Мы написали обо всем, что вам нужно знать для обучения LLM (технология, лежащая в основе ChatGPT).

Большие языковые модели, такие как GPT-4 от OpenAI или PaLM от Google, штурмом захватили мир искусственного интеллекта. Тем не менее, большинство компаний в настоящее время не имеют возможности обучать эти модели и полностью полагаются лишь на горстку крупных технологических фирм как на поставщиков технологий.

В Replit мы вложили значительные средства в инфраструктуру, необходимую для обучения наших собственных больших языковых моделей с нуля.
https://blog.replit.com/llm-training

Bark: приложение для клонирования голоса с помощью искусственного интеллекта и текстовое генеративное аудио.

Bark может генерировать очень реалистичную многоязычную речь, а также другие аудиофайлы, включая музыку, фоновый шум и простые звуковые эффекты. Модель также может производить невербальные коммуникации, такие как смех, вздохи и плач.
https://github.com/serp-ai/bark-with-voice-clone

Как использовать ChatGPT — подсказки для специалистов по данным

В этой статье я поделюсь некоторыми полезными и важными подсказками, которые могут использовать специалисты по данным. Мы рассмотрим такие области, как машинное обучение, визуализация данных и многое другое.
https://www.freecodecamp.org/news/how-to-use-chatgpt-for-data-scientists/

Автоматическое удаление объектов с изображений — сложная задача, требующая сочетания компьютерного зрения и методов глубокого обучения. Этот код использует возможности рисования OpenCV, восстановления изображений на основе глубокого обучения и методов смешивания для автоматического выполнения этой задачи без необходимости подсказок пользователя.

https://github.com/vijishmadhavan/UnpromptedControl

Adaptive — это библиотека Python с открытым исходным кодом, которая упрощает вычисления адаптивных параллельных функций. Вместо того, чтобы вычислять все точки в плотной сетке, он разумно выбирает «лучшие» точки в пространстве параметров на основе предоставленной вами функции и границ.
https://github.com/python-adaptive/adaptive/

Понимание больших языковых моделей

Срез самой актуальной литературы, чтобы быть в курсе
https://magazine.sebastianraschka.com/p/understanding-large-language-models

Крис Латтнер из LLVM и Swift только что объявил о новом языке программирования для ML, который отличается высокой производительностью и обратной совместимостью с Python (работает с библиотеками Python). Может изменить правила игры.

https://docs.modular.com/mojo/why-mojo.html

Как я превратил документы своей компании в базу данных с возможностью поиска с помощью OpenAI

И как вы можете сделать то же самое с вашими документами
https://towardsdatascience.com/how-i-turned-my-companys-docs-into-a-searchable-database-with-openai-4f2d34bd8736

Очень нежное введение в большие языковые модели без шумихи

Эта статья предназначена для того, чтобы дать людям, не имеющим знаний в области информатики, некоторое представление о том, как работают ChatGPT и аналогичные системы искусственного интеллекта (GPT-3, GPT-4, Bing Chat, Bard и т. д.). https://shly.link/yCvEX

Hugging Face выпускает новаторского агента-трансформера

Агент Transformers предоставляет API-интерфейс естественного языка поверх трансформаторов с набором специально подобранных инструментов и агентом, предназначенным для интерпретации естественного языка и использования этих инструментов.
https://huggingface.co/docs/transformers/transformers_agents

60 подсказок ChatGPT для науки о данных (опробовано, проверено и оценено)

Автоматизируйте задачи обработки данных с помощью ChatGPT

Я оценил 60 функций ChatGPT для Data Science. Используйте эти подсказки и попросите ChatGPT написать и объяснить код, оптимизировать код обработки данных. Он также может объяснять концепции науки о данных, предлагать идеи и устранять проблемы.
https://medium.datadriveninvestor.com/60-chatgpt-prompts-for-data-science-tried-tested-and-rated-4994c7e6adb2

Более 200 советов по Python и науке о данных — о Pandas, NumPy, основах ML, Sklearn, Jupyter и многом другом.

Самостоятельная подборка советов по Python и науке о данных, которые помогут вам повысить уровень вашей игры с данными.
https://shly.link/mdmwK1A

Настоящая многопоточность приходит в Python — узнайте, как вы можете ее использовать прямо сейчас

Настоящий многоядерный параллелизм появится в Python в версии 3.12, и вот как вы можете использовать его прямо сейчас, используя API субинтерпретатора.
https://betterprogramming.pub/real-multithreading-is-coming-to-python-learn-how-you-can-use-it-now-90dd7fb81bdf

Язык запросов для программирования (больших) языковых моделей.

LMQL — это язык запросов для больших языковых моделей (LLM). Это облегчает взаимодействие LLM, сочетая преимущества подсказок на естественном языке с выразительностью Python. С помощью всего нескольких строк кода LMQL пользователи могут создавать расширенные, состоящие из нескольких частей и дополненные инструментами запросы LM, которые затем оптимизируются средой выполнения LMQL для эффективного выполнения в рамках цикла декодирования LM.

https://github.com/eth-sri/lmql

Как повысить эффективность выдачи кредитов с помощью Process Mining?

Об этом вы узнаете на вебинаре Инфомаксимум и Россельхозбанка «Process Mining в банках: анализ кредитных процессов», который состоится 18 мая в 16:00.

Программа:
◼️ Активная бизнес-аналитика с Proceset
Как система выявляет проблемные зоны и отклонения в процессах, обнаруживает точки оптимизации;

◼️ Анализ кредитных процессов в Россельхозбанке
Как банк смог обнаружить упущенную выгоду благодаря детальному анализу процесса с помощью технологий Process Mining и Task Mining;

◼️ Сессия «Вопрос – ответ»

Участие бесплатное, регистрируйтесь по ссылке.
Больше о системе Proceset можно узнать в телеграм-канале: самые актуальные кейсы, новости, обновления.

Машинное обучение с нуля в Python — полный курс с 12 алгоритмами

В этом курсе мы реализуем самые популярные алгоритмы машинного обучения с нуля, используя только Python и NumPy.
https://www.youtube.com/watch?v=rLOyrWV8gmA

Руководство позволяет вам управлять современными языковыми моделями более эффективно и действенно, чем традиционные подсказки или цепочки. Программы управления позволяют чередовать генерацию, подсказки и логическое управление в единый непрерывный поток, соответствующий тому, как языковая модель фактически обрабатывает текст.

https://github.com/microsoft/guidance

Стоимость языковых моделей для одних языков в 10 раз выше, чем для других

Этот процесс токенизации неодинаков для разных языков, что приводит к несоответствию количества токенов, созданных для эквивалентных выражений на разных языках. Например, для предложения на бирманском или амхарском языке может потребоваться в 10 раз больше токенов, чем для аналогичного сообщения на английском языке.

https://blog.yenniejun.com/p/all-languages-are-not-created-tokenized

Тайпи превращает данные и алгоритмы искусственного интеллекта в полноценные веб-приложения в кратчайшие сроки.

https://github.com/Avaiga/taipy