Search Results ドキュメンテーション

動くAI

「2023年はLLM（Large Language Models）の年だったとすれば、2024年はLMM（Large Multimodal Models）の年となるでしょう主な違いは、テキストと画像の認識による生成が行われることです...」

「AIの力による消費者の支払い行動予測」

「AIが予測能力を活用して消費者の支払行動を理解し、予測する方法を発見し、事業に行動可能な洞察を提供する」

データサイエンティストのツールボックス：解析

多くのデータサイエンティストにとって、複雑なドキュメントを使いやすいデータに変換することは一般的な問題です複雑なドキュメントを見て、データを変換するための異なる方法を探ってみましょうルール1：怠け者であること...

AI倫理の役割：革新と社会的責任のバランス

「人工知能は急速に拡大している分野を表しており、AIが引き起こす倫理的なジレンマを認識することが重要です」

GPTを使用した、OpenAIのパーソナルAIアプリのノーコードビルダー

データ分析、ビジュアルタスクなどのためにカスタムChatGPTを作成する方法を学びましょうOpenAIのノーコードGPTを使って、あなた自身のAIの未来を作り始めましょうそして、明日からGPTストアで販売しましょう

スケーリングダウン、スケーリングアップ：モデルの量子化での生成AIのマスタリング

紹介人工知能の進化する風景の中で、生成型AIは確実に革新の中核となってきました。これらの高度なモデルは、芸術の創造、テキストの生成、医療画像の向上などに使用され、驚くほどリアルで創造的な結果を生み出すことで知られています。ただし、生成型AIの力は、モデルサイズと計算要件を必要とします。生成型AIモデルが複雑さとサイズを増すと、より多くの計算リソースとストレージ容量を要求します。これは特に、これらのモデルをエッジデバイスやリソース制約のある環境に展開する際には大きな障害となる場合があります。ここで、モデル量子化を使用する生成型AIが登場し、品質を犠牲にすることなくこれら巨大なモデルを縮小する方法を提供します。出典 – Qualcomm 学習目標生成型AIの文脈におけるモデル量子化の概念を理解する。モデル量子化の実装に関連する利点と課題を探索する。芸術の生成、医療画像、テキスト作成における量子化された生成型AIモデルの実世界の応用について学ぶ。 TensorFlow LiteとPyTorchのダイナミック量子化を使用したモデル量子化のためのコードスニペットに関する洞察を得る。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。モデル量子化の理解出典 – Youtube.com 簡単に言えば、モデル量子化は、モデルのパラメータの数値の精度を低下させます。ディープラーニングモデルでは、ニューラルネットワークはしばしば高精度の浮動小数点値（例：32ビットまたは64ビット）を使用して、重みと活性化を表現します。モデル量子化は、これらの値をより低精度の表現（例：8ビット整数）に変換しながら、モデルの機能性を維持します。生成型AIにおけるモデル量子化の利点メモリの使用量削減：モデル量子化の最も顕著な利点は、メモリ使用量の大幅な削減です。モデルのサイズが小さくなることで、生成型AIをエッジデバイス、モバイルアプリケーション、メモリ容量の制約がある環境に展開することが可能となります。高速な推論：量子化されたモデルはデータサイズが小さくなるため、より高速に実行します。この速度の向上は、ビデオ処理、自然言語理解、自動運転などのリアルタイムアプリケーションにおいて重要です。エネルギー効率：モデルサイズの縮小はエネルギー効率に貢献し、バッテリ駆動デバイスやエネルギー消費が懸念される環境で生成型AIモデルを実行することが実用的になります。コスト削減：モデルのフットプリントが小さくなることは、開発者およびエンドユーザーにコスト削減をもたらします。ストレージおよび帯域幅の要件が低くなるためです。生成型AIにおけるモデル量子化の課題利点がある一方、生成型AIにおけるモデル量子化にはいくつかの課題があります：…

コースを安定させる：LLMベースのアプリケーションの評価をナビゲートする

大型言語モデル（LLM）は話題になっており、多くの人々がそれを自分のアプリケーションに取り入れています関係データベース上の質問に答えるチャットボットやサポートするアシスタントなど...

自撮りがコミュニケーション手段としてどのように使われているかを説明するための研究が進行中であることが明らかになった

「ドイツのバンベルク感情・認知科学大学院の研究者たちは、132人を集めて1,001枚の自撮り写真を調査し、彼らの第一印象を特徴づけてもらいました」

フリートテクノロジーのためのAI駆動エッジインサイトの実装

「エッジインサイトをフリートテクノロジーに導入し、効率と安全性を向上させ、ドライバーとフリートマネージャーにほぼリアルタイムの洞察を提供する方法を学びましょう」

「MIT研究者がLILOを導入：プログラム合成のための解釈可能なライブラリを学ぶための神経シンボリックフレームワーク」

ビッグ言語モデル（LLM）は、プログラムのさまざまな文脈でプログラムする能力がますます高度になっており、部分的に書かれたコードを完成させる、人間のプログラマーとの対話、さらには競技レベルの難しいプログラミングの謎を解くことさえも可能です。しかし、ソフトウェア開発者は、現在の作業を終えるよりも、問題の領域全体を解決するために使用できるライブラリを作成することに関心があります。そのために、リファクタリングのスキルは、ソフトウェア開発の重要な要素です。リファクタリングは、コードベースをより読みやすく（ほかのプログラマーにとって直感的）、再利用可能（新しいタスクに一般化可能）、コンパクト（共有構造を統合）にする抽象化を見つけ出す能力です。この多目的最適化の問題を解決するために、現在数百万人のプログラマーが利用している現在のコード補完ツールの機能を拡張する必要があります。この研究では、言語モデルをプログラミング言語（PL）の文献の自動リファクタリングと現在のアルゴリズム開発と統合することで、再利用可能な関数抽象化のライブラリを学習します。MIT CSAIL、MIT Brain and Cognitive Sciences、Harvey Mudd Collegeの研究者は、言語観察からのライブラリ導入のための3つの相互関連モジュール（図1）で構成される神経シンボリックフレームワークであるLILO（Library Induction from Language Observations）を提案しています。・デュアルシステム合成モジュール：プログラミングの問題に対する答えを探すために、2つの異なるアプローチが使用されます。LLMによって誘導される強力なドメイン一般事前知識はシステムに導入され、列挙的な探索によってドメイン固有の式が見つかることがあります。・圧縮モジュール：高性能なシンボリック圧縮システムであるSTITCHを使用して、現在の解決セットから関連する抽象化を見つけます。・自動ドキュメンテーション（AutoDoc）モジュール：人間が理解できるドックストリングと関数名を生成し、解釈性を向上させ、後でLLMによる誘導検索を容易にします。彼らの設計は、反復的なWake-SleepアルゴリズムDREAMCODERに基づいており、プログラミングの課題の解決（Wakeフェーズ）と共通の抽象化をライブラリに書き直す（Sleepフェーズ）を交互に行うことによって、探索を導く役割を果たしています。DreamCoderは、従来の深層学習技術とは異なり、少数のサンプルから重要な一般化を引き出すことができ、学習されたライブラリはモデルの概念的な知識を象徴的に表現しています。ただし、DreamCoderの検索プロセスは計算量が非常に多く、単一のドメインの学習にCPUの使用量が2か月以上かかります。図1：LILO学習ループの概要。 (Al) プレーン言語で記述されたタスクの説明からプログラムを作成するため、LILOはデュアルシステムの検索手法を使用します。 LLMで生成された自動文書化（C）をSTITCH（B）と呼ばれる圧縮方法と組み合わせることで、プログラムソリューションの集合を再構成し、λ-抽象の解釈可能なライブラリを作成します。この検索-圧縮-文書化サイクルにより、プログラムソリューションの構造（A vs. D）がシンプルになり、後続の段階でより困難なタスクの解決が容易になります。この検索にかかる時間のかなりの部分は、「出発する」ということに費やされます。プログラマーが既によく知っているか、前のドメイン固有の問題解決の経験により迅速に理解できる抽象化の基本セットを見つける必要があります。さらに、DreamCoderのライブラリは常に解釈できるわけではありません。解読するためには、ドメインの知識とラムダ計算の理解が必要です。これらの問題に取り組むために、LILOはLLMを2つの革新的な方法で使用します：（1）検索中にプログラムソリューションをより迅速に見つけるため、（2）学習されたライブラリのドキュメンテーションを向上させ、理解しやすくします。文字列編集と正規表現、CLEVRデータセットでのシーン推論、2Dロゴタートルグラフィックス言語でのグラフィックスコンポジションという3つの難しいプログラム合成ドメインで、LILOを言語ガイドのDreamCoderと比較します。…

Learn more about Search Results ドキュメンテーション - Page 7