Search Results NPU

RAGを使用したLLMパワードアプリケーションの開始ガイド

ODSCのウェビナーでは、PandataのNicolas Decavel-Bueff、そして私（カル・アル・ドーバイブ）とData Stack AcademyのParham Parviziが協力し、エンタープライズグレードの大規模な言語モデル（LLM）の構築から学んだ教訓と、データサイエンティストとデータエンジニアが始めるためのヒントを共有しました最大の...

高度なRAGテクニック：イラスト入り概要

この投稿の目標は、利用可能なRAGアルゴリズムとテクニックの概要と説明をすることなので、コードの実装の詳細には立ち入らず、参照のみ行い、それについては放置します

「転移学習を探求しましょう…」(Ten’i gakushū o tankyū shimashou…)

転移学習については、多くの定義があります基本的には、事前学習済みモデルの知識を活用して新しい問題を解決することを指します転移学習には数多くの利点があります...

LangChain（ラングチェーン）は、プログラマーが大きな言語モデルを使用してアプリケーションを開発するための人工知能フレームワークです。LangChainの使用方法について詳しく見ていきましょう。ステップ1：セットアップ LangChainを始める前に、適切に構成された開発環境があることを確認してください。PythonまたはJavaScriptなどの必要な依存関係をインストールしてください。LangChainは両方の言語に対応しており、開発者に柔軟性を提供します。 pip install langchain conda install langchain -c conda-forge ステップ2： LLM（Language Models） LangChainを効果的に使用するためには、モデルプロバイダーやデータストア、APIなどのさまざまなコンポーネントと統合することがしばしば必要です。ここでは、LangChainをOpenAIのモデルAPIと統合します。また、Hugging Faceを使用しても同様に行うことができます。 !pip install openaiimport osos.environ["OPENAI_API_KEY"] ="YOUR_OPENAI_TOKEN" from langchain.llms…

「RustコードのSIMD高速化のための9つのルール（パート2）」

SIMDを使用してRustコードを高速化するための9つの基本ルールを探求してくださいcoresimdについて学び、最適化技術を学びながらパフォーマンスを7倍に向上させましょう

Amazon DocumentDBを使用して、Amazon SageMaker Canvasでノーコードの機械学習ソリューションを構築してください

Amazon DocumentDB（MongoDB互換）とAmazon SageMaker Canvasの統合のローンチをお知らせできることを喜びますこれにより、Amazon DocumentDBのお客様はコードを書かずに生成AIや機械学習（ML）ソリューションを構築・使用することができますAmazon DocumentDBはフルマネージドのネイティブJSONドキュメントデータベースであり、重要な業務をスムーズかつ効率的に運用することができます

Google Gemini APIを使用してLLMモデルを構築する

導入 ChatGPTとOpenAIのGPTモデルのリリース、およびMicrosoftとのパートナーシップにより、AIの領域にTransformerモデルをもたらしたGoogleはみんなが諦めた存在となりました。 GPTモデルがリリースされてから1年以上が経過しましたが、GoogleからはPaLM API以外に大きな動きはありませんでした。PaLM APIもあまり注目されず失敗に終わりました。そしてGoogleが突如として紹介した基盤となるモデルのグループ、Geminiが登場しました。Geminiの発売からわずか数日後、GoogleはGemini APIをリリースしました。このガイドでは、Gemini APIをテストし、最終的にはそれを使用してシンプルなチャットボットを作成します。学習目標 GoogleのGeminiシリーズの基礎知識を学ぶ。これには異なるモデル（Ultra、Pro、Nano）と、テキストと画像のサポートを中心とする多様性が含まれます。 Gemini Proのチャット・モデルを使用してチャットベースのアプリケーションを作成するスキルを開発し、チャットの履歴を維持し、ユーザーの文脈に基づいて応答を生成する方法を理解する。 Geminiが安全であるために、不安全なクエリを処理し、さまざまなカテゴリの安全性評価を提供することにより、責任あるAIの使用を保証する方法を探索する。 Gemini ProとGemini Pro Visionモデルを使用した実践的な経験を積み、画像の解釈と説明を含む、テキスト生成とビジョンに基づく機能を探索する。 Gemini APIとLangchainを統合して、相互作用のプロセスを簡素化する方法を学び、複数のクエリを効率的に処理するための入力と応答のバッチ処理について学ぶ。この記事はデータサイエンスブログサラソンの一部として公開されました。 Geminiとは何ですか？ Geminiは、Googleが構築し導入した新しい基盤モデルのシリーズです。これはこれまでのPaLMと比べて最も大きなモデルセットであり、最初から多様性に焦点を当てて構築されています。これにより、Geminiモデルはテキスト、画像、オーディオ、ビデオなどの異なる情報タイプの組み合わせに強力です。現在、APIは画像とテキストのサポートを提供しています。Geminiは、ベンチマークで最先端のパフォーマンスを達成し、多くのテストでChatGPTとGPT4-Visionモデルを上回っています。 Geminiには、サイズに基づいて3つの異なるモデルがあります。サイズの順に、Gemini Ultra、Gemini Pro、Gemini…

「最初のAIエージェントを開発する：Deep Q-Learning」

2. 全体像 3. 環境初期の基礎 4. エージェントの実装ニューラルアーキテクチャとポリシー 5. 環境への影響仕上げ 6. 経験から学ぶ...

モデルインサイトの視覚化：ディープラーニングにおけるGrad-CAMのガイド

イントロダクショングラジエント重み付きクラスアクティベーションマッピングは、CNNでの意思決定を可視化し理解するためのディープラーニングのテクニックです。この画期的なテクニックはCNNが行った隠れた意思決定を明らかにし、不透明なモデルを透明なストーリーテラーに変えます。これは、ニューラルネットワークの注意を引く画像の本質をスポットライトで浮き彫りにする魔法レンズと考えてください。では、どのように機能するのでしょうか？ Grad-CAMは、最後の畳み込み層の勾配を分析することで、特定のクラスの各特徴マップの重要性を解読します。 Grad-CAMはCNNを解釈し、予測を明らかにし、デバッグを支援し、パフォーマンスを向上させます。クラスの識別とローカル化はできますが、ピクセル空間の詳細の強調はありません。学習目標 CNNベースのモデルでの解釈性の重要性を理解し、透明性と説明可能性を高めます。 Grad-CAM（Grad-CAM（グラジエント重み付きクラスアクティベーションマッピング））の基礎を学び、CNNの意思決定を視覚化し解釈するための技術を理解します。 Grad-CAMの実装手順に洞察を得て、イメージ中の重要な領域をモデルの予測のためにハイライトするためのクラス活性化マップを生成することを可能にします。 Grad-CAMがCNNの予測において理解と信頼を高める実世界の応用とユースケースを探索します。この記事はData Science Blogathonの一部として公開されました。 Grad-CAMとは何ですか？ Grad-CAMは、グラジエント重み付きクラスアクティベーションマッピングの略です。これは、ディープラーニング、特に畳み込みニューラルネットワーク（CNN）で使用される技術で、特定のクラスのネットワークの予測にとって重要な入力画像の領域を理解するために使用されます。 Grad-CAMは、複雑な高パフォーマンスのCNNモデルを理解することを可能にする技術であり、精度を損なうことなく可解釈性を提供します。 Grad-CAMは、アーキテクチャの変更や再トレーニングがなく、CNNベースのネットワークのための視覚的な説明を生成するクラス識別ローカリゼーション技術として特徴付けられています。この手法は、Grad-CAMを他の視覚化手法と比較し、クラスの識別力と高解像度の視覚的説明を生成することの重要性を強調します。 Grad-CAMは、CNNの最後の畳み込み層に流れるグラジエントを分析することで、画像の重要な領域をハイライトするヒートマップを生成します。 Grad-CAMは、最後の畳み込み層の特徴マップに関連する予測クラススコアの勾配を計算することで、特定のクラスの各特徴マップの重要性を判断します。ディープラーニングにGrad-CAMが必要な理由 Grad-CAMは、ディープラーニングモデルの解釈性の重要性に対応するために必要です。これにより、さまざまなコンピュータビジョンタスクで提供する精度を損なうことなく、これらのモデルが予測に至る方法を視覚化し理解する手段が提供されます。 +---------------------------------------+ | | |…

LangChain表現言語とLLMを使用した検証実装のチェーン’ (LangChainひょうげんげんごとLLMをしようしたけんしょうじっそうのチェーン)

導入人工知能（AI）の分野では、正確性と信頼性を追求する持続的な探求が、ゲームチェンジングな革新をもたらしています。これらの戦略は、生成モデルがさまざまな質問に関連する回答を提供するために、重要な役割を果たしています。さまざまな洗練されたアプリケーションでのGenerative AIの使用に関する最大の障壁の1つは、幻想です。最近Meta AI Researchが発表した「大規模言語モデルにおける幻覚を減らすための検証チェーン」に関する論文で、テキスト生成時の幻想を直接的に減らすための簡単な技術について説明しています。この記事では、幻視の問題について学び、論文で言及されているCoVeの概念、そしてそれをLLM（Large Language Models）、LangChainフレームワーク、およびLangChain Expression Language（LCEL）を使用して実装する方法について探求します。学習目標 LLMでの幻視の問題を理解する。幻視を軽減するためのChain of Verification（CoVe）メカニズムについて学ぶ。 CoVeの利点と欠点について知る。 LangChainを使用してCoVeを実装し、LangChain Expression Languageを理解する。この記事はData Science Blogathonの一環として公開されました。 LLMにおける幻覚の問題とは？まず、LLMにおける幻覚の問題について学んでみましょう。オートリージェレーティブジェネレーションアプローチを使用すると、LLMモデルは前の文脈が与えられた場合の次の単語を予測します。よくあるテーマの場合、モデルは正しいトークンに対して高い確率を自信を持って割り当てるため、十分な例を見ています。しかし、モデルが珍しいまたは不慣れなトピックについてトレーニングされていないため、高い確信を持って正確でないトークンを生成することがあります。これにより、それ自体は正しそうな情報の幻視が生じます。…

Learn more about Search Results NPU