Dream Factory

긴 동영상도 그 안의 내용 뿐만 아니라 분위기 등까지 순식간에 파악할 수 있는 길이 열리고 있습니다. 3단계의 압축 기법으로 긴 영상을 중요한 정보만으로 효율적 처리하고, 메모리 사용을 줄이면서 동영상에 대한 분석 및 검색 등을 더욱 빠르고 효율적으로 할 수 있는 길이 현실화되고 있습니다. 기업 뿐만 아니라 이는 개인들에게도 업무나 실생활에서 더욱 편리해진 환경을 제공할 수 있을 것으로 보입니다. 감사합니다. https://youtu.be/yF_l_gOw9KU #longvu #ks경영인공지능연구소 #attention #multimodalai #huggingface #temporalreduction #spatialtokencompression

안녕하세요! 데이터 과학과 머신러닝에 종사하는 여러분에게 흥미로운 소식을 전하려 합니다. 최근 Hugging Face의 데이터셋 페이지에 몇 가지 중요한 기능이 추가되었는데, 이 업데이트로 여러분의 프로젝트에 적합한 데이터셋을 찾는 일이 한결 쉬워질 것입니다. 감사합니다.https://youtu.be/T8QzI8F7kqQ

Florence-2는 Microsoft팀이 개발한 다양한 비전 작업을 처리할 수 있는 강력한 통합 비전 기반 모델입니다. 이를 통해 이미지 캡션 생성, 객체 탐지, 그라운딩, 세분화 등의 작업을 모두 단일 모델로 처리할 수 있습니다. 이에 대하여 알아보고 관련 모델을 여러분과 같이 경험에 보겠습니다. 감사합니다. https://youtu.be/zuQOkXQRRD4?si=VOIQxGYDOH1yzMx6

Hugging Face에서 fine-tuning하는 방법에 대하여 다시 살펴보는 시간을 가져보았습니다.감사합니다. https://youtu.be/jQBgdUcAONA

이번에는 Hugging Face에서 각종 자연어처리, 오디오, 이미지, 멀티모델 모델에서 데이터를 사용함에 있어 데이터 전처리를 하는 방법에 대하여 종합적으로 살펴보고자 합니다. 감사합니다. https://youtu.be/RS5w5-Gq5ak

Hugging Face에 대하여 여러분들과 계속 여행하고 있습니다. 기존 동영상에서도 그렇고 향후 살펴보게 될 주제에서도 허깅페이스를 통해 인공지능 모델을 쉽게 쓸 수 있는 것은 이것을 가능하게 해 준 여러 고마운 기능이 있기 때문입니다. 그 중에 대표적인 것이 바로 AutoClass라는 도구입니다. 이를 통해 우리는 복잡한 인공지능모델을 쉽게 불러다가 쓸 수 있습니다. 이러한 AutoClass에 대하여 같이 살펴보도록 하겠습니다. 감사합니다. https://youtu.be/dR_CHLcjrVc?si=yMA0BAHZHH0JmLN7

Hugging FaceTransformers 라이브러리는 사용자가 특정 목적에 맞춰 기존의 사전 훈련된 모델을 쉽게 수정하고 확장할 수 있도록 지원합니다. 이를 통해 사용자는새로운 모델을 처음부터 전부 구현하지 않고도, 기존 모델의 구조와 가중치를 활용하여 필요한 목표를 달성할 수 있는 맞춤형 모델을 효율적으로 만들 수 있습니다. https://youtu.be/2GYGAfVr6VE

다국어 개체명 인식에 있어 사용하는 벤치마크 데이터세트인 XTREME을 중심으로 살펴봅니다. 감사합니다. 유튜브 영상 https://youtu.be/sMRZUv_4VY0

유튜브 https://youtu.be/glhfZTWfjxE 기존 문제점 (고비용과 높은 사양의 메모리 필요) SDXL(Stable Diffusion XL)은 고품질의 사실적인 콘텐츠 생성을 가능하게 하는 제너레이티브 AI 모델임. 그러나 이 모델을 사용하려면 높은 계산 비용과 메모리 요구 사항에 대응해야 함. SDXL은 이전 버전보다 UNet 컴포넌트가 약 3배 더 크며, 이로 인해 프로덕션 환경에서의 배포가 어려웠음 문제점 해결 - (또 하나의 변화) 2023.10.3일 Google은 Hugging Face Diffusion team의 도움을 받아 Hugging Face Spaces에 초고속 SDXL 추론앱을 출시하였음 - (허깅페이스와 구글 공동 작업으로 해결) 허깅 페이스 디퓨저(Hugging Fa..

트랜스포머에서의 Attention 시각화: BERT를 활용한 실습 1. 트랜스포머와 Attention 트랜스포머는 자연어 처리 분야에서 중요한 아키텍처입니다. 그리고 그 핵심은 'Attention' 메커니즘입니다. Attention은 입력 데이터의 중요한 부분에 '주의'를 기울이게 하는 방법으로, 문장의 다양한 구문적 및 의미적 관계를 동시에 학습할 수 있게 해줍니다. 2. Attention 시각화의 중요성 Attention 메커니즘의 작동 방식을 직관적으로 이해하는 것은 복잡할 수 있습니다. 따라서, 시각화 도구를 사용하여 모델이 어떤 부분에 주의를 기울이는지 직관적으로 파악하는 것이 필요합니다. 3. BERT와 bertviz BERT는 트랜스포머 아키텍처를 기반으로 한 모델로, 다양한 NLP 작업에서..