Search Results クラウド

「データサイエンスのトップ7の無料クラウドノートブック」

「クラウドノートブックはデータサイエンスのゲームチェンジャーであり、コンピューティングへの無料アクセス、プリビルト環境、コラボレーション機能、サードパーティの統合などを提供していますこれらは、あなたのワークフローを向上させるために必要な全てを提供します」

Data science

クラウド上で機械学習モデルを本番環境にデプロイする

「AWSでホストされているライブモデルを持つ簡単な方法を学びましょう」

MLOps

VoAGIニュース、10月5日：Pythonのマスターに役立つ無料の5冊の本 • データサイエンスのためのトップ7の無料クラウドノートブック

今週のVoAGIでは、Pythonをマスターするための無料の5冊の書籍•データのためのトップ7の無料クラウドノートブックなどなど、たくさんの情報があります！

NEWS

クラウドを通じたデジタルトランスフォーメーションの推進

オラクルクラウドワールドの基調講演では、クラウドとAIを活用してデジタル変革の旅を進める業界リーダーたちが、経験とビジネスモデルを再発明することについて話し合われました

デジタルネイティブ（クラウドで生まれた人々）のデータストリーミングの現状

クラウドに生まれたデジタルネイティブを探索し、イノベーションと新しいビジネスモデルにApache Kafkaを活用し、トレンド、アーキテクチャ、ケーススタディを発見してください

「Amazon SageMakerを使用して、マルチクラウド環境でMLモデルをトレーニングおよびデプロイする」

この投稿では、多クラウド環境でAWSの最も広範で深いAI / ML機能の1つを活用するための多くのオプションの1つを示しますAWSでMLモデルを構築しトレーニングし、別のプラットフォームでモデルを展開する方法を示しますAmazon SageMakerを使用してモデルをトレーニングし、モデルアーティファクトをAmazon Simple Storage Service（Amazon S3）に保存し、モデルをAzureで展開して実行します

オラクルクラウドインフラストラクチャは、新たなNVIDIA GPUアクセラレートされたコンピュートインスタンスを提供しています

生成的AIと大規模な言語モデル(LLM)による画期的なイノベーションを実現するために、トレーニングと推論の計算上の要求が急速に増加しています。これらの現代の生成的AIアプリケーションには、スピードと正確性を持つ大規模なワークロードを処理できる最新のインフラストラクチャが必要です。このニーズに応えるため、Oracle Cloud Infrastructureは、NVIDIA H100 Tensor Core GPUをOCI Computeで一般提供することを発表しました。また、NVIDIA L40S GPUも近日中に一般提供される予定です。 OCIでのNVIDIA H100 Tensor Core GPUインスタンス NVIDIA H100 GPUを搭載したOCI Computeベアメタルインスタンスは、NVIDIA Hopperアーキテクチャを搭載しており、大規模なAIとハイパフォーマンスコンピューティングにおいて大きな飛躍を実現し、あらゆるワークロードに対して前例のないパフォーマンス、拡張性、柔軟性を提供します。 NVIDIA H100 GPUを使用する組織は、NVIDIA…

「スノーフレーク vs データブリックス：最高のクラウドデータプラットフォームを作るために競争する」

「最高のクラウドデータプラットフォームの競争に参加したいですか？SnowflakeとData Bricksの違いを見てみてください」

「Amazon QuickSightでワードクラウドとしてAmazon Comprehendの分析結果を可視化する」

自由形式のテキスト文書のリポジトリで洞察を探すことは、藁の中の針を探すようなものです従来のアプローチでは、単語のカウントや他の基本的な分析を使用して文書を解析することがありますが、Amazon AIと機械学習（ML）ツールの力を活用することで、より深い内容の理解を得ることができます[…]

「PhysObjectsに会いましょう：一般的な家庭用品の36.9K個のクラウドソーシングと417K個の自動物理的概念アノテーションを含むオブジェクト中心のデータセット」

現実世界では、情報はしばしばテキスト、画像、または動画の組み合わせによって伝えられます。この情報を効果的に理解し、対話するためには、AIシステムは両方のモダリティを処理できる必要があります。ビジュアル言語モデルは、自然言語理解とコンピュータビジョンの間のギャップを埋め、より包括的な世界の理解を可能にします。これらのモデルは、テキストとビジュアル要素を組み込んだ豊かで文脈に即した説明、ストーリー、または説明を生成することができます。これは、マーケティング、エンターテイメント、教育など、さまざまな目的のコンテンツを作成するために役立ちます。ビジュアル言語モデルの主なタスクには、ビジュアルクエスチョンアンサリングと画像キャプションがあります。ビジュアルクエスチョンアンサリングでは、AIモデルに画像とその画像に関するテキストベースの質問が提示されます。モデルはまずコンピュータビジョンの技術を使用して画像の内容を理解し、NLPを使用してテキストの質問を処理します。回答は理想的には画像の内容を反映し、質問に含まれる特定のクエリに対応する必要があります。一方、画像キャプションでは、画像の内容を説明する記述的なテキストキャプションや文を自動生成することが含まれます。現在のビジュアル言語モデルは、一般的なオブジェクトの物質の種類や壊れやすさなどの物理的な概念を捉えることを改善する必要があります。これにより、物体の物理的な推論を必要とするロボットの識別タスクが非常に困難になります。この問題を解決するために、スタンフォード大学、プリンストン大学、Google DeepMindの研究者らはPhysObjectsを提案しています。これは、一般的な家庭用品の36.9Kのクラウドソースおよび417Kの自動物理的概念アノテーションのオブジェクト中心のデータセットです。クラウドソースのアノテーションは、分散グループの個人を使用して大量のデータを収集し、ラベル付けする方法です。彼らは、PhysObjectsでファインチューンされたVLMが物理的な推論能力を大幅に向上させることを示しました。物理的に基礎づけられたVLMは、保持データセットの例において予測精度が向上しています。彼らはこの物理的に基礎づけられたVLMをLLMベースのロボットプランナーと組み合わせてその利点をテストしました。LLMはシーン内のオブジェクトの物理的な概念についてVLMにクエリを行います。研究者は、EgoObjectsデータセットを画像ソースとして使用しました。これは、PhysObjectsを構築する際に公開された最大の実オブジェクト中心のデータセットでした。リアルな家庭の配置のビデオで構成されているため、家庭用ロボティクスのトレーニングに関連しています。平均して、117,424枚の画像、225,466個のオブジェクト、4,203個のオブジェクトインスタンスIDが含まれています。彼らの結果は、物理的に基礎づけられたVLMを使用しないベースラインと比較して、物理的な推論を必要とするタスクの計画パフォーマンスが向上したことを示しています。彼らの今後の研究では、幾何学的な推論や社会的な推論など、物理的な推論を超えて拡大する予定です。彼らの手法とデータセットは、VLMを用いたより洗練された推論のための第一歩です。

Learn more about Search Results クラウド - Page 5