автономные исследования машинного обучения с autoresearch и google colab и ещ...

автономные исследования машинного обучения с autoresearch и google colab

В Google Colab можно построить автономный цикл исследований в области машинного обучения, используя AutoResearch framework от Андрея Карпаthy для поиска гиперпараметров и отслеживания экспериментов.

AutoResearch Framework

AutoResearch – это фреймворк, предназначенный для автоматизации процесса исследования машинного обучения. Он позволяет автоматизировать поиск гиперпараметров, отслеживание экспериментов и анализ результатов.

AutoResearch использует подход, основанный на конфигурационных файлах YAML, для определения пространства поиска гиперпараметров и логики эксперимента. Он включает в себя компонент для запуска экспериментов, компонент для отслеживания экспериментов и компонент для анализа результатов.

Использование в Google Colab

AutoResearch можно использовать непосредственно в Google Colab. Это позволяет использовать ресурсы Google Colab для ускорения процесса исследования. AutoResearch может быть установлен через pip.

Процесс включает в себя определение конфигурации эксперимента в YAML-файле, запуск AutoResearch с этой конфигурацией и анализ результатов. AutoResearch автоматически запускает эксперименты с различными комбинациями гиперпараметров, отслеживает метрики и сохраняет результаты.

AutoResearch упрощает создание автономного цикла исследований, позволяя сосредоточиться на разработке моделей, а не на ручном управлении экспериментами.

Искусственный интеллект предсказывает ухудшение сердечной недостаточности

Может ли искусственный интеллект помочь предсказать, у каких пациентов с сердечной недостаточностью состояние ухудшится в течение года?

Исследователи MIT, Mass General Brigham и Гарварда (исследование PULSE-HF), используя данные о более чем 2300 пациентах с сердечной недостаточностью, разработали модель искусственного интеллекта, способную предсказывать, у кого из них состояние ухудшится в течение года. Модель, основанная на машинном обучении, использовала данные о пациентах, включая возраст, пол, расу, историю болезни и результаты анализов.

Модель искусственного интеллекта показала эффективность в выявлении пациентов с высоким риском ухудшения состояния. Результаты показали, что модель превзошла существующие методы прогнозирования. Ученые считают, что модель может помочь врачам определить пациентов, которым необходимо более интенсивное лечение и мониторинг.

Разработанная модель может быть использована для персонализации лечения пациентов с сердечной недостаточностью, что может привести к улучшению результатов лечения и снижению затрат на здравоохранение. Дальнейшие исследования направлены на проверку эффективности модели в различных популяциях пациентов и в клинической практике.

openjarvis: локальный ai-агент от стэнфордского университета

Исследователи Стэнфордского университета представили OpenJarvis – локальную систему для создания персональных AI-агентов для работы на устройствах с инструментами, памятью и возможностью обучения.

OpenJarvis – это фреймворк, ориентированный на локальную работу, что означает, что обработка данных происходит непосредственно на устройстве пользователя, а не в облаке. Он предоставляет инструменты для создания AI-агентов, которые могут взаимодействовать с инструментами, запоминать информацию и обучаться на основе опыта.

Система включает в себя компоненты для восприятия, планирования и действий. Модуль восприятия позволяет агенту понимать окружающую среду, модуль планирования – определять цели и разрабатывать стратегии для их достижения, а модуль действий – выполнять эти стратегии, используя доступные инструменты. OpenJarvis также содержит модуль памяти для хранения и извлечения информации, а также механизм обучения для улучшения производительности с течением времени.

Разработчики предоставили примеры использования OpenJarvis, включая агента, который может управлять календарём, отправлять электронные письма и отвечать на вопросы. Они также подчеркивают возможность расширения OpenJarvis новыми инструментами и функциями. OpenJarvis доступен в виде PDF документа.

habs и microsoft разрабатывают человеко-ориентированный искусственный интеллект

HABS сотрудничает с Microsoft для разработки следующего поколения "человеко-ориентированного" искусственного интеллекта.

Компания HABS заключила партнерство с Microsoft для создания нового поколения искусственного интеллекта, который ориентирован на человека. Это сотрудничество направлено на разработку более интуитивных и эффективных систем искусственного интеллекта.

Ожидается, что результаты этого сотрудничества позволят создать более "человечные" и полезные инструменты искусственного интеллекта. Детали партнерства и конкретные проекты не разглашаются.

groundsource: извлечение данных из новостей с помощью gemini

Представляем Groundsource: превращение новостных репортажей в данные с помощью Gemini.

Groundsource — это новый инструмент, созданный для извлечения структурированных данных из новостных репортажей. Он использует модель Gemini от Google для идентификации и извлечения конкретных фактов, таких как имена людей, названия организаций и даты, из текстового контента новостей.

Инструмент предназначен для помощи исследователям, аналитикам и другим специалистам, которым необходимо обрабатывать и анализировать большие объемы новостных данных. Groundsource может автоматизировать процесс извлечения информации, который обычно требует много времени и усилий.

Groundsource способен извлекать информацию из статей на разных языках. Его можно использовать для анализа новостных репортажей из разных источников и для отслеживания событий с течением времени.

Команда разработчиков Groundsource планирует расширять возможности инструмента, добавляя поддержку дополнительных типов данных и языков. Также рассматривается возможность интеграции Groundsource с другими инструментами анализа данных.

google интегрировала gemini в автомобили waymo

Google представила Gemini на дорогах, интегрировав большую языковую модель в автомобили Waymo. Это позволит транспортным средствам Waymo лучше понимать окружающую среду и взаимодействовать с пассажирами более естественным способом.

Gemini будет использоваться для улучшения понимания окружающего мира Waymo, включая прогнозирование движений других участников дорожного движения и реагирование на неожиданные ситуации. Кроме того, модель позволит Waymo вести более естественный диалог с пассажирами, отвечая на вопросы и предоставляя информацию о поездке.

Использование Gemini в Waymo является частью стратегии Google по расширению применения больших языковых моделей в реальном мире. Google утверждает, что Gemini поможет сделать Waymo более безопасным, эффективным и удобным для пассажиров.

E.SUN bank и IBM разработали основу управления ИИ для банков

Банк E.SUN и IBM разработали основу для управления искусственным интеллектом (ИИ) для банковской сферы. Это сделано для решения вопросов, связанных с ответственностью и прозрачностью при использовании ИИ.

В основе разработки лежит фреймворк IBM’s AI Governance, который поможет банку E.SUN внедрять ИИ в свои операции, обеспечивая при этом соответствие нормативным требованиям и этическим стандартам. Фреймворк охватывает весь жизненный цикл ИИ, начиная от разработки и заканчивая развертыванием и мониторингом.

Банк E.SUN планирует использовать фреймворк для различных приложений ИИ, включая обнаружение мошенничества, оценку кредитных рисков и персонализированное обслуживание клиентов. Использование ИИ позволит банку повысить эффективность, снизить затраты и улучшить качество обслуживания клиентов.

Сотрудничество между E.SUN Bank и IBM началось в 2022 году. Банк E.SUN – один из первых банков в Тайване, который внедряет комплексную основу управления ИИ.

BMW внедряет гуманоидных роботов figure ai в германию

BMW внедрила использование гуманоидных роботов на своих производственных площадках в Германии. Эта инициатива вызвала интерес со стороны других европейских производителей.

Роботы, разработанные компанией Figure AI, будут использоваться для выполнения задач, которые сложны или опасны для людей. Первоначально роботы будут работать бок о бок с сотрудниками BMW на сборочной линии.

BMW является первым автопроизводителем, который внедрил этих роботов в свои европейские заводы. Компания планирует развернуть более 2000 роботов Figure AI на своих заводах в Европе к концу 2024 года.

Figure AI получила 100 миллионов долларов финансирования от Microsoft, в дополнение к предыдущим 65 миллионам долларов. Компания намерена использовать эти средства для увеличения производства и расширения своей деятельности.

Wonderful Lands привлекло $150 млн для расширения ИИ

Компания Wonderful Lands привлекла 150 миллионов долларов США в рамках раунда финансирования серии B. Средства будут направлены на расширение использования искусственного интеллекта (ИИ) в более чем 30 рынках.

Rocket Mortgage создает sql-запросы из текста с помощью rag

Rocket Mortgage разработала систему преобразования текста в SQL, используя агентский RAG (Retrieval-Augmented Generation). Эта система позволяет пользователям задавать вопросы о данных на естественном языке, а затем получать ответы в виде SQL-запросов.

Компания использовала framework LangChain для создания агентов, которые могут взаимодействовать с базами данных. Агенты способны разбивать сложные запросы на более простые шаги, планировать действия и выполнять их последовательно. В архитектуре используются модели Gemma, разработанные Google.

Для улучшения точности и надёжности системы, Rocket Mortgage применила подход RAG. Это позволило агентам получать доступ к релевантной информации из базы знаний, прежде чем генерировать SQL-запросы. Это включает в себя извлечение соответствующих фрагментов данных и их предоставление модели в качестве контекста.

Система была протестирована на различных сценариях использования, включая вопросы о производительности, клиентских данных и операционных метриках. Результаты показали, что система способна генерировать точные и эффективные SQL-запросы в большинстве случаев.

Разногласия в обнаружении выбросов: пять методов дают разные результаты

Мы использовали пять методов обнаружения выбросов на реальном наборе данных и обнаружили, что они не согласованы друг с другом в 96% случаев помеченных образцов.

Различные подходы к обнаружению выбросов

Исследовались следующие методы обнаружения выбросов: Isolation Forest, Local Outlier Factor (LOF), One-Class SVM, Elliptic Envelope и Robust Random Cut Forest (RRCF). Каждый из этих алгоритмов основан на различных принципах и предположениях, что может приводить к разным результатам.

Расхождения в выявлении выбросов

На реальном наборе данных пять методов обнаружили выбросы, но их мнения существенно различались. Только в 4% случаев помеченных образцов все методы сошлись на одном и том же выводе. В остальных 96% случаев алгоритмы не согласовались между собой, то есть каждый метод выявил разные выбросы. Это указывает на сложность определения выбросов и на то, что выбор метода может существенно влиять на результаты.

Это разногласие поднимает вопросы о надежности и интерпретации результатов обнаружения выбросов, а также о необходимости использования нескольких методов и их комбинации для более точной идентификации аномалий.