Search Results A

AIモデルが高解像度のコンピュータビジョンを高速化します

システムは、ビデオストリーミングにおける画像品質の向上や、自動運転車両がリアルタイムで道路の危険を識別するのに役立つかもしれません

「監督のギレルモ・デル・トロとティム・バートンはAIについて異なる見解を持っています」

オスカー受賞監督のギレルモ・デル・トロとティム・バートンは、AIとその可能な影響について非常に興味深い見解を持っています互いに対立するわけではありませんが、両監督は技術に対する意見を表明し、ハリウッドでのその台頭について考えていますティム・バートンの場合、『ビートルジュース』の監督...

LLMとデータ分析：ビジネスの洞察を得るためにAIがビッグデータを理解する方法

大規模言語モデル（LLM）は、企業に有益な洞察を提供するために広範なデータセットを分析する能力を持っています。この記事では、企業がLLMを利用して顧客のレビューやソーシャルメディアのインタラクション、さらには内部レポートを分析し、情報に基づいたビジネス上の意思決定を行っている方法について探求しています。 LLMとは何か、そしてデータ分析にどのように使用できるのか大規模言語モデル（LLM）は、数十億のパラメータを持つ強力なニューラルネットワークです。彼らは半教師あり学習を用いて膨大な量のテキストデータで訓練されています。これらのモデルは数学的な推論や感情分析などのタスクを実行することができ、人間の言語の構造と意味を理解していることを示しています。 LLMは、数百テラバイトにわたるデータで訓練されており、深い文脈的な理解を備えています。この理解はさまざまなアプリケーションにわたり、異なるプロンプトに対して高い効果を発揮します。 LLMは、テキストファイルやウェブページなどの非構造化データを効果的に分析することができます。感情分析やテキストデータの分類・要約に非常に優れています。テキストの潜在的な感情やテーマを把握できるため、顧客フィードバックの分析、市場調査、ソーシャルメディアの監視に理想的です。従来の分析手法との違いは何ですか？決定木や勾配ブースティングなどの従来の機械学習モデルは、テーブル形式で表される構造化データを扱うのにより効果的です。対照的に、LLMはテキストファイルのような非構造化データと一緒に作業します。 LLMは自然言語理解や生成のタスクに優れており、強力な処理および人間の言語生成能力を提供します。ただし、構造化データ、画像解析、クラスタリングの処理には向いておらず、上記で言及した従来の手法の方が非常に優れています。従来の手法と比較して、LLMは最小限のデータ前処理と特徴量エンジニアリングを必要とします。LLMは膨大なテキストデータで訓練されており、生のテキストからパターンや表現を自動的に学習するように設計されているため、さまざまな自然言語理解のタスクに対応できる汎用性があります。ただし、LLMの一つの重要な課題は、解釈性の低さです。これらのモデルがどのように結論に至るのか、また特定の出力を生成するのかを理解することは困難です。なぜなら、彼らの意思決定プロセスには透明性がないからです。データ分析におけるLLMの実用的な応用大量のテキストデータを処理できる能力により、LLMはデータ分析および科学ワークフローで価値があります。彼らが使用されている方法の一部は以下の通りです：感情分析：大規模言語モデルは感情分析を実行でき、テキスト内の感情や主観的情報を認識し分類することができます。感情ラベルを提供するデータセットで微調整することにより、テキストデータの意見を自動的に特定し分類することができます。感情分析を使用することで、LLMは特に顧客レビューの分析に役立ちます。固有表現抽出（NER）：LLMは、非構造化テキスト内の名前、場所、会社、イベントなどの重要なエンティティを識別および分類することでNERに優れています。言語の文脈やニュアンスを把握するためにディープラーニングアルゴリズムを活用しています。テキスト生成：LLMは優れた文脈に適したテキストを生成することができ、ビジネスユーザーとの有意義な会話を行い、彼らの問い合わせに正確な回答を提供するためのチャットボットの作成に使用することができます。大規模言語モデルは、データサイエンスのタスクにおける自然言語理解の向上に不可欠です。他の技術と組み合わせることで、製品レビューやソーシャルメディアの投稿、顧客アンケート回答などのテキストデータに対して微妙な意味を解明することができます。企業はどのようにLLMを活用できるのか？仮想アシスタント LLMを搭載したチャットボットは、従業員の作業時間を最適化し、コストを削減するのに役立ちます。これらのチャットボットはルーチンタスクを処理し、従業員をより複雑で戦略的な業務に割り当てることができます。IBM Watson Assistantは、顧客管理に焦点を当てた会話型AIプラットフォームであり、機械学習を利用して問い合わせを処理し、チャットを介してユーザーをアクションの実行に案内し、必要に応じて人間のエージェントに移行することができます。さらに、24時間365日の利用可能性と高い精度を提供します。詐欺検出 LLMは、アラートをトリガーするパターンを特定することで詐欺検出を自動化するのに役立ちます。その効率性、スケーラビリティ、機械学習の能力から、企業にとって魅力的な存在です。たとえば、グローバルな金融機関が利用するFICOのFalcon Intelligence…

TIIのFalcon 180B基本モデルは、Amazon SageMaker JumpStartを通じて利用可能です

今日は、テクノロジーイノベーション研究所（TII）が開発したFalcon 180B基礎モデルが、お客様がAmazon SageMaker JumpStartを通じて利用できることをお知らせいたしますこのモデルは、推論実行のためのワンクリック展開が可能ですFalcon 180Bは、1800億パラメータのサイズであり、3.5兆トークンの巨大なデータセットでトレーニングされていますFalcon 180Bは、公開された重みを持つ最大かつ最もパフォーマンスの高いモデルの一つですSageMaker JumpStartを使用して、このモデルをお試しいただけますSageMaker JumpStartは、アルゴリズム、モデル、および機械学習（ML）ソリューションへのアクセスを提供するMLハブであり、迅速にMLを始めることができますこの記事では、SageMaker JumpStartを介してFalcon 180Bモデルを発見して展開する方法について説明します

「NVIDIAのグレース・ホッパー・スーパーチップがMLPerfの推論ベンチマークを席巻する」

MLPerf業界ベンチマークに初登場したNVIDIA GH200 Grace Hopperスーパーチップは、すべてのデータセンターインファレンステストを実行し、NVIDIA H100 Tensor Core GPUのリーディングパフォーマンスを拡張しました。全体的な結果は、NVIDIA AIプラットフォームの卓越したパフォーマンスと多機能性を示しており、クラウドからネットワークのエッジまでの幅広い領域で活躍しています。別途、NVIDIAは性能、エネルギー効率、総所有コストの向上をユーザーにもたらすインファレンスソフトウェアを発表しました。 GH200スーパーチップがMLPerfで輝く GH200は、Hopper GPUとGrace CPUを1つのスーパーチップに結合しています。この組み合わせにより、より多くのメモリ、帯域幅、およびCPUとGPUの間で自動的に電力を切り替えてパフォーマンスを最適化する能力が提供されます。また、8つのH100 GPUを搭載したNVIDIA HGX H100システムは、今回のMLPerfインファレンステストのすべての項目で最も高いスループットを実現しました。 Grace HopperスーパーチップとH100 GPUは、コンピュータビジョン、音声認識、医療画像などのMLPerfのデータセンターテスト全般でリードし、推薦システムや生成AIにおける大規模言語モデル（LLM）など、より要求の厳しいユースケースでも優れたパフォーマンスを発揮しました。全体的に、これらの結果は、2018年のMLPerfベンチマークの開始以来、NVIDIAがAIトレーニングとインファレンスのパフォーマンスリーダーシップを証明し続ける記録を続けています。最新のMLPerfラウンドでは、推薦システムのテストが更新され、AIモデルのサイズの大まかな指標である6兆パラメータを持つGPT-Jの最初のインファレンスベンチマークが実施されました。…