Search Results Azure

Windows 12はAIの魔法機能を搭載：テクノロジーの未来への一端

Microsoft（マイクロソフト）は、次世代のWindows OSの大規模なアップデート「ハドソンバレー」と呼ばれるものを熱心に開発しており、Windowsユーザーエクスペリエンスを革新することを期待されています。 “Windows 12″という名前を付けるかどうかについての噂と洞察が既に現れており、その予想される機能、AIの進歩、およびリリースの時期について明らかにしています。名前のジレンマ予想が高まる中、名前に対する不確定性が存在します。最初は「Windows 12」と噂されていましたが、最新の情報ではMicrosoftは「Windows 11」というブランド名を使用する可能性があります。この戦略的な決定は、前Windowsリーダーのパノス・パナイの退任後に新しいWindowsリーダーシップから唱えられたユーザーベースのさらなる分断を避けたいという願望に基づいています。リリースの時期の洞察インサイダーによると、次期大規模なWindows OSのアップデートは2024年の後半に予定されています。早期のコードとプラットフォームのテストは既にWindows Insider Canary Channelで行われており、愛好家たちに早めの一見を提供しています。リリースは2024年4月にRTMのマイルストーンに到達する予定です。Windows 11のユーザーは、最終バージョンが2024年9月または10月に利用可能になることを期待することができます。プラットフォームの移行: ニッケルからゲルマニウムへ過去とは異なり、ハドソンバレーはニッケルプラットフォームのリリースからの転換点となります。新しいWindowsプラットフォームであるゲルマニウムに移行しています。この移行により、より大きな変革が約束されるフルOSのアップグレードが必要になります。これは以前のWindows 11のアップデートで見られた段階的な変更とは対照的です。システム要件のジレンマハドソンバレーの具体的なシステム要件は明らかにされていませんが、除外される可能性についての懸念があります。特にWindows 11の要件の高さにより、大勢のPCが対象外となりました。8GBに移行する可能性がある増加したRAM要件に関する噂が出回っており、公式の確認を待っています。 AI中心の展開 MicrosoftのAI体験への取り組みは、ハドソンバレーの焦点です。今回のリリースでは、Windows…

「PowerBIでのデータ操作のためのPower Queryの使用」

はじめに Power Queryは、PowerBIの強力なデータ変換および操作ツールであり、ユーザーがさまざまなソースからデータを抽出、変換、ロードすることを可能にします。コーディングの必要なく、複雑なデータ変換を行うためのユーザーフレンドリーなインターフェースを提供しています。この記事では、Power QueryのPowerBIでの利点を探り、データ操作に使用する方法を教えます。 PowerBIでのPower Queryの利点 Power Queryは、PowerBIでのデータ操作に以下の利点を提供します。データの抽出：Power Queryは、データベース、Excelファイル、Webページ、APIなど、さまざまなデータソースに接続することを可能にします。これにより、複数のソースからデータを抽出し、分析のための単一のデータセットに結合することができます。データの変換：Power Queryは、データのクリーンアップ、フィルタリング、ソート、および変形のための多様な変換オプションを提供します。重複の削除、列の分割と結合、クエリのマージと追加、およびデータのピボットおよびアンピボットなどの操作を行うことができます。データのロード：Power QueryはPowerBIとシームレスに統合されており、変換されたデータをレポートやダッシュボードのデータモデルにロードすることができます。また、データの更新とリフレッシュもサポートしており、レポートが常に最新の状態を保つことができます。 Power Queryの使い方 Power QueryはPowerBIに組み込まれた機能ですので、別個のインストールは必要ありません。単にPowerBIを開き、ホームタブの「データの取得」オプションに移動してPower Queryにアクセスします。 PowerBIでPower Queryを使用するためには、次の手順に従ってください：データソースへの接続：Power Queryは、Excelファイル、データベース、Webページ、APIなど、さまざまなデータソースをサポートしています。データソースに接続するには、「データの取得」メニューから適切なオプションを選択し、接続を確立するためのプロンプトに従ってください。 Power…

「データサイエンスプロジェクトのための8つのGitHubの代替品」

イントロダクション GitHubの鳥かごから自由になる準備はできていますか？ GitHubは長い間、コード管理の信頼できるパートナーでしたが、データサイエンスプロジェクトの固有のニーズに特化した代替プラットフォームの広大な景色を探索する時が来ました。これらのプラットフォームの主な特徴は、大規模なデータセットを簡単に処理できること、Jupyterノートブックがシームレスに統合されること、そしてコラボレーションが楽になることです。データサイエンスプロジェクトにおけるGithubの代替案トップ8を見てみましょう！ GitHubの代替案を検討する理由 GitHubは間違いなく強力なプラットフォームですが、データサイエンスプロジェクトにはいくつかの制限があります。その主な欠点の1つは、大規模なデータセットのサポートが不足していることであり、大量のデータを扱うデータサイエンティストにとっては大きな障害となる場合があります。さらに、GitHubはコードのバージョニングとコラボレーションに焦点を当てているため、データサイエンスチームの特定のニーズを十分に満たすことができないことがあります。データの管理と分析に高度な機能を必要とすることが多いデータサイエンスチームにとっては、もう少し進んだ機能が必要です。これらの問題に取り組むために、データサイエンスのプロジェクトにはこれらのGitHubの代替案を検討することができます！ Bitbucket Bitbucketは、データサイエンスプロジェクトに特化したさまざまな機能を提供する人気のあるGitHubの代替案です。Jupyterノートブックとのシームレスな統合を提供し、データサイエンティストが簡単にノートブックを共有して共同作業することができます。Bitbucketは大規模なデータセットの堅牢なサポートも提供しており、データ集中型のプロジェクトには優れた選択肢です。このGitHubの代替案でデータサイエンスプロジェクトを始めるためには、ここをクリックしてください。 GitLab GitLabは、データサイエンスプロジェクト向けの包括的な機能セットを提供するGitHubの強力な代替案です。組み込みの継続的インテグレーションと展開機能を提供し、データサイエンティストがワークフローを自動化しやすくしています。GitLabはデータのバージョニングやデータの系統のような高度なデータ管理機能も提供しており、データサイエンスプロジェクトにおける再現性と追跡性の担保に不可欠です。 GitLabを探索するためには、ここをクリックしてください。 SourceForge SourceForgeは、オープンソースソフトウェア開発に広く利用されてきた歴史のあるプラットフォームです。他の代替案と比べると洗練されたレベルは提供していませんが、SourceForgeはデータサイエンスプロジェクトのホスティングと管理のための信頼性のある簡単なソリューションを提供しています。バージョン管理、問題追跡、およびコラボレーションの機能を提供しており、小規模なデータサイエンスチームに適しています。このGitHubの代替案をデータサイエンスプロジェクトに探索するためには、ここをクリックしてください。 GitKraken GitKrakenは、データサイエンスプロジェクト向けの使いやすいインターフェースとさまざまな機能を提供する人気のあるGitクライアントです。JupyterノートブックやRStudioなどの人気のあるデータサイエンスツールとのシームレスな統合を提供し、データサイエンティストがプロジェクトを管理しやすくしています。また、GitKrakenはバージョン管理履歴から洞察を得るための高度な可視化機能も提供しています。このGitHubの代替案でプロジェクトを始めることができます！ここをクリックしてください。 AWS CodeCommit AWS CodeCommitは、Amazon Web Servicesが提供する完全に管理されたソースコントロールサービスです。Amazon…

ODSCのAI週間まとめ：12月8日の週

人工知能は、報道を通じて光の速さで進化してきましたODSCで取り上げた内容や他のニュースを振り返り、見逃してしまった話題も紹介しますこれにより、あなたはAIについての最新情報を把握できるでしょう

AI Weekly Recap

このAI研究は、CoDi-2を紹介します：インターリーブされた指示処理とマルチモーダルな出力生成の風景を変える画期的なマルチモーダル大規模言語モデルです

研究者たちは、UCバークレー、Microsoft Azure AI、Zoom、UNC-Chapel Hillによって開発されたCoDi-2 Multimodal Large Language Model（MLLM）を利用して、複雑な多モーダル指示の生成と理解の問題に取り組みました。さらに、被駆動型画像生成、ビジョン変換、オーディオ編集のタスクにおいても優れた性能を発揮します。このモデルは包括的な多モーダル基盤の確立において、重要な突破口となります。 CoDi-2は、前身であるCoDiの機能を拡張し、被駆動型画像生成やオーディオ編集といったタスクで優れた性能を発揮します。このモデルのアーキテクチャには、オーディオとビジョンの入力に対するエンコーダとデコーダが含まれています。トレーニングでは、拡散モデルからのピクセル損失とトークン損失が組み合わされます。CoDi-2は、スタイルの適応や被駆動型生成などのタスクにおいて、顕著なゼロショットおよびフューショットの能力を示します。 CoDi-2は、多モーダル生成における課題に取り組み、ゼロショットの詳細制御、モダリティを交互にする指示の追従、およびマルチラウンドの多モーダルチャットに重点を置いています。LLMをその脳として利用することで、CoDi-2はエンコードおよび生成の過程でモダリティを言語と整合させることができます。このアプローチにより、モデルは複雑な指示を理解し、一貫性のある多モーダル出力を生成することができます。 CoDi-2のアーキテクチャには、オーディオとビジョンの入力に対するエンコーダとデコーダが含まれており、多モーダルの大規模言語モデル内に組み込まれています。さまざまな生成データセットでトレーニングされたCoDi-2は、トークン損失に加えて拡散モデルからのピクセル損失を利用しています。優れたゼロショットの能力を示し、被駆動型画像生成、ビジョン変換、オーディオ編集のタスクにおいて、競争力のあるパフォーマンスと新しい未知のタスクに対する一般化能力を発揮します。 CoDi-2は、多文脈での学習、推論、任意のモダリティ生成を通じてゼロショットの能力を広範に持ちます。評価結果は、高い競争力のあるゼロショットのパフォーマンスと新しい未知のタスクへの堅牢な一般化を示しています。CoDi-2は、オーディオ編集のタスクで優れたパフォーマンスを達成し、すべてのメトリクスにおいて最低スコアとなる要素の追加、削除、および置換によるパフォーマンスを示します。高品質な多モーダル生成を進化させるために、コンテキストの年齢、概念学習、編集、および詳細な制御の重要性を強調します。 CoDi-2は、複雑な指示の追従、コンテキストでの学習、推論、チャット、および異なる入力-出力モードでの編集など、さまざまなタスクで優れた能力を持つ先進的なAIシステムです。異なるスタイルに適応し、さまざまな主題に基づいたコンテンツを生成し、オーディオを操作する能力においても、多モーダル基盤モデリングにおける重要な突破口となります。CoDi-2は、訓練されていないタスクでも多くのタスクを処理できる包括的なシステムの作成に向けた印象的な探索です。 CoDi-2の将来の展開では、コンテキストでの学習の改善、対話能力の拡張、および追加のモダリティのサポートにより、多モーダルの生成能力を向上させることを計画しています。拡散モデルなどの技術を使用して、画像とオーディオの品質を向上させることも目指しています。将来の研究では、CoDi-2を他のモデルと評価・比較し、その強みと制限を理解することも含まれるでしょう。

2024年の予測17：RAG to RichesからBeatlemaniaとNational Treasuresへ

メリアム・ウェブスターの前に譲れ：今年、企業は年間のワードに追加するための多くの候補を見つけました。「生成的AI」と「生成的事前学習変換器」の後には、「大規模言語モデル」と「検索増強生成」（RAG）のような用語が続き、さまざまな産業が変革的な新技術に注目しました。生成的AIは今年の初めにはまだ注目されていなかったが、終わりには大きなインパクトを与えました。多くの企業が、テキスト、音声、動画を取り込み、生産性、イノベーション、創造性を革新する新しいコンテンツを生み出す能力を利用するために全力で取り組んでいます。企業はこのトレンドに乗っています。OpenAIのChatGPTなどのディープラーニングアルゴリズムは、企業のデータをさらにトレーニングすることで、63のビジネスユースケース全体で年間2.6兆ドルから4.4兆ドル相当の価値を生み出すことができると、マッキンゼー・アンド・カンパニーによって評価されています。しかし、大量の内部データを管理することは、AIの拡大における最大の障害とされてきました。NVIDIAのAIの専門家の一部は、2024年は友達との電話に関するすべてだと予測しており、クラウドサービスプロバイダーやデータストレージおよび分析会社など、大規模データを効率的に処理し、調整し、展開するノウハウを持つ企業や個人とのパートナーシップや協力関係を構築することが重要だと述べています。大規模言語モデルがその中心にあります。NVIDIAの専門家によると、LLM研究の進展は、ますますビジネスや企業向けのアプリケーションに適用されるようになります。RAG、自律型インテリジェントエージェント、マルチモーダルインタラクションのようなAIの機能は、ほぼすべてのプラットフォームを介してよりアクセス可能で容易に展開できるようになります。 NVIDIAの専門家の予想を聞いてください： MANUVIR DASエンタープライズコンピューティング部門副社長一揃いは全てに合わない：カスタマイズが企業にやってきます。企業は1つまたは2つの生成的AIアプリケーションを持つのではなく、さまざまな部門に適した独自のデータを使用した何百ものカスタマイズされたアプリケーションを持つことになるでしょう。これらのカスタムLLMは、稼働中にデータソースを生成的AIモデルに接続するためのRAGの機能を備え、より正確で明確な応答を提供します。Amdocs、Dropbox、Genentech、SAP、ServiceNow、Snowflakeなどのリーディングカンパニーは、既にRAGとLLMを使用した新しい生成的AIサービスを構築しています。オープンソースソフトウェアが先頭を走っています：オープンソースの事前学習モデルのおかげで、特定のドメインの課題を解決する生成的AIアプリケーションがビジネスの運用戦略の一部になるでしょう。企業がこれらの先行モデルをプライベートまたはリアルタイムのデータと組み合わせると、組織全体で加速された生産性とコストの利益を見ることができるようになります。クラウドベースのコンピューティングやAIモデルファウンドリーサービスから、データセンターやエッジ、デスクトップまで、ほぼすべてのプラットフォームでAIコンピューティングとソフトウェアがよりアクセス可能になります。棚卸しのAIとマイクロサービス：生成的AIは、開発者が複雑なアプリケーションを構築しやすくするアプリケーションプログラミングインターフェース（API）エンドポイントの採用を促しています。 2024年には、ソフトウェア開発キットとAPIが進化し、開発者がRAGなどのAIマイクロサービスを利用してオフシェルフのAIモデルをカスタマイズすることができるようになります。これにより、企業は最新のビジネス情報にアクセスできる知能を持つアシスタントや要約ツールを使用して、AIによる生産性の完全な可能性を引き出すことができます。開発者は、これらのAPIエンドポイントをアプリケーションに直接埋め込むことができ、モデルとフレームワークをサポートするために必要なインフラストラクチャの維持について心配する必要はありません。エンドユーザーは、自分のニーズに適応するより直感的でレスポンシブなアプリケーションを体験することができます。 IAN BUCKハイパースケールとHPC部門副社長国家的な財産：人工知能は新しい宇宙競争となり、すべての国が研究と科学の重要な進展を推進し、GDPを向上させるために自国の卓越の中心を作ろうとしています。数百個のアクセラレートされた計算ノードを使用するだけで、国は高効率で大規模なパフォーマンスを発揮するエクサスケールAIスーパーコンピュータを迅速に構築することができます。政府資金による創発型AI卓越センターは、新しい雇用を創出し、次世代の科学者、研究者、エンジニアを育成するためにより強力な大学のプログラムを構築することで、国の経済成長を後押しします。飛躍的な進歩:企業リーダーは、二つの主要な要因に基づいて量子コンピューティングの研究イニシアチブを立ち上げます。まず、従来のAIスーパーコンピュータを使用して量子プロセッサをシミュレートする能力、そして、ハイブリッドクラシカル量子コンピューティングのためのオープンかつ統一された開発プラットフォームの利用が可能になることです。これにより、開発者は、量子アルゴリズムを構築するためにカスタムで特殊な知識を必要とせず、標準のプログラミング言語を使用することができます。かつてはコンピュータ科学の奇妙なニッチと考えられていた量子コンピューティングの探求は、素材科学、製薬研究、サブアトミック物理学、物流などの分野で急速な進歩を追求する企業がアカデミアや国立研究所に加わることで、より一般的なものになるでしょう。 KARI BRISKIAIソフトウェア担当副社長 RAGから富へ:2024年、企業がこれらのAIフレームワークを採用するにつれ、再試行補完生成はさらに注目されるでしょう。…

「トップ40以上の創発的AIツール（2023年12月）」

ChatGPT – GPT-4 GPT-4は、以前のモデルよりもより創造的で正確かつ安全なOpenAIの最新のLLMです。また、画像、PDF、CSVなどの多様な形式も処理できるマルチモーダル機能も備えています。コードインタープリターの導入により、GPT-4は独自のコードを実行して幻覚を防ぎ、正確な回答を提供することができます。 Bing AI Bing AIは、OpenAIのGPT-4モデルを搭載し、正確な回答を提供するためにウェブを横断することができます。また、ユーザーのプロンプトから画像を生成する能力も持っています。 GitHub Copilot GitHub Copilotは、コードを分析し、即座のフィードバックと関連するコードの提案を提供するAIコード補完ツールです。 DALL-E 2 DALL-E 2はOpenAIによって開発されたテキストから画像を生成するツールで、ユーザーのプロンプトに基づいてオリジナルの画像を作成します。不適切なユーザーリクエストを拒否するように設計されています。 Cohere Generate Cohere Generateは、AIの潜在能力を活用してビジネスプロセスを向上させるものです。メール、ランディングページ、製品の説明など、さまざまな要件に合わせたパーソナライズされたコンテンツを提供します。 AlphaCode AlphaCodeはDeepMindによって開発され、競争力のあるレベルでコンピュータプログラムを作成することができます。 Adobe Firefly…

新しいLAMPスタック：生成AI開発の革新を照らす

LAMPスタックは、さまざまなドメインでの生成型AIの開発と展開において必須となってきています

「GoとMetalシェーディング言語を通じてAppleのGPUをプログラミングする」

以下では、GoとネイティブCの間でcgoを使用してインターフェースを作成するプロセス、これを使用してAppleのMetal Performance ShadersフレームワークのObjective-Cバインディングとインターフェースを作成する方法について説明します

「Protopia AIによる企業LLMアクセラレーションの基盤データの保護」

この記事では、Protopia AIのStained Glass Transformを使用してデータを保護し、データ所有権とデータプライバシーの課題を克服する方法について説明していますProtopia AIは、AWSと提携して、生成AIの安全かつ効率的なエンタープライズ導入のためのデータ保護と所有権の重要な要素を提供していますこの記事では、ソリューションの概要と、Retrieval Augmented Generation（RAG）などの人気のあるエンタープライズユースケースや、Llama 2などの最先端のLLMsでAWSを使用する方法をデモンストレーションしています

Learn more about Search Results Azure - Page 5