Search Results トラクター

ChatDev ソフトウェア開発のためのコミュニケーションエージェント

ソフトウェア開発業界は、しばしば相談と直感に頼る領域であり、入り組んだ意思決定戦略に特徴付けられていますさらに、ソフトウェアの開発、保守、および運用には、厳格で方法論的なアプローチが必要です問題の複雑さに応じて、ソフトウェア開発者は相談ではなく直感に基づいて意思決定をすることが一般的です

ChatDev

「You.comがYouRetrieverをリリース：You.comの検索APIへの最もシンプルなインターフェース」

You.comは、You.com Search APIへの最もシンプルなインターフェースであるYouRetrieverをリリースしました。 You.com Search APIは、RAG（Retrieval Augmented Generation）アプリケーションを考慮してLLMs向けに開発されました。彼らは、APIをさまざまなデータセットでテストして、LLMのRAG-QA環境での効率を確立するための基準を確立しました。また、You.com Search APIとGoogle Search APIの違いと類似点を詳細に分析しました。彼らは、RAG-QA環境でLLMを評価するためのフレームワークを提供しました。彼らは、レトリーバーがHotpot QAでどれだけうまく機能するかを評価するために、RetrievalQA Chainを使用しました。Hotpotデータセットには、クエリ、回答、およびその文脈が含まれています。LLMが意図的に誤った言語に騙されないようにするための「distractor」モードを使用する場合、文脈は質問/回答に応じて変更されることがあります。テストの1つでは、データセットの元の文脈を検索APIが返すテキストの断片で置き換えるというものでした。情報を検索するため、APIはデータセットで提供されるスニペットのリストだけに頼るのではなく、インターネット全体を検索します。したがって、この場合、インターネットは分散させるテキストとしての役割を果たします。LLMと検索APIの効果をテストする際、彼らはシステムを「ウェブディストラクター」シナリオと呼んでいます。可能な限り、より充実した情報の断片を返します。また、近々、返されるテキストの量を単一のサンプルから完全なページまで選択できるようになります。デフォルトのパラメータを使用すると、” great Keith”の27の結果があり、一部の文書には一部の内容が含まれています。RAG-QA環境で作業するLLMにとって、当社の検索APIは特に便利です。彼らはHotPotQAデータセット上でテストを行いました。この情報をHuggingfaceデータセットから取得するために、彼らはdatasetsライブラリを使用しています。ここでは、分散者の代わりにフルウィキを使用していますが、先に述べたように、彼らは検索APIを利用して自分たちの文脈を生成します。設定するための詳細な手順については、https://documentation.you.com/openai-language-model-integrationをご覧ください。 You.comは近々、より広範な検索調査を公開する予定ですので、情報をお楽しみに。アーリーアクセスパートナーになりたい方は、[email protected]に自己紹介、ユースケース、および予想される毎日のコール数に関する情報を書いてください。

パンチカードからChatGPTへ

私の母方の祖父、スキップは、私の目にはいつも農夫でした残念なことに、私の母は私が生まれた直後の1988年に白血病で亡くなりました家族で初めての孫として、スキップと…

FineShare Review 2023年の最高の人工知能仮想カメラは？

「FineShareのレビューを通じて、最高のAI仮想カメラをご紹介しますその特徴、メリット、デメリットを詳しく分析します」

fineshare

レイザーのエッジに VFXスターであるサーフェスドスタジオが、今週『NVIDIA Studio』で驚くべきSFの世界を作り出しました

ビジュアルエフェクトアーティストのサーフィスドスタジオが、最新のVFXプロジェクトを披露するためにNVIDIA Studioに戻ってきました。このプロジェクトは、新しいRazer Blade 16 Mercury Edition ラップトップとGeForce RTX 4080 グラフィックスによって駆動されています。サーフィスドスタジオは、映画やテレビ、コンソールゲームに視覚効果をシームレスに統合する写実的なデジタル生成イメージを作成しています。最近のSFプロジェクトのインスピレーションは、3Dのトランジションを試して得られました。ラップトップの画面をドクターストレンジのポータルやマトリックスのトランジションのような異なる世界へのゲートウェイとして使用するアイデアです。ルールを破り、ヒーローになろうサーフィスドスタジオは、最新のプロジェクトで没入型の体験を作り出すことを目指しました。彼は、「観客が3Dの世界に「吸い込まれる」と驚く体験をしたかった」と説明しています。サーフィスドスタジオは、簡単なスクリプトとアイデアのスケッチ、そして撮影したショットのテスト編集を行いました。「これによって、どの効果をどのように実現し、それらが実際に可能かどうかを考えることができます」と彼は語りました。その後、彼はビデオを撮影し、Adobe Premiere Proに取り込んで荒いテスト編集を行いました。その後、使用する最も適したクリップを選択しました。彼はAdobe After Effectsで映像を修正し、Warp Stabilizerツールでショットを安定化させ、Mocha Proツールで邪魔な背景要素を除去しました。両効果は、彼のGeForce…

「ニューラルネットワークにおける記憶の解読イメージ分類のベンチマークにおけるモデルサイズ、記憶、および一般化への深い探求」

統計を学ぶためには、訓練データの暗記とテストサンプルへの転送をバランスさせる必要があります。しかし、過パラメータ化されたニューラルモデルの成功は、この理論に疑問を投げかけます。これらのモデルは暗記することができ、それでも一般化がうまく行くことができます。たとえば、ランダムなラベルを正しく一致させる能力がそれを示しています。このようなモデルは、分類の完全な正確さを達成するために、つまり訓練セットを補完するために一般的に使用されます。これは、これらのモデルの一般化可能性を調査するための多数の研究を引き起こしました。フェルドマンは最近、一定の文脈で一般化には暗記が必要かもしれないことを示しました。ここでは、「暗記」とは、理論的な基盤を持つ安定性に基づく用語で定義されます。高い暗記事例とは、モデルが訓練セットに含まれていないと正しく分類できない事例のことです。実際のニューラルネットワークでは、この用語によって訓練サンプルの暗記度を推定することができます。フェルドマンとチャンは、業界標準の基準を使用して画像を分類するためにResNetの暗記プロファイルを調査しました。これは実際のモデルが何を覚えているかについて興味深い初期の調査ですが、根本的な問題が残っています。より大きなニューラルモデルはより多くのことを覚えますか？ニューヨークに拠点を置くGoogleの研究者たちは、このテーマについて経験的に答えを出し、画像分類の標準を完全に調査しています。彼らは、モデルサイズによって異なる暗記の軌跡を示すトレーニングサンプルの驚くべき多様性を発見しました。一部のサンプルはキャップ状の暗記を示し、他のサンプルはより大きなモデルでは暗記が減少することが明らかになっています。さまざまなサイズの高品質なモデルを生成するために、実務家は知識の蒸留という体系的なプロセスを使用しています。具体的には、高性能な大規模（先生）モデルからガイダンスを受けて高品質な小さな（生徒）モデルを作成します。フェルドマンの暗記の概念は、モデルサイズの範囲にわたって暗記と一般化の関係を理論的に調査するために使用されています。制御実験の結果に基づいて、彼らの貢献は次のとおりです：画像分類子のモデルの複雑さ（ResNetの深さや幅など）と暗記の関係について、定量的な調査結果を提示します。主な結果は、モデルの複雑さが増すにつれて、暗記の分布がますますバイモーダルになることを示しています。また、他の計算上実行可能な暗記評価方法や、たとえば難易度評価方法などがこの重要な傾向を捉えられないことにも言及しています。モデルサイズによって異なる暗記スコアの軌跡を示す例を提供し、さらなるバイモーダル暗記の傾向を調査するために、4つの最も頻繁な軌跡タイプを特定します。特に、あいまいで間違ったラベル付けされた事例がこのパターンに従うことが分かりました。 1つのホット（つまり非蒸留）生徒が暗記するサンプルに関して、研究者たちは暗記が蒸留によって妨げられる傾向を数量的な研究結果として示しています。興味深いことに、モデルサイズが増加すると暗記が改善する場合には、蒸留が主に一般化を助けることが分かります。この結果から、蒸留は難しい例の多くを暗記する必要を減らすことによって一般化を改善していると結論付けることができます。研究者たちは、モデル複雑さ（画像分類に使用するResNetの深さと幅）と暗記の関係を定量的に分析し始めます。彼らは、2つのよく知られたデータセット（CIFAR-100とImageNet）でのResNetの深さと暗記スコアとの関係をグラフィカルに示しています。その調査結果は、彼らの初期の信念とは異なり、深さが20に達した後に暗記スコアが減少することを明らかにしました。研究者たちは、モデル複雑さが増すにつれて、さまざまな例にわたって暗記のバイモーダル分布が増えることを結論付けています。また、暗記と例の難易度を評価する現在の計算上実行可能な手法に問題があることを示し、これらの方法がこの重要なパターンを捉えられないことを指摘しています。研究グループは、さまざまなモデルサイズにわたる異なる暗記スコアの軌跡を持つ例を示し、バイモーダル暗記パターンをさらに掘り下げました。暗記がモデルの複雑さとともに改善するというパターンに従う不明瞭なケースと、間違ったラベルが付けられたケースが特に見つかりました。研究は、知識を大きなインストラクターモデルからより小さな生徒モデルに転送する蒸留プロセスが暗記の減少と関連していることを数量的な分析で結論付けます。暗記されたサンプルによって暗記された一ホットの非蒸留生徒モデルの場合、このブロックは特に目立ちます。蒸留は、モデルサイズが増加するにつれて暗記が増加する場合に特に一般化を促進することを示しています。これらの証拠に基づいて、蒸留は難しい例を多く暗記する必要を減らすことによって一般化を改善すると結論付けることができます。結論: Googleの研究者による発見は、実用的な意味合いや将来の研究方向に大きな影響を与えるものです。まず第一に、プロキシだけを使用して特定のデータを記憶する際には注意が必要です。従来の出版物では、モデルトレーニングやモデル推論を基準としたさまざまなメトリックが、記憶スコアと効果的な代理指標として提案されています。これらの代理指標は、記憶スコアとの高い一致率を示します。しかし、研究者はこれらの代理指標が分布に大きく異なり、現実のモデルの記憶行動の重要な特徴を表現できないことを発見しました。これは、効果的に計算可能な記憶スコアの代理指標を見つけるための道筋を示唆しています。以前は、例の複雑さはあらかじめ決定されたモデルサイズに分類されていました。調査結果は、例を特徴づける際にいくつかのモデルサイズを考慮することの価値を示しています。例えば、Feldmanはデータセットのロングテール例を、あるアーキテクチャに対する最高の記憶スコアを持つものと定義しています。その結果、一つのモデルサイズで記憶された情報が別のモデルサイズに当てはまらないことが示されています。

「RAGの語義における課題に取り組むドメイン固有の検索の見落とされがちな面について」

数千のドメイン固有ドキュメントが類似点を持ち、埋め込みでは関連するドキュメントを検索する際に一部不足がある場合、ハイブリッド検索、階層的ドキュメント順位付け、指導者埋め込みを利用して、コモン・レトリーバル・オーグメンテッド・ジェネレーション（RAG）セットアップに対処します

世界に向けて：非営利団体がGPUパワードのシミュレータを展開し、視力保存手術のプロバイダをトレーニングする

GPUを搭載した手術シミュレーションデバイスは、非営利団体HelpMeSeeのおかげで、毎年2,000人以上の医師が低所得国で白内障失明の治療を学ぶのに役立っています。白内障は世界で最も多くの失明を引き起こす主要な原因です。白内障手術は約99％の成功率を持っていますが、低所得および中所得国の多くの患者は、眼科医の深刻な不足のために一般的な手術を受ける機会がありません。白内障による視覚障害や失明で影響を受けている1億人のうち、推定90%がこれらの地域にいます。 HelpMeSeeは、眼科学の専門性を持たない医療提供者を含めて白内障の治療を行うことにより、ムンバイ近くのビワンディに住む2人の子供の母親など、患者の生活の質を向上させています。彼女は両眼の白内障で失明していました。「手術後、彼女の視力は劇的に改善し、仕事を始めることができ、彼女の家族の全体の人生を変えました」とインドのHelpMeSeeのチーフインストラクターであり専門家のDr. Chetan Ahiwalayは言います。「彼女と彼女の夫は今幸せに子供たちを育て、健康な生活を送っています。私たち医者として続けていく原動力はこういったことです。」 HelpMeSeeのシミュレータデバイスは、高品質の視覚を描写するためにNVIDIA RTX GPUを使用し、医師が手術技術を磨くためにより現実的な訓練環境を提供しています。さらに、NVIDIAの専門家は、レンダリング性能の向上、視覚的なリアリズムの向上、リアルタイムのレイトレーシングやAIなどの次世代技術をシミュレータに組み込むために、HelpMeSeeのチームと協力しています。アクセス可能な訓練で治療可能な盲目を解決する高所得国は、一般住民一人当たりに対して低所得国よりも18倍以上の眼科医を有しています。このカバレッジのギャップは、特定の国々ではさらに広がっており、資源が限られた地域の人々が回避可能な盲目の治療を受けるのが困難になっています。 HelpMeSeeのデバイスは、航空業界で使用されるフライトシミュレータに触発された没入型ツールを使用して、医師を複数の眼科手術に訓練することができます。チームは、インド、中国、マダガスカル、メキシコ、アメリカなどの国で医師にトレーニングを行い、毎年新たな手術のために多言語の訓練を展開しています。眼科手術シミュレータは、現実的な3Dビジュアル、触覚フィードバック、パフォーマンススコア、繰り返し手順を試みる機会などを提供して、受講生が熟練度を達成するまで手順の一部を行うことができます。Dr. Ahiwalayなどの有資格な講師は、訓練を構造化されたコースで農村部や都市部に届けるとともに、シミュレータから実際の手術への移行を支援します。トレーニングセッション中、医師はマニュアルの小切開白内障手術を行う方法を学びます。「私たちは医療従事者が患者に深い影響を与える特定の技術を学ぶための障壁を低くしています」とニューヨークに拠点を置くHelpMeSeeのCEOであるDr. Bonnie An Hendersonは述べています。「シミュレーションベースのトレーニングにより、手術の技術が向上し、患者の安全性が向上します。」 AIと高度なレンダリングに向けて HelpMeSeeは、ゴーテンブルグに拠点を置く医療用仮想現実シミュレータの供給業者であるSurgical Scienceと共同で、デバイスのための3Dモデルとリアルタイムのレンダリングを開発しています。その他の共同開発者であるフランスのストラスブールに拠点を置くInSimoとインドのプネーに拠点を置くHarman Connected Servicesは、物理ベースのシミュレーションとユーザーインターフェースの開発に取り組んでいます。…

特定のドメインに特化した物体検出モデルの最適化方法

物体検出は、学術界から産業分野まで、広範な領域で広く採用されていますその理由は、低い計算コストで素晴らしい結果を提供する能力にありますしかし、それにもかかわらず、...

AIにおける継続的学習の現状について

なぜchatGPTは2021年までの訓練しかされていないのですか？この記事では、深層学習における継続的な学習の現状を解説し、特に大規模な言語モデルとチャットボットに焦点を当てています

Learn more about Search Results トラクター - Page 2