Search Results ML

「助成金交付における有望なプロジェクトの特定に予測分析を活用するための7つの手順」

「予測分析は、特に助成金の分野におけるデータ駆動型意思決定において、急速に不可欠な存在となりつつあります予測分析は統計学的アルゴリズムや機械学習技術を用いて、過去のデータを分析し将来の結果を予測します予測分析を助成金に適用することで、精度が向上し競争力が増します最も...」

メタのLlama 2モデルの概要：新機能は何ですか？

過去数ヶ月間、MetaのLlama 2はデータサイエンスコミュニティ内で広まってきましたが、今のところなぜそれが大きな話題になっているのかが明らかにされていますLLMに関しては、それが新しい地平を切り開いただけでなく、オープンソースの性質が約束しています...

「GANが人工的なセレブリティのアイデンティティを作り出す方法」

イントロダクション人工知能の時代において、驚くべき現象が展開されています――生成対抗ネットワーク（GAN）が創造的に人工的なセレブリティのアイデンティティを作り出しています。このテクノロジーと創造性の興味深い融合により、完全に新しいタイプのデジタルセレブリティが生まれました。私たちと一緒に、仮想世界を魅了する人工的なセレブリティパーソナリティの創造の魔法を紐解いていく興味深い旅に出かけましょう。GAN の世界に飛び込み、このデジタル芸術の秘密を探求しましょう。どのようにしてGANがこれを実現するのでしょうか？このデジタルアートの裏に隠された秘密を探求しましょう。出典: Hello Future 学習目標この記事では、以下のことを学びます。生成対抗ネットワーク（GAN）の概念ジェネレーターとディスクリミネーターの訓練方法 GANモデルの実装のステップバイステッププロセス敵対的なトレーニングを通じてGANが時間とともに改善する仕組みこの記事は、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。生成対抗ネットワーク（GAN）生成対抗ネットワーク（GAN）は、Goodfellowによって開発された深層学習モデルです。その名前からも、GANの目的を理解することができます。そうです！私たちは生成の目的でそれを使用します。GANは何かを生成するネットワークです。画像、テキスト、音声など、現実世界のデータに似た合成データを生成するためにGANを使用します。GANは2つのニューラルネットワークから構成されています。これらはジェネレーターとディスクリミネーターと呼ばれます。トレーニング中、この2つのネットワークはお互いに競い合いながらより良い性能を発揮するように訓練されます。ジェネレーターとは？ジェネレーターは、生成を担当するニューラルネットワークです。出力をするためには入力が必要です。ジェネレーターが受け取る入力はランダムなノイズです。ジェネレーターはこのランダムなノイズを受け取り、実データに似た出力を生成しようとします。ディスクリミネーターからフィードバックを受け取るたびに、ジェネレーターは自己改善し、次回はより良いデータを生成します。たとえば、画像生成の場合、ジェネレーターは画像を生成します。トレーニングを通じてジェネレーターが改善するにつれ、最初はランダムなノイズから始まり、次第に出力を洗練させてより現実的になります。最初の試行では、元のデータに最も似たものを生成することができないかもしれません。時にはまったく画像ではないものさえ生成することもあります。トレーニングが進むにつれ、より正確な良質なデータが生成されます。ディスクリミネーターとは？ディスクリミネーターは、評価を担当するニューラルネットワークです。簡単に理解するために、それを探偵と呼ぶことができます。このディスクリミネーターは、実際のデータとジェネレーターによって生成された偽のデータの両方を受け取ります。偽のデータを実データと区別する必要があります。簡単に言えば、実際のデータと偽のデータを分類するということです。ジェネレーターと同様に、トレーニングが進むとディスクリミネーターもより優れた判別ができるようになります。最初の試みでは最高の結果を出せないかもしれませんが、トレーニングが進むにつれてより良い結果を出せるようになり、最終的にはほとんどの偽のデータを識別できるようになります。探偵のように働く必要があります。敵対的トレーニングジェネレーターとディスクリミネーターの両方が訓練を受け、これは敵対的トレーニングと呼ばれています。両者はお互いに競争的なトレーニングを行います。ジェネレーターが実データに似た偽のデータを生成し、ディスクリミネーターは偽のデータを識別しようとします。トレーニングプロセスの次のステップでは、ジェネレーターは自己改善を目指し、ディスクリミネーターを騙すための偽のデータを生成します。再びディスクリミネーターが偽のデータを検出します。このようにトレーニング中、両者はそれぞれのタスクでより良いパフォーマンスを発揮します。このプロセスは、ジェネレーターが非常に現実的なデータを生成し、ディスクリミネーターが本物と区別できなくなるまで続けられます。この段階でGANはある種の均衡状態に達し、生成されたデータは非常に実データに似ています。 “`html 実装まず、必要なライブラリをすべてインポートしましょう。これには主にtorchモジュールが含まれます。可視化のためにmatplotlibを使用します。…

イェール大学とGoogle DeepMindの研究者は、大規模な言語モデルに対する高度な微調整技術を使用して数学の問題解決の成功を解き明かしました

“`html 最も先進的な大型言語モデル（LLMs）であるGPT-4やPaLM 2でも、数学の問題を解くのは困難です。なぜなら、それには想像力、数理的推論、計算が必要だからです。問題に複数回取り組むことが許可されると、LLMsが正しい答えを見つける可能性はかなり高くなります。したがって、LLMsはすでにこの数学の問題解決の課題を改善する可能性を示しています。例えば、事前学習済みのPaLM 2-Lは、greedy decodingを使用した場合に約33.4％の正確さを達成することができます。しかし、temperature samplingを使用して64の解をサンプリングすると、少なくとも1つの正解（pass@64）が79.4％の確率で得られます（表1）。表1：教師あり解の微調整の結果。トレーニングデータの2つの異なるソースであるMATHデータセットとPRM800Kデータセットを比較しています。この大きな性能の差は、LLMsが正確な答えを生成できる一方で、正しい解と誤った解を区別することが困難であることを示しています。したがって、上記の性能差を縮小するために、彼らはタスク固有の微調整技術を調査して、LLMの解決力と評価力を向上させようとしています。彼らは3つの微調整技術を検討しています：（1）SSFT、教師あり段階的解の微調整。事前学習済みLLMsが出発点として教師あり微調整ステップを受けることで利益を得られるかどうかを調査します。 LLMsを調整して、完全な解答を提供するようにします。（2）解クラスタ再順位付け（SCR）。候補解の再順位付けのための解評価器として生成器を改善し、LLMの解評価能力を向上させます。以前の研究では解のサンプル順位付けまたは再順位付けが行われてきましたが、彼らは多数決の利点と再順位付けを組み合わせる新しい手法を提案し、ランキングのコストを削減します。より具体的には、多数決の初期段階で、数学的等価性に基づいて候補解をいくつかのグループに分類します。さらに多数決の結果をさらに向上させるために、最頻クラスタの解に解評価器を適用します。（3）シーケンシャルマルチタスク微調整。解評価タスクに加えて、LLMの解生成タスクの性能向上にも関心があり、解評価タスクのトレーニング目標がモデルの解生成に役立つかどうかを判断します。これを実現するために、解評価タスクを自然言語生成問題としてフレーム化し、そのトレーニング目標が解生成モデルに有益な監督信号を提供できるようにします。さらに具体的には、モデルを3つのステージで調整します：（1）生成器として（SSFT）、（2）解評価器として（SCR）、および（3）再び生成器として（SSFT）。彼らは、難しいMATHデータセット上でPaLM 2-S*とPaLM 2-LのようなPaLM 2の小さな形式と大きな形式を使用して包括的な研究を行い、以下の結論を示しています： • 微細な、適切なフォーマットの解答によっては、SSFTがより良いパフォーマンスを発揮するため、ステップバイステップの解の品質とスタイルは洗練されたモデルに大きな影響を与えることがあります。 • 最も一般的な解クラスタのみを再順位付けすることで、すべての解を再順位付けするよりも性能が向上し、演算効率も向上します。これが将来の作業におけるより良い標準的な方法であると考えられます。 • 解生成モデルの性能を向上させるために、解生成と評価の両方のタスクでモデルをトレーニングする利点を示し、評価タスクの学習信号が生成モデルにとって有益であるという成功した試みを示しています。教師あり解微調整のみよりも、彼らの提案するマルチタスクシーケンシャル微調整は解生成モデルのパフォーマンスをより効果的に向上させることができます。…

「14％のコンバージョン率成長ストーリー：Pixis AIとのダイナミックなパートナーシップを解き明かすJOE＆THE JUICE」

この html を日本語に翻訳する（結果には html コードを保持する）： 2002年、JOE & THE JUICE はデンマークの都市オアシスとして登場し、オーガニックで地元産のジュースやコーヒーで健康意識の高い消費者を魅了しました。急速にヨーロッパの250か所に拡大した JOE & THE JUICE は、現在、General Atlantic や Valedo Partners のような大物投資家の支援を受けて、アメリカと中東にも進出しています。 JOE & THE JUICE…

ワシントン大学とNVIDIAからの研究者が提案するヒューマノイドエージェント：生成エージェントの人間のようなシミュレーションのための人工知能プラットフォーム

人間のような生成エージェントは、自然で魅力的なユーザーインタラクションを提供するために、チャットボットや仮想アシスタントでよく使用されます。これらのエージェントはユーザーのクエリを理解し、応答することができ、会話に参加し、質問に答えたり、推奨をしたりするなどのタスクを実行することができます。これらのエージェントは、自然言語処理（NLP）の技術やGPT-3などの機械学習モデルを使用して、矛盾のない文脈に沿った応答を生成します。彼らはインタラクティブな物語、対話、およびキャラクターをビデオゲームや仮想世界で作成し、ゲーム体験を向上させることができます。人間のような生成エージェントは、ライターやクリエイターがアイデアを出し、ストーリープロットを作成したり、詩や音楽を作曲したりするのを支援することができます。しかし、このプロセスは人間の思考とは異なります。人間は物理的な環境の変化に応じて計画を常に適応させる傾向があります。ワシントン大学と香港大学の研究者は、異なる要素を導入することで、生成エージェントが人間のように行動するように誘導するヒューマノイドエージェントを提案しています。人間の心理学に触発されて、研究者は直感的で無理のない思考プロセスを扱うためのシステム1と、論理的な思考プロセスを扱うためのシステム2の2つのメカニズムを提案しました。これらのエージェントの行動を影響するために、基本的なニーズ、感情、および他のエージェントとの社会的関係の親密さなどの要素を導入しました。設計されたエージェントは他の人と対話する必要があり、失敗した場合には孤独、病気、疲労などのネガティブなフィードバックを受け取ります。社会的な脳仮説は、我々の認知能力の大部分が社会的関係の品質を追跡するために進化したと提唱しています。人々は変化に適応するために他の人々と頻繁に対話します。この行動を模倣するために、彼らはヒューマノイドエージェントにお互いの関係がどれだけ親しいかに基づいて会話を調整する力を与えました。彼らのエージェントはUnity WebGLゲームインターフェースを使用して彼ら自身を可視化し、インタラクティブな分析ダッシュボードを使用して時間の経過に伴う刺激されたエージェントの状態を示します。彼らはUnity WebGLゲームエンジンを使用してヒューマノイドエージェントを可視化するためのサンドボックスHTMLゲーム環境を作成しました。ユーザーは3つの異なる世界のいずれかを選択して、各ステップでエージェントの状態と位置を表示することができます。彼らのゲームインターフェースは、シミュレートされた世界からのJSON構造化ファイルを取り込み、アニメーションに変換します。彼らは様々なヒューマノイドエージェントの状態を時間の経過にわたって可視化するためにPlotly Dashを開発しました。彼らのシステムは現在、2つのエージェント間の対話のみをサポートしており、マルチパーティの対話を支援することを目指しています。エージェントは実世界の人間の行動を完全に反映していないシミュレーションで作業しているため、ユーザーにはシミュレーションで作業していることを通知する必要があります。その能力にもかかわらず、人間のような生成エージェントを使用する際には倫理的な問題やプライバシーの懸念を考慮することが重要です。情報の拡散、トレーニングデータに偏りがあること、責任ある使用と監視の可能性などです。

「安全で安心なAIに対する取り組みに基づいて行動する」

「ジェネラティブAIに特化した私たちのバグバウンティプログラムのニュースと、AIの供給チェーンに対するオープンソースセキュリティのサポートについて」

「MATLABとは何ですか？動作、関数、そして応用」というテキストです

導入 MATLAB（Matrix Laboratory）は、MathWorksによって開発された専有ソフトウェアアプリです。MATLABとは何かと思うかもしれませんね。それは、独自のライブラリと統合開発環境（IDE）を備えた多目的プログラミング言語です。データ操作マトリックス、データ分析、アルゴリズムの実装など、複雑なタスクを処理するために使用されます。それでは、科学者、研究者、エンジニアがMATLABをどのように使用しているのか見てみましょう。単なる複雑な数学計算なのか、それともそれ以上なのか。さあ、見てみましょう。 MATLABの利用用途は何ですか？ AI、ロボティクス、エンジニアリングなどの異なるセクターは、MATLABを最大限に活用しています。MATLABがどのように使用されているかを詳しく見てみましょう：アルゴリズムによる画像処理 MATLABは、異なるアルゴリズムを開発し、生の画像を処理することを支援します。画像処理における行列の値は、画像のピクセルの管理に重要です。MATLABは分析および画像の処理に関与する複雑なMLアルゴリズムをサポートします。データ分析と可視化データサイエンティストやIT専門家は、MATLABの環境を使用して統計データを可視化し、分析します。金融専門家は損失、流動性、収益性などの経済評価のためにMATLABを使用します。製品のテストと計測 MATLABには、エンジニアが電子製品にさまざまな測定とテストを行うのに役立つソースとツールがあります。自動化されたタスクを実行し、製品の品質をチェックするためのテストを実施できます。ワイヤレス通信 MATLABは、ワイヤレスデバイスのテスト、設計上の欠陥の分析、エラーのデバッグなど、エンジニアや専門家の時間を節約するのに役立つユニークなリソースと機能を提供します。 MATLABの5つの主要機能 MATLABが何であるかを知ったので、関数とは特定のタスクを実行するために使用される一連の命令のことを知るべきです。MATLABでは、関数は別々のスクリプトファイルに指定され、関数の定義とコマンドが含まれています。関数とファイル名は同じである必要があり、常にファイルの最後に定義する必要があります。 MATLABの5つの主要機能は次のとおりです： 1. プライマリ関数プライマリ関数は、ファイル内で最初に定義された関数です。プライマリ関数（メインまたはスクリプト関数）は、スクリプトを実行する際に自動的に実行されます。コマンドライン/追加関数の支援により、ユーザーはファイル外からでもプライマリ関数を呼び出すことができます。 2. サブ関数サブ関数は、プライマリ関数の後に定義され、プライマリ関数にのみ表示されます。サブ関数は、そのファイル以外のコマンドラインや追加関数からアクセスや取り消しをすることはできません。 3.…

「GoogleのAIの驚異的な進化、GeminiとゲームチェンジャーのStubbsを紹介します」

AIの生成を基本的なツールやサービスに統合しようという動きは、急速に変化するデジタルエコシステムにおいて活発な闘いに発展しました。Googleは、革新の限界に挑戦するテックジャイアントの中でも突出しており、GeminiとStubbsという2つの画期的なAIマーベルを開発しました。IT業界への影響を含め、これらの魅力的な進展について詳しく見ていきましょう。 Googleの変化する一般的なAI戦略組織は最先端のAIソリューションを追求するためにさまざまな手法を探っています。慣れ親しんだクラウドプロバイダーを頼りにする人もいれば、クラウドソーシングの技術を使用してスタッフにより大きな権限を与える人もいます。一部の人々は暫定的な解決策を待っています。競争が激化する中、Googleは多くのAIオプションで市場シェアを獲得することに積極的です。生成AIの強力な担い手：Googleがスタートアップに与える影響 Googleは生成AIの分野に大きな影響を与えています。他のプロバイダーが市場に参入するにつれて、Googleのソリューションも徐々に注目を集めています。驚くべきことに、Google Cloudは、ベンチャーファンド支援を受けた生成AIスタートアップの半数以上をサービスしています。 CEOのサンダー・ピチャイによると、AI21 Labs、Contextual、Elemental Cognition、Rytrなどの有名企業がすべてGoogleのプラットフォームを選択しています。また読む： GoogleがニュースライターAI ‘Genesis’をリリース AIインフラストラクチャへの投資：未来に向けて準備する Googleはソフトウェアを超えてAIに専念しています。第3四半期には、人工知能に関する重いワークロードをサポートするための技術インフラへの大規模な投資により、会社の資本支出（CapEx）経費が大幅に増加しました。Googleだけでなく、AWS、Microsoft Azure、Oracleなどの他のクラウドハイパースケーラーも、生成的な人工知能への需要の増加に対応するためにインフラを近代化しています。 Geminiの紹介、GoogleのマルチモーダルAIスーパーヒーロー CEOのサンダー・ピチャイは、2023年5月のGoogle I/O開発者会議で、将来の人工知能システムであるGeminiを発表しました。GoogleのDeepMind部門が開発したGeminiは、OpenAIのChatGPTに匹敵し、またはそれを上回る人工知能システムです。ピチャイは、DeepMindのAlphaGoのパワーと強力な言語モデリングの機能を組み合わせたGeminiの特別な特性を強調しました。テキスト、画像、その他のデータタイプの統合により、このマルチモーダルモデルはより有機的な会話能力を約束しています。 Googleのチーフサイエンティストであるジェフリー・ディーンは、Geminiの将来についていくつかの考えを共有しました。ディーンは、GeminiはGoogleの新しいAIインフラストラクチャ、Pathwaysを使用してさまざまなデータセットのトレーニングを行うと明かしました。この示唆によれば、Geminiは現時点で最大の言語モデルである1750億のパラメータを持つGPT-3を超える可能性があります。 Geminiは、ツリーサーチや強化学習といったAlphaGoの技術を活用して新たな推論や問題解決のスキルを獲得し、異なる容量とサイズを持つ「一連のモデル」を提供し、柔軟で強力なAIツールになる予定です。また読む： Googleが最先端のVertex AI Searchを発表…

このAIの論文は、純粋なゼロショットの設定で、タスクの適応と未知のタスクや環境への一般化に優れたCLIN（Continuous Learning Language Agent）を紹介しています

人工知能の持続的な進化により、繊細な言語ベースのエージェントが複雑なタスクを訓練や明示的なデモなしで実行できるようになりました。しかし、その卓越したゼロショット能力にも関わらず、これらのエージェントは特に異なる環境やタスクにおいて持続的にパフォーマンスを向上させることに制約がありました。この課題に取り組むため、最近の研究チームはCLIN（Continually Learning Language Agent）という画期的なアーキテクチャを提案しました。これにより、言語エージェントは頻繁なパラメータの更新や強化学習の必要なく、複数の試行でパフォーマンスを適応・改善することが可能となります。既存の言語エージェントの状況は、主にゼロショット学習技術を通じた特定のタスクでの熟練度を達成することに焦点を当ててきました。これらの方法は、様々なコマンドの理解と実行において印象的な能力を示してきましたが、大幅な変更やトレーニングなしで新しいタスクや環境に適応することが必要となることが多々ありました。この制約に対応するため、CLINアーキテクチャは、原因の抽象化の獲得と利用を継続的に強調するダイナミックなテキストメモリシステムを導入し、エージェントが時間とともに学習しパフォーマンスを向上させることができるようになりました。 CLINのアーキテクチャは、現在のタスクと過去の経験に基づいてゴールを生成するコントローラ、これらのゴールを具体的な手順に変換するエグゼキュータ、および各試行後に定期的に更新されるメモリシステムなど、一連の相互接続されたコンポーネントを中心に設計されています。CLINのユニークなメモリ構造は、必要な関係と非貢献関係を確立することに焦点を当てており、抽象的な学習における信頼度を評価する「may」や「should」といった言語の不確実性尺度を補完しています。 CLINの最も特徴的な要素は、様々なタスクと環境に対して迅速な適応と効率的な汎化が可能であるという点です。エージェントのメモリシステムにより、以前の試行から有益な知見を抽出し、後続の試行においてそのパフォーマンスと意思決定プロセスを最適化することができます。その結果、CLINは従来の最先端の言語エージェントや強化学習モデルのパフォーマンスを上回り、持続的な学習能力を持つ言語ベースのエージェントの開発における重要なマイルストーンを達成しました。この研究の結果は、言語ベースのエージェントの既存の制約、特に異なるタスクと環境への適応性に対処するCLINの重要な可能性を示しています。継続的な学習や改善を可能にするメモリシステムを組み込むことで、CLINは明示的なデモや広範なパラメータの更新なしに効率的な問題解決と意思決定ができる傑出した能力を示しています。全体として、CLINの登場は言語ベースのエージェントの重要な進展であり、持続的な改善と適応性を備えたインテリジェントシステムの開発に向けた有望な展望を提供しています。革新的なアーキテクチャとダイナミックなメモリシステムにより、CLINは次世代の言語エージェントの新たな基準を設定し、様々な領域でより洗練されて適応性のある人工知能アプリケーションへの道を開拓しています。

Learn more about Search Results ML - Page 187