19 articles
OpenAI développe des techniques pour que les modèles expriment leur incertitude en langage naturel plutôt que par des scores de confiance. L'approche améliore la fiabilité et la transparence des réponses du modèle.
Graphcore et Hugging Face lancent une nouvelle gamme de transformers optimisés pour les IPU (Intelligent Processing Units). Ces modèles sont pré-entraînés et prêts à l'emploi sur l'infrastructure Graphcore, facilitant le déploiement en production.
Hugging Face ajoute les Pull Requests et Discussions à sa plateforme. Ces fonctionnalités permettent aux utilisateurs de collaborer sur les modèles, datasets et espaces, facilitant les contributions communautaires et les retours itératifs.
Codex alimente désormais 70 applications différentes via l'API OpenAI, couvrant des cas d'usage variés en génération de code.
Hugging Face présente TAPEX, une méthode de pré-entraînement efficace pour les modèles de compréhension de tableaux sans données réelles. La technique utilise la synthèse de données et l'apprentissage par renforcement pour améliorer les performances sur les tâches de question-réponse sur tableaux.
Deuxième partie d'une introduction au Q-Learning. Couvre les algorithmes d'apprentissage par renforcement, les mécanismes de mise à jour des valeurs Q et les applications pratiques.
Sempre Health utilise le programme Expert Acceleration de Hugging Face pour accélérer son roadmap ML. L'entreprise bénéficie d'expertise technique et de ressources pour déployer des modèles en production plus rapidement.
Hugging Face intègre les principes éthiques au cœur de son cycle de recherche. L'approche couvre l'évaluation des modèles, la documentation des données et la transparence des limitations. L'objectif est d'aligner la recherche IA sur des valeurs de responsabilité et d'inclusivité.
OpenAI élargit l'accès à DALL·E 2 en ajoutant 1 000 nouveaux utilisateurs par semaine. Les utilisateurs actuels ont généré plus de 3 millions d'images et contribué à améliorer les processus de sécurité.
Introduction aux fondamentaux du Q-Learning, algorithme d'apprentissage par renforcement. Explique les concepts clés et les mécanismes d'apprentissage itératif pour l'optimisation de politiques d'agents.
Hugging Face lance un programme de fellowship pour soutenir les chercheurs et développeurs travaillant sur des projets IA open-source. Le programme offre des ressources, un mentorat et une visibilité communautaire aux participants sélectionnés.
Gradio 3.0 est lancé. La plateforme de création d'interfaces web pour modèles ML introduit une nouvelle architecture, des composants redessinés et des performances améliorées pour déployer rapidement des applications IA.
Hugging Face publie la deuxième partie d'une série sur les insights en ML, focalisée sur le modèle SaaS. L'article explore les tendances, défis et opportunités pour les entreprises utilisant le machine learning en tant que service.
Hugging Face lance un appel à candidatures pour son programme Student Ambassador. Les étudiants intéressés peuvent postuler pour représenter la communauté open-source IA et promouvoir les outils Hugging Face dans leurs établissements.
Hugging Face présente des optimisations d'inférence via Optimum et Transformers Pipelines, réduisant latence et consommation mémoire pour les modèles de langage en production.
Hugging Face lève 100 millions de dollars pour accélérer le développement du machine learning open-source et collaboratif. Le financement soutient l'expansion de sa plateforme, ses modèles et ses outils d'infrastructure.
fastai rejoint le Hub Hugging Face. La plateforme d'apprentissage automatique populaire intègre son écosystème à l'infrastructure Hugging Face pour faciliter le partage de modèles et de datasets.
Hugging Face publie un guide introductif sur l'apprentissage par renforcement profond (DRL). L'article couvre les concepts fondamentaux, les algorithmes clés et les applications pratiques du DRL dans l'IA moderne.
Hugging Face publie un guide sur l'utilisation de PyTorch Fully Sharded Data Parallel (FSDP) pour accélérer l'entraînement de grands modèles. FSDP distribue les paramètres du modèle sur plusieurs GPUs, réduisant la mémoire par device et améliorant la scalabilité.