Search Results A

AIのオリンピック：機械学習システムのベンチマーク

何年もの間、4分以内で1マイルを走ることは、単なる困難な課題ではなく、多くの人にとっては不可能な偉業と考えられていましたそれは心理的、身体的な目標であり、多くの人がそうだと思っていました...

「LLMsを使用した用語の翻訳（GPTとVertex AI/Google Bard）」

ChatGPTのようなLLMは、人間よりも正確に翻訳を行うことができるのでしょうか？私たちが利用できるLLMのオプションは何ですか？さまざまな方法で翻訳を行うために生成型AIを使用する方法について詳しく学びましょう

「自分の武器を選ぶ：うつ病AIコンサルタントの生存戦略」

最新のターミネーターの映画が最近公開されましたこの新しいエピソードでは、未来の人間の抵抗組織がロボットを過去に送り、OpenAIのサーバーファームを破壊し、それによって…の出現を防ぎます

ChatGPTとの人間とAIの協力の実現 🧠

「AI、いやAIモデルと言っても、複数の領域で非常に有用であることは間違いありませんしかし、人間の知性とAIによって生成されるコンテンツは、理解することが重要です」

東京大学の研究者たちは、攻撃者から機密性の高い人工知能（AI）ベースのアプリケーションを保護するための新しい技術を紹介しました

近年、人工知能（AI）の急速な進歩により、コンピュータビジョン、音声認識など、さまざまな分野で広範な応用が行われるようになりました。この使用の急増により、ニューラルネットワークが中心となり、人間の能力に匹敵するレベルのパフォーマンスを頻繁に達成することが多くなり、産業界に革命をもたらしています。しかし、AIの能力の進歩に伴い、ニューラルネットワークが敵対的な入力に対して脆弱であるという重要な懸念が存在しています。ディープラーニングにおけるこの重要な課題は、ネットワークが入力データの微妙な変更によって誤導されることに起因しています。微小な、目に見えない変化でも、ニューラルネットワークは顕著に誤った予測をし、しばしば正当な根拠なく自信を持っています。これは、自動車や医療診断などの安全に関わるアプリケーションにおけるニューラルネットワークの信頼性について深刻な懸念を引き起こします。この脆弱性に対抗するため、研究者たちは解決策を模索しています。注目すべき戦略の一つには、ニューラルネットワークの初期層に制御されたノイズを導入するというものがあります。この新しいアプローチは、入力データの微小な変動に対するネットワークの耐性を高め、取るに足らない詳細に固執することを防ぐことを目指しています。ネットワークにより一般的かつ堅牢な特徴を学習させることで、ノイズの挿入は、敵対的な攻撃や予期せぬ入力変動に対する脆弱性を軽減する可能性を示しています。この開発は、ニューラルネットワークを現実世界のシナリオでより信頼性の高いものにする可能性を秘めています。しかし、攻撃者はニューラルネットワークの内部層に集中して攻撃を行うため、新たな課題が生じます。これらの攻撃は微妙な変更ではなく、ネットワークの内部動作に関する詳細な知識を悪用します。特定のアーティファクトを導入することで、期待とは大幅に異なる入力を提供し、目的の結果を得る攻撃です。これらの内部層攻撃に対する保護は、より複雑なものとなっています。内部層にランダムノイズを導入することで、ネットワークのパフォーマンスが通常の状態下で低下するという一般的な信念は、大きな障害となりました。しかし、東京大学の研究者らによる論文は、この仮定に疑問を投げかけました。研究チームは、内部の隠れた層を標的とする敵対的な攻撃を考案し、入力画像の誤分類を引き起こしました。この成功した攻撃は、ネットワークの内部層にランダムノイズを挿入する彼らの革新的な技術を評価するためのプラットフォームとなりました。驚くべきことに、この見かけ上単純な変更により、ニューラルネットワークは攻撃に対して強靭になりました。このブレークスルーは、内部層にノイズを注入することで、将来のニューラルネットワークの適応性と防御能力を向上させる可能性を示しています。このアプローチは有望である一方で、特定の攻撃タイプに対処するという点を認識することが重要です。研究者は、彼らの研究で考慮された特徴空間ノイズを回避するために、将来の攻撃者が新しいアプローチを考案する可能性に警戒を促しています。ニューラルネットワークにおける攻撃と防御の戦いは、私たちが日常的に頼りにしているシステムを保護するために、革新と改善の連続的なサイクルを必要とする終わりのない軍拡競争です。重要なアプリケーションにおける人工知能への依存が増えるにつれて、ニューラルネットワークの堅牢性が予期しないデータや意図的な攻撃に対してますます重要になってきます。この領域での継続的なイノベーションにより、今後数ヶ月や数年でより堅牢かつ強靭なニューラルネットワークへの期待が高まっています。

「アフリカのコミュニティが気候変動に適応するためにAIが助ける3つの方法」

先週、ケニアのナイロビで初めて開催されたアフリカ気候サミット（ACS）に参加し、アフリカの指導者と共に気候危機に対処するためのAIソリューションの推進を約束しましたこのACSは、アフリカが気候適応や緩和の取り組みにおいて重要な役割を果たしていることを強調しましたアフリカは気候変動の影響を不均衡に受けており、壊滅的な洪水から食料の安全保障までの問題に直面していますまた、これらのリスクを管理するためのインフラストラクチャーや資源が不足していることもありますアフリカ連合の農業・農村開発・ブルーエコノミー・持続可能な開発委員会のホセファ・サコ委員長は、「緊急の行動がなければ、数十年にわたりアフリカの経済、生計、自然に気候変動がもたらす圧力が続く可能性がある」と述べました私たちは、AIが役立つと強く信じています私たちの同僚と私は、AIソリューションについて議論し、AIがアフリカのコミュニティや企業をどのように支援できるか、さらなるイノベーションの可能性について、アフリカ全土からの政策立案者、起業家、学術研究者と協力しましたこのサミットは、気候変動に取り組むための協力の重要性を強調しました以下は、政府、組織、コミュニティと協力して気候変動の課題に取り組むための3つの方法です1. パートナーシップベースのアプローチ私たちは、国内政府、国連世界気象機関、NGOと協力して、洪水や山火事などの自然災害によって影響を受けるコミュニティを支援するためのAIツールの認知度を高めていますたとえば、私たちのFlood Hubプラットフォームは、80カ国で河川洪水の予測を表示しており、そのうち23カ国がアフリカですこれは、歴史的なデータが不足しているアフリカの多くの地域で、私たちが見たことのない川の振る舞いさえ予測できるグローバルなAIモデルのおかげです私たちは、これらの技術とAIツールをさらに発展させ、そのようなツールの認知度を高め、共同研究を通じて利用事例を探求していきます2. アフリカのコミュニティと共に働くアフリカのGoogleリサーチチームは、ガーナのアクラとケニアのナイロビに研究者を擁していますこれらのチームは、アフリカの社会的な課題に取り組むためのイノベーションを牽引していますたとえば、私たちのチームは、食料安全保障の増大や害虫の管理など、AIが食料の安全保障の成長する課題にどのように貢献できるかを検討していますこの仕事は重要ですアフリカの70%の人々が一部の収入を農業と畜産から得ており、気候の変化、極端な天候、経済の変動は脆弱な人口に前例のない影響を与えています一方、アフリカの生産は急速に予測される人口増加に対応する必要があります

AI

「チャットモデル対決：GPT-4 vs. GPT-3.5 vs. LLaMA-2によるシミュレートされた討論会-パート1」

最近、MetaがGPT-4と競合するチャットモデルを開発する計画を発表し、AnthropicがClaude2を発売したことにより、どのモデルが最も優れているかについての議論がますます激化しています...

情報セキュリティ：IoT業界内のAIセキュリティ

この記事では、AIセキュリティについての読者をIoT業界に没入させ、トピックの基盤となるさまざまな種類の「セキュリティ」についての理解を深めることを目指しています

「DreamBooth：カスタム画像の安定拡散」

イントロダクションクリエイティビティには限界がない、カスタムイメージのための安定拡散技術の世界へようこそ。AIによる画像生成の領域で、DreamBoothはゲームチェンジャーとして登場し、個々の人々に独自のアイデアに合わせて特別なビジュアルを作り上げる驚異的な能力を与えます。安定拡散は創造的なプロセスに命を吹き込み、普通の画像を非凡な高みに引き上げます。この探求の中で、私たちはDreamBoothを紹介します。DreamBoothは、安定拡散を通じて普通の画像を非凡な芸術作品に変えるという画期的なプラットフォームです。一緒に、安定拡散の魔法を解き明かし、魅力的な方法で画像を操作・向上させることができるかを発見しましょう。学習目標：テキストから画像を生成するための安定拡散を学ぶ。最小限の画像、名前トークンの選択、キャプション付けによるDreamBoothのカスタマイズをマスターする。実践的な調整、画像の選択、アスペクト比のマッチング、効果的な命名にDreamBoothを応用する。画像生成における安定拡散の力を理解する安定拡散は単なる画像生成技術ではありません。それはテキストから画像への変換を実現する画期的な手法です。テキストの記述を入力することで、そのシーンのエッセンスを捉えたリアルなイメージに変換することができます。例えば、「朝の静かな山の湖」というような説明を入力して、その場面を表現したようなイメージが生成されると考えてみてください。安定拡散は、優れたエッジ保存性を提供することで、信じられないほどの詳細性とリアリズムを持つ画像を作り出すことで、生成型AIの領域で重要な役割を果たしています。これは流体力学に着想を得た手法であり、気体の拡散のような挙動をシミュレートするものです。安定拡散は画像品質においてゲームを変えました。 DreamBoothの微調整プロセスの複雑さ DreamBoothは、安定拡散の力をユーザーの手に握らせ、ユーザーが独自のコンセプトに基づいてカスタム画像を作成できるようにします。DreamBoothの特徴は、通常10から20枚の画像だけでこのカスタマイズを実現できる点です。これによりアクセスしやすく効率的になります。 DreamBoothの核心は、モデルに新しいコンセプトを教えることであり、これは微調整と呼ばれるプロセスを通じて行われます。あなたはあらかじめ存在する安定拡散モデル（赤い図）から始め、あなたのコンセプトを表す一連の画像を提供します。これは、ペットの犬の画像から特定の芸術的スタイルまで何でも構いません。DreamBoothは、指定されたトークン（通常は角括弧内の ‘V’ と表記される）を使用して、モデルにあなたのコンセプトに合った画像を生成するように誘導します。名前トークンの選択とカスタムコンセプトの生成微調整の成功には、コンセプトに適した名前トークンの選択が重要です。名前トークンはモデル内でコンセプトを一意に識別するための固有の識別子となります。既存のコンセプトとの衝突を避けるために、モデルが既に知っているコンセプトと関連付けられない名前を選ぶことが重要です。以下はいくつかのガイドラインです：ユニーク性：名前トークンがモデルの知識ベース内の既存のコンセプトと関連付けられる可能性が低いことを確認してください。長さ：できるだけ長いトークン（5文字以上）を選ぶことが望ましいです。短く一般的なトークンは混乱を招く可能性があります。テスト：微調整の前に、選んだトークンをベースモデルでテストし、どのような画像が生成されるかを確認します。これにより、モデルがトークンをどのように解釈しているかを理解することができます。母音の除去：トークン名から母音を除去することを検討してください。これにより、既存のコンセプトとの衝突の可能性が低くなります。 DreamBoothの実践的な体験：カスタム画像の微調整基礎の理解ができたところで、DreamBoothの動作の実践的なデモに入りましょう。カスタム画像のセットを使用して安定拡散モデルを微調整し、見事な個人向けビジュアルコンテンツを作成します。あなたが自分の作品にスタイルを注入したいアーティストであるか、安定拡散の潜在能力を探求したい趣味のある人であるかに関わらず、この実践的な体験はあなたにDreamBoothの真の可能性を開放します。画像の選択と準備…

「限られた訓練データで機械学習モデルは信頼性のある結果を生み出すのか？ケンブリッジ大学とコーネル大学の新しいAI研究がそれを見つけました…」

ディープラーニングは、音声認識から自律システム、コンピュータビジョン、自然言語処理まで、人工知能の中で強力で画期的な技術に発展しました。しかし、ディープラーニングモデルはトレーニングにかなりのデータが必要です。モデルをトレーニングするために、通常、大量のデータ（写真のコレクションなど）を注釈付けする必要があります。このプロセスは非常に時間がかかり、労力を要します。そのため、モデルのトレーニングが容易になるように、少ないデータでモデルをトレーニングするための多くの研究が行われています。研究者たちは、通常予想されるトレーニングデータのはるかに少ない量を使用しながら、複雑な方程式を実際の状況で理解できる信頼性のある機械学習モデルを作成する方法を模索してきました。その結果、コーネル大学とケンブリッジ大学の研究者は、少ないデータを与えられても偏微分方程式の機械学習モデルが正確な結果を出力できることを発見しました。偏微分方程式は、自然界の物事が空間と時間で進化する方法を記述する物理学の方程式の一種です。数学科学研究所のNicolas Boullé博士によれば、人間と一緒に機械学習モデルをトレーニングするのは効率的ですが、時間と費用がかかります。彼らは、正確な結果を出力しながらこれらのアルゴリズムをトレーニングするためにどの程度のデータが必要なのかを正確に知りたいと考えています。研究者たちは、ランダムな数値線形代数と偏微分方程式理論を利用して、3次元の一様楕円型偏微分方程式の解演算子を入出力データから復元し、トレーニングデータセットのサイズに関する誤差の指数収束を非常に高い確率で達成するアルゴリズムを作成しました。 INI-Simons FoundationのポストドクトラルフェローであるBoullé博士は、偏微分方程式は物理学の構成要素のようなものであり、氷の融解ブロックの安定な状態がどのように維持されるかなど、自然の物理的な法則を説明するのに役立つと述べています。研究者たちは、これらのAIモデルは基礎的であるとしながらも、なぜAIが物理学で非常に効果的であるのかを理解するのに役立つ可能性があると考えています。研究者たちは、さまざまなランダムな入力データ量とコンピュータ生成の一致する回答を持つトレーニングデータセットを使用しました。次に、AIの予測された解答を新しい入力データの一連のバッチでテストし、それらの正確性を確認しました。 Boullé博士によれば、それは分野によりますが、物理学では非常に少ないデータでも多くの成果を挙げることができるとのことです。どれだけ少ない情報で堅牢なモデルを作成できるかは驚くほどです。彼らは、これらの方程式の数学的な特性がその構造を活用し、モデルを改善することを可能にしていると述べています。研究者たちは、モデルが適切な情報を学習することが重要であると述べていますが、物理学のための機械学習は魅力的なトピックです。Boullé博士によれば、AIは多くの興味深い数学と物理学の課題の解決に役立つことができます。

Learn more about Search Results A - Page 197