<div class="field field-name-field-news-column-category field-type-taxonomy-term-reference field-label-hidden"><div class="field-items"><div class="field-item even"><a href="/tags/%E6%96%B0%E8%81%9E">新聞</a></div></div></div><div class="field field-name-body field-type-text-with-summary field-label-hidden"><div class="field-items"><div class="field-item even"> <h3><span style="vertical-align: top; color: rgb(0, 0, 255);">重點新聞(0528～0603)</span></h3>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);">NLP </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> GPT-3 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> HyperCLOVA </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>韓文版GPT-3！Naver發布韓文NLP模型HyperCLOVA，懂語言還要懂圖片和影片</strong></span></p>
<p>Line母公司Naver日前在<a href="https://tv.naver.com/ainow">線上發表超級AI平臺HyperCLOVA</a>，號稱是GPT-3等級的韓文版自然語言預訓練模型，可像人腦般理解語言。Naver指出，HyperCLOVA有2,040億參數，比公認是NLP世界標準的GPT-3，還要多出1,750億個參數。參數越多，就越能細緻地辨識語言。</p>
<p>Naver表示，HyperCLOVA的訓練策略很特別，因為HyperCLOVA用了大量資料來訓練模型，「是GPT-3的6,500倍，」而且，這些訓練資料97%是韓文語料。HyperCLOVA可用來開發語言理解相關服務，像是對話、翻譯、句子生成、摘要和機器閱讀等，Naver也補充，由於HyperCLOVA是超大型模型，因此少樣本學習能力佳，只需要少量樣本就能產出良好的結果，適合自動生成行銷短句、課本單元的摘要生成、問答等應用場景。Naver更表示，未來還要讓模型學會多模態任務，也就是不只要懂語言，還要能同時看懂圖片和影片。</p>
<p>Naver會提供HyperCLOVA給想要開發AI服務的企業。從線上會議投影片可看出，Naver將HyperCLOVA應用場景劃分為2種，包括用來產生內容、優化搜尋的HyperCLOVA Explorer，以及用於分析、評估和除錯的HyperCLOVA Studio。<a href="https://www.navercorp.com/promotion/pressReleasesView/30546">（詳全文）</a></p>
<p><img alt="" src="https://s4.itho.me/sites/default/files/images/Screen%20Shot%202021-06-05%20at%2012_46_36%20PM.png" /></p>
<p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Nvidia </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AI開發協作 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Base Command </span></strong></span></p>
<p><span style="font-size: 22px;"><strong>瞄準大規模、多團隊開發需求，Nvidia推出AI開發雲平臺要加速協作</strong></span></p>
<p>Nvidia聯手NetApp推出雲端代管AI開發平臺Base Command，瞄準大規模、多使用者和多團隊的企業開發需求，在平臺上整合了多種Nvidia AI開發工具，像是NGC目錄中的AI分析軟體、MLOps API和Jupyter Notebook等，也結合NetApp的資料管理功能，要加速AI專案從原型到量產的階段。</p>
<p>進一步來說，Base Command提供單一入口，來管理AI開發的各種工作流程，並加速資源分享，比如用戶可透過圖形使用者介面、命令列API和整合式的監控儀表板與報告儀表板，來分享開發狀況。用戶也可透過平臺上的AI工具，來安排工作負載、微調模型或更快得到洞察等。Google Cloud也將於今年在Marketplace中新增對Base Command的支援。</p>
<p>Base Command才按月訂閱制，每月費用為9萬美元起，首波試用區域僅限北美。<a href="https://nvidianews.nvidia.com/news/nvidia-base-command-platform-provides-enterprises-with-fast-path-to-scale-production-ai">（詳全文）</a></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> GPT-3 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 自然語言 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Power Apps </span></strong></span></p>
<p><span style="font-size:22px;"><strong>用自然語言寫程式！微軟把GPT-3嵌入Power Apps</strong></span></p>
<p>微軟日前在自家開發者大會Build上宣布，將可生成語言的大型自然語言預訓練模型GPT-3，嵌入自家開發應用程式Power Apps中，可直接將自然語言轉換為程式碼或公式，加速應用程式的開發。這也是微軟取得GPT-3獨家授權後的第一個商用案例。</p>
<p>不過，Power Apps中，目前只有Power Fx這個功能整合GPT-3。Power Fx是一種從Excel公式衍生而來的低程式碼語言，有了GPT-3加持，使用者不具備寫程式經驗，也能用自然語言輕鬆開發應用程式，比如，使用者可直接在Power Apps中輸入：「告訴我美國客戶中有多少人的訂閱過期了」，這時，系統會在下方跳出相對應的公式，並附上說明，告訴使用者這個公式如何運作。之後，使用者再將公式套用到App上即可。</p>
<p>微軟表示，企業員工也能用它來審查非營利機構的捐贈、管理疫情的出差事項，或減少維護風力渦輪機所需的加班時間。這項新功能，會在今年6月底前針對北美市場提供預覽版，目前僅支援英文。<a href="https://powerapps.microsoft.com/en-us/blog/introducing-power-apps-ideas-ai-powered-assistance-now-helps-anyone-create-apps-using-natural-language/">（詳全文）</a></p>
<p><img alt="" src="https://powerappsblogscdn.azureedge.net/wp-content/uploads/2021/05/GPT-3-GIF-1.gif" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Databricks </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AutoML </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 黑盒子 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>打破黑盒子！Databricks新AutoML工具有Python筆記本</strong></span></p>
<p>由Apache Spark技術團隊所創立的資料科學公司Databricks，發布一款簡化ML開發部署的工具AutoML，可自動化進行預處理、特徵工程，以及模型訓練與調整，用戶能完全以使用者介面來選擇資料集、配置訓練，和部署模型。</p>
<p>但為何直到現在才推出AutoML工具？官方指出，現有許多AutoML工具都是黑盒子，用戶無法切確知道模型訓練的過程和方法，因此當需要特定修改，或受監管稽核時，就更難使用這些工具。Databricks打造的則是一款如「玻璃盒」的AutoML，每個經訓練的模型，都提供Python筆記本，資料科學家可在這些筆記本中，添加或修正單元格，還能利用這些筆記本快速開發，不需要重新編寫一些樣板程式碼。</p>
<p>此外，Databricks AutoML也提供資料分析功能，來提供資料集統計資訊，快速檢查資料集是否適合訓練。另外，也可與追蹤指標和參數API—MLflow整合，用戶可試驗模型，並在Databricks模型註冊表內註冊和提供模型。<a href="https://databricks.com/blog/2021/05/27/introducing-databricks-automl-a-glass-box-approach-to-automating-machine-learning-development.html">（詳全文）</a></p>
<p><img alt="" src="https://databricks.com/wp-content/uploads/2021/05/automl-blog-img-2-1024x714.jpg" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> TPU </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> VM </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 模型訓練 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>Google發表新TPU加速器VM，訓練模型效能更好且成本更低</strong></span></p>
<p>Google發布最新Cloud TPU虛擬機器，用戶可直接存取雲端TPU運算資源，而且，開發者能直接在TPU上使用TensorFlow、PyTorch和JAX等框架進行模型開發和部署。</p>
<p>過去，用戶只能遠端存取Cloud TPU，而且要設置一個或多個虛擬機器，再用gRPC網路來與Cloud TPU主機通訊。但在新的Cloud TPU虛擬機器中，用戶不必這麼做，直接在每臺TPU主機上配置自己的互動式開發環境即可。而且用戶在單一TPU虛擬機器中，就能逐行編寫ML模型並除錯，也能用Cloud TPU Pod來擴展規模，與其他TPU高速互連。Google表示，由於資料不必再透過資料中心的傳遞，模型訓練效率也因此更好。<a href="https://cloud.google.com/blog/products/compute/introducing-cloud-tpu-vms">（詳全文）</a></p>
<p><img alt="" src="https://storage.googleapis.com/gweb-cloudblog-publish/images/New_Cloud_TPU_VM_system_architecture.max-1400x1400.jpg" /></p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">PyTorch </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 模型搬遷 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 臉書 </span></strong></span></p>
<p><span style="font-size:22px;"><strong>統統搬到PyTorch去！臉書揭露自家上千個模型搬遷策略</strong></span></p>
<p>為服務數十億用戶，臉書AI模型每天要推論上兆次，這個不斷增長工作負載量，促使臉書不停改善AI框架，也因此他們決定將所有AI系統搬遷到PyTorch上。</p>
<p>不過搬遷過程複雜，模型要歷經離線、線上測試、訓練、推理和發布以及多項測試，來確保舊框架Caffe2和PyTorch的效能，得花上好幾周才能完成。於是，臉書開發一套內部工作流程和自定義工具，來幫助各團隊決定搬遷的最佳方式，甚至可判斷系統能否不搬遷直接更換。這個工具包括一套內部基準測試，也可比較原始模型和PyTorch模型的效能，解決個團隊最在意的新舊模型效能問題。</p>
<p>經過一年搬遷，現在，PyTorch已是支援臉書所有AI負載的底層平臺，工程師可在數分鐘內，部署好新模型；模型的建立、編寫、測試和除錯也更容易進行。目前，臉書總共有4,000個模型使用PyTorch，而生產環境中則有1,700個PyTorch模型，更有超過93％的新模型（如辨識和分析臉書內容等任務的模型）都在PyTorch上執行。<a href="https://ai.facebook.com/blog/pytorch-builds-the-future-of-ai-and-machine-learning-at-facebook/">（詳全文）</a></p>
<p><img alt="" src="https://scontent.ftpe11-1.fna.fbcdn.net/v/t39.2365-6/191878724_498531288090081_5744132969345603711_n.gif?_nc_cat=102&ccb=1-3&_nc_sid=ad8a9d&_nc_ohc=8h16LcevS-MAX_-p6e-&_nc_ht=scontent.ftpe11-1.fna&oh=bcf7d5f7471fbbfcbae6dc315c8ea4f3&oe=60DED817" /></p>
<p>圖片來源／Naver、Google、微軟、Databricks、臉書</p>
<p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AI趨勢近期新聞 </span></strong></span></p>
<p><strong>1.Amazon Redshift機器學習功能正式推出</strong></p>
<p><strong>2. 特斯拉北美部份車款新車將棄雷達，改用純電腦視覺、AI感測</strong></p>
<p><strong>3. 再見了Token！Google提出Byte等級的改良版Transformer架構</strong></p>
<p>資料來源：iThome整理，2021年6月</p>
</div></div></div>
