Search Results Ai の購読

「VoAGI創設者グレゴリー・ピアテツキーシャピロとの30周年記念インタビュー」

グレゴリー・ピアテツキー・シャピロは、30年前に知識発見に関する初期のワークショップを組織した後、VoAGIを設立しましたこの回顧的なインタビューでは、彼はVoAGIの成長、ディープラーニングなどの重要なイノベーション、AIの社会的影響への懸念について振り返っています

NEWS

「VoAGIの30周年おめでとう！」

VoAGIは、30周年を記念して1か月間のイニシアチブを実施しますまず、初心者向けに基礎的なデータサイエンスコンテンツを更新する「基礎に戻る」キャンペーンが行われます次に、O'Reillyとの提携による「30 for 30」プレゼント企画では、ニュースレターの購読者に毎日無料の電子書籍が提供されます

NEWS

「中国のロボットウェイターが韓国の労働力不足に対する不安を燃やす」

韓国人は、労働力不足、人口減少、中国の技術企業との競争の激化に伴う、安価な中国製ロボットウェイターの洪水に不安を抱いています

「AVIS内部：Googleの新しい視覚情報検索LLM」

「マルチモダリティは、基礎モデルの研究において最も注目されている分野の一つですGPT-4などのモデルがマルチモーダルなシナリオで驚異的な進歩を示しているにもかかわらず、まだ多くの課題がありますが、...」

オムニバースへ：Reallusionは、2方向のライブ同期とOpenUSDサポートにより、キャラクターアニメーションのワークフローを向上させます

編集者の注：この投稿はInto the Omniverseシリーズの一部であり、アーティスト、開発者、企業がOpenUSDとNVIDIA Omniverseの最新の進歩を活用してワークフローを変革する方法に焦点を当てています。単一の3Dキャラクターをアニメーション化したり、産業のデジタル化のためにそれらのグループを生成したりする場合、人気のあるReallusionソフトウェアを使用するクリエイターや開発者は、今月リリースされたiClone Omniverse Connectorの最新のアップデートでワークフローを向上させることができます。このアップグレードにより、NVIDIA Omniverseを使用するクリエイターにとって、シームレスなコラボレーションが可能になり、創造的な可能性が拡大します。NVIDIA Omniverseは、OpenUSDベースのツールやアプリケーションを接続および構築するための開発プラットフォームです。新機能には、プロジェクトのリアルタイム同期や、Universal Scene Descriptionフレームワーク（OpenUSDとも呼ばれる）の強化されたインポート機能が含まれており、これによりiCloneとOmniverseの間の作業がより迅速でスムーズかつ効率的になります。このアップデートには、バグ修正と改善も含まれています。 3Dキャラクターをより良くアニメーション化する世界中のクリエイターは、リアルタイムの3DアニメーションソフトウェアであるReallusion iCloneを使用してキャラクターを生き生きとさせています。ソロモン・ジャグウェは、3Dアーティスト、アニメーター、受賞歴を持つ映画監督であり、彼の作品はしばしば環境に焦点を当てています。東アフリカで育ったジャグウェは、兄と一緒に田舎に冒険に出かけたときに見た生物を描くという幼い頃の思い出を思い出します。今でも、彼の3D作品の多くは、ペンと紙を使ったシンプルなスケッチから始まります。このアーティストは、常に影響を与えるアートを作り出すことを目指していると語っています。たとえば、ジャグウェは、ウガンダの文化についてあらゆる年齢の人々に教育するためのビデオシリーズ「Adventures of Nkoza and Nankya」を作成しました。彼はこのシリーズのためのセットをAutodesk…

StackOverflowの転機：破壊から機会への転換

GPT4のような非常に効果的なモデルが登場し、生成型AIを強化していることで、データ専門家が所属する組織に長期的な価値を提供する方法が進化しています真の価値は...

「研究：社会的に意識した時間的因果関係デコーダー推薦システム」

エルタイエブ・アフメド（リサーチエンジニア）とサブラジット・ロイ（シニアリサーチサイエンティスト）によるGoogle Researchの投稿読書には、言語能力や生活スキルの向上など、若い学生に多くの利益があります。また、楽しみのための読書は学業の成功と相関することが示されています。さらに、学生は読書によって感情の幸福感が向上し、一般的な知識や他の文化の理解も向上すると報告しています。オンラインやオフラインの読み物が非常に多いため、適切な年齢層に合った関連性の高い興味を引くコンテンツを見つけることは難しい課題ですが、学生が読書に没頭するためには必要なステップです。関連性の高い読み物を効果的に推薦することは、学生の読書を継続させるのに役立ちます。これが機械学習（ML）が役立つ場所です。 MLは、動画から書籍、eコマース商品まで、さまざまな種類のデジタルコンテンツにおいて推薦システムの構築に広く使用されています。推薦システムは、ユーザーに関連性の高い興味を引くコンテンツを提示するために、さまざまなデジタルプラットフォームで使用されています。これらのシステムでは、ユーザーの好み、ユーザーの関与度、および推薦されるアイテムに基づいて、各ユーザーにアイテムを提案するためのMLモデルがトレーニングされます。これらのデータは、モデルが興味を引く可能性のあるアイテムを推薦できるようにするための強力な学習信号を提供し、ユーザーエクスペリエンスを向上させます。「STUDY：社会的に意識した時間的因果デコーダ推薦システム」という論文では、教育の設定でのオーディオブックのコンテンツ推薦システムを紹介しています。このシステムでは、読書の社会的な性質を考慮しています。私たちは教育非営利団体であるLearning Allyとのパートナーシップを通じてSTUDYアルゴリズムを開発しました。Learning Allyは、学生に学校全体の購読プログラムを通じてオーディオブックを提供することを目的としています。Learning Allyの図書館には、さまざまなオーディオブックがあります。私たちの目標は、学生が自分の読書体験と関与を高めるための適切なコンテンツを見つけるのを支援することです。私たちは、同じクラスにいる学生の読書関与の履歴を共同で処理することで、現在のトレンドに基づいてモデルが学生のローカライズされたソーシャルグループ（この場合は教室）内でトレンドになっているものを利用するようにしました。データ Learning Allyには、学生を対象とした豊富なデジタルオーディオブックのライブラリがあり、学生の学習成果を向上させるためのソーシャル推薦モデルの構築に適しています。私たちは2年分の匿名化されたオーディオブックの消費データを受け取りました。データ中のすべての学生、学校、およびグループは匿名化されており、Googleによって追跡できないランダムに生成されたIDでのみ識別されます。さらに、潜在的に識別可能なメタデータは集計形式でのみ共有され、学生や機関が再識別されることを防ぐためです。データには、学生のオーディオブックとの相互作用のタイムスタンプ付きレコードが含まれています。各相互作用には匿名化された学生ID（学生の学年と匿名化された学校IDを含む）、オーディオブックの識別子、および日付があります。多くの学校では、1つの学年の学生を複数の教室に分けていますが、このメタデータを活用して、同じ学校と同じ学年のすべての学生が同じ教室にいるという単純化された仮定を行います。これにより、より良いソーシャル推薦モデルを構築するために必要な基盤が提供されますが、個人、クラスグループ、学校を再識別することはできません。 STUDYアルゴリズム私たちは、クリックスルー率の予測問題として推薦問題を構築しました。つまり、各特定のアイテムとの相互作用におけるユーザーがアクションを起こす条件付き確率をモデル化するものです。このモデル化には、Google Researchが開発した広く使用されているTransformerベースのモデルクラスが適しているという以前の研究結果があります。各ユーザーが個別に処理されると、これは自己回帰的なシーケンスモデリング問題になります。私たちはこの概念的なフレームワークを使用してデータをモデル化し、その後、STUDYアプローチを作成するためにこのフレームワークを拡張しました。このクリックスルー率予測アプローチでは、個々のユーザーの過去と将来のアイテムの好みの依存関係をモデル化することができますが、推論時に異なるユーザー間の依存関係をモデル化することはできません。読書の社会的な性質を認識し、この欠点を補うために、私たちはSTUDYモデルを開発しました。このモデルでは、各学生が読んだ複数の本のシーケンスを1つのシーケンスに連結し、単一の教室内の複数の学生からデータを収集します。しかし、このデータ表現はtransformerによってモデル化される場合には注意が必要です。transformerでは、注意マスクは入力がどの出力の予測に情報を提供できるかを制御する行列です。出力の予測に先行するすべてのトークンを入力に使用するパターンは、因果デコーダで伝統的に見られる上三角の注意行列につながります。しかし、STUDYモデルに供給されるシーケンスは時間的に順序づけられていないため、その構成要素の各部分シーケンスは時間的に順序づけられています。標準的な因果デコーダは、このシーケンスには適していません。各トークンを予測しようとするとき、モデルは展開時には利用できない後続のトークンすべてにアテンションを向けることは許されません。これらのトークンのいくつかは、後のタイムスタンプを持ち、展開時に利用できる情報を含んでいる可能性があります。この図では、通常、因果デコーダで使用されるアテンションマスクを示しています。各列は出力を表し、各列が出力を表します。特定の位置の行列エントリの値が1（青で表示される）である場合、モデルは対応する列の出力を予測する際にその行の入力を観察できることを示し、値が0（白で表示される）である場合はその逆を示します。 STUDYモデルは、時間刻みに基づいた柔軟なアテンションマスクを使用して、因果トランスフォーマーをベースに構築します。通常のトランスフォーマーでは、異なる部分列間でのアテンションを許可せず、シーケンス内では三角形の行列マスクが使用されますが、STUDYではシーケンス内で因果律のある三角形のアテンション行列を維持し、タイムスタンプに依存する柔軟な値を持つアテンションを異なるシーケンス間で許可します。したがって、シーケンス内の任意の出力ポイントでの予測は、その時点に対して過去に発生したすべての入力ポイントによって通知されます。これは、シーケンス内の現在の入力の前後に表示されるかどうかに関係なく、実際の世界の展開には利用できない未来の情報を使用して予測することを学習しないように、訓練時に強制される因果関係の制約が重要です。 (a)では、各ユーザーを個別に処理する因果律アテンションを持つ順次自己回帰トランスフォーマを示しています。 (b)では、同じ計算結果をもたらす同等の共同順送信を示しています。最後に、 (c)では、アテンションマスクに新しい非ゼロの値（紫で表示）を導入することで、ユーザー間で情報の流れを許可します。これにより、予測は同じユーザーからの相互作用に限らず、過去のタイムスタンプとのすべての相互作用に依存することができます。実験私たちは、比較のために複数のベースラインとともにSTUDYモデルを学習するためにLearning Allyデータセットを使用しました。私たちは、個別と呼んでいる自己回帰クリックスルーレートトランスフォーマーデコーダ、k最近傍法ベースライン（KNN）、および比較可能なソーシャルベースラインであるソーシャルアテンションメモリネットワーク（SAMN）を実装しました。訓練には最初の学年のデータを使用し、検証およびテストには2番目の学年のデータを使用しました。…

XGen-Image-1の内部：Salesforce Researchが巨大なテキストから画像へのモデルを構築、トレーニング、評価する方法

Salesforceは、新しい基盤モデルの最も活発な研究所の一つです最近、Salesforce Researchは、異なるドメインにわたるさまざまなモデルをリリースしてきました

AWS Marketplace上のHugging Faceプラットフォーム：AWSアカウントで支払いを行う

ハギングフェイスプラットフォームがAWS Marketplaceに登場しました。今日から、AWS Marketplaceを通じてハギングフェイスプラットフォームに購読することで、AWSアカウントでハギングフェイスの利用料金を直接支払うことができます。この新しい統合課金方法により、組織のすべてのメンバー、推論エンドポイント、スペースハードウェアのアップグレード、AutoTrainなど、人気のある機械学習モデル（Llama 2、StarCoder、BERTなど）の簡単なトレーニング、テスト、展開の使用料金の管理が容易になります。ハギングフェイスをAWS Marketplaceで利用できるようにすることで、AIの採用の障壁を取り除き、大規模な言語モデルを活用する企業にとって利用が容易になります。今や、AWSの顧客はわずか数回のクリックでハギングフェイスアカウントに申し込み、AWSアカウントと接続することができます。 AWS Marketplaceを通じて購読することで、推論エンドポイントなどのハギングフェイス組織の利用料金は、組織のクレジットカードではなくAWSの請求書に自動的に表示されます。私たちはこのローンチに興奮しています。これにより、AWSに頼る開発者に私たちのテクノロジーを提供し、ハギングフェイスサービスを利用する企業にとっても利便性が向上します。はじめに AWSアカウントとハギングフェイスアカウントを接続する前に、次の前提条件を満たす必要があります： AWS Marketplaceの製品に申し込む権限がある有効なAWSアカウントにアクセスできること。登録済みかつ確認済みのメールアドレスを持つハギングフェイス組織アカウントを作成していること（ユーザーアカウントは接続できません）。「管理者」の役割を持つハギングフェイス組織に所属していること。ハギングフェイスプラットフォームにログインしていること。これらの要件を満たしている場合、AWSとハギングフェイスアカウントを接続する手順に進むことができます。 1. ハギングフェイスプラットフォームに申し込む最初のステップは、AWS Marketplaceのオファリングに移動し、ハギングフェイスプラットフォームに申し込むことです。オファリングを開き、画面の右上にある「購入オプションを表示」をクリックします。これで「購読」ページに移動し、価格の概要と購読方法が表示されます。オファリングに申し込むには、「購読」をクリックします。申し込みが成功したら、画面の上部に「アカウントの設定」ボタンが表示される緑色のバナーが表示されます。ハギングフェイスアカウントとAWSアカウントを接続するには、「アカウントの設定」をクリックする必要があります。ボタンをクリックすると、ハギングフェイスプラットフォームにリダイレクトされ、AWSアカウントとリンクするハギングフェイス組織アカウントを選択できます。アカウントを選択した後、「送信」をクリックします。…

データサイエンスのインタビューのためのA/Bテストのマスタリング：A/Bテストの概要

「A/Bテストは、データサイエンスの分野で特に製品開発やユーザーエクスペリエンスの最適化において、強力で広く使用されている手法ですこれは構造化されたアプローチを提供します...」

Learn more about Search Results Ai の購読 - Page 9