株式会社ずんだもん技術室AI放送局

AIやテクノロジーのトレンドを届けるPodcast。平日毎朝6時配信。朝の通勤時間や支度中に情報キャッチアップとして聞いてほしいのだ。

株式会社ずんだもん技術室AI放送局 podcast 20240924

2024年09月24日

MP3ファイルをダウンロード

内容紹介

AIやテクノロジーに関する記事を紹介 Transforming home ownership with Amazon Transcribe Call Analytics, Amazon Comprehend, and Amazon Bedrock: Rocket Mortgage’s journey with AWS Amazon Web Services、Accelerate development of ML workflows with Amazon Q Developer in Amazon SageMaker Studio Amazon Web Services、The Practitioners Guide to the Maximal Update Parameterization、生成AIで英語学習が捗るようになった方法「ドラえもんをテーマにTOEIC500点用の長文を作って。」

出演者

ずんだもん
ずんだもん

関連リンク

米国の最大手住宅ローン会社であるRocket Mortgage社は、AWS上に構築されたAIツール「Rocket Logic – Synopsis」を導入し、顧客とのやり取りと業務効率を大きく改善しました。このツールは、Amazon Transcribe Call Analytics、Amazon Comprehend、Amazon BedrockといったAWSサービスを活用することで、顧客との通話内容を分析し、顧客満足度向上や業務自動化を実現しています。

具体的には、通話内容の自動要約により年間4万時間の業務時間を削減し、初回通話での解決率を10%向上させることで年間2万時間の削減に貢献しました。さらに、AIを活用したIVR(自動音声応答システム)により、70%の顧客がセルフサービスを利用するようになり、顧客体験の向上にも繋がっています。

Rocket Mortgage社は、AWSの導入にあたって「小さく始めて、学び、そして拡大する」というアジャイルなアプローチを採用しました。わずか10日間で3万件のサービスコールに対応するシステムを構築し、その後、運用と銀行業務の領域に拡大しました。

このソリューションの導入によって、Rocket Mortgage社は以下のような成果を上げています。

  • 業務効率の向上: 通話内容の自動転写と感情分析により、年間4万時間の業務時間削減が見込まれています。
  • 顧客体験の向上: AIを活用したIVRにより、70%の顧客がセルフサービスを利用するようになりました。
  • 初回通話での解決率の向上: 初回通話での解決率が10%向上し、年間2万時間の業務時間削減に貢献しています。

Rocket Mortgage社は、今後、Rocket Logic – Synopsisをさらに進化させ、高度な予測分析、オムニチャネル対応、顧客嗜好のトラッキング、パーソナライズされた顧客体験の実現を目指しています。

本事例は、AIとクラウド技術を活用して顧客サービスを向上させ、業務を効率化するビジネスにとって貴重な示唆を与えてくれます。AWSサービスを活用することで、顧客とのやり取りと業務プロセスを迅速かつスケーラブルに変革できることを示しています。

引用元: https://aws.amazon.com/blogs/machine-learning/transforming-home-ownership-with-amazon-transcribe-call-analytics-amazon-comprehend-and-amazon-bedrock-rocket-mortgages-journey-with-aws/

Amazon SageMaker Studioに統合された生成AIアシスタント「Amazon Q Developer」は、機械学習(ML)ワークフローの開発を加速させるためのツールです。データ収集からモデル構築、デプロイ、メンテナンスまで、複雑なMLプロジェクトの様々な段階で、自然言語を用いたコード生成、ステップバイステップのガイダンス、エラーのトラブルシューティングなどを提供します。

Amazon Q Developerの主な機能

  • SageMaker Studioとの統合: SageMaker StudioのJupyterLabノートブックから直接使用できます。
  • 自然言語によるアシスタント: 自然言語で質問することで、コード生成やツール推薦、トラブルシューティングの支援を受けられます。
  • コードのインラインサジェスチョン: コードを記述中に、コンテキストに応じたコードの提案を受けられます。
  • チャット機能: MLプロジェクトの計画策定や、特定のタスクのためのコード生成、既存コードの説明などを依頼できます。

利用方法

Amazon Q Developerは、AWS Identity and Access Management (IAM)とAWS IAM Identity Centerのユーザーが利用できます。Pro TierとFree Tierがあり、それぞれ機能と料金が異なります。Pro Tierは、無制限のチャットとインラインコードサジェスチョンを提供します。Free Tierは、SageMakerサービスロールに関連するポリシーを追加することで利用できます。

データポリシー

Amazon Q Developerは、お客様のコンテンツをサービス改善のために利用することはありません。ただし、IDEレベルのテレメトリ共有では、サービスの利用状況(質問数、提案の採否など)が追跡される場合があります。この情報は、IPアドレスなどの個人情報や顧客コンテンツを含みません。テレメトリ共有をオプトアウトする方法は、SageMaker Studioの設定から行えます。また、管理者はライフサイクル構成スクリプトを使用して、デフォルトで全ユーザーのデータ共有を無効にすることも可能です。

まとめ

Amazon Q Developerは、データサイエンティストやMLエンジニアがMLワークフローを効率化し、開発時間を短縮するのに役立ちます。SageMaker Studioで利用可能で、Pro TierとFree Tierが用意されています。

引用元: https://aws.amazon.com/blogs/machine-learning/accelerate-development-of-ml-workflows-with-amazon-q-developer-in-amazon-sagemaker-studio/

EleutherAIとCerebrasによる共同プロジェクトであるμP(Maximal Update Parameterization)の実装ガイドを紹介します。μPは、ニューラルネットワークのトレーニングにおいて、モデル規模にわたって安定したハイパーパラメータを実現し、調整コストを削減、大規模なトレーニングの安定性を向上させる利点を持つ手法です。

μPを利用するメリット

従来の標準的なパラメータ化(SP)と比較して、μPは以下の4つの利点があります。

  1. μTransferによるモデル規模にわたる最適なハイパーパラメータの安定化: SPでは、モデルの幅が変化すると最適なハイパーパラメータも変化しますが、μPはネットワークを再パラメータ化することで、最適なハイパーパラメータを安定化させます。これにより、SPモデルで必要となる手動による調整作業を自動化できます。
  2. 大規模モデルにおける損失の改善: モデルサイズが大きくなると、ハイパーパラメータの探索がより高コストになるため、最適化されていない大規模モデルが作成される可能性があります。μPでは、小規模モデルで最適化されたハイパーパラメータを大規模モデルに転送することで、計算コストを抑えながら性能を向上させることができます。
  3. トレーニングの安定化: LLMトレーニングは不安定になりやすいですが、μPはハイパーパラメータ選択による不安定性を排除します。
  4. μTransferによる予測可能なスケーリング: 大規模トレーニングにおいて、μPはSPモデルよりも正確なスケーリング則のフィッティングを実現し、計算リソースとモデル性能の関係をより正確に予測できます。

μPの数学的基礎

μPは、各レイヤーの安定性を維持する不変量を適用することで、トレーニングをスムーズかつ効率的に行うことを目指します。具体的には、活性化値、勾配、重み更新のそれぞれについて、モデルの幅(次元数)の変化に影響されないように制御します。

実装方法

μPを実装するには、Transformerモデルの埋め込み、隠れ層、出力ロジット、Attentionロジットなどに、特定のパラメータ調整を行う必要があります。具体的には、隠れ層の学習率と初期化の分散をモデルの幅でスケールするなど、いくつかの変更を加えます。

検証方法

実装したμPが正しく動作しているかを検証するために、Coordinate Check TestμTransfer Testを行うことができます。Coordinate Check Testは、異なる幅のモデルをトレーニングし、各レイヤーの活性化値の大きさがモデルの幅に依存しないことを確認します。μTransfer Testは、小規模モデルで最適化されたハイパーパラメータを大規模モデルに転送し、その有効性を確認します。

μPの活用

検証が完了したら、μPを大規模トレーニングに活用できます。小規模なプロキシモデルでハイパーパラメータのランダムサーチを行い、その結果を大規模モデルに転送することで、効率的にトレーニングを行うことができます。

本ガイドは、μPの導入を促進し、深層学習研究のレベル向上に貢献することを目的としています。

引用元: https://blog.eleuther.ai/mutransfer/

近年、生成AIを活用した英語学習が注目されています。深津貴之氏の発案では、生成AIに「自分の趣味をテーマにTOEIC500点レベルの長文を作成し、最終的に英語で文献を読めるように導いて」と指示することで、学習効果を高められるとされています。

具体的には、例えば「ドラえもん」をテーマにTOEICレベルの長文を生成AIに作成させ、それを学習するという方法です。これは、馴染みのある内容を英語で読むことで、単語や文法を理解しやすくなるという効果が期待できます。

この方法を実践したユーザーからは、「読める!読めるぞ!」といった喜びの声が多数上がっています。これは、自分が理解している内容を英語で表現することで、英語学習のモチベーションを維持しやすくなることを示唆しています。

生成AIを用いた英語学習は、学習者の興味関心に基づいた教材作成を可能にし、学習効果の向上に貢献すると期待されています。興味のある分野や好きなキャラクターなどを題材にすることで、より効果的に英語学習を進めることができるでしょう。

ポイント

  • 生成AIは、学習者の興味関心に合わせた英語教材を作成するのに役立つ。
  • 馴染みのあるテーマで学習することで、英語学習のモチベーションを維持しやすい。
  • TOEICなどの英語試験対策にも活用できる可能性がある。
  • 生成AIは、英語学習の新しい可能性を切り開くツールになりつつある。

新人エンジニアの方へ 生成AIは、様々な分野で活用が広がっています。英語学習以外にも、プログラミングのコード生成やドキュメント作成など、エンジニアの業務効率化にも役立ちます。ぜひ、今回の事例を参考に、生成AIを自身の業務や学習に活用してみてください。

引用元: https://togetter.com/li/2437797

(株式会社ずんだもんは架空の登場組織です)