Search Results A

『分析チームとしての緊急性と持続可能性のバランス』

データ分析のダイナミックな世界では、データクエリへの即時のレスポンスの必要性が共通の課題でありますマネージャーからの臨時の依頼、迫りくる取締役会議など、いかなる場面でも…

「ベクトル検索だけでは十分ではありません」

「回収拡張生成（RAG）は、オープンドメインの質問応答を革新し、システムがさまざまなクエリに人間のような回答を生成できるようにしましたRAGの核心には...」

UCSDとMicrosoftの研究者がColDecoを導入：計算されたカラムのためのノーコード検査ツール

UCSDとMicrosoftの研究チームが開発した「COLDECO：AIによって生成されたコードのエンドユーザ用スプレッドシート検査ツール」という論文では、大規模言語モデル（LLM）によって生成されたコードの正確さと信頼性を確保する課題に取り組むための革新的なツールが紹介されています。課題は、LLMが複雑で間違っている可能性のあるコードを生成することであり、これによりスプレッドシートのデータ処理に依存する非プログラマにとって大きな課題となっています。この領域における現在の手法では、プロのプログラマがLLMによって生成されたコードを評価して修正する必要があり、これによりこれらのツールの利用範囲が制限されています。COLDECOは、エンドユーザの理解と信頼を向上させるための検査機能を提供することで、このギャップを埋めることを目指しています。 COLDECOは、グリッドベースのインターフェース内で2つの主要な機能を提供しています。まず、ユーザは生成された解決策を中間の補助列に分解することができ、問題の解決手順を一歩ずつ理解することができます。この機能により、複雑なコードをより管理しやすいコンポーネントに分割できます。次に、ユーザはプログラム内で興味深いケースをハイライトしたフィルタリングされたサマリ行のテーブルと対話することができます。これにより、問題や異常を特定する作業が容易になります。 24人の参加者を対象としたユーザースタディでは、COLDECOの機能がLLMによって生成されたコードの理解と検証に有用であることがわかりました。ユーザは、補助列とサマリ行の両方が役立つと感じ、これらの機能を組み合わせて使用する傾向がありました。ただし、参加者は、サマリ行の生成方法に対するさらなる透明性が欲しいという希望を表明し、これによりコードを信頼し理解する能力をさらに向上させたいと述べました。結論として、COLDECOはスプレッドシート内のAIによって生成されたコードを非プログラマが扱うことを可能にする有望なツールであり、コードの検査と検証に貴重な機能を提供しています。LLMによって生成されたコードの正確性に対する透明性と信頼性の重要性に応え、より幅広いユーザにプログラミングをアクセス可能にしています。

大きな言語モデル：TinyBERT – 自然言語処理のためのBERT蒸留

最近、大規模言語モデルの進化が急速に進んでいますBERTは最も人気のある効率的なモデルの1つとなり、高い精度でさまざまなNLPタスクを解決することができるようになりましたその後...

データエンジニアのためのPython

この物語では、Pythonにおける高度なデータエンジニアリング手法について話します疑いの余地なく、Pythonはデータのための最も人気のあるプログラミング言語です私のデータ業界での約12年間のキャリアの間に...

「統計的検定を用いたデータセットの多重共線性の検出」

データセット内の変数間の関係の強さを理解することは重要です統計的に似た振る舞いをする変数は、モデルの信頼性に影響を与える可能性があるため、取り除くことが必要です

ジェネラティブ人工知能を解明：拡散モデルと視覚コンピューティングの進化についての詳細な解説

コンピュータグラフィックスおよび3Dコンピュータビジョングループは、コンピュータ生成の視覚を組み合わせたり、写真からシーンの物理的特性を推測したりするために、数十年間物理的に現実的なモデルを作成するために取り組んできました。ビジュアルエフェクト、ゲーム、画像およびビデオ処理、コンピュータ支援設計、仮想および拡張現実、データ可視化、ロボティクス、自律型車両、リモートセンシングなどを含むいくつかの業界は、レンダリング、シミュレーション、ジオメトリ処理、フォトグラメトリを含むこの手法に基づいて構築されています。生成的人工知能（AI）の台頭により、視覚コンピューティングについての完全に新しい思考のあり方が現れました。生成的AIシステムにより、書き込みのプロンプトまたは高レベルの人間の指示のみを入力として、写真、映画、または3Dオブジェクトの作成および操作が可能になります。これらのテクノロジーは、以前は専門的なトピックの専門家にしか利用できなかった視覚コンピューティングの多くの時間を要するタスクを自動化します。Stable Diffusion、Imagen、Midjourney、またはDALL-E 2およびDALL-E 3などの視覚コンピューティングの基礎モデルは、生成的AIの無類の能力を開放しました。これらのモデルは、何億ものテキストと画像のペアリングで訓練された後、すでに「それをすべて見てきた」と言えるほど膨大で、数十億の学習可能なパラメータを持っています。これらのモデルは、非常に強力なグラフィックス処理ユニット（GPU）のクラウドで訓練されました。画像、ビデオ、および3Dオブジェクトを生成するために使用される畳み込みニューラルネットワーク（CNN）に基づく拡散モデルは、CLIPなどのトランスフォーマベースのアーキテクチャを使用して計算されたテキストを多様な形式で統合します。2D画像生成のための基礎モデルを他の高次元のドメイン（ビデオや3Dシーン作成など）で使用するために、学術界にはまだ大きな貢献をする余地があります。主により具体的な種類のトレーニングデータの必要性がこれを引き起こします。たとえば、ウェブ上には高品質で多様な3Dオブジェクトや設定の例よりも、低品質で一般的な2D写真の例がはるかに多くあります。また、ビデオ、3Dシーン、または4Dマルチビューコンシステントシーン合成に必要なより大きな次元に合わせて2Dイメージ生成システムをスケーリングする方法がすぐには明らかではありません。現在のネットワークアーキテクチャは、（ラベルのない）大量のビデオデータがウェブ上で利用可能であっても、訓練するには時間がかかりすぎるか、適切な計算リソースがないため、しばしば非効率なのです。これにより、拡散モデルは推論時間が非常に遅くなります。これは、ネットワークの大きさと反復的な性質に起因します。図1：視覚コンピューティングの拡散モデルの理論と応用については、この最新の論文でカバーされています。これらのモデルは、最近では2Dおよび3D/4Dでのイメージ、ビデオ、およびオブジェクトの生成と変更のための受け入れられた基準として取って代わりました。未解決の問題にもかかわらず、視覚コンピューティングの拡散モデルの数は昨年急増しました（図1に示すような例があります）。複数の大学の研究者によって開発されたこの最新のレポート（STAR）の目的は、視覚コンピューティングでの拡散モデルの応用に焦点を当てた多くの最近の出版物の整理されたレビューを提供し、拡散モデルの原理を教え、未解決の問題を特定することです。

『平易な日本語で解説する基本的な10の統計概念』

「確率分布から中心極限定理まで、データの理解を向上させるために、シンプルに説明された基礎的な統計概念10選を探求してみましょう」

Data science

PythonのCollectionsモジュールについてすべて

私たちみんなが知っているように、Pythonには独自のデータ型のヒーローがいますリスト、タプル、辞書、そして悪名高いセットですしかし、Pythonの正義のリーグには、コレクションという名前のスーパーマンがいますIn...

ドイツの研究チームがDeepMBを開発しました MSOTを介して高品質でリアルタイムなオプトアコースティックイメージングを提供するディープラーニングフレームワーク

医療画像処理において、高品質な画像を素早く取得することは、多波長オプトアコースティックトモグラフィー（MSOT）の臨床的有用性を長年にわたって妨げてきました。この最先端の技術は、乳がんや筋ジストロフィーを含むさまざまな疾患の診断と評価を約束していますが、詳細な画像を作成するために必要な時間のかかる処理により、しばしば制限がありました。研究者たちは、医療画像処理を革新する可能性のある画期的な解決策を発表しました。一部のアルゴリズムはリアルタイムの画像を生成できるものの、画質を犠牲にしています。一方、より複雑なアルゴリズムは高品質な画像を生成できますが、非現実的に遅いです。この長い間のジレンマは、革新的なアプローチの必要性を促しました。 DeepMBは、リアルタイムで高品質なオプトアコースティックイメージングを実現するために設計された深層学習フレームワークです。DeepMBは、モデルベースの再構成を使用したものを深層ニューラルネットワークを介して表現することで、リアルタイムイメージングの速度と、モデルベース再構成によって達成された画質の間のギャップを埋め合わせます。 DeepMBに関連するメトリクスは素晴らしいものです。研究者たちは、モデルベース再構成によって作成されたグラウンドトゥルース画像と合成されたオプトアコースティック信号を使用してシステムをトレーニングし、驚くべき31ミリ秒の画像あたりの正確なオプトアコースティックイメージ再構成を達成しました。さらに驚くべきことに、DeepMBは最先端のアルゴリズムよりも約1000倍速くイメージを再構成することができます。しかも、in vivo画像の質的および量的評価を通じて確認されたように、画質のほとんどの損失を保ちながら、多様なデータセットの定性的および定量的評価から、ほとんどの損失を主張します。 DeepMBの意義は広範です。患者の状態やスキャンされる部位に関係なく、臨床家に高品質なMSOT画像への直接アクセスを約束します。この大発見により、ハンドヘルドオプトアコースティックトモグラフィーによる高分解能の多波長コントラストイメージングが臨床医学の一環となる可能性が開けました。医学的研究と患者のケアに与える影響は変革的であり、医療専門職により正確な診断と優れたケアを提供するための強力なツールを提供します。まとめると、DeepMBはオプトアコースティックイメージングの進歩的な一歩を示しています。その柔軟性はMSOTに限定されず、超音波、X線、磁気共鳴画像など他の画像モダリティにも広がります。DeepMBでは、高品質な結果を前例のない速さで提供し、医学画像の分野をより良い方向に変えながら進化し続けることができる斬新なアプローチを解き放ちました。

Learn more about Search Results A - Page 590