本文へ移動

#データ・学習

今日 0 件

10月23日

金曜日
  1. Amazon SageMaker AI、訓練セッションAPIを発表 GPU管理なしで独自の訓練ループを記述可能

    Amazon SageMaker AIの訓練セッションAPIは、抽象化の層を訓練操作まで下げるものだ。開発者はローカルのPythonで訓練ループを書き、forward_backward、optim_step、sampleなどの呼び出しでマネージドGPU上で実行する。モデルとLoRAの読み込み、分散実行、障害復旧、チェックポイント保存はサービス側が担う。

  2. AWS、SageMaker AIでGPU管理不要のモデルカスタマイズ向けトレーニングセッションを提供開始

    AWSは、SageMaker AIのサーバーレスモデルカスタマイズにおけるトレーニングセッションが正式に利用可能になったと発表した。ユーザーはカスタム損失関数や報酬シグナルを含むトレーニングループを自ら記述・調整でき、GPUの割り当て、分散実行、障害復旧、チェックポイントの保存はプラットフォームが担う。

10月22日

木曜日
  1. NVIDIA、AIファクトリー向けエンドツーエンド可観測性を実現するMinervaを発表

    NVIDIAはAIOpsプラットフォーム「Minerva」を発表した。インフラとAIワークロードのテレメトリデータを集約し、専用AIモデルでデータを実行可能な洞察に変換する。GPU、SuperNIC、スイッチ、ストレージ、スケジューラ、ジョブをまたぐ動的ナレッジグラフを構築し、毎時数十億のデータポイントを分析。大量のアラートを根本原因付きの単一イベントに集約できる。

  2. IBM Granite時系列モデルのアンサンブル予測:4アーキテクチャを組み合わせ、再学習不要

    IBMはHugging FaceでGranite Timeseries Ensembleを公開した。PatchTST-FM-r1、PatchTST-FM-r2、FlowState-r1.1、TTM-r3の4つの事前学習済みGranite時系列モデルを統一的な予測インターフェースに組み合わせたもので、再学習もアンサンブル重みの fitting も不要だ。

  3. U.S. Hunger、Amazon Quickで経営陣とデータをつなぐ

    米国の非営利団体U.S. HungerはAmazon Quickを活用し、経営陣が組織のデータを直接探索できるようにした。SQL Serverのデータは毎晩2時にSPICEインメモリエンジンへ更新される。Quick Spacesは経営チームに共有のKPI定義、財務文書、分析スペースを提供し、現在17名の同僚がアクセス権を持ち、経営幹部、技術、Full Cartプロジェクト、財務、コンプライアンスなどの職能をカバーしている。

  4. TorchNeuron の性能プロファイリング(1):AWS Trainium でのシステムレベル性能分析

    Hugging Face のブログが「Profiling TorchNeuron」シリーズの第1回を公開した。AWS Trainium 上で torch.profiler を NeuronConfig および NeuronProfiler と組み合わせてクリーンな trace を取得し、key_averages() テーブルから Neuron デバイス時間を消費する演算子を特定する方法を解説している。

  5. NVIDIA、学習不要で予測できる関係型基盤モデル「Kumo Relational」を発表

    NVIDIAは事前学習済みの関係型基盤モデル「Kumo Relational」を発表した。企業データベース上で解約、需要、不正などの予測を直接行え、1回のフォワードパスで完了する。タスク固有の学習や特徴量エンジニアリング、テーブルのフラット化は不要だ。

10月21日

水曜日
  1. Amazon SageMaker HyperPodでGPT-OSS-20Bを微調整し多言語推論を実現

    GPT-OSS-20Bは50例の多言語推論テストで、目標言語で推論したのはわずか22%だった(英語100%、フランス語0%、ドイツ語10%、スペイン語0%、イタリア語0%)。チームはAmazon SageMaker HyperPod上でLoRAを用い、SFTとGRPOを組み合わせて微調整し、英語への偏りを是正した。結論として、SFTが主な役割を担い、GRPOは改善の余地がある場合にさらに最適化するもので、技術の選択は能力の差に合わせる必要がある。

10月20日

火曜日
  1. Hugging Face、TorchNeuronを公開 AWS Trainiumでのモデル実行を簡素化

    Hugging Faceは、AWS Trainium上でPyTorchを動かすためのネイティブバックエンドTorchNeuronを発表した。Transformers、Diffusers、Kernelsがネイティブにサポートし、10月20日から公開ベータとして提供を開始する。pip install torch-neuronxでインストールできる。

  2. Amazon SageMaker JumpStart 2026年回顧:100以上のモデルを追加、30社のプロバイダーに対応

    Amazon SageMaker JumpStartは2026年1月から9月にかけて100以上のモデルを追加し、30社のプロバイダーに対応した。うちAlibaba(Qwen)が29モデル、NVIDIAが17モデルを提供し、Cosmos3世界基盤モデルシリーズやNemotronシリーズを含む。Mistral、Google、IBM、Cohereはそれぞれ7、6、4、4モデルを追加した。

10月17日

土曜日
  1. Google Research、AIエージェントがウェットラボ実験を閉ループで駆動するVERIDフレームワークを提案

    Google Researchは研究ブログを公開し、AIエージェントがウェットラボ実験を閉ループで進めるための3つの進展を紹介した。VERIDフレームワークは実験台の意味的デジタルツインを構築し、リアルタイムの3D状態追跡、仮想予行演習、ハードウェア安全チェック、映像による動作ログの同期を可能にする。

10月16日

金曜日
  1. NVIDIAとAI4Bharat、2.8兆トークンのインド語言語コーパスとオープンなデータ生成パイプラインを公開

    NVIDIAはIIT MadrasのAI4Bharatラボと共同でNemotron-pretraining-Indic-v1を公開した。約2.8兆トークンで22のインド言語をカバーし、うち2,601.0億が現地文字トークン、224.6億がローマ字化トークン。カウントにはGemma-4トークナイザーを使用。

10月15日

木曜日
  1. Mistral、時系列基盤モデルTimestralを公開 209Mパラメータで三大ベンチマーク首位

    Mistralは初の時系列基盤モデルシリーズTimestralを公開した。5M、28M、123M、209Mの4サイズを用意し、最大モデルは209MパラメータでGIFT-Eval、TIME、fev-benchの3つの公開ベンチマークで首位。パラメータ数は前世代SOTAの3分の2にとどまる。

10月13日

火曜日
  1. MicrosoftのStudentSim:個別化した学生シミュレーターで実学習者の前にAIチューターを評価・改善

    Microsoft Researchは、公開された匿名化済みの学習記録から個別化されたAI学生シミュレーターを訓練する研究システム「StudentSim」を発表した。AIチューターが実学習者に触れる前にフィードバックを得られるようにするもの。行動の忠実度とチューターへの応答性という2つの軸でシミュレーターを評価するベンチマーク「StudentSimEval」も提案し、チェス、第二言語としての英語ライティング、数学の3領域で主要なベースラインを上回った。StudentSimは製品ではなく、教室に配備されることも、教師を代替することもない。

10月9日

金曜日

10月8日

木曜日
  1. Microsoft Research、Agent Lightning v1.0をオープンソース化:約3500行の軽量エージェントRLフレームワーク

    Microsoft Researchは、約3500行のコードで構成される軽量なエージェント強化学習フレームワーク「Agent Lightning v1.0」をオープンソース化した。Harnessed Agentic RLパラダイムを中心に再構築され、デプロイ時に使用するagent harnessをそのまま訓練に参加させることができ、訓練フレームワーク内でエージェントを再実装する必要がない。

10月7日

水曜日
  1. Nemotron を微調整し IOI 2026 と IMO 2026 でそろって金メダル水準に

    NVIDIA のチームは Nemotron 3 を出発点に、SFT、RL、フィードバック駆動の推論フローを用いて、モデルを IOI 2026 と IMO 2026 の両方で金メダル水準に到達させた。IOI 2026 では Nemotron-3-Ultra-CC が 535.4/600 を記録し、金メダルラインの 361.12 と人間の最高得点 498.27 を上回った。IMO 2026 ではシステムが 30/42 を獲得し、公式の金メダルライン 29 を上回り、6 問のうち 4 問で満点を取った。

  2. Amazon SageMaker HyperPod の管理とガバナンスのベストプラクティス

    AWS が Amazon SageMaker HyperPod の管理とガバナンスのベストプラクティスを公開した。組織、プロジェクト、クラスタ、ワークロードの4層の制御モデルを提示し、複数チームが加速コンピューティングクラスタを共有する際の権限と容量の区分けに用いる。

10月6日

火曜日
  1. Google Earth AIのPDFM、世界の公衆衛生に向けた惑星規模の地理空間基盤モデルをどう実現するか

    Google Researchは、Google Earth AIのPopulation Dynamics Foundation Model(PDFM)を概念実証として用い、自己教師あり事前学習による「場所」の埋め込みベクトルを既存の疫学ワークフローに直接組み込む手法を示した。タスク固有の微調整なしで、従来の入力と同等以上の性能を達成できるという。

  2. Falcon-Emirati-7B:LLM にアラブ首長国連邦の方言、文化、語感を学ばせる

    Falcon-Emirati-7B が公開された。Falcon-H1-Arabic をベースに構築された 7B の方言特化モデルで、アラブ首長国連邦のアラビア語の理解と生成に特化している。Falcon-H1 のハイブリッドアーキテクチャ(Mamba と Transformer アテンションの並列)を踏襲し、実際の方言ウェブデータ、MSA の文化コーパス、用語集に制約された合成データで訓練されている。

10月2日

金曜日
  1. AutoSynthData:企業の AI エージェント向けに訓練データを生成

    ServiceNow CoreAI は AutoSynthData を構築した。対象モデルの失敗事例と、より強力な教師モデルの成功軌跡を利用して能力のギャップを特定し、後訓練用の新しいタスクを生成・検証する。カリキュラムはモデルの進歩に応じて、依然として難しいタスクへと動的に移行する。このパイプラインは EnterpriseOps Gym 環境で実演され、タスクはシステム仕様、ユーザープロンプト、検証器の三つで構成され、実現可能性、現実性、難易度の要件を満たす必要がある。

  2. Amazon Quick が Live Data in Apps を発表:AI が構築したアプリがガバナンス済みデータセットをリアルタイム照会

    Amazon Quick は、AI が構築した Quick Apps 向けに Live Data in Apps を発表した。アプリを開くたびにガバナンス済みの Quick Sight データセットをリアルタイムで照会し、構築時の静的スナップショットに依存しなくなる。SPICE と Direct Query の両データセットモードに対応し、照会は閲覧者の権限で実行され、既存の行レベル・列レベルのセキュリティルールが自動的に適用される。各閲覧者は初回利用時にデータセットごとの個別認可が必要で、匿名・公開アクセスには対応しない。

  3. uniopen が Amazon Nova 2 Lite で小売向け審査ポリシーをカスタマイズし本番環境に展開する方法

    uniopen は Amazon SageMaker AI で Amazon Nova 2 Lite を教師ありファインチューニングし、プロンプトレベルの出力最適化も行うことで、自社の小売審査ポリシーに適合させた。このポリシーは九種類の行為と、ブランド・その他・禁止という三種類の対象の二軸で分類される。ファインチューニング用データセットには 3391 の対話ウィンドウが含まれ、三種類の構成を 737 の対話ウィンドウからなるホールドアウトテストセットで比較評価した。

  4. Amazon Quick Sight、ダッシュボードのドリルダウンを簡素化する階層フィルターを発表

    Amazon Quick Sightが階層フィルターを発表した。Region、Country、Cityなど複数の関連フィールドを1つのコンパクトなコントロールにまとめ、最大5階層に対応する。読者はRegion → Sub-Region → Country → Cityの経路で段階的にドリルダウンでき、同じコントロール内で異なる階層を混在して選択することも可能だ。この機能はフィルターの数を減らして画面の煩雑さを抑え、読者が地理的な所属を理解できずに戸惑うことを防ぐことを目的としている。

  5. Amazon Payments、Amazon SageMaker AI上の文脈付き多腕バンディットで獲得ファネルのコンバージョンを改善

    Amazon PaymentsはAmazon SageMaker AI上で多目的文脈付き多腕バンディット(LinUCB)を用い、製品獲得ファネル向けのパーソナライズされたコンテンツ選択を実施。7週間のオンラインA/Bテストでは、ある顧客集団で最終ファネルのコンバージョン率が相対で1桁台後半の改善を示した一方、別の集団では改善が見られず、問題はモデルではなくコンテンツにあった。

10月1日

木曜日
  1. AI2、1兆パラメータ規模のMoE向けオープン訓練基盤「Olmo-core 3」を公開

    AI2は、大規模言語モデル開発フレームワークの大幅なアップグレード版「Olmo-core 3」を公開した。オープンなMoE訓練システムを再設計し、計算効率を維持しながらMoE訓練を1兆パラメータ規模へ拡張することを目指す。