Search Results A

「AIと倫理の架け橋：医療実施における包括的な解決策」

「この記事では、AIの倫理的な考慮事項について掘り下げ、医療の分野でAIの力を責任を持ってかつ公正に活用する方法について検討します」

「LangChainエージェントを使用してLLMをスーパーチャージする方法」

「LangChainエージェントを使用すると、アプリケーション内でLarge Language Modelを拡張し、外部の情報源にアクセスしたり、自身でアクションを実行することができます」

「この新しいAI研究は、事前学習されたタンパク質言語モデルを幾何学的深層学習ネットワークに統合することで、タンパク質構造解析を進化させます」

科学的な探求には、魅力的で複雑な構造を持つタンパク質による魅力的で不思議な方法で重要な生物学的プロセスを支配する分子ワークホースが待ち受けています。しかし、タンパク質の複雑な3次元（3D）アーキテクチャを解釈することは、現在の解析方法の制約により長い間課題となってきました。この複雑なパズルの中で、幾何学的ニューラルネットワークの潜在能力を理解するための探求が展開されます。タンパク質構造の解明には困難な旅があります。これらの構造の本質は、生物学的機能を指示する3Dの領域に存在するため、その捕捉は困難な課題です。従来の方法は、より多くの構造データを必要とし、理解にはギャップが生じることがよくあります。一方で、別の探求の道が花開いています-タンパク質言語モデル。これらのモデルは、アミノ酸の線形な一次元（1D）配列を基に磨かれており、多様な応用において優れた能力を示します。しかし、タンパク質の複雑な3Dの性質を理解する能力の制約が生じたため、革新的なアプローチの誕生を促しました。 https://www.nature.com/articles/s42003-023-05133-1 研究の突破口は、幾何学的ニューラルネットワークとタンパク質言語モデルという2つの異なる領域の融合にあります。独創的でありながら洗練されたシンプルなアプローチは、幾何学的ネットワークに言語モデルから得られた見識を注入することを目指しています。課題は、1Dの配列の理解と複雑な3D構造の理解とのギャップを埋めることです。解決策は、ESM-2などのよく訓練されたタンパク質言語モデルの支援を借りて、タンパク質配列の微妙なニュアンスを解読することです。これらのモデルは、配列のコードを解き明かし、重要な情報を包括する残基ごとの表現を生成します。これらの表現は、配列に関連する洞察の宝庫であり、高度な幾何学的ニューラルネットワークの入力特徴に無理なく統合されます。この結合により、ネットワークは1Dの配列に埋め込まれた豊富な知識のリポジトリを活用しながら、3Dタンパク質構造の複雑さを理解する能力が強化されます。提案されたアプローチは、1Dの配列解析と3D構造理解の調和のとれた統合を通じて展開され、重要な2つのステップから成ります。旅はタンパク質配列から始まり、タンパク質言語モデルの領域に進出します。ESM-2はこの領域での先駆者であり、アミノ酸配列の隠された言語を解読し、残基ごとの表現を生成します。これらの表現は、パズルの断片のように、配列の本質を捉えます。スムーズに、これらの断片は高度な幾何学的ニューラルネットワークの構造に織り込まれ、入力特徴を豊かにします。この共生的な融合により、ネットワークは3D構造解析の制約を超え、1D配列に埋め込まれた知識の深い領域を取り込みながら旅立つことができます。科学の進歩の歴史において、幾何学的ニューラルネットワークとタンパク質言語モデルの結合は新たな時代を予感させます。研究の旅はタンパク質構造解析によって提示される課題に対処し、現在の方法の制約を超える革新的な解決策を提供します。配列と構造が融合すると、機会のパノラマが広がります。提案されたアプローチは、1Dの配列と3Dの構造の世界を結ぶ橋であり、タンパク質構造解析を豊かにするだけでなく、分子生物学のより深い領域を照らすことを約束します。この融合により、包括的なタンパク質解析が理解の未知の領域に光を投げかける、変革的な物語が形作られます。

「PyTorch ProfilerとTensorBoardを使用して、データ入力パイプラインのボトルネックを解消する」

「これは、GPUベースのPyTorchワークロードのパフォーマンス分析と最適化に関するシリーズ投稿の4番目の投稿ですこの投稿では、トレーニングデータの入力に焦点を当てます...」

「マシンラーニングによるNBAの給与予測」

NBAは、スポーツの中でも最も利益の上がる競争力のあるリーグの一つとして際立っていますここ数年、NBA選手の給与は上昇傾向にありますが、その背後には感動的なものがあります...

スタンフォードの研究者たちは、DSPyを紹介します：言語モデル（LM）と検索モデル（RM）を用いた高度なタスクの解決のための人工知能（AI）フレームワーク

言語モデルと検索モデルを使用することで、さまざまな複雑なタスクを簡単に解決することができます。言語モデル（GPT-3など）は、受け取った入力に基づいて人間らしいテキストを生成するために設計されています。一方、検索モデルは、データベースやドキュメントのコレクションから関連する情報を取得するために使用されます。解決したいタスクを明確に定義することで、新しいテキストを生成するか、既存の情報源からデータを取得するかが決まります。 GPT-3や同様のモデルを使用する場合、タスクを説明するプロンプトを提供し、モデルに基づいてテキストを生成させる必要があります。望ましい出力を得るために、プロンプトの文言や構造を試行錯誤する必要があります。これには、言語モデルから生成されたテキストとデータベースから取得した情報を組み合わせることが含まれる場合があります。これには、取得した情報に基づいて要約や洞察を生成することも含まれます。スタンフォード大学の研究者たちは、言語モデル（LM）と検索モデル（RM）を使用して高度なタスクを解決するためのフレームワークを構築しました。それをDSPyと呼んでいます。 DSPyには、LMをプロンプトし、微調整し、推論と検索の拡張を改善するためのさまざまな技術が含まれています。 DSPyは、Pythonicな構文を基にしており、LMへの指示のための組み立て可能で宣言的なモジュールを提供しています。 DSPyには、プログラムの宣言的なステップを実行するためにLMをトレーニングする自動コンパイラもあります。このコンパイラは、手動で中間段階のラベルを必要とせずに、最小限のデータから微調整を行うことができます。これにより、文字列操作の代わりにモジュールとトレーニング可能なパーツの体系的な空間を使用します。 DSPyでは、書いたプログラムをコンパイルするための2つのシンプルな概念、「シグネチャ」と「テレプロンター」を使用します。シグネチャは、DSPyモジュールの入出力の動作の宣言的な仕様です。一方、テレプロンターは、任意のプログラムのモジュールに対して効果的なプロンプトを学習してブートストラップし、選択することができる強力な最適化ツール（DSPyに含まれています）です。シグネチャは、サブタスクの最小限の説明と、LMに対して尋ねられる1つ以上の入力質問から構成されます。また、LMから期待される質問の回答も説明します。テレプロンターは、自動的な遠隔プロンプトです。他のものと比較して、DSPyは非常に少ないラベリングが必要とされると言います。ユーザーのパイプラインをサポートするために必要な中間ラベルをブートストラップします。 DSPyフレームワークは他のライブラリと大きく異なるため、使用ケースに基づいて使用するタイミングを容易に正当化できます。研究者によると、この統一されたフレームワークは、NLP/AIの研究者や新しいパイプラインや新しいタスクを探索して高度で複雑な問題を解決しようとする人にとって役立つものだと言います。使いやすくするために、インストールユーザーマニュアルが公開されています。さらに、将来的には様々な入門チュートリアルやリファレンス資料を公開する予定です。

「OpenAIが大企業向けのChatGPTバージョンをリリース予定」

「OpenAIは、おそらく世界の大規模言語モデルのリーダーと言えるAI企業であり、大企業のニーズに焦点を当てたChatGPTのバージョンをリリースすると発表しましたReutersによると、この製品はChatGPT Enterpriseと呼ばれ、より高いプライバシー、セキュリティ、および速度を提供する予定ですこれは...」

高度なチュートリアル：Matplotlibを絶対的なボスのようにマスターする方法

「データ可視化を学ぶ初心者の頃、私はルールを持っていました —— Matplotlibのドキュメントには絶対に行かないことそこからは何も良いことが起こりませんでしたそのページを見ていると、私の目は…」

「メールの生産性を革新する：SaneBoxのAIがあなたの受信トレイの体験を変える方法」

生産性について誰かが書くたびに、暗い情景を描くことから始めるようです。「今日のデジタル時代では、誰も何もできない…」または「何かをやり遂げることに絶望的な気持ちになるかもしれません。」しかし、実際は、私たちのほとんどは少し助けが必要です。私たちはかなり上手にやっていますが、より少ない邪魔があれば生活はずっと簡単です。AIが登場し、生産性を向上させる驚異的な能力を持っています。はい、最近はたくさんの情報が流れてきます。通知、タスクリスト、常に注意を引きつけようとする受信トレイなど、私たちの毎日の生産性に影響を与えることができます。しかし、おそらくタスクに溺れているわけではなく、優先順位をつけることができないわけでもありません。そして、あなたは完璧ではありません。それがAIの役割です。課題が増えるにつれて、AIは私たちの働き方を革新する画期的なツールであることを証明しています。AIはデータから学習し、単調なタスクを自動化するための知的な決定を行うことができます。個人の生産性の世界では、AIは混乱を取り除き、プロセスを最適化し、時間を最大限に活用するためのガイドとなることができます。AIメール革命をリードするプラットフォームの1つであるSaneBoxは、AIを活用してあなたのメール体験を変革します。生産性の課題「一生懸命働く」ということが「生産的である」ということを意味すると素敵でしょう。しかし、常にそうとは限りません。実際、生産性は通常、「効率的に働く」が「一生懸命働く」に取って代わるときに向上します。私たちが最大限に生産的になるのを妨げようとする障害はたくさんあります。それらは私たちの職業的な人生だけでなく、私たちの個人的な人生でも課題を提起します。なぜ私たちは生産性が低下しているのでしょうか？情報過多：情報へのアクセスがたくさんあることは、常にデータが押し寄せてくることを意味します。記事、通知、メッセージ、アップデートが私たちに向かって常にやってきます。価値のある情報を見つけるために情報の海を選別すること自体がタスクになってしまいます。注意散漫：ピン！別のソーシャルメディアの通知です。トレンドのあるYouTubeの動画や友達のInstagramの投稿に引き込まれることが頻繁にあります。これらの気を散らす要素は私たちの集中力を分断し、簡単なタスクを数時間にも引き伸ばします。メールの混乱：メールはコミュニケーションを迅速かつ簡単にするためのものです。しかし、ほとんどの人にとって現実は、受信トレイに数百（または数千！）の未読メッセージが溜まっているということです。宣伝メール、アップデート、仕事に関連するメッセージなどがすべて同じ場所に集まります。それらを選別する作業は時間のかかる雑用です。生産性の低下のコストストレス：タスクが積み重なり、締め切りが迫るにつれて、精神的な負担が現実のものになります。私たちはストレスの潜在的な危険性を知っています。職業生活だけでなく、体にも。締め切りの見落とし：生産性の低下は、タスクが予想より時間がかかることを意味します。締め切りを逃すと、職業的な評判を損ない、クライアントの関係を悪化させ、さらには金銭的なペナルティを引き起こす可能性があります。仕事の品質の低下：追いつくために急いだり、絶えず気を散らすと、私たちの仕事の品質は低下します。エラーがより頻繁に起こり、出力の水準が本当の能力を反映しないかもしれません。時間を取り戻し、効率を向上させるためには、これらの課題を理解し、対処することが重要です。幸いなことに、私たちのAIパワードな仲間が助けを提供してくれます。 SaneBoxとそのAIの理解 SaneBoxは、単なるメール管理ツール以上のものです。それはメールの絶え間ない流入に圧倒されている人々にとって、現代の救世主です。私たちの世界はごちゃごちゃしています。SaneBoxは受信トレイを選別し、あなたが最も重要なものだけを見るようにするエレガントな解決策を提供します。それは整理し、優先順位をつけ、メールの体験を効率化するために設計されています。目標は、あなたが受信トレイから離れ、時間を重要なことに集中できるようにすることです。 SaneBoxのAIはどのように動作するのですか？ SaneBoxの優れた性能の中心には、最先端の人工知能があります。しかし、それがどのように機能するのでしょうか？過去の学習：SaneBoxを使い始めると、AIは過去のやり取りを学習してゼロから始めることはありません。SaneBoxは、あなたが関与するメール、無視するメール、削除するメールを学習します。優先度のソート：SaneBoxのAIは、”脳”を構築した後、緊急と非緊急のメッセージを区別し始めます。重要なものは受信トレイの中心に表示され、それ以外のメッセージはSaneLaterというフォルダに移動されます。SaneLaterフォルダに含まれる内容を日次の概要で確認し、自分の都合に合わせてクリアすることができます。継続的な適応：このAIシステムの美しいところは、動的であるということです。あなたの好みや優先事項が変わるにつれて、AIも適応します。例えば、以前は無視していたニュースレターに対して相互作用を開始した場合、SaneBoxはこの行動の変化を認識し、それらのメッセージの処理方法を調整します。要するに、SaneBoxのAIは個人のメールアシスタントとして機能します。それは裏で継続的に作業し、受信トレイが生産性を高める場所となるようにします。 SaneBoxがあなたの生産性を救う方法メールは祝福と呪いの両方になっています。それは主要なコミュニケーション手段ですが、多くの人々が毎日受け取るメールの数は圧倒的です。SaneBoxは、このよくあるメールの圧倒感に立ち向かうためのいくつかの革新的な解決策を提供しています。…

「Nous-Hermes-Llama2-70bを紹介します：30万以上の命令にファインチューニングされた最先端の言語モデル」

ハグフェイス・トランスフォーマーは、Pythonで非常に人気のあるライブラリであり、さまざまな自然言語処理タスクに非常に役立つ事前学習済みモデルを提供しています。以前はPyTorchのみをサポートしていましたが、現在はTensorflowもサポートしています。Nous-Hermes-Llama2-70bは、数十万の命令を使用するNLP言語モデルです。このモデルは、モデルのトレーニング中に深刻な変更がないように、古いヘルメスモデルと同じデータセットを使用し、プロセスがさらにスムーズになるようにしています。このモデルにはまだいくつかの欠点があり、幻覚率が低く、OpenAIの検閲がないということです。モデルのトレーニングは、非常に高いデータ量とスタイルを持つ大規模なデータセットで行われました。データはさまざまなソースから収集され、1つのデータセットに統合されたため、処理されたデータセットには多様な知識があります。データセットはTeknium、Karan4D、Emozilla、Huemin Art、Pygmalion AIなどのさまざまなソースからデータを収集しました。このモデルはアルパカモデルを使用してトレーニングされています。研究チームは、アルパカの評価を行うために、自己指示評価データセットからの入力に対して人間の評価を行いました。研究者はこの評価セットを収集し、ほとんどすべてをカバーする多様なユーザ志向の指示をカバーしています。研究者はまた、実行されたこのモデルにもプロンプトエンジニアが利益を得ることができると述べています。研究者は、上記の資産を公開することで、学術コミュニティが指示に従う言語モデルに関する制御科学的研究を実施し、最終的にはこのモデル内の既存の欠陥に対処する新しい技術を生み出すことができると信じています。アルパカのインタラクティブなデモの展開には、有害なコンテンツをより広く普及させ、スパムの可能性を低下させるなどの潜在的なリスクがあります。NLPにおけるスパム検出技術もこのモデルで重要な役割を果たします。研究者は、これらの緩和策を達成できると理解しています。モデルの重みを公開するか、ユーザが自分の指示に従ってモデルをトレーニングすることによって。このプロジェクトの将来の計画には、高品質のデータを反復し、低品質のデータを削除するための技術を適用することも含まれます。研究者はまた、アルパカをより厳密に評価する必要があります。さらに、より生成的な情報を収集できると期待されるHELMモデルから始める予定です。研究者はまた、アルパカのリスクを研究し、その安全性をさらに向上させることを目指します。

Learn more about Search Results A - Page 259