Search Results A

「生成AI：開発者のツールボックスにおける新たなツール」

新しいCouchbaseの機能であるCapella iQは、推奨されたサンプルコードを提供することで、開発者がSQL++とアプリケーションレベルのコードをより迅速に書くことができるようになります...

このAIニュースレターは、あなたが必要とするすべてです #66

AIの今週のトピックスでは、OpenAIが再び注目を浴びましたChatGPTに新たな音声と画像の機能を追加する計画が発表されたからですまた、LLMレースも熱を帯び続けており、Amazon...

イントロダクション Tableauは、データビジュアライゼーションツールとして企業で人気が高まり、ビジネスインテリジェンスの最新トレンドの一つとなっています。インドでは、Tableau開発者の給与統計に関心があります。競争の激しい現代の就職市場において、Tableau開発者の給与は転職を考えている候補者にとっての魅力となっています。この記事では、魅力的なキャリアについて詳しく説明し、Tableauソフトウェアの給与パッケージについても説明します。さらに、ジュニアおよびシニアのTableau開発者の給与についても見解を提供します。 Tableau開発者とは Tableauソフトウェアは、強力なデータビジュアライゼーションおよびビジネスインテリジェンスツールです。Tableauソフトウェアを使用するエキスパートは、Tableau開発者として知られています。Tableau開発者の主な責任は、組織がデータに基づいた意思決定を行えるようにする、魅力的で有益なダッシュボード、レポート、データビジュアライゼーションを作成することです。この役割の理想的な候補者は、ビジネスの強力な経験、数学の堅固な基礎、および重要なデータウェアハウジング能力を持っています。詳しくはこちら: テーブルをエクスペルトにするための学習パス Tableau開発者は、さまざまなチームと協力して多様なデータソースからデータを有益なビジュアライゼーションに変換します。これらの専門家は、意思決定者やステークホルダーが容易に理解できるようにデータを提供することにコミットしています。データから有用な洞察を得るために、これらの専門家はしばしばデータアナリスト、ビジネスアナリスト、およびその他の専門家と協力し、データに基づいた意思決定に協力的なアプローチを取ります。最近、Tableau開発者の給与統計は爆発的な成長を遂げています。さまざまな経験レベルとそれに伴う年間給与の見積もりについて説明します。エントリーレベルのTableau開発者（0-2年の経験）エントリーレベルのTableau開発者は、通常、限られたプロの経験を持つ新参者です。彼らはTableauソフトウェアと基本的なデータビジュアライゼーションの概念に基づく基礎知識を持っています。彼らの責任は、シンプルなレポートやビジュアルの作成、データの抽出、さまざまなデータソースとの連携を学びます。エントリーレベルの開発者は、多くの経験豊かな同僚と緊密に協力して、スキルを開発し、現場での実務経験を積むことが多いです。エントリーレベルのTableau開発者の給与: 年間350,000ルピー）もっと読む: インドのデータサイエンスの給与[2023年の最新情報] 中級のTableau開発者（2-5年の経験）中級のTableau開発者は、何年ものプロの経験を積み、Tableauの知識を磨いています。彼らは複雑なダッシュボードの作成、複数のデータソースへの接続の確立、および効率の向上に長けています。これらの開発者は、問題解決能力があり、より自律的に働くことができ、ビジネスアナリストと協力することができます。彼らはしばしばプロジェクトリーダーとして機能し、ジュニア開発者を指導します。中級のTableau開発者の給与: 年間530,000ルピーシニアレベルのTableau開発者（5年以上の経験）シニアTableau開発者は、ビジネスインテリジェンスとデータビジュアライゼーションのためにTableauを使用する豊富な知識を持つ経験豊富な人々です。彼らは困難なデータシナリオを扱うことに長けており、Tableauの高度な機能について深い理解を持っています。エンタープライズレベルのソリューション、ベストプラクティス、チームの指導は、シニア開発者の責任です。彼らはしばしば戦略的な意思決定を行い、Tableauソリューションが組織の目標と一致していることを確認します。シニアTableau開発者の給与: 年間660,000ルピー Tableauコンサルタントおよび経験豊富な専門家コンサルタントや専門家は、Tableauの専門知識の最高レベルを代表しています。彼らは多くの実務経験によるデータ分析とビジュアライゼーション技術の幅広い知識を持っています。これらの専門家はビジネスにコンサルティングサービスを提供し、高度な分析ソリューションの設計、Tableauの展開の最適化、チームのトレーニングを支援します。彼らは、Tableau環境における特定の業界の洞察力と指導力、そして最も困難なデータ関連の問題に取り組む評判を持っているため、求められています。…

宇宙におけるAIの10の使用例

イントロダクション何百年もの間、人々は夜空を見つめ、好奇心を抱いてきました。現在でもその興味は輝き続けています。宇宙の中での探索や発見の過程で、人工知能（AI）は優れたコンパニオンとして活躍しています。遠くの銀河を航行したり、宇宙船のオペレーションを向上させるなど、宇宙との相互作用はAIによって完全に変わりました。アメリカ航空宇宙局（NASA）は、科学的な分析、ディープスペースネットワークの運用、宇宙船やミッションのオペレーション、宇宙輸送システムをサポートするための研究を行う人工知能グループを設立しました。ここでは、AIと宇宙研究が調和して新たな視野を開き、宇宙の謎をより深く理解するための魅力的な10のユースケースを探ってみましょう。なぜ宇宙でAIを使用するのか？宇宙でのAIの利用は、ミッションの精度向上、自律的な意思決定の許可、データの分析、リソースの最適化、経費の削減、革新的な科学的発見への貢献という能力によって駆り立てられています。これは知識の追求や宇宙への進出にとって不可欠なツールです。精度と効率困難なタスクを非常に正確かつ効率的に遂行する能力により、宇宙探査においてAIは欠かせません。AIシステムはさまざまなタスクで人間のオペレーターに勝ることができ、エラーの可能性を減らし、ミッションの成功を最大化します。例として、危険な地形を航行させることやリソースの利用を制御することが挙げられます。パターン認識宇宙ミッション中には膨大なデータが生成されます。AIアルゴリズムは、このデータを分析し、トレンドを見つけ出し、重要な洞察を得るのに優れており、これによって新たな発見や宇宙の謎の解明に役立ちます。予測保守長期の旅には、宇宙船を良好な状態に保つことが重要です。AIシステムは、機器の故障が発生する前に予測できるため、予防メンテナンスを行い、高価な資産の寿命を延ばすことができます。リソースの最適化酸素、電力、燃料などのリソースを適切に管理することは、宇宙飛行には必須です。AIアルゴリズムは、リソースを最適に配分することで、宇宙船が長期の航海をするために必要なものを提供します。リアルタイムモニタリング AI搭載のセンサーは宇宙船の健康状態や状況を常に監視しています。異常を検出し、適切な措置を講じることができ、ミッションの完全性と乗組員の安全を保護します。コスト削減 AIによる自動化により、大規模な人間の制御の必要性がなくなり、公共および商業事業のコストが削減されます。これにより、より頻繁で困難なミッションが可能となります。向上した科学的発見 AIの支援により天体データの分析が助けられ、科学の進歩が促進されます。これにより宇宙のプロセスの研究が進み、太陽系外惑星の発見や宇宙全体の理解が深まります。未知の環境への適応宇宙ミッションでは予期せぬ事態がよく発生します。AI搭載の宇宙船は適応し、安全に未知の領域を旅するための瞬時の調整を行うことができます。未来を開拓する他の天体の発見や植民地化を追求する過程で、AIと宇宙探査は結びついています。宇宙でのAIの活用は、私たちの宇宙の理解を深め、太陽系の更なる人間の探査への扉を開きます。…

OpenAIのChatGPTが音声と画像の機能を発表：AI対話における革命的な飛躍

オープンAIは、AIとの人間の対話を革新するために、ChatGPTに音声と画像の機能を導入することで、大きな進化を遂げようとしています。この重要なアップグレードにより、ユーザーはより直感的なインターフェースを提供され、音声での対話やAIとの画像の共有が可能になり、インタラクティブなコミュニケーションの可能性が広がります。音声と画像の機能は、日常生活でChatGPTを使用する新たな次元をもたらします。旅行の名所を記録したり、パントリーの内容から食事の計画を立てたり、宿題の手助けをしたりするなど、これらの機能はユーザーエクスペリエンスを向上させ、個人をさまざまな方法で支援します。音声の機能：シームレスな会話の実現ユーザーは、自分の声を使用してChatGPTとの双方向の会話を行うことができます。この機能により、移動中の対話から家族のための寝前のストーリーのリクエストやディナーテーブルの議論の解決まで、さまざまな可能性が開けます。音声対話を開始するには、ユーザーはモバイルアプリの「設定」→「新機能」からこの機能を選択します。そこで、プロの声優の専門知識を活用して作成された5つの異なるオプションから好みの声を選択することができます。この新しいテキスト読み上げモデルは、テキストと短い音声サンプルから驚くほど人間らしい音声を生成します。画像のインタラクション：新たなコミュニケーション方法画像のインタラクション機能により、ユーザーはChatGPTと1枚以上の画像を共有することができます。これにより、トラブルシューティングや食事の計画、複雑なデータの分析などが可能になります。モバイルアプリでは、画像の特定の領域に焦点を当てるための描画ツールが提供されています。この機能は、言語の推論能力をさまざまなテキストや画像を含む写真、スクリーンショット、文書に適用するためのマルチモーダルGPT-3.5およびGPT-4モデルによって実現されています。革新と安全性、責任のバランスオープンAIは、これらの機能を展開する際には慎重なアプローチを取っており、安全性と責任あるAI開発に対する取り組みを強調しています。本物の合成音声を作成することができる音声技術の導入は、専門の声優との協力を通じて慎重に作成される音声チャットのために活用されています。この慎重なアプローチにより、なりすましや潜在的な詐欺と関連するリスクを軽減するのに役立ちます。同様に、画像の機能の統合は、さまざまなドメインでのリスクを評価するためにレッドチームとアルファテスターとの厳格なテストの後に行われています。この機能では、ChatGPTが個人のプライバシーを尊重し、ユーザーの日常生活をサポートすることに焦点を当てるように、有用性と安全性を優先しています。透明性とユーザーの権限オープンAIは、透明性とユーザーの権限を重視しています。モデルの制限について明確な情報を提供し、適切な検証がない場合のより高リスクな使用例については推奨していません。特に非英語の言語で特化したトピックについてChatGPTを頼りにするユーザーは注意を払うようにされています。今後数週間以内に、PlusおよびEnterpriseのユーザーはChatGPTの変革的な音声と画像の機能を体験することができます。オープンAIの段階的な展開への取り組みにより、さらなる改善、リスクの軽減の磨き、そして将来のより強力なAIシステムの準備が可能となります。オープンAIによるChatGPTの音声と画像の機能の発表は、より没入型で直感的な人間とAIの相互作用に向けた画期的な進歩を表しています。これらの機能が進化し続けるにつれて、協力、創造性、問題解決のための新たな可能性を開くことができるようになるでしょう。

アマゾンセージメーカーでのLlama 2のベンチマーク

大型言語モデル（LLM）や他の生成型AIモデルの展開は、計算要件とレイテンシのニーズのために課題となることがあります。Hugging Face LLM Inference Containerを使用してAmazon SageMaker上でLlama 2を展開する企業に有用な推奨事項を提供するために、Llama 2の60以上の異なる展開設定を分析した包括的なベンチマークを作成しました。このベンチマークでは、さまざまなサイズのLlama 2をAmazon EC2インスタンスのさまざまなタイプでさまざまな負荷レベルで評価しました。私たちの目標は、レイテンシ（トークンごとのミリ秒）とスループット（秒あたりのトークン数）を測定し、次の3つの一般的なユースケースに最適な展開戦略を見つけることです：最も費用対効果の高い展開：低コストで良好なパフォーマンスを求めるユーザー向け最高のレイテンシ展開：リアルタイムサービスのレイテンシを最小限に抑えるための展開最高のスループット展開：秒あたりの処理トークンを最大化するための展開このベンチマークを公正かつ透明で再現可能なものにするために、使用したすべてのアセット、コード、データを共有しています： GitHubリポジトリ生データ処理済みデータのスプレッドシート私たちは、顧客がLLMsとLlama 2を効率的かつ最適に自社のユースケースに使用できるようにしたいと考えています。ベンチマークとデータに入る前に、使用した技術と手法を見てみましょう。 Amazon SageMaker上のLlama 2のベンチマーク Hugging…

生成AIのアシストを使用して複雑なSQLクエリを作成する

イントロダクション ChatGPTの登場は、AIの歴史において前例のない瞬間を迎えました。ChatGPTや他の多くの生成型AIツールは、驚異的な能力を持っており、私たちの働き方を劇的に変える可能性があります。AI革命に続いて、データサイエンスにおけるSQLの記述は既に変化しています。この記事では、自然言語を使用してSQLデータベースと接続し、対話する具体的な例を提供します。PythonのオープンソースパッケージであるVannaを使用します。ノートブックへのリンクはこちらです。Generative AIを使用して複雑なSQLクエリの作成方法をマスターしましょう。この洞察に富んだガイドでは、自然言語のプロンプトを使用してデータベースの相互作用を効率化する方法を学びます。学習目標この記事では、以下のことを学びます：データ駆動型プロジェクトにおいて、なぜSQLの記述が一般的な課題となるのか生成型AIがSQLをより簡単かつアクセスしやすくする可能性自然言語のプロンプトを使用してSQLを記述するためにLLMをどのように実装できるか PythonのパッケージであるVannaを使用してSQLデータベースと接続し、対話する方法 Vannaやより広範な意味でのLLMがSQLの記述において抱える制約この記事は、データサイエンスのブログマラソンの一環として公開されました。データ駆動型プロジェクトにおけるSQL：一般的な課題 SQLは最もポピュラーで広く使用されているプログラミング言語の一つです。ほとんどの現代企業は、エンタープライズデータの格納と分析にSQLアーキテクチャを採用しています。しかし、会社内の全員がそのデータを活用する能力を持っているわけではありません。技術的なスキルが不足しているか、データベースの構造やスキーマに馴染みがないかもしれません。どんな理由であれ、これはデータ駆動型プロジェクトにおいてしばしばボトルネックとなります。ビジネスの質問に答えるためには、SQLデータベースの使用方法を知っているごく少数の人々の存在に依存しています。会社の全員が、SQLの専門知識にかかわらず、一度にいつでもどこでもデータを活用できたら素晴らしいですよね？これは、生成型AIの助けを借りれば、近いうちに実現することができるかもしれません。開発者や研究者は、SQLの目的でトレーニングされた大規模言語モデル（LLM）の異なるアプローチを既にテストしています。たとえば、LLMベースのアプリケーションを開発するための人気フレームワークであるLangChainは、自然言語のプロンプトに基づいてSQLデータベースと接続し、対話することができます。しかし、これらのツールはまだ初期段階にあります。大規模で複雑なデータベースで作業する場合、精度の低い結果を返したり、いわゆるLLM幻覚を経験することがよくあります。また、非技術的なユーザーにとって直感的に理解しにくい場合もあります。したがって、改善の余地はまだ大いにあります。 Vannaの概要 Vannaは、SQLの使用を民主化するために設計されたAIエージェントです。OpenAIとGoogleのサードパーティLLMの組み合わせに基づいた事前学習モデルを元に、データベースに特化したカスタムモデルを微調整することができます。モデルが準備できたら、自然言語でビジネスの質問を投げかけると、モデルがそれをSQLクエリに変換します。また、クエリを対象のデータベースに対して実行したい場合もあります。モデルに尋ねるだけで、クエリと結果のpandas DataFrame、plotlyのチャート、および追加の質問のリストが返されます。カスタムモデルを作成するためには、VannaはSQLの例、データベースのドキュメント、およびデータベーススキーマ（データ定義言語（DDL））など、文脈に関連する情報をトレーニングデータとして使用する必要があります。モデルの精度は、トレーニングデータの品質と量に最終的に依存します。良いニュースは、モデルが使用されるたびに生成されたSQLクエリが自動的にトレーニングデータに追加されるため、モデルが以前のミスから学び、徐々に改善していくことです。全体のプロセスは、以下のイメージで示されています： LLMの技術的な詳細や他の種類のニューラルネットワークについて詳しくは、この記事をご覧ください。…

「このAppleのAI研究は、ジェンダーステレオタイプに関するLLMsの振る舞いの既知の問題を調査します」

大規模言語モデル（LLM）は、ここ数ヶ月で非常に進歩し、さまざまな分野で最先端のベンチマークを押し上げてきました。大規模言語モデル（LLM）の使用と研究が、特に自然言語処理（NLP）の分野で急速に増加しています。SATやLSAT、医学校の試験、IQテストなどのテストに合格し、さらには優れた成績を収めるだけでなく、これらのモデルは幅広い自然言語タスクで最先端（SOTA）を大幅に上回っています。これらの驚くべき進展により、医療アドバイスからセキュリティアプリケーション、作業アイテムの分類まで、日常のタスクにおいてこのようなモデルを採用し、頼りにすることについて広範な議論が起こっています。 Appleの研究者グループによって提案された新しいテストパラダイムの1つは、現在LLMが使用しているトレーニングデータから排除される可能性のある表現を使用しています。彼らはLLMの意思決定の正当化を調べ、LLMがステレオタイプ自体について明示的な声明をすることが頻繁にあることを発見しました。さらに、文構造や文法に関する主張は、より詳細な調査に耐えないこともあります。LLMの行動は、少なくともLLMの訓練に使用されるデータで符号化された西洋文明の集合知に一致しています。この行動パターンを見つけ、その原因を特定し、解決策を提案することが重要です。言語習得アルゴリズムのジェンダーバイアス言語モデルのジェンダーバイアスは、広範に研究され、文化の先入観を反映し、悪化させることが文献で示されています。また、オートキャプション、感情分析、有害性検出、機械翻訳などのNLPタスクだけでなく、さまざまなモデルでジェンダーバイアスが存在することが示されています。ジェンダーは、この偏見の影響を受ける社会的カテゴリーに限定されたものではありません。宗教、肌の色、国籍、障害、職業なども含まれます。文の理解における無意識のバイアス人間の文処理の文献でも、いくつかの実験的手法を使用してジェンダーバイアスが広範に文献化されています。要約すると、研究は、テキスト内の名詞のジェンダーカテゴリを知ることが理解を助けること、代名詞が通常被験者を主語として参照することが示されています。そのため、より少ない可能性のシナリオでは文のスコアが低下し、読解速度が低下し、アイ・トラッキング実験での逆行などの予期しない効果が生じる可能性があります。女性に対する社会的バイアス今日の文化におけるジェンダーに関する先入観やバイアスの存在と普及を考慮すると、言語モデルの出力にもバイアスが現れることは驚くべきことではないかもしれません。ジェンダーバイアスは、医学や経済学、教育や法律などのさまざまな分野で文献化されていますが、これらの研究結果の完全な調査は本稿の範囲外です。たとえば、さまざまな科目や教育環境でバイアスが見つかったという研究があります。就学前の幼児からもステレオタイプの悪影響を受ける可能性があり、これは自己認識、学業および職業選択、発達の他の領域に持続的な影響を与える可能性があります。デザイン研究者は、WinoBiasとは異なるがジェンダーバイアスを調査するための枠組みを考案しました。各研究アイテムには、男性に関連付けられるステレオタイプな職業と女性に関連付けられる職業のペア、および男性的または女性的な代名詞が含まれています。戦略によっては、さまざまな反応が予想されます。また、文の前提条件と関連付けられる語彙要素によって、文によって戦略が異なる場合もあります。研究者は、WinoBiasの文が複数のLLMのトレーニングデータの一部であると考えているため、自分たちの研究ではそれらを使用しないようにしています。代わりに、前述のパターンに従って15文のスキーマを作成します。また、WinoBiasとは異なり、名詞の選択は米国労働省のデータに基づくのではなく、英語話者の特定の職業を示す名詞が男性寄りまたは女性寄りと見なされる程度についての研究に基づいています。 2023年、研究者は一般に公開されている4つのLLMを調査しました。モデルの設定オプションが多い場合、彼らは工場のデフォルトを使用しました。彼らは代名詞とキャリア選択の関連性について対照的な結果と解釈を提供しています。研究者は、LLMの動作（ジェンダーニュートラルな代名詞（例：theyや新しい代名詞）の使用（および非使用）など）がトランスジェンダーの個人の現実を反映し、影響する可能性について考慮していません。バイナリのパラダイムの中でこれらの知見が得られたことと、以前の研究からのデータがないことを考慮すると、より多様なジェンダーを含めることがLLMのパフォーマンスにより暗いイメージを描く可能性があると推測されます。ここでは、これらの単純なジェンダーの概念に収まらないマージナライズされた人々に悪影響を及ぼす可能性があるとしながらも、将来の研究がこれらの微妙な関係に焦点を当て、新たな光を当てることに楽観的な姿勢を表明しています。まとめると既存の大規模言語モデルが性別バイアスを示しているかどうかを判断するために、研究者は単純なシナリオを考案しました。WinoBiasは、既存のLLMのトレーニングデータに含まれることが期待されている人気のある性別バイアスのデータセットであり、パラダイムはそのデータセットを拡張し、異なるものです。研究者は2023年第1四半期にリリースされた4つのLLMを調査しました。彼らはモデル間で一貫した結果を発見し、彼らの発見が市場に出回っている他のLLMにも適用される可能性があることを示しました。彼らは、LLMが男性と女性についての性差別的な仮定をし、特に人々の男性と女性の職業に関する概念に合致するものであり、実際の状況に基づくものではないことを、米国労働統計局のデータによって明らかにしました。一つの重要な発見は – (a) LLMは、どの代名詞がどの性別を指している可能性が最も高いかを決定する際に、性別のステレオタイプを使用しました。例えば、LLMは男性を指すために「彼」を使用し、女性を指すために「彼女」を使用しました。 (b) LLMは、女性に関する性別に基づく先入観を男性に比べてより強調しました。LLMは、特に具体的なプロンプトが与えられた場合にこの観察をすることが一般的でしたが、自分自身に任された場合にはあまりしなかったです。 (d) LLMは、自分たちの決定に対して見せかけの正当化をし、それがしばしば間違っており、予測の真の動機を隠している可能性がありました。これらのモデルのもう一つの重要な特徴が明らかにされました：LLMはバイアスのあるデータで訓練されているため、人間のフィードバックを用いた強化学習を行っていても、そのバイアスを反映し悪化させる傾向があります。研究者は、他の社会的バイアスの形態と同様に、弱者やグループの保護と公平な取り扱いがLLMの開発と教育の中心に置かれるべきだと主張しています。

「AIによって生成されたコンテンツに対して、Amazonの自己出版サービスが厳格な取り締まりを行います」

AIによって生成されたコンテンツが数ヶ月にわたりアマゾンの自己出版サービスに押し寄せた後、このテック大手はAIによって生成されたコンテンツを取り締まる方針を打ち出していますフォックスニュースの報道によると、アマゾンは苦情が相次いだことを受けて、AIによって生成されたコンテンツの開示を義務付けるようになりました報道によれば、アマゾンは以下のガイドラインを更新しました「私たちはあなたに...」

Learn more about Search Results A - Page 190