Search Results A

新しい言語モデルを評価するための3つの重要な方法

毎週新しいLLMがリリースされますが、私のように考えると、これはついに私がLLMを利用したいすべてのユースケースに適合するのでしょうか？このチュートリアルでは、私は...を共有します

価値あるデータテストの作成方法

データの品質については、過去の1年間で広く議論されてきましたデータ契約、データ製品、データ監視ツールの採用が増えていることは、データの専門家たちの取り組みを示しています

ビジネス学生からテック業界のデータサイエンティストへ

LinkedInでよく質問される中でも、一つは常に目立つ質問がありますそれは、なぜ私がビジネスからエンジニアリングに一夜にして転身し、...となったのかというものです

レオナルド・ダ・ヴィンチ：天才の心の内部

世界中の28の機関が力を合わせ、レオナルド・ダ・ヴィンチの比類のない遺産を紹介し、芸術、科学、AIイノベーションを融合させる

メタが彼らの有望なプロジェクトをすべてオープンソース化 | その理由を知る

はじめに Facebookとして以前は知られていたMetaは、オープンソースソフトウェア開発のリーダーとなりました。この動きは、プロプライエタリな技術に依存している企業にとっては直感に反するかもしれませんが、Metaがすべてのプロジェクトを一般公開する理由はいくつかあります。また読む：Metaはマルチセンサリーモデルをオープンソース化この記事では、Metaがなぜオープンソースソフトウェアを強く推奨しているのか、そしてそれが企業にどのように利益をもたらすのかについて探っていきます。 Metaによるオープンソースリリースの規模過去数年間、AIの分野では有望なオープンソースソフトウェアの数が大幅に増加しています。Metaはこの革命の最前線に立ち、200以上のプロジェクトをオープンソース化しています。しかし、特に効率的に商業化できるプロジェクトを一般に公開することで、会社は何を得るのでしょうか。 Metaの倫理的義務 Mark Zuckerbergを含む同社の主要な人物によると、Metaはオープンソースの結果です。当初、同社のプラットフォームはLinux、Apache、Mysql、PHPの組み合わせであるLAMPから構築されました。そのため、Metaは設立以来、自社のプロジェクトをオープンソース化することに「利他的でイデオロギー的な義務」を感じています。つまり、Metaは共同体に還元する道徳的な義務を感じています。 Facebookはオープンソースコミュニティから多くの教訓を得ており、さらに学ぶことを楽しみにしています。オープンソース化の背後にある3つの最も重要な考えは次のとおりです。実用的なものを共有する。ヒーローを強調する。一般的な問題を修正する。より良いソフトウェアとコード Meta自身によれば、有望なモデルをオープンソースで公開することは、彼らがより良いソフトウェアを構築し、より良いコードを書くことを意味します。彼らのエンジニアは自分たちの仕事をオープンソース化できると知っているため、より誇りを持って働くことができます。最終的には、エンジニアがMetaが取り組んでいることを自分自身で見ることができるため、トップの人材を引き付けることが容易になります。したがって、これには堅実なビジネスセンスがあります。また読む：データエンジニアリングの概要失うよりも得るものが多い自社のプロジェクトをオープンソースとして公開する決定は、Metaにとって不利よりも有利な可能性があります。競合他社がFacebookのコードを使用しても、会社には大きな害はありません。したがって、Metaはプロジェクトをオープンソースとして公開することで得るものが失うものよりも多いのです。コミュニティからの無料貢献 Metaは、モデルやコードへのオープンアクセスを提供することで、コミュニティの無料の貢献を活用することができます。この動きは、オープンソースの開発者の間で好意的な評判を得ることにもつながり、彼らがMetaに就職したりセキュリティ上の脆弱性を責任を持って通知したりする可能性が高くなるでしょう。より優れた採用コードが公開されると、より多くの開発者がそれに触れることができるため、Metaは求人募集に適格な候補者を見つけやすくなります。この広範な露出はまた、Metaの技術の標準化をインターネット全体でもたらし、会社にとって2つの利点があります：ユーザーベースの拡大とより良いブラウザのサポート。また読む：AIは人間を置き換えるか？ Gen…

光ニューラルネットワークとトランスフォーマーモデルを実行した場合、どのようなことが起こるのでしょうか？

ディープラーニングモデルの指数関数的な拡大スケールは、最先端の進化と巨大スケールのディープラーニングのエネルギー消費、速度、そして実現可能性についての増大する懸念の源であり、これによりディープラーニングの利用が指数関数的に増加しています。最近、Cornellの研究者は、特にTransformerのトポロジーについて話しました。これらのモデルは、数十億、あるいは数兆のパラメータにスケールアップすると劇的に優れた性能を発揮し、ディープラーニングコンピューティングの利用が指数関数的に増加します。これらの大規模なTransformerは、デジタルハードウェアのエネルギー効率が最先端のディープラーニングモデルのFLOP要件の上昇に追いついていないため、多くのタスクにおいて人気がありますが、高価な解決策です。また、コンピュータビジョン、グラフ、マルチモーダル設定など他の領域でもますます印象的なパフォーマンスを発揮しています。また、これらのモデルは転移学習のスキルを持っており、追加のトレーニングなしで特定の活動に素早く一般化できる場合があります。これらのモデルのコストと一般的な機械学習の能力は、効果的で迅速な推論のためのハードウェアアクセラレータの創造の主要な推進力となっています。ディープラーニングハードウェアは、過去にはGPU、モバイルアクセラレータチップ、FPGA、大規模なAI専用アクセラレータシステムなど、デジタル電子工学で広範に開発されてきました。光学ニューラルネットワークは、他の方法と比較して、デジタルコンピュータ上のニューラルネットワークの実装よりも効率性とレイテンシが優れている解決策として提案されています。同時に、アナログコンピューティングにも大きな関心があります。これらのアナログシステムはノイズやエラーの影響を受けやすいですが、ニューラルネットワークの演算は、通常は大規模な線形演算に分散されたウェイトとデータの読み込みに関連する電気オーバーヘッドを除いて、光学的により低コストで実行できます。Transformerなどの大規模なモデルの高速化は、特に有望です。理論的には、スケーリングはデジタルシステムよりもMACごとのエネルギー効率が漸近的に高いです。ここでは、彼らがこのスケーリングをどのように活用しているかを示します。彼らは、言語モデリングのための実際のTransformerからの演算をサンプリングし、実際の空間光変調器ベースの実験系で実行しました。そして、その結果を使用して、光学的に実行されるフルトランスフォーマーのキャリブレーションされたシミュレーションを作成しました。これは、ノイズやエラーの特性にもかかわらず、Transformerがこれらのシステム上で動作することを示すために行われました。彼らは、これらの試行で得られたウェイトと入力を使用して、システマティックなエラー、ノイズ、および不正確さを伴うシミュレーションを行いました。すると、Transformerはデジタルで動作しているものとほぼ同等のパフォーマンスを発揮することがわかりました。以下は、彼らの主要な貢献の概要です： • 光学的なTransformerのパフォーマンスと総エネルギーコストのスケーリングルールを作成しました。彼らは実験的に示しました、Transformerの線形演算は、エラーやノイズにもかかわらず、実際の光学ハードウェア上で正確に実行できることを。 • シミュレーションとテストに基づいた設計を使用して、ONNアクセラレータのエネルギー消費量を予測しました。 • 光学は、最先端のプロセッサよりも桁違いに少ないエネルギーを消費すると計算しました。彼らのシミュレーションとテストは特定のハードウェアを例示として使用していますが、彼らの焦点は広範です。彼らは光学エネルギースケーリングとノイズがTransformerの構築とパフォーマンスにどのように関連しているかを知りたいのです。その結果、ハードウェアの具体的な実装の詳細に関係なく、線形光学プロセッサに一般的に適用できる結論のほとんどが得られます。

ビンガムトン大学の研究者たちは、社会的な写真共有ネットワークでの自分たちの顔の管理を可能にするプライバシー向上の匿名化システム（私の顔、私の選択）を紹介しました

匿名化は、顔認識や識別アルゴリズムの文脈において重要な問題です。これらの技術の商品化が進むにつれて、個人のプライバシーやセキュリティに関する倫理的な懸念が浮上しています。顔の特徴を通じて個人を認識し識別する能力は、同意、個人データの管理、潜在的な悪用について疑問を投げかけます。現在のソーシャルネットワークのタグ付けシステムは、写真に望ましくないまたは承認されていない顔が表示されるという問題に適切に対処する必要があります。論争や倫理的な懸念が顔認識や識別アルゴリズムの最先端技術に影響を与えてきました。以前のシステムは適切な一般化と正確性の保証が欠けており、意図しない結果をもたらしました。顔認識をオフにするために、ぼかしやマスキングといった対策が取られていますが、これらは画像の内容を変えてしまい、簡単に検出されます。敵対的生成や没収の手法も開発されましたが、顔認識アルゴリズムはこのような攻撃に耐えるために改良されています。このような状況の中、Binghamton Universityの研究チームが最近発表した新しい記事では、顔認識システムを誤認させるためにディープフェイクを活用するプライバシー強化システムを提案しています。彼らは「私の顔、私の選択」（MFMC）という概念を導入し、個人が自分が写真に表示されるのを制御し、非許可の閲覧者に対しては似たようなディープフェイクで自分の顔を置き換えることができるようにしています。提案されたMFMCメソッドは、写真内の複数の人物を対象として、個人が付与した複雑なアクセス権に基づいてディープフェイクのバージョンを作成することを目指しています。このシステムは、アクセス権を画像ごとではなく顔ごとに定義するソーシャル写真共有ネットワーク上で動作します。画像がアップロードされると、アップローダーの友人はタグ付けできますが、残りの顔はディープフェイクで置き換えられます。これらのディープフェイクは、様々なメトリックに基づいて慎重に選択され、元の顔とは数量的に異なるが、文脈的および視覚的な連続性を維持します。著者たちは、さまざまなデータセット、ディープフェイク生成器、顔認識アプローチを用いて、提案されたシステムの有効性と品質を確認するために、包括的な評価を行っています。MFMCは、顔の埋め込みを利用して顔認識アルゴリズムに対する有用なディープフェイクを作成するための重要な進歩を表しています。この記事では、合成ターゲット顔のアイデンティティを元のソース顔に移すと同時に、顔や環境の属性を保持することができるディープフェイク生成器の要件を示しています。著者たちは、Nirkin et al.、FTGAN、FSGAN、SimSwapなどの複数のディープフェイク生成器をフレームワークに統合しています。また、プロキシによる開示、明示的な認可による開示、アクセスルールに基づく開示などの3つのアクセスモデルを導入し、ソーシャルメディアの参加と個人のプライバシーをバランスさせています。 MFMCシステムの評価では、7つの最先端の顔認識システムを使用して顔認識の精度の低下を評価し、CIAGANやDeep Privacyなどの既存のプライバシー保護顔変更手法と比較しています。評価は、MFMCの顔認識の精度低下における効果を示しています。また、システムの設計、製品化、顔認識システムとの評価における他の手法に対する優位性を強調しています。まとめると、この記事では顔認識や識別アルゴリズムに関連するプライバシーの懸念に対処するための新しいアプローチとしてMFMCシステムを紹介しています。個人が付与したアクセス権とディープフェイクを活用することにより、MFMCはユーザーが自身が写真に表示されることを制御し、非許可の閲覧者に対しては似たようなディープフェイクで顔を置き換えることができます。MFMCの評価は、既存のプライバシー保護顔変更手法を上回り、顔認識の精度の低下においてその有効性を示しています。この研究は、顔認識技術の時代におけるプライバシーの向上に向けた重要な一歩であり、この分野でのさらなる進歩の可能性を開拓しています。

Learn more about Search Results A - Page 824

新しい言語モデルを評価するための3つの重要な方法

価値あるデータテストの作成方法

ビジネス学生からテック業界のデータサイエンティストへ

レオナルド・ダ・ヴィンチ：天才の心の内部

メタが彼らの有望なプロジェクトをすべてオープンソース化 | その理由を知る

光ニューラルネットワークとトランスフォーマーモデルを実行した場合、どのようなことが起こるのでしょうか？

ビンガムトン大学の研究者たちは、社会的な写真共有ネットワークでの自分たちの顔の管理を可能にするプライバシー向上の匿名化システム（私の顔、私の選択）を紹介しました

合成データのフィールドガイド

データ駆動型の世界で理解すべき重要な統計的アイデア4つ

分析から実際の応用へ：顧客生涯価値の事例

Find the right Blockchain Investment for you