Learn more about Search Results A - Page 346

ショッピファイの従業員がAIによるレイオフと顧客サービスの危機を暴露

Twitter上での衝撃的な暴露により、勇敢なShopifyの従業員が非開示契約（NDA）を破り、同社の物議を醸す行動と戦略的方向性に光を当てました。このスレッドは、求職者への職の安定を約束したものの、後に大規模な人員削減を目の当たりにするという一連の出来事を明らかにしました。展開されたのは単なるCEOの誤った「賭け」だけでなく、人間の労働者をAIとより安価な契約労働力で置き換える意図的な転換でした。Shopifyの行動が顧客サービス、労働力の幸福、市場の焦点の変化に与える影響について探ってみましょう。 また読む：人工知能の急速な台頭が求職者減少を招く：テックセクターで数千人に影響 破られた約束：Shopifyの職の安定を約束したものが崩れた Shopifyは2022年7月に大規模な人員削減を実施することで、以前約束されていた職の安定を打ち砕きました。失望した従業員のTwitterのスレッドは、方向性の急激な変化を浮き彫りにし、これらの削減が単なるCEOの不運な決定ではなく、綿密に計画された戦略であることを明らかにしました。 また読む：人工知能の影響によりドロップボックスが500人の従業員を解雇 AIの台頭を受け入れる：「Sidekick」というアシスタントが発表される ShopifyのAI技術への進出は、彼らのプラットフォームを使用する商人向けの人工知能アシスタント「Sidekick」の今後のローンチによって明らかになりました。観察者は、この動きをコスト削減と株主の収益向上のための従業員削減に対する会社の試みと見ました。 また読む：SwiggyがZomatoとBlinkitに続いて生成AIを統合 顧客サービスの危機：人間の労働者の置き換えの代償 ShopifyがAIと契約労働力を採用するにつれて、顧客サービスは打撃を受けました。人員の削減と仕事の外部委託により、顧客サポートの大幅な遅延が生じ、イライラした商人たちが助けを受けるために数時間待たされることとなりました。過労チームによる不正なストアの急増は、この危機をさらに深刻化させました。 また読む：コールセンターにおけるAIソフトウェアが顧客サービスを革新 労働力の幸福が軽視される：過労とストレスでの休暇 人員削減の余波により、残ったスタッフは増加した業務量と不適切な報酬や福利厚生によって負担を強いられました。従業員のスレッドは、Shopifyの労働力の幸福についての懸念を引き起こし、過労、不安、ストレスによる休暇が一般的になっていると報告しました。 また読む：AIの急増：Stability AIのCEOが2年以内にインドの開発者の仕事が失われると予測 AIによるサービス優先：価値観の転換 ShopifyはAIに基づくソリューションによって、かつて人間主導の顧客サービスに置かれていた価値観を超えました。顧客の不満にもかかわらず、会社はAIを優先することを決意したようです。 Shopifyのリーダーシップ、Harley Finkelstein社長を含め、従業員に対してはこれ以上の人員削減はないと保証しています。ただし、以前の人員削減の秘密主義的な取り扱いと会社の行動を考えると、従業員たちはこれらの約束に懐疑的なままです。 また読む：AIでは代替できない仕事 私たちの意見 勇敢なShopifyの従業員のTwitterのスレッドは、同社内で起きている物議を醸す行動と戦略的転換を露骨に示しました。AIとより安価な労働力への推進は、顧客満足度、労働者の幸福、信頼に対する代償となりました。Shopifyが前進する道を歩むにあたり、これらの問題に真正面から立ち向かい、かつて小規模ビジネスや起業家に愛された価値観と顧客や従業員へのコミットメントを優先する必要があります。それによって、ビジョンと顧客や従業員への信頼を回復することができるのです。

「AWSは責任ある生成AIへの取り組みを再確認する」

人工知能（AI）や機械学習の先駆者として、AWSは責任を持って生成的AIの開発と展開に取り組んでいます生成的AIは、私たちの時代で最も革新的なイノベーションの一つであり、世界の想像力を捉え続けています私たちは引き続き、責任を持ってそれを活用することに全力を注いでいます専門の責任あるAIチームを持ち、[…]

「合成キャプションはマルチモーダルトレーニングに役立つのか？このAI論文は、合成キャプションがマルチモーダルトレーニングにおけるキャプションの品質向上に効果的であることを示しています」

マルチモーダルモデルは、人工知能の分野における最も重要な進歩の一つです。これらのモデルは、画像やビデオを含む視覚的な情報、自然言語を含むテキスト情報、音声や音などの音響的な情報など、複数のモダリティからのデータを処理し理解するために設計されています。これらのモデルは、これらの様々なモダリティからのデータを組み合わせ分析し、多様なデータの種類にわたる理解と推論を必要とする複雑なタスクを実行することができます。大規模なマルチモーダルモデルは、画像とテキストのペアで事前学習することで、さまざまなビジョン関連のタスクで高いパフォーマンスを発揮することが示されています。 研究者たちは、ビジョンタスクで使用される大規模なマルチモーダルモデルのトレーニングにおいて、画像とテキストのペアなどのウェブデータの有用性を向上させようと試みていますが、不適切に整列した画像とテキストのペア、不良なデータソース、低品質なコンテンツなど、オンラインデータは頻繁にノイズが多く情報量が不足しています。現在の存在する手法はデータのノイズを減らすものの、しばしばデータの多様性の喪失をもたらします。そのため、研究チームは、ウェブスクレイピングされたデータにおけるキャプションの品質に焦点を当てたアプローチを提案しています。 主な目標は、曖昧または情報不足のテキストを持つ画像とテキストのペアの有用性を向上させるために、生成されたキャプションがどのように役立つかを探究することです。そのため、チームは複数のミキシング戦術をテストし、生のサイトキャプションとモードによって生成されたキャプションを組み合わせました。このアプローチは、DataCompのベンチマークで提案されたトップのフィルタリング戦略を大幅に上回りました。1億2800万の画像テキストペアの候補プールを使用して、ImageNetの改善は2%であり、38のジョブ全体で平均改善は4%です。彼らの最善の手法は、FlickrとMS-COCOの検索タスクで従来の手法を上回り、彼らの戦略が実世界の状況での実現可能性を示しています。 チームは、人工キャプションがテキスト監督の有用なツールである理由について調査しました。複数の画像キャプションモデルをテストすることにより、チームは、マルチモーダルトレーニングにおいてモデルが生成するキャプションの有用性が、NoCaps CIDErなどの確立された画像キャプションベンチマークでのパフォーマンスに常に依存しないことを示しました。これは、従来の画像キャプションベンチマークだけに頼らず、特にマルチモーダルな活動において生成されたキャプションを評価する必要性を強調しています。 この研究は、DataCompのデータセットである12.8億の画像テキストペアを使用して、生成されたキャプションの広範な適用を調査しました。この実験は、合成テキストの制約を明らかにし、トレーニングデータの拡大に伴い画像キュレーションの重要性が高まっていることを強調しています。チームによって共有されたinsightsは以下の通りです： キャプションモデルの選択：標準的なベンチマークに基づいて事前学習されたネットワークを画像キャプションのために微調整することは、マルチモーダルトレーニングにおけるキャプションの効果的な生成につながらない場合があります。CLIP-Sなどのリファレンスフリーメトリックは、生成されたキャプションのトレーニング品質をよりよく反映します。 複数のソースからのキャプションの組み合わせ：生のキャプションと合成キャプションのフィルタリングやミキシングには、DataCompベンチマークでの小規模およびVoAGIスケールでのパフォーマンス向上がもたらされました。 合成キャプションの効果：個々のレベルでは、合成キャプションはノイズが少なく、視覚情報が豊富です。ただし、集団レベルでは、生のキャプションと比較して多様性に欠けます。 合成キャプションの利点のスケーラビリティ：最適なフィルタリングアプローチは、異なるデータスケールによって異なります。異なる数量での実験は、合成キャプションの制約を明らかにし、大規模なデータ領域では画像品質の制御と多様性のギャップがより重要になることを示します。

このPythonライブラリ「Imitation」は、PyTorchでの模倣と報酬学習アルゴリズムのオープンソース実装を提供します

明確な報酬関数が定義されたゲームのような領域では、強化学習（RL）は人間のパフォーマンスを上回っています。残念ながら、現実世界の多くのタスクでは報酬関数を手続き的に設計することは困難か不可能です。代わりに、ユーザーフィードバックから報酬関数やポリシーを即座に吸収する必要があります。さらに、ゲームでエージェントが勝つ場合など、報酬関数を定式化できたとしても、RLが効果的に解くためには、得られる目標がよりスパースになる必要がある場合があります。そのため、RLの最先端の結果では、しばしば模倣学習がポリシーの初期化に使用されます。 本記事では、7つの報酬と模倣学習アルゴリズムの優れた、信頼性の高い、モジュラーな実装を提供するライブラリであるimitationについて説明します。重要なことは、彼らのアルゴリズムのインターフェースが一貫しているため、さまざまな方法をトレーニングして比較することが容易になることです。また、PyTorchやStable Baselines3などの最新のバックエンドを使用してimitationを構築しています。それに対して、以前のライブラリは複数のアルゴリズムをサポートしていることが多く、更新されていないことがあり、時代遅れのフレームワークで構築されていました。imitationは実験のベースラインとして多くの重要なアプリケーションを持っています。以前の研究によると、模倣学習アルゴリズムの実装の細かい部分はパフォーマンスに大きな影響を与えることがあります。 imitationは、信頼性のあるベースラインを提供するだけでなく、新しい報酬と模倣学習アルゴリズムの作成プロセスを簡素化することを目指しています。不適切な実験ベースラインを使用すると、誤って肯定的な結果が報告される可能性があります。彼らの技術は慎重にベンチマーク化され、この困難を克服するために以前のソリューションと比較されています。また、彼らは静的型チェックを実施し、コードの98％をカバーするテストを行っています。彼らの実装はモジュラーであり、コードを変更せずに報酬またはポリシーネットワークのアーキテクチャ、RLアルゴリズム、およびオプティマイザを柔軟に変更することができます。 必要なメソッドをサブクラス化してオーバーライドすることで、アルゴリズムを拡張することができます。また、imitationはロールアウトの収集などのルーチンな活動に取り組むための実用的な方法を提供しており、完全に新しいアルゴリズムの作成を促進します。PyTorchやStable Baselines3などの最先端のフレームワークを使用してモデルが構築されているという利点もあります。これに対して、現在の模倣学習や報酬学習アルゴリズムの多くは数年前に公開され、最新の状態に保たれていません。これは、GAILやAIRLのコードベースなど、元の論文と一緒に提供される参照実装に特に当てはまります。 他のアルゴリズムとの模倣比較 しかし、Stable Baselines2などの人気のあるライブラリももはやアクティブに開発されていません。上記の表では、さまざまな指標で代替ライブラリを比較しています。模倣学習と報酬学習アルゴリズムのすべての実装を含めることはできませんが、この表は彼らの知識に基づいて広く使用されている模倣学習ライブラリをすべて含んでいます。彼らは、模倣学習がすべての指標で他の選択肢と同等または優れていることを発見しています。APRelスコアは高く評価されていますが、低次元の特徴から学習する好み比較アルゴリズムに重点を置いています。これは、モデルとは補完的であり、より広範なアルゴリズムを提供し、実装の複雑さを増す代わりにスケーラビリティを重視しています。PyTorchの実装はGitHubで見つけることができます。

新しいAI搭載のSQLエキスパートは、数秒でSQLクエリを構築します

多くのデータエンジニアが知っているように、SQLは単純なプログラミング言語であり、簡単にミスを comitte することができますこれにより、機能しないクエリや意味のないクエリが生成されますしかし、今では、AIHelperBotという新しいアプリがAIを搭載したSQLの専門家として自己を売り込んでおり、SQLを構築することができます...

VoAGIニュース、7月19日：ChatGPTが退位？？？•データサイエンティストのためのDocker •思考のツリープロンプティングによる推論

今週：ChatGPTは王座から陥落？ • データサイエンティストのためのDocker • 考えの木のプロンプティングによる推論 • さらに多くの内容！

「LogAIとお会いしましょう：ログ分析と知能のために設計されたオープンソースライブラリ」

LogAIは、さまざまなログ解析とインテリジェンスのタスクをサポートする無料のライブラリです。複数のログ形式に対応しており、対話型のグラフィカルユーザーインターフェースを持っています。LogAIは、人気のある統計、時系列、およびディープラーニングモデルに対する統一されたモデルインターフェースを提供し、ログ異常検出のためのディープラーニングアルゴリズムのベンチマークを容易にします。 コンピューターシステムによって生成されるログは、システムの動作を理解し問題を特定するのに役立つ重要な情報を含んでいます。従来、ログの解析は手動で行われていましたが、AIベースのログ解析は、ログのパース、要約、クラスタリング、異常検出などのタスクを自動化し、プロセスを効率化します。学術界や産業界の異なる役割には、ログ解析に対する異なる要件があります。たとえば、機械学習の研究者は、公開されたログデータセットに対して迅速に実験をベンチマークし、他の研究グループの結果を再現して新しいログ解析アルゴリズムを開発する必要があります。産業界のデータサイエンティストは、既存のログ解析アルゴリズムを自分のログデータ上で実行し、ログ解析ソリューションとして最適なアルゴリズムと構成の組み合わせを選択する必要があります。残念ながら、これらの要件をすべて満たす既存のオープンソースライブラリは存在しません。そのため、LogAIはこれらのニーズに対応し、さまざまな学術と産業のユースケースにおいてログ解析をより良く実施するために導入されています。 ログ管理プラットフォームに包括的なAIベースのログ解析が存在しないことは、統一された分析の課題を生み出します。統一されたログデータモデルの必要性、前処理の冗長性、およびワークフロー管理メカニズムがあります。実験結果の再現は困難であり、異なるログ形式とスキーマに対してカスタマイズされた分析ツールが必要です。さまざまなログ解析アルゴリズムは、別々のパイプラインに実装されており、実験とベンチマークの管理の複雑さを増しています。 LogAIは、LogAIコアライブラリとLogAI GUIの2つの主要なコンポーネントで構成されています。LogAI GUIモジュールは、コアライブラリ内のログ解析アプリケーションに接続し、グラフィカルユーザーインターフェースを介して分析結果を対話的に可視化することができます。一方、LogAIコアライブラリは、以下の4つの異なるレイヤーから構成されています。 LogAIのデータレイヤーは、データローダーとOpenTelemetryで定義された統一されたログデータモデルからなります。さらに、さまざまなデータローダーを提供し、生のログデータを標準化された形式のLogRecordObjectsに変換することができます。 LogAIの前処理レイヤーは、前処理とパーティションによってログをクリーンアップおよび分割します。前処理はエンティティを抽出し、レコードを非構造化ログ行と構造化ログ属性に分け、パーティションはログをイベントにグループ化し、機械学習モデルに適用します。特定のオープンログデータセット用のカスタマイズされた前処理とパーティションがあり、他のログ形式をサポートするように拡張することもできます。 LogAIの情報抽出レイヤーは、ログレコードを機械学習のためのベクトルに変換します。ログパーサー、ログベクトライザー、カテゴリエンコーダー、および特徴抽出器の4つのコンポーネントがあります。 分析レイヤーには、複数のアルゴリズムに対する統一されたインターフェースを備えた分析タスクのモジュールが含まれています。 LogAIは、ログ異常検出にCNN、LSTM、Transformerなどのディープラーニングモデルを使用し、人気のあるログデータセットでベンチマークを行うことができます。結果は、深層ログライザーよりも同等または優れたパフォーマンスを提供しており、教師あり双方向LSTMモデルが最も優れたパフォーマンスを提供しています。

「そこにはある特定の危険が潜んでいる」 最初のチャットボットの発明者がAIに反対するようになった経緯

コンピュータ科学者のJoseph Weizenbaumは、人工知能の黎明期に存在していましたが、彼はまた、コンピュータを人間と混同してはならないと強く主張しました

AIによって生成された合成データ

なぜ最近、AIによって生成された合成データが大流行なのでしょうか？この記事では、私のお気に入りの方法を説明します：猫を使って！例えば、ゼロから猫か猫でないかを分類する分類器を訓練したいとしますが、手元には...

データベーススキーマの逆エンジニアリングと品質チェック：GPT vs. Bard

「データ活動においてGenerative AIを活用する方法に関する前回の投稿に続いて、このユースケースを探ってみたいと思いますデータチームがある機能から統合データセットを受け取る場合です...」

Find the right Blockchain Investment for you

Web 3.0 is coming, whether buy Coins, NFTs or just Coding, everyone can participate.

Advertising with us