Search Results OPT

「ダイナミックプライシングを活用して収益を最適化する方法は？」

導入 Uber/Olaのピーク時の料金は通常の運賃よりも高くなります。IRCTCでは、予約率が上がるとRajdhaniの料金も上昇し、Amazonでは同じ商品の価格が何度も変化します。これらの価格をいつ変更するか、どの程度変更するかを決定するのは誰でしょうか？いつ正しい時に正しい価格を決定するのでしょうか？これらの質問の答えは、ダイナミックプライシングの範囲に含まれます。この記事では、初心者が基本的なダイナミックプライシングアルゴリズムを構築するためのリソースと理論的な理解を提供します。学習目標価格設定の基礎と異なる価格設定の方法を理解するダイナミックプライシング、利点・欠点、方法、ユースケースなどについて深く掘り下げる収益管理の基礎収益最大化のためのPythonを使用したシンプルなダイナミックプライシングアルゴリズムの実装この記事はデータサイエンスブロガソンの一環として公開されました。「価格」とは何ですか？ 2023年8月、玉ねぎの価格は1キログラムあたり120ルピーでした。その要因は何でしょうか？外部の環境要因による供給の逼迫と安定した需要です。市場、買い手、売り手、需要、供給が価格を決定します。映画のチケット、バスのチケット、EC、燃料など、私たちが今日購入するほとんどの製品も同様です。価格の理論では、需要と供給が商品やサービスの取引価格を決定します。消費者の支払いが生産の限界費用と一致する場合、最適な市場価格、つまり需要と供給の均衡点とも呼ばれる点を達成します。適切な価格を適切な時に設定することは、ビジネスの成長にとって不可欠です。価格担当者は、データと分析を通じて「適切な価格」に近づくことに焦点を当てます。価格に影響を与える要素組織的な要素: 商品の在庫、予算制約。マーケティングミックス: 製品のライフサイクルのステージ、製品、価格、場所、販促。製品コスト: 生産コストと原材料のコスト。製品への需要: 製品やサービスへの需要。市場の競争: 競合他社の価格が内部価格を大きく決定します。ダイナミックプライシングとは何ですか？ダイナミックプライシングでは、最近のトレンド、リアルタイムの顧客の行動、供給と需要、競合他社の価格などを利用して販売される商品の価格を評価します。これにより、顧客の満足度が満たされ、事業が成長できるように、異なる価格ポイントで商品が販売されることが可能になります。…

「機械学習をマスターするための5つの無料の本」

機械学習は、現在コンピュータ科学の中でも最もエキサイティングな分野の一つですこの記事では、2023年に機械学習を学ぶための最高かつ無料の５冊の書籍を紹介します

Machine learning

注文事項：AIが逆順に苦戦する理由

「LLM（リップリップマスク）は世界中で人気が爆発的に広まっています日々進化しているように見えますが、制限はないのでしょうか？それはそうではありませんが、一部のケースでは失敗することもあります私たちは...」

説明可能なAI：ブラックボックスモデルの解明

イントロダクション現代のデータ駆動型の世界では、機械学習はさまざまな産業でますます重要な役割を果たしています。説明可能なAI（XAI）は、クライアント、患者、または融資申請者に機械学習モデルをより透明にすることを目指し、これらのシステムへの信頼と社会的受容を構築することを目指しています。今、異なるモデルには、観客によって異なる説明方法が必要となります。この記事では、説明可能なAI（XAI）の重要性と応用、およびブラックボックスモデルの解明方法について議論します。学習目標: 機械学習における透明性と信頼性を向上させるための説明可能なAI（XAI）の重要性と応用を理解する。 XAIにおけるグローバルとローカルのアプローチの違いを認識し、それぞれの使用例を理解する。 LIME、SHapley Additive Explanations、および対事実的な説明など、モデルの透明性と互換性のための重要なXAIの手法を探索する。説明可能なAIとは何ですか？意思決定における機械学習の使用は、すべての産業、企業、組織の重要な部分となっています。これらの決定は、事業主、マネージャー、エンドユーザー、ドメインエキスパート、規制当局、データサイエンティストなど、様々な利害関係者に影響を与えます。したがって、これらのモデルがどのように意思決定を行っているかを理解することは非常に重要です。規制当局は、特に意思決定に重大な影響を与える高度に規制されたセクターでの機械学習に関心を持ち始めています。特に金融、医療、犯罪、保険などの分野では、特定の決定がなぜ行われたのか、およびなぜ行われたのかを知ることが重要です。説明可能なAIは、これらのすべての利害関係者が機械学習モデルをより透明にすることを目指しています。また、データサイエンティストにもモデルをより良く理解する手助けをします。ただし、XAIが常に必要なわけではなく、賢明に使用する必要があります。一部のシナリオでは、複雑すぎる説明は不信感や混乱を引き起こす可能性があります。説明可能性の種類説明可能なAIにはさまざまな方法があり、それぞれ異なる使用例と利害関係者に配慮しています。ビジネスオーナー、マネージャー、ユーザー、ドメインエキスパート、規制当局、データサイエンティストに対して、AIモデルを説明するために異なる手法が必要です。利害関係者のニーズに応じて、異なる説明方法が必要とされることがあります。規制当局がAI分野で要件や規制を提案するようになり、金融、医療、刑事司法などの厳しく規制された産業では説明可能性がより重要になっています。これらの分野の機械学習モデルは、クライアント、患者、または融資申請者に対して透明性を提供できる必要があります。説明可能なAIには、次のようなさまざまな種類の手法と技術が含まれます：アドホック/内在的な手法：これらの手法は学習前にモデルの複雑さを制限します。特定のアルゴリズムを選択し、特徴の数を制限することを含みます。ポストホック手法：これらの手法はモデルの訓練後に適用されます。ブラックボックスモデルの説明においては、より柔軟性があります。モデル固有 vs モデル非依存：一部の手法は特定のタイプのブラックボックスモデルに特化しており、他の手法は一般的に適用できます。ローカル vs グローバル手法：ローカル手法は個々のインスタンスやデータポイントの説明を提供し、グローバル手法はデータセット全体のモデルの振る舞いについての洞察を提供します。説明可能なAIの重要性…

「言語モデルの微調整を革命化する：NEFTuneのノイズ付き埋め込みで達成する前例のない向上」

<img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/10/Screenshot-2023-10-25-at-2.28.30-AM-1024×810.png”/><img alt=”” src=”https://ai.miximages.com/www.marktechpost.com/wp-content/uploads/2023/10/Screenshot-2023-10-25-at-2.28.30-AM-150×150.png”/>命令の微調整は、LLMを小規模な厳選された命令データセットでトレーニングするプロセスであり、モデルが命令に基づくタスクで高いパフォーマンスを達成できるようにします。これには、解釈性の向上、バイアスの削減、およびタスクパフォーマンスの向上など、多くの利点があります。したがって、LLMの真の潜在能力を引き出すためには、命令の微調整が不可欠であり、そのためにはプロセスの結果を改善することが重要となります。この研究論文の著者たちは、命令に基づくタスクのモデルパフォーマンスを改善するためのNEFTune（ノイズ埋め込み命令微調整）という新しい手法を提案しています。彼らは、微調整の前方パスの段階でトレーニングデータの埋め込みベクトルにランダムノイズを追加することで、モデルのパフォーマンスを著しく改善できることを示していますが、追加の計算リソースやデータは必要ありません。NEFTuneにより、LLMの対話タスクにおけるパフォーマンスが驚くほど向上し、同時に事実に基づく質問応答のパフォーマンスを維持します。研究者たちは、LLLaMA-1、LLLaMA-2、OPT-6.7Bなどの7BパラメータLLMやAlpaca、ShareGPTなどの微調整データセットを使用してほとんどの実験を行いました。結果はAplacaEvalデータセットを使用して評価され、評価者であるGPT-4によって、LLMがOpenAIのText-Davinci-003モデルよりも好まれる割合である勝率を算出することができました。結果は、これらのモデルをNEFTでトレーニングすることで、対話能力と回答の品質が大幅に向上することを示しています。ノイズ埋め込みで微調整することで、LLLaMA-2 7Bのパフォーマンスは29.8％から64.7％に大幅に向上し、すべてのモデルの平均パフォーマンスも約15％向上しました。研究者は、LLMを評価する際に人間の注釈者も使用しました。NEFTは88回優先され、22回が引き分けであり、NEFTの勝利スコアは約74％となりました。実験の1つでは、LLLaMA-2をAlpacaでNEFTの有無でトレーニングし、量子コンピューティングに関するプロンプトを提示しました。ノイズ埋め込みを使用した2段階目の応答は、超越性や量子もつれのような複雑な概念をより明確に説明し、流暢性が向上しました。研究者たちは、トレーニング時に埋め込みにノイズを導入することで、モデルが過学習に陥りにくくなると仮説を立てています。フォーマットの詳細やテキストの長さ、正確な言い回しなどの正確な情報分布に焦点を当てる代わりに、モデルは事前にトレーニングされた基本モデルの知識と振る舞いを包括した回答を提供します。命令の微調整の重要性を考えると、これまでにさまざまなモデルと方法が研究者によって紹介されています。NEFTは、ノイズ埋め込みを使用してパフォーマンスを改善する最初の手法ではありませんが、対話タスクにおけるLLMのパフォーマンスを大幅に向上させることができ、量子コンピューティングのような複雑なトピックの詳細で明確な説明を提供します。最も重要なのは、この方法が追加の計算リソースを必要とせず、著者たちはそれをLLMの微調整における「無料の昼食」と呼んでいます。NEFTuneは将来のLLMの開発に広く活用される可能性があり、実世界のさまざまなタスクにおけるLLMの機能を向上させる有望なツールとなります。

T-Mobile US株式会社は、Amazon TranscribeとAmazon Translateを通じて人工知能を利用し、顧客の希望する言語でボイスメールを提供しています

この投稿は、T-Mobile US, IncのシニアシステムアーキテクトであるDhurjati Brahma、T-Mobile US, Incの主任エンジニア/アーキテクトであるJim Chao、およびT-Mobile US, IncのアソシエイトシステムアーキテクトであるNicholas Zellerhoffによって共著されましたT-Mobile US, Inc.は、お客様にボイスメールをテキストに変換するサービスを提供しており、お客様は素早くボイスメールを読むことができます

「Hugging Face の推論エンドポイントを使用して埋め込みモデルを展開する」

Generative AIやChatGPTのようなLLMsの台頭により、様々なタスクの組み込みモデルへの関心と重要性が高まっています。特に検索や自分のデータとのチャットなどのリトリーバル・オーグメント生成のために、埋め込みモデルは役立ちます。埋め込みは、文、画像、単語などを数値ベクトル表現として表現するため、意味的に関連するアイテムをマッピングし、役立つ情報を取得することができます。これにより、質と特定性を向上させるための関連コンテキストをプロンプトに提供することができます。 LLMsと比較して、埋め込みモデルはサイズが小さく、推論が早いです。このため、モデルを変更したり、モデルの微調整を改善した後に埋め込みを再作成する必要があるため、非常に重要です。また、リトリーバルのオーグメントプロセス全体ができるだけ高速であることも重要です。これにより、良いユーザーエクスペリエンスを提供することができます。このブログ記事では、オープンソースの埋め込みモデルをHugging Face Inference Endpointsに展開する方法と、モデルを展開するのを簡単にするマネージドSaaSソリューションであるText Embedding Inferenceの使用方法を紹介します。さらに、大規模なバッチリクエストの実行方法も説明します。 Hugging Face Inference Endpointsとは何か Text Embedding Inferenceとは何か埋め込みモデルをインファレンスエンドポイントとして展開する方法エンドポイントにリクエストを送信し、埋め込みを作成する方法始める前に、インファレンスエンドポイントについての知識をリフレッシュしましょう。 1. Hugging Face Inference Endpointsとは何ですか？…

Machine learning

Learn more about Search Results OPT - Page 44

「ダイナミックプライシングを活用して収益を最適化する方法は？」

「機械学習をマスターするための5つの無料の本」

注文事項：AIが逆順に苦戦する理由

説明可能なAI：ブラックボックスモデルの解明

「言語モデルの微調整を革命化する：NEFTuneのノイズ付き埋め込みで達成する前例のない向上」

T-Mobile US株式会社は、Amazon TranscribeとAmazon Translateを通じて人工知能を利用し、顧客の希望する言語でボイスメールを提供しています

「Hugging Face の推論エンドポイントを使用して埋め込みモデルを展開する」

LoRa、QLoRA、およびQA-LoRa：低ランク行列分解を通じた大規模言語モデルの効率的な適応性

Aaron Lee、Smith.aiの共同設立者兼CEO – インタビューシリーズ

予測分析がテクノロジーの意思決定を革命化している方法

Find the right Blockchain Investment for you