ChatGPTの新機能として一般公開されたCode Interpreterがすごすぎて結構感動しているのだが、Code Interpreterで色んなことができるが故に「一言で言うと何なのか?」「一体それでなにができるのか?」疑問に思っている人も多いのではないだろうか? このnoteではそうした疑問に答えるべき、まず最初にCode Interpreterでできることを紹介した上で、最後に一言でこれを説明すると一体なんなのかを紹介していきたい。 Code Interpreterで主にできること1. データ分析とビジュアライズまずこれが最もベーシックな使い方だろう。 特定のデータセットをエクセルファイルやcsvファイルでアップロードすると、そのデータの中身を読み取ってくれて、ビジュアライズしてもらうことができる。 ビジュアライズの際の分析の切り口やデザインを細かく指示することも、ChatGPT
ChatGPTに代表される生成AI(人工知能)に大きな注目が集まっているが、製造現場ではどのような使い方が考えられるだろうか――。 こうした中でいち早く製造現場の改善活動の支援ツールとして活用を進めようとしているのが、中堅自動車部品メーカーである旭鉄工とその改善の成果を外部に展開するIoTサービス企業のi Smart Technologiesである。両社の取り組みを紹介する。 IoTで改善サイクルを高速化 旭鉄工は愛知県で自動車の金属加工部品を製造する中堅メーカーだ。その中で工場の改善活動としてIoT(モノのインターネット)を活用したシステムを自社開発し、大きな成果を得られたことから外部にこれらを展開する企業としてi Smart Technologiesを設立した。両社ではIoTを含めた先進的なデジタル技術の活用を積極的に推進しており、旭鉄工ではi Smart Technologiesが展
こんにちは!メルカリ Engineering Office チームの@aisakaです。 メルカリのエンジニア組織は、メンバーが相互に学び合い、メンバー自身が自走し、成長できる組織を目指し、「互いに学び合い、成長し合う文化」の醸成を行っています。 こうしたメルカリの「互いに学び合い、成長し合う文化」を体現する仕組みの一つが、社内技術研修「DevDojo」シリーズです。 昨年から、一部のDevDojoシリーズを外部公開(参考)していますが、今回さらに新しいコンテンツを公開することになりました! 今日のブログでは公開するセッションとその内容をご紹介します! Learning materials Website 技術研修DevDojoとは DevDojoは、技術開発を学ぶ場として「Development」と「Dojo(道場)」をかけ合わせて名付けられた完全In-houseの社内研修シリーズです。
Noteableプラグインを使ってChatGPTにデータ分析を手伝ってもらう(ChatGPT部, 大城) こんばんは、ChatGPT部(チャットGPT部)、部長の大城です。 最近はNoteableプラグインに結構ハマっているのですが、今日は明日のLLM Meetup Tokyo#3のネタ探しも含めてChatGPTxデータサイエンス、の実験です。 ChatGPTで決定木分析こちらは鉄板ネタですね。今回はkaggleのタイタニックのトレーニングデータをNoteableにアップロードして、それを決定木で解析してもらいました。 ( ダイジェストでお届け。データについては実験用に拝借。 ) 決定木ツリーが深すぎたので、調整。 SHAPで評価するのがいいかはわかんないですが、一応特徴量の影響度の可視化。class0が死亡、class1が生存。 特徴量に関する解釈の依頼。 今回作成してもらったモデルの精
生成AIChatGPTをはじめとするGenerativeAI(生成AI)は、テレビや新聞で見ない日はないくらいに話題になっています。YouTubeでも芸人さんがChatGPTを紹介する動画が多数出ています。(個人的に、芸人かまいたちの「ChatGPTに漫才を作ってもらう」という動画が好きです。) 企業でも、ソフトバンクやNTTなどの大企業が、会社を上げて生成AIの開発・活用をしていくと発表しています。行政においても、横須賀市やつくば市が生成AIを積極的に業務に取り入れようとしています。今後ますます多くの企業・行政・個人が生成AIを活用していくと思います。 このブログ記事では、AI×医療のベンチャー企業Ubieでの生成AI活用の試行錯誤してきた取り組み事例をご紹介します。今後の生成AI活用に少しでもご参考になれば幸いです。(プロダクトへの活用はまだ検証中なため、生成AIによる社内生産性向上の
はじめに 卒業研究においてファインチューニングと転移学習の違いがすぐに思い出せなかったので、改めて学習し直しました。 本記事はその学習メモおよび備忘録です。 転移学習 あるデータセットで学習したモデルを用いて、別のデータセットを学習させること 転移学習のメリット データが少なくても高い精度を出せる 大量のデータと学習にかかる時間を大幅に削減可能 ファインチューニング 学習済みモデルのある特定の層の重みを微調整すること 新たに学習するデータセットもサイズが大きいときは転移学習するとかえって時間がかかってしまう そのため、モデル自体を設問に合わせたものに微調整する=ファインチューニング 引用元:https://udemy.benesse.co.jp/data-science/deep-learning/transfer-learning.html Register as a new user
はじめに Streamlit vs Gradio Gradioの設計思想 Interface 入出力に応じたUI Interface String Shortcut 入力データのサンプルのセット ドキュメンテーション テーマの変更 タイムアウトへの対処 中級者への第一歩、デモを作る際に知っておきたい処理 Gradioが担当する前処理について プログレスバー もろもろの出力結果を保存するには? 認証認可(というか認可) その他、解説しないが需要の有りそうなもの まとめ 追記 : 動画になりました。 はじめに 機械学習系のデモアプリを作成することがしばしばありStreamlitを使用していたが、パラメーターなどをいじるたびに処理が最初から走るなどといった挙動に悩まされていた。 同僚がGradioというのを使っていたのでサーベイがてらメモしていたらブログが出来上がってしまった。 本ブログでは、G
(『IT Text 自然語処理の基礎』より) 3ヶ月ほど前に空前のLLMブームについて概観する記事を書きましたが、それ以降も世間のLLMに対する狂騒ぶりは収まるどころかますます拍車がかかるという有様で、あまつさえ僕自身の仕事における日常業務にもじわじわと影響が及びつつあり、今後も良きにつけ悪しきにつけLLMと共生し続ける必要がありそうだと感じている今日この頃です。 そんな猫も杓子もLLMに群がるが如き空前のブームを受けて、エンジニアやデータ分析職の方々の中には「LLMに興味はあるんだけど世の中にあまりにも多くのLLM関連コンテンツが溢れ返っていて何から手をつけたら良いのか分からない」という向きもあるように見受けられます。そこで、僕も断じてLLM以下生成AIの専門家などではないのですが、個人的に「このテキストを読めばLLM時代を生き抜くことが出来そうだ」と感じた書籍を、全くの独断と偏見で3冊
AI事業本部MLOps研修とは はじめまして、AI Labでリサーチエンジニアをしている岩崎(@chck)と、AI事業本部 Dynalystでデータサイエンティストをしている長江(@nsakki55)と干飯(@hosimesi)です。 今回は、AI事業本部研修で行われた講義のMLOps回の資料を公開します。 🔳 AI事業本部の事業を担う一員として、「AI事業本部で必要なドメイン知識を身につける・関係を構築する(縦・横・ななめまで)」が研修の目標 サイバーエージェントでは、入社後3週間ほどのエンジニア全体研修を行った後、各事業部に配属されます。AI事業本部では、事業部配属直後に2週間ほどエンジニア研修を行います。この研修では、全社研修とは異なり、AI事業本部に特化したアドテクや機械学習に関連する内容が取り扱われています。 ▼事業部研修全体スケジュール AI事業本部の研修は、以下の3つのパー
本記事は、当社オウンドメディア「Doors」に移転しました。 約5秒後に自動的にリダイレクトします。 このたびブレインパッドは、LLM/Generative AIに関する研究プロジェクトを立ち上げ、この「Platinum Data Blog」を通じてLLM/Generative AIに関するさまざまな情報を発信をしています。 この記事では、「copilotとしての生成AI」という視点で概況を捉え、LLM/Generative AIの可能性と実用段階における諸問題について考察していきます。 はじめに 生成AIを活用したサービス/プロダクトの分類 分類方針 入出力による分類結果を俯瞰する 入出力による分類とトレンド Text to Text (Text or Image) to Image Text (and Speech) to Speech, Speech to Speech copilo
Azure Open AI「Add your data」のシンプル設定方法、試した結果の比較と「4つの所感 & 解決案?」AzureCognitiveServicesgpt-3AzureOpenAIServiceonyourdata Azure Open AIの新機能「Add your data」の使用方法の概説、試してみた結果、そして私なり感じた4つの所感とその解決策?を紹介いたします。 ※本領域は変化が激しいです。この内容は23年6月24日時点の情報となります 【記事の目次】 23年Buildでのデータサイエンス・AI系のアップデータについて Azure Open AI「Add your data」のシンプル設定方法 Azure Open AI「Add your data」を使用した結果と、ChatGPT、 Bing AIチャットの比較 私の4つの所感と解決案? 4.1 引用元の引用部
本記事は、当社オウンドメディア「Doors」に移転しました。 約5秒後に自動的にリダイレクトします。 このたびブレインパッドは、LLM/Generative AIに関する研究プロジェクトを立ち上げ、この「Platinum Data Blog」を通じてLLM/Generative AIに関するさまざまな情報を発信をしています。 この記事では、生成AIの中でも、テキスト、画像、動画、3Dデータ、オーディオデータ、モーションなど多岐にわたるマルチモーダル系のタスクについて、全2回の連載でご紹介します。【第1回目の記事はこちら。】 こんにちは、アナリティクスサービス部の八登です。 昨今話題をさらっている生成AIですが、その中でマルチモーダル系のタスクに大きな関心が集まっています。 ここでマルチモーダル系とは、AIが同時に複数の形式を扱うことができる、ということを表しています。 モーダルの例としては
ChatGPTが2022年11月に公開されたことで一躍話題となった生成AI(人工知能)。多くの企業や自治体などが業務への導入を検討しており、設計事務所や建設会社も例外ではない。今後、建築実務者が業務で使用するうえで押さえておきたい生成AIの基本情報をまとめた。 Q 流ちょうな文章や精細な画像を生成する仕組みは? A 生成AIは、インターネット上にある文章や画像などの大量のデータを深層学習(ディープラーニング)などの手法を使って学習させたモデルで構成される。 例えばChatGPTのような大規模言語モデル(LLM)の仕組みは、ある単語の後に続く可能性が最も高いと考えられる単語を予測して次々に出力するというもの〔図1〕。生成した文章が不自然でないかどうかをフィードバックして精度を高めている。
データサイエンティストにとって、ChatGPTはうまく利用することで非常に強力なツールになることは間違いありません。 近い将来、データサイエンティストの中でもChatGPTをうまく使いこなせる人とそうでない人の間には、大きな差が生まれるでしょう。 そこで、今後ChatGPTを上手に活用できるようにデータサイエンティストが必ず読むべき記事を紹介します! ChatGPTの公式プラグイン「code interpreter」 データサイエンティストの業務を大きく変える可能性のある、ChatGPT公式プラグイン「code interpreter」について解説している記事です。 ファイルのアップロード機能を使うことで、チャット上にデータをアップロードし、そのデータに対してコードを実行することができるようになります。 また、作業の結果をcsvなどでダウンロードすることが可能です。 つまり、code in
https://forest.f2ff.jp/introduction/7866?project_id=20230601
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く