Search Results Dash

大規模なMLライフサイクルの統治、パート1：Amazon SageMakerを使用してMLワークロードを設計するためのフレームワーク

あらゆる規模や業界の顧客が、機械学習（ML）を自社の製品やサービスに取り入れることでAWS上で革新を遂げています生成モデルに関する最近の進展は、さらに様々な業界におけるMLの採用の必要性を高めていますただし、セキュリティ、データプライバシー、ガバナンスの制御の実装は、顧客がMLを実施する際に直面する主要な課題です

2023年10月の10個の最高のパスワードマネージャーツール

今日のデジタル時代では、私たちが利用するオンラインアカウントやサービスの数は驚くほど多いものですソーシャルメディアプラットフォームやメールアカウントからオンラインバンキングやEコマースサイトまで、それぞれ独自の認証情報が必要ですこれらすべてのパスワードを思い出すことは、圧倒的な課題であり、複数のアカウントで同じパスワードを使用することは、 [...]

best of

「AIにおけるアメリカのリーダシップの確かな基盤を築く方法」

Googleが報告書を共有します：AIにおけるアメリカのリーダーシップのための安全な基盤の構築' (Google ga hōkokusho wo kyōyū shimasu AI ni okeru Amerika no rīdāshippu no tame no anzenna kiban no kochiku.)

『責任ある生成AIの基準の確立』

AIの急速な発展に伴い、責任あるAIは意思決定者やデータサイエンティストにとって注目のトピックとなっていますしかし、手軽に利用できる生成AIの登場により、ますます重要性が増しています技術の進歩に伴い、責任あるAIがなぜ重要なのかにはいくつかの理由があります...

Responsible AI

「SaaS AIの機能が堀や障壁なしでアプリケーションと出会う」

最近、いくつかのエンタープライズSaaS企業が創発型AI機能を発表しましたが、これは持続可能な競争上の優位性を欠いたAIスタートアップにとって直接的な脅威です

LLama Indexを使用してRAGパイプラインを構築する

イントロダクション最も人気のある大規模言語モデル（LLM）の応用の一つは、カスタムデータセットに関する質問に回答することです。ChatGPTやBardなどのLLMは、優れたコミュニケーターであり、彼らが訓練されたものに関してはほとんど何でも答えることができます。これはLLMの最大のボトルネックの一つでもあります。彼らはモデルの訓練中に見た質問にしか答えられません。言語モデルは世界の知識に制限があります。例えば、Chatgptは2021年までのデータを利用して訓練されています。また、GPTはあなたの個人ファイルについて学ぶ方法はありません。では、モデルにまだ持っていない知識をどのようにして認識させることができるでしょうか？その答えが「検索補完生成パイプライン（RAG）」です。この記事では、RAG（検索補完生成）パイプラインについて学び、LLamaインデックスを使用してそれを構築する方法について説明します。学習目標 RAG（検索補完生成）とは何か、またいつ使用するべきかを探求する。 RAGの異なるコンポーネントについて簡単に理解する。 Llamaインデックスについて学び、PDFのためのシンプルなRAGパイプラインを構築する方法を理解する。埋め込みとベクトルデータベースとは何か、またLlamaインデックスの組み込みモジュールを使用してPDFから知識ベースを構築する方法を学ぶ。 RAGベースのアプリケーションの実世界での使用例を発見する。この記事はData Science Blogathonの一環として公開されました。 RAGとは何ですか？ LLMは、これまでのところ最も効率的かつ強力なNLPモデルです。翻訳、エッセイの執筆、一般的な質問応答の分野でLLMの潜在能力を見てきました。しかし、特定のドメインに特化した質問応答においては、彼らは幻覚に苦しんでいます。また、ドメイン固有のQAアプリでは、クエリごとに関連する文脈を持つドキュメントはわずかです。したがって、ドキュメントの抽出から回答生成、およびその間のすべてのプロセスを統合する統一されたシステムが必要です。このプロセスは「検索補完生成」と呼ばれています。詳しくはこちらを参照：AIにおける検索補完生成（RAG）では、なぜRAGが実世界の特定のドメインに特化したQAアプリケーションの構築に最も効果的なのかを理解しましょう。なぜRAGを使用すべきか？ LLMが新しいデータを学ぶ方法は3つあります。トレーニング：兆個のトークンと数十億のパラメータを持つニューラルネットワークの大規模なメッシュが使用されて、大規模言語モデルを作成するために訓練されます。ディープラーニングモデルのパラメータは、特定のモデルに関するすべての情報を保持する係数または重みです。GPT-4のようなモデルを訓練するには、数億ドルがかかります。この方法は誰にでも容易にはできません。このような巨大なモデルを新しいデータで再訓練することは実現不可能です。ファインチューニング：別のオプションとして、既存のデータに対してモデルをファインチューニングすることが考えられます。ファインチューニングは、トレーニング中に事前に訓練されたモデルを起点として使用することを意味します。事前に訓練されたモデルの知識を利用して、異なるデータセット上で新たなモデルを訓練します。これは非常に強力ですが、時間とお金の面で高コストです。特別な要件がない限り、ファインチューニングは意味がありません。プロンプティング：プロンプティングは、LLMのコンテキストウィンドウ内に新しい情報を適応させ、提示された情報からクエリに回答させる方法です。これは、訓練やファインチューニングで学んだ知識ほど効果的ではありませんが、ドキュメントの質問応答など多くの実世界のユースケースには十分です。テキストドキュメントからの回答を促すことは効果的ですが、これらのドキュメントはしばしばLarge Language Models（LLM）のコンテキストウィンドウよりもはるかに大きくなるため、課題を提起します。リトリーバルオーグメンテッドジェネレーション（RAG）パイプラインは、関連するドキュメントセクションの処理、保存、および検索を行うことで、LLMが効率的にクエリに答えることができるようにします。それでは、RAGパイプラインの重要なコンポーネントについて議論しましょう。 RAGコンポーネントとは何ですか？…

「データサイエンスを利用した需要ベースのホテルルーム価格設定をMLOpsで実装する」

イントロダクション COVID-19の間、ホスピタリティ産業は売上の大幅な減少を経験しました。したがって、人々がより多く旅行する中でも、顧客の獲得は課題であり続けます。我々はこの問題に対処するためにMLツールを開発し、適切な価格設定を行い、宿泊率を向上させ、ホテルの収益を増やすためのフィッティングルームを提供します。ホテルのデータセットを使用して、正しい部屋の価格を選択し、宿泊率を増加させ、ホテルの収益を増やすAIツールを構築します。学習目標ホテルの部屋の適切な価格設定の重要性。データのクリーニング、データセットの変換、データの前処理。ホテルの予約データを使用したマップと視覚化プロットの作成。データサイエンスで使用されるホテルの予約データ分析の現実世界への応用。 Pythonプログラミング言語を使用したホテルの予約データ分析の実施。この記事はデータサイエンスブログマラソンの一部として公開されました。ホテルルーム価格データセットとは何ですか？ホテルの予約データセットには、ホテルタイプ、成人の人数、滞在時間、特別な要件など、異なる情報源からのデータが含まれています。これらの値は、ホテルの部屋の価格予測やホテルの収益の増加に役立ちます。ホテルルーム価格分析とは何ですか？ホテルの部屋の価格分析では、データセットのパターンやトレンドを分析します。この情報を使用して、価格設定や運営に関する意思決定を行います。これらの要素はいくつかの要因に依存します。季節性：繁忙期（祝日など）において、部屋の価格は著しく上昇します。需要：イベントの祝賀やスポーツイベントなど、需要が高まると部屋の価格も上昇します。競争：近くのホテルの価格がホテルの部屋の価格に大きく影響を与えます。エリア内のホテルの数が多いほど、部屋の価格は低くなります。設備：プール、スパ、ジムなどの設備があるホテルは、これらの施設に対してより高い料金を請求します。場所：中心地のホテルは、郊外のホテルと比べて高い料金を請求することがあります。適切なホテルの部屋の価格設定の重要性…

初心者のためのZenML完全ガイド：MLOpsの簡素化

データサイエンス、機械学習、またはMLOpsに初めて取り組み、ツールの選択肢に圧倒されていますか？ ZenMLを考慮してみてください-効率化されたプロダクションパイプラインのためのオーケストレーションツールです。この記事では、ZenMLの機能と特徴について調査し、MLOpsの旅を簡素化します。学習目標 ZenMLの概念とコマンド ZenMLを使用したパイプラインの作成メタデータのトラッキング、キャッシング、およびバージョニングパラメータと設定 ZenMLの高度な機能この記事はData Science Blogathonの一部として公開されました。まず、ZenMLが何であるか、他のツールとの違い、そしてそれをどのように利用するかを把握しましょう。 ZenMLとは何ですか？ ZenMLは、データサイエンティスト、MLエンジニア、およびMLOps開発者向けのオープンソースのMLOps（機械学習オペレーション）フレームワークです。本番用のMLパイプラインの開発におけるコラボレーションを容易にします。 ZenMLは、そのシンプルさ、柔軟性、およびツールに依存しない性質で知られています。 MLワークフローに特化したインターフェースと抽象化を提供し、ユーザーが好みのツールをシームレスに統合し、ユニークな要件に合わせてワークフローをカスタマイズできるようにします。なぜZenMLを使うべきですか？ ZenMLは、データサイエンティスト、MLエンジニア、およびMLOpsエンジニアにいくつかの重要な利点をもたらします：簡素化されたパイプラインの作成： @stepおよび@pipelineデコレータを使用して簡単にMLパイプラインを構築できます。容易なメタデータのトラッキングとバージョニング： ZenMLは、パイプライン、実行、コンポーネント、アーティファクトを追跡するユーザーフレンドリーなダッシュボードを提供します。自動化された展開： ZenMLは、パイプラインとして定義されている場合に自動的に展開することで、モデルの展開を効率化し、カスタムドッカーイメージの必要性を排除します。…

ウェブ上のPython

人気のあるPythonの可視化ライブラリを使えば、さまざまな形式のチャートやダッシュボードを比較的簡単に作成することができますただし、それを共有することはずっと複雑になるかもしれません...

「データ視覚化の技術をマスターする：ヒントとテクニック」

デジタル時代において、データの可視化はビジネスインテリジェンスの領域で欠かせないツールとして存在しますデータの可視化とは、データや情報のグラフィカルな表示を指し、複雑なデータセットを直感的で理解しやすいビジュアルに変換しますデータの可視化を導入することで、企業は多様なメリットを享受することができます簡単化されたデータの解釈：複雑なデータが変換されます...

Learn more about Search Results Dash - Page 5