Hugging Face – The AI community building the future.The AI community building the future. The platform where the machine learning community collaborates on models, datasets, and applications.
ChatGPTのプロンプトデザインの秘密を解明｜深津式・シュンスケ式・ゴールシークプロンプトを紹介 | WEEL
WEELメディア事業部リサーチャーの柏崎です。 みなさん、ChatGPTは使いこなせていますか？ ChatGPTを使うにあたって必須となるのが「プロンプト（質問）」ですが、このプロンプトのコツを知らないと、「ほしかった回答とズレている…」と感じてしまうことも。 そこでこの記事では、ChatGPTを使いこなせるようプロンプトデザインとChatGPTの精度について深く掘り下げていきます。 日本で特に有名な2つのプロンプトシステム、「深津式プロンプト」と「シュンスケ式プロンプト」についても、実際のやり取りを交えながら解説していきます。今すぐ使えるコツもご紹介していますので、ぜひ最後まで読んでください！ なお弊社では、生成AIツール開発についての無料相談を承っています。こちらからお気軽にご相談ください。 ChatGPTのプロンプトデザインとは プロンプトデザインとは、ChatGPTへのプロンプト（
Amazon Comprehendを使ってみた
Amazon Comprehendとは 本記事では、Amazon Comprehendについて紹介していきます。 Amazon Comprehendとは、AWSで展開している自然言語解析ツールになります。 できる事としては、以下の機能を持ってます。(今回は日本語対応できている機能のみ使います。) 言語判定 入力された文章の言語判定が行えます。 返される値としては、言語コードとそのコード判定の信頼値(Confidence)です。 Entity抽出 入力された文章内の単語を抽出して、その単語の意味(人名・地名...etc)を解析可能です。 返される値としては、抽出した単語とその意味を表すカテゴリとその信頼値です。 Key phrases抽出 入力された文章内のポイントとなるフレーズを抽出します。 返される値としては、抽出したフレーズとその信頼値です。 Sentiment推論 入力された文章の感
Amazon Bedrock をマネジメントコンソールからちょっと触ってみたいときは Base Models（基盤モデル）へのアクセスを設定しましょう | DevelopersIO
コーヒーが好きな emi です。 AWS の生成 AI サービス、Amazon Bedrock が満を持して GA されました。 マネジメントコンソールからちょっと触って見ようとしたところ、初手で躓いたので共有します。 Amazon Bedrock をマネジメントコンソールからちょっと触ってみたいときは Base Models（基盤モデル）へのアクセスを設定しましょう もうすでにいくつか触ってみたブログを流し読みしたので、Prayground（遊び場）というところからチャットや画像生成ができることは把握済みです。 オレゴンリージョンから Bedrock コンソールにいってみます。 チャットを触ってみようとしたのですが、モデルを選択しようとしてもカスタムモデルしか選択肢がありません。 Amazon Bedrock をマネジメントコンソールから利用するには、最初に Base Models（基盤
Amazon Bedrockのモデル仕様やその料金について整理してみた | DevelopersIO
こんちには。 データアナリティクス事業本部 インテグレーション部 機械学習チームの中村です。 Amazon Bedrockがリリースされましたね。この記事ではモデルの仕様やその料金について整理してみました。 なお、記載内容は本日時点での公式情報を参考にしていますのでご了承ください。 Amazon Bedrockについて AWSで基盤モデルをマネージドで扱うことができるAmazon BedrockがGAとなりました。 公式情報は以下のあたりとなります。 Amazon Bedrock is now generally available Amazon Bedrock Is Now Generally Available – Build and Scale Generative AI Applications with Foundation Models | AWS News Blog Anno
生成AI活用相談会 | クラスメソッド株式会社
生成AIに関するお悩みは、クラスメソッドにご相談ください このようなことでお困りではありませんか？ 生成AIを活用して業務を効率化したいが、どのように導入すれば良いかわからない 自社のカスタマーサポートやコンテンツ生成に生成AIを活用したい 生成AIの最新技術を理解し、それをビジネスに適用する方法について知りたい OpenAIやChatGPTなどの生成AIを一部で活用しているが、さらなる応用方法を探している 社内で生成AIの技術や活用方法に精通している人が不足している 開催概要 クラスメソッドの専門的な知識と経験を活かして、お客様のニーズに合わせた効果的なソリューションをご提案します。お気軽にご相談ください。 開催日時：毎週月曜日 ・11:00〜12:00 ・16:00〜17:00 毎週木曜日 ・11:00〜12:00 ・14:00〜15:00 ・16:00〜17:00 上記より応相談 会
【速報】AWSの生成AIサービスであるAmazon Bedrock がリリースされたので朝イチで触ってみた | DevelopersIO
AWSにおける生成AIサービスであるAmazon Bedrockがリリースされました。生まれたばかりのAmazon Bedrockを実際に触って、どんな機能があるのか検証してみたいと思います。 はじめに おはようございます、おのやんです。 みなさん、Amazon Bedrockをご存知ですか？ Amazon Bedrockは、AWS内で使用可能な生成AIサービスです。私が朝５時に起床したタイミングでリリースされていました。 ということで、今回はいち早くAmazon Bedrockを触ってみたいと思います！ なお、機械学習に関しては門外漢であるため、技術的に不十分な説明になる可能性があります。またリリース直後の情報であるため、今後変更の可能性が十分にあります。そこはご了承くださいm(_ _)m Amazon Bedrockとは？ こちらがAmazon Bedrockの公式ドキュメントです A
【Amazon Bedrock】RAGの回答生成ができるか試してみた【Anthropic Claude】 | DevelopersIO
はじめに 新規事業部 山本です。 ChatGPT（OpenAI API）をはじめとしたAIの言語モデル（Large Language Model：以下、LLM）を使用して、チャットボットを構築するケースが増えています。通常、LLMが学習したときのデータに含まれている内容以外に関する質問には回答ができません。そのため、例えば社内システムに関するチャットボットを作成しようとしても、素のLLMでは質問に対してわからないという回答や異なる知識に基づいた回答が（当然ながら）得られてしまいます。 この問題を解決する方法として、Retrieval Augmented Generation（以下、RAG）という手法がよく使用されます。RAGでは、ユーザからの質問に回答するために必要そうな内容が書かれた文章を検索し、その文章をLLMへの入力（プロンプト）に付け加えて渡すことで、ユーザが欲しい情報に関して回答
ファウンデーションモデル（基盤モデル）とは何か？ ～あらたなパラダイムシフトのはじまり～ - AI事業 - マクニカ
ファウンデーションモデル（基盤モデル）とは何か？ 私は、膨大なデータから生まれる天才だと思っている。 はじめに AIエンジニアの佐々木です。インド、バンガロールの CrowdANALYTIX 社に赴任中で、業務のかたわらこの記事を書いています。 OpenAIは2020年1月に Scaling Laws for Neural Language Models で、 言語モデルは、学習にかけるコンピュータパワー、データセットサイズ、モデルパラメータ数を同時にスケールアップすると、テストロスが個々の要素のべき乗に従って低減するという経験則を示しました。その４ヶ月後の2020年5月に GPT-3 を発表し、生成される人間さながらの流暢な文章に世間は驚かされました。2020年11月には、スケーリング則が自然言語のみならずマルチモーダルモデル（画像、ビデオ、数学、テキスト画像変換、画像テキスト変換）にも
Exploratory
Exploratory Desktop provides a Simple and Easy-to-Use UI experience to access various data sources, clean and transform data, visualize and analyze data to gain deeper insights, communicate your discoveries with Notes, and monitor your business metrics with Dashboards. You can quickly extract data from various built-in data sources such as Redshift, BigQuery, PostgreSQL, MySQL, Oracle, SQL Server,
経営に革新をもたらす新次元のAI「予測分析自動化技術」とは｜日本経済新聞 電子版特集(PR)
業務データやセンサデータなど、膨大なデータがビジネスの現場に日々蓄積されている。これらのいわゆるビッグデータを素早く分析し、次の打ち手につなげることは、企業にとってきわめて重要な経営課題となってきている。 世界のトップ企業では「予測分析技術（Predictive Analytics）」に注目が集まっている。データ分析から“予測モデル”をつくるテクノロジーだ。未来が高精度に予測可能になれば、ビジネスチャンスは飛躍的に増大する。顧客の行動を先取りしたり、部品の故障発生を予測するなど、業種業態を問わずその活用が広がりつつある。 日本電気（以下NEC）は、独自の「予測分析自動化技術」を昨年末に発表、2017年度中に顧客に提供できるよう準備を進めている。これは最先端のAI技術群「NEC the WISE」を駆使した新技術だ。昨年行ったNEC、三井住友銀行（以下SMBC）および日本総合研究所の共同実証
TensorFlowを使った為替(FX)のトレードシステムを作るチュートリアル ～システムのセットアップからトレードまで～ - Qiita
TensorFlowを使った為替(FX)のトレードシステムを作るチュートリアル ～システムのセットアップからトレードまで～機械学習システムトレードTensorFlowjiji 機械学習ライブラリ「TensorFlow」と、オープンソースのシステムトレードフレームワーク「Jiji」を組み合わせて、機械学習を使った為替(FX)のトレードシステムを作るチュートリアルです。 システムのセットアップからはじめて、機械学習モデルの作成、トレーニング、それを使って実際にトレードを行うところまで、具体例を交えて解説します。 システム構成 次のようなシステムを作ります。 Jijiのバックテスト機能を使ってトレードデータを収集。これをTensorFlowに入力してモデルをトレーニングします。 予測する内容については後述。 訓練したモデルを使って予測結果を返すREST APIを作り、トレード時にJijiから呼び
遺伝的アルゴリズムでFX自動売買 その2 進化する売買AIの実装 - Qiita
前回の記事 pythonと遺伝的アルゴリズムで作るFX自動売買システム その1 今回作るモノ 前回のその1では基本的なAIと全体の仕組みを書いたので今回は複雑な売買AIを定義して、実際に遺伝的アルゴリズムで進化させていきます。 複雑な売買AIを定義 ■ 仕様 現在レート、4時間平均レート、24時間平均レート、過去25営業日の最高値と最安値、過去25営業日の最高値と最安値から何日経過したかで、現在の相場をパターン分けし過去10年の売買データから適切（適切な値は遺伝的アルゴリズムで計算して過去のデータから求める）な注文を行う。 ■ 動作例 通貨:ドル円 現在時刻: 2015年10月1日 10:00:00 現在レート: 120.00円 4時間平均レート: 119.80円 24時間平均レート: 119.40円 過去25営業日の最高値: 121.75円 過去25営業日の最安値: 117.25円 過去
pythonと遺伝的アルゴリズムで作るFX自動売買システム その1 - Qiita
作ったモノ 次の機能を実装してみました 1. 最新の為替レートを取得し続けるプログラム 2. AIを稼働させ自動売買するプログラム 3. 最新のデータを元に新しいAIを遺伝的アルゴリズムで生成するプログラム 4. AIのパフォーマンスを測定して引退と取引通貨単位を管理するプログラム 背景 OANDAが提供している取引用APIが、かなり良い感じだったので実現できました。 特に1通貨単位(1ドル単位)で売買できるため、AI100個動かし取引を重ねても損失は1日数十円に収まります。試験時に売買システムがバグで暴走しても安心です。このAPIが無ければ個人では実現出来なかったので、良い時代になったなーと思います。 http://developer.oanda.com/rest-live/development-guide/ 遺伝的アルゴリズムの特徴 最適化問題の準最適解を短時間で解ける。 最適化問題
これさえ読めばすぐに理解できる強化学習の導入と実践
強化学習の位置づけ 教師あり学習 教師なし学習 強化学習 強化学習の応用事例 Atariの攻略 AlphaGo ロボットの自動動作獲得 ファイナンスへの応用 広告配信の最適化 OpenAI Gymを使ってQ-learningを実装してみる 状態 行動 報酬 実装 参考文献 ディープラーニングなどの機械学習技術の進歩によって、過去のデータから学習する技術は大きく進化し、写真の中に写っている対象を認識することや病気の診断、多言語間の翻訳をする性能を著しく向上させることができました。 すでにその性能は専門的な教育を受けた人間の能力と同等 [1] か超えている分野もあるほどです。 一方で、人間にはデータを与えなくとも自ら経験から学び、スキルを上達させることができます。特に何も教えられなくとも、経験からゲームを攻略することやロボットの正しい動作の仕方を学んでいくことができます。 機械学習の中でも、こ
(保存版:随時更新) データ前処理手法まとめ by Team AI - Qiita
データ分析の現場では実務上非常に大事な前処理。 でもどの手法を選んでいいのか初心者には見えにくいし、 漏れなくダブりなく(MECE)網羅された手法一覧が欲しいよね！という議論から、 我々Team AIでは隔週でデータ前処理研究会をはじめました。 スケジュール => www.team-ai.com 地味なテーマですが、大切だと思っているので、このページで少しずつノウハウを蓄積し、 みなさんの業務に活かしていただきたいと思っています。 ご意見ご感想 & 新たな情報等、是非活発にコメントください。 初回： 2018/11/11 追加 Kaggle CTOオススメの活用法 http://blog.team-ai.com/8steps-for-studying-ai/ データ前処理の一部分が特徴量エンジニアリング Data Preprocessing For Non-Techies: Basic T
AI開発を失敗させたくない人にオススメなDEBRAフレームワーク
はじめにAIブームが叫ばれて久しいですが、 現在でもなお、AI開発の成功の方程式はできていません。 特に、メディア各社のお陰で顧客や上司のAIに対する期待値が異常に上がっている中で、 発注者側に十分情報が行き渡っていない為に(お客様に悪気はないのですが、結果として)ふわふわした話が多く、 要件定義のやりにくさを感じているエンジニアさんも多いはずです。 Team AIでは、 自社でのAI開発経験を通して、 そんなAI開発を失敗させない為の独自メソッドを開発しました。 上司・顧客ヒアリングの時に下記のポイントを押さえ、 客観的に見てバランスのとれた最適方向にプロジェクトを進めて行くと、 失敗しにくいと思います。 なお、話をシンプルに一般化するために、 Team AIの様なAI開発会社が顧客と要件定義する状況に絞ります。 社内開発においても類似の状況はあるかと思います。 押さえたいポイント5つ=
糖尿病網膜症を97.5%の高い感度で検出可能！Googleが開発した人工知能による眼科診察とは
糖尿病網膜症の現状 糖尿病網膜症を検出する技術 データセット アルゴリズム 結果 終わりに 参考 Googleは全社的にヘルスケア領域にディープラーニングを活用することに対して積極的です。DeepMindは2016年の7月には大手眼科病院のMoorfieldsとパートナーシップを発表し、眼疾患の早期発見と患者への正しい治療を提供することを目的として共同開発を開始しています。 そして今回、Google BrainチームはJAMAに「Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs」というタイトルで糖尿病網膜症の診察プロセスを変えうる研究成果の発表をしました。 糖尿病網膜症の現状 糖尿病網膜症は、失
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
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
Gamma App: Generate AI Presentations, Webpages & Docs
GitHub - aws-samples/generative-ai-use-cases-jp: すぐに業務活用できるビジネスユースケース集付きの安全な生成AIアプリ実装
