Search Results 6

「06/11から12/11までの週のトップ重要コンピュータービジョン論文」

毎週、いくつかのトップレベルの学術会議やジャーナルで画像認識の革新的な研究が紹介され、イメージなどのさまざまなサブフィールドで刺激的なブレークスルーが提示されました

「Phindの新しいAIモデルは、コーディングにおいてGPT-4よりも優れており、GPT-3.5のような速度と16kのコンテキストを持っています」

“`html コーディングや技術的な問題解決では、複雑な質問に対する回答を求める際に速さと正確さのトレードオフがあります。開発者はしばしば迅速かつ信頼性のあるサポートが必要とされます。 GPT-4は応答時間が比較的遅いことが問題でした。回答を得るための遅延は生産性を阻害することがあります。 Phindのv7モデルは、GPT-4のコーディング能力を超える優れた速さでこれを行います。応答時間が5倍になり、Phindモデルは前任者に関連する50秒の待ち時間がかかることに比べて、たった10秒で技術的な質問に対する高品質な回答を提供します。 Phindモデルは7世代目になり、CodeLlama-34B fine-tunesの基盤を活用して構築されています。これは、HumanEvalスコアでGPT-4を上回る最初のモデルです。この新しいモデルは、高品質のコードと推論問題の70兆トークンを使って洗練されました。人間評価スコアが74.7%という素晴らしい成績を収めつつも、実世界での助けに関しては、このような指標を超越することも重要です。包括的なフィードバック収集とユーザーの経験を通じて、Phindモデルは実用的なコーディングシナリオでGPT-4の効用を一貫して満たすか上回る能力を示しています。 Phindモデルの一つの特徴はその速さです。NVIDIAのH100sとTensorRT-LLMライブラリのパワーを活用することで、1秒あたりに印象的な100トークンを単一ストリームで処理し、必要なユーザーに素早くサポートを提供することができます。さらに、Phindモデルは広範なコンテキストを提供し、回答に最大で16,000トークンをサポートします。現在、モデルはウェブサイト上で12,000トークンまでの入力を許可し、残りの4,000トークンはウェブベースの結果に予約されています。 Phindモデルは多くの利点を提供していますが、改善が必要な領域もあることを認識する価値があります。特に複雑な問題の処理において、一貫性が課題となる場合があります。これらのケースでは、GPT-4よりも正しい答えに到達するまでにより多くの世代が必要な場合があります。まとめると、Phindモデルは効率的で信頼性のあるコーディングサポートの持続的な問題への有望な解決策です。優れたコーディング能力と素晴らしい速さ、幅広いコンテキストサポートを組み合わせることで、ユーザーへの実世界の助けを提供する効果を持っています。このモデルが進化し続け、残された課題に取り組んでいく中で、技術的な質問の回答方法を革新し、開発者やテック愛好家により効率的かつ生産的なコーディング体験を提供する可能性を秘めています。 Phindの新しいAIモデルが、GPT-4を超えるコーディング能力とGPT-3.5のような高速性と16kコンテキストを持つは、最初にMarkTechPostで公開されました。 “`

トレンドのAI GitHubリポジトリ：2023年11月6日の1週間

11月6日の週ですので、今週のトップ5リポをチェックする時間です今週は、教育に重点を置いた生成型AIのリポから、オープンソースの支払いプロセッサまで、新しいエントリのセットがありますでは、どれが上位になったかを見てみましょう...

サリー大学の研究者が新しい人工知能（AI）モデルを開発しましたこのモデルは、通信ネットワークが最大76％ものネットワークを節約できる可能性があります

オープン・ラジオ・アクセス・ネットワーク（O-RAN）は、分離されたラジオ・アクセス・ネットワーク（RAN）に知能を注入し、オープンなインターフェイスを介して仮想ネットワーク機能（VNF）として機能を実装することによって、通信分野を変革しました。しかし、現実のO-RAN環境におけるトラフィック条件のダイナミックな性質により、実行時にVNFの再構成が必要となることが多く、過剰なコストとトラフィックの不安定性を引き起こします。この課題に対応するため、サリー大学の研究者たちは、IEEE Transactions on Network Service Managementで最近公開された研究で、ネットワークを数学的にモデル化し、AIを活用して計算能力の割り当てを最適化する方法を詳細に説明しています。この革新的なモデルにより、帯域幅の利用効率を著しく向上させる可能性があります。このアプローチは、VNFの計算コストと定期的な再構成に伴うオーバヘッドを最小限に抑えます。この革新的なソリューションの評価では、VNFの再構成オーバヘッドが最大76％削減されるなど、大幅な改善が示されました。一方で、計算コストは最大23％増加しました。 O-RANは、需要の変化に応じてネットワーク全体で計算能力を移動できるようにすることで、通信業界を変革しましたが、既存の技術はネットワーク需要の急速な変化に対応するのに苦労していると研究者たちは指摘しています。提案されたAI駆動の手法は、通信業者がネットワークの効率を向上させ、より強靭でエネルギー効率の高いネットワークを構築することができると信じています。通信企業は、研究結果を活用してネットワークの効率をさらに向上させることができます。これにより、エネルギー消費を削減し、システムの強靭さを高めることができます。サリー大学の上級講師であるムハンマド・ショージャファル博士、この研究の共同著者は、この手法はOpen RAN上のトラフィック要求に対して堅牢でインテリジェントなアプリケーションを作成しようとするものであり、次世代の通信ネットワークはこの研究によって形作られる可能性があると述べています。この研究は容易に実装することができます。

「365データサイエンスは、11月20日まで無料のコースアクセスを提供しています」

11月6日（0700 PST）から11月20日（0700 PST）まで、365 Data Scienceの包括的なカリキュラム、インタラクティブなコース、実践的なデータプロジェクトへの無制限の無料アクセスをお楽しみくださいまた、業界で認められた証明書を無料で取得することもできます

Partners

ネットワーキングの下手さをやめてください！Spotifyのデータサイエンティストが教えるこれらの6つの必須ステップでデータサイエンスの求人市場で目立とう

「データサイエンティストとして混雑した就職市場で差をつける方法」

「6つの人工知能の神話を解明：事実とフィクションの分離」

「人気のあるAIの神話の真実を見つけ出し、今日の世界における生成型AIの本当の能力と影響に深く没頭してください」

Artificial Intelligence

「GlotLIDをご紹介します：1665言語に対応するオープンソースの言語識別（LID）モデル」

近年、異なる国境間でのコミュニケーションが絶えず進展している中で、言語の包括性は重要です。自然言語処理（NLP）技術は、選ばれた数少ないVOAGIおよび高資源言語に限らず、広範な言語の多様性に対応できるようになるべきです。低資源言語のための文献、つまり言語データの収集へのアクセスは、これを実現する上で重要です。言語の多様性を促進し、NLP技術が世界中の人々に役立つことを保証するためには、この包括性に依存しています。特に、約300の高資源言語とVOAGIリソース言語に対して、言語識別（LID）の分野で大きな進歩がありました。さまざまな言語に対してうまく機能するLIDシステムが、いくつかの研究によって提案されています。しかし、それには以下のようないくつかの問題があります。現在、幅広い低資源言語をサポートするLIDシステムは存在しません。これは、言語の多様性と包括性にとって重要です。低資源言語向けの現在のLIDモデルは、十分な評価と信頼性を提供していません。さまざまな状況で正確に言語を認識できることが重要です。 LIDシステムの主な問題の1つは、使いやすさ、つまりユーザーフレンドリーさと効果の問題です。これらの課題を克服するため、研究チームはGlotLID-Mという独自の言語識別モデルを導入しました。GlotLID-Mは1665の言語の識別能力を持ち、以前の研究と比べてカバレッジの改善が著しいです。これにより、より広範な言語と文化がNLP技術を使用できるようになる大きな一歩が踏み出されました。低資源LIDの文脈でいくつかの困難が取り上げられ、この新しいアプローチによって克服されています。正確なコーパスメタデータ：低資源言語には、正確で十分な言語データが不足しているという共通の問題がありますが、GlotLID-Mは正確な識別を確保しながらこれを対処しています。高資源言語からの漏れ：GlotLID-Mは、低資源言語が時折高資源言語の言語的特徴と誤って関連付けられるという問題に対処しています。密接な関連言語の区別の難しさ：低資源言語には方言や関連のあるバリアントが存在することがあります。GlotLID-Mはそれらを区別することでより正確な識別を提供しています。マクロ言語と変種の取り扱い：方言や他の変種はよくマクロ言語に含まれます。マクロ言語内で、GlotLID-Mはこれらの変化を効果的に識別する能力を持つようになりました。ノイズデータの処理：GlotLID-Mはノイズのあるデータの処理に優れており、低資源の言語データとの作業は難しく、時にノイズが多いです。研究チームは、評価の結果、GlotLID-MはCLD3、FT176、OpenLID、NLLBの4つのベースラインのLIDモデルよりも優れたパフォーマンスを示したことを共有しています。精度に基づくF1スコアと偽陽性率のバランスが取れた場合にも、このモデルは言語を一貫して正確に認識できることを証明しています。GlotLID-Mは使いやすさと効率性を重視して作成され、データセット作成のためのパイプラインに簡単に組み込むことができます。研究チームの主な貢献は以下の通りです。 GlotLID-Cという包括的なデータセットを作成しました。これは1665の言語を包括し、さまざまなドメインにおいて低資源言語に重点を置いています。 GlotLID-Cデータセットでトレーニングされたオープンソースの言語識別モデルであるGlotLID-Mを作成しました。このモデルはデータセット内の1665の言語を識別できる能力を持ち、広範な言語スペクトラムでの言語認識に強力なツールです。 GlotLID-Mは、複数のベースラインモデルよりも優れた性能を発揮しています。低資源言語と比較して、普遍的な人権宣言（UDHR）コーパスで12％以上の絶対F1スコアの改善を実現しています。 F1スコアと偽陽性率（FPR）のバランスを考慮する場合、GlotLID-Mも非常に優れたパフォーマンスを発揮します。高資源言語とVOAGIリソース言語が主な集まりを形成するFLORES-200データセットは、ベースラインモデルよりも優れたパフォーマンスを示します。

AI対データアナリスト：分析の未来に影響を与えるトップ6の制約

「AIは推論能力を持ち、Python、SQL、Rなどの言語で機能するコードを生成できますデータ分析において驚くべき価値を提供することができるでしょうしかし、それらはデータアナリストの代わりになることができるのでしょうか？」

Data science

「16/10から22/10までの週のトップ重要なコンピュータビジョン論文」

毎週、いくつかのトップレベルの学術会議とジャーナルでは、画像などの異なるサブフィールドでのエキサイティングなブレイクスルーを紹介するコンピュータビジョンの革新的な研究が披露されました...

Learn more about Search Results 6 - Page 4