Search Results A

AWSにおける生成AIとマルチモーダルエージェント：金融市場における新たな価値を開拓するための鍵

マルチモーダルデータは、市場、経済、顧客、ニュースおよびソーシャルメディア、リスクデータを含む、金融業界の貴重な要素です金融機関はこのデータを生成し、収集し、利用して、金融業務の洞察を得たり、より良い意思決定を行ったり、パフォーマンスを向上させたりしますしかし、マルチモーダルデータには複雑さと不足に起因する課題があります

「Amazon SageMakerとHugging Faceを使用して、FetchはML処理の遅延を50％削減します」

この記事は、元々2023年9月にAWSのウェブサイトで公開された記事のクロスポストです。概要消費者エンゲージメントと報酬会社であるFetchは、ユーザーがレシートをスキャンして購入に対して報酬を得ることができるアプリケーションを提供しています。同社はまた、これらのレシートを解析して消費者の行動に関する洞察を生成し、ブランドパートナーに提供しています。週ごとのスキャンが急速に増加するにつれて、Fetchはスピードと精度を向上させる必要がありました。 Amazon Web Services（AWS）上で、FetchはHugging FaceとAmazon SageMakerを使用して機械学習（ML）パイプラインを最適化しました。Amazon SageMakerは、完全に管理されたインフラストラクチャ、ツール、ワークフローを備えたMLモデルの構築、トレーニング、展開を行うためのサービスです。これにより、Fetchアプリはスキャンをより速く、かつ大幅に高い精度で処理することができます。機会 | FetchのMLパイプラインを12か月でAmazon SageMakerを使用して高速化する Fetchアプリを使用して、顧客はレシートをスキャンし、ポイントを受け取り、それらのポイントをギフトカードと交換することができます。Fetchは、領収書のスキャンに対してユーザーに即座に報酬を与えるために、領収書からテキストをキャプチャし、関連するデータを抽出し、その他のシステムが処理および分析できるように構造化する必要がありました。ピークトラフィック時には週に8000万枚以上のレシートを処理する必要があり、秒間数百枚のレシートを素早く、正確に処理する必要がありました。 2021年、Fetchはアプリのスキャン機能を最適化することを決定しました。FetchはAWSネイティブの会社であり、MLオペレーションチームは既に多くのモデルでAmazon SageMakerを使用していました。これにより、モデルをAmazon SageMakerに移行してMLパイプラインを強化する決定は容易なものでした。プロジェクト全体を通じて、FetchはAWSチームと週次の通話を行い、AWSがFetchとペアになった専門家からサポートを受けました。Fetchは12か月でAmazon SageMakerを使用して5つ以上のMLモデルを構築、トレーニング、展開しました。2022年末に、Fetchは更新されたモバイルアプリと新しいMLパイプラインをリリースしました。「Amazon SageMakerはFetchにとって画期的なものです。ほぼすべての機能を広範に使用しています。新しい機能が登場すると、すぐに価値があります。Amazon SageMakerの機能なしでこのプロジェクトを行うことは想像できません。」 Sam Corzine、機械学習エンジニア、Fetch…

Rocket Money x Hugging Face プロダクションで変動するMLモデルのスケーリング

「彼らはただのサービスプロバイダではなく、私たちの目標と結果に投資しているパートナーだと気づきました」- ニコラス・クザック、ロケットマネーのシニアMLエンジニア。 MLOpsチームなしでの本番環境でのMLモデルのスケーリングとメンテナンス私たちは、Rocket Money（以前の名前はTruebillの個人ファイナンスアプリ）を作成し、ユーザーが自分の財務状況を改善できるようにしました。ユーザーは銀行口座をアプリにリンクさせ、トランザクションを分類し、カテゴリ分けし、繰り返しのパターンを特定して、個人の財務状況を総合的かつ包括的に表示します。トランザクション処理の重要な段階は、Rocket Moneyが会員のためにキャンセルし、費用を交渉できるいくつかの既知の販売業者やサービスを検出することです。この検出は、短く、しばしば切り詰められ、暗号化された形式のトランザクション文字列をクラスに変換して、製品体験を豊かにするために使用します。新しいシステムへの旅最初に、正規表現ベースの正規化器を使用してトランザクションからブランドと製品を抽出しました。これらは、文字列を対応するブランドにマッピングする複雑になる決定表と併用されました。このシステムは、キャンセルと交渉に対応する製品にのみ結び付けられたクラスが存在する場合には効果的でしたが、ユーザーベースが拡大し、サブスクリプションエコノミーが急速に発展し、製品の範囲が拡大するにつれて、新しいクラスの数と正規表現のチューニングや衝突の防止に追いつく必要がありました。これを解決するために、バッグオブワーズモデルとクラスごとのモデルアーキテクチャを使用したさまざまな従来の機械学習（ML）ソリューションを検討しました。このシステムはメンテナンスとパフォーマンスに苦労し、保留となりました。私たちは、まっさらな状態から新しいチームと新しい命令を組み立てることに決めました。最初の課題はトレーニングデータを蓄積し、ゼロから社内システムを構築することでした。私たちはRetoolを使用してラベリングキュー、ゴールドスタンダードの検証データセット、ドリフト検出モニタリングツールを構築しました。さまざまなモデルトポロジーを試しましたが、最終的にはBERTファミリーのモデルを選び、テキスト分類の問題を解決しました。初期のモデルのテストと評価のほとんどは、GCPのデータウェアハウス内でオフラインで実施されました。ここでは、4000以上のクラスを持つモデルのパフォーマンスを測定するために使用したテレメトリとシステムを設計および構築しました。 Hugging Faceとのパートナーシップによるドメインの課題と制約の解決私たちのドメイン内には、商品を提供する業者や処理/支払い会社、機関の違い、ユーザーの行動の変化など、独自の課題がいくつかあります。効率的なモデルのパフォーマンスアラート設計と現実的なベンチマーキングデータセットの構築は、継続的に課題となっています。もう1つの重要な課題は、システムの最適なクラス数を決定することです-各クラスは作成とメンテナンスに相当な労力を要するため、ユーザーとビジネスへの価値を考慮する必要があります。オフラインのテストでうまく機能するモデルと少数のMLエンジニアのチームを持つ私たちは、新たな課題に直面しました：そのモデルを私たちの本番パイプラインにシームレスに統合すること。既存の正規表現システムは、月間100万以上のトランザクションを処理し、非常に負荷の高い状態で動作していましたので、パイプライン内で低い全体的なレイテンシを維持するために動的にスケーリングできる高可用性のシステムが重要でした。当時の小さなスタートアップとして、モデルサービングソリューションを構築する代わりに購入することにしました。当時、社内でのモデルオペレーションの専門知識はなく、MLエンジニアのエネルギーを製品内のモデルのパフォーマンス向上に集中させる必要がありました。これを念頭に置いて、私たちは解決策を探しました。最初は、プロトタイピングに使用していた手作りの社内モデルホスティングソリューションをAWS SagemakerとHugging Faceの新しいモデルホスティング推論APIと比較して試してみました。データの保存にはGCPを使用し、モデルトレーニングにはGoogle Vertex Pipelinesを使用していたため、AWS Sagemakerへのモデルのエクスポートは不便でバグがありました。幸いなことに、Hugging Faceの設定は迅速かつ簡単であり、1週間以内に一部のトラフィックを処理することができました。Hugging Faceはそのまま動作し、この摩擦の低減により、私たちはこの道を進むことになりました。約3か月にわたる評価期間の後、私たちはHugging Faceをモデルのホスティングに選びました。この期間中、トランザクションのボリュームを徐々に増やし、最悪のケースシナリオのボリュームに基づいた数々のシミュレートされた負荷テストを実施しました。このプロセスにより、システムを微調整し、パフォーマンスを監視し、トランザクションの拡張負荷を処理する推論APIの能力に自信を持つことができました。技術的な能力を超えて、私たちはハギングフェイスのチームとの強い関係を築きました。彼らは単なるサービスプロバイダーではなく、私たちの目標と成果に投資しているパートナーであることを発見しました。コラボレーションの初期段階で、私たちは貴重な存在であるとわかる共有のSlackチャンネルを設置しました。彼らが問題に対して迅速に対応し、積極的な問題解決のアプローチを取る姿勢には特に感銘を受けました。彼らのエンジニアやCSMは、私たちの成功への取り組みと正しい方法での取り組みを常に示しました。これにより、最終的な選択をする時に私たちは追加の自信を得ることができました。…

オムニヴォアに会ってください：産業デザイナーがアートとOpenUSDを組み合わせて、AIトレーニング用の3Dアセットを作成します

編集者注：この投稿は、NVIDIA OmniverseとOpenUSDを使用して3Dワークフローを加速し、仮想世界を作成する個々のクリエイターと開発者を紹介するMeet the Omnivoreシリーズの一部です。オーストラリアのクイーンズランド工科大学（QUT）の学生であるエミリー・ボーマーは、クリエイティブな芸術または科学を追求するか迷っていました。そして彼女は産業デザインを見つけ、研究とコーディングに没頭しながら、スケッチ、アニメーション、3Dモデリングなどの可視化ワークフローを探求することができました。今、ボーマーはドイツ・ミュンヘンのBMW Group Technology Officeでデザインインターンとして彼女のスキルを活かしています。チームはNVIDIA Omniverse（3Dツールとアプリケーションの開発および接続のためのプラットフォーム）およびUniversal Scene Description（OpenUSDとも呼ばれる）を使用して、合成データ生成パイプラインを強化しています。ボーマーは、BMW Group、Microsoft、およびNVIDIAが公開したSORDI.aiと呼ばれる産業用合成オブジェクト認識データセットを使用して、リアルな3Dアセットを作成しています。SORDI.aiは開発者や研究者がAIの訓練を効率化し加速するためのものです。画像の自動生成を自動化するために、チームはOmniverse Replicatorに基づいた拡張機能を開発しました。Omniverse Replicatorは、カスタムの合成データ生成ツールを作成するためのソフトウェア開発キットです。 SORDI.aiチームの一員として、ボーマーはBlenderとAdobe Substance Painterを使用して、物理的な正確さと写実性の高い3Dアセットをデザインし、合成データが効率的にAIモデルの訓練に使用できるようにしています。ボーマーが作成するすべてのアセットは、NVIDIA Isaac Simプラットフォームで自律ロボットのテストとシミュレーションに使用されます。NVIDIA Isaac…

「あなたのAIが意識しているかどうかを判断する方法」

新しいレポートでは、科学者たちは機械の存在を示す可能性があるいくつかの測定可能な特性のリストを提供しています

「マーケティングにChatGPTを利用する15の方法」

マーケティングは非常にダイナミックなセクターであり、常に先を行くために苦労するものです。成功を達成するためには、競争したり、ビジネスのライバルを上回る必要があります。成功を維持することは、それを達成することと同じくらい重要です。ChatGPTは成功への切符であり、今日の高速で常に進化するデジタルの風景における技術の贈り物です。それは効果的にあなたをガイドし、顧客を自動化し、関与させるための魅力的なコンテンツを作り上げる手助けをすることができます。それによって、コンバージョンとブランドの成功をもたらすことができます。ChatGPTのようなAIパワードツールは、ビジネスを育成するために無限の機会を提供してくれます。ここでは、マーケティングにChatGPTを活用する15の興味深い方法を紹介します。マーケティングにChatGPTを活用する15の方法前述の通り、マーケティングにChatGPTを活用する方法を紹介します。GPTマーケティングがあなたにとってゲームチェンジャーとなる方法を発見してください：コンテンツ生成顧客サポートメールマーケティング SEO最適化顧客データの洞察ソーシャルメディアマーケティングコンテンツのアイデア出し A/Bテストのアイデアコンテンツのローカライズマーケティングの自動化コンテンツカレンダーの管理リードジェネレーションチャットボット製品説明データ分析また、読む：AIマーケティング戦略の作り方コンテンツ生成コンテンツ生成について話すと、ChatGPTはマーケターの最良のパートナーになるかもしれません。彼は非常に効率的に記事やブログ投稿、ソーシャルメディアのコピーを作成することができます！そのため、コンテンツの生成を効率化することができます。これにより、マーケターは戦略と創造性にさらに時間とお金を注ぐことができますが、興味深いコンテンツの一定の流れを維持します。これは、忙しいマーケティングチームにとっては恵みとなります。最新のコンテンツは視聴者を引き付け、SEOランキングを向上させ、ブランドへの信頼を築きます。アイデアの要約マーケティング記事、ブログ投稿、ソーシャルメディアの更新を作成するランディングページのコンテンツや製品の説明を作成する…

ChatGPT for Marketing

AIがDevSecOpsを再構築する3つの方法

開発者は、これらの3つのAI駆動のDevSecOpsトレンドを使用して、組織のセキュリティポスチャを評価することができます

サイバーセキュリティにおける生成AIの約束と危険性

セキュリティにおける生成型AIの利点と欠点を探求してくださいヒント：セキュリティにおける自動化とスケーリングの必要性を考えると、利点の方が欠点よりも重要です

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＃65

今週のAIでは、AI規制に関する進展がありましたエロン・マスクやマーク・ザッカーバーグなどのテックリーダーが60人以上の上院議員とAIについて話し合いましたが、彼らは皆同意しました-

「生成AIにおけるバイアスの軽減」

イントロダクション現代の世界では、生成型AIは創造性の限界を押し広げており、機械が人間のようなコンテンツを作り出すことが可能になっています。しかし、この革新の中には課題も存在します – AIによる生成物のバイアスです。この記事では、「生成型AIにおけるバイアスの緩和」について詳しく探求します。文化的なバイアスからジェンダーに至るまで、さまざまな種類のバイアスについて理解し、それらが現実世界に与える影響を把握します。私たちの旅は、対抗訓練や多様なトレーニングデータなど、バイアスを検出および軽減するための高度な戦略を含みます。一緒に、生成型AIにおけるバイアス緩和の複雑さを解明し、より公正かつ信頼性のあるAIシステムを作り出す方法を見つけましょう。出典 – Lexis 学習目標生成型AIにおけるバイアスの理解: AIにおけるバイアスの意味と、生成型AIにおいてなぜそれが真剣な懸念事項なのかについて探求します。具体的な例を用いて、その影響を説明します。倫理的および実践的な影響: AIのバイアスによる倫理的および現実世界の影響について、不平等な医療からAIシステムへの信頼の問題までを掘り下げます。生成型AIにおけるバイアスの種類: 選択バイアスやグループ思考バイアスなどのさまざまなバイアスの形式について学び、それらがAIによって生成されるコンテンツにどのように現れるかを理解します。バイアス緩和技術: 対抗訓練やデータ拡張などの高度な手法を使って、生成型AIにおけるバイアスに対抗する方法を発見します。事例研究: IBMのProject DebaterやGoogleのBERTモデルなどの実際の事例を探索し、バイアス緩和技術が効果的に適用されている様子を見てみましょう。課題と将来の方向性: 進化するバイアスの形式から倫理的ジレンマまで、バイアス緩和における現在の課題と将来への展望について理解します。この記事はData Science Blogathonの一環として公開されました。…

Learn more about Search Results A - Page 205