールとなり、過去に例のないほど人気が高まっています。しかし、MLエンジニアリングの専門的なニッチ分野ではないほとんどの人々にとって、これらのモデルのトレーニングとデプロイメントの複雑さは手が届かないもののように思えます。機械学習の予想される未来が普遍的な個別のモデルで満たされるものになるのであれば、非技術的なバックグラウンドを持つ人々にこの技術を独自に活用する力を与えるには、将来的に課題が待ち受けています。 Hugging Faceでは、この包括的な未来への道を静かに築くために働いてきました。Spaces、AutoTrain、Inference Endpointsなどのツール群は、機械学習の世界を誰にでもアクセス可能にするために設計されています。このチュートリアルでは、この民主的な未来がどれだけアクセス可能であるかを示すために、チャットアプリを構築するためにSpaces、AutoTrain、ChatUIを使用する方法を3つの簡単なステップで紹介します。コンテキストとして、私はMLエンジニアではなく、Hugging FaceのGTMチームのメンバーです。私がこれをできるなら、あなたもできます！さあ、始めましょう！ Spacesの紹介 Hugging FaceのSpacesは、MLデモやアプリの構築とデプロイを簡単に行うためのGUIを提供するサービスです。このサービスを使用すると、GradioやStreamlitのフロントエンドを使用して素早くMLデモを構築したり、独自のアプリをDockerコンテナにアップロードしたり、あるいは事前に設定された複数のMLアプリケーションを即座にデプロイしたりすることができます。このチュートリアルでは、Spacesからの事前構成済みのDockerアプリケーションテンプレート、AutoTrainとChatUIをデプロイします。 Spacesについてもっと詳しくはこちらをご覧ください。 AutoTrainの紹介 AutoTrainは、MLエンジニアでない（または開発者でない😮）人々がコードを書かずに最先端のMLモデルをトレーニングするためのノーコードツールです。NLP、コンピュータビジョン、音声、表形式のデータなどに使用することができ、今日行うようなLLMの微調整にも使用できます。 AutoTrainについてもっと詳しくはこちらをご覧ください。 ChatUIの紹介 ChatUIはその名の通りです。Hugging Faceが提供するオープンソースのUIで、オープンソースのLLMsと対話するためのインターフェースを提供します。特に、HuggingChatという完全オープンソースのChatGPTの代替としても使用されています。 ChatUIについてもっと詳しくはこちらをご覧ください。ステップ1：新しいAutoTrain…

「データサイエンスのトップ7の無料クラウドノートブック」

「クラウドノートブックはデータサイエンスのゲームチェンジャーであり、コンピューティングへの無料アクセス、プリビルト環境、コラボレーション機能、サードパーティの統合などを提供していますこれらは、あなたのワークフローを向上させるために必要な全てを提供します」

Data science

「自然言語処理のマスタリングへの7つのステップ」

「自然言語処理（NLP）についてすべてを学びたいですか？ここでは、機械学習とPythonの基礎からTransformers、NLPの最近の進歩、それ以上までをサポートする7つのステップガイドをご紹介します」

Natural language processing

多種多様なロボットタイプ間での学習のスケーリングアップ

私たちは、様々なロボットタイプや具現化における総合ロボット学習のための新しいリソースセットをリリースします34の学術研究所のパートナーと共に、22種類の異なるロボットタイプのデータをまとめ集め、オープンなX-具現化データセットを作成しましたまた、RT-1から派生したロボティクストランスフォーマー（RT）モデルであるRT-1-Xもリリースしますこのモデルは、私たちのデータセットで訓練され、多くのロボット具現化間でスキルの移転を示します

research

大きな言語モデルの謎を解き明かす：初心者のためのロードマップ

今日の高速化されたデジタル世界では、自然言語処理と言語理解の役割がますます中心的な存在となっています。この変革の波を率いているのは、人間の創造性と明瞭さに匹敵するテキストを作成する能力で知られる大規模言語モデル（LLM）です。この探求はLLMの核心に深く立ち入り、その主要な応用とそれを支える基本要素に焦点を当てます。また、職場でLLMのトレーニングと展開のスキルを習得する方法についても紹介します。 LLMとは何ですか？大規模言語モデル（LLM）は、テキストコンテンツを作成するために使用される生成型AIモデルです。LLMはさまざまな分野で活用されています。人間が作成したテキストにシームレスに適合するコンテンツを作成する能力は、さまざまな分野に革新的な影響を与えています。LLMが使用されている分野には、以下のようなものがあります。コンテンツ生成： LLMは、コンテンツクリエイターの能力と効率を向上させる非常に価値のある資産です。強化されたカスタマーサポート： LLMパワーにより、モダンなチャットボットはより文脈に即した、魅力的でユーザーセントリックなものとなりました。研究支援：膨大な記事の要約から重要な学術資源の提案まで、LLMは研究で欠かせない助けとなっています。言語と翻訳ツール：翻訳の精度を提供することで、LLMは言語学習プラットフォームの景色を変えつつあります。次のセクションでは、LLMのトレーニングと展開のスキルを習得する方法について見ていきますが、その前にいくつか重要な用語について理解しましょう。 LLMに関連する基本用語 LLMを最大限に活用するためには、その基盤となるメカニズムを理解することが重要です。しかし、そのためにはいくつかの基本的な概念や用語に精通している必要があります。重要な用語のいくつかは以下の通りです。トレーニング：特定のラベルがない広範なテキストデータでのトレーニングを含み、言語の構造、パターン、文法を学び、「自己教師あり学習」を使用して予測および学習します。プロンプトエンジニアリング：正確なプロンプトの策定を行い、LLMに特定で正確な出力を出させることを目指します。ファインチューニング：既存のLLMを特定のタスクや産業固有の要件に対応できるように適応させるプロセスです。展開戦略： LLMがデジタルプラットフォームにシームレスに統合され、その効用と到達範囲を最大化する方法に焦点を当てます。この分野に参入するにはどうすればよいですか？ LLMのトレーニングと展開においては、基本的な機械学習とディープラーニングの概念に基礎を持つことが必要です。ただし、これらのツールをさまざまな目的で使用するだけの場合、技術の細かな部分にまで深入りする必要はありません。…

AI生成テキストの検出の課題

AIによる文章や投稿の執筆支援技術は、今やあらゆるところに存在しています！ChatGPTは、言語ベースのAIの様々な応用を開放し、コンテンツ生成のあらゆる形態にAIを利用することが可能です...

ウィザードコーダー：最高のコーディングモデルとは何でしょう

このブログでは、WizardCoderとは何か、そしてなぜそれがフィールドで最高のコーディングモデルとして際立っているのかについて深く掘り下げますさらに、なぜそのHumanEvalベンチマークでのパフォーマンスが優れているのかについても探求します...

Segmind APIとPostmanを使用した簡単なGenAIアプリの統合

はじめに人工知能（AI）をアプリケーションに統合することは、ビジネス競争力を維持するためにますます必要になっています。これらのAI機能を追加することで、ユーザー体験が向上し、タスクが自動化され、有益な洞察が提供されます。私たちは多様なGenAIモデルを利用できるため、可能性があります。しかし、AIをアプリに統合することは複雑です。特にGenAIの新しいトレンドでは、まだ多くのプロセスが試行錯誤されています。したがって、ファッションアプリなどの個人用アプリケーションやソフトウェアにGenAIを統合する方法を知りたい場合は、この記事ではSegmind APIとPostmanを使用してGenAIアプリを統合するプロセスを簡素化することを目指しています。学習目標 SegmindモデルとAPIの理解 SegmindとのGenAI統合APIの理解 Segmind APIとのPostmanの使用この記事は、Data Science Blogathonの一環として公開されました。 SegmindモデルAPIの理解 SegmindのGenAI APIを包括的に理解するためには、その目的、機能、利点を理解する必要があります。eコマースアプリやファッションデザイン、アニメーション、背景除去、アートワーク、絵画、漫画などの画像認識に関する潜在的なユースケースを強調することができます。利用の容易さに加えて、Segmind AIはWebサイトのAPIとプレイグラウンドを介して利用可能なGenAIモデルを提供しています。この記事ではAPIの推論コールを使用します。利用可能なAPIスクリプトを使用して、タスクに適したモデルを選択することは簡単です。以下は、https://www.segmind.com/models/sd1.5-outpaint/api で利用可能なStable Diffusion 1.5 Outpaintingモデルの例です。 import requests from base64 import…

Learn more about Search Results RT-2 - Page 16