Розробники re:Invent 2024 стикаються з унікальними викликами фізичних перегонів AWS DeepRacer. Перехід від віртуальних до фізичних перегонів становить значний виклик через різницю у середовищі та можливостях автомобілів.
Open Food Facts використовує машинне навчання для покращення своєї бази даних продуктів харчування, зменшуючи кількість нерозпізнаних інгредієнтів та підвищуючи точність даних. Проект демонструє успіх створення власної моделі, яка перевершує існуючі рішення на 11%.
Почніть з проблеми, а не з рішення. Уникайте нав'язування чат-ботів для вирішення проблем, спочатку зосередьтеся на бізнес-процесах.
Зберігання деревовидних структур даних у вигляді списків спрощує пошук вузлів. Перетворення повних списків у стислі індексні дерева вимагає використання явних дочірніх індексів.
Мультимодальні вбудовування об'єднують текстові та графічні дані в єдину модель, уможливлюючи крос-модальні додатки, такі як підписи до зображень і модерація контенту. CLIP вирівнює представлення тексту і зображень для класифікації зображень з нульового кадру, демонструючи переваги спільного простору для вбудовування.
Мей втрачає роботу через людиноподібних роботів, проходить експериментальну ін'єкцію обличчя, щоб уникнути їх. Сім'я бореться із забрудненим довкіллям, залежністю від девайсів у похмурому світі.
Найбільші новинні організації Канади подали до суду на OpenAI за використання їхніх статей для навчання ChatGPT без дозволу. Позов вимагає відшкодування збитків і частки прибутку, а також судової заборони на використання статей у майбутньому.
Собаки воліють какати обличчям з півночі на південь. Дізнайтеся, як виміряти це в домашніх умовах за допомогою програми-компас та байєсівської статистики. Дослідник повторює дослідження з власним собакою, зафіксувавши понад 150 «сеансів вирівнювання».
Відомствам Уайтхолу бракує прозорості у використанні ШІ. Це викликає занепокоєння, оскільки штучний інтелект впливає на мільйони життів, прикладами чого є Міністерство праці та соціальної політики (DWP) та Міністерство внутрішніх справ (Home Office).
Агентний ШІ поєднує в собі спеціалізованих агентів для розширення можливостей. Такі великі гравці, як Microsoft і Google, інвестують значні кошти в дослідження агентного ШІ.
LLMs.txt - це новий веб-стандарт, оптимізований для механізмів міркувань, який швидко поширюється завдяки підтримці Mintlify. Співзасновник Джеремі Говард запропонував LLMs.txt, щоб допомогти системам штучного інтелекту ефективніше розуміти вміст веб-сайтів.
Сенат рекомендує окреме законодавство про ШІ та захист творчих працівників. Amazon, Google, Meta критикують за невизначеність щодо використання австралійських даних у навчанні ШІ.
Salesforce централізує дані про клієнтів для отримання інсайтів. Amazon Q Business AI надає співробітникам можливість приймати рішення на основі даних і підвищувати продуктивність.
Межі квантування розширюються за допомогою ft-квантифікації, нового підходу до вирішення поточних обмежень алгоритмів. Ця техніка, що заощаджує пам'ять, стискає моделі та вектори для пошуку, популярна в LLM і векторних базах даних.
Sophos використовує ШІ та ML для захисту від кіберзагроз, налаштовуючи LLM для кібербезпеки. Amazon Bedrock підвищує продуктивність SOC за допомогою рішення Claude 3 Sonnet від Anthropic, що дозволяє боротися з втомою від постійних сповіщень.