機械学習の専門家 – ルイス・タンストール
Machine Learning Expert - Lewis Tanstall
🤗 マシンラーニングエキスパートへようこそ – ルイス・タンストール
こんにちは、みなさん！マシンラーニングエキスパートへようこそ。私は司会のブリトニー・ミュラーです。今日のゲストはルイス・タンストールさんです。ルイスさんはHugging Faceのマシンラーニングエンジニアで、トランスフォーマーを使ってビジネスプロセスを自動化し、MLOpsの課題を解決するための取り組みを行っています。
ルイスさんは、NLP、トポロジカルデータ解析、時系列の領域でスタートアップや企業向けに機械学習アプリケーションを開発してきました。
ルイスさんは、彼の新しい本、トランスフォーマー、大規模モデルの評価、MLエンジニアがより高速なレイテンシとスループットを目指すための最適化方法などについて話します。
以前は理論物理学者であり、仕事以外ではギターを弾いたり、トレイルランニングをしたり、オープンソースプロジェクトに貢献したりすることが好きです。
この楽しくて素晴らしいエピソードを紹介するのをとても楽しみにしています！ここで私がルイス・タンストールさんとの会話をお届けします。
注：転写はわかりやすい読みやすい体験を提供するために、わずかに修正/再フォーマットされています。
ようこそ、ルイスさん！お忙しい中、私との素晴らしいお仕事についてお話しいただき、本当にありがとうございます！
ルイス: ありがとうございます、ブリトニーさん。こちらこそ、ここにいさせていただけて光栄です。
簡単な自己紹介と、Hugging Faceへの経緯について教えていただけますか？
ルイス: 私をHugging Faceに導いたものはトランスフォーマーです。2018年、私はスイスのスタートアップでトランスフォーマーを使って仕事をしていました。最初のプロジェクトは、テキストを入力してそのテキスト内の質問に答えを見つけるためのモデルを訓練する質問応答のタスクでした。
当時のライブラリは「pytorch-pretrained-bert」という名前で、いくつかのスクリプトを持つ非常に特化したコードベースでした。私はトランスフォーマーについて何が起こっているのか全くわからず、オリジナルの「Attention Is All You Need」という論文を読んでも理解できませんでした。そこで他の学習リソースを探し始めました。
その過程で、Hugging Faceはさまざまなアーキテクチャに成長するライブラリとなり、オープンソースソフトウェアへの貢献にとても興奮しました。そこで2019年ごろ、私たちはトランスフォーマーについての本を書くというちょっとクレイジーなアイデアが浮かびました。私は友人のレアンドロ（フォン・ヴェラ）とパートナーシップを組み、どこからともなくThom（ウォルフ）に「トランスフォーマーについての本を書くつもりですが、興味はありますか？」という冷たいメールを送りました。返事がないだろうと思っていましたが、驚いたことに彼から「ええ、もちろん話しましょう」という返事がありました。そして1年半後、私たちの本『トランスフォーマーによるNLP』ができました。
このコラボレーションが、最終的に私とレアンドロがHugging Faceに参加するきっかけとなりました。私はここに約9ヶ月間在籍しています。
それは信じられませんね。本を手に持つ感じはどうですか？
ルイス: ちょっと言わせてもらいますが、約1年半前に私は親になりましたが、それと似たような感じです。自分が作ったものを手に持っているんです。
これは非常に興奮する感覚で、PDFを読むのとはまったく違います。本当に実在していて、夢ではなかったことを確認できます。
まさにそうですね。おめでとうございます！
この本について、ひとつ気に入っている推薦文を少し読んでみましょう。
「_複雑さをシンプルにした本です。これはNLP、トランスフォーマー、そしてそれらを取り巻くエコシステムであるHugging Faceについての貴重な本です。これらがまだバズワードであるか、すでにしっかりと理解しているかに関わらず、著者たちはユーモア、科学的な厳密さ、そして豊富なコード例を駆使して、最もクールなテクノロジーの最深部の秘密に案内してくれます。”オフ・ザ・シェルフの事前学習済み”から”ゼロからカスタム”モデルまで、そしてパフォーマンスからラベルの欠落まで、著者たちはMLエンジニアの現実の闘いにほぼすべての解決策を提供し、この本は将来の分野の標準を定める運命にあるでしょう。_」—Luca Perrozi博士、Accentureのデータサイエンス・機械学習アソシエイトマネージャー。
トランスフォーマーを使った自然言語処理をチェックアウトしてください。
transformersライブラリを使った作業について話せますか？
Lewis: Hugging Faceに入る前の以前の職場で経験した一つの課題は、これらのモデルを本番環境に展開する際にあると言えます。これらのモデルはパラメータの数が非常に多く、要件が複雑になります。
たとえば、チャットボットを作成する場合、このモデルは非常に高速かつ応答性が必要です。しかし、オフシェルフのモデルを使用して、トレーニングし、アプリケーションに統合しようとすると、ほとんどの場合、これらのモデルの性能は遅すぎます。
ですので、私が最近数ヶ月間transformersライブラリで取り組んでいるのは、これらのモデルをより効率的に実行できる形式でエクスポートする機能を提供することです。これには、Hugging Faceが持つツールだけでなく、オープンソースのエコシステムの一般的なツールも使用します。
transformersライブラリの哲学は、ユーザーがそのコードを書く必要がないように多くのコードを書くというものです。
この具体的な例では、ONNX形式と呼ばれるものについて話しています。これは、PyTorchで記述されたモデルをTensorFlowに変換したり、特定のハードウェアで実行したりするための特別な形式です。
実際にtransformersライブラリでこの変換を行うために必要なものを見ると、かなり複雑です。しかし、1行のコードを実行するだけでライブラリが対応してくれるようにしています。
したがって、この機能は機械学習エンジニアやデータサイエンティストがモデルをこの形式に変換し、より高速なレイテンシとより高いスループットを実現することを可能にします。
それはとてもクールですね。トランスフォーマーの特筆すべき応用例はありますか？
Lewis: いくつかあります。その一つは、感情的または個人的なものです。たとえば、OpenAIがGPT-2という非常に有名な言語モデルをリリースしたとき、このモデルが生成した文章の例をブログ記事で提供しました。
OpenAIは、このモデルが作成したエッセイの例をいくつか提供しました。その中には、「なぜリサイクルをすべきではないのか」や「リサイクルは悪い」というエッセイもありました。
そして、私たちは当時スタートアップで働いていて、私はそれを印刷してオフィスのリサイクル箱の上に貼り付け、冗談として人々に「これを書いたのは誰か？」と言ったのです。「アルゴリズム」と答えられると、みんなが「おお、すごい！」と驚くのです。
私たちは、生成されたテキストが人間が書いたもののように見える場合、それが非常に人間らしいものだと感じるのではないでしょうか？その他のアプリケーションでは、テキストの分類やより一般的なタスクが行われています。
それはすごいですね。GPT-2の例が公開されたとき、私のお気に入りの一つは、「水中での火事」といった非常に不正確な言及です。
Lewis: まさに！
Britney: しかし、次の年には油の流出事故が発生し、実際に水中での火事が発生しました！そのテキストを思い出し、AIは既に私たちがまだ気づいていない何かについて何かを知っているのかもしれないと考えました。
Hugging Faceのあなたや他の専門家は、Hugging Faceコースに取り組んでいます。そのコースはどのように始まり、どこに向かっていますか？
Lewis: Hugging Faceに参加したとき、transformersライブラリの主要メンテナのSylvianとLysandreが、ソフトウェアエンジニアのような人々と自然言語処理についての興味がある人々とのギャップを埋めるためのコースを開発していました。私は彼らやオープンソースチームの他のメンバーと協力して、Hugging Faceコースという無料のコースを作成しました。このコースは、MLについてあまり知らない人々が多様なタスクでモデルをトレーニングできる能力を持つようにするために設計されています。
そして、このコースの2つのパートをリリースし、今年は第3のパートをリリースする予定です。私たちは現在開発中の次のパートにとても興奮しています。そこでは、トランスフォーマーが本当に強力な異なるモダリティを探求します。私たちはしばしばトランスフォーマーをNLPに使用することを考えますが、オーディオやコンピュータビジョンなどの領域でもトランスフォーマーが使用されているという爆発的な進展があります。私たちはこれらを詳しく見ていきます。
どのようなトランスフォーマーアプリケーションに興奮していますか？
Lewis: それはおもしろいものの一つです。このコースでは昨年、コミュニティの人々にコースの教材を使ってアプリケーションを作ってもらうイベントがありました。
そして、このイベントの参加者の一人が、仕事のためのカバーレタージェネレーターを作成しました。つまり、仕事に応募する際にはいつも面倒なカバーレターを書かなければならず、それはいつも少し気を使うものです。そこで、この人は自分についての情報を提供し、それを元に自動的にカバーレターを生成するジェネレーターを作成しました。
そして、彼は実際にそれを使ってHugging Faceに応募しました。
本当に？！
Lewis: 彼はBig Scienceチームのインターンとして参加しています。だから。これは本当に素晴らしいことですよね？何かを学んで、それを応用することができるということは本当に素晴らしいと思いました。
どこでさらに多くの機械学習アプリケーションを見たいですか？
Lewis: 個人的には、自然科学への機械学習の応用が最も興奮している領域だと思います。それは私の背景の一部によるものです。以前は物理学者だったからです。しかし、ここで非常に興奮しているのは、多くの分野でのことです。例えば、物理学や化学では、方程式として書き下すことができる基礎的な法則がすでにわかっているのですが、実際には、興味を持って研究したい多くの問題は、シミュレーションを必要としたり、非常に高性能なスーパーコンピューターを使って理解し、これらの方程式を解く必要があります。私にとって最も興奮していることの一つは、深層学習と科学者が蓄積した先行知識を組み合わせて、以前には不可能だったブレークスルーを起こすことです。
そして、DeepMindのAlpha Foldモデルは、タンパク質の構造予測において、トランスフォーマーといくつかの追加情報を組み合わせて、以前は数ヶ月かかっていた予測を数日で行うことができるようになりました。
これにより、この分野全体が非常に強力な方法で加速されます。そして、これらのアプリケーションが最終的には人類のためにより良い未来につながることを想像できます。
モデル評価の世界の進化をどのように捉えていますか？
Lewis: それは素晴らしい質問ですね。Hugging Faceでは、私が取り組んでいることの一つは、「大規模評価」と呼ばれるものを可能にするインフラとツールを構築しようとしています。おそらくHugging Face Hubには数千のモデルとデータセットがありますが、この領域を探索しようとすると、「質問応答に興味があり、特定のタスクでトップ10のモデルはどれか知りたい」と思うことがあるかもしれません。
そして現在、それを見つけるのは難しいです。Hugging Face Hubだけでなく、機械学習の領域全体でも難しいです。論文を読んで、それらのモデルを自分自身で手動でテストする必要があり、非常に遅くて効率的ではありません。
ですので、私たちが取り組んでいることの一つは、モデルとデータセットをHugging Face Hubを通じて直接評価できる方法を開発することです。まだ方向性を試行錯誤していますが、今年中に素晴らしいものを示せると思っています。
そして、これにはもう一つの側面があります。それは、機械学習の進歩を測る大部分はベンチマークを使用して行われているということです。これらのベンチマークは通常、いくつかのタスクを持つデータセットですが、欠けているものは、多くの研究者が「ねえ、私にはベンチマークのためのクールなアイデアがありますが、提出のための細かいインフラやメンテナンスなどを実装したくありません」と言っていることです。
それで、私たちはいくつかの本当に素晴らしいパートナーと共に、ハブ上でベンチマークをホストする作業に取り組んでいます。これにより、研究コミュニティの人々は私たちが持っているツールを使用し、これらのモデルの評価を簡素化することができます。
それは非常に興味深く、強力です。
Lewis：一つ言及すべきことは、評価の問題は非常に微妙なものです。SQuADなどの以前のベンチマークからわかっていることは、これらのトランスフォーマーモデルの多くがショートカットを取るのが得意であるということです。SQuADは、モデルが質問に答えるのがどれくらいうまいかを測る有名なベンチマークです。
それが目標ですが、実際にはこれらのトランスフォーマーモデルの多くはショートカットを非常にうまく使っています。つまり、実際に興味があった質問に対しては必ずしも意味のある結果を出しているわけではない、ということです。
そして、これらのモデルには完全に間違った答えを提供するか、または答えるべきではない場合でも、微妙な失敗モードが存在します。そのため、現在の研究コミュニティでは、ベンチマークが進歩を測定する方法について非常に活発な議論が行われています。
さらに、これらのベンチマークがコミュニティとしての私たちの価値をどのようにエンコードしているのか、という点でも議論があります。そして、Hugging Faceがコミュニティに本当に提供できることの一つは、価値の領域を多様化する手段です。従来、これらの研究論文のほとんどはアメリカから提供されており、アメリカは素晴らしい国ですが、人間の経験のごく一部に過ぎません。
機械学習エンジニアやチームがよく犯す一般的なミスは何ですか？
Lewis：私がやったことを教えてあげましょう。
他の多くのことを代表する良い例かもしれません。始めたばかりの頃に私が学んだ最大の教訓は、ベースラインモデルを使うことです。これは私だけでなく、他の初心者エンジニアもやりがちな問題です。最新の最先端モデルに手を出すことです。
これはうまくいくかもしれませんが、多くの場合、問題に複雑さを導入し、最先端モデルにバグがあっても修正方法がわからなくなる可能性があります。産業界や特にNLP（自然言語処理）の中では、正規表現やロジスティック回帰などの線形モデルでかなり進んでいけることが非常に一般的なパターンです。良いスタートを切ることができます。そして、もしもっと良いモデルを作ることができれば、それをやるべきですが、基準点を持つことは素晴らしいことです。
そして、多くのプロジェクトを構築する中で学んだ2つ目の大きな教訓は、機械学習をする際にモデリング部分にこだわりすぎることです。機械学習をするときには興奮しますが、その周りにはサービスやアプリケーションに関連するエコシステムがあります。
ですので、そこでの教訓は、実際には機械学習が何もないものをまず最初に構築することです。それはシステムの土台であり、時間をかけて素晴らしいモデルをトレーニングしても、あれ、うわっとなるような要件と統合できなかった場合には、すべての時間が無駄になってしまいます。
それは良いですね！過度なエンジニアリングはしないでください。私が常に心に留めておくことです。
Lewis：まさにその通りです。特にあなたがマニアックな人間であれば、最も興味深い方法を見つけたいと思うのは自然なことであり、ほとんどの場合、シンプルが一番です。
もし機械学習のキャリアを始める時に何かを違うように戻ることができるとしたら、何をしますか？
Lewis：ああ、うーん。それは難しい質問ですね。なぜなら、私がHugging Faceで働いている今、これは私の人生で最も充実した仕事です。そして、もし最初から何かを変えたら、ここにいないかもしれません、ですよね。
それはその意味で難しい質問です。おそらく、私が少し違ったことをしたかもしれないのは、データサイエンティストとして働き始めたときには、ビジネスの問題をソフトウェアの問題、最終的には機械学習の問題にマッピングするスキルを開発する傾向があることです。
そして、これは本当に素晴らしいスキルです。しかし、後に私が見つけた真の情熱は、オープンソースのソフトウェア開発を行うことです。だから、もしそれをもっと早く始めていたら、違うことをしたかもしれません。なぜなら、結局のところ、ほとんどのオープンソースはコミュニティメンバーによって推進されているからです。
だから、それはこの仕事を専業でやるための近道だったかもしれません。
違うことをしていたら、もしかしたらあなたはHugging Faceにいないかもしれないというアイデアが大好きです。
Lewis: それはまるでバタフライ・エフェクトの映画のようですね。過去に戻って行動すると、足がなくなってしまったりするんですよ。
まったくです。良いものを台無しにしたくありません！
Lewis: まさにその通りです。
連射質問：
AI/機械学習に参入したい人にとっての最良のアドバイスは何ですか？
Lewis: ただ始めることです。ただコーディングを始めることです。オープンソースをやりたい場合は、ただ貢献を始めることです。やらない理由はいくらでも見つかるかもしれませんが、手を汚すしかありません。
機械学習が適用されることに最も興奮している産業は何ですか？
Lewis: 前にも言ったように、自然科学が一番興奮している領域だと思います。
これが最も興奮しているところです。例えば、産業側を見ると、機械学習による新薬の開発などは非常に興奮しています。個人的には、もし私の洗濯物をたたんでくれるロボットがいるような進歩があれば、本当に嬉しいです。洗濯物たたむのが本当に嫌いなので、自動化された方法があるといいですね。
人々はAIが世界を支配することを恐れるべきですか？
Lewis: たぶん。難しい問題ですね。なぜなら、私たちが多大な被害を引き起こす可能性のあるシステムを作り出す可能性があると考える理由があるからです。例えば、弓矢や射撃のようなスポーツで使用できる武器は、戦争で使用することもできます。一つの大きなリスクは、これらの技術を軍事と組み合わせることだと思います。それはいくつかの厄介な状況につながるかもしれません。
しかし、私はターミネーターにはあまり心配していません。むしろ、ローグエージェントが金融株式市場で世界中を破産させることに心配しています。
それはいいポイントです。
Lewis: ごめんなさい、ちょっと暗い話になりました。
いいえ、それは素晴らしい話でした。次の質問は、洗濯物たたみロボットに関する追加の質問です。AIを支援するロボットはいつも家庭に普及しますか？
Lewis: 正直な答えですが、わかりません。私が知っているロボティクスに取り組んでいる人たちは、これはまだ非常に困難な課題だと言っています。NLPやディープラーニングと同じような革命をロボティクスは経験していないという意味で。しかし、一方で、昨年は特にシミュレーションから現実世界に知識を転送するアイデアに関して非常に興味深い進展が見られました。
私は自分の人生の中で、洗濯物たたみロボットを持てるかもしれません。
最近興味を持っていることは何ですか？映画、レシピ、ポッドキャスト、何でもかまいません。ただ単に好奇心から、それが何であり、それに興味を持った人がそれを見つけたり、始めたりする方法について教えてください。
Lewis：それは素晴らしい質問ですね。私は一般的にポッドキャストが好きです。それは本を読むための新しい方法です。私にはまだ幼い赤ちゃんがいるので、家事をしながら聞くことができます。
最近特に印象的なポッドキャストは、実際にはイギリスの数学者であるハンナ・フライが制作したDeepMindポッドキャストです。彼女はDeepMindの活動だけでなく、深層学習や特に強化学習の一般的な内容、そしてそれらが世界に与える影響について美しい旅を提供しています。このポッドキャストを聞くと、BBCのドキュメンタリーを聞いているような感覚になります。イギリスの英語はアクセントが素晴らしく、彼女がこのポッドキャストで議論する多くの仕事がHugging Faceで私たちが行っている仕事と重なる部分があるため、とてもインスピレーションを受けます。より良い未来を切り開くための道を築くという、より大きな絵が見えてきます。
私には強く共鳴しました。説明がとてもわかりやすく、家族や友人と共有できるので、本当に大好きです。何をしているのか知りたい場合は、「これを聞けばだいたいわかるよ」と言えます。
DeepMindの研究者や彼らのバックストーリーについて非常に興味深い洞察も得られます。
絶対に聞いてみるつもりです。[更新：これは私の新しいお気に入りのポッドキャストの1つです。:) ありがとう、Lewis！]
お気に入りの機械学習論文は何ですか？
Lewis：これは測定方法によりますが、個人的には特に古い論文である1つの論文が印象的です。それはランダムフォレストの作成者であるLeo Breimanのものです。ランダムフォレストは、産業界で見られる表形式のデータに有用な非常に有名な古典的な機械学習手法であり、私は1年前に大学でランダムフォレストを教えなければなりませんでした。
そして、私は「2000年代のこの論文を読んで、理解できるかどうかを見てみよう」と思いました。それは明快なモデルです。非常に短く、アルゴリズムの実装方法が非常に明確に説明されています。この論文を取って、非常に簡単にコードを実装できます。これは中世の論文がどのように書かれていたかの素晴らしい例だと思いました。
一方、今日では、ほとんどの論文が、導入がある、数値が改善される表がある、ランダムな関連研究のセクションがある、といった公式的なアプローチを取っています。だから、私にとっては非常に印象的なものです。
また、もう少し最近のものとして、DeepMindによる、代数的位相などの基本定理を証明するための機械学習技術の使用に関する論文もあります。これは抽象数学の特別な分野です。私の人生のある時点では、これらに関連するトピックに取り組んでいました。
だから、私にとっては、数学者が検索しなければならない定理の領域を絞り込むために、自分の知識を補完するという、非常に興味深い視点です。私は機械学習が予測をするというような明らかなものを超えて、この基礎的な科学的洞察につながるだろうかということについて、以前はかなり懐疑的でした。
しかし、この例は、実際に創造的であり、数学者が新しいアイデアを見つけるのを助けることができることを示しています。
人生の意味は何ですか？
Lewis：正直な答えはわかりません。そしておそらく、あなたに答えを教えてくれる人は嘘をついているでしょう。少し皮肉ですが、私はサイエンティストとしての訓練を受けた人間、特に物理学者として、この世界観を持っています。それは非常にランダムな宇宙であり、深い意味はあまりないというものです。
それは、非常に悲しいことを超えてあなた自身の意味を見出すことができるということです。それは、あなたが行う仕事や家族や友人から来ることがほとんどです。
しかし、自分自身の意味を見出し、自分が興味深く、意味のあるものを見つける方法を見つけるというのが、最高の部分です。人生は上下が激しいものです。少なくとも私個人としては、常に非常に意義深いものは、何かを創造することにあります。私はかつてミュージシャンであり、他の人のために音楽を作る手段であり、それはとても楽しいものでした。そして、今では、コードを作成すること、それも一種の創造性です。
絶対に。それは美しいと思います、ルイス！ サインオフする前に共有したいことや言及したいことはありますか？
Lewis: たぶん私の本を買ってください。
それはとても良いです！
Lewis: [表紙に鳥のオウムが特集された本を見せる] あなたはオウムについての話を知っていますか？
そう思いません。
Lewis: ですから、O’Reillyがあなたに「私たちは今、表紙をデザインするためにイラストレーターを雇います」と言っているとき、それは秘密ですよね？
彼らはあなたにロジックを教えず、またはあなたの意見を尊重しません。 つまり、イラストレーターはアイデアを考え出し、本の最後の章の一つで、Pythonコードに対してGPT-2のようなモデルをトレーニングするセクションがあります。 これはトムのアイデアで、それを”コードオウム”と呼ぶことにしました。
私は、メグ・ミッチェルとその他の人々が取り組んだ「Stochastic Parrots」という論文について、コミュニティで多くの議論があると思います。 そのアイデアは、人間のような特性を持つ非常に強力な言語モデルがあり、先ほど議論したように彼らの文章で人間らしい特徴を示すようですが、根本的には何らかのオウムのような親子関係をしているかもしれない、ということでした。
例えば、コカトゥーと話すと、あなたに罵り言葉を浴びせたり冗談を言ったりするでしょう。 それは知能の真の尺度ではないかもしれません、そうですね？ ですから、イラストレーターはそれを見て、本にオウムを入れることを決めたのだと思います。 それは本にとって完璧なメタファーだと思います。
そして、その中にはトランスフォーマーも含まれています。
まさかそれがO’Reillyの表紙ができる方法だとは思いもしませんでした。 彼らはあなたに教えず、単に本から文脈を引っ張り出して何かを作るだけですか？
Lewis: そう思います。 実際のプロセスはわかりません。 私たちはイラストレーターがアイデアを出そうとしていて、本にいくつかの動物が登場する場面を見たのかもしれません。 一つの章ではキリンやシマウマについての議論があります。 でも、私はオウムの表紙に満足しています。
それが大好きです。 本当に素晴らしく見えます。 この種の本の多くは非常に乾燥して技術的なものであり、この本はほとんど小説と素晴らしい適用可能な技術情報が混ざっているように読まれます。 それは美しいです。
Lewis: ありがとう。 そうですね、私たちは後から気づいたのですが、これが私たちが本を書くのは初めてだったので、真面目になるべきだと思いました。 でも、私を知っている人なら、私は何に対しても真剣ではありません。 後で考えると、本の中でもっとばかばかしいことをすべきだったと思います。
私はいくつかの場所で自分のユーモアを抑えなければならなかったのですが、いつか第2版が出るかもしれません。 そのときはミームを注入できるかもしれません。
ぜひ、楽しみにしています！
Lewis: 実際、本の中には1つのミームがあります。 編集者にそれを抜かれる前に、DOGEの犬を本の中に忍び込ませ、このミームが何であるかを特別なビジョン・トランスフォーマーを使って分類しようとしました。
それを入れてくれてうれしいです。 よくやった！ 次の版でもさらにたくさんのものを楽しみにしています。 今日は私に同行してくれて本当にありがとうございました。 本当に感謝しています。 オンラインでどこで私たちのリスナーがあなたを見つけることができますか？
Lewis: 私はTwitterでかなり活動しています。 私のハンドルは@_lewtunです。 LinkedInは奇妙な場所で、あまり使っていません。 もちろん、Hugging Face、Hugging Face Forums、Discordもあります。
完璧です。ルイス、本当にありがとうございます。そして、すぐにチャットしましょう！
Lewis: さようなら、ブリトニー。さようなら。
Machine Learning Expertsを聴いていただき、ありがとうございます!
We will continue to update VoAGI; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
