Багатомовні LLM Llama 3.1, доступні на Amazon SageMaker JumpStart, пропонують оптимізовані моделі генеративного ШІ для розробників і бізнесу. SageMaker JumpStart надає доступ до попередньо навчених базових моделей, що дозволяє налаштовувати та безпечно розгортати їх у спеціальному середовищі VPC.
Супутникові знімки покращують моніторинг змін на Землі, але сегментація хмар має вирішальне значення. Для видалення хмар на знімках Sentinel-2 порівнюються такі алгоритми, як Random Forest та YOLO. Доступ до даних через Центр відкритого доступу Copernicus, Google Earth Engine або Python-пакет sentinelhub.
Фундаментальні моделі, такі як великі мовні моделі (LLM), адаптуються для моделювання часових рядів за допомогою великих фундаментальних моделей часових рядів (LTSM). Використовуючи подібність послідовних даних, LTSM має на меті навчатися на різноманітних даних часових рядів для таких завдань, як виявлення та класифікація викидів, спираючись на успіх LLM в обчислювальній лінгвістиці.
TDS святкує цю подію цікавими статтями про передові технології комп'ютерного зору та розпізнавання об'єктів. Серед основних моментів - підрахунок об'єктів на відео, відстеження гравців зі штучним інтелектом у хокеї та експрес-курс з планування автономного водіння.
MusGConv представляє блок згортки графів, натхненний сприйняттям, для обробки даних нотної партитури, підвищуючи ефективність і продуктивність в задачах розуміння музики. Традиційні підходи MIR розширюються за допомогою MusGConv, який моделює музичні партитури у вигляді графів для відображення складних, багатовимірних музичних взаємозв'язків.
PyTorch 2.0 представив torch.compile для швидшого виконання коду. AWS оптимізувала torch.compile для процесорів Graviton3, що призвело до значного покращення продуктивності для NLP, CV та рекомендаційних моделей.
Прорив Яна Лекуна 1989 року з використанням згорткових нейронних мереж зберіг дані просторових зображень, зробивши революцію в дослідженнях комп'ютерного зору. CNN використовують фільтри для вилучення карт об'єктів, накладання шарів для створення потужних класифікаторів зображень.
Трансформатори, відомі своєю революцією в НЛП, тепер чудово справляються із завданнями комп'ютерного зору. Дослідіть архітектури Vision Transformer та Masked Autoencoder Vision Transformer, які уможливили цей прорив.
Дослідники з Массачусетського технологічного інституту виявили, що великі мовні моделі можуть розуміти візуальний світ і генерувати складні сцени. Запропонувавши LLM самокорегувати код для зображень, вони покращили прості малюнки та навчили систему технічного зору без використання візуальних даних.
Дослідники з Массачусетського технологічного інституту та Мета розробляють PlatoNeRF - техніку комп'ютерного зору, що використовує тіні та машинне навчання для створення точних 3D-моделей сцен, покращуючи ефективність автономних транспортних засобів та AR/VR. Поєднуючи лідар та штучний інтелект, PlatoNeRF пропонує нові можливості для реконструкцій і буде представлений на конференції з комп'юте...
Вчені використовують штучний інтелект для визначення передових матеріалів для сонячних батарей. Інженери Массачусетського технологічного інституту розробляють техніку комп'ютерного зору, яка прискорює визначення характеристик матеріалів у 85 разів, з метою повністю автоматизованого скринінгу матеріалів.
Sprinklr використовує ШІ для покращення клієнтського досвіду, досягнувши 20% підвищення продуктивності за допомогою AWS Graviton3 для економічно ефективного ML-висновку. Тисячі серверів налаштовують і обслуговують понад 750 моделей ШІ по 60+ вертикалях, обробляючи 10 мільярдів прогнозів щодня.
Вибір правильного сценарію використання ШІ має вирішальне значення для успіху. ШІ може бути цінним навіть при помірній продуктивності, пропонуючи унікальні рішення. Приклади включають злиття сенсорів і генеративний ШІ в повсякденних продуктах.
Вчені з Массачусетського технологічного інституту та лабораторії штучного інтелекту MIT-IBM Watson AI Lab розробили новий підхід до навчання комп'ютерів визначати дії на відео, використовуючи лише транскрипт. Цей метод, який називається просторово-часовим заземленням, підвищує точність ідентифікації дій у довгих відео і може знайти застосування в онлайн-навчанні та охороні здоров'я.
Відкрийте для себе новаторські дослідження компанії XYZ щодо розробки нової технології штучного інтелекту, яка може зробити революцію в галузі охорони здоров'я. Дізнайтеся, як ця інновація покращить догляд за пацієнтами та точність діагностики.
Нове дослідження розкриває революційну технологію штучного інтелекту, розроблену компанією Google, яка революціонізує аналіз даних у сфері охорони здоров'я. Результати показують значне підвищення точності та ефективності діагностики рідкісних захворювань.
Дізнайтеся про новаторську співпрацю між Tesla та SpaceX, яка зробила революцію в електромобілях та космічних подорожах. Дізнайтеся, як їхні інноваційні технології формують майбутнє транспорту.
Дізнайтеся, як нова технологія безпілотного водіння Tesla революціонізує автомобільну індустрію. Завдяки вдосконаленим алгоритмам штучного інтелекту та найсучаснішим датчикам Tesla прокладає шлях до автономних транспортних засобів.
Дізнайтеся, як інноваційні стартапи революціонізують технологічну індустрію, створюючи передові продукти. Від рішень на основі штучного інтелекту до стійких технологій - ці компанії змінюють майбутнє.
Дізнайтеся про новаторську співпрацю між Tesla та SpaceX у розробці інноваційних рішень у сфері відновлюваної енергетики. Дізнайтеся, як бачення Ілона Маска революціонізує майбутнє транспорту та освоєння космосу.
Дослідники з Массачусетського технологічного інституту розробили систему FeatUp, яка покращує алгоритми комп'ютерного зору для одночасного захоплення деталей високого та низького рівня, революціонізуючи обробку зображень. FeatUp збільшує роздільну здатність у 16-32 рази, покращуючи такі завдання, як виявлення об'єктів та оцінка глибини, пропонуючи новий рівень чіткості в моделях штучного інтел...
3D гаусівське розбризкування, новий метод синтезу нового вигляду, кидає виклик NeRF як домінуючій техніці представлення 3D-сцен. Цей метод використовує анізотропні гаусиани для відтворення чітких 3D-моделей у реальному часі, забезпечуючи унікальний підхід до представлення сцени та рендерингу зображень.
Отримайте доступ до набору даних Sun RGB-D для розуміння 3D-зображень з 2D-зображень. Набір даних включає сцени в приміщенні з 2D і 3D анотаціями від різних 3D-сканерів. Вивчіть код Python, щоб отримати доступ до цього цінного ресурсу для глибшого розуміння ML.
Останні досягнення в галузі штучного інтелекту, включаючи GenAI та LLM, революціонізують галузі завдяки підвищенню продуктивності та можливостей. Архітектури трансформаторів зору, такі як ViTs, змінюють комп'ютерний зір, пропонуючи чудову продуктивність і масштабованість порівняно з традиційними CNN.
Дослідники Массачусетського технологічного інституту розробили набір даних для імітації периферійного зору в моделях штучного інтелекту, що покращує розпізнавання об'єктів. Розуміння периферійного зору в машинах може підвищити безпеку водіїв і передбачити поведінку людини, подолавши розрив між ШІ та людським зором.
У статті висвітлено розгортання ML-моделей у хмарі, об'єднання полів CS і DS та подолання обмежень пам'яті при розгортанні моделей. Ключові технології включають Detectron2, Django, Docker, Celery, Heroku та AWS S3.
У цій статті обговорюється важливість високоякісних даних і зменшення помилок маркування в моделях оцінки пози. Вона демонструє, як спеціальний робочий процес маркування в Amazon SageMaker Ground Truth може впорядкувати процес маркування і мінімізувати помилки, що в кінцевому підсумку зменшує витрати на отримання точних міток поз.
Автоматизуйте виявлення шахрайства в іпотечних документах за допомогою ML-моделей і правил, визначених бізнесом, за допомогою Amazon Fraud Detector, повністю керованого сервісу виявлення шахрайства. Завантажуйте історичні дані, навчайте модель, перевіряйте ефективність і розгортайте API для прогнозування, щоб покращити виявлення шахрайства та точність андеррайтингу.
Автоматизуйте виявлення підробки документів та шахрайства в масштабах за допомогою сервісів AWS AI та машинного навчання для андеррайтингу іпотечних кредитів. Розробити модель комп'ютерного зору на основі глибокого навчання для виявлення та виділення підроблених зображень в іпотечному андеррайтингу за допомогою Amazon SageMaker.
Технологія штучного інтелекту здатна перетворювати зображення їжі на рецепти, що дозволяє надавати персоналізовані рекомендації щодо їжі, адаптувати їх до культурних особливостей та автоматизувати процес приготування. Цей інноваційний метод поєднує комп'ютерний зір і обробку природної мови для створення вичерпних рецептів на основі зображень їжі, долаючи розрив між візуальними зображеннями стр...
Розблокування ефективності роботів: Мультимодальні моделі ШІ революціонізують комплексне планування
Лабораторія неймовірного штучного інтелекту Массачусетського технологічного інституту розробила мультимодальний фреймворк під назвою HiP, який використовує три різні базові моделі, щоб допомогти роботам створювати детальні плани для виконання складних завдань. На відміну від інших моделей, HiP не потребує доступу до даних парного зору, мови та дій, що робить її більш економічно ефективною та п...
У цій статті досліджується монокулярна оцінка глибини (MDE) та її важливість для додатків комп'ютерного зору. Вона містить покрокову інструкцію із завантаження та візуалізації даних карти глибини, запуску виведення за допомогою Marigold і DPT, а також оцінювання прогнозів глибини за допомогою набору даних SUN RGB-D.
У статті досліджується використання легких ієрархічних трансформаторів зору в автономній робототехніці, підкреслюється ефективність концепції спільної магістралі для багатозадачного навчання. У ній також обговорюється поява великих мультимодальних моделей та їхній потенціал у створенні уніфікованої архітектури для наскрізних рішень автономного водіння.
Комп'ютерний зір еволюціонував від маленьких піксельних зображень до створення зображень високої роздільної здатності на основі описів, причому менші моделі покращують продуктивність у таких сферах, як фотографування смартфонів та автономні транспортні засоби. Модель ResNet домінує в комп'ютерному зорі вже майже вісім років, але з'являються нові розробки, такі як Vision Transformer (ViT), що д...
PGA TOUR розробляє систему відстеження положення м'яча наступного покоління, яка використовує комп'ютерний зір і методи машинного навчання для визначення місцезнаходження м'ячів для гольфу на паттінг-гріні. Система, розроблена Інноваційним центром Amazon Generative AI, успішно відстежує положення м'яча та прогнозує координати його спокою.
2024 рік може стати переломним для музичного ШІ завдяки проривам у перетворенні тексту на музику, музичному пошуку та чат-ботам. Однак ця сфера все ще відстає від мовленнєвого ШІ, і для того, щоб революціонізувати музичну взаємодію за допомогою ШІ, необхідний прогрес у гнучкому і природному розділенні джерел.
Гаусове розбризкування - це швидкий і зрозумілий метод представлення 3D-сцен без нейронних мереж, що набуває популярності у світі, одержимому моделями штучного інтелекту. Він використовує 3D-точки з унікальними параметрами для точної відповідності рендерингу відомим зображенням з набору даних, пропонуючи свіжу альтернативу складним і непрозорим методам, таким як NeRF.
Автономні машини в робототехніці продемонстрували свої можливості в 2023 році, серед яких варто відзначити розумну коляску зі штучним інтелектом від Glüxkind, систему mGripAI для пакування харчових продуктів від Soft Robotics і робота TM25S від Quanta для інспекції продукції, в усіх з яких використовуються технології NVIDIA.
ICL, міжнародна виробнича та гірничодобувна корпорація, розробила власні можливості з використанням машинного навчання та комп'ютерного зору для автоматичного моніторингу свого гірничодобувного обладнання. За підтримки програми AWS Prototyping вони змогли створити фреймворк на AWS за допомогою Amazon SageMaker для отримання зображень з 30 камер, з потенціалом масштабування до тисяч.