Search Results ML

業界の内部人がビッグテックのA.I.に対するオープンな代替案を推進しています

「Appleに自身の会社を売却した尊敬されるコンピューターサイエンティストに率いられる非営利団体のAllen Institute for AIは、最先端の研究を民主化しようとしています」

ツールフォーマー：AIモデルに外部ツールの使用方法をガイドする

また、トレーニングの打ち切り時間はすべてのLLMの固有の弱点です彼らは新しいものについてのクエリに答えるのに苦労しています緩い解決策は、外部のプラグイン（ChatGPTプラグインなど）を使用することですそれでも、ユーザーは...

ミニGPT-5：生成的なヴォケンによる交錯したビジョンと言語の生成

ここ数年、大規模言語モデル（LLM）は、自然言語処理（NLP）のブレークスルーにより、AI開発者から世界的に注目されていますこれらのモデルは、テキストの生成と理解の新たな基準を打ち立てていますしかし、テキストに対応する画像を一貫して生成することは依然として難しい課題ですこの問題に取り組むために、[…]

「高給与のデータサイエンスの仕事を見つけるための7つのプラットフォーム」

「データサイエンスの求人活動で落ち込んでいませんか？次の高報酬のデータサイエンスの仕事をゲットするために、これらの素晴らしい7つのプラットフォームをチェックしてみてください！」

Career Advice

デジタルアイデンティティを保護する方法

人工知能は、非常に説得力のある画像や動画を生成することで、大幅な進歩を遂げましたこれらのAIによって生成された視覚コンテンツは、真正さを装い、深刻な結果につながる欺瞞的なコンテンツの作成に使用することができます例えば、ディープフェイク技術によって、悪意を持つ行為者は他の人物の体に自分の顔を重ねることができ、本物との区別がほとんどできなくなります

言語の愛好家であるなら、ChatGPTの多言語対応機能について知っておく必要があります

もし、言語がコミュニケーションの世界で真のスーパーヒーローだと信じる人なら、お楽しみにしてくださいこの記事では、多言語の魔法を解き明かしていきます...

ドクトランとLLM：消費者の苦情を分析するための強力なコンビ

紹介現在の競争の激しい市場では、企業は消費者の苦情を効果的に理解し解決することを目指しています。消費者の苦情は、製品の欠陥やお客様サービスの問題、請求エラーや安全上の懸念など、さまざまな問題についての洞察を提供します。これらは、企業と顧客の間のフィードバック（製品、サービス、または経験に関するもの）ループで非常に重要な役割を果たします。これらの苦情を分析し理解することで、製品やサービスの改善、顧客満足度、全体的なビジネスの成長に対する貴重な示唆を得ることができます。この記事では、Doctran Pythonライブラリを活用して消費者の苦情を分析し洞察を抽出し、データに基づいた決定を行う方法について探っていきます。学習目標この記事では以下のことを学びます: doctran pythonライブラリとその主な機能について学ぶドキュメント変換と分析におけるdoctranとLLMの役割について学ぶ doctranがサポートする抽出、黒塗り、照会、精緻化、要約、翻訳の6つのドキュメント変換の詳細を調査する消費者の苦情からの生のテキストデータのアクション可能な洞察への変換の全体的な理解を得る doctranの文書データ構造、ExtractPropertyクラス、プロパティを抽出するためのスキーマの定義について理解するこの記事はData Science Blogathonの一環として公開されました。 Doctran Doctranは、ドキュメントの変換と分析に特化した最先端のPythonライブラリです。テキストデータの前処理、重要な情報の抽出、カテゴリ化/分類、照会、情報の要約、他の言語へのテキストの翻訳など、一連の機能を提供します。DoctranはOpenAI GPTベースのLLM（Large Language Models）やオープンソースのNLPライブラリを使用してテキストデータを分析します。 Doctranは以下の6種類のドキュメント変換をサポートしています: 抽出: ドキュメントから有益な機能/プロパティを抽出する黒塗り: ドキュメントから個人を識別できる情報（氏名、メールアドレス、電話番号など）を削除する。内部的には、データをOpenAIに送る前に、敏感情報を削除するためにspaCyライブラリを使用します…

思考のグラフ：大規模言語モデルにおける緻密な問題解決のための新たなパラダイム

「グラフ・オブ・ソウツの目標はプロンプトエンジニアリングを革新し、そしてより幅広い範囲でLLMを人間らしく柔軟な問題解決に活用することを可能にすることを目指しています」

language models

MITの研究者らが、言語モデルの解読において、新たなトレーニングフリーかつゲーム理論に基づくAI手法を紹介

一部の課題は、現在の言語モデル（LM）によって比較的成功裡に処理されています。これには、質問に答える、事実確認、さらには無条件のテキスト生成など、事実の主張の作成または検証が必要なタスクが含まれます。しかし、増加するサイズに伴い、LMは誤ったが頻繁に繰り返されるコメントを生成しやすくなるという証拠が増えています。彼らは完全に信頼できるとは言えません。さらに、LMには事実生成タスクを解決するためのいくつかの機能があるため、問題が複雑化します。彼らは一部確定的な生成タスクの解決のために生成的に（最も可能性の高い答えを尋ねることによって）も識別的に（（質問-回答ペアを提示し、回答が受け入れ可能かどうか尋ねることによって）使用できますが、これらの2つの方法は時に異なる結果をもたらします。確率質量が複数の矛盾する回答に広がる場合、生成的な方法は失敗する可能性があります。一方、質問に微妙な依存関係があるか、較正不良のために識別的な方法は失敗する可能性があります。これらの混沌でしばしば相反するシグナルから、LMの真実に関する最良の推定値をどのように抽出すべきでしょうか？MITの研究者たちは、シグナルゲームであるCONSENSUS GAMEを使用して、生成的および識別的なLMのデコーディングプロセスをつなぐ方法を提供しています。ディスクリミネーターエージェントは、高レベルで抽象的な正しいまたは間違った値をジェネレーターエージェントに伝える必要がありますが、それを実現するには限られた数の自然言語文字列を利用するしかないようです。ジェネレーターとディスクリミネーターが文字列の正確さの割り当てで合意するという組み合わせのポリシーは、このゲームにとって成功したアプローチとなる可能性があります。彼らは、みんなが正しいと合意する候補者を見つけるために、そのようなアプローチを検討することができます。難しい（文字値の）アクション空間を持つ多段階ゲームを解く必要があります。No-regret学習アルゴリズムは、最近ではポーカーやストラテゴ、外交などのゲームで勝利戦略を計算するための定番の手法となっています。ここで、彼らは自由形式の言語の作成に関わるタスクでも使用できることを示しています。このゲーム理論的なLMデコーディングの手法は、EQUILIBRIUM-RANKINGとして知られています。それは、質問応答のパフォーマンスに関して6つのベンチマーク（MMLU、ARC、RACE、HHH、TruthfulQA、GSM8K）で使用され、現在使用されている生成的、識別的、混合のデコーディング手法を大幅に上回る結果が得られました。広い意味では、彼らの結果は、ゲーム理論的なツールセットがLMの一貫性を形式化し向上させるためにどのように使用できるかを示しています。事実タスクの正確性も一貫性の増加によって改善されます。

「LLMベースの自律エージェントの成長」の背後には、

「LLMベースの自律エージェントの成長に関する調査に入りましょう」

language models

Learn more about Search Results ML - Page 197