Search Results ​

「生成AIからの社会的および倫理的リスクの評価」

生成AIシステムはすでに本を執筆したり、グラフィックデザインを作成したり、医療関係者を支援したりする目的で使用されており、ますます高い能力を持つようになっていますこれらのシステムが責任を持って開発・展開されるためには、潜在的な倫理的・社会的リスクを注意深く評価する必要があります本論文では、AIシステムの社会的・倫理的リスクを評価するための3つの階層化フレームワークを提案していますこのフレームワークには、AIシステムの能力、人間とのインタラクション、システムの影響の評価が含まれますまた、現在の安全性評価の状況をマッピングし、コンテキスト、具体的なリスク、複数のモードリティの3つの主要なギャップが存在することを発見しましたこれらのギャップを埋めるために、既存の評価方法を再利用し、包括的な評価手法を実装することを提案していますこれにより、具体的な事例としてのデマにおける評価を行いますこのアプローチでは、AIシステムが事実に基づかない情報を提供する可能性がどれくらいあるかという結果に基づいて、人々がそのシステムをどのように使用し、どのような文脈で使用しているかに関する洞察を統合しますマルチレイヤーの評価により、モデルの能力以上の結論を導くことができ、この場合は、どの程度の害（デマ）が実際に発生し、広まっているかを示すことができますどの技術でも意図通りに機能させるためには、社会的な課題と技術的な課題の両方を解決する必要がありますしたがって、AIシステムの安全性をより良く評価するためには、これらの異なるコンテキストのレイヤーが考慮される必要がありますここでは、プライバシーの漏洩、仕事の自動化、デマなど、大規模言語モデルの潜在的なリスクを特定する既存の研究に基づき、これらのリスクを包括的に評価する手法を紹介しています

research

AIにおける継続的学習の現状について

なぜchatGPTは2021年までの訓練しかされていないのですか？この記事では、深層学習における継続的な学習の現状を解説し、特に大規模な言語モデルとチャットボットに焦点を当てています

複数モードモデルとは何ですか？

基礎となる大規模言語モデル（LLM）は、巨大なデータセットで事前トレーニングされており、ゼロショット、フューショット、または転移学習を通じて、一般的なマルチタスク処理をかなり効率的に行うことができます実際には...

「枝は何も必要ありません：私たちの主観的なMLバージョニングフレームワーク」

「Gitブランチを使用したMLプロジェクトのバージョニングを簡素化し、ワークフローをシンプルにし、データとモデルを整理し、プロジェクトの関連する部分を結びつけるシンプルなアプローチ」

微調整、再教育、そして更なる進化：カスタムLLMで前進

イントロダクションほとんどの方はすでにChatGPTを使用したことがあると思います。それは素晴らしいことです。なぜなら、この記事で私たちが始める旅の最初のステップを踏んでくれたからです！新しい技術をマスターするには、まずそれを使ってみることが重要です。それは水に飛び込んで泳ぎを覚えるようなものです！🏊‍♂️ もしGenAIを探求したいのであれば、現実の問題を選び、それを解決するためのアプリケーションの構築を始めてください。GenAIの中心にあるのは、ファウンデーションモデル（FM）とも呼ばれる大規模言語モデル（LLM）です。モデルの消費者、調整者、ビルダーについては聞いたことがあるかもしれませんが、さらに詳しく説明します。 McKinseyは、それを受け手、形作り手、創り手として捉えており、GenAI Recogniseセッションで言及しています。この記事では、それぞれのレイヤーを詳しく見ていきます。プラットフォームの増殖を使用例としてそれをさらに詳しく掘り下げるために、すべてがはっきりとわかる実例に目を向けましょう。現代のテクノロジーの風景では、ほとんどのアプリが複数のプラットフォームで動作する必要があることは当然です。しかし、その中には注意点があります。各プラットフォームには独自のインターフェースと特異性があります。追加のプラットフォームへのアプリケーションのサポート拡張とそのようなマルチプラットフォームアプリケーションのメンテナンスは同じくらい困難です。しかし、そこでGenAIが駆けつけて救いの手を差し伸べます。GenAIは、プラットフォームに関係なく、アプリケーションのために統一されたユーザーフレンドリーなインターフェースを作成することを可能にします。その魔法の材料は何でしょうか？大規模言語モデル（LLM）がこのインターフェースを自然で直感的な言語に変換するのです。 Linux、Windows、Macコマンドさらに理解を深めるために、例えば私たちのマシンがLinux、Windows、またはMacである場合に、異なるシナリオごとに実行すべき正確なコマンドを知りたいとしましょう。以下の図は1つのシナリオを示しています：エンドユーザーとアプリケーション開発者への価値エンドユーザーとしては、各プラットフォームごとのコマンドを学び/知る必要がなく、自然かつ直感的に作業を完了できます。アプリケーションの開発者としては、ユーザーに見えるアプリケーションのインターフェースを、それぞれのサポートされるプラットフォームに明示的に変換する必要はありません。参照アーキテクチャ Open AIやAzure Open AIなどのさまざまなプロバイダーが提供するクラウドには、GPT3、GPT3.5、およびGPT4を含む複数のLLMが存在します。これらは補完、チャット補完などのさまざまなAPIを介して簡単にアクセスできます。 AIオーケストレータは、モデルとプロバイダー間のモデルとモデルの統一化されたアクセスをさらにシームレスにします。そのため、GenAIアプリケーションは、基礎となるプロバイダーやモデルと直接対話するのではなく、AIオーケストレータと対話します。そして、アプリケーションが必要とするように、構成可能で、または複数の基礎となるプロバイダーやモデルとのオーケストレーションを処理します。柔軟性とモジュラリティのために、アプリケーションがサポートする各プラットフォームにはプラグインを持つことができます。これから続くセクションでは、これらのプラグインとオーケストレータで行えることについて詳しく説明します。最後に、アプリケーションにはGenAIによって生成されたコマンドを実行するためにサポートするプラットフォームとの接続があります。参照テクノロジー AIオーケストレータ：…

「ジュリアプログラミング言語の探求：統合テスト」

皆さん、こんにちは👋、そして「ジュリア」というコンピュータ言語を使って、機械学習とデータサイエンスのプロジェクトを最初から最後まで構築するための私たちのシリーズにお帰りいただきありがとうございます私たちがシステムを作業している間に、必要なものがあります...

「製造環境では、なぜあなたのラグは信頼性に欠けるのか」

「RAGフレームワークの背後にある問題と、製造現場でそれらを克服するための解決策とヒント」

「不確定性pyと混沌pyを用いた多項式混沌展開による混沌の秩序化」

３年前、イタリアのローマから引っ越して、アメリカのオハイオ州シンシナティに住み始めましたシンシナティ大学からの博士課程のオファーを受けたからです私が懐かしむことがたくさんありました（そして今もあります）...

「MLOpsを活用した顧客離反予測プロジェクト」

イントロダクションデータサイエンスと聞くと、まず思い浮かぶのはノートブック上でモデルを構築しデータをトレーニングすることです。しかし、実際の世界のデータサイエンスでは、このような状況はありません。実際の世界では、データサイエンティストはモデルを構築し、それを本番環境に展開します。本番環境には、モデルの開発、展開、信頼性の間にギャップがあり、効率的でスケーラブルな運用を実現するために、データサイエンティストはMLOps（Machine Learning Operations）を使用します。MLOpsは本番環境でMLアプリケーションを構築し展開するための手法です。この記事では、MLOpsを使用して、顧客の離反予測プロジェクトを構築し展開します。学習目標この記事では、次のことを学びます：プロジェクトの概要 ZenMLとMLOpsの基礎を紹介します予測のためにモデルをローカルに展開する方法を学びますデータの前処理とエンジニアリング、モデルのトレーニングと評価に入ります。この記事はData Science Blogathonの一部として公開されました。プロジェクトの概要まず、プロジェクトの内容を理解する必要があります。このプロジェクトでは、通信会社からのデータセットを使用します。このデータセットを使用して、ユーザーが会社のサービスを継続するかどうかを予測するモデルを構築します。このMLアプリケーションを構築するために、ZenmMLとMLFlowの助けを借ります。プロジェクトのワークフローは以下の通りです。プロジェクトのワークフローデータ収集データの前処理モデルのトレーニングモデルの評価展開 MLOpsとは？ MLOpsは、開発から展開、継続的なメンテナンスまでのエンドツーエンドの機械学習ライフサイクルです。MLOpsは、機械学習モデルのライフサイクル全体を効率的かつスケーラブルに自動化することで、拡張性、信頼性、効率性を確保します。簡単な例を使って説明しましょう：…

「Dockerが「Docker AI」を発表：コンテキスト認識自動化が開発者の生産性に革新をもたらす」

DockerCon 2023の基調講演中、Dockerは画期的な発表を行いました。開発者の生産性を変革する初のAIパワード製品、「Docker AI」を発表しました。この革新的なツールは、Docker開発者の世界中の知識を集約し、コンテキストに応じた自動ガイダンスを提供して開発プロセスを効率化します。 DockerのAIへの進出は、アプリケーション開発の複雑さに直面する開発者に適切な支援を提供する戦略的な動きを示しています。この取り組みは、AI/MLの先端技術、コンテンツ、および協力を開発者に提供するDockerの広範なイニシアチブと整合しています。既存のツール、コンテンツ、およびサービスを拡充することで、Dockerは開発者の確立されたワークフローの効率を向上させることを目指しています。チームは、AIがコード生成に与える影響について興奮を表明し、そのソースコードの記述における変革的な効果に注目しました。しかし、Docker AIはさらに幅広い範囲に取り組んでおり、ウェブサーバ、言語ランタイム、データベースなどの重要なコンポーネントも含んでいます。このツールにより、開発者は開発サイクル内でアプリケーションのすべての側面を効率的に定義およびトラブルシューティングする手段を備えることができます。生成型AIと大規模言語モデル（LLM）の台頭により、開発者の生産性が著しく向上しています。GitHub CopilotやTabnineなどのツールは、効率を最大10倍に高めるのに大きな役割を果たしました。ただし、これらのツールは主にソースコードに対応しており、全体のアプリケーションのごく一部をカバーしています。Docker AIはこのギャップを埋めるために登場し、データベース、言語ランタイム、フロントエンドなどの85％から90％を対象としています。Docker AIを通じて、開発者コミュニティはGitHubやDocker Hubといったプラットフォームを介して共有知識にアクセスできます。研究者たちは、生成型AIツールが開発者の健康に与える前向きな影響を強調し、生産性の向上とタスク完了の迅速化に寄与していると述べました。Docker AIはこれらの利点だけでなく、開発者がアプリケーションスタック全体で成功するために必要なものを提供します。Dockerの広範な開発者コミュニティの集合知を利用することで、Docker AIの洞察がベストプラクティスに基づき、セキュリティと最新の推奨事項を優先することを信頼できます。 Docker AIは、DockerfileやDocker Composeファイルの変更、’docker build’プロセスのデバッグ、ローカルテストの実施時に、開発者に対してターゲット指向の自動アドバイスを提供する点で優れています。開発者は、10年以上にわたって蓄積された数百万人のDockerユーザの知識を活用し、アプリケーションのベストプラクティスを生成し、セキュアで最新のイメージを推奨することができます。Docker AIにより、開発者はツールやインフラストラクチャに煩わされることなく、アプリケーションの改善にさらに時間を費やすことが可能です。 DockerがDocker AIを導入することで、開発者の生産性と効率を向上させる重要な進展が達成されました。AIに基づく洞察を活用することで、Dockerは開発者がアプリケーション開発に取り組む方法を革新する準備が整いました。Docker AIを通じて、開発者は豊富で経験豊かなコミュニティの集合知を武器に、アプリケーション構築の複雑さに自信を持って取り組むことができます。この先を見据えたツールは、アプリケーション開発の領域を進化させるだけでなく、AI駆動の開発者のランドスケープでのさらなるイノベーションの舞台を構築します。

Learn more about Search Results - Page 7