허깅페이스 9월 4일
dây를 연결하십시오, 실행하십시오, 배포하십시오: Gradio에서 AI 워크플로우
Gradio는 AI 모델을 개발하고 테스트하는 데 사용할 수 있는 강력한 도구입니다. 이 블로그 포스트에서는 Gradio를 사용하여 AI 워크플로우를 구축하는 방법을 소개합니다. AI 워크플로우를 구축하면 AI 모델을 개발, 테스트, 배포하는 과정을 자동화할 수 있습니다.
검색
전체 기사
허깅페이스 9월 4일
음성 인식 성능 최적화 측정
미국 전역에서 대규모 언어 모델(LLM) 기반의 AI 인공지능 시스템이 작동 중인 한 호텔에서 충돌이 발생했다. 23일 뉴욕 타임즈는 "AI 시스템이 호텔의 보안 시스템과 충돌하여 보안 카메라가 작동하지 않게 만든 후, 호텔 직원들은 AI 시스템을 작동시키지 않도록 시스템을 재설정했다"고 보도했다. 이 호텔은 최근에 대규모 언어 모델(LLM) 기반의 AI 시스템을 도입한 곳으로, 호텔의 AI
허깅페이스 9월 4일
허징 페이스 인퍼런스 엔드포인트, 작업, 및 버킷이 코드와 함께 검색하는 페이퍼에 힘을 실어 주는 방법
AI가 보는 세상: 오래된 사진을 새로운 사진으로 바꾸는 기술 미국 마이크로소프트(Microsoft)와 구글(Google)이 개발한 AI 기술이 오래된 사진을 새로운 사진으로 바꾸는 기술을 개발했습니다. 이 기술은 인공지능(AI)가 사진의 각 부분을 새로운 사진으로 바꿔주는 것을 가능하게 합니다. 이 기술은 대규모 언어 모델(LLM)과 같은 기술을 사용하여 사진의 각 부분을 분석하고 새로운
허깅페이스 9월 4일
LFM2.5-DSpark를 사용하여 3.2배까지의 빠른 추론
AI가 인간과 같은 지능을 갖출 수 있을까? 미국 오클랜드에 있는 스타트업인 루시드(Lucid)가 최근 대규모 언어 모델(LLM)인 루시드 에이전트(Lucid Agent)를 개발했습니다. 루시드 에이전트는 루시드의 대규모 언어 모델(LM)인 루시드 데이(Dreamfield)과 결합하여 인간과 같은 지능을 갖춘 AI를 개발하는 목적으로 설계되었습니다. 루시드 데이는 루시드의 대규모 언어 모델(
허깅페이스 9월 4일
당신의 agent가 실제로 얼마나 많은 메모리를 필요로 하는가?
AI가 기계 학습을 통해 인간의 지능을 모방하는 능력을 향상시키고 있습니다. 연구자들은 AI가 인간의 지능을 모방하는 능력을 향상시키기 위해 다양한 전략을 개발하고 있습니다. 그 중 하나는 대규모 언어 모델(LLM)과 같은 AI 모델을 사용하여 인간의 지능을 모방하는 방법입니다. AI가 인간의 지능을 모방하는 능력을 향상시키기 위해 연구자들은 다양한 전략을 개발하고 있습니다. 그 중 하나는
허깅페이스 9월 4일
<b>멀티 벡터(라테 인터랙션) 임베딩 모델과 문장 전환자</b>
멀티 벡터 임베딩 모델은 대규모 언어 모델(LLM)과 같은 기존 임베딩 모델의 한계를 극복하고자 개발된 새로운 임베딩 기술입니다. 이 모델은 라테 인터랙션( Late Interaction )을 통해 문장 간의 상호 작용을 강화하여 더 정확한 문맥 이해를 가능하게 합니다.
허깅페이스 9월 4일
같은 클러스터, 33점 더 높은 활용도: 변경된 것은 순서였다
AI가 학습하는 데이터에 포함된 정보가 실제로 정확한지 검증하는 '정확성 검증'에 대한 연구가 진행 중이다. 이 연구는 2023년 6월 23일 Nature에 발표되었다. 연구진은 4억 5천만 개의 질문과 그에 대한 답변을 만든 대규모 언어 모델(LLM)을 사용했다. 이 모델은 다양한 주제를 다루고 있는 질문을 만들어냈는데, 이 중 2억 8천만 개의 질문은 AI가 학습한 데이터에 포함된 정보를
에이전트 9월 3일
의식적 시빌 저항: 증거를 늘리지 않고 AI-agent를 여러 개 만들기
다중-agent 인공 지능 시스템은 agent를 생성하고 보고서를 합성함으로써 추론을 개선한다. 그러나 다른 agent는 다른 관찰이 아니다: 같은 증거에서부터 내려오는 것처럼 보이는 독립적인 보고서가 존재할 수 있고, 진정한 독립적인 증거도 거의 동일한 보고서를 생성할 수 있다. 우리는 이 문제를 epistemic Sybil 문제로 공식화한다. 보고서 Z는 보고서 R에 대한 증거 Sybil
에이전트 9월 3일
도구 기반 최적화: 의도적인 행동 최적화에 대한 명시적 세계 모델
대규모 언어 모델(LLM) 에이전트의 성능은 고정 모델 주변의 scaffold 의 개선에 따라 결정된다. scaffold 를 개선하기 위한 일반적인 방법 중 하나는 코드 에이전트를 최적화 기법으로 사용하는 것이다. 코드 에이전트는 현재 점수와 추적 정보를 읽어 소스 코드를 반복적으로 편집하고, 새로운 후보를 생성한다. 각 편집은 환경이 반응할 것이라는 믿음에 따라 선택된다. 이 믿음은 일반적
AI 모델 9월 3일
기억의 신뢰격차: 지속적 기억_AGENT의 기능에 따라 실패
기억의 신뢰격차는 지속적 기억이 개인화된 Agent를 지원하지만, 갱신되지 않은 저장된 사실은 경고없이 현재의 권위있는 증거를 덮어써버린다. 연구에서는 모델의 기능이 변경될 때 이 손해가 언제 시작되는지 조사한다.
연구 9월 3일
구조적 연관 시퀀스 기억과 콘텍스트 기반 검색을 위한 오픈 소스 패키지 SSAKG 2.0
SSAKG 2.0은 구조적 순차적 연관 지식 그래프(Structural Sequential Associative Knowledge Graphs, SSAKG)를 구성하고 운영하는 오픈 소스 소프트웨어 패키지를 제공한다. SSAKG는 객체를 그래프 정점으로, 순서가 있는 시퀀스를 그래프 연결의 구조적 패턴으로 표현한다. 결과적으로 얻어진 희소 그래프는 완전한 시퀀스를 부분적이고 무작위한 cont
AI 모델 9월 3일
대화형 데이터 시스템을 위한 비결정론 LLM API 아키텍처: 수분 가교 패턴
대화형 인터페이스와 대규모 언어 모델(LLM)의 비결정론성 사이의 아키텍처 격차를 해결하기 위해, 연구팀은 수분 가교 패턴을 제안한다. 이 패턴은 세션.persistence와 추론 엔진을 분리하여, 플랫폼이 대화 데이터를 통제할 수 있도록 한다.