Search Results A

「FraudGPTと出会ってください：ChatGPTのダークサイドの双子」

ChatGPTは人々の仕事やオンラインでの検索内容に影響を与え、人気を集めています。AIチャットボットの潜在能力に興味を持つ人々は、試したことがない人でも多くいます。生成モデルの普及により、潜在的な危険性の性質が変化しました。FraudGPTの出現についての証拠は、最近のダークウェブフォーラムのスレッドで見ることができます。サイバー犯罪者は、このトレンドから利益を得る方法を調査しています。 Netenrichの研究者たちは、「FraudGPT」という有望な新しい人工知能ツールを発見しました。このAIボットは、スピアフィッシングメールの送信、クラッキングツールの開発、カーディングなど、悪意のある活動に特化して構築されています。この製品は、ダークウェブのマーケットプレイスやTelegramアプリで購入することができます。 FraudGPTとは何ですか？ ChatGPTと同様に、サイバー攻撃で使用するためのコンテンツを生成する能力が追加されたFraudGPTは、ダークウェブやTelegramを通じて購入することができます。2023年7月、Netenrichの脅威研究チームのメンバーは、その広告が掲載されているのを最初に目にしました。FraudGPTのセールスポイントの一つは、ChatGPTが疑問のあるクエリに対して反応しないようにするためのセーフガードと制限が必要であるということです。提供された情報によると、このツールは毎週または2週間ごとに更新され、さまざまなタイプの人工知能を使用しています。FraudGPTの主な支払い方法は定期購読です。月額200ドル、年間会員は1,700ドルです。どのように機能しますか？ Team NetenrichはFraudGPTを購入し、試してみました。レイアウトはChatGPTと非常に似ており、左サイドバーにユーザーのリクエストの履歴が表示され、チャットウィンドウが画面の大部分を占めています。ユーザーは質問を提供するボックスに入力し、「Enter」を押すだけで回答を得ることができます。ツールのテストケースの一つとしては、銀行に関連するフィッシングメールがあります。ユーザーの入力は最小限で、問い合わせフォーマットに銀行名を含めるだけでFraudGPTが仕事を完了させることができます。テキストに悪意のあるリンクを配置する場所を示すことさえできます。個人情報を積極的に要求する詐欺の着地ページは、FraudGPTの機能の一部です。 FraudGPTには、最も頻繁に訪れたり悪用されたりするオンラインリソースの名前を示すように促されることもあります。これは、ハッカーが将来の攻撃計画に使用するのに役立つ可能性があります。このソフトウェアのオンライン広告では、穴を探し、ターゲットを特定するための検出されないマルウェアを組み立てる有害なコードを生成できると自慢しています。 Netenrichグループはまた、FraudGPTの供給業者が以前に雇用用のハッキングサービスを広告していたことも発見しました。同じ人物がWormGPTという類似のプログラムに関連付けられていることもわかりました。 FraudGPTの調査は、警戒の重要性を強調しています。ハッカーがこれらの技術を既に使用して新しい危険を開発しているかどうかの問題はまだ解決されていません。しかし、FraudGPTや同様の有害なプログラムは、ハッカーが時間を節約するのに役立つかもしれません。フィッシングメールや着地ページは、数秒で作成または開発することができます。したがって、消費者は自分の個人情報を求める要求に対して警戒し続け、他のサイバーセキュリティのベストプラクティスに従う必要があります。サイバーセキュリティ業界の専門家は、特に悪意のある行為者がFraudGPTのようなプログラムを使用して直接重要なコンピュータネットワークに侵入する可能性があるため、脅威検出ツールを最新の状態に保つことが賢明です。 FraudGPTの分析は、ハッカーが時間とともに自分たちの方法を適応させることを思い起こさせるものです。しかし、オープンソースソフトウェアにもセキュリティ上の欠陥があります。インターネットを使用する人やオンラインインフラを保護することが仕事である人は、新興技術とそれらがもたらす脅威について常に最新情報を把握しておく必要があります。ChatGPTなどのプログラムを使用する際には、リスクを忘れずに注意することが重要です。

2023年のトップ10 AI QRコードジェネレーター

QRコードは、特に支払いの便利さから広く人気があります。金融の応用にとどまらず、QRコードはさまざまなデータタイプを包括するように進化しています。技術の進歩により、これらのコードのカスタマイズが可能となり、かつては単調な白黒のドットの配置だったものが、さまざまなパターンやイメージに触発された視覚的に魅力的なデザインに変わりました。AIはこのプロセスで中心的な役割を果たし、個々の好みに合わせたパーソナライズされたQRコードの作成において多くの画像オプションを提供します。このテクノロジーとカスタマイズの交差点により、ユーザーは機能的でありながら視覚的に魅力的で独自の好みに合わせたQRコードを生成することができるようになります。この記事では、AI QRコードジェネレーターの10の選択肢を紹介します。なぜAI生成のQRコードを使用するのか？伝統的なQRコードでは、情報の確保と直接的なアクセスは簡単です。しかし、AI生成のQRコードの選択肢は以下の理由からトレンドとなっています：ユニークなブランドアイデンティティの提供ビジュアルな手がかりにより情報を伝え、内容の認識を容易にする革新的なマーケティングキャンペーンの可能性を提供する潜在的なビジネスの可能性と実際に生成されたビジネスの比較的な洞察を提供するデータタイプの柔軟性エラーの可能性がない動的な変更の可能性また、次の記事もご覧ください：2023年に使用するトップ10のAI画像生成ツールトップ10のAI QRコードジェネレーターこれらのAI QRコードジェネレーターは、特定のニーズとブランディングの好みに合わせた独自のQRコードを作成することができます： Art QR Code（Android） V2A：AIによるQRアートジェネレーター（Android） Image Gallery QR Code…

画像拡張のための生成的対立ネットワーク（GAN）

クイックノート：まもなく挑戦的なOMSCS修士課程を開始しますそのため、頻繁には書けなくなりますが、毎学期休みには必ずその科目について書くことを希望しています...

OpenAIがグローバルイルミネーションを引き継ぎ、初の企業買収を祝います

テック界に波紋を広げる動きとして、人工知能の先駆的存在であるOpenAIが、初の買収に乗り出しました。OpenAIがデジタルプロダクト企業のGlobal Illuminationを買収することで、同社は初めての企業所有への進出を果たしました。ChatGPTの開発元からのこのビジネス展開の詳細について探究する準備をしてください！他にも読む: OpenAIが「GPT-5」という新しい言語モデルを商標登録 – 新たな展望が広がる AI史上の大胆な一手 OpenAIが水曜日に正式にデジタルプロダクト企業のGlobal Illuminationを引き継いだという驚くべき発表がありました。この買収はOpenAIを新たな領域へと押し上げ、同社がAIの領域で重要なプレーヤーであることを示しています。他にも読む: Nvidiaが革新的なAIチップを発表し、生成型AIアプリケーションを急速に進化させるマインドの結集：Global Illuminationの輝き 2021年に設立されたGlobal Illuminationは、にぎやかなニューヨークの街からやってきました。この企業の背後には、テックのエクセレンスに精通している人々がいます – Thomas Dimson、Taylor Gordon、Joey Flynnは、すべてMeta PlatformsのInstagramのベテランであり、この取り組みに命を吹き込むために結束しました。OpenAIからのこの新たな声明は、Global Illuminationチーム全体がOpenAIと協力することを共有しており、彼らの集合的な努力がChatGPTなどの名高い製品を強化することが期待されています。他にも読む: OpenAI、Google、Microsoft、Anthropicが安全なAIのために結束…

このAI論文は、それぞれの手のモデルに基づいてアバター間で手のモーションの意味を転送することを目指しています

さまざまな仮想アバターの文脈において、共同話話や手話合成を含む様々なバーチャルアバターのコンテキストで、現実的な手のジェスチャーの生成は有望性を示しています。人間の手は主要な非言語コミュニケーションであり、特定の手の動きをしながら微細なディテールを表現することができます。人々は手の動きに非常に敏感です。したがって、わずかなミスでもユーザーがバーチャルアバターアプリとの相互作用をどのように行うかに大きな影響を与える可能性があります。そのため、さまざまなバーチャルアバータの手の動きの意味論を一貫して維持することは非常に重要です。しかし、関節回転を直接再現することは、人間の手の高度に関節化された構造と多数の自由度（DoFs）および異なるアバターの手の形状と比率により、手の動きの微妙な意味論を大きく損なう可能性があります（図1参照）。図1：指の関節からコピーされた正確な体の動きにもかかわらず、「いいね」のジェスチャーは読み取ることができません。そのため、さまざまなアバターに手のジェスチャーをリターゲティングする際に意味論を維持できるシステムを構築することは非常に重要です。モーションリターゲティングと手物体相互作用は以前の研究の主要なトピックでした。Gleicherが発明したモーションリターゲティングの目標は、ソースの動きの特性を認識し、それらをさまざまなキャラクターのターゲット動きに適用することです。初期の研究では最適化に基づく方法が強調されました。最近では、さまざまなネットワーク設計と意味論の測定を使用したデータ駆動型の戦略が提案されています。これらの戦略は巧妙な手の動きのリターゲティングには適用されませんが、リアルなボディモーションのリターゲティングには成功しています。研究者たちは手話ジェスチャーのリターゲティングのためのルールベースの戦略を提案しましたが、彼らの方法論は特定の一連の事前定義された手のジェスチャーに制約されており、適切なテストが必要です。静的なグリップ合成や操作モーション合成などを含む手物体相互作用の分野では、オブジェクトと相互作用する際に現実的な手の動きをシミュレートすることが目標です。ただし、これらの技術は手のジェスチャーに関連する意味論を維持する必要があります。また、異なるサイズと形状を持つ異なる手のモデルには適用できません。利用可能な技術にもかかわらず、複数の手のモデル間で複雑なモーションの意味論を維持しながら高精度でリターゲティングすることは依然として困難です。清華大学の研究者は、この研究で、複数の手のモデルにわたる元の手のモーションの意味論を保持しながら、巧妙な手のモーションをリターゲティングすることに焦点を当てています。このコンセプトは、ハンドモーションのリターゲティングには、ボディモーションのリターゲティングよりも高い意味論の測定精度が必要であるため、革新的です。指の関節と手のひらとの間に強い空間相互作用が生じる小さな領域内の関節の高い密度のため、以前のモーションリターゲティングで使用された周期一貫性や距離行列などの意味論のメトリクスは見直す必要があります。そのため、彼らの主要な発見は、手の可動性の意味論を維持するために、指の関節と手のひらとの空間的な関連性に依存するということです。その結果、彼らは新たな解剖学に基づいた意味論行列（ASM）を作成し、空間的な相関関係を表現します。正確なハンドモーションのリターゲティングのために、彼らはASMを意味論の測定として使用します。まず、彼らはいくつかの手のモデル上の指の関節の解剖学的な局所座標フレームを構築します。そして、彼らは解剖学的な局所座標フレームを基礎としてASMを作成します。ASMでは、特定の指の関節の局所座標フレームにおける手のひらや他の関節の位置が定量化されます。次に、彼らは解剖学に基づいた意味論再構築ネットワーク（ASRN）を使用して、ソースモーションASMからターゲットモーション回転へのマッピング関数を取得します。彼らは2つの異種手のモーションデータセットを使用してASRNを訓練します。彼らの解決策は、異なる手のモデルで使用することができ、テンプレートメッシュに依存しないため、意味論的な対応のためのテンプレートメッシュベースの方法とは対照的です。彼らは、彼らのASRNによって生成された手のジェスチャーの効果を評価するために広範なテストを実施しました。これらの調査には、複雑な手のモーションシーケンスやさまざまな手の形状が含まれており、ドメイン内およびクロスドメインの手のモーションリターゲティングシナリオでの定性的および定量的な結果が示されています。その結果、彼らのASRNは最先端のモーションリターゲティング技術を大幅に上回る性能を発揮していることが示されています。彼らの3つの貢献は以下の通りです： • 新しいタスクを提案：セマンティクスを保持しながら、複数の手のモデル間で器用な手のジェスチャーを再ターゲティングする。 • 解剖学に基づいたセマンティックマトリックス（ASM）を提供し、異なる手のモデルと組み合わせて使用でき、テンプレートメッシュを必要とせずに手の動きのセマンティクスを定量化する。 • ASMを使用して、セマンティクスを保持する手の動きの再ターゲティングのための最先端のアーキテクチャを提供する。ドメイン内およびドメイン間の手の動きの再ターゲティングタスクでの実験結果は、彼らのシステムが現行の手法よりも優れていることを確認しています。

NVIDIAがFlexiCubesを導入：フォトグラメトリーや生成AIなどのニューラルワークフローから高品質のメッシュを生成するための新しいアプローチ

人工知能（AI）は、次世代のAIパイプラインの登場により、驚くべき成功を収めながら、複雑で高精度な3Dモデルの作成の可能性を再び広げました。これらのモデルは、与えられた画像から細部まで忠実に再現する復元から、没入型インタラクティブ体験に適したアセットをクラフトする生成型AIパイプラインまで、幅広いスペクトラムにわたります。これらのAIパイプラインの重要な要素の一つは、標準的な三角形の構成として表されることが多い3Dメッシュの生成です。これらのメッシュ表現の既存のソフトウェアプラットフォームとの互換性は、メッシュ表現の重要性、高度なハードウェアアクセラレーションとの互換性、物理シミュレーションの促進を示しています。しかし、すべてのメッシュが同じように作成されるわけではなく、これらの表現に内在する利点は、品質に焦点を当てて実行された場合にのみ完全に実現されます。 NVIDIAの最新の研究によると、”FlexiCubes”と呼ばれる革新的なアプローチが3Dパイプライン内で高品質のメッシュの生成を大幅に増幅し、さまざまなアプリケーション領域で品質の向上をもたらすことが明らかになりました。 FlexiCubesメッシュ生成の革新復元またはシミュレーションのためのAIパイプラインの中核には、メッシュが複雑な最適化プロセスを通じて細心に作られます。このプロセスを通じて表現は細かく洗練され、目的の出力により近づけられるように調整されます。 FlexiCubesメッシュ生成の革新的なコンセプトは、生成されるメッシュを微細に調整するための補完的で適応可能なパラメータを統合することです。これらのパラメータは最適化中に反復的に更新され、メッシュの品質が著しく向上します。メッシュベースのパイプラインに精通している場合、メッシュを抽出するためのマーチングキューブスはおなじみのテクニックです。この文脈では、FlexiCubesはマーチングキューブスのドロップイン置換として機能し、最適化指向のAIパイプラインとシームレスに統合します。メッシュ品質の向上、AIの増幅 FlexiCubesが3Dメッシュ生成の領域に与える影響は深刻です。これにより、多くの現代的なメッシュ生成パイプラインが可能になり、複雑な形状内の詳細な部分を正確に表現する優れた品質のメッシュが生成されます。さらに、これらの生成されたメッシュは物理シミュレーションに非常に適しており、メッシュの品質がシミュレーションの効率と堅牢性の最適化に不可欠です。FlexiCubesによって生成される四面体メッシュは、そのまま使用して即座に物理シミュレーションに適用することができます。 AIのポテンシャルが無限に見える時代において、NVIDIAのFlexiCubesは革新の光となり、高品質な3Dメッシュ生成への道を照らし、AIによる体験の領域を未知の領域に押し上げます。

「ビデオ編集はもはや難問ではありません：INVEはインタラクティブなニューラルビデオ編集を可能にするAI手法です」

イメージ編集なしのインターネットを想像することができますか？すべての面白いミーム、素敵なインスタグラムの写真、魅力的な風景などがなくなってしまうでしょう。それは楽しいインターネットではないですよね？デジタルカメラの初期から、イメージ編集は多くの人々の情熱でした。最初は簡単な編集ができるツールがありましたが、今ではほとんど努力をせずに画像の中の何でも何にでも変えることができます。特に最近の数年間で、強力なAIの手法のおかげで、イメージ編集ツールは驚くほど進化しました。しかし、ビデオ編集に関しては、遅れています。ビデオ編集はしばしば専門知識と洗練されたソフトウェアが必要なものです。PremierやFinalCut Proなどの複雑なツールに入り込んで、細部を自分で調整しようとする必要があります。今ではビデオ編集は高給のスキルとなっていますから、それも無理はありません。一方、イメージ編集はモバイルアプリでも可能であり、結果は一般ユーザーに十分です。インタラクティブなビデオ編集が、イメージ編集と同じくらい使いやすくなれば、どんな可能性があるでしょうか。技術的な複雑さとはおさらばし、全く新しい自由のレベルにこんにちはと言えるようになることを想像してみてください！それがINVEです。 INVE (インタラクティブニューラルビデオエディタ)は、その名前が示すとおり、ビデオ編集の問題に取り組むAIモデルです。非専門のユーザーが複雑なビデオ編集を簡単に行える方法を提案しています。 INVE の主な目標は、ユーザーがビデオに対して複雑な編集を簡単かつ直感的な方法で行えるようにすることです。このアプローチは、レイヤー化されたニューラルアトラス表現に基づいています。この表現には、ビデオ内の各オブジェクトと背景のための2Dアトラス（画像）が含まれています。これらのアトラスにより、局所的かつ一貫した編集が可能となります。ビデオ編集はいくつかの固有の課題により手間がかかります。たとえば、ビデオ内の異なるオブジェクトは独立して移動するため、不自然なアーティファクトを避けるために正確なローカリゼーションと注意深い構成が必要です。さらに、個々のフレームの編集は不一致や目に見える欠陥を引き起こす可能性があります。これらの問題に対処するために、INVE はレイヤー化されたニューラルアトラス表現を使用した新しいアプローチを導入しています。アイデアは、ビデオを動くオブジェクトごとに1つ、背景用にもう1つの2Dアトラスのセットとして表現することです。この表現により、ビデオ全体で一貫性を保ちながら局所的な編集が可能となります。ただし、以前の手法では双方向のマッピングに問題があり、特定の編集の結果を予測することが困難でした。さらに、計算量の複雑さがリアルタイムのインタラクティブな編集を妨げました。 INVEは1つのフレームで編集を一貫して伝播させることができます。出典：https://arxiv.org/pdf/2307.07663.pdf INVE は、アトラスとビデオイメージの間の双方向のマッピングを学習します。これにより、ユーザーはアトラスまたはビデオ自体のどちらでも編集を行うことができ、より多くの編集オプションがあり、最終的なビデオでどのように編集が認識されるかをより良く理解することができます。さらに、INVE はマルチ解像度ハッシュコーディングを採用しており、学習と推論の速度が大幅に向上しています。これにより、ユーザーは本当にインタラクティブな編集体験を楽しむことができます。 INVEの順方向マッピングパイプラインの概要。出典：https://arxiv.org/pdf/2307.07663.pdf INVEは、剛体テクスチャトラッキングやベクトル化されたスケッチなど、豊富な編集操作を提供しています。これにより、ユーザーは自分の編集ビジョンを努力せずに実現することができます。初心者のユーザーでも、技術的な複雑さに苦しまずに、インタラクティブなビデオ編集の力を活用することができます。これにより、動く車に外部グラフィックスを追加したり、背景の森の色合いを調整したり、道路にスケッチしたりするなどのビデオ編集が容易になります。これらの編集は、ビデオ全体に簡単に伝播します。

Scikit-Learnを使用した特徴選択の方法

特徴選択は、基礎となる問題に最も関連性のある特徴を選ぶことです予測的な機械学習では、モデルの予測能力を向上させるために適した特徴を選択します以下には...

LangChainとPinecone Vector Databaseを使用したカスタムQ&Aアプリケーションの構築

イントロダクション大規模な言語モデルの登場は、現代における最もエキサイティングな技術の進展の一つです。これにより、人工知能の分野でさまざまな産業において実際の問題に対する解決策を提供する無限の可能性が開かれました。これらのモデルの魅力的な応用の一つは、個人や組織のデータソースから取得した情報をもとに、カスタムの質疑応答やチャットボットを開発することです。しかし、一般的なデータで訓練された大規模言語モデルは、常にエンドユーザーにとって特定の回答または有用な回答を提供するわけではありません。この問題を解決するために、LangChainなどのフレームワークを使用して、データに基づいた特定の回答を提供するカスタムチャットボットを開発することができます。この記事では、Streamlit Cloudでの展開を伴うカスタムQ&Aアプリケーションの構築方法について学びます。学習目標この記事に深く入る前に、主な学習目標を以下に概説しましょう：カスタムの質疑応答のワークフロー全体を学び、各コンポーネントの役割を理解する Q&Aアプリケーションの利点を知り、カスタムの言語モデルの微調整との比較を行う Pineconeベクトルデータベースの基礎を学び、ベクトルの保存と取得を行う OpenAIの言語モデル、LangChain、およびPineconeベクトルデータベースを使用してセマンティックサーチパイプラインを構築し、Streamlitアプリケーションを開発するこの記事はData Science Blogathonの一部として公開されました。 Q&Aアプリケーションの概要出典：ScienceSoft 質疑応答または「データに基づくチャット」は、LLMsとLangChainの広範なユースケースです。LangChainは、ユースケースに対して見つけることができるすべてのデータソースをロードするための一連のコンポーネントを提供しています。LangChainは多くのデータソースとトランスフォーマーをサポートし、ベクトルデータベースに保存するために文字列のシリーズに変換します。データがデータベースに保存されたら、リトリーバーと呼ばれるコンポーネントを使用してデータベースにクエリを送信することができます。さらに、LLMsを使用することで、ドキュメントを大量に参照することなく、チャットボットのような正確な回答を得ることができます。 LangChainは以下のデータソースをサポートしています。画像で確認できるように、様々なデータソースに接続するための120以上の統合が可能です。出典：LangChain Docs Q&Aアプリケーションのワークフロー LangChainがサポートするデータソースについて学びました。これにより、LangChainで利用可能なコンポーネントを使用して、質疑応答パイプラインを開発することができます。以下に、ドキュメントのロード、保存、リトリーバル、LLMによる出力生成に使用されるコンポーネントを示します。ドキュメントローダー：ユーザードキュメントをベクトル化および保存するためにロードするためのコンポーネントテキストスプリッター：これらは、ドキュメントを固定のチャンク長に変換して効率的に保存するドキュメントトランスフォーマーですベクトル保存：入力テキストのベクトル埋め込みを保存するためのベクトルデータベースの統合ドキュメントリトリーバル：データベースからユーザークエリに基づいてテキストを取得するためのコンポーネント。類似性検索技術を使用して取得します…

ChatGPTを使ってどのように簡単に何でも学びますか？

「ChatGPTとそのプラグインを使って学習を向上させる方法を発見しましょうAIとLLMに潜り込んで、学習の旅をシンプルにしましょう」

Learn more about Search Results A - Page 278