Search Results A

「CPU上での分散Llama 2」

この演習は、Meta AIのLLM（Large Language Model）であるLlama 2を使用して、llama.cppとPySparkを介して一度に多くの文書を要約することについてです

「新しい攻撃が主要なAIチャットボットに影響を与え、誰もそれを止める方法を知りません」

研究者は、ChatGPT、Bard、および他のチャットボットが不正行為を行う簡単な方法を見つけ、AIは手に負えないことを証明しました

メタは、AIを活用した「パーソナ」と呼ばれる機能を自社サービスに統合する予定です

「メタは、AIパワーを活用した「パーソナ」を、FacebookやInstagramなどのサービスに統合する寸前にあると報じられていますフィナンシャル・タイムズによると、この画期的な開発は来月早くも開始され、これらのプラットフォームにおけるユーザーとの相互作用を大幅に変革することになるとのことですAIパーソナ：パーソナリティと実用性の組み合わせ報道によれば、これらのAIパーソナ、またはチャットボットとも称されるものは、以下の機能を提供するものとされています」

chatbots

AIの力による医療の革命：患者ケアと診断の革新化

この記事では、医療分野でのAIの将来の方向性とその応用について探求します

「屈折-1 パーソナルAIの次なるフロンティア」

「Inflection-1を紹介します：Inflection.AI社内のPi.aiを使用したLLMで、お客様のユニークなニーズに対応しています」

Artificial Intelligence

「NeRFたちが望むヒーローではないが、NeRFたちに必要なヒーロー：CopyRNeRFは、NeRFの著作権を保護するAIアプローチです」

もし、コンピュータグラフィックスの領域での進化に注目していれば、ニューラル放射場 (NeRFs) についてはお馴染みかもしれません。NeRFsは、3Dシーンやオブジェクトの表現のための有望な技術として登場しました。異なる視点からキャプチャされた画像のコレクションを使用して、シーンの外観を深層ニューラルネットワークでモデル化します。 NeRFsは、新しい視点の高品質な合成や現実的なレンダリング、さらにはスパースで非正規サンプリングされたデータからのシーンの再構築を実現することができます。複雑な照明効果を処理する能力があるため、多くの応用がある技術として広く研究されています。ですので、2Dではなく3Dで周囲の景色をキャプチャすることが可能になり、記憶の奥深くに入り込むことができます。キャプチャについて話すと、著作権という大きな問題があることをおそらくご存知かもしれません。特にプロフェッショナルな方々は、美しい写真や素晴らしいイラストをキャプチャするためにかけた時間と努力を著作権で保護する傾向があります。これにより、彼らは自分たちの時間に対するクレジットを得ることができます。 NeRFsに関連する著作権の側面について考えたことはありますか？デジタルアセットを著作権で保護することはよく知られた方法です。写真を撮影すれば、それを著作権で保護することができます。ビデオを録画すれば、それを著作権で保護することができます。しかし、NeRFsにはどうなるのでしょうか？デジタルなNeRFを保護し、未承認の使用や盗難を防ぐにはどうすればいいのでしょうか？それでは、CopyRNeRFと出会いましょう。 NeRFモデルを学習し、知的財産を保護することは大きな課題です。直感的な解決策の1つは、既存の透かし付け手法を使用してレンダリングされたサンプルに直接著作権メッセージや透かしを埋め込むことです。ただし、この方法はレンダリングされたサンプルのみを保護し、コアなNeRFモデルを保護しません。これはNeRFが従来のメディアフォーマットと異なる点です。出力だけでなく、モデル自体もプロジェクトする必要があります。 CopyRNeRFは、この問題に対処するために提案されています。著作権情報がモデルのウェイトに埋め込まれるようにすることで、著作権メッセージをモデル自体に埋め込みます。この透かし付けプロセスにより、著作権情報は保護されたモデルのみでアクセス可能となります。透かし付けの基準を満たすために、CopyRNeRFは透明性と頑健性の両方に焦点を当てています。埋め込まれたメッセージが視覚的な歪みを引き起こさないようにすることと、様々な歪みの下で信頼性のあるメッセージの抽出を可能にすることです。 CopyRNeRFはモデルの所有権を保護できます。出典: https://arxiv.org/pdf/2307.11526.pdf 2D画像に透かしを使用する以前の試みは、NeRFモデルへの効果的な伝達に失敗し、透かしの抽出の頑健性が損なわれていました。その代わりに、CopyRNeRFでは、一部のモデルを基にした透かし付きのカラー表現を使用してレンダリングすることが含まれています。これにより、基本的な表現が保持され、レンダリングされたサンプルにおいて透明性が確保されます。さらに、空間情報が透かし付きのカラー表現に組み込まれるため、異なる視点からのNeRFモデルのレンダリングにおいて埋め込まれたメッセージが一貫していることが保証されます。 CopyRNeRFの概要。出典: https://arxiv.org/pdf/2307.11526.pdf さらに、透かしの抽出の頑健性を強化するために、モデルの最適化中に歪みに強いレンダリングが使用されます。歪み層により、ぼやけ、ノイズ、回転などの厳しい歪みの下でも信頼性のある透かしの抽出が可能となります。さらに、ランダムサンプリング戦略は、異なるレンダリング方法やサンプリング戦略に対する保護されたモデルの頑健性を高めます。

「50以上の最新AIツール（2023年8月）」

AIツールは急速に開発が進んでおり、新しいツールが定期的に導入されています。以下のいくつかのAIツールをチェックして、日常のルーティンを向上させてください。 Otter AI 人工知能を使用したOtter.AIは、共有可能で検索可能でアクセス可能で安全な会議のメモのリアルタイム転写をユーザーに提供します。 AdCreative.ai 広告とソーシャルメディアのゲームをAdCreative.aiで強化しましょう-究極の人工知能ソリューションです。 Pecan AI Pecan AIは予測分析を自動化し、今日のビジネスの課題である予算の縮小、コストの上昇、データサイエンスとAIリソースの制約に対処します。Pecanの低コード予測モデリングプラットフォームは、データに基づく意思決定を導き、ビジネスチームが目標を達成するのを支援するAI駆動の予測分析を提供します。 Aragon Aragonを使用して、驚くべきプロフェッショナルなヘッドショットを手間なく作成しましょう。最新のA.I.テクノロジーを活用して、瞬時に自分自身の高品質なヘッドショットを作成しましょう！写真スタジオの予約や着飾る手間を省略しましょう。 Taskade Taskadeは、ユーザーがタスクとプロジェクトを効率的に管理するのを支援するAI生産性ツールです。 Notion AI Notion AIは、Notionワークスペース内で直接書き、ブレインストーミング、編集、要約を支援するライティングアシスタントです。 Bubble Bubbleを使用すると、コードを使用せずにCRM、SaaSアプリ、ダッシュボード、ソーシャルネットワーク、マーケットプレイスを簡単に作成できます。 Bing MicrosoftはAIパワードのBing検索エンジンを開発しました。これは、ユーザーがウェブを検索する際に研究アシスタント、パーソナルプランナー、クリエイティブパートナーのような役割を果たします。 tl;dv GPTモデルによって動作するこのツールは、ZoomとGoogle…

「MITのPhotoGuardは、AI画像操作に対抗するためにAIを使用します」

人工知能（AI）が進化するにつれて、ハイパーリアルな画像の生成と操作がますます利用可能になっています。生成AI技術は創造的な表現と問題解決のために膨大なポテンシャルを持っていますが、悪用の可能性も懸念されています。この課題に対処するため、MITのコンピュータ科学および人工知能研究所（CSAIL）の研究者は、「PhotoGuard」という革新的な技術を開発しました。PhotoGuardはAIを使用して画像の不正な操作から保護するためにAIを利用し、画像のビジュアルな完全性を保ちながら、微小で感知できない摂動を画像に導入することで、モデルの画像変更能力を効果的に妨害します。この画期的な技術とデジタルランドスケープの保護に対する意義を探ってみましょう。また読む：Stability AIのStable Diffusion XL 1.0：AI画像生成の画期的な進化 AI生成画像の時代：新たな課題 DALL-EやMidjourneyのようなAIパワードの生成モデルがその驚くべき画像生成能力で人気を集めるにつれて、悪用のリスクが明らかになってきました。ハイパーリアルな画像の作成から不正なイベントの演出まで、欺瞞と害の可能性は大きいです。不正な画像操作に対抗するための積極的な対策の必要性は緊急です。また読む：AI生成コンテンツは開発者にリスクをもたらす可能性があります PhotoGuard：画期的な防御メカニズム MITのPhotoGuardは、人間の目には見えないがコンピュータモデルで検出可能な微細な摂動を画像のピクセル値に導入します。これらの摂動は、AIモデルの画像操作能力を妨害し、意図的に変更することをほぼ不可能にします。PhotoGuardは画像の潜在表現をターゲットにすることで、不正な編集から保護を確保します。「エンコーダー」と「ディフュージョン」攻撃 PhotoGuardは、摂動を生成するために2つの異なる「攻撃」手法を使用します。「エンコーダー」攻撃は、AIモデル内の画像の潜在表現を変更し、画像をランダムに認識させます。「ディフュージョン」攻撃は、モデル全体を戦略的に対象にし、摂動を最適化して最終的な画像が事前に選択されたターゲットに近づけます。また読む：EUはディープフェイクとAIコンテンツの識別策を求める画像保護のための共同の取り組み PhotoGuardは効果的な防御手段ですが、画像編集モデルの作成者、ソーシャルメディアプラットフォーム、政策立案者の協力が不可欠です。政策立案者はデータ保護を義務付ける規制を導入し、開発者は自動的な摂動を加えるためのAPIを設計することで、画像を不正な操作から強化することができます。また読む：生成AIツールを使用する際のプライバシー保護の6つの手順制約と進行中の作業 PhotoGuardはAI画像操作に対する保護の重要な一歩ですが、完全に万全ではありません。悪意のある行為者は保護措置を逆解析したり、一般的な画像操作を適用したりする可能性があります。潜在的な脅威に対する堅牢な免疫対策をエンジニアリングし、進化するこの分野で先行するためには、継続的な取り組みが必要です。また読む：EUのAI法はAI規制のグローバルスタンダードを設定、アジア諸国は慎重な姿勢をとる私たちの意見 AIパワードの画像操作が機会とリスクを持つ世界において、PhotoGuardは誤用に対する重要なツールとして浮上しています。MITの研究者によって開発されたこの画期的な技術は、視覚的な完全性を保ちながら不正な画像変更を防ぐために感知できない摂動を導入します。ステークホルダー間の協力の努力が、この防御手段を効果的に実施するための鍵となります。人工知能が進化し続ける中で、PhotoGuardはAI生成画像のポテンシャルと誤用に対する保護の必要性の適切なバランスを取るための重要な一歩です。継続的な研究と共同行動により、人工知能によるより安全なデジタル未来を築くことができます。

「作者の正体を暴く：AIか人間か？IBMの革新的なテキスト検出ツールを用いたAIフォレンジックスの出現を探る」

急速に進化するAIの時代において、注目すべき課題が存在します。それは、生成AIの透明性と信頼性です。IBMの研究者たちは、世界にAI検出と帰属のツールを提供することで、生成AIの認識方法を変えることを目指しています。しかし、複雑なことに、LLMは自分が書いたコンテンツを検出したり、チューニングされたモデルのソースを追跡するのにはあまり優れていません。日常のコミュニケーションを再構築し続ける中で、研究者たちは、生成AIをより説明可能で信頼性のあるものにするための新しいツールに取り組んでいます。研究者たちは、現代の時代の基盤となる信頼性のあるAIツールキットを適応させることで、これらの進化し続けるテクノロジーに対して責任と信頼性を確保することを目指しています。IBMとハーバードの研究者は、最初のAIテキスト検出器の1つであるGLTRを作成しました。GLTRは単語間の統計的関係を分析したり、生成テキストの特徴的な手がかりを探したりします。IBMの研究者は、AI検出器を欺くためにパラフレーズされたAI生成テキストを特定するのに役立つ画期的なツールであるRADARを開発しました。RADARは、テキストをパラフレーズするモデルとAI生成されたかどうかを判定するモデルとを対決させます。チャットGPTのようなサードパーティモデルへの従業員のアクセスを制限することで、クライアントデータの漏洩を防止するための安全対策が実施されています。生成AIの世界では、テキストを生成したモデルとそのテキストの起源を特定することが課題となっています。これは帰属として知られる分野を通じて行われます。IBMの研究者たちは、応答を比較し関連するモデルを明らかにするためのマッチングペア分類器を開発しました。機械学習を用いた自動のAI帰属は、特定のモデルの起源や他の数多くの要素を特定するのに研究者たちを支援しています。これらのツールは、モデルの基盤を追跡し、その振る舞いを理解するのに役立ちます。 IBMは、説明可能で信頼性のあるAIの推進者として長年の歴史があります。彼らはバイアスの緩和と説明可能性を製品に取り入れたAI Fairness 360ツールキットを導入しました。そして、Watsonx.governanceの11月リリースにより、彼らはAIワークフローの透明性を向上させています。IBMは、透明性のツールのアクセシビリティを誰にでも提供するという使命に固執しています。

「Huggy Lingo：Hugging Face Hubで言語メタデータを改善するための機械学習の利用」

Huggy Lingo: Hugging Face Hubで言語メタデータを改善するために機械学習を使用する要約: 私たちは機械学習を使用して、言語メタデータのないHubデータセットの言語を検出し、このメタデータを追加するために司書ボットがプルリクエストを行っています。 Hugging Face Hubは、コミュニティが機械学習モデル、データセット、アプリケーションを共有するリポジトリとなっています。データセットの数が増えるにつれて、メタデータは自分のユースケースに適したリソースを見つけるための重要なツールとなっています。このブログ投稿では、Hugging Face Hubでホストされるデータセットのメタデータを改善するために機械学習を使用したいくつかの初期実験を共有します。 Hub上のデータセットの言語メタデータ Hugging Face Hubには現在約50,000の公開データセットがあります。データセットで使用される言語に関するメタデータは、データセットカードの先頭にあるYAMLフィールドを使用して指定することができます。すべての公開データセットは、メタデータ内の言語タグを使用して1,716の一意の言語を指定しています。ただし、指定される言語のいくつかは、異なる方法で指定されることになります。たとえば、IMDBデータセットでは、YAMLメタデータにen（英語を示す）が指定されています。 IMDBデータセットのYAMLメタデータのセクション英語がHub上のデータセットで遥かに最も一般的な言語であることは驚くべきことではありません。Hub上のデータセットの約19%が言語をenとしてリストしています（enのバリエーションを含めない場合であり、実際の割合はおそらくはるかに高いでしょう）。 Hugging Face Hub上のデータセットの頻度とパーセンテージ頻度英語を除外した場合、言語の分布はどのようになりますか？いくつかの支配的な言語のグループがあり、その後は言語が出現する頻度が比較的滑らかに減少していることがわかります。…

Learn more about Search Results A - Page 324