Search Results こちら

『Re Invent 2023の私のお勧め』

ここに私のお気に入りのリストがありますが、特定の順序はありません (Koko ni watashi no okiniiri no risuto ga arimasu ga, tokutei no junjo wa arimasen.)

このAI論文は、「GREAT PLEA」倫理的フレームワークを提案しています：医療における責任あるAIのための軍事に焦点を当てたアプローチ

ピッツバーグ大学、ウェル・コーネル・メディシン、テレメディシン＆先進テクノロジー研究センター、統合失調症（USU）、ブルック陸軍医療センター、およびピッツバーグ医療センターの研究者グループは、特に透明性、バイアスモデリング、倫理的意思決定に焦点を当てた、保健医療における創発AIの倫理的原則を調査しました。彼らはGREAT PLEA原則と呼ばれるフレームワークを提案しました。これは、ガヴァナビリティ、リライアビリティ、エクイティ、アカウンタビリティ、トレーサビリティ、プライバシー、法的性質、共感、およびユートニカを表しています。フレームワークは、創発AIの統合から生じる倫理的ジレンマに対処するために、これらの原則の積極的な採用と拡大を提唱しています。この研究では、軍事と医療の共通した迅速な意思決定の必要性を強調しながら、医療における創発AIの変革的な可能性を探求し、透明性やバイアスなどの倫理的懸念に注目しています。また、軍事倫理に触発された実践的な枠組みを紹介しており、創発AIを医療に統合する際の倫理的な課題に対処するために、ガヴァナンス、公平さ、および意思決定プロセスにおける共感を重視しています。軍事や医療を含むさまざまな分野でAIの役割が拡大していることは、倫理的考慮の必要性を強調しています。この研究では、米国国防総省とNATOが軍事AIの倫理を公開したことを指摘しています。また、臨床部門の代替案など、医療におけるAIの影響を探求し、創発AIの変革的な可能性に焦点を当てています。医療における創発AIのための特定の倫理的原則の欠如を強調しています。軍事と医療部門でのAIの優先事項の収束が強調されています。この研究では、医療における創発AIのために軍事に触発された倫理的原則を提案しています。研究者は、ガヴァナビリティ、リライアビリティ、エクイティ、アカウンタビリティ、トレーサビリティ、プライバシー、法的性質、共感、およびユートニカなどの問題に対処するためのGREAT PLEA原則を作成するために、軍事と医療の倫理的な懸念を対比させています。研究者は、医療における創発AIシステムについて、エンドユーザーにその能力と限界の認識を確保するための教育の重要性を強調し、透明性と文書化を重視しています。さらに、研究チームは、患者ケアの改善と同時に、人間の創造性、生産性、問題解決能力の向上の道徳的意義も強調しています。まとめると、この研究では、創発AIを医療に組み込むために、軍事に触発された「GREAT PLEA」という倫理的原則のセットを提案しています。このフレームワークは、透明性、文書化、およびトレーサビリティの重要性を強調し、医療実践における信頼性を向上させ、倫理基準を維持するものです。エンドユーザーへの教育と創発AIにおける倫理的な課題に積極的に取り組むことによって、患者ケアの改善を図ることが重要です。この記事の元の投稿はこちらからご覧いただけます。また、MarkTechPostでご覧いただけます。

「Pythonもしもでないの場合：コード内の条件文を簡素化する方法」

「Pythonのif not文は、プログラムのフローを制御するための強力なツールです特定の条件が偽であるかどうかをテストしたり、条件式の結果を反転させるためによく使用されますこのセクションでは、if not文の構文と例について探求します...」

機械学習を革新する：たった7行のコードでAutoGluonを使ってKaggleのトップ4％を達成

Slalom _buildで新しいデータエンジニアリングの役割を始めてから、数年前のMLの経験を最新化する必要があることに気付きましたデータエンジニアリング/データの経験を積んでから数年が経ちましたが...

このAIニュースレターはあなたが必要とするものです＃76

今週、私たちはトランスフォーマーや大規模な言語モデル（LLM）の領域を超えた重要なAIの進展に焦点を当てました最近の新しいビデオ生成拡散ベースのモデルの勢いについて…

「推測を超えて：効果的な記事タイトル選択のためのベイジアン統計の活用」

記事は、ベイジアン多腕バンディットアルゴリズムがデジタルメディアのタイトル選択を最適化し、従来のA/Bテスト手法を超えることができる方法について議論していますPythonの例を使って具体的に示し、視聴者のエンゲージメントとコンテンツ作成における意思決定を強化することを紹介しています

Machine learning

「大規模言語モデルの世界でどのように仕事に就く準備をするか？」

イントロダクション人工知能の領域への貢献があなたの情熱ですか？このフィールドへの夢の入り口には、自然言語処理の専門知識と実践的な経験が必要です。さまざまなLarge Language Model (LLM)の知識と応用スキルを習得して、即戦力になりましょう。人間の知能を模したGPT-4、Llama、Falconなど、多くのLLMが注目を浴びています。さらには、企業の58%が既にその恩恵を受けています。実際にはしかし、ここがネックです！多くの企業がまだ移行の段階にある中、スキルを習得して自分の位置を確保するのに今が最適な時期です。数百万から数十億のパラメータで訓練された言語モデルは驚くべきスコアと未開発のポテンシャルを持っています。正しいスキルを頭に備え、それらを現実のプロジェクトに適用することで、知識の山を簡単に越えることができます。LLMのエキサイティングな世界で即戦力になるための詳細は以下をお読みください！主要なスキルと知識領域 LLMの世界で成功するための候補者を進化させる基本は、自然言語処理、機械学習、深層学習です。 NLPと機械学習の理解：LLMの能力の根源はNLPと機械学習にあります。これらはテキストの理解と生成の能力を提供します。NLPは言語理解を通じて人間とコンピュータの対話を結びつけます。命名エンティティ認識、感情分析、機械翻訳、対話分析などのNLPアプリケーションについての深い知識に加えて、異なる言語の言語構造に対する高度な理解が必要です。さらに、プロンプトエンジニアリングのスキルにも重点を置くことが重要です。機械学習はデータの学習を容易にするためのアルゴリズムと統計モデルの開発を可能にします。LLMの世界では、ニューラルネットワークや教師あり・教師なし学習など、機械学習の概念に関する深い情報が必要です。MLフレームワークのPyTorchやTensorFlowでスキルを磨きましょう。深層学習の取り込み：深層学習はニューラルネットワークの開発に焦点を当て、複雑な言語構造とデータ依存関係を捉えるために使用されます。学習することで、リカレントニューラルネットワークやトランスフォーマーの最大の潜在能力を活用することができます。候補者は深層学習のアーキテクチャやメモリネットワーク、注意機構などの高度な技術について深い知識を持っている必要があります。ツール：Pythonなどのプログラミング言語の習熟度と、NumPy、pandas、scikit-learnなどの関連するライブラリの専門知識は必須です。また、GPUアクセラレーションの活用技術やGPUアーキテクチャに対してモデルを最適化する能力も非常に役立ちます。独自のLLMの構築：医療、テキスト翻訳、コーディングなどの分野で、自分自身のLLMを構築することで経験を積みましょう。このプロセスでは、コアスキルに加えて注釈付け、ラベリング、他の人との協力などの専門知識を得ることができます。教育の選択肢どんなキャリアでも成功するための魅力的なコースは、目指すドメインの厳格なバックグラウンドを持つ候補者と、キャリア転換を希望する候補者の両方に柔軟性を提供します。必要な概念を基礎から理解し、より深い知識を習得することは、LLMのドメインでのキャリア準備には欠かせません。仕事に関するタスクの複雑さによると、適切なスキルを持つことも同様に重要です。Analytics Vidhyaでは、最高のLLMのエキスパートを育成するための1対1のメンターシッププログラムを提供するGenAI Pinnacle Programを提供しています。ここでは、コアコンセプトについての洞察を得ることができ、200時間以上の学習体験と10以上のハンズオンの実世界プロジェクトで知識を応用する機会があります。進展に合わせて進捗をテストするための課題で26以上のGenAI専門ツールとフレームワークを使いこなすことにも慣れていきましょう。週に一度のメンターシップセッションは、GenAIプロフェッショナルになるためのカスタマイズされたものです。また、75以上の専門家セッションでは、業界の最新情報をリアルタイムで提供します。Analytics Vidhyaとともに、革新を力にして将来の明るい未来をLLMのフィールドで築きましょう。ハンズオンプロジェクト…

なぜGPUはAIに適しているのか

GPUは人工知能の希少な地球の金属、さらには金そのものとも呼ばれています。それは、今日の生成的AI時代において基盤となる存在であるためです。それは3つの技術的理由と数多くのストーリーによって説明され、それぞれの理由には多くの側面がありますが、大まかに言えば次のようなものです。 GPUは並列処理を使用します。 GPUシステムはスーパーコンピュータの高さにまでスケールアップします。 AIのためのGPUソフトウェアスタックは幅広く深いです。その結果、GPUはCPUよりも高速かつエネルギー効率が優れており、AIのトレーニングおよび推論においても優れたパフォーマンスを提供し、高速計算を使用するさまざまなアプリケーションにおいても利益をもたらします。スタンフォード大学のヒューマンセンタードAIグループの最近のレポートによれば、GPUのパフォーマンスは「2003年以来約7000倍」向上し、価格性能比は「5600倍」増加していると報告されています。 2023年のレポートは、GPUのパフォーマンスと価格性能の急激な上昇を捉えています。レポートはまた、AIの進展を測定し予測する独立系の研究グループであるエポックの分析も引用しています。「GPUは、機械学習ワークロードを高速化するための主要なコンピューティングプラットフォームであり、過去5年間のほとんど（もしくはすべて）の最大のモデルがGPU上でトレーニングされています… それにより、AIの最近の進歩に重要な貢献をしています」とエポックはサイトで述べています。また、米国政府のためにAI技術を評価した2020年の研究も同様の結論を導いています。「製造および運用コストを含めた場合、最先端のAIチップは生産性と運用コストをリーディングノードCPUよりも1〜3桁高いと予想されます」と述べています。「NVIDIAのGPUは、過去10年間にAI推論のパフォーマンスを1000倍向上させました」と同社の首席科学者であるビル・デーリー氏は、半導体およびシステムエンジニアの年次集会であるHot Chipsの基調講演で述べています。 ChatGPTがニュースを広める ChatGPTは、GPUがAIにとって優れたものであることを強力に示した例です。数千のNVIDIA GPUでトレーニングされ、実行される大規模な言語モデル（LLM）は、1億人以上の人々が利用する生成的AIサービスを提供しています。その2018年のリリース以来、AIの業界標準ベンチマークであるMLPerfは、NVIDIA GPUのトレーニングおよび推論のリーディングパフォーマンスを詳細に示しています。例えば、NVIDIA Grace Hopper Superchipsは最新の推論テストで圧倒的な成績を収めました。そのテスト以降にリリースされたNVIDIA TensorRT-LLM推論ソフトウェアは、パフォーマンスを最大8倍向上させ、エネルギー使用量と総所有コストを5倍以上削減します。実際、NVIDIA…

「ゼロ-ETL、ChatGPT、およびデータエンジニアリングの未来」

変化が苦手な方には、データエンジニアリングは適していませんこの領域では、ほとんどのことが再構築されました最も顕著な最近の例は、SnowflakeとDatabricksがデータベースの概念を変革し、モダンデータスタックの時代を開いていますこの動きの一環として、Fivetranとdbtは基本的に...

「誰も所有していないサービスを修復するために、アンブロックされたものを使う」

「サービスが誰にも所有されていないのは珍しいことではありませんほとんどの文書化もない状態で、Unblockedの魔法を使って、サービスを理解し修正するのはどれだけ簡単か、ご覧ください」

Learn more about Search Results こちら - Page 7