Search Results A

スピーチファイのレビュー：2023年の究極のテキスト音声アプリは？

信頼できるテキスト読み上げアプリをお探しですか？このSpeechifyのレビューをチェックして、移動中の読書の究極のソリューションを発見しましょう

Speechify

「PythonデータサイエンスのJupyterノートブックの6つの魔法的なコマンド」

“`html Pythonベースのデータサイエンスプロジェクトでは、Jupyter Notebooksの利用が広く行われています。これらのインタラクティブで使いやすい環境は、コードとドキュメントのシームレスな統合を可能にし、探索と分析のための適した空間を提供します。このフレームワーク内には、不可欠なツールとして役立つ一連のマジックコマンドが存在します。これらのコマンドは、ワークフローの効率を向上させるだけでなく、データサイエンティストにとっての時間を節約する楽器として機能します。 1. Jupyterにおけるモデルとの対話コマンド「%%ai」を使用すると、機械学習モデルとの自然言語対話の世界に入ることができます。このコマンドを使用してモデルを選択し、そのモデルと自然な対話をすることができます。この機能により、モデルの探索の可能性が広がり、Jupyter Notebooksのインタラクティビティが向上します。 2.%%latex：視覚的な表現の向上「%%latex」コマンドは、ノートブックに数式や記号を含める必要がある場合に使用します。LaTeXコードをJupyter Notebooksで直接レンダリングすることができるため、より明確かつ専門的なプレゼンテーションのための数学的な表現をシームレスに統合することが可能となります。 3. %%sql：データベースとの連携の強化「%%sql」マジックコマンドを使用すると、SQLクエリをJupyter Notebooksに簡単に統合することができます。これにより、ユーザーはノートブック環境内で直接SQLクエリを実行することができます。この機能により、データベースを使用するデータサイエンティストにとって、外部インターフェースの必要性がなくなります。 4. %run：簡単なPythonファイルの実行「%run」マジックコマンドを使用すると、Jupyter Notebook内で外部のPythonファイルを実行することが簡単になります。スタンドアロンスクリプトまたはモジュールのPythonファイル内のデータにアクセスするために、1つのコマンドだけで済みます。これにより、Jupyterベースのアプリケーションのモジュラリティが向上し、外部コードの統合が容易になります。 5. %%writefile：ファイル作成の効率化マジックコマンド「%%writefile」は、ノートブック内での迅速なファイル作成の必要性を対応します。ユーザーは望むファイル名を入力し、セル内に内容を含めることで、新しいPythonファイルを簡単に作成することができます。この機能により、ファイル管理のアプローチが簡素化され、コードの整理が向上します。 6. %history -n：過去のコマンドの取得…

「トリントの創設者兼CEO、ジェフ・コフマンへのインタビューシリーズ」

ジェフ・コーフマンは、ABC、CBS、CBCニュースで30年のキャリアを持った後、Trintの創設者兼CEOとなりましたジェフは手作業の転写の壁に当たり、すべてのストーリーが不必要に停止するのを見ることに疲れました2014年、ジェフと開発チームはAIを活用して重労働を処理するTrintを生み出しました

「データビジュアル化のためのWebスクレイピングとGPT-4：入門チュートリアル」

ウェブからデータを抽出し、処理し、視覚化する能力は、ますます需要が高まっていますここでは、GPT-4を使用したプラクティカルで実際の例を使って、そのプロセスを細かく説明します

高度なPython ドット演算子

今回は、取るに足らないと思われることについて書きますそれは「ドットオペレーター」ですおそらく、皆さんはこのオペレーターを何度も使っているでしょうが、その裏側で何が起こっているのか、知らないままに疑問を持たずに使っていることでしょう

RLHF：人間のフィードバックからの強化学習

最近、尊敬している元同僚のソフトウェアエンジニアの一人と話をしました彼はChatGPTがAGIの表れだと考えており、その能力を複雑なものを簡単にする点を指摘していました

大規模言語モデルにおける推論力の向上：正確かつ転送可能なルールベース学習のための仮説から理論へ（HtT）フレームワークをご覧ください

論理タスクの領域では、大規模言語モデル（LLM）は、例や中間ステップを提供された場合に、驚くべきパフォーマンスを示しました。ただし、LLM内に含まれる暗黙の知識に依存するアプローチは、時には誤った回答を生み出すことがあります。それには、暗黙の知識が不正確であるか、またはタスクに矛盾している場合です。この問題に対処するために、Google、Mila – Québec AI Insitute、モントリオール大学、HECモントリオール、アルバータ大学、CIFAR AIチェアの研究チームが、LLMベースの推論のためのルールライブラリを取得するHypotheses-to-Theories（HtT）フレームワークを導入します。HtTは、誘導ステージと推論ステージの2つの主要なステージで構成されています。誘導ステージでは、LLMはまず、一連のトレーニング例に基づいてルールを生成し、検証することが求められます。上記の画像は、Hypotheses-to-Theoriesを用いた9進算術問題のチェーンオブソートメソッドへの適用を示しています。簡潔さを保つため、フューショットの例は省略されています。誘導ステージでは、チェーンオブソート（CoT）技術を利用してルールを生成し、トレーニングサンプルを使用して検証します。その後、生成されたルールを収集し、洗練されたルールライブラリを構築します。推論ステージでは、ルールライブラリから得られた知識を含んだCoTプロンプトを強化します。正しいルールは緑のマーカーで示され、間違ったルールは赤で表示されます。正しい答えに頻繁につながるルールは蓄積され、ルールライブラリが確立されます。推論ステージでは、LLMは取得したルールライブラリを利用して推論し、テストの質問に答えるように促されます。 HtTの評価では、研究者たちはチェーンオブソートや最小から最大へのプロンプティングなどの既存のフューショットの促進手法への改善としてHtTを統合しました。パフォーマンスは、現在のフューショットのプロンプティング手法にとって難しい2つの複雑な多段階推論問題で評価されました。数値推論と関係推論の両方についての実験結果は、HtTが既存のプロンプティング手法を向上させ、精度が11%から27%向上することを示しています。さらに、取得したルールは異なるモデルや同じ問題のさまざまな形式に効果的に転送することができます。導入された方法は、LLMを用いたテキストの知識獲得の新たな手法への道を開きます。HtTは、LLMの分野におけるさまざまな応用を可能にし、さらなる研究の源泉となることが期待されています。

リコグニションカスタムモデレーションの発表：データを使用して事前訓練されたリコグニションモデレーションモデルの精度を向上させます

企業は、ユーザーが生成した画像や動画をますます使用してエンゲージメントを図っています商品の画像を共有するように顧客を促す電子商取引プラットフォームから、ユーザーが生成した動画や画像を推進するソーシャルメディア企業まで、ユーザーコンテンツを活用することは、強力な戦略ですただし、このユーザーが生成したコンテンツがあなたのポリシーと一致し、[…]を育むことを確実にするのは、困難な場合もあります

UCバークレーの研究者たちは、「リングアテンション：トランスフォーマーのメモリ要件を削減するためのメモリ効率の良い人工知能アプローチ」という提案を行っています

ディープラーニングモデルアーキテクチャの一種であるTransformerは、多くの最先端のAIモデルの文脈で使われます。これらは人工知能の分野を革新しました、特に自然言語処理や機械学習のさまざまなタスクにおいて。予測を行う際に、モデルは入力シーケンスの異なる部分の重要性を重さ付けする自己注意メカニズムに基づいています。これらはエンコーダとデコーダからなり、入力を処理します。ただし、Transformerのコンテキストの長さを拡張するのは多くの作業が必要です。これは、負荷のかかる自己注意のためです。自己注意は、入力シーケンスの長さに平方比例するメモリのコストを持ち、長い入力シーケンスにスケールすることは困難になります。UCバークレイの研究者たちは、この問題に対処するために、シンプルな観察に基づいた「リングアテンション」と呼ばれる方法を開発しました。彼らは、自己注意とフィードフォワードネットワークの計算をブロックごとに行い、シーケンスを複数のデバイスに分散して容易に解析できることを観察しました。彼らは、ブロックごとの注意をホスト間で分散し、各デバイスが指定された入力ブロックに特化したブロックごとの注意とフィードフォワード操作を計算します。彼らのホストデバイスは概念的なリングを形成し、リング内の次のデバイスにブロックごとの計算に使用されているキー-値ブロックのコピーを送信します。同時に前のデバイスからキーバリューブロックを受信します。ブロック計算にはブロック転送よりも長い時間がかかります。研究チームはこれらのプロセスを重ね合わせ、通常のTransformerと比較して追加のオーバーヘッドが発生しませんでした。これにより、各デバイスには元の入力シーケンスの長さに依存しないブロックサイズに比例したメモリのみが必要となります。これにより、個々のデバイスによって課せられるメモリ制約がなくなります。実験の結果、リングアテンションにより、従来の効率的なメモリ使用状態を持つ最先端のTransformerよりも500倍以上長いシーケンスに対してトレーニングを行うことができることが示されました。この方法では、アテンションの近似を行わずに、1億以上の長さのシーケンスをトレーニングすることも可能です。また、リングアテンションにより、個々のデバイスによって課せられるメモリ制約をなくすことで、ほぼ無限のコンテキストサイズを実現することもできます。ただし、シーケンスの長さはデバイスの数に比例するため、多くのデバイスが必要になります。この研究では、大規模なトレーニングモデルは含まれていません。コンテキストの長さはデバイスの数に依存するため、モデルの効率性は最適化に依存します。研究者たちは将来的には最大シーケンス長と最大コンピューターパフォーマンスの両方に取り組みたいと述べています。無限に近いコンテキストの可能性により、大規模なビデオオーディオ言語モデル、拡張されたフィードバックとトライアンドエラーからの学習、コードベースの理解と生成、および遺伝子配列などの科学データを理解するためのAIモデルの適応など、多くの興味深い機会が生まれます。

「SwimXYZとの出会い：水泳モーションとビデオのための合成データセット、3.4Mフレームにグラウンドトゥルースの2Dおよび3Dジョイントの注釈が付いています」

人間の動作キャプチャは、スポーツ、医療、エンターテイメント業界のキャラクターアニメーションなど、さまざまな業界で重要なツールとして登場しています。モーションキャプチャは、スポーツにおいて、ケガの予防、ケガの分析、ビデオゲーム業界のアニメーション、さらにはテレビ放送局への情報的な可視化など、さまざまな目的で利用されています。従来のモーションキャプチャシステムは、ほとんどの状況で確かな結果を提供しますが、設置、キャリブレーション、ポストプロセスに費用と時間がかかり、広範なスケールでの利用が困難です。水泳などの水上活動では、マーカーの反射や水中カメラの設置など、独特の問題が生じます。最近の進歩により、簡単で手ごろな価格のデバイスを使って、RGBの写真や映画から動きを捉えることができるようになりました。これらのリアルタイム、単一カメラシステムは、既存のライブビデオデータを利用してスポーツイベントでのモーションキャプチャの広範な適用の可能性を開くかもしれません。これは、アマチュアアスリートのトレーニングプログラムを向上させるために小規模な構造物に使用されるかもしれません。ただし、より多くのデータが必要なため、水泳におけるコンピュータビジョンに基づくモーションキャプチャではいくつかの障壁があります。2D（2D関節、体のセグメンテーション）または3D（3D関節、仮想マーカー）のいずれのHuman Pose and Shape（HPS）推定手法でも、画像から情報を抽出する必要があります。ただし、従来のデータセットでトレーニングされたコンピュータビジョンアルゴリズムは、水中データの取り扱いには力不足であり、訓練用の画像とは大きく異なります。 HPS推定の最近の進展により、合成データが実際の画像を置き換えたり補完したりすることができるようになりました。彼らは、SwimXYZを導入して、水泳における画像ベースのモーションキャプチャ技術の応用範囲を拡大しようとしています。SwimXYZは、リアルな泳ぎのプールから採取された2Dおよび3D関節が注釈付けされた水泳専用映像を備えた人工的なデータセットです。SwimXYZを構成する11520本の映画の3.4百万フレームは、カメラの視点、対象物と水の見た目、照明、アクションなどが異なります。また、SMPL形式の240本の合成水泳モーションシーケンスとともに、SwimXYZはさまざまな体形と水泳モーションを提供しています。 CentraleSupélec、IETR UMR、Centrale Nantes、Université Technologique de Compiègneの研究者たちは、この研究でSwimXYZを作成しました。この大規模な人工水泳動作と映像のコレクションは、論文の承認後にオンラインで公開される予定です。SwimXYZの試験は、水泳におけるモーションキャプチャの潜在能力を示しており、その目標はより広く使用されるようになることを支援することです。将来の研究では、SwimXYZが提供する映像を用いて2Dおよび3Dポーズ推定モデルのトレーニングに加えて、SMPL形式の動作を使用してポーズのトレーニングやモーションプライオリを行うことができます。また、将来の作品では被写体（性別、体型、水着のルックス）や場所（外部環境、プール底）の多様性を補完することも考えられます。その他の改善点として、セグメンテーションや深度マップなどの他のアノテーションの追加や、飛び込みやターンなどの追加の水泳モーションなどが考えられます。

Learn more about Search Results A - Page 593