Search Results 提供しています

「Tracememを使用して、Pythonのセッションメモリをトラッキングする」

TraceMem（トレースメム）は、Pythonのプロファイリングツールで、特定の瞬間にPythonセッションのメモリ使用量を測定し、その後の変化を追跡することができますこれはデバッグに使用されることができます...

メタAIは、リアルタイムに高品質の再照明可能なガウシアンコーデックアバターを構築するための人工知能手法「Relightable Gaussian Codec Avatars」を紹介しますこれにより、新しい表情を生成するためにアニメーションさせることができるハイフィデリティのヘッドアバターが作成されます

“`html 画期的な進展を遂げたMeta AIの研究者たちは、ダイナミックな3Dヘッドアバターの高精細なリライティングを実現するという長年の課題に取り組みました。従来の方法では、特にリアルタイムの応用において効率性が重要となる場合に、表情の複雑な細部を捉えることができるようになるまでに時間がかかることがよくあります。Meta AIの研究チームは、この課題に対処すべく、「リライト可能ガウシアンコーデックアバター」という方法を発表し、アバターのリアリズムの領域を再定義する用意のある手法を作り出しました。研究チームが取り組んだ中核的な問題は、ダイナミックな顔のシーケンスにおいて、髪の毛や毛穴などのサブミリメートルの詳細をより明確に捉える必要があるということです。目、肌、髪などの人間の頭部の異質な材料を効率的にモデル化しながら、すべて周波数の反射に対応するというのは困難な課題です。既存の手法の制約は、リアリズムとリアルタイムのパフォーマンスをシームレスに組み合わせる革新的な解決策が必要とされています。リライト可能なアバターに関する既存のアプローチは、リアルタイムのパフォーマンスと忠実度のトレードオフに悩まされてきました。リアルタイムのアプリケーションにおいて、動的な顔の詳細を捉えることができるメソッドが必要とされてきたのです。Meta AIの研究チームは、この課題に目をつけ、「リライト可能ガウシアンコーデックアバター」を革新的な解決策として導入しました。 Meta AIの手法は、3Dガウシアンに基づくジオメトリモデルを導入し、サブミリメートルの精度まで拡張する精密さを提供しています。これは、ダイナミックな顔のシーケンスを捉えるための大幅な進歩であり、髪の毛や毛穴の微妙なニュアンスを含め、アバターが生命的な詳細を示すことを保証します。この革新的な手法の重要な要素であるリライト可能な外観モデルは、学習可能な輝度伝達に基づいています。 https://arxiv.org/abs/2312.03704 これらのアバターの優れた点は、アバターの構築における包括的なアプローチにあります。3Dガウシアンによってパラメータ化されたジオメトリモデルは、アバターのバックボーンを形成し、ガウシアンスプラッティング技術を使用した効率的なレンダリングを可能にします。学習可能な輝度伝達によって駆動される外観モデルは、拡散球面調和関数と反射球面ガウシアンを組み合わせています。この組み合わせにより、アバターは点光源と連続的な照明によるリアルタイムのリライティングを実現できます。これらの技術的側面を超えて、この手法は表情、視線、ビュー、照明に対する切り離し可能な制御を紹介しています。アバターは、潜在的な表情コード、視線情報、および目標視野方向を利用してダイナミックにアニメーション化することができます。この制御のレベルは、アバターアニメーションにおける重要な進展であり、繊細でインタラクティブなユーザーエクスペリエンスを提供します。これらのアバターは、単なる理論的な進展ではありません。その手法によって、ヘッドマウントカメラからのライブビデオによるアニメーションが実証されています。この能力により、リアルタイムのビデオ入力がアバターをシームレスに動かすことで、ダイナミックでインタラクティブなコンテンツを作り出すことができます。総括すると、Meta AIの「リライト可能ガウシアンコーデックアバター」は、複雑な課題に対処するためのイノベーションの力を示すものです。3Dガウシアンに基づくジオメトリモデルと革新的な学習可能な輝度伝達の外観モデルを組み合わせることで、研究チームは既存の手法の制約を超え、アバターのリアリズムに新たな基準を打ち立てました。 “`

「NVIDIAがゲームチェンジャーとマーケットメーカーへの投資でAI革命を推進する方法」

偉大な企業は物語によって繁栄します。NVIDIAのベンチャーキャピタル担当であるシド・サイディックは、これをよく知っています。サイディックは、最初の仕事のひとつで、投資家のミーティングからプレゼン資料を運び回り、トレーラーでの仕事中に、ドアが開くと「揺れる」トレーラーで、スタートアップのCEOとマネジメントチームが物語を伝えるのを手伝いました。そのCEOはJensen Huangであり、スタートアップはNVIDIAでした。サイディックは、投資家と起業家として働いた経験から、顧客やパートナー、従業員や投資家など、会社の物語を早い段階で共有するために適切な人々を見つけることがどれほど重要かを知っています。この原則こそが、NVIDIAが次世代イノベーションを支援するために取り組んでいる多面的なアプローチの基盤です。この戦略は、NVIDIAの企業開発責任者であるヴィシャル・バグワティも支持しています。この取り組みは、今年に入ってこれまでに2ダース以上の投資を果たしました。AIと加速コンピューティングのイノベーションのペースが加速するにつれ、さらに加速しています。 AIエコシステムを支援するNVIDIAの三本の戦略 NVIDIAがエコシステムを投資する方法は3つあります。まず、バグワティが監督するNVIDIAの企業投資によるもの。次に、サイディックが率いる私たちのベンチャーキャピタル部門であるNVenturesによるもの。そして最後に、ベンチャーキャピタルとスタートアップを結び付ける私たちのNVIDIA Inceptionです。 PwCによれば、AIだけで2030年までに世界経済に15兆ドル以上の寄与ができる可能性があります。したがって、現在AIと加速コンピューティングに取り組んでいる場合、NVIDIAは手助けする準備ができています。あらゆる業界の開発者が加速コンピューティングアプリケーションを作成しています。そして、まだ始まったばかりです。その結果、AIの物語を日々進化させている企業のコレクションが生まれました。Cohere、CoreWeave、Hugging Face、Inflection、Inceptiveなどが含まれます。私たちは彼らと一緒にいます。「NVIDIAと提携することはゲームチェンジャーです」とMachina LabsのCEOであるEd Mehrは言いました。「彼らの類まれな専門知識が、私たちのAIとシミュレーション能力を飛躍的に向上させます」。企業投資：エコシステムの成長 NVIDIAの企業投資部門は戦略的な協力に焦点を当てています。これらのパートナーシップは共同イノベーションを促進し、NVIDIAプラットフォームを強化し、エコシステムを拡大します。2023年の始め以来、14件の投資に関する発表が行われています。これらのターゲット企業には、チップ間の光接続に特化したAyar Labsや、先進的なAIモデルのハブであるHugging Faceなどがあります。ポートフォリオには、次世代のエンタープライズソリューションも含まれています。Databricksは、機械学習のための業界をリードするデータプラットフォームを提供しており、CohereはAIを通じた企業自動化を提供しています。他の注目すべき企業にはRecursion、Kore.ai、Utilidataなどがあり、それぞれが薬物発見、会話型AI、スマート電力グリッドのユニークなソリューションを提供しています。消費者サービスも投資の焦点です。Inflectionは、クリエイティブ表現のためのパーソナルAIを作り上げており、Runwayは生成AIを通じたアートと創造性のプラットフォームとして機能しています。…

「スピークAI転写ソフトウェアのレビュー（2023年12月）」

この詳細なSpeak AIレビューで、Speak AIについての真実を発見してくださいそれは最も優れたAI転写ソフトウェアですか？この記事で確認してください！

「生成型AIアプリケーションのためのプレイブック」

この記事では、Generative AIアプリケーションを実装する際の主要な考慮事項と、ビジョンを行動に変えるために人間の関与が果たす重要な役割について議論しています

「PowerBIでのデータ操作のためのPower Queryの使用」

はじめに Power Queryは、PowerBIの強力なデータ変換および操作ツールであり、ユーザーがさまざまなソースからデータを抽出、変換、ロードすることを可能にします。コーディングの必要なく、複雑なデータ変換を行うためのユーザーフレンドリーなインターフェースを提供しています。この記事では、Power QueryのPowerBIでの利点を探り、データ操作に使用する方法を教えます。 PowerBIでのPower Queryの利点 Power Queryは、PowerBIでのデータ操作に以下の利点を提供します。データの抽出：Power Queryは、データベース、Excelファイル、Webページ、APIなど、さまざまなデータソースに接続することを可能にします。これにより、複数のソースからデータを抽出し、分析のための単一のデータセットに結合することができます。データの変換：Power Queryは、データのクリーンアップ、フィルタリング、ソート、および変形のための多様な変換オプションを提供します。重複の削除、列の分割と結合、クエリのマージと追加、およびデータのピボットおよびアンピボットなどの操作を行うことができます。データのロード：Power QueryはPowerBIとシームレスに統合されており、変換されたデータをレポートやダッシュボードのデータモデルにロードすることができます。また、データの更新とリフレッシュもサポートしており、レポートが常に最新の状態を保つことができます。 Power Queryの使い方 Power QueryはPowerBIに組み込まれた機能ですので、別個のインストールは必要ありません。単にPowerBIを開き、ホームタブの「データの取得」オプションに移動してPower Queryにアクセスします。 PowerBIでPower Queryを使用するためには、次の手順に従ってください：データソースへの接続：Power Queryは、Excelファイル、データベース、Webページ、APIなど、さまざまなデータソースをサポートしています。データソースに接続するには、「データの取得」メニューから適切なオプションを選択し、接続を確立するためのプロンプトに従ってください。 Power…

「Pythonでリストをフィルタリングする方法？」

イントロダクションリストのフィルタリングは、特定の基準に基づいてリストから特定の要素を抽出するPythonでの基本的な操作です。不要なデータを削除したり、特定の値を抽出したり、複雑な条件を適用したりするために、リストフィルタリングの技術をマスターすることは、効率的なデータ操作には欠かせません。この記事では、Pythonでのリストのフィルタリングのさまざまな技術と実用的な方法、さらにデータ選択スキルを向上させるための高度なフィルタリング技術について探求していきます。フルスタックデータサイエンティストになりたいですか？AI＆MLキャリアを進めるためには、BlackBelt Plusプログラムに参加する時がきました！ Source: Favtutor 学習目標 Pythonリストフィルタリングの基本的な概念と重要性を理解する。 filter()、リスト内包表記、lambda関数、および条件文などの主要な技術をマスターし、効率的なデータ操作を行う。チェインフィルター、条件の否定、ネストされたリストフィルタリング、正規表現、カスタム関数などの高度なフィルタリング方法を探求し、Pythonのデータフィルタリングの専門知識を高める。無料でPythonを学びたいですか？今すぐ学ぶ！ Pythonにおけるリストフィルタリングとは？リストフィルタリングとは、特定の条件や基準に基づいてリストから特定の要素を選択することを指します。これにより、必要なデータを抽出し、残りのデータを破棄することができ、元のリストの一部として作業できるようになります。Pythonにはリストをフィルタリングするためのさまざまな方法と技術が用意されており、それぞれに利点と使用例があります。 Pythonにおけるフィルタリングの技術 `filter()`関数の使用 Pythonの`filter()`関数は、関数とイテラブルを引数として受け取り、関数が`True`を返す要素を含むイテレータを返す組み込み関数です。与えられた条件に基づいてリストをフィルタリングするための簡潔な方法を提供します。以下に例を示します： #Pythonコード:def is_even(x): return x % 2 == 0numbers =…

「GPT-4が怠け者です：OpenAIが認める」

OpenAIは、GPT-4が予期せぬ動作を示し、一部のユーザーから「怠惰」と評される中で懸念が浮上しています。最新のGPT-4に関する課題について、OpenAIは最近の承認でフィードバックに対処し、明らかにしています。ユーザーフィードバックがGPT-4の遅延を明らかにするユーザーはピークタイム中にGPT-4から遅延した応答や異常な動作を報告しています。クレームの範囲は、遅い反応や形式上の対応から、特にコード関連のクエリを処理する際の明確な拒否までさまざまです。 Independentによると、コードの断片をリクエストしたユーザーは、AIから不完全な応答を得て、残りの部分を自分で埋めるよう提案されます。 OpenAIの認識と説明 OpenAIは、ユーザーのクレームを認識するためにTwitterを利用しました。同社はGPT-4への最後のアップデートが11月11日に行われ、パフォーマンスの低下が観察されたことは意図せぬものであると明確にしました。ツイートを通じて伝えられた認識は、モデルの振る舞いの予測できない性質とOpenAIが問題解決に取り組む姿勢を強調しています。モデルトレーニングの複雑さに関する洞察 OpenAIはより詳細なツイートスレッドで、チャットモデルのトレーニングの複雑さについて詳述しています。同社は、プロセスの非線形性を強調し、さまざまなトレーニングランでの個性、執筆スタイル、拒否の振る舞い、評価パフォーマンス、さらには政治的なバイアスの発生の可能性に注目しています。 OpenAIはユーザーフィードバックに感謝し、動的な評価上の課題に対処する上での重要な役割を認識しています。 GPT-4の振る舞いを改善するための継続的な取り組み問題を認識しながらも、OpenAIはまだ完全な解決策を実施していません。最近のアップデートの欠如は疑問を呼び起こしますが、OpenAIは具体的な理由については沈黙を守り、公式の情報のみを共有する選択をしています。憶測や噂は避けられ、透明なコミュニケーションに焦点を当て、ユーザーの懸念を認識しています。私たちの意見 GPT-4の最近の「怠惰さ」はアップデートの欠如による意図しない結果ですが、OpenAIが問題解決に取り組む姿勢は明白です。 OpenAIはAIモデルのトレーニングに関連する課題を認識し、会社が行う継続的なテストと評価プロセスを強調しています。 OpenAIはユーザーフィードバックを貴重なものと認識し、AIモデルの振る舞いの動的な領域を航行するための洞察を提供しています。

メタAI研究者が生産準備完了の強化学習AIエージェントライブラリ「Pearl」をオープンソース化

強化学習（RL）は、エージェントが適切なアクションを取り、報酬を最大化するために学習する機械学習のサブフィールドです。強化学習では、モデルは経験から学習し、最適なアクションを特定します。近年、RLは大幅に進化し、自律走行車からロボティクス、さらにはゲーミングまで、幅広い分野で応用されています。また、RLシステムの容易な開発を支援するライブラリの開発も大きく進歩しています。そのようなライブラリの例にはRLLib、Stable-Baselines 3などがあります。成功したRLエージェントを作成するには、遅延報酬やその他の影響などの問題に対処する必要があります。また、利用と探索のバランスを見つけたり、安全性やリスク要件などの追加パラメータを考慮することで、破滅的な状況を回避する必要があります。現在のRLライブラリは非常に強力ですが、これらの問題を十分に解決していません。そのため、Metaの研究者が「Pearl」というライブラリをリリースしました。このライブラリは上記の問題を考慮し、ユーザーが実世界のアプリケーションに対して多目的なRLエージェントを開発できるようにします。 PearlはPyTorchに基づいて構築されており、GPUと分散トレーニングとの互換性があります。また、テストと評価のためのさまざまな機能も提供しています。Pearlの主なポリシーラーニングアルゴリズムはPearlAgentと呼ばれ、知識の探索、リスク感度、安全制約などの特徴があり、オフラインとオンラインの学習、安全学習、履歴の要約、再生バッファなどのコンポーネントがあります。効果的なRLエージェントは、オフライン学習アルゴリズムを使用してポリシーを学習し、評価できるようにする必要があります。さらに、オフラインとオンラインのトレーニングには、データ収集とポリシー学習のためのセキュリティ対策が必要です。それに加えて、エージェントはさまざまなモデルを使用して状態表現を学習し、履歴を状態表現に要約して望ましくないアクションをフィルタリングする能力も持っている必要があります。最後に、エージェントは再生バッファを使用してデータを効率的に再利用し、学習効率を向上させる必要もあります。Metaの研究者は、これらのすべての機能をPearl（特にPearlAgent）の設計に取り入れ、RLエージェントの設計において多目的かつ効果的なライブラリとしての潜在能力を備えています。研究者は、モジュール性、知識の探索、安全性などの要素を評価しながらPearlを既存のRLライブラリと比較しました。Pearlは、これらの機能をすべて実装し、必要な機能を組み込んでいない競合他社とは区別されました。たとえば、RLLibはオフラインRL、履歴の要約、再生バッファをサポートしていますが、モジュール性と知識の探索をサポートしていません。同様に、SB3はモジュール性、安全な意思決定、およびコンテキストバンディットを組み込んでいません。これが研究者によって注目される他のライブラリとの違いです。 Pearlはまた、リコメンダーシステム、オークション入札システム、クリエイティブセレクションなど、さまざまな実世界のアプリケーションをサポートする予定です。これにより、異なるドメインでの複雑な問題を解決するための有望なツールとなります。RLは近年、大幅な進歩を遂げていますが、実世界の問題を解決するための実装は依然として困難です。しかし、Pearlは知識の探索や安全性、履歴の要約などの独自の特徴を持つことで、RLの広範な統合において貴重なツールとしての潜在能力を持っています。

スタンフォード大学とFAIR Metaの研究者が、CHOIS（言語によってガイドされたリアルな3D人間対物体の相互作用を合成するための画期的なAI方法）を発表しました

CHOIS（Choice of Human-Object Interactive Scenario）によって、スタンフォード大学とFAIRメタに所属する研究者は、3Dシーン内のオブジェクトと人間の同期した動きの生成の問題に取り組みました。このシステムは、疎なオブジェクトウェイポイント、物事と人間の最初の状態、テキストの説明に基づいて操作されます。指定された3D環境内で、両方のエンティティの現実的で制御可能な動きを生成することで、人間とオブジェクトの相互作用を制御します。 AMASSなどの大規模で高品質なモーションキャプチャデータセットを活用することで、アクション条件付きの合成やテキスト条件付きの合成を含む、生成的な人間の動きのモデリングへの関心が高まっています。以前の研究では、テキストから多様な人間の動きを生成するためにVAE形式が使用されていましたが、CHOISは人間とオブジェクトの相互作用に重点を置いています。手の動きの合成に焦点を当てる既存の手法とは異なり、CHOISはオブジェクトの掴む前の全身の動きを考慮し、人間の動きに基づいてオブジェクトの動きを予測することで、多様な3Dシーンにおける相互作用の包括的な解決策を提供します。 CHOISは、コンピュータグラフィックス、エンボディドAI、ロボット工学にとって重要な3D環境での現実的な人間の行動の合成のための重要なニーズに対応しています。CHOISは、言語の説明、初期状態、疎なオブジェクトウェイポイントに基づいて同期した人間とオブジェクトの動きを生成し、現実的な動きの生成、環境の混雑への対応、言語の説明からの相互作用の合成といった課題に取り組んでおり、多様な3Dシーンにおける制御可能な人間-オブジェクトの相互作用の包括的なシステムを提供しています。このモデルは、言語の説明、オブジェクトのジオメトリ、初期状態に基づいて同期したオブジェクトと人間の動きを生成するために、条件付きの拡散手法を使用しています。サンプリングプロセス中に制約を組み込むことで、現実的な人間とオブジェクトの接触を保証しています。トレーニングフェーズでは、接触制約を明示的に強制することなく、オブジェクトの変換を予測するための損失関数を使用してモデルを誘導します。 CHOISシステムは、ベースラインと抜粋に対して厳密な評価が行われており、条件の一致、接触の正確性、手とオブジェクトの貫通の削減、足の浮遊などのメトリクスで優れたパフォーマンスを示しています。FullBodyManipulationデータセットでは、オブジェクトのジオメトリ損失がモデルの能力を向上させています。3D-FUTUREデータセットでは、CHOISはベースラインを上回る性能を示し、新しいオブジェクトへの汎化能力を示しています。人間の主観的研究では、入力テキストとのより良い整合性と、ベースラインと比較して優れた相互作用品質を強調しています。位置と姿勢の誤差などの定量的なメトリクスは、生成された結果の地面の真実の動きからの乖離を測定します。結論として、CHOISは言語の説明と疎なオブジェクトウェイポイントに基づいて現実的な人間-オブジェクトの相互作用を生成するシステムです。手順では、トレーニング中にオブジェクトのジオメトリ損失を考慮し、サンプリング中に効果的なガイダンス用語を使用して結果のリアリティを向上させています。CHOISで学習された相互作用モジュールは、言語と3Dシーンからのオブジェクトウェイポイントに基づいて長期的な相互作用を生成するパイプラインに統合することができます。CHOISは、提供された言語の説明と一致する現実的な人間-オブジェクトの相互作用の生成において、大幅な改善を遂げています。今後の研究では、入力ウェイポイントとのオブジェクト動きの一致度を向上させるために、オブジェクトのジオメトリ損失などの追加の監視を統合することができます。接触制約を強制するための高度なガイダンス用語の検討は、より現実的な結果につながる可能性があります。多様なデータセットとシナリオへの評価の拡張により、CHOISの一般化能力をテストすることができます。さらなる人間の主観的な研究は、生成された相互作用についてより深い洞察を提供するでしょう。3Dシーンからのオブジェクトウェイポイントを基に、学習された相互作用モジュールを適用して長期的な相互作用を生成することも、CHOISの適用範囲を拡大することになります。

Learn more about Search Results 提供しています - Page 9