Search Results AMPL

「Amazon ComprehendのためのPDFの事前ラベル付けを自動化する」

「Amazon Comprehend」はテキストデータから洞察を得るための事前トレーニング済みおよびカスタムAPIを提供する自然言語処理（NLP）サービスですAmazon Comprehendのお客様は、位置、人名、日付など、ビジネスに特有の興味のあるエンティティを抽出するためのカスタムなる名前エンティティ認識（NER）モデルをトレーニングすることができますカスタムモデルをトレーニングするには、[...]

TDSベストオブ2023：ChatGPTとLLMについて

「2023年は、データサイエンティストや機械学習の専門家にとって、波瀾万丈な1年だったと言っても過言ではないでしょうが、過去12ヶ月のフィールドで見られた激動の活動量を完全に表現することはできません」

「CNNにおけるアトラウス畳み込みの総合ガイド」

イントロダクションコンピュータビジョンの領域において、畳み込みニューラルネットワーク（CNN）は画像解析と理解の領域を再定義しました。これらの強力なネットワークは、画像分類、物体検出、セマンティックセグメンテーションなどのタスクにおいて革新的な進展を達成しました。これらは、医療、自動運転などのさまざまな分野での応用の基盤を築きました。しかし、よりコンテキストに対応した堅牢なモデルの需要が増えるにつれて、伝統的なCNN内の畳み込みレイヤーは、包括的なコンテキスト情報のキャプチャにおいて制限を受けています。これは、計算量の増加に伴わずにネットワークがより広いコンテキストを理解する能力を向上させるための革新的な手法の必要性をもたらしました。ここで紹介するのは、伝統的な畳み込みレイヤー内の常識を覆した、画期的なアプローチであるAtrous Convolutionです。Atrous Convolution（拡張畳み込み）は、計算量やパラメータを大幅に増やすことなく、ネットワークがより広いコンテキストをキャプチャする能力を実現することで、ディープラーニングの世界に新たな次元をもたらしました。学習目標畳み込みニューラルネットワークの基礎を学び、ビジュアルデータを処理して画像を理解する方法を理解する。 Atrous Convolutionが従来の畳み込み方法を改善する方法を理解し、画像内のより大きなコンテキストをキャプチャする能力を把握する。 DeepLabやWaveNetなど、Atrous Convolutionを使用するよく知られたCNNアーキテクチャを探索し、そのパフォーマンスを向上させる方法を確認する。 Atrous ConvolutionがCNN内での応用の手法やコードスニペットを通じて実践的な例を通して理解する。この記事はデータサイエンスのブログマラソンの一環として公開されました。 CNNの理解：動作原理畳み込みニューラルネットワーク（CNN）は、主に画像やビデオなどのビジュアルデータの分析に特化したディープニューラルネットワークの一種です。彼らは人間の視覚システムに触発され、ビジュアルデータ内のパターン認識において非常に効果的です。以下に詳細を示します：畳み込みレイヤー： CNNは複数のレイヤーで構成されており、畳み込みレイヤーがその核となっています。これらのレイヤーは、学習可能なフィルタを入力データに適用して、画像からさまざまな特徴を抽出します。プーリングレイヤー：畳み込み後、プーリングレイヤーを使用して空間的な次元を削減し、畳み込みレイヤーによって学習された情報を圧縮することがよくあります。一般的なプーリング操作には、最大プーリングや平均プーリングなどがあり、表現のサイズを縮小しながら必要な情報を保持します。活性化関数：畳み込みおよびプーリングレイヤーの後には、非線形の活性化関数（ReLUなどの整流線形ユニット）が使用されます。これにより、ネットワークはデータ内の複雑なパターンや関係性を学習することができます。全結合レイヤー：…

「Amazon SageMaker Pipelines、GitHub、およびGitHub Actionsを使用して、エンドツーエンドのMLOpsパイプラインを構築する」

機械学習（ML）モデルは孤立して動作するものではありません価値を提供するためには、既存の製造システムやインフラに統合する必要がありますそのため、設計と開発の過程でMLライフサイクル全体を考慮する必要がありますMLオペレーション（MLOps）は、MLモデルの生涯にわたって効率化、自動化、およびモニタリングを重視しています堅牢なMLOpsパイプラインを構築するには、異なる部門間の協力が求められます[…]

「QLoRAを使ってLlama 2を微調整し、AWS Inferentia2を使用してAmazon SageMakerに展開する」

この記事では、パラメータ効率の良いファインチューニング（PEFT）手法を使用してLlama 2モデルを微調整し、AWS Inferentia2上でファインチューニングされたモデルを展開する方法を紹介します AWS Neuronソフトウェア開発キット（SDK）を使用してAWS Inferentia2デバイスにアクセスし、その高性能を活用しますその後、[…]の動力を得るために、大きなモデル推論コンテナを使用します

Amazon BedrockとAmazon Transcribeを使用して、生成AIを使用して録音のサマリーを作成します

「会議のメモは共同作業の重要な一部ですが、しばしば見落とされてしまいます討論を主導し、注意深く聞きながらメモを取ることは、重要な情報が記録されずに逃げてしまうことが簡単ですメモが取られていても、整理されていないか、読みづらいことがあり、無意味になってしまうこともありますこの記事では、Amazonを使った効果的なメモの使い方について探っています」

「AIは詐欺検出にどのように使われていますか？」

西部劇にはガンスリンガー、銀行強盗、賞金が存在しましたが、今日のデジタルフロンティアではアイデンティティ盗難、クレジットカード詐欺、チャージバックが広まっています。金融詐欺による収益は、数十億ドル規模の犯罪企業となっています。詐欺師の手に渡る「生成AI」は、これをさらに収益化することを約束します。世界的には、2026年までにクレジットカードによる損失は430億ドルに達する見込みです。これはニルソン・レポートによるものです。金融詐欺は、ハッキングされたデータをダークウェブから収集してクレジットカードの盗難に利用するなど、さまざまな手法で行われます。「生成AI」を用いて個人情報をフィッシングする場合もあり、仮想通貨、デジタルウォレット、法定通貨間での資金洗浄も行われています。デジタルの裏世界にはさまざまな金融詐欺が潜んでいます。対応するために、金融サービス企業は詐欺検出にAIを活用しています。なぜなら、これらのデジタル犯罪の多くはリアルタイムで停止し、消費者や金融企業がすぐに損失を止める必要があるからです。では、詐欺検出にはAIはどのように活用されているのでしょうか？詐欺検出のためのAIは、顧客の行動と関連、アカウントのパターンや詐欺特性に合致する行動の異常を検出するために、複数の機械学習モデルを使用しています。生成AIは詐欺の共同パイロットとして活用できる金融サービスの多くはテキストと数字を扱うものです。生成AIや大規模言語モデル(LLMs)は、意味と文脈を学習する能力を持ち、新しいレベルの出力と生産性を約束するため、産業全体に破壊的な能力をもたらします。金融サービス企業は、生成AIを活用してより賢明かつ能力の高いチャットボットを開発し、詐欺検出を改善することができます。一方で、悪意のある者は巧妙な生成AIのプロンプトを使用してAIのガードレールを回避し、詐欺に利用することができます。また、LLMsは人間のような文章を生成することができ、詐欺師はタイプミスや文法の誤りのない文脈に沿ったメールを作成することができます。さまざまなバリエーションのフィッシングメールを素早く作成することができるため、生成AIは詐欺行為を実行するための優れた共同パイロットとなります。詐欺GPTなど、生成AIをサイバー犯罪に悪用するためのダークウェブツールもあります。生成AIは声認証セキュリティにおける金融被害にも悪用されることがあります。一部の銀行は声認証を使用してユーザーを認証しています。攻撃者がボイスサンプルを入手することができれば、ディープフェイク技術を使用して銀行の顧客の声をクローンすることができ、このシステムを破ろうとします。声データは、スパムの電話で集めることができます。チャットボットの詐欺は、LLMsやその他の技術を使用して人間の行動をシミュレートすることに対する懸念があります。これらはインポスター詐欺や金融詐欺に応用されるディープフェイクビデオと音声クローンのためのものです。米国連邦取引委員会はこの問題に対して懸念を表明しています。生成AIは不正使用と詐欺検出にどのように取り組んでいるのか？詐欺審査には強力な新しいツールがあります。マニュアル詐欺審査を担当する従業員は、ポリシードキュメントからの情報を活用するために、バックエンドでRAGを実行するLLMベースのアシスタントのサポートを受けることができます。これにより、詐欺事件がどのようなものかを迅速に判断し、プロセスを大幅に加速することができます。 LLMsは、顧客の次の取引を予測するために採用されており、支払い企業は事前にリスクを評価し、詐欺取引をブロックすることができます。生成AIはまた、トランザクション詐欺を撲滅するために精度を向上させ、レポートを生成し、調査を減らし、コンプライアンスリスクを軽減するのに役立ちます。不正防止のための生成AIの重要な応用例の1つとして、「合成データ」の生成があります。合成データは、詐欺検出モデルのトレーニングに使用するデータレコードの数を増やし、詐欺師が最新の手法を認識するための例のバラエティと洗練度を高めることができます。 NVIDIAは、生成AIを活用してワークフローを構築し、情報検索のために自然言語プロンプトを使用するチャットボットと仮想エージェントを作成するためのツールを提供しています。 NVIDIAのAIワークフローを活用することで、様々なユースケースに対して正確な応答を生成するためのエンタープライズグレードの機能を迅速に構築し、展開することができます。これには、ファウンデーションモデル、NVIDIA NeMoフレームワーク、NVIDIA Triton Inference Server、GPUアクセラレートベクトルデータベースが使用され、RAGによって強化されたチャットボットが展開されます。安全性に焦点を当てた産業では、悪用されにくいように生成AIを保護するための取り組みが行われています。NVIDIAはNeMoガードレールをリリースし、OpenAIのChatGPTなどのLLMsによって動作するインテリジェントアプリケーションが正確で適切、トピックに即して安全であることを確保するために役立てています。…

Learn more about Search Results AMPL - Page 3

「Amazon ComprehendのためのPDFの事前ラベル付けを自動化する」

TDSベストオブ2023：ChatGPTとLLMについて

「CNNにおけるアトラウス畳み込みの総合ガイド」

「Amazon SageMaker Pipelines、GitHub、およびGitHub Actionsを使用して、エンドツーエンドのMLOpsパイプラインを構築する」

「QLoRAを使ってLlama 2を微調整し、AWS Inferentia2を使用してAmazon SageMakerに展開する」

Amazon BedrockとAmazon Transcribeを使用して、生成AIを使用して録音のサマリーを作成します

「AIは詐欺検出にどのように使われていますか？」

AIとMLによる株式取引の革命：機会と課題

KNNクラシファイアにおける次元の呪い

「プロンプトチューニングとは何ですか？」

Find the right Blockchain Investment for you