Pengantar DataRobot, didukung teknologi NVIDIA—platform AI terkemuka yang terdepan dalam inovasi AI berbasis nilai—mengumumkan akan menyediakan kinerja, keamanan, dan efisiensi kelas dunia di seluruh siklus hidup AI. Manfaatkan layanan mikro NVIDIA NIM, bagian dari NVIDIA AI Enterprise, untuk menerapkan model AI generatif yang telah dikonfigurasi sebelumnya dengan cepat ke cloud, pusat data, dan stasiun kerja. Gunakan layanan mikro penampung model yang telah dibuat sebelumnya di Platform AI DataRobot untuk mencapai kecepatan, keamanan, dan skalabilitas optimal. Layanan mikro ini telah disetel untuk dijalankan di atas perangkat NVIDIA. Gunakan infrastruktur bertenaga GPU di lingkungan apa pun untuk mempercepat penerapan, penggantian, dan pemantauan…

Pendahuluan Program Google for Startups Cloud dan program NVIDIA Inception berkolaborasi untuk meningkatkan akses startup terhadap kredit cloud, dukungan pemasaran, dan keahlian teknis, sehingga mempercepat penyampaian nilai kepada pelanggan. Pengumuman ini disampaikan hari ini di Google Cloud Next ’24 di Las Vegas. Kemitraan Baru untuk Pengembangan AI Generatif Kemitraan baru antara NVIDIA dan Google Cloud akan membantu startup di seluruh dunia dalam mengembangkan aplikasi dan layanan AI generatif dengan lebih cepat. Bergabung dengan NVIDIA Inception merupakan cara yang tepat bagi anggota Program Google for Startups Cloud untuk mengakses berbagai sumber daya, termasuk pengetahuan teknis, kredit pelatihan dari NVIDIA Deep Learning…

Pengantar Model bahasa besar (LLM) sangat berguna untuk tugas-tugas seperti menghasilkan teks atau menjawab pertanyaan. Namun, mereka menghadapi masalah besar: mereka membutuhkan banyak memori untuk bekerja secara efisien. Memori ini menyimpan informasi tentang kata dan frasa yang pernah dilihat model sebelumnya. Ketika model perlu menghasilkan teks baru, ia mencari informasi yang tersimpan ini untuk membantunya mengambil keputusan. Namun, semakin banyak memori yang dibutuhkan model, semakin lambat ia berjalan, dan terkadang bahkan dapat kehabisan memori sama sekali. Kuantifikasi untuk Mengurangi Penggunaan Memori Salah satu cara untuk mengurangi jumlah memori yang dibutuhkan LLM adalah dengan menggunakan kuantifikasi. Kuantifikasi seperti mengompresi informasi sehingga…

LangChain adalah kerangka kerja sumber terbuka yang memungkinkan pengembang membangun aplikasi berbasis LLM dengan mudah. Kerangka kerja ini menyediakan koneksi yang mudah antara LLM dengan sumber data eksternal untuk meningkatkan kemampuan model-model ini dan mencapai hasil yang lebih baik. Kerangka kerja ini banyak digunakan dalam membangun chatbot, generasi yang ditingkatkan dengan pengambilan, dan aplikasi ringkasan dokumen. Artikel ini mencantumkan buku-buku LangChain terbaik yang harus dibaca pada tahun 2024 untuk memperdalam pemahaman tentang topik yang sedang tren ini. Panduan Memulai Cepat untuk Model Bahasa Besar Buku ini memandu cara bekerja dengan, mengintegrasikan, dan menerapkan LLM untuk memecahkan masalah dunia nyata. Buku…

Pengantar Kecerdasan Buatan (AI) Generatif telah muncul sebagai kekuatan transformatif di berbagai bidang, dari seni hingga pembuatan konten. Teknologi inovatif ini memanfaatkan algoritma pembelajaran mesin untuk menghasilkan konten secara mandiri, mulai dari gambar dan musik hingga teks dan video. Dalam beberapa tahun terakhir, AI generatif telah mendapatkan daya tarik yang signifikan karena kemampuannya menghasilkan keluaran yang baru, realistis, dan beragam, merevolusi proses kreatif dan alur pembuatan konten. Aplikasi dalam Seni dan Kreativitas Generative Adversarial Networks (GAN) dalam Seni: GAN memungkinkan pembuatan lukisan yang sangat mirip dengan aslinya, mendorong batas antara seni yang dihasilkan manusia dan mesin. Contoh: Seniman AI Robbie…

Pendahuluan Model bahasa pra-latih (LM) biasanya disetel halus untuk menyesuaikannya dengan domain atau tugas baru, sebuah proses yang dikenal sebagai penyetelan halus. Meskipun penyetelan halus memungkinkan adaptasi ke berbagai fungsi dengan sedikit data dalam domain, hal ini bisa sangat mahal untuk LM yang besar. Metode Penyetelan Halus yang Efisien Parameter (PEFT) Metode PEFT menawarkan solusi dengan memperbarui hanya sebagian kecil bobot, sehingga mengurangi penggunaan memori dan waktu pelatihan. Adaptor, pendekatan PEFT yang umum, mempelajari pengeditan yang dapat ditambahkan ke sebagian bobot model atau beroperasi bersama model dasar yang dibekukan. Kemajuan terbaru seperti LoRA dan variannya mengurangi jumlah parameter yang dapat…

Pendahuluan Munculnya kecerdasan buatan canggih telah memicu perlombaan gila di antara para startup teknologi untuk mengamankan pendanaan dan mendapatkan keuntungan awal dalam apa yang diyakini banyak orang sebagai industri transformatif. Dengan potensi untuk mengganggu berbagai sektor mulai dari kesehatan dan keuangan hingga transportasi dan manufaktur, AI merupakan salah satu perubahan teknologi terbesar sejak munculnya internet dan komputasi seluler. Akibatnya, modal ventura mengalir ke ruang angkasa dengan kecepatan yang belum pernah terjadi sebelumnya karena investor ingin mendukung calon Google atau Amazon AI berikutnya. Pertumbuhan Investasi AI Pada tahun 2022, pendanaan ventura untuk startup AI mencapai rekor $93,5 miliar, hampir dua kali…

Model Bahasa Besar (LLM) dalam Pencarian Model bahasa besar (LLM) banyak digunakan dalam mesin pencari untuk memberikan respons bahasa alami berdasarkan kueri pengguna. Mesin pencari tradisional berfungsi dengan baik dalam mengambil halaman yang relevan tetapi tidak dapat menghitung informasi dan menyajikannya sebagai respons yang koheren. LLM dapat mengatasi ketidakmampuan ini dengan menyusun hasil pencarian ke dalam respons bahasa alami yang secara langsung menjawab kueri spesifik pengguna. Google Search dan Microsoft Bing telah mulai mengintegrasikan antarmuka obrolan yang digerakkan oleh LLM bersama kotak pencarian tradisional mereka. Keterbatasan LLM Namun, sulit untuk menjaga LLM tradisional diperbarui dengan informasi baru karena pengetahuan terbatas…

Pendahuluan Large Language Model (LLM) semakin meluas dari peran tradisionalnya dalam sistem dialog untuk melakukan tugas secara aktif dalam aplikasi dunia nyata. Saat ini, bukan lagi fiksi ilmiah untuk membayangkan bahwa banyak interaksi di internet akan terjadi antara sistem yang didukung LLM. Tantangan dalam Pengerahan LLM Saat ini, manusia memverifikasi keluaran yang dihasilkan LLM untuk kebenaran sebelum implementasi karena kompleksitas pemahaman kode. Interaksi antara agen dan sistem perangkat lunak ini membuka jalan bagi aplikasi inovatif. Misalnya, asisten pribadi yang didukung LLM dapat secara tidak sengaja mengirim email sensitif, menyoroti perlunya mengatasi tantangan kritis dalam desain sistem untuk mencegah kesalahan tersebut.…

Perubahan iklim terus mengancam planet kita dan kehidupan di dalamnya. Integrasi pembelajaran mesin (ML) dan kecerdasan buatan (AI) ke dalam bidang ini menawarkan solusi yang menjanjikan untuk memprediksi dan memitigasi dampaknya secara efektif. Mari kita periksa bagaimana ML berkontribusi untuk memajukan respons kita terhadap tantangan iklim melalui analisis data yang lebih baik, peramalan, efisiensi sistem, dan pengembangan teknologi baru. Analisis Data dan Peramalan yang Ditingkatkan ML menangani sejumlah besar data yang jauh melebihi kapasitas manusia, memfasilitasi prediksi dan analisis yang lebih akurat. Misalnya, algoritma ML menggunakan citra satelit untuk memantau deforestasi atau perubahan pertanian, membantu adaptasi terhadap variabilitas iklim. Aplikasi…