Search Results プロバイダー

「Amazon SageMaker StudioでAmazon SageMaker JumpStartを使用して安定したDiffusion XLを利用する」

「今日、私たちはお知らせすることを喜んでいますStable Diffusion XL 1.0（SDXL 1.0）がAmazon SageMaker JumpStartを通じて顧客に利用可能ですSDXL 1.0は、Stability AIからの最新の画像生成モデルですSDXL 1.0の改良点には、さまざまなアスペクト比でのネイティブな1024ピクセルの画像生成が含まれていますプロフェッショナルな使用を目的としており、高解像度に合わせてキャリブレーションされています...」

「カスタムGPT-4チャットボットの作り方」

ダンテは、技術的な能力に関係なく、誰でも5分以内に専用のAIチャットボットを作成、トレーニング、展開できるようにします

「NVIDIA DGX Cloudが利用可能になり、生成型AIトレーニングを強化します」

NVIDIA DGX Cloud（ほぼすべての企業をAI企業に変えることができるツールを提供する）は、現在、Oracle Cloud Infrastructureにオンラインで数千台のNVIDIA GPUが利用可能となっており、また、米国と英国にもNVIDIAのインフラが配置されています。 3月のNVIDIAのGTCカンファレンスで発表されたDGX Cloudは、AIスーパーコンピューティングサービスであり、企業にはジェネレーティブAIや他の画期的なアプリケーションのために先進的なモデルをトレーニングするために必要なインフラとソフトウェアへの即時アクセスを提供します。「ジェネレーティブAIにより、AIの迅速な採用があらゆる業界の主要企業にとってビジネス上の必須事項となり、多くの企業がより高速なコンピューティングインフラを求めています。」と、Moor Insights & Strategyのチーフアナリストであるパット・ムーアヘッド氏は述べています。グローバルマネジメントコンサルティング会社のMcKinseyによる最近の推計によれば、ジェネレーティブAIは年間4兆ドル以上の経済効果をもたらし、世界のさまざまな産業における独自のビジネス知識を次世代のAIアプリケーションに変えることができます。ジェネレーティブAIによるビジネス変革をリードする業界のパイオニアほぼすべての業界はジェネレーティブAIの恩恵を受けることができ、早くも先駆者たちが市場を変革しています。ヘルスケア企業は、DGX Cloudを使用してタンパク質モデルをトレーニングし、自然言語処理による薬剤探索と臨床報告を迅速化しています。金融サービスプロバイダーは、トレンドの予測、ポートフォリオの最適化、レコメンデーションシステムの構築、知的なジェネレーティブAIチャットボットの開発にDGX Cloudを使用しています。保険会社は、クレーム処理を自動化するためのモデルを構築しています。ソフトウェア企業は、AIを搭載した機能やアプリケーションの開発にそれを使用しています。その他の企業は、貴重な資産のAI工場やデジタルツインを構築するためにDGX Cloudを使用しています。即時利用可能な専用AIスーパーコンピューティング…

「人工知能の炭素足跡」

AIの使用に起因する温室効果ガスの排出を削減する方法を探していますが、その使用は非常に増加する可能性があります

生成AI倫理’ (Seisei AI Rinri)

生成型人工知能（AI）に関する大騒ぎがある中で、この変革的な技術を責任を持って実装する方法について、未解決の問題が増えていますこの…

「2023年の営業プロフェッショナル向けのAIツール52選」

モーションモーションは、ユーザーがカレンダー、ミーティング、プロジェクトを管理するのに役立つ生産性ツールです。 Seamless.ai このプラットフォームは、B2Bセールスリードのリアルタイム検索エンジンです。ユーザーはセールスサイクルを短縮し、より多くの取引を成立させることができます。 AdCreative AI 人工知能を使って、秒単位でコンバージョンに焦点を当てた広告クリエイティブやソーシャルメディアの投稿クリエイティブを生成します。時間を節約しながら、より良い結果を得ることができます。 Jasper Jasperは、ユーザーがより良いセールスコピーを書くことができるAIコピーライティングツールです。 Apollo Apolloは、ユーザーが理想のバイヤーを見つけ、コンタクトし、獲得するのをサポートします。Apolloを使えば、最も正確なB2Bデータベースにアクセスできます。 Otter AI Otter.AIは、共有可能で検索可能、アクセス可能、安全なリアルタイムの会議のトランスクリプションを提供します。オーディオを録音し、ノートを書き、スライドを自動的にキャプチャし、要約を生成する会議アシスタントを手に入れましょう。 tl:dv このツールは、Google MeetやZoom用のAIパワーの会議録音ツールです。 Oliv AI OlivのAIエンジンは、広範な録音を分析して、効果的なディスカバリー質問、よくある顧客の質問、一般的な異議を特定します。 Sendspark このAIツールを使えば、パーソナライズされたビデオを使って関係を構築することができます。 Gong Gongは、顧客とのやり取りをキャプチャし、分析し、より良い意思決定のための洞察を提供します。…

「機械学習モデルにおける気象データの利用」

はじめに天気は現実世界で起こる多くのことに影響を与える主要な要素です。実際、それは非常に重要なので、機械学習モデルを組み込むことでそれを取り込む予測モデルには通常恩恵をもたらします。次のシナリオを考えてみてください：公共交通機関がシステム内の遅延や渋滞を予測しようとするエネルギー供給業者が明日の太陽光発電量を見積もり、エネルギー取引のために使用したいイベント主催者が参加者数を予測し、安全基準を満たすために確保する必要がある農場が来週の収穫作業をスケジュールする必要がある上記のシナリオのどれにも天気を含めないモデルは、無意味であるか、あるいはできるだけ良くないと言えるでしょう。驚くことに、天気予測自体に焦点を当てたオンラインリソースは多くありますが、天気データを効果的に特徴量として取得・使用する方法についてはほとんどありません。この記事はそれについて説明します。概要まず、モデリングに天気データを使用する際の課題、一般的に使用されるモデル、および提供者について紹介します。そして、ケーススタディを実行し、ニューヨークのタクシー乗車を予測するために提供者のデータを使用して機械学習モデルを構築します。この記事の最後には、以下のことを学びます：モデリングにおける天気データの課題どのような天気モデルと提供者が存在するか時系列データのETLと特徴量構築の典型的な手順 SHAP値を使用した特徴量の重要度評価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。課題測定と予測された天気本番のMLモデルでは、(1)リアルタイムで予測を行うためのライブデータと(2)モデルをトレーニングするための大量の過去のデータの両方が必要です。 by Hadija on Unsplash…

「大規模言語モデルのランドスケープをナビゲートする」

マイクロソフトとメタは最近、次世代のオープンソースの大規模言語モデル（LLM）であるLlama 2を発表しましたLlama 2には、事前学習および微調整されたLLMの豊富なコレクションがあり、ビジネスは今や...

「2023年のトップデータウェアハウジングツール」

データウェアハウスは、データの報告、分析、および保存のためのデータ管理システムです。それはエンタープライズデータウェアハウスであり、ビジネスインテリジェンスの一部です。データウェアハウスには、1つ以上の異なるソースからのデータが保存されます。データウェアハウスは中央のリポジトリであり、複数の部門にわたる報告ユーザーが意思決定を支援するために設計された分析ツールです。データウェアハウスは、ビジネスや組織の歴史的なデータを収集し、それを評価して洞察を得ることができます。これにより、組織全体の統一された真実のシステムを構築するのに役立ちます。クラウドコンピューティング技術のおかげで、ビジネスのためのデータウェアハウジングのコストと難しさは劇的に低下しました。以前は、企業はインフラに多額の投資をしなければなりませんでした。物理的なデータセンターは、クラウドベースのデータウェアハウスとそのツールに取って代わられています。多くの大企業はまだ古いデータウェアハウジングの方法を使用していますが、データウェアハウスが将来機能するのはクラウドであることは明らかです。使用料金ベースのクラウドベースのデータウェアハウジング技術は、迅速で効果的で非常にスケーラブルです。データウェアハウスの重要性現代のデータウェアハウジングソリューションは、データウェアハウスアーキテクチャの設計、開発、および導入の繰り返しのタスクを自動化することで、ビジネスの絶えず変化するニーズに対応しています。そのため、多くの企業がデータウェアハウスツールを使用して徹底的な洞察を獲得しています。以上から、データウェアハウジングが大規模でボイジーサイズの企業にとって重要であることがわかります。データウェアハウスは、チームがデータにアクセスし、情報から結論を導き、さまざまなソースからデータを統合するのを支援します。その結果、企業はデータウェアハウスツールを以下の目標のために使用しています：運用上および戦略上の問題について学ぶ。意思決定とサポートのためのシステムを高速化する。マーケティングイニシアチブの結果を分析し評価する。従業員のパフォーマンスを分析する。消費者のトレンドを把握し、次のビジネスサイクルを予測する。市場で最も人気のあるデータウェアハウスツールは以下の通りです。 Amazon Redshift ビジネス向けのクラウドベースのデータウェアハウジングツールであるRedshiftです。完全に管理されたプラットフォームでペタバイト単位のデータを高速に処理できます。したがって、高速なデータ分析に適しています。さらに、自動の並列スケーリングがサポートされています。この自動化により、クエリ処理のリソースがワークロード要件に合わせて変更されます。オペレーションのオーバーヘッドがないため、同時に数百のクエリを実行できます。Redshiftはまた、クラスタをスケールアップしたりノードタイプを変更したりすることも可能です。その結果、データウェアハウスのパフォーマンスを向上させ、運用費用を節約することができます。 Microsoft Azure MicrosoftのAzure SQL Data Warehouseは、クラウドでホストされる関係データベースです。リアルタイムのレポート作成やペタバイト規模のデータの読み込みと処理に最適化されています。このプラットフォームは、大規模並列処理とノードベースのアーキテクチャ（MPP）を使用しています。このアーキテクチャは、並列処理のためのクエリの最適化に適しています。その結果、ビジネスインサイトの抽出と可視化が大幅に高速化されます。データウェアハウスには数百のMS Azureリソースが互換性があります。たとえば、プラットフォームの機械学習技術を使用してスマートなアプリを作成することができます。さらに、IoTデバイスやオンプレミスのSQLデータベースなど、さまざまな種類の構造化および非構造化データをフォーラムに保存することができます。 Google BigQuery…

このAI論文は、周波数領域での差分プライバシーを利用したプライバシー保護顔認識手法を提案しています

ディープラーニングは、畳み込みニューラルネットワークに基づいた顔認識モデルを大幅に進化させました。これらのモデルは高い精度を持ち、日常生活で使用されています。しかし、顔の画像は個人情報として敏感であり、サービスプロバイダーが不正なデータを収集し使用しているというプライバシー上の懸念があります。また、悪意のあるユーザーやハイジャッカーによるプライバシー侵害のリスクもあります。これらの問題に対処するためには、顔認識におけるプライバシー保護メカニズムの実装が必要です。この問題に対処するために、暗号化方法や暗号化されたデータに対して推論を行いプライバシーを保護する暗号化方法など、いくつかのアプローチが提案されましたが、これらのアプローチは計算量が低い一方で認識精度が著しく低下します。また、大規模な場合やインタラクティブなシナリオには適していません。別の手法として、元の画像を固有顔への射影に変換し、プライバシーを保護するためにノイズを追加する差分プライバシーを使用する方法もあります。周波数領域で差分プライバシーを用いた顔認識手法を提案しています。この手法において差分プライバシーは、プライバシーの理論的な保証を提供します。これらの問題を回避するために、中国の研究チームは、サービスプロバイダーが元の画像にアクセスせずに特定の信頼レベルで分類結果（例：身元）のみを学習するプライバシー保護型の顔認識手法を開発することを目指す新しい方法を提案しました。提案された手法は、周波数領域での差分プライバシーを使用して、プライバシーの理論的な保証を提供します。具体的には、著者らは周波数領域のプライバシー保護を探求し、ブロック離散コサイン変換（DCT）を使用して生の顔画像を周波数領域に変換しました。これにより、視覚化に重要な情報と識別に必要な情報が分離されます。また、最もエネルギーと視覚化情報を含む直流（DC）チャネルを除去しましたが、識別には必要ありません。入力画像の異なる周波数の要素が識別タスクに対して異なる重要性を持つと考え、これを考慮に入れた手法を提案しました。この手法では、プライバシーと精度のトレードオフを実現するために平均的なプライバシーバジェットを設定するだけで済みます。全ての要素に対するプライバシーバジェットの分布は、顔認識モデルの損失に基づいて学習されます。周波数領域変換モジュールでは、著者らはJPEGの圧縮操作と同様に、ブロック離散コサイン変換（BDCT）を周波数領域変換の基礎として使用します。彼らは、顔画像のBDCT表現を秘密とし、データベース間の隣接性を測るために秘密間の距離を使用します。彼らは距離メトリックを調整することでノイズを制御し、類似の秘密を区別できないようにし、非常に異なる秘密を区別できるようにします。これにより、回復可能性を最小限に抑えながら最大の識別性を確保します。秘密の距離メトリックの選択は、したがって重要です。提案手法を評価するために、さまざまなデータセットを使用して5つのベースライン（ArcFace、CosFace、PEEP、Cloak、InstaHide）と比較する実験的な研究が行われました。その結果、提案手法はLFWおよびCALFWにおいてベースラインと同等またはわずかに低い精度を持っていますが、CFP-FP、AgeDB、CPLFWにおいては精度の低下が大きくなっています。提案手法はまた、プライバシー保護能力が非常に高く、プライバシーバジェット0.5を使用した場合の精度の低下が平均して2％未満です。この技術は、精度を低下させる代償としてプライバシー保護能力を高めることも可能です。この論文では、著者らが差分プライバシーメソッドに基づいた顔プライバシー保護のためのフレームワークを提案しています。この手法は高速かつ効率的であり、プライバシー保護能力をプライバシーバジェットの選択によって調整することができます。また、差分プライバシーフレームワークにおける画像表現のための学習可能なプライバシーバジェット割り当て構造を設計しています。これにより、プライバシーを保護しながら精度の損失を最小限に抑えることができます。提案手法の高いプライバシー保護能力と、高い利用可能性を維持しながら元の顔認識データセットをプライバシー保護データセットに変換することも可能です。

Learn more about Search Results プロバイダー - Page 21