Search Results A

「IBMが人工知能を搭載した脅威検知および対応サービスを発表し、サイバーセキュリティを革命化する」

サイバーセキュリティの脅威が絶えず進化する中で、組織はますます途方もない課題に直面しています-セキュリティアラートの圧倒的な数量です。セキュリティチームは、攻撃者に数で勝ることなく、脆弱性、警告、セキュリティツールの山の下に埋もれています。この問題により、対応時間が遅れ、重要な脅威が見逃され、拡張可能で効率的な解決策が急務となっています。既存の解決策は一部の救済策を提供してきましたが、現代のサイバーセキュリティの脅威の規模と複雑さに対処する必要があります。IBMは、この問題に対する画期的な解決策である脅威検出と対応サービス（TDR Services）を発表しました。 IBMのTDRサービスは、最新のAI技術を活用し、セキュリティアナリストの応答を含む実世界のクライアントデータから常に学習します。このインテリジェントシステムは、アラートのうち最大85%を自動的にエスカレーションまたはクローズすることができ、セキュリティチームは最も重要な脅威に集中することができます。最も効果的な検出ルールを評価および自動的に推奨する能力により、TDRサービスはSIEMアラートの価値の低いものを45%削減し、即座の対応を必要とする高価値のアラートを79%増加させました。さらに、MITRE ATT&CKアセスメントにより、組織は自身のセキュリティポスチャを業界の同僚と比較することができます。TDRサービスは、AIを使用して複数の検出ツールとポリシーを調整し、ATT&CKフレームワーク内で脅威を検出しギャップを評価する包括的なビューを提供します。このフレームワークにより、セキュリティへの積極的かつ適応的なアプローチが確保されます。 IBMのTDRサービスの特筆すべき機能の一つは、シームレスなエンドツーエンドの統合です。既存のセキュリティ資産（オンプレミスまたはクラウド上）との迅速な統合を可能にするオープンAPIのアプローチを採用しています。この共同管理のポータルは、統合されたエンタープライズビュー、正確な是正能力、およびIT＆OT全体でのセキュリティポリシーの一貫した施行を提供します。さらに、組織はIBMサイバーセキュリティサービスの専門家による世界中のグローバルサポートを頼ることができます。まとめると、IBMの脅威検出と対応サービスは、現代のサイバーセキュリティのエスカレートする課題に対処するための大きな前進を象徴しています。AIのパワーを活用した能力、MITRE ATT&CKアセスメント、シームレスな統合、およびグローバルサポートにより、組織はセキュリティ防御を強化し、進化する脅威に先んじるための包括的で効率的な解決策を提供します。セキュリティの賭けがこれまで以上に高まる時代において、IBMのTDRサービスは、デジタル資産と評判を保護しようとする組織に希望を与えてくれます。

「機械学習エンジニアのためのPythonによるデザインパターン：ビルダー」

AI開発に関わる人にとって重要なスキルの一つは、綺麗で再利用可能なコードを書くことですですから、今日はDeepnoteを使ったPythonにおける別のデザインパターンを紹介しますどれだけ優れたアイデアやアルゴリズムを持っていても…

「大規模言語モデルの読み込みについての紹介」

AI ジャイアントの時代において、テラバイトのデータと数十億のパラメータで訓練されたモデルが統治する中、自然言語処理の領域はよりアクセスしやすくなっています-...

「LXTのテクノロジーバイスプレジデント、アムル・ヌール・エルディン – インタビューシリーズ」

アムル・ヌール・エルディンは、LXTのテクノロジー担当副社長ですアムルは、自動音声認識（ASR）の文脈での音声/音響処理と機械学習の分野で16年以上の専門的な経験を持つ博士研究員です特に近年は、深層学習技術に焦点を当てた実務経験に注力しています

「専門家から汎用アシスタントへ：ビジョンと言語のマルチモーダル基盤モデルの進化についての詳細な探究」

コンピュータビジョンコミュニティはさまざまな課題に直面しています。事前トレーニング時代には、多目的な視覚ツールを紹介する包括的なフレームワークを確立するために、数多くの講演論文が議論されました。この時期には、問題に関連する大量のデータでモデルを事前トレーニングし、その後、同じ問題タイプに関連するさまざまな実世界のシナリオにそれらを転送するアプローチが一般的でした。これには、しばしばゼロショットまたはフューショットテクニックが使用されます。最近のマイクロソフトの研究では、ビジョンとビジョン言語の能力を持つ多モーダルな基礎モデルの歴史と開発について、詳細な調査結果を提供しています。特に、専門的なヘルパーから汎用的なヘルパーへの移行を重点的に取り上げています。彼らの論文によると、主に以下の3つの主要な教育戦略のカテゴリが議論されています。ラベル付き教育: ラベル付き教育は、モデルをトレーニングするために以前にラベル付けされた例を使用します。ImageNetなどのデータセットを使用することで、この方法の効果を証明しています。インターネット、画像、人間が作成したラベルから大量のノイズのあるデータセットにアクセスできます。「言語監督」とも呼ばれるこの戦略は、最も頻繁に画像 – テキストのペアで無監督のテキスト信号を使用します。CLIPとALIGNは、コントラスティブロスを使用して画像 – テキストのペアを比較するための事前トレーニングモデルの例です。画像のみの自己教育学習: この技術は、視覚情報のみを監督信号のソースとしています。マスク画像モデリング、非コントラスティブ、およびコントラストベースの学習は、いずれも有効なオプションです。研究者は、画像キャプショニング、ビジュアル質問応答、領域レベルの基礎トレーニング、セグメンテーションのためのピクセルレベルの基礎トレーニングなど、視覚理解に対するいくつかのアプローチがどのように統合されて最良の結果を得ることができるかを調査しました。マルチモーダル基礎モデルテキストと画像などの複数のモダリティで提示されるデータを理解し解釈する能力が、マルチモーダルの基礎モデルの特徴です。これによって、大量のデータ収集と合成が必要なさまざまなタスクが可能になります。重要な多モーダルの概念的フレームワークには、以下が含まれます。 CLIP（コントラスティブ言語画像事前トレーニング）は、共通の画像とテキストの埋め込み空間を発見する革新的な技術です。画像テキストの検索やゼロショットの分類などが可能です。 BEiT（ビジョンのBERT）は、視覚ドメインでのBERTのマスク画像モデリング技術を適応させています。マスク画像のトークンを予測することで、画像変換モデルは他のタスクに進むことができます。 CoCa（コントラスティブおよびキャプショニング事前トレーニング）は、対照的な学習とキャプション損失を組み合わせて画像エンコーダを事前トレーニングするための手法です。パラフレーズ画像キャプショニングシステムのおかげで、多モーダルタスクの完了を観察することが現実的になりました。 UniCL（統一コントラスティブ学習）は、CLIPのコントラスティブ学習を画像ラベルデータに拡張することで、画像テキストと画像ラベルのペアに対する統一コントラスティブ事前トレーニングを可能にします。 MVP（マスク画像モデリングビジョン事前トレーニング）は、マスク画像と高レベルの特徴目標を使用してビジョントランスフォーマーを事前トレーニングする方法です。 MIMの精度を向上させるため、EVA（Vision-Text Alignmentの活用）は、CLIPなどのモデルからの画像特徴をターゲット特徴として使用します。 BEiTv2は、DINOのような自己蒸留損失を取り入れることで、学習中にグローバルな視覚表現の獲得を促進するようにBEiTを改良します。これらのマルチモーダルの基礎モデルにより、コンピュータビジョンと自然言語処理のアプリケーションは、洞察力と処理の向上に大いに恩恵を受けています。…

「2/10から8/10までの週のトップ重要なLLM論文」

大規模言語モデル（LLMs）は最近急速に進化しています新しい世代のモデルが開発されるにつれて、研究者やエンジニアは最新の進歩について情報を得ることが重要です...

ML向けETLの構築に関するベストプラクティス

この記事では、トレーニングデータセットを構築するためのETLのいくつかのベストプラクティスについて取り上げていますMLに適用されるいくつかのソフトウェアエンジニアリングの技術とパターンについて深く探求しています

Data Engineering

「ベクターデータベースを使用してLLMアプリを作成する方法」

イントロダクション人工知能の領域では、OpenAIのGPT-4、AnthropicのClaude 2、MetaのLlama、Falcon、GoogleのPalmなど、Large Language Models（LLMs）やGenerative AIモデルが問題解決の方法を革新しています。LLMsはディープラーニングの技術を使用して、自然言語処理のタスクを実行します。この記事では、ベクトルデータベースを使用してLLMアプリを構築する方法を紹介します。おそらくAmazonの顧客サービスやFlipkartのDecision Assistantのようなチャットボットと対話したことがあるかもしれません。それらは人間に近いテキストを生成し、実際の会話と区別がつきにくいインタラクティブなユーザーエクスペリエンスを提供します。しかし、これらのLLMsは最適化する必要があります。特定のユースケースに対して非常に関連性が高く具体的な結果を生成するようにするためには。例えば、Amazonの顧客サービスアプリに「Androidアプリで言語を変更する方法は？」と尋ねた場合、正確にこのテキストでトレーニングされていないため、答えることができないかもしれません。ここでベクトルデータベースが助けになります。ベクトルデータベースは、ドメインのテキスト（この場合はヘルプドキュメント）と、注文履歴などを含むすべてのユーザーの過去のクエリを数値の埋め込みとして保存し、リアルタイムで似たようなベクトルの検索を提供します。この場合、このクエリを数値ベクトルにエンコードし、ベクトルデータベース内で類似のベクトルを検索し、最も近い隣人を見つけるために使用します。このようなヘルプを通じて、チャットボットはユーザーを正しくAmazonアプリの「言語設定の変更」セクションに案内できます。学習目標 LLMsの動作原理、制約、およびベクトルデータベースの必要性について学ぶ。埋め込みモデルの紹介と、アプリケーションでのエンコードと使用方法について学ぶ。ベクトルデータベースとそれがLLMアプリケーションアーキテクチャの一部である方法について学ぶ。ベクトルデータベースとTensorFlowを使用してLLM/Generative AIアプリケーションをコーディングする方法を学ぶ。この記事はデータサイエンスブログマラソンの一環として公開されました。 LLMsとは何ですか？ Large Language Models（LLMs）は、自然言語を処理し理解するためにディープラーニングアルゴリズムを使用する基本的な機械学習モデルです。これらのモデルは大量のテキストデータでトレーニングされ、言語のパターンやエンティティの関係を学習します。LLMsは、言語の翻訳、感情分析、チャットボットの会話などのさまざまなタイプの言語タスクを実行することができます。彼らは複雑なテキストデータを理解し、エンティティとそれらの間の関係を識別し、統率的で文法的に正確な新しいテキストを生成することができます。 LLMsについてもっと詳しく読む。 LLMsはどのように動作するのですか？ LLMsは大量のデータ（しばしばテラバイト、さらにはペタバイト）を使用してトレーニングされ、数十億または数兆のパラメータを持ち、ユーザーのプロンプトやクエリに基づいて関連する応答を予測および生成することができます。入力データをワード埋め込み、自己注意層、およびフィードフォワードネットワークを通じて処理し、意味のあるテキストを生成します。LLMアーキテクチャについてもっと読むことができます。 LLMsの制約 LLMsは非常に高い精度で応答を生成するように見えますが、多くの標準化テストでは人間を超える結果を示すことがありますが、それでもこれらのモデルには制約があります。まず第一に、彼らは自身のトレーニングデータに頼ることだけで推論を行い、データ内の特定の情報や現在の情報が欠けているかもしれません。これにより、モデルが誤ったまたは異常な応答を生成することがあります（「幻覚」とも言われます）。これを軽減するための取り組みが継続中です。第二に、モデルはユーザーの期待に合致するように振る舞ったり応答するとは限りません。…

「フリーODSCウェストオープンパス」を紹介します

「オープンデータとデータサイエンス、AIコミュニティの成長のために、私たちは喜んでお知らせします今年10月30日から11月2日に行われるODSCウエストでは、参加者全員に無料のODSCオープンパスを提供しています参加経験のない方々にとっては...」

West 2023

「なぜSQLはデータサイエンスのために学ぶべき言語なのか」

SQLは、普遍的なデータベースへのアクセス可能性、効率的なデータのクリーニング機能、他の言語とのシームレスな統合、およびほとんどのデータサイエンスの仕事で必要とされるため、重要なデータサイエンスの言語です

SQL

Learn more about Search Results A - Page 608