Search Results ML

「Amazon SageMaker Feature Storeを使用して、あなたの生成型AIアプリケーションをパーソナライズしましょう」

この投稿では、LLMsを使用してユーザープロフィールとアイテム属性を組み合わせてパーソナライズドコンテンツの推奨を生成するというシンプルでパワフルなアイデアを解説しますこの投稿全体を通じて示されるように、これらのモデルは高品質でコンテキストに合わせた入力テキストを生成することで、優れた推奨を生み出す可能性が非常に高いですこれを具体的に示すために、ユーザープロフィールを表すフィーチャーストアをLLMに統合して、これらのパーソナライズドな推奨を生成するプロセスをご案内します

「Amazon SageMakerを使用して、マルチモダリティモデルを用いた画像からテキストへの生成型AIアプリケーションを構築する」

この投稿では、人気のあるマルチモーダリティモデルの概要を提供しますさらに、これらの事前訓練モデルをAmazon SageMakerに展開する方法も示しますさらに、特に、eコマースのゼロショットタグと属性生成および画像からの自動プロンプト生成など、いくつかの現実世界のシナリオに焦点を当てながら、これらのモデルの多様な応用についても議論します

「脳損傷の修復に有望な3Dプリント方法」

イギリスのオックスフォード大学の科学者たちは、脳の神経細胞を三次元（3D）印刷して、大脳皮質のアーキテクチャをエミュレートしました

「AI画像生成の包括的な紹介」

AIとのイメージ生成は、特に機械学習モデルを用いた人工知能の技術を利用して画像を作成するプロセスを指しますこれらのAIによって生成される画像は、現実に近いものからさまざまです...

「ジンディのCEO兼共同創設者、セリーナ・リー― インタビューシリーズ」

「Celina Leeは、ZindiのCEO兼共同創設者であり、アフリカのデータサイエンティスト向けの最大の専門ネットワークです Celinaは、データの力を社会的な善のために解き放つことに情熱を持っています Celinaは、データと開発の交差点での思考リーダーシップにおける実績があり、立ち上げにおいて中心的な役割を果たしてきました...」

「避けられないものを受け入れる：AIファースト企業の時代」

AIの時代はただ近づいているだけでなく、すでにここにありますこれは私が最近開催した専門家パネルとファイヤーサイドチャットの話題であり、このイベントでは、Fortune 500企業のシーレベルのテクノロジーエグゼクティブと、新興のエンタープライズ対応AIインフラスタートアップのリーダーが一堂に会しましたその夜は、魅力的な議論に焦点を当てました […]

「あなたがその仕事を手に入れることを保証する3つのデータサイエンスプロジェクト」

「データサイエンスのプロジェクトを３つだけ許されたと想像してみてください就職を保証するためにどれを選ぶべきでしょうか？こちらが私の選択です！」

Career Advice

「地震をAIで把握する：研究者が深層学習モデルを公開、予測の精度を向上」

研究チームは地震モデルの現状を変革しようとしています。カリフォルニア大学バークレー校、カリフォルニア大学サンタクルーズ校、ミュンヘン工科大学の研究者たちは最近、地震予測に深層学習をもたらす新しいモデルについて論文を発表しました。 RECASTと名付けられたこのモデルは、現行のモデルであるETASよりも大規模なデータセットを使用し、より柔軟性のある予測を提供できると主張しています。1988年の開発以来、改善はほんのわずかであったETASと比べて、RECASTは大いに進歩したと論じています。この論文の著者であるケリアン・ダシャー・クズネル、オレクサンドル・シュール、エミリー・ブロドスキー、シュテファン・ギュンネマンは、このモデルをNVIDIAのGPUワークステーションで訓練しました。「ETASの改善方法を探求する研究分野があります」と、UCバークレーのポスドク研究員であるダシャー・クズネルは語ります。「非常に有用なモデルであり、多くの使用例がありますが、その改善が非常に難しいと感じています。」 AIが地震学を推進する RECASTの約束は、モデルの柔軟性、自己学習能力、スケーリング能力によって、より大規模なデータセットを解釈し、地震の連続中により良い予測を行うことができるということです。予測の改善に伴うモデルの進歩は、米国地質調査所やその他の機関が必要な情報を提供する能力を向上させる可能性があります。例えば、火災司令官や他の最初の対応者は、余震に関するより信頼性の高い予測から利益を得ることができます。ダシャー・クズネルは言います。「予測の側には改善の余地がたくさんあります。そして、様々な理由から、私たちのコミュニティは機械学習の側にはあまり取り組んでいません。保守的なこともありますし、これらは非常に重要な決定であるためです。」 RECASTモデルが注目される過去に余震予測についての研究は統計モデルに依存していましたが、研究者たちによれば、新たなデータの能力の爆発から利用可能な大規模なデータセットを扱うためには、これはスケールしないとのことです。 RECASTモデルのアーキテクチャは、連続した時間イベントの確率的生成モデルである神経時空ポイントプロセスの発展に基づいています。要するに、過去のイベントの履歴に基づいて次のイベントのタイミングを予測するために使用されるエンコーダー・デコーダーニューラルネットワークアーキテクチャを持っています。ダシャー・クズネルは、モデルを論文で公開しベンチマークを行うことによって、ETASができることをRECASTがすばやく学習できることを証明し、さらに多くの可能性を持っていると述べています。「私たちのモデルは生成モデルであり、自然言語処理モデルのように、大きな文や文の段落を生成でき、サンプリングして合成のカタログを作ることができます」とダシャー・クズネルは語ります。「この論文の一部は、古典的な地震学者にこれが正しいモデルであることを納得させるためにあります。過適合していないのです。」エンハンスドカタログで地震データを向上特定の地理的な地震データの地震カタログは小さい場合があります。それは今日まで、多くが地震計からの生データのランダムな記録を地震分析者が解釈しているためです。しかし、これもAIの研究者たちがリアルタイムでこれらのP波や他の信号をデータで自動的に解釈するためのモデルを構築している領域でもあります。一方で、エンハンストデータはこの空白を埋めるのに役立っています。地震カタログのラベル付けされたデータにより、機械学習エンジニアはこれらの生データのソースを再検討し、トレーニングデータとカテゴリの地震数を10倍から100倍に増やすためのエンハンストカタログを作成しています。「したがって、より多くのデータを収集するために新たな計器を配置するのではなく、データセットを強化するのです」とダシャー・クズネルは述べています。より大規模なデータセットを他の状況に適用する大規模なデータセットを用いることで、研究者たちはRECASTが標準のETASモデルに比べて改善された結果を見始めています。地震予測の最先端を推進するために、ダシャー・クズネルはUCバークレーの学部生チームと共同で、より良い予測のために複数の地域の地震カタログをトレーニングしています。「自然言語処理の類似性を念頭に置いています。日本の地震活動はカリフォルニアの地震に関する情報提供に有用である可能性が非常に高いです」と彼は述べています。「これは正しい方向に進んでいることが分かります。」 NVIDIA Omniverse…

「MITの研究者がPFGM++を紹介：物理学とAIの画期的な融合による高度なパターン生成」

生成モデリングの分野は、近年、高品質な画像を生成することができるモデルを作成しようとする研究者によって、重要な進展を遂げてきました。ただし、これらのモデルは、画像の品質と堅牢性の面で通常の支援が必要となります。この研究では、現実的な画像を生成すると同時に、モデルがエラーや摂動に対して強靭な状態を保つための適切なバランスを見つける問題に取り組んでいます。生成モデリングでは、研究者は視覚的に魅力的で一貫性のある画像を生成するためのさまざまな手法を探求しています。しかし、既存の多くのモデルに共通する問題は、エラーや逸脱に対する脆弱性です。この問題に取り組むため、研究チームはPFGM++（Physics-Inspired Generative Models）と呼ばれる革新的な手法を導入しました。 PFGM++は、既存のNCSN++/DDPM++アーキテクチャに基づき、摂動ベースの目標を訓練プロセスに組み込んでいます。PFGM++の特徴的なパラメータである「D」というパラメータは、モデルの振る舞いを制御する役割を果たします。このパラメータにより、モデルの堅牢性と高品質な画像生成のバランスを制御する手段が提供されます。PFGM++は、生成モデリングの世界において興味深い新加入であり、モデルの性能に大きな影響を与える動的要素を導入しています。PFGM++の概念とDの調整がモデルの振る舞いにどのように影響を与えるかについて、さらに詳しく見ていきましょう。 PFGM++の中でのDは、生成モデルの振る舞いを制御する重要なパラメータです。実質的には、研究者が画像の品質と堅牢性のバランスを調整するために回すことができるダイヤルです。この調整により、モデルは、高品質な画像の生成またはエラーに対する耐性を維持することが重要なさまざまなシナリオで効果的に動作することができます。研究チームは、PFGM++の有効性を示すために広範な実験を行いました。Dの異なる値（D→∞、D=64、D=128、D=2048、さらにはD=3072000）で訓練されたモデルを比較しました。生成された画像の品質はFIDスコアを使用して評価され、スコアが低いほど画像の品質が良いことを示します。その結果は驚くべきものでした。特定のD値（128や2048など）を持つモデルは、CIFAR-10やFFHQなどのベンチマークデータセットで、最先端の拡散モデルに比べて一貫して優れた結果を残しました。特に、D=2048モデルは、CIFAR-10で最小のFIDスコア1.91を達成し、以前の拡散モデルよりも大幅に改善されました。さらに、D=2048モデルはクラス条件付け設定での最新のFIDスコア1.74も樹立しました。この研究の重要な発見の1つは、Dの調整がモデルの堅牢性に大きな影響を与えることです。チームは、異なるエラーシナリオで実験を行い、それを検証しました。制御された実験：これらの実験では、研究者がモデルの中間ステップにノイズを注入しました。ノイズの量をαとし、αが増加すると、より小さいD値を持つモデルはサンプル品質の優れた劣化を示しました。一方、D→∞の拡散モデルはより急激な性能の低下を経験しました。たとえば、α=0.2の場合、D=64やD=128のモデルは引き続きクリーンな画像を生成する一方、拡散モデルのサンプリングプロセスは壊れました。訓練後の量子化：研究チームは、ニューラルネットワークにさらなる推定誤差を導入するために、ファインチューニングなしでニューラルネットワークにポストトレーニング量子化を適用しました。その結果、有限のD値を持つモデルの方が無限のDの場合よりも堅牢性が高いことが示されました。D値が低い場合は、ビット幅の低い量子化に対してより顕著な性能向上が見られました。離散化エラー：チームは、サンプリング中の関数評価回数（NFEs）を少なくすることによる離散化エラーの影響を調査しました。D=128のモデルと拡散モデルの間のギャップは次第に広がり、離散化エラーに対する堅牢性が高まっていることを示しました。D=64のようなより小さいD値は、D=128よりも一貫して性能が低い結果となりました。結論として、PFGM++は生成モデリングにおける画期的な追加です。パラメータDを導入し、微調整が可能になることで、モデルが画像の品質と堅牢性のバランスを達成する可能性が開かれました。経験的な結果は、特定のD値（例：128と2048）を持つモデルが、拡散モデルを上回り、画像生成の品質で新たな基準を設けていることを示しています。この研究からの重要なポイントの一つは、小さいD値と無限のD値の間に「最適な点」が存在することです。極端などちらも、最良のパフォーマンスを提供しません。この結果は、生成モデリングにおけるパラメータ調整の重要性を強調しています。

Android 14：より多様なカスタマイズ、制御、アクセシビリティ機能

「Android 14は個人的で保護的な機能を備え、ユーザーを最優先し、彼らの個性を祝福するためのものです」

Learn more about Search Results ML - Page 235