Search Results エージェント

チャットGPTの潜在能力を引き出すためのプロンプトエンジニアリングのマスタリング

プロンプトエンジニアリングは、ChatGPTやその他の大規模言語モデルのおかげで、風のように私たちの生活の一部にすぐになりました完全に新しい分野ではありませんが、現在...

DeepMindのロボキャットに会ってください：複数のロボットを操作するために設計された新しいAIモデル

ロボットは急速にメインストリーム文化に入りつつありますが、彼らは通常、彼らのプログラミングのために彼らの能力が制限されています。最近のAIの進歩をロボットの設計に取り入れることの潜在的な利点にもかかわらず、一般的な目的のロボットを開発するための進展は、現実のトレーニングデータを取得するために必要な時間のために遅れています。多くのタスクを一度に学習し、ヘルパーロボットの実用的な能力に言語モデルの理解を統合する能力を持つロボットの開発は、広範な研究の対象となっています。 DeepMindのRoboCatは、複数のタイプの実際のロボットでさまざまなタスクを解決し適応する最初のエージェントです。調査結果によると、RoboCatは他の最先端のモデルよりもはるかに速く学習します。多岐にわたるデータセットから学習するため、100回のデモンストレーションで新しいスキルを習得できます。この能力は、多目的ロボットを開発するために重要であり、人間の監視されたトレーニング要件を減らすことにより、ロボット工学の研究を加速します。彼らのマルチモーダルモデルGato（スペイン語で「猫」）は、RoboCatの基盤となっています。仮想世界と現実世界の両方で言葉、視覚、行動を処理できます。彼らの作品では、何百ものロボットアームがさまざまな仕事をしているビジュアルと動作のデータを含む大規模なトレーニングデータセットとGatoの構造を融合させました。この初期のトレーニングフェーズの後、チームはRoboCatを新しい活動の「自己改善」トレーニングサイクルに入れました。各新しい活動は、以下の5つの段階で学習されました。新しいタスクまたはロボットを人間が制御するロボットアームで100から1000の例を収集する。新しいタスク/アームのためにRoboCatを微調整して、専門的な能力を持つスピンオフエージェントを生成する。子のエージェントは、新しいタスク/アームに対して練習を10,000回繰り返し、トレーニングデータプールに追加する。サンプルデータをユーザーの作成物およびデモンストレーションデータと混合して、RoboCatの現在のデータセットに統合する。更新されたデータセットを使用してRoboCatを再トレーニングする。 RoboCatの最新バージョンは、数百万の軌跡を含むデータセットに基づいています。実際のおよびシミュレートされたロボットアームからのビジョンベースのデータ、および多数のロボットアームを使用して収集されたジョブを描くデータが含まれます。 RoboCatはわずか数時間で複数のロボットアームを使用するようにトレーニングされました。彼は、二本爪のグリッパーを持つアームで教えられたにもかかわらず、より複雑な三本指のグリッパーを持つアームを使うことを学びました。 RoboCatは、1000人の人間が制御するデモンストレーションを目撃した後、歯車を86％の確率で拾うことができるようになりました。同じ程度のデモにより、フルーツボウルから正しい果物を選ぶなど、精度と知識の両方が必要なタスクを実行する方法を学びました。 RoboCatのトレーニングは自律的に継続されます。彼が学ぶほど、彼は学ぶ能力を向上させます。チームは、各タスクの500のデモから学んだ後、RoboCatの最初のバージョンは、これまで見たことのない活動を実行するために36％しか効果的ではありませんでした。…

大規模言語モデルに関するより多くの無料コース

大規模言語モデルについて学びたいですか？ DeepLearning.AI、Google Cloud、Udacityなどの無料のコースで、すぐに始めましょう

Natural language processing

Google Cloudがマッコーリー銀行のAIバンキング機能を強化するのを支援します

マッコーリーのバンキング＆金融サービスグループは、人工知能（AI）と機械学習（ML）の力を結集し、銀行業界を変革するためにGoogle Cloudと協力しています。このパートナーシップは、予測分析モデルを開発し、自動化を通じて銀行業務を効率化することで、顧客の銀行体験を向上させることを目的としています。イノベーションに共通するビジョンを持つマッコーリーとGoogle Cloudは、世界中の銀行の顧客にシームレスで直感的なパーソナライズされたデジタル体験を提供することを目指しています。マッコーリーの技術革新とデジタルトランスフォーメーションマッコーリー銀行は、銀行業界での技術革新の最前線に立ってきました。過去10年間で、同銀行はクラウドファーストで完全にデジタルの小売銀行プラットフォームの構築に大きな投資をしてきました。技術スタックを活用し、Google Cloudとパートナーシップを結ぶことで、マッコーリーはデジタルおよびデータプラットフォーム全体にAIを導入することが可能になりました。これにより、AI＆ML対応の機能を統合することで、すべての個人向け銀行の顧客に向けて強化されたデジタル体験を提供することができるようになりました。関連記事：2023年の銀行業界における機械学習とAIの応用 Google Cloudがマッコーリーのデジタルインフラストラクチャーにおける重要な役割 Google Cloudは、マッコーリー銀行のデジタル顧客インターフェースおよびプロセスのバックボーンです。同銀行は、Google Cloudを戦略的かつ分析的なデータプラットフォームやMLベースのアプリケーションに頼っています。Google Cloudの機能を活用することで、マッコーリーはAI＆MLをデジタルバンキングおよびテクノロジーエコシステムに組み込むことに成功しました。これにより、運営面と顧客体験インターフェースの両方が強化されました。同銀行は、1日あたり10億件以上の取引を分析し、顧客に直感的な機能を提供するためにAIとMLモデルを使用しています。マッコーリーのデジタルバンキングにおける変革的なAIおよびML対応機能マッコーリーとGoogle Cloudの協力により、マッコーリーのデジタルバンキングサービスには、AI＆ML対応のさまざまな機能が導入されます。これらの機能は、顧客の銀行体験をさらに向上させ、パーソナライズされたアプローチで積極的な金融ソリューションを提供することを目的としています。以下は、導入される主要な機能のいくつかです。 1. キャッシュフロー予測機能 Google CloudのBigQueryを使用して、マッコーリーのキャッシュフロー予測機能では、顧客の12か月後の個人的なキャッシュフローの予測を提供します。この強力なツールは、顧客のキャッシュフローがマイナスになることが予想される場合に積極的なプロンプトを提供することさえ可能です。これにより、顧客は情報に基づいた金融決定を行うことができます。 2. 転送予測 BigQueryを使用して、マッコーリーは以前および今後の転送を分析し、期日や関連情報を予測、通知、およびリマインドすることができます。この機能により、顧客は自分の金融コミットメントを把握し、支払いを見落とすことや取引を見過ごすことのリスクを減らすことができます。 3.…

新たな能力が明らかに：GPT-4のような成熟したAIのみが自己改善できるのか？言語モデルの自律的成長の影響を探る

研究者たちは、AlphaGo Zeroと同様に、明確に定義されたルールで競争的なゲームに反復的に参加することによってAIエージェントが自己発展する場合、多くの大規模言語モデル（LLM）が人間の関与がほとんどない交渉ゲームでお互いを高め合う可能性があるかどうかを調査しています。この研究の結果は、遠い影響を与えるでしょう。エージェントが独立に進歩できる場合、少数の人間の注釈で強力なエージェントを構築することができるため、今日のデータに飢えたLLMトレーニングに対して対照的です。それはまた、人間の監視がほとんどない強力なエージェントを示唆しており、問題があります。この研究では、エジンバラ大学とAIアレン研究所の研究者が、顧客と売り手の2つの言語モデルを招待して購入の交渉を行うようにしています。図1：交渉ゲームの設定。彼らは2つのLLMエージェントを招待して、値切りのゲームで売り手と買い手をプレイさせます。彼らの目標は、より高い値段で製品を販売または購入することです。彼らは第三のLLMであるAI批評家に、ラウンド後に向上させたいプレイヤーを指定してもらいます。その後、批判に基づいて交渉戦術を調整するようにプレイヤーに促します。これを数ラウンド繰り返すことで、モデルがどんどん上達するかどうかを確認します。顧客は製品の価格を下げたいと思っていますが、売り手はより高い価格で販売するように求められています（図1）。彼らは第三の言語モデルに批評家の役割を担ってもらい、取引が成立した後にプレイヤーにコメントを提供させます。次に、批評家LLMからのAI入力を利用して、再度ゲームをプレイし、プレイヤーにアプローチを改善するように促します。彼らは交渉ゲームを選んだ理由は、明確に定義されたルールと、戦術的な交渉のための特定の数量化目標（より低い/高い契約価格）があるためです。ゲームは最初は単純に見えますが、モデルは次の能力を持っている必要があります。交渉ゲームのテキストルールを明確に理解し、厳密に遵守すること。批評家LLMによって提供されるテキストフィードバックに対応し、反復的に改善すること。長期的にストラテジーとフィードバックを反映し、複数のラウンドで改善すること。彼らの実験では、モデルget-3.5-turbo、get-4、およびClaude-v1.3のみが交渉ルールと戦略を理解し、AIの指示に適切に合致している必要があるという要件を満たしています。その結果、彼らが考慮したモデルすべてがこれらの能力を示さなかったことが示されています（図2）。初めに、彼らはボードゲームやテキストベースのロールプレイングゲームなど、より複雑なテキストゲームもテストしましたが、エージェントがルールを理解して遵守することがより困難であることが判明しました。彼らの方法はICL-AIF（AIフィードバックからのコンテキスト学習）として知られています。図2：私たちのゲームで必要な能力に基づいて、モデルは複数の階層に分けられます（C2-交渉、C3-AIフィードバック、C4-継続的な改善）。私たちの研究は、gpt-4やclaude-v1.3などの堅牢で適切に合致したモデルだけが反復的なAI入力から利益を得て、常に発展することができることを明らかにしています。彼らは、AI批評家のコメントと前回の対話履歴ラウンドをコンテキストに応じたデモンストレーションとして利用しています。これにより、プレイヤーの前回の実際の開発と批評家の変更アイデアが、次のラウンドの交渉のためのフューショットキューに変換されます。2つの理由から、彼らはコンテキストでの学習を使用しています：(1)強化学習を用いた大規模な言語モデルの微調整は、高額であるため、(2)コンテキストでの学習は、勾配降下に密接に関連していることが最近示されたため、モデルの微調整を行う場合には、彼らが引き出す結論がかなり一般的になることが期待されます(資源が許される場合)。人間からのフィードバックによる強化学習(RLHF)の報酬は通常スカラーですが、ICL-AIFでは、フィードバックが自然言語で提供されます。これは、2つのアプローチの注目すべき違いです。各ラウンド後に人間の相互作用に依存する代わりに、よりスケーラブルでモデルの進歩に役立つAIのフィードバックを検討しています。異なる責任を負うときにフィードバックを与えられた場合、モデルは異なる反応を示します。バイヤー役のモデルを改善することは、ベンダー役のモデルよりも難しい場合があります。過去の知識とオンライン反復的なAIフィードバックを利用して、get-4のような強力なエージェントが常に意味のある開発を続けることができるとしても、何かをより高く売る(またはより少ないお金で何かを購入する)ことは、全く取引が成立しないリスクがあります。彼らはまた、モデルがより簡潔であるがより綿密(そして最終的にはより成功する)交渉に従事できることを証明しています。全体的に、彼らは自分たちの仕事がAIフィードバックのゲーム環境での言語モデルの交渉を向上させる重要な一歩になると期待しています。コードはGitHubで利用可能です。

最初のLLMアプリを構築するために知っておく必要があるすべて

言語の進化は、私たち人類を今日まで非常に遠くまで導いてきましたそれによって、私たちは知識を効率的に共有し、現在私たちが知っている形で協力することができるようになりましたその結果、私たちのほとんどは...

言語学習モデルにおけるOpenAIの関数呼び出しの力：包括的なガイド

OpenAIの関数呼び出し機能を使用したデータパイプラインの変換：PostgreSQLとFastAPIを使用した電子メール送信ワークフローの実装

CVPR 2023におけるGoogle

Googleのプログラムマネージャー、Shaina Mehtaが投稿しました今週は、バンクーバーで開催される最も重要なコンピュータビジョンとパターン認識の年次会議であるCVPR 2023の始まりを迎えます（追加のバーチャルコンテンツもあります）。Google Researchはコンピュータビジョンの研究のリーダーであり、プラチナスポンサーであり、メインカンファレンスで約90の論文が発表され、40以上のカンファレンスワークショップやチュートリアルに積極的に参加しています。今年のCVPRに参加する場合は、是非、ブースに立ち寄って、最新のマシンパーセプションの様々な分野に応用するための技術を積極的に探求している研究者とお話ししてください。弊社の研究者は、MediaPipeを使用したオンデバイスのMLアプリケーション、差分プライバシーの戦略、ニューラル輝度場技術など、いくつかの最近の取り組みについても話し、デモを行います。以下のリストでCVPR 2023で発表される弊社の研究についても詳しくご覧いただけます（Googleの所属は太字で表示されています）。理事会と組織委員会シニアエリアチェアには、Cordelia Schmid、Ming-Hsuan Yangが含まれます。エリアチェアには、Andre Araujo、Anurag Arnab、Rodrigo Benenson、Ayan Chakrabarti、Huiwen Chang、Alireza Fathi、Vittorio Ferrari、Golnaz Ghiasi、Boqing Gong、Yedid Hoshen、Varun Jampani、Lu…

LangChain：メモリ容量でパフォーマンスを向上させる

私は以前にLangChainに関する記事をすでに公開しており、ライブラリーとその機能を紹介しました今回は、インテリジェントチャットボットでメモリを管理する方法に重点を置きたいと思います

LlamaIndex インデックスと検索のための究極のLLMフレームワーク

LlamaIndex（以前はGPT Indexとして知られていました）は、データ取り込みを容易にする必須ツールを提供することで、LLMを使用したアプリケーションの構築を支援する注目すべきデータフレームワークです

Learn more about Search Results エージェント - Page 68