Search Results A

「コスト効率の高い高性能 AI 推論用の Amazon EC2 DL2q インスタンスが一般提供開始されました」

Qualcomm AIのA.K Royさんによるゲスト記事ですAmazon Elastic Compute Cloud（Amazon EC2）DL2qインスタンスは、Qualcomm AI 100 Standardアクセラレータによってパワーアップされ、クラウド上で効率的に深層学習（DL）タスクを展開するために使用することができますDLタスクのパフォーマンスや精度を開発し、検証するためにも利用できます

このAI論文では、リーマン幾何学を通じて拡散モデルの潜在空間の理解に深入りします

人工知能や機械学習の人気が高まる中で、自然言語処理や自然言語生成などの主要なサブフィールドも高速に進化しています。最近の導入である拡散モデル（DM）により、画像編集、逆問題、テキストから画像への合成など、様々なアプリケーションで優れたパフォーマンスが示されています。これらの生成モデルは多くの評価と成功を受けていますが、彼らの潜在空間とそれが生み出す出力についての知識は少ないです。完全に拡散した画像は通常、潜在変数と見なされますが、出力を制御するための関連する品質が欠けているため、潜在空間を特定の方向に移動すると予期せず変化します。最近の研究では、拡散カーネル内部に表される字Hで表される中間特徴空間のアイデアが提案されました。他の研究では、クロスアテンションやセルフアテンション操作の特徴マップについてのもので、これらは意味セグメンテーションやサンプルの品質向上、結果の制御の向上に影響を与えることができます。これらの進展にも関わらず、{xt}の潜在変数を含む空間Xtの構造はまだ探索が必要です。これは、DMのトレーニングの性質に起因するものであり、一般的な分類や類似性などの従来の監視とは異なり、モデルは入力に独立して前方ノイズを予測します。さらに、複数の再帰的な時間ステップ上にわたるいくつかの潜在変数の存在により、研究はさらに複雑になります。最近の研究では、研究チームが空間Xtとそれに対応する表現Hを調査することで、これらの課題に取り組んでいます。リーマン幾何学の引き戻しメトリックは、研究チームがローカルジオメトリをXtに統合するために提案した方法です。チームは分析のために幾何学的な視点を取り入れ、DMのエンコーディング特徴マップに関連する引き戻しメトリックを使用して、X内のローカル潜在基盤を導出しました。チームは、この研究を通じて画像変更を可能にするために重要なローカル潜在基盤を発見したと共有しています。これにより、予め定められた時間ステップにおいてベクトル基底方向にDMの潜在空間を操作することが可能になりました。これにより、トレーニングの必要性なしに変更を一度だけ特定の時間ステップtで適用することができます。チームはまた、異なるテキスト状況での分散の評価とDMの幾何学構造の拡散時間ステップにおける変化の評価も行っています。この分析により、コースからファインな生成の広く認識された現象が再確認され、データセットの複雑さとテキストプロンプトの時間的に変化する効果も明らかになりました。結論として、この研究は唯一無二であり、追加のトレーニングが必要なく、特定の時間ステップで特定の変更が可能なx空間のトラバーサルによる画像変更を提案しています。

『検索増強生成（RAG）の評価に向けた3ステップアプローチ』

「最適なパフォーマンスを得るために、RAGを調整するには時間がかかりますこれは、チャンクサイズ、オーバーラップ、トップK取得ドキュメント、埋め込みモデル、LLMなど、さまざまな相互依存のパラメータに依存しています最も良い...」

サンディープ・シンと組んでGen AIの次の大きなトレンドを探る

このLeading with Dataセッションでは、Beans.aiのHead of Applied AIであるSandeep Singhの第一手の経験が披露されています。彼は総合的なワークショップから生成AIエンジニアの形成、コンピュータビジョンと自然言語処理（NLP）の組み合わせの変革的なポテンシャルまで、自身の旅からの洞察を共有しています。この会話は、AIが抱えるエキサイティングな未来を明らかにします。 Sandeep Singhとの会話からの重要な洞察インドのAIエコシステムは、ベイエリアの研究に焦点を当てたAIの景色とは異なり、迅速な採用と製品化に特異な立場にあります。 Data Hack Summitのワークショップは、生成AIエンジニアへの変換のための稀なエンドツーエンドの体験を提供します。コンピュータビジョンとNLPの融合は、アクセシビリティとデジタルコンテンツのインタラクションの分野でAIの次のブレークスルーです。プロジェクトを一貫して構築し、学習プロセスを文書化することは、AI初心者にとって重要であり、理論よりも実践的な経験が強調されます。エンタープライズソフトウェアにおけるAIの将来は、コードの記述から抽象的な概念の定義へとシフトする可能性があり、主要なプログラミング言語として英語が使用されるかもしれません。 Leading with Dataセッションに参加し、AIおよびデータサイエンスのリーダーとの洞察に満ちた議論に没頭しましょう！では、Sandeep Singhに対して行われた質問と彼の回答を見てみましょう。バンガロールでのData Hack Summitの体験はいかがでしたか？…

新しいOpenAIの理事会を解説

「AIおよびテクノロジー分野に波紋を広げた驚くべき出来事の中で、人工知能分野のリーディングカンパニーであるOpenAIが最近、重要なリーダーシップの変革を遂げましたSam Altman氏がCEOの地位に劇的に復帰し、それに伴って役員の再編成が行われるなど、これらの変化によって[…]」

OpenAI

アリババの研究者らがQwen-Audioシリーズを発表ユニバーサルな音声理解能力を備えた大規模な音声言語モデルのセット

アリババグループの研究チームは、さまざまなタスクに対する事前学習済みオーディオモデルの限定的な課題に対処するQwen-Audioを紹介しました。階層型のタグベースのマルチタスクフレームワークは、共同トレーニングからの干渉問題を避けるために設計されています。Qwen-Audioは、タスク固有の調整なしでベンチマークのタスク全体で素晴らしいパフォーマンスを発揮します。Qwen-Audio-Chatは、Qwen-Audioをベースに作成され、マルチターンの対話とさまざまなオーディオ中心シナリオをサポートし、その普遍的なオーディオ理解能力を示しています。 Qwen-Audioは、従来のオーディオ言語モデルの制限を乗り越え、さまざまなオーディオタイプとタスクに対応します。以前の音声に関する作品とは異なり、Qwen-Audioは人間の話し声、自然音、音楽、歌を組み入れることで、異なる粒度のデータセットでの共同トレーニングを可能にします。このモデルは、タスク固有の変更なしで音声認識タスクなどで優れた成績を収めます。Qwen-Audio-Chatは、これらの機能を拡張し、人間の意図との整合性を図り、オーディオとテキストの入力からのマルチリンガルなマルチターンの対話をサポートし、堅牢かつ包括的なオーディオ理解を示します。 LLM（Language Language Models）は一般的な人工知能に優れていますが、オーディオの理解力に欠けます。Qwen-Audioは、30のタスクとさまざまなオーディオタイプをカバーするように事前学習のスケーリングを行い、干渉を軽減するマルチタスクフレームワークを利用します。Qwen-Audioは、タスク固有の調整なしでベンチマーク全体で印象的なパフォーマンスを発揮します。Qwen-Audio-Chatは、マルチターンの対話とさまざまなオーディオ中心のシナリオをサポートし、LLMの包括的なオーディオインタラクション能力を示しています。 Qwen-AudioとQwen-Audio-Chatは、普遍的なオーディオ理解と柔軟なヒューマンインタラクションのためのモデルです。Qwen-Audioは、オーディオエンコーダを最適化するマルチタスクの事前学習アプローチを採用し、同時に言語モデルの重みを固定します。一方、Qwen-Audio-Chatは、音声エンコーダの重みを固定しながら、言語モデルを最適化する教師ありの微調整を使用します。トレーニングプロセスには、マルチタスクの事前学習と教師付きの微調整が含まれます。Qwen-Audio-Chatは、多言語、マルチターンの対話をオーディオとテキストの入力からサポートする多目的なヒューマンインタラクションを実現し、その適応性と包括的なオーディオ理解を示しています。 Qwen-Audioは、ベンチマークのさまざまなタスクで驚異的なパフォーマンスを発揮し、タスク固有の調整なしでは先行研究を大幅に上回ります。AAC、SWRT ASC、SER、AQA、VSC、およびMNAのようなジョブでは、ベースラインを大幅に上回る結果を一貫して出します。このモデルは、CochlScene、ClothoAQA、VocalSoundで最新の成果を達成し、堅牢なオーディオ理解能力を示しています。さまざまな分析におけるQwen-Audioの優れたパフォーマンスは、チャレンジングなオーディオタスクの最新の成果を達成する能力と有能性を強調しています。 Qwen-Audioシリーズは、さまざまなオーディオタイプとタスクにわたる普遍的な理解を備えた大規模なオーディオ言語モデルを紹介します。これらのモデルは、マルチタスクトレーニングフレームワークを通じて開発され、異なるデータセットのさまざまなテキストラベルからの干渉を乗り越え、知識の共有を促進します。タスク固有の調整なしでベンチマーク全体で印象的なパフォーマンスを実現するQwen-Audioは、先行研究を上回ります。Qwen-Audio-Chatは、これらの機能を拡張し、マルチターンの対話を可能にし、さまざまなオーディオシナリオをサポートし、人間の意図との堅牢な整合性を示し、多言語の相互作用を促進します。 Qwen-Audioの将来の探索には、さまざまなオーディオタイプ、言語、および特定のタスクの能力を拡大することが含まれます。マルチタスクフレームワークの改良や、共同トレーニングにおける干渉問題に対処するための代替の知識共有アプローチの検討が可能です。タスク固有の微調整の調査はパフォーマンスを向上させることができます。新しいベンチマーク、データセット、およびユーザーフィードバックに基づいた継続的な更新は、普遍的なオーディオ理解を向上させることを目指しています。Qwen-Audio-Chatは、人間の意図との整合性を高め、多言語の相互作用をサポートし、動的なマルチターンの対話を可能にするために改良されます。

「Amazon Bedrock と Amazon Location Service を使用したジオスペーシャル生成AI」

今日、ジオスペーシャルのワークフローは、通常、データの読み込み、変換、そしてマップ、テキスト、またはチャートなどの視覚的インサイトの生成から構成されます生成AIは、これらのタスクを自律エージェントを介して自動化することができますこの投稿では、Amazon Bedrockの基本モデルを使用して、ジオスペーシャルタスクを完了するためにエージェントにパワーを与える方法について説明しますこれらのエージェントはさまざまなタスクを実行することができます[...]

『Amazon Search M5がAWS Trainiumを使用してLLMトレーニングコストを30%節約しました』

数十年にわたり、Amazonは機械学習（ML）を先駆的かつ革新的に活用し、顧客に楽しい体験を提供してきました最初の日々から、Amazonは書籍の推薦、検索、不正検出など、さまざまなユースケースにMLを使用してきました同業他社と同様に、高速化されたハードウェアの進歩により、Amazonのチームはモデルの追求を可能にしました

ペンシルバニア大学の研究者たちは、OpenAIのChatGPT-Visionに対して、一連のテストを実施することで、ビジョンベースのAI機能の有効性を評価するための機械学習フレームワークを開発しました

GPT-Visionモデルは、多くの人の注目を集めています。人々は、テキストや画像に関連するコンテンツを理解し生成する能力に興奮しています。しかし、課題があります – GPT-Visionが得意とすることと苦手なことが正確にわかりません。この理解の欠如は危険を伴う可能性があります、特にミスが深刻な結果をもたらす可能性のある重要な分野でモデルが使用される場合には。従来、研究者はGPT-VisionのようなAIモデルを評価するために、広範なデータを収集し、自動的な指標を使用して測定します。しかし、研究者によって導入されたもう一つの手法である例に基づく分析では、データの大量分析ではなく、特定の数の具体的な例に焦点を当てます。この手法は科学的に厳密で、他の分野でも効果が証明されています。 GPT-Visionの機能を理解する課題に対処するために、ペンシルベニア大学の研究者チームは、社会科学と人間コンピュータインタラクションに触発された形式化されたAIメソッドを提案しました。この機械学習ベースの手法は、モデルのパフォーマンスを評価するための構造化されたフレームワークを提供し、その実世界での機能に対する深い理解を重視しています。提案された評価手法には、データ収集、データレビュー、テーマの探索、テーマの開発、テーマの適用という5つのステージが含まれています。社会科学の基礎理論と主題分析から引用し、比較的小規模なサンプルサイズでも深い洞察を提供するために設計されています。この評価プロセスの効果を示すために、研究者たちは特定のタスクにそれを適用しました – 科学的な図表のための代替テキストの生成。代替テキストは視覚障害を持つ個人に画像の内容を伝えるために重要です。分析の結果、GPT-Visionは印象的な能力を示す一方で、テキスト情報に過度に依存し、プロンプトの表現に敏感で、空間的な関係の理解に苦労することが判明しました。結論として、研究者は、知識不足-drivenの質的分析がGPT-Visionの限界を特定するだけでなく、新しいAIモデルの理解と評価に対する緻密なアプローチを示していることを強調しています。目標は、特にエラーが重大な結果をもたらす可能性のある状況で、これらのモデルの潜在的な誤用を防ぐことです。この記事はUniversity of Pennsylvaniaが、OpenAIのChatGPT-Visionにテストを実施することで、視覚ベースのAI機能の有効性を測定するための機械学習フレームワークを開発しました。

「Amazon SageMaker JumpStart、Llama 2、およびAmazon OpenSearch Serverless with Vector Engineを使用して、金融サービス向けのコンテキスト重視のチャットボットを構築する」

「金融サービス（FinServ）業界は、ドメイン固有のデータ、データセキュリティ、規制コントロール、業界のコンプライアンス基準に関連する独自の生成AIの要件を持っています加えて、顧客は最も高性能かつ費用対効果の高い機械学習（ML）モデルを選択し、ビジネスユースケースに合わせて必要なカスタマイズ（ファインチューニング）を行うための選択肢を求めていますアマゾン[...]」

Learn more about Search Results A - Page 65