Search Results A

「ティーンエイジャーの薬の追跡デバイスがCVS Pharmacyの関心を引く」

「米国の薬局チェーン、CVSは、ヴァージニア州の高校生アルチシュマ・マラプが作成した薬の追跡デバイスに興味を持っています」

「データサイエンティストには試してみるべきジェンAIプロンプト」

「データサイエンティストのためのGen AIの力を探求する以下には、データサイエンティストを支援するためのいくつかの必須のGen AIプロンプトがあります」

マイクロソフトと香港浸会大学の研究者が、WizardCoder A Code Evol-Instruct Fine-Tuned Code LLMを紹介しました

大規模言語モデル（LLM）は最近注目を集め、驚異的な成功を収めています。特にOpenAIのChatGPTは注目すべき例です。これらのモデルは、インターネットの大量のデータでの重要な事前学習と、精密な指示データでのさらなる微調整を利用することで、様々なタスクにおいて最先端のゼロショットパフォーマンスを達成しています。このパターンはコードの理解と生成でも見られます。コードを使用する活動に固有の難しさに対処するために、多くのコードLLMが提案されています。これらのコードLLMは大量のコードデータを利用して事前学習を行い、コードに関連する様々な活動で優れたパフォーマンスを発揮することができます。しかし、事前学習フェーズに主眼を置いた従来のコードLLMとは異なり、コード領域における細かい指示の調整についてさらなる研究が必要です。様々な活動におけるLMの汎化能力を向上させるために、指示の微調整が最初に使用されました。例えば、OpenAIのInstructGPTは、人間の注釈者に具体的な指示を提供してユーザーの目標との一致を確認するよう求めました。最近の取り組みであるAlpacaは、自己指導アプローチを使用して指示データを生成するためにChatGPTを利用しました。Vicunaは、ユーザーがShareGPT.comに投稿したチャットを利用しました。WizardLMはEvol-Instructアプローチを確立し、現在の指示データを修正してより複雑で多様なデータセットを生成しました。ただし、これらの技術は、一般的なドメインに主眼を置くことが多く、コードドメインを特に考慮して設計すべきであることに注意する必要があります。このプロジェクトのMicrosoftと香港浸会大学の研究者は、コード固有のEvol-Instructを使用して詳細なコード指示データを生成することで、オープンソースのCode LLMであるStarCoderの機能を向上させることを目指しています。これを実現するために、コーディングに関わる活動に特化したいくつかの方法で進化的なプロンプトプロセスを変更しました。進化的なプロンプトは簡素化され、進化的な指示が改善され、コードのデバッグや時間・空間の制約が含まれるようになりました。彼らのアプローチは最初に基本的なCode Alpacaの指示データを開発するために使用されます。次に、新たに開発されたコード指示に従うトレーニングセットを使用してStarCoderを微調整し、WizardCoderを得ます。彼らのWizardCoderは、HumanEval、HumanEval+、MBPP、およびDS-100の4つのコード生成ベンチマークの実験結果によると、他のすべてのオープンソースのCode LLMを凌駕し、最先端のパフォーマンスを達成します。HumanEvalでは、pass@1スコアが著しく向上し、HumanEvalで+22.3（57.3 vs 35.0）の増加、MBPPで+8.2（51.8 vs 43.6）の増加が見られます。驚くべきことに、WizardCoderは、AnthropicのClaudeやGoogleのBardよりも、HumanEvalとHumanEval+における合格率において優れた結果を示しています。それにもかかわらず、WizardCoderはかなり小さいにも関わらず、主要なクローズドソースのLLMであるClaude、Bard、PaLM、PaLM-2、およびLaMDAを超えてコード生成の面で優れています。以下は、この研究の貢献の要約です: • コードのEvol-Instructを適用したWizardCoderは、オープンソースのCode LLMであるStarCoderの機能を向上させます。 • WizardCoderは、コード生成の面でStarCoder、CodeGen、CodeGee、CodeT5+、InstructCodeT5+、StarCoder-GPTeacher、Instruct-Codegen-16Bを含む他のすべてのオープンソースのCode LLMを大きく凌駕しています。 • サイズがかなり小さいにもかかわらず、WizardCoderはClaude、Bard、PaLM、PaLM-2、およびLaMDAを含む主要なクローズドソースのLLMを超えてコード生成の面で優れています。

「生成AIにおけるニューラル微分方程式の探索」

はじめに生成AIは大きく進化し、新しい多様なデータを生成するためのさまざまな技術が含まれるようになりました。GANやVAEなどのモデルが注目を集めていますが、あまり探求されていないが非常に興味深い領域として、ニューラル微分方程式（NDEs）の世界があります。本記事では、Generative AIにおけるNDEsの未知の領域に深く掘り下げ、その重要な応用と包括的なPython実装を紹介します。この記事はData Science Blogathonの一環として公開されました。ニューラル微分方程式の力ニューラル微分方程式（NDEs）は微分方程式とニューラルネットワークの原理を組み合わせたものであり、連続かつ滑らかなデータを生成するダイナミックなフレームワークを生み出します。従来の生成モデルは、離散的なサンプルを生成することが多く、その表現力が制限されており、時系列の予測、流体力学、現実的な動きの合成など、連続的なデータが必要なアプリケーションには適していません。NDEsは、連続的な生成プロセスを導入することで、時間とともに滑らかに進化するデータの生成を可能にし、このギャップを埋めます。ニューラル微分方程式の応用時系列データ時系列データは、金融市場から生理学的信号まで、さまざまな領域で頻繁に使用されるデータです。ニューラル微分方程式（NDEs）は、時系列生成の画期的なアプローチとして登場し、時間的な依存関係を理解しモデル化するための独自の視点を提供します。微分方程式の優雅さとニューラルネットワークの柔軟性を組み合わせることで、NDEsは連続的に進化するデータを精巧に合成するAIシステムを可能にします。時系列生成の文脈では、NDEsは流体の時間的な遷移の調整者となります。彼らは隠れたダイナミクスを捉え、変化するパターンに適応し、将来に予測を外挿します。NDEベースのモデルは、不規則な時間間隔を巧みに扱い、ノイズのある入力を受け入れ、正確な長期予測を容易にします。この驚異的な能力により、予測の景色が再定義され、トレンドの予測、異常の予測、およびさまざまな領域での意思決定の向上が可能になります。 NDEによる時系列生成は、AIによる洞察を提供します。金融アナリストは市場のトレンドを予測するために、医療従事者は患者のモニタリングに、気候科学者は環境変化を予測するためにそれを利用しています。NDEの連続的かつ適応的な性質は、時系列データを生き生きとさせ、AIシステムが時間のリズムと調和して踊ることを可能にします。物理シミュレーション物理シミュレーションの領域に進むと、ニューラル微分方程式（NDEs）は、自然現象の複雑な模様を解き明かすことができる才能豊かな存在として現れます。これらのシミュレーションは、科学的な発見、エンジニアリングのイノベーション、およびさまざまな分野での創造的な表現の基盤となっています。微分方程式とニューラルネットワークを融合させることで、NDEsは仮想世界に生命を吹き込み、複雑な物理的プロセスを正確かつ効率的にエミュレーションすることが可能になります。 NDEによる物理シミュレーションは、流体力学から量子力学に至るまで、私たちの宇宙を支配する法則を包括して再現します。従来の方法では、広範な計算リソースと手動のパラメータ調整が必要でしたが、NDEsは明示的な方程式の設定を回避し、動的なシステムに学習し適応することで、シミュレーションのワークフローを加速し、実験を迅速化し、シミュレーションの範囲を拡大します。航空宇宙、自動車、エンターテイメントなどの産業は、NDEによるシミュレーションを活用して設計を最適化し、仮説を検証し、現実的な仮想環境を作り出しています。エンジニアや研究者は、以前は計算上困難なシナリオを探求し、未知の領域を航海します。要するに、ニューラル微分方程式は、仮想と具体的な世界の間に橋を架け、デジタル領域内で物理学の複雑な交響曲を具現化します。モーション合成モーション合成は、アニメーション、ロボティクス、ゲームなどにおける重要な要素であり、ニューラル微分方程式（NDEs）はそこで芸術的かつ実用的な能力を発揮します。従来、自然で流体的なモーションシーケンスの生成は、基礎となるダイナミクスの複雑さにより課題がありました。NDEsはこの領域を再定義し、AIによるキャラクターやエージェントに人間の直感とシームレスに共鳴するような生命のあるモーションを与えます。 NDEsは連続性をモーション合成に与え、ポーズや軌跡をシームレスにリンクし、離散的なアプローチによるジャリングしたトランジションを排除します。彼らはモーションの基礎的なメカニクスを解読し、キャラクターに優雅さ、重み、反応性を注入します。蝶の羽ばたきのシミュレーションからヒューマノイドロボットのダンスの振り付けまで、NDEによるモーション合成は創造性と物理学の調和の取れた融合です。非破壊検査（NDE）駆動のモーション合成の応用は広範で変革的です。映画やゲームでは、キャラクターが真正さを持って動き、感情的な関与を引き起こします。ロボティクスでは、機械が優雅かつ精密に環境を移動します。リハビリテーション装置はユーザーの動きに適応し、回復を促進します。NDEが指揮することで、モーション合成は単なるアニメーションを超え、作成者と観客の両方に共鳴する動きのシンフォニーを編成するための道となります。ニューラル微分方程式モデルの実装 NDEの概念を説明するために、PythonとTensorFlowを使用して基本的な連続時間VAEを実装してみましょう。このモデルは連続的な生成プロセスを捉え、微分方程式とニューラルネットワークの統合を示しています。（注：以下のコードを実行する前に、TensorFlowと関連する依存関係をインストールしてください。）…

OpenAIはGPT-3.5 Turboのファインチューニングによるカスタムパワーを解放します

人工知能の絶え間なく進化する世界で、OpenAIは革命的なアップデートを解放しました。それは、私たちが機械とどのようにインタラクトするかを再定義するものです。新しい仲間はGPT-3.5 Turboで、ファインチューニングの力を前面に押し出しています。これにより、テキスト生成の能力で知られるAIが特定のタスクや振る舞いに合わせてカスタマイズできるようになり、無限の可能性が開かれます。また読む：GPTBotの公開：OpenAIのウェブクローリングへの大胆な一手期待を上回る：GPT-3.5 Turboの著名な特徴 GPT-3.5 Turboはただのアップグレードではありません。OpenAIは大胆にも、この軽量AIのファインチューニングバージョンが、ある特定のタスクでGPT-4と肩を並べるか、さらに優れることを主張しています。まるでお気に入りのアンダードッグが一躍チャンピオンに挑戦するようです。 AIの可能性を解き放つ：GPT-3.5 Turboの新しいカスタマイズ GPT-3.5 Turboの登場以来、開発者やビジネスは個別のカスタマイズを望んでいました。OpenAIはその声に応えました。このアップデートにより、開発者は意図した役割で優れたモデルを作り上げることができ、ユーザーにはユニークでパーソナライズされた体験を提供することができます。特定の言語を模倣したり、回答のフォーマットを完璧にしたり、理想的なトーンを追求したりするために、GPT-3.5 Turboは今や選択肢のツールとなりました。また読む：パーソナライズされたAIインタラクションのためのChatGPT用カスタムインストラクションの開始無駄を削ぎ落とす：短いプロンプト、高速な結果ここには最高の仕上げがあります：ファインチューニングによってAIはよりスマートになるだけでなく、より効率的になります。GPT-3.5 Turboを使用するビジネスは、プロンプトのサイズを縮小することでAPI呼び出しを高速化し、コストを節約することができます。初期のテストでは、ファインチューニングによってプロンプトのサイズが最大90%削減されたと報告されています。可能性を解き放つ：輝くユースケースファインチューニングは単なる言葉ではなく、AIのスーパーパワーです。ブランドの声に共鳴するチャットボットや、瞬時にタグラインやソーシャル投稿を作り出す広告の天才を想像してみてください。GPT-3.5 Turboは翻訳を革新し、レポートの作成を効率化し、コードを生成し、テキストを要約することも可能です。そのポテンシャルは無限です。また読む：10分でPythonでGPT-3.5を使用した書籍サマライザーを作成する肝心なのは：ファインチューニングの仕組みファインチューニングは魔法のように聞こえますが、それは科学です。データの準備、ファイルのアップロード、OpenAIのAPIを介したファインチューニングジョブの作成がプロセスのスタートです。しかし、全てがスムーズに進むわけではありません。ファインチューニングされたデータは、安全基準を確保するためにモデレーションAPIとGPT-4パワードのモデレーションシステムによる厳格なチェックを受けます。しかし、それだけではありません！OpenAIはファインチューニングUIも導入する予定で、プロセスをよりスムーズにします。また読む：大規模言語モデルのファインチューニングの包括的なガイド数字を計算する：コストはいくらか？…

「2023年に使用するためのトップ10のAI写真編集ソフト」

現在のデジタル時代は、あらゆるものをキャプチャして保存するための広範な範囲を提供しています。思いがけない瞬間に起こる貴重な思い出を永久に保持するための最良の方法は、写真です。高度な編集技術によって、私たちは自分のニーズに応じてそれらを変更することで、思い出の品質を向上させることができます。写真は、視覚的なインパクトを洗練させることを目指す創造性のプラットフォームを提供しています。 AIの導入により、タスクが容易になり、写真編集業界が革命を遂げました。AIパワードのツールは創造性を向上させるための新しいアイデアを提供します。技術的な専門知識を要求せずに、数多くのオンラインのAI写真エディタは短時間で創造性を引き出すことができます。以下は、要件に応じて考慮すべき最高のAI写真エンハンサーのオプションです。 AI写真エディタ/エンハンサーとは何ですか？それは画像を編集、変更、強化するために割り当てられたAIアルゴリズムで構成されたソフトウェアアプリケーションです。AI写真エディタまたはエンハンサーは、コンテンツと特徴を正確に識別するための高度な機械学習アルゴリズムを備えています。提供された画像の利用可能な機能に基づいて効率的な意思決定プロセスを通じて必要な変更を行います。さらに、この技術により編集がスピードアップし、画像がより魅力的になります。 AI写真エディタは、オブジェクト認識、色補正、露出調整、フィルターの追加、効果、背景補正、画像ライブラリのタイポグラフィなど、画像の数多くの特徴を拡大するために特別に設計されています。これらのツールは革新者や創造的なマインドを持つ人々を支援し、写真編集のゲームを引き上げます。トップ10のAI写真エディタ以下のリストは、トップ10のAI写真エディタツールを確認するのに役立ちます。 Adobe Photoshop Adobe Photoshopは、画像編集の世界で最も古い名前です。主にAdobe Photoshopはデジタルアート、グラフィックデザイン、写真編集に使用されています。Adobe Photoshopは1988年に発売されました。AIの高度な機能を取り入れることで、プロの写真、広告、グラフィックデザイン、ウェブデザインなどで使用されるソフトウェアは新たな高みに達しました。特徴ピクセルレベルの精度で望ましくない大きなオブジェクトを短時間で除去するウェブとモバイルの両方で美しく編集し、革新的な結果を作成する高度なライティング調整とカラーコレクションを提供するより細かいレベルで画像をトリミング、回転、整列する高度な修正機能を提供する次のステップの提案により、編集が明確で効率的になるグラデーションを作成するためのキャンバス上での制御を提供する価格サブスクリプション前の7日間の無料トライアルプレミアムプラン:…

「クロード2 AIチャットボットの使い方 – 新しいChatGPTの競合者」

イントロダクション複数のAIチャットボットの中でも新たな競争相手、Claude 2に会いましょう。Anthropicによって開発されたChatGPTの新しい競合製品で、まだオープンベータ版ですが、非常にインタラクティブです。メールアドレスを通じた簡単なアクセスを通じて、異なる使いやすいユーザーインターフェースを提供します。この記事では、Anthropicの新しいClaude 2 AIチャットボットに詳しく触れ、異なるトピックでの対話能力と視点を明らかにします。AIを判断し、自分自身の内省を始めることも自由です。 Claude 2 AIチャットボットとは？ Claude 2 AIチャットボットは、米国のAIスタートアップAnthropicによって開発されたAIのデビュー作品です。OpenAIの優れたエキスパートたちが設計した、自然言語処理を通じて人間と対話することができるLarge Language Model（LLM）を搭載した生成型AIチャットボットです。このAIは、ChatGPTやBardなどの他の一般公開されているチャットボットと同様に効率的な機能を発揮することができます。AIの安全性とセキュリティは、人権の普遍的宣言に基づいています。 Claude 1はビジネス専用でしたが、Claude 2は一般の利用に向けて使用されています。Claude 2は、バーエグザムの多肢選択問題で76.5％、GREの読解・文章作成の部分で90パーセンタイルのスコアを獲得しました。また、以前のバージョンと比べてより優れたコーディングを誇り、Pythonのコーディングテストで71.2％のスコアを獲得しました。このAIチャットボットは現在オープンベータ版であり、無償ユーザー向けの利用は制限されています。 Claude 2 vs. ChatGPT Claude 2の使い方 Claude…

Relume AIによって生成されたワイヤーフレームとサイトマップ

もしウェブサイトをデザインする必要がある場合、Relumeを試さないのは愚かです

「マイクロソフトのAzureとGoogleのCloud Platformの比較」

導入 Microsoft AzureとGoogle Cloud Platformは、クラウドコンピューティングの2大巨頭です。この2つの中で、Microsoft Azureは最も効果的かつ適応性のあるソフトウェアソリューションを提案している一方、Google Cloud Platform（GCP）は高度なビッグデータ分析ソリューションを提供し、他のベンダー製品とのシンプルな統合を可能にしています。2023年初めの時点で、Azureは世界で2番目に大きなクラウドサービスとなる23%の市場シェアを獲得し、同時にGoogle Cloudは11%の市場シェアを持っていました。それでは、Microsoft AzureとGoogle Cloud Platformの違いを詳しく探って、最適な選択肢を理解してみましょう。 Azure vs GCP：概要以下の比較表は、AzureとGCPの間のいくつかの主な特徴の違いを示しています。特徴 Microsoft Azure Google Cloud Platform（GCP）設立 2010年に開始…

ハギングフェイスがSafeCoderを導入：エンタープライズ向けに構築されたコードアシスタントソリューション

コードアシスタントソリューションは、開発者がコードを書くときや編集するときに支援するツールやソフトウェアアプリケーションです。コードアシスタントソリューションは、その重要性の高さから最近広く利用されています。この分野の進歩のために、実験や研究の取り組みが世界中で行われています。これらのコードアシスタントソリューションはLLMを基に構築されています。GitHub Copilot、TabNine、IntelliCodeなどがその一例であり、これらのソリューションは生産性の向上をもたらします。これらのプラットフォームは、文脈に即したコードの提案や補完を提供することで生産性を大幅に向上させています。その影響はソフトウェア開発プロセスの効率改善に大きく貢献しています。しかし、これらのコードアシスタントを使用することには問題があります。これらのアシスタントを使用することで、コードベースが第三者に公開される可能性があります。ファインチューニングされたCode LLMは、学習中および推論中にトレーニングデータセットからコードが漏洩する可能性があるため、コードベースは第三者に開示されます。SafeCoderでは、顧客がモデルの作成と更新のプロセスを学び、AIの機能を自社で管理することを可能にします。そのため、Hugging Faceの研究者はこれらのコードアシスタントソリューションを徹底的に研究し、SafeCoderという方法を提案しました。この方法では、顧客のプライベートなコードベースでモデルをファインチューニングし、最先端のオープンモデルとライブラリを活用します。重要な点は、このプロセスにより、顧客のコードはHugging Faceや外部のエンティティと共有されることはないということです。SafeCoderの基本原則は、顧客の内部コードベースが学習または推論中にいかなる第三者（Hugging Faceを含む）にもアクセスされないことです。コードはトレーニングと推論の間、仮想プライベートクラウド（VPC）内に閉じられ、その完全性が保たれます。 StarCoderは、15兆パラメータを備えた頑強なトレーニングを経ており、コードの最適化技術を組み込んでいます。Flash Attentionの統合により、モデルの効率性がさらに向上し、8,192トークンの文脈を包括することができます。80以上のプログラミング言語でトレーニングされ、複数のベンチマークで最先端のパフォーマンスを提供します。研究者は、ユーザー固有のコード提案を提供するためのオプションのトレーニングフェーズに取り組みました。Hugging Faceチームは顧客のチームと緊密に協力し、トレーニングデータセットのキュレーションと構築のためのステップバイステップのガイダンスを提供しました。このプロセスは、ファインチューニングを通じてパーソナライズされたコード生成モデルを作成するまで続き、最大限のプライバシーが確保されます。 SafeCoderの展開フェーズでは、顧客はHugging Faceが提供するコンテナを自社のインフラストラクチャに実装することで主導権を握ります。これらのコンテナは、NVIDIA GPU、AMD Instinct GPU、Intel Xeon CPU、AWS Inferentia2、Habana Gaudiアクセラレータなどのオプションを含め、顧客の特定のハードウェアセットアップに合わせて設定されます。SafeCoderのエンドポイントを顧客のVPC内に展開し、有効化すると、開発者は対応するSafeCoder IDEプラグインを統合することができます。この統合により、開発者は作業中にリアルタイムのコード提案を受け取ることができます。将来的には、SafeCoderは商業的に許可される他のオープンソースモデルを提供するかもしれません。これらのモデルは、倫理的に信頼性のあるデータセットを基にしており、ファインチューニングに使用できる基本的なLLMとして利用できます。

Learn more about Search Results A - Page 270