Meta-ს AI სათვალეები: Prada-სთან თანამშრომლობა მაღალი მოდის ბაზარზე შეღწევისთვის?
მარკ ცუკერბერგის გამოჩენამ Prada-ს მოდების ჩვენებაზე მილანში გააჩინა სპეკულაციები Meta-სა და Prada-ს თანამშრომლობის შესახებ ხელოვნური ინტელექტის (AI) სათვალეების გამოშვებაზე. მიუხედავად იმისა, რომ Meta უკვე აწარმოებს AI სათვალეებს Ray-Ban-ისა და Oakley-ს ბრენდებით, Prada-სთან პოტენციური შეთანხმება კომპანიას მაღალი მოდის ბაზარზე შესვლის შესაძლებლობას მისცემს. თუმცა, არსებობს შეშფოთება მომხმარებელთა მხრიდან სათვალეებში ჩამონტაჟებული მეთვალყურეობის ფუნქციების მიმართ მზარდი უარყოფითი დამოკიდებულების
Read AI-მ ხელოვნური ინტელექტის მქონე ასისტენტი Ada წარადგინა
Read AI-მ ხუთშაბათს გამოუშვა ხელოვნური ინტელექტის მქონე ელფოსტაზე დაფუძნებული ასისტენტი Ada, რომელიც მომხმარებლებს ეხმარება განრიგის მართვაში, კომპანიის ცოდნის ბაზაზე დაფუძნებული კითხვების გაცემაში და ოფისიდან არყოფნის ელფოსტებზე პასუხის გაცემაში. Ada მოქმედებს როგორც „ციფრული ტყუპი“, რომელიც ავტომატიზირებს დავალებებს და გასცემს კონტექსტუალურ პასუხებს. კომპანია გეგმავს მის ინტეგრაციას Slack-სა და Teams-ში, მომხმარებელთა ბაზის გაფართოებასთან ერთად.
Read AI-მ ელფოსტისა და განრიგის მართვის ხელოვნური ინტელექტის ასისტენტი Ada წარადგინა
Read AI-მ გამოუშვა Ada, ხელოვნური ინტელექტის მქონე ელფოსტის ასისტენტი, რომელიც შექმნილია მომხმარებლის განრიგის სამართავად, კომპანიის ცოდნის ბაზაზე დაყრდნობით კითხვებზე პასუხის გასაცემად, არყოფნის ელფოსტებზე პასუხის გასაცემად და სხვადასხვა დავალების ავტომატიზაციისთვის მთელი საათის განმავლობაში, როგორც „ციფრული ტყუპისცალი“.
Adani Group ინდოეთში ხელოვნური ინტელექტის მონაცემთა ცენტრებში 100 მილიარდ დოლარს ჩადებს
ინდოელმა კონგლომერატმა Adani Group-მა განაცხადა, რომ მომდევნო ათწლეულის განმავლობაში 100 მილიარდ დოლარს ჩადებს ინდოეთში ხელოვნური ინტელექტისთვის (AI) სპეციალიზებული მონაცემთა ცენტრების მშენებლობაში. ეს ამბიციური გეგმა, რომელიც 2035 წლამდე გაგრძელდება და განახლებადი ენერგიით იქნება უზრუნველყოფილი, მიზნად ისახავს 250 მილიარდი დოლარის ღირებულების AI ინფრასტრუქტურის ეკოსისტემის შექმნას და ინდოეთის წამყვან როლს გლობალურ AI რბოლაში.
T2I-Adapters-ის ახალი ერა: Stable Diffusion XL-ის გაუმჯობესებული შესაძლებლობები
ControlNet-ის მაღალი გამოთვლითი ხარჯებისა და ზომის პრობლემების საპასუხოდ, T2I-Adapters გვთავაზობს ეფექტურ გადაწყვეტას გამოსახულების გენერაციისთვის. ის უფრო კომპაქტურია და ხმაურის შემცირების პროცესში მხოლოდ ერთხელ მუშაობს. Diffusers-ის გუნდმა და T2I-Adapter-ის ავტორებმა Stable Diffusion XL-ისთვის (SDXL) T2I-Adapters-ის მხარდაჭერა დანერგეს, რამაც შესაძლებელი გახადა SDXL-ის მაღალი ხარისხის გენერაციის შენარჩუნება გაუმჯობესებული სიჩქარით, მეხსიერებითა და კონტროლის შესაძლებლობებით. ეს ბლოგპოსტი წარმოა
NLP მოდელების შედარებითი ანალიზი: RoBERTa, Mistral-7b და Llama-2-7b LoRA-ს გამოყენებით კატასტროფის ტვიტების კლასიფიკაციისთვის
ბუნებრივი ენის დამუშავების (NLP) სწრაფად განვითარებად სამყაროში, ენობრივი მოდელების შედარება გადამწყვეტია მათი ოპტიმალური გამოყენებისთვის კონკრეტულ ამოცანებში. ეს პოსტი ეძღვნება სამი მოდელის – RoBERTa, Mistral-7b და Llama-2-7b – შედარებას კატასტროფების შესახებ ტვიტების კლასიფიკაციის პრობლემაში. კვლევაში გამოყენებულია PEFT (Parameter-Efficient Fine-Tuning) ტექნიკის LoRA (Low-Rank Adaptation) მეთოდი, რომელიც მნიშვნელოვნად ამცირებს პარამეტრების რაოდენობას მოდელის წვრილად მორგებისას. განხილულია თითო
დიფუზიური მოდელების ეფექტური წვრილი დარეგულირება QLoRA-ით: 10 GB VRAM-ზე ნაკლები მოხმარება
წინა პოსტში კვანტიზაციის ტექნიკების განხილვის შემდეგ, ეს პოსტი ყურადღებას ამახვილებს დიფუზიური მოდელების, კერძოდ FLUX.1-dev-ის, ეფექტურ წვრილ დარეგულირებაზე (fine-tuning) QLoRA მეთოდის გამოყენებით. მიზანია, მივაღწიოთ 10 GB-ზე ნაკლებ VRAM მოხმარებას ერთ GPU-ზე, რაც ხელმისაწვდომს გახდის ამ პროცესს სამომხმარებლო აპარატურაზე. განიხილება ისეთი ტექნიკები, როგორიცაა 8-ბიტიანი AdamW ოპტიმიზატორი, გრადიენტის შემოწმება (gradient checkpointing) და ლატენტების ქეშირება (cache latents), რათა FLUX.1-dev-მა ალფ
Megatron-LM: დიდი ტრანსფორმერული მოდელების ოპტიმიზებული წვრთნა NVIDIA GPU-ებზე
ეს სტატია განიხილავს Megatron-LM-ს, NVIDIA-ს მძლავრ ფრეიმვორკს დიდი ტრანსფორმერული მოდელების წინა-წვრთნისთვის. მიუხედავად იმისა, რომ ის დამწყებთათვის შეიძლება რთული იყოს, Megatron-LM უაღრესად ოპტიმიზებულია GPU-ებზე წვრთნისთვის და გვთავაზობს მნიშვნელოვან აჩქარებას ისეთი მექანიზმების წყალობით, როგორიცაა ეფექტური DataLoader, Kernel Fusion და Fused AdamW. სტატიაში მოცემულია დეტალური გზამკვლევი GPT2 მოდელის წვრთნისთვის, მათ შორის გარემოს დაყენება, მონაცემთა წინასწარი დამუშავება და წვრთნის პარამეტრები