Search Results Ars Technica

トランスフォーマーのA-Z：知っておくべきすべてのこと

おそらくすでに「トランスフォーマー」について聞いたことがあるでしょうし、皆が話題にしているので、なぜ新しい記事を書く必要があるのでしょうか？それは、私が研究者であるためであり、これには非常に深い理解が必要だからです...

イントロダクション技術革命の進行する世界において、人工知能と医療の融合は医学の診断と治療の風景を再構築しています。この変革の背後にいる静かな英雄の一つが、医療分野での大規模言語モデル（LLM）の応用です。本稿では、テキストベースの医療アプリケーションの文脈でLLMの世界に踏み込み、これらの強力なAIモデルが医療業界を革新している方法について探ります。ソース – John Snow labs 学習目標医療テキスト解析における大規模言語モデル（LLM）の役割を理解する。現代の医療における医療画像の重要性を認識する。医療画像のボリュームがもたらす課題を把握する。 LLMが医療テキスト解析と診断の自動化にどのように役立つのか理解する。 LLMが重要な医療ケースのトリアージにおける効率性を評価する。患者の経歴に基づく個別治療計画におけるLLMの効果を探求する。放射線科医を支援するためのLLMの共同作業について理解する。医学生と医師の教育においてLLMがどのように役立つのか発見する。この記事はData Science Blogathonの一環として公開されました。見えない医療画像と医療の世界 LLMの世界に飛び込む前に、医療画像の存在を一瞬に留め、感謝しましょう。それは最新の医学において視覚化し、疾患を検出し、治療の進捗を監視するのに欠かせないものです。特に放射線科学は、X線、MRI、CTスキャンなどの医療画像に重要に依存しています。しかしこの多くの医療画像の宝庫は課題を伴っています：その膨大な量です。病院や医療機関は毎日大量の医療画像を使用しています。この洪水を手作業で分析および解釈することは困難で、時間がかかり、人為的なミスも起こりやすいです。ソース –…

スピーチファイのレビュー：2023年の究極のテキスト音声アプリは？

信頼できるテキスト読み上げアプリをお探しですか？このSpeechifyのレビューをチェックして、移動中の読書の究極のソリューションを発見しましょう

Speechify

FitBot — フィットネスチャットボットエージェント

健康意識が最前線にあり、バランスの取れたライフスタイルの追求が普遍的な願望となっている時代において、栄養は間違いなく中心的な要素となっていますしかし、...

「人工知能（AI）におけるアナログコンピュータの使用」

アナログコンピュータは、電気の電圧、機械の動き、または流体の圧力などの物理的な量を、解決すべき問題に対応する量に類似的に表現するデバイスの一種です。以下はアナログコンピュータの簡単な例です。出典: https://www.youtube.com/watch?v=IgF3OX8nT0w&t=763s 黒と白のホイールを一定量回転させると、灰色のホイールには2つの回転の合計が表示されます。初期のアナログコンピュータの1つは、紀元前100-200年頃に作られたアンティキティラ機構です。この機構は、特定のダイヤルの動きが太陽や月の動きに類似しているように、一連の連結した青銅のギアを使用して構築されていました。また、数十年先の日食を予測することもできました。出典: https://arstechnica.com/science/2021/03/scientists-solve-another-piece-of-the-puzzling-antikythera-mechanism/ アナログコンピュータの利点と欠点 8ビットの数値を足すには約50個のトランジスタが必要ですが、アナログコンピュータでは、単に2本のワイヤを接続するだけで2つの電流を足すことができます。同様に、2つの数値を掛けるには数千個のトランジスタが必要ですが、アナログコンピュータでは、抵抗器（Rオーム）に電流（Iアンペア）を流すと、ワイヤの両端にかかる電位降下はI*R、つまり2つの数値の積になります。アナログコンピュータは強力で高速でエネルギー効率が良いですが、シングルパーパスであり正確性に欠け、入力が連続しているためプロセスを正確に繰り返すことが困難です。そのため、デジタルコンピュータがアナログコンピュータに取って代わりました。アナログコンピュータとAI AIでは、アナログコンピュータはパターン認識、意思決定、制御など、さまざまなタスクに使用されました。たとえば、アナログコンピュータは、人間の脳の構造と機能に触発された機械学習モデルであるニューラルネットワークのトレーニングに使用されました。アナログコンピュータはまた、特定のルールを使用して意思決定や行動を行うルールベースのAIシステムを実装するために使用されました。過去に広く使用されていましたが、アナログコンピュータはAIと機械学習においてはデジタルコンピュータの登場により一般的ではなくなりました。デジタルコンピュータはアナログコンピュータよりもはるかに高速で信頼性があり、より大量のデータを格納および処理することができます。さらに、デジタルコンピュータはプログラムやメンテナンスが容易であり、多くのAIおよび機械学習アプリケーションで選択されるようになりました。 AIにおけるアナログコンピュータの使用の増加機械学習および人工知能アプリケーションにおいて、より大きなニューラルネットワークを使用する傾向が増しています。この傾向は、ますます複雑なタスクでのパフォーマンス向上の必要性と、より大量のデータ、ハードウェア、およびアルゴリズムがトレーニングをサポートするために利用可能になったためです。ただし、この需要の増加には特定の課題も伴います。大規模なニューラルネットワークのトレーニングには、平均的な年間消費量に相当するエネルギーが約3世帯分必要です。現代のコンピュータはすべてのデータをメモリに保存し、必要に応じてアクセスします。しかし、ニューラルネットワークが巨大な行列の乗算を必要とする場合、ほとんどのエネルギーは計算を行うのではなく、重みの値を取得するために使用されます。ムーアの法則によれば、チップ上のトランジスタ数は伝統的に2年ごとに倍増してきました。しかし、現在、トランジスタのサイズが原子のサイズに近づいているため、さらなる小型化には重要な物理的な課題が生じています。デジタルコンピュータが限界に近づく中、ニューラルネットワークは行列の乗算を中心とした機能を持ち、広く普及しています。また、ニューラルネットワークはデジタルコンピュータの正確な計算を必要とせず、イメージを犬として分類するのに98%または95%の信頼度が十分です。これらの要素は、アナログコンピュータがAIの中でより主導的な役割を果たす絶好の機会を提供しています。事例研究：Mythic AI Mythic AIは、ニューラルネットワークを実行するためのアナログチップを作成するアナログコンピューティングのスタートアップです。動き検知、深度推定、オブジェクトの分類など、さまざまなAIアルゴリズムがアナログドメインで実行されます。…

土木技術者からデータサイエンティストへのキャリア転換

はじめに土木技術者からデータサイエンティストへの転身は、個人的および職業的成長の可能性が非常に高い、刺激的で挑戦的な旅です。土木技術者は、問題解決の才覚と分析能力を持っており、データサイエンスのダイナミックな世界にシームレスに溶け込む強固な基盤を持っています。土木工学からデータサイエンスへの転身の旅を探求し、両分野の関連性を明らかにし、移行可能なスキルを特定し、必要なデータサイエンスのスキルを習得するためのガイダンスを提供しましょう。土木工学はデータサイエンスと関連していますか？土木工学とデータサイエンスは、異なる分野のように見えるかもしれませんが、関連性や重なりがあります。土木工学のスキルはデータサイエンスに応用されます。両分野のキーポイントは以下のとおりです：問題解決のアプローチ：両者は共に体系的で分析的な問題解決を必要とし、土木技術者の複雑さを分解する能力はデータサイエンスのタスクに補完されます。データ収集と分析：土木プロジェクトは膨大なデータセットを生成しますが、これはデータサイエンスがデータの収集と分析に頼っていることと類似しています。統計分析：土木技術者は構造の安全性に統計を使用しますが、これはデータサイエンスがパターン認識と予測のために使用していることと並行しています。数理モデリング：モデルの作成は土木工学とデータサイエンスの両方で一般的であり、振る舞いの予測とアルゴリズムの構築に使用されます。地理空間分析：土木技術者は地理空間データを使用しますが、データサイエンスはそれを空間的な洞察と予測に活用しています。データの可視化：両者は可視化技術を使用して結果を提示し、洞察を効果的に伝えます。リスク評価と意思決定：土木技術者はプロジェクトのリスクを評価しますが、データサイエンスはデータに基づいた意思決定と予測モデリングを提供します。持続可能なインフラストラクチャ：データサイエンスは、リソースの最適化や保守ニーズの予測により、持続可能なインフラストラクチャに貢献することができます。関連記事：2023年にデータサイエンティストになるためのステップバイステップガイド類似点と移行可能なスキル土木工学とデータサイエンスの類似点を認識することで、プロフェッショナルはギャップを埋め、スムーズなキャリアの転換を実現することができます。以下に、両分野で共通のスキルを探求してみましょう：技術スキル土木技術者は、複雑なデータセットの解釈や統計分析、数理モデリング、データ操作の技術がデータサイエンスで重要です。彼らはMATLAB、Python、またはRなどの言語を使用してシミュレーションやデータ分析を行い、データサイエンスでの前処理、機械学習、データ可視化にも容易に転用できるスキルを持っています。彼らは大規模なデータセットの管理と処理に優れており、有意義な洞察を抽出する能力があります。これはデータサイエンスでのデータのクリーニング、変換、分析において重要なスキルセットです。領域知識土木技術者の建物、橋、交通ネットワークなどの物理システムに関する専門知識は、データサイエンスのインフラストラクチャのパフォーマンス、最適化、資産管理の分野と関連しています。環境に関する考慮事項の専門知識は、データサイエンスの環境データの分析、トレンド予測、リソース最適化において価値があります。ソフトスキル土木技術者の協力とプレゼンテーションのスキルは、非専門家向けに洞察を効果的に伝えるためにデータサイエンスで重要です。…

CPU上でBERT推論をスケーリングアップする（パート1）

.centered { display: block; margin: 0 auto; } figure { text-align: center; display: table; max-width: 85%; /* デモです; 必要に応じていくつかの量 (px や %) を設定してください */…

ハギングフェイスにおけるコンピュータビジョンの状況 🤗

弊社の自慢は、コミュニティとともに人工知能の分野を民主化することです。その使命の一環として、私たちは過去1年間でコンピュータビジョンに注力し始めました。🤗 Transformersにビジョントランスフォーマー（ViT）を含めるというPRから始まったこの取り組みは、現在では8つの主要なビジョンタスク、3000以上のモデル、およびHugging Face Hub上の100以上のデータセットに成長しました。 ViTがHubに参加して以来、多くのエキサイティングな出来事がありました。このブログ記事では、コンピュータビジョンの持続的な進歩をサポートするために何が起こったのか、そして今後何がやってくるのかをまとめます。以下は、カバーする内容のリストです：サポートされているビジョンタスクとパイプライン独自のビジョンモデルのトレーニング timmとの統合 Diffusers サードパーティーライブラリのサポートデプロイメントその他多数！コミュニティの支援：一つずつのタスクを可能にする 👁 Hugging Face Hubは、次の単語予測、マスクの埋め込み、トークン分類、シーケンス分類など、さまざまなタスクのために10万以上のパブリックモデルを収容しています。現在、我々は8つの主要なビジョンタスクをサポートし、多くのモデルチェックポイントを提供しています：画像分類画像セグメンテーション（ゼロショット）オブジェクト検出ビデオ分類奥行き推定画像から画像への合成…

Mr. Pavan氏のデータエンジニアリングの道は、ビジネスの成功を導く

はじめに私たちは、Pavanさんから学ぶ素晴らしい機会を得ました。彼は問題解決に情熱を持ち、持続的な成長を追求する経験豊富なデータエンジニアです。会話を通じて、Pavanさんは自身の経験、インスピレーション、課題、そして成し遂げたことを共有しています。そのため、データエンジニアリングの分野における貴重な知見を提供してくれます。 Pavanさんの実績を探索する中で、再利用可能なコンポーネントの開発、効率化されたデータパイプラインの作成、グローバルハッカソンの優勝などに誇りを持っていることがわかります。彼は、データエンジニアリングを通じてクライアントのビジネス成長を支援することに情熱を注いでおり、彼の仕事が彼らの成功に与える影響について共有してくれます。さあ、Pavanさんの経験と知恵から学んで、データエンジニアリングの世界に没頭しましょう。インタビューを始めましょう！ AV：自己紹介と経歴について教えてください。 Pavanさん：私は情報技術の学生として学問の道を歩み始めました。当時、この分野での有望な求人が私を駆り立てていました。しかし、私のプログラミングに対する見方はMSハッカソン「Yappon!」に参加した時に変わりました。その経験が私に深い情熱をもたらしました。それは私の人生の転機となり、プログラミングの世界をより深く探求するスパークを生み出しました。それ以来、私は4つのハッカソンに積極的に参加し、うち3つを優勝するという刺激的な結果を残しました。これらの経験は私の技術的なスキルを磨き、タスクの自動化や効率的な解決策の探求に執念を燃やすようになりました。私はプロセスの効率化や繰り返しタスクの削減に挑戦することで成長しています。個人的には、私は内向的と外向的のバランスを取るambivertだと考えています。しかし、私は常に自分の快適ゾーンから踏み出して、成長と発展のための新しい機会を受け入れるように自分自身を鼓舞しています。プログラミング以外の私の情熱の1つはトレッキングです。大自然を探索し、自然の美しさに浸ることには魅力的な何かがあります。私のコンピュータサイエンス愛好家としての旅は、仕事の見通しに対する実用的な見方から始まりました。しかし、ハッカソンに参加することで、プログラミングに対する揺るぎない情熱に変わっていきました。成功したプロジェクトの実績を持ち、自動化の才能を持っていることから、私はスキルを拡大し、コンピュータサイエンス分野での積極的な貢献を続けることを熱望しています。 AV：あなたのキャリアに影響を与えた人物を数名挙げて、どのように影響を受けたか教えてください。 Pavanさん：まず、私は母親と祖母に感謝しています。彼女たちはサンスクリットの格言「Shatkarma Manushya yatnanam, saptakam daiva chintanam.」に象徴される価値観を私に教えてくれました。人間の努力と精神的な瞑想の重要性を強調したこの哲学は、私のキャリアを通じて指導原理となっています。彼女たちの揺るぎないサポートと信念は、私の常に刺激となっています。また、私のB.Tech時代に教授だったSmriti Agrawal博士にも大きな成長を感じています。彼女はオートマトンとコンパイラ設計を教えながら、その科目についての深い理解を伝え、キャリア開発の重要性を強調しました。「6ヶ月で履歴書に1行も追加できない場合は、成長していない」という彼女の有益なアドバイスは、私のマインドセットを変えるきっかけになりました。このアドバイスは、私に目標を設定し、挑戦的なプロジェクトに取り組み、定期的にスキルセットを更新するよう駆り立て、私を常に成長と学びの機会に導いてくれました。さらに、私にとって支援的な友人のネットワークを持っていることは幸運なことです。彼らは私のキャリアの旅において重要な役割を果たしています。彼らは、複雑なプログラミングの概念を理解するのを手伝ってくれたり、私をハッカソンに参加させてスキルを磨いたりすることで、私を引っ張り出し、最高の自分を引き出すのに欠かせない存在となっています。彼らの指導と励ましは、私を常に限界を超えて、最高の自分を引き出すのに不可欠であり、私の今までの進歩に欠かせません。 AV：なぜデータと一緒に働くことに興味を持ち、データエンジニアとしての役割の中で最もエキサイティングなことは何ですか？ Pavanさん：私がデータと一緒に働くことに惹かれたのは、データが今日の世界であらゆるものを動かしていることを認識したからです。データは、意思決定の基盤であり、戦略の策定、革新の源泉です。データを生のままから意味のある洞察に変換し、それらの洞察を顧客やビジネスの成功につなげることが、私がデータと一緒に働くことに情熱を持つようになった原動力となりました。データエンジニアとして私が最も興奮するのは、データ革命の最前線に立つ機会です。膨大な量の情報を効率的に収集、処理、分析するデータシステムを設計・実装する複雑なプロセスに魅了されています。データの膨大な量と複雑さは、創造的な問題解決と継続的な学習を必要とする刺激的な課題を提供します。データエンジニアとして最もエキサイティングな側面の1つは、データの潜在的な可能性を引き出すことができることです。堅牢なパイプラインを構築し、高度な分析を実装し、最新技術を活用することで、情報を収集し、意思決定を支援し、変革につながる貴重な洞察を明らかにすることができます。データ駆動型のソリューションが直接顧客体験を改善し、業務効率を向上させ、ビジネス成長を促進する様子を見ることは、非常にやりがいを感じます。また、この分野のダイナミックな性質は私を引っ張っていきます。データエンジニアリング技術と技法の急速な進歩は、常に新しいイノベーションの機会を提供してくれます。これらの進歩の最前線に立ち、継続的に学習し、スキルを磨き、複雑なデータ課題を解決するために適用することは、知的好奇心を刺激し、専門的にもやりがいを感じさせます。…

Learn more about Search Results Ars Technica - Page 2