Search Results リポジトリ

MailchimpにおけるMLプラットフォーム構築の教訓

この記事はもともと、「MLプラットフォームポッドキャスト」という番組のエピソードでしたこの番組では、ピオトル・ニェジヴィエツとアウリマス・グリチューナスが、MLプラットフォームの専門家たちと一緒に、設計の選択肢、ベストプラクティス、サンプルのツールスタック、そして最高のMLプラットフォームの専門家たちからの実際の学びを話し合っていますこのエピソードでは、ミキコ・バゼリーがMLの構築から学んだことを共有します...

MLOps

イメージの意味的なセグメンテーションには、密な予測トランスフォーマーを使用します

イントロダクションこの記事では、イメージセマンティックセグメンテーションというコンピュータビジョンの技術について説明します。これは複雑な技術のように聞こえますが、ステップバイステップで解説し、Hugging Faceのコレクションから密な予測トランスフォーマー（DPT）を使用したイメージセマンティックセグメンテーションの実装について紹介します。DPTを使用することで、通常とは異なる能力を持つ新しいフェーズのコンピュータビジョンが導入されます。コンピュータビジョンにおけるDPTと従来の遠くのつながりの理解との比較学習目標 DPTと従来の遠くのつながりの理解の比較 PythonでDPTを使用したセマンティックセグメンテーションの実装 DPTの設計を探索し、その特徴を理解するこの記事はデータサイエンスブログマラソンの一環として公開されました。イメージセマンティックセグメンテーションとは何ですか？イメージセマンティックセグメンテーションとは、画像を持っており、それぞれのピクセルをそれが表す内容に応じてラベル付けしたいというアイデアです。これはコンピュータビジョンで使用され、車と木を区別したり、画像の一部を分離したりするために使用されます。つまり、ピクセルにスマートにラベルを付けることに関わります。しかし、本当の挑戦は、コンテキストとオブジェクト間の関係を理解することにあります。これを従来の画像処理の手法と比較してみましょう。畳み込みニューラルネットワーク（CNN）最初のブレイクスルーは、画像を処理するために畳み込みニューラルネットワーク（CNN）を使用することでした。しかし、CNNには限界があり、特に画像の遠くのつながりを捉えることに苦労します。画像内の異なる要素が長い距離でどのように相互作用するのかを理解しようとする場合を想像してみてください。それが従来のCNNの苦手なところです。そこで、DPTを導入します。これらのモデルは、強力なトランスフォーマーアーキテクチャに基づいており、関連性を捉える能力を持っています。次にDPTについて見てみましょう。デンス予測トランスフォーマー（DPT）とは何ですか？この概念を理解するために、以前のNLPのタスクで使用していたトランスフォーマーの力を画像解析と組み合わせることを考えてみてください。それがデンス予測トランスフォーマー（DPT）のコンセプトです。それはまるで画像のスーパーディテクティブのようです。彼らは画像のピクセルにラベルを付けるだけでなく、各ピクセルの深さを予測する能力を持っています。これにより、各オブジェクトが画像からどれだけ遠くにあるかの情報が提供されます。以下で詳しく見ていきましょう。 DPTアーキテクチャのツールボックス DPTには異なるタイプがあり、それぞれに「エンコーダ」レイヤーと「デコーダ」レイヤーがあります。ここでは、2つの人気のあるタイプについて見てみましょう： DPT-Swin-Transformer：エンコーダレイヤーが10つ、デコーダレイヤーが5つある、メガトランスフォーマーのようなものです。画像内の要素間の関係を理解するのに優れています。 DPT-ResNet：18つのエンコーダレイヤーと5つのデコーダレイヤーを持つ、賢明なディテクティブのようなものです。遠くのオブジェクト間の関連性を見つけることに秀でていますが、画像の空間的な構造を保持します。主な特徴 DPTがどのように機能するか、いくつかの主な特徴を見てみましょう：階層的特徴抽出：従来の畳み込みニューラルネットワーク（CNN）と同様に、DPTは入力画像から特徴を抽出します。ただし、画像は異なる詳細レベルに分割される階層的なアプローチを取っています。この階層的なアプローチにより、ローカルとグローバルなコンテキストの両方を捉えることができ、モデルがさまざまなスケールでオブジェクト間の関係を理解することができます。セルフアテンションメカニズム：これはDPTのバックボーンであり、元々のトランスフォーマーアーキテクチャから着想を得ています。画像内の長い距離の依存関係を捉え、ピクセル間の複雑な関係を学ぶことができるようにします。各ピクセルは他のすべてのピクセルからの情報を考慮し、モデルに画像の包括的な理解を与えます。 DPTを使用した画像セマンティックセグメンテーションのPythonデモ以下にDPTの実装例を見ていきます。まずは、Colabに事前にインストールされていないライブラリのセットアップを行います。このコードはこちらまたはhttps://github.com/inuwamobarak/semantic-segmentationで見つけることができます。…

Segmind APIとPostmanを使用した簡単なGenAIアプリの統合

はじめに人工知能（AI）をアプリケーションに統合することは、ビジネス競争力を維持するためにますます必要になっています。これらのAI機能を追加することで、ユーザー体験が向上し、タスクが自動化され、有益な洞察が提供されます。私たちは多様なGenAIモデルを利用できるため、可能性があります。しかし、AIをアプリに統合することは複雑です。特にGenAIの新しいトレンドでは、まだ多くのプロセスが試行錯誤されています。したがって、ファッションアプリなどの個人用アプリケーションやソフトウェアにGenAIを統合する方法を知りたい場合は、この記事ではSegmind APIとPostmanを使用してGenAIアプリを統合するプロセスを簡素化することを目指しています。学習目標 SegmindモデルとAPIの理解 SegmindとのGenAI統合APIの理解 Segmind APIとのPostmanの使用この記事は、Data Science Blogathonの一環として公開されました。 SegmindモデルAPIの理解 SegmindのGenAI APIを包括的に理解するためには、その目的、機能、利点を理解する必要があります。eコマースアプリやファッションデザイン、アニメーション、背景除去、アートワーク、絵画、漫画などの画像認識に関する潜在的なユースケースを強調することができます。利用の容易さに加えて、Segmind AIはWebサイトのAPIとプレイグラウンドを介して利用可能なGenAIモデルを提供しています。この記事ではAPIの推論コールを使用します。利用可能なAPIスクリプトを使用して、タスクに適したモデルを選択することは簡単です。以下は、https://www.segmind.com/models/sd1.5-outpaint/api で利用可能なStable Diffusion 1.5 Outpaintingモデルの例です。 import requests from base64 import…

「複雑さを排除したデータレイクテーブル上のデータアクセスAPI」

データレイクテーブルは、主にSparkやFlinkなどのビッグデータコンピュートエンジンを使用するデータエンジニアリングチームや、モデルやレポートを作成するデータアナリストや科学者によって利用されます

「もし私たちが複雑過ぎるモデルを簡単に説明できるとしたらどうだろう？」

この記事は次の記事に基づいています：https//www.sciencedirect.com/science/article/abs/pii/S0377221723006598 これを読んでいるのであれば、人工知能（AI）がいかに重要かご存知かもしれません...

実験、モデルのトレーニングおよび評価：AWS SageMakerを使用して6つの主要なMLOpsの質問を探求する

今回の記事は、'31の質問がフォーチュン500のML戦略を形作る' AWS SageMakerシリーズの一部です以前のブログ投稿「データの入手と調査」と「データ...」

「Amazon EUデザインと建設のためにAmazon SageMakerで動作する生成AIソリューション」

アマゾンEUデザイン・コンストラクション（Amazon D&C）チームは、ヨーロッパとMENA地域全体でアマゾン倉庫を設計・建設するエンジニアリングチームですプロジェクトの設計と展開のプロセスには、アマゾンとプロジェクト固有のガイドラインに関するエンジニアリング要件についての情報リクエスト（RFI）の多くの種類が含まれますこれらのリクエストは、基本ラインの取得から簡単なものから始まります [...]

最適なデータ統合アプローチを選ぶためのガイド’ (Saiteki na dēta tōgō apurōchi wo erabu tame no gaido)

エンタープライズは、アクション可能な洞察を開示し、意思決定を改善し、イノベーションを推進するために、シームレスなデータ統合に依存していますしかし、複数のデータ統合アプローチが利用可能なため、最適な方法を見つけることは困難です最も一般的なアプローチはETL、ELT、データ仮想化、およびCDCですこの記事では、さまざまなデータ統合手法を探求し、比較します最適なデータ統合アプローチを選ぶためのガイドですもっと読む »

Tech

「EコマースにおけるLLMSを使用したカスタマイズされたマーケティングコピーライティング」

紹介技術革新と急速なデジタル化によって定義される時代において、Eコマースは現代のビジネスの基盤となっています。グローバルな到達性と成長の可能性により、オンライン小売業は消費者の行動と期待を再定義しています。無数の製品やサービスが競合するデジタルマーケットプレイスにおいて、効果的に顧客とつながる能力がますます重要になっています。大規模な言語モデル（LLM）によって再定義された「Eコマース革新：大規模な言語モデルの役割」の世界へようこそ。この記事では、大規模な言語モデルがEコマースの景色に与える変革的な影響について取り上げます。人間のようなテキストの理解と生成が可能な洗練されたAI駆動のシステムは、ビジネスが顧客との関わり方、マーケティング戦略の適応、オペレーションの最適化を再構築しています。顧客との対話の向上や製品のパーソナライズされた推奨、カスタマーサポートの効率化、高度な自然言語処理を使用した検索の実現など、記事ではLLMをEコマースのエコシステムに展開する際の利点、課題、倫理的な考慮事項にも光を当てます。学習目標大規模な言語モデルの基本的な理解とその能力、またEコマースマーケティングを変革する役割の開発大規模な言語モデルがEコマースマーケティング戦略にシームレスに統合され、パーソナライズされたコンテンツ作成とエンゲージメントを推進する方法の発見 LLMを使用したEコマースマーケティングの具体的な利点について、顧客のエンゲージメント向上からコンバージョン率の改善までを探求マーケティングにLLMを導入する際の潜在的な課題と倫理的な考慮事項（プライバシーの懸念やコンテンツの品質など）の調査 Eコマースビジネスがカスタマイズされたマーケティングコピーライティングに効果的にLLMを活用する実際の事例について見識を得て、自身の戦略に役立つ実践的なアドバイスを得る進化する技術とその業界への潜在的な影響を考慮し、EコマースマーケティングにおけるLLMの将来を展望するこの記事はData Science Blogathonの一部として公開されました。生成型AIの概要生成型AI、しばしば大規模な言語モデル（LLM）と呼ばれるものは、広範なテキスト、書籍、記事、ウェブサイトから知識を吸収し、広大な図書館で学ぶ熱心な学習者のような存在です。その熱心な存在は、出会うさまざまな情報を理解し解釈するための時間を費やします。この没入型学習プロセスを通じて、LLMはさまざまなテーマに対して非常に知識があり、私たちの献身的な読者が多数のトピックに通じたようになります。質問に答えたり、論理的な対話を行ったり、吸収したテキストの膨大なコーパスに基づいて意味のある説明を提供することができます。 LLMの作業方法は、本やウェブサイト、記事などを含む広範なテキストの集合体に没頭することであり、それが仮想図書館となります。LLMはこの情報の海に没入し、単語の構造や文章の構成の複雑さを解明し、意味を識別し、単語や文章のつながり方を理解します。完全に訓練されると、LLMは、受け取った入力に基づいて応答を生成し、説明を提供し、対話することができるインテリジェントなコンピュータプログラムとして現れます。文脈を理解するという注目すべき能力を持ち、一貫して文脈に即したテキストを生成します。業界で注目されている大規模な言語モデル（LLM）大規模な言語モデル（LLM）の急速な発展の中で、いくつかの傑出したモデルが注目されています。これらのモデルは自然言語処理技術の最先端を代表し、さまざまな業界でさまざまな応用に使用されています。これらの注目すべきLLMを比較することで、それぞれのモデルのユニークな特徴、強み、専門領域を理解することができます。これらのモデルの違いを調べることで、それぞれのLLMの潜在的な適用範囲と特定の課題についての洞察を得ることができます。この比較により、各LLMの能力と制約についての理解が深まり、ビジネスや研究者が特定のニーズと目標に最適なモデルを選択するのを支援します。 GPT-3（Generative Pre-trained Transformer 3） 2020年に発表され、OpenAIによって開発されたGPT-3は、LLMの景色で真の巨人として浮上しました。その特徴はその大きさと深さにあり、驚異的な1750億のパラメータを持っています。この充実したトレーニングにより、GPT-3は人間の品質に驚くほど近いテキストを生成することができます。ビジネスにとってさらに利用しやすいのは、Microsoftとの提携により、GPT-3が広く利用可能になったことです。その中でも特筆すべきアプリケーションには、非常に人気の高いAIチャットボットのChatGPTがあります。さらに、GPT-3にはパブリックAPIが備わっており、さまざまなアプリケーションやシステムにシームレスに統合することができます。…

ZenMLとStreamlitを使用した従業員離職率予測

イントロダクション人事として働いていますか？チームの従業員が続けるかどうか、または組織を去ることを考えているかの予測に苦労していますか？心配しないでください！これを予測するために占星術師になる必要はありません。データサイエンスの力を使って、それを正確に予測することができます。簡単でパワフルなMLOpsツールであるZenMLとstreamlitと一緒に、従業員の離職率の素晴らしい旅を始めましょう。旅を始めましょう。学習目標この記事では、以下のことを学びます。 ZenMLとは？なぜ使うのか？どのように使うのか？なぜMLflowを使うのか？ZenMLとの統合方法は？デプロイメントパイプラインの必要性従業員の離職率プロジェクトの実装と予測の作成この記事は、データサイエンスブログマラソンの一部として公開されました。プロジェクトの実装問題の設定: 年齢、収入、パフォーマンスなどのいくつかの要素に基づいて、従業員が組織を去るかどうかを予測する。解決策: ロジスティック回帰モデルを構築して従業員の離職率を予測する。データセット: IBM HR Analytics Employee Attrition＆Performance [出典]: https://www.kaggle.com/datasets/pavansubhasht/ibm-hr-analytics-attrition-dataset プロジェクトの実装を見る前に、なぜここでZenMLを使用しているのかを見てみましょう。なぜZenMLを使用するのか？…

Learn more about Search Results リポジトリ - Page 34