論文の概要: AutoNLU: An On-demand Cloud-based Natural Language Understanding System for Enterprises

• arxiv url: http://arxiv.org/abs/2011.13470v1
• Date: Thu, 26 Nov 2020 20:51:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 08:21:14.389206
• Title: AutoNLU: An On-demand Cloud-based Natural Language Understanding System for Enterprises
• Title（参考訳）: AutoNLU: 企業のオンデマンドクラウドベースの自然言語理解システム
• Authors: Nham Le, Tuan Lai, Trung Bui and Doo Soon Kim
• Abstract要約: Photoshopの様々な画像編集要求を処理するための実用的NLUモデルを構築した。 2つの公開ベンチマークで最先端の結果が得られる強力なキーフレーズ抽出モデルを構築した。 どちらの場合でも、エンドユーザは、データセットをAutoNLUが使用する共通フォーマットに変換するために、少量のコードを書くだけで済みます。
• 参考スコア（独自算出の注目度）: 21.25334903155791
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the renaissance of deep learning, neural networks have achieved promising results on many natural language understanding (NLU) tasks. Even though the source codes of many neural network models are publicly available, there is still a large gap from open-sourced models to solving real-world problems in enterprises. Therefore, to fill this gap, we introduce AutoNLU, an on-demand cloud-based system with an easy-to-use interface that covers all common use-cases and steps in developing an NLU model. AutoNLU has supported many product teams within Adobe with different use-cases and datasets, quickly delivering them working models. To demonstrate the effectiveness of AutoNLU, we present two case studies. i) We build a practical NLU model for handling various image-editing requests in Photoshop. ii) We build powerful keyphrase extraction models that achieve state-of-the-art results on two public benchmarks. In both cases, end users only need to write a small amount of code to convert their datasets into a common format used by AutoNLU.
• Abstract（参考訳）: ディープラーニングのルネッサンスにより、ニューラルネットワークは多くの自然言語理解(NLU)タスクにおいて有望な結果を得た。 多くのニューラルネットワークモデルのソースコードが公開されているが、オープンソースモデルから企業における現実的な問題を解決するための大きなギャップがある。 そこで我々は,このギャップを埋めるために,nluモデル開発における一般的なユースケースとステップをすべてカバーした,使いやすいインターフェースを備えたオンデマンドクラウドベースシステムであるautonluを紹介する。 AutoNLUはさまざまなユースケースとデータセットを使ってAdobe内の多くの製品チームをサポートし、迅速に動作するモデルを提供する。 AutoNLUの有効性を示すために,2つのケーススタディを提案する。 i)Photoshopの様々な画像編集要求を処理するための実用的NLUモデルを構築した。 二) 2つの公開ベンチマークで最新の結果を得る強力なキーフレーズ抽出モデルを構築した。 どちらの場合でも、エンドユーザはデータセットをAutoNLUが使用する共通フォーマットに変換するために、少量のコードを書くだけでよい。

関連論文リスト

• NVLM: Open Frontier-Class Multimodal LLMs [64.00053046838225]
  NVLM 1.0は、フロンティアクラスのマルチモーダル言語モデル(LLM)のファミリーであり、視覚言語タスクの最先端結果を実現する。 トレーニング効率とマルチモーダル推論能力を両立させる新しいアーキテクチャを提案する。 我々は、NVLM-1.0モデルのための生産級マルチモーダリティを開発し、視覚言語タスクに優れる。
  論文  参考訳（メタデータ） (2024-09-17T17:59:06Z)
• Prompt2Model: Generating Deployable Models from Natural Language Instructions [74.19816829003729]
  大規模言語モデル(LLM)により、システムビルダーはプロンプトによって有能なNLPシステムを作成することができる。 言い換えれば、LSMは従来の特殊目的のNLPモデルとは逆のステップである。 本稿では,LLMに提供されるプロンプトのように自然言語によるタスク記述を行う汎用手法であるPrompt2Modelを提案する。
  論文  参考訳（メタデータ） (2023-08-23T17:28:21Z)
• SeqGPT: An Out-of-the-box Large Language Model for Open Domain Sequence Understanding [103.34092301324425]
  大規模言語モデル(LLM)は、オープンドメインのNLPタスクに顕著な能力を示している。 本稿では、オープンドメインの自然言語理解に特化して強化された、バイリンガル(英語と中国語)のオープンソース自己回帰モデルSeqGPTを提案する。
  論文  参考訳（メタデータ） (2023-08-21T07:31:19Z)
• LLMatic: Neural Architecture Search via Large Language Models and Quality Diversity Optimization [4.951599300340954]
  大きな言語モデル(LLM)は、幅広いタスクをこなせる強力なツールとして登場した。 本稿では、LLMの符号化機能を用いて、ニューラルネットワークを定義するコードに意味のあるバリエーションを導入することを提案する。 本稿では,LLMのコード生成能力とQDソリューションの多様性と堅牢性を融合させることで,ニューラルネットワーク探索(NAS)アルゴリズムであるtextttLLMaticを導入する。
  論文  参考訳（メタデータ） (2023-06-01T19:33:21Z)
• OTOV2: Automatic, Generic, User-Friendly [39.828644638174225]
  そこで本研究では,まず,一から1回だけ一般DNNを訓練・圧縮する「OTOv2」を提案する。 OTOv2は、さまざまなディープラーニングアプリケーションに自動でプラグイン可能であり、ユーザによるほとんど最小限のエンジニアリング作業を必要とする。 数値的には,VGG,ResNet,CARN,ConvNeXt,DenseNet,StackedUnetsなど,さまざまなモデルアーキテクチャ上でのOTOv2の汎用性と自律性を示す。
  論文  参考訳（メタデータ） (2023-03-13T05:13:47Z)
• NLU++: A Multi-Label, Slot-Rich, Generalisable Dataset for Natural Language Understanding in Task-Oriented Dialogue [53.54788957697192]
  NLU++はタスク指向対話(ToD)システムにおける自然言語理解(NLU)のための新しいデータセットである。 NLU++は2つのドメイン(BANKINGとHOTELS)に分割されており、現在一般的に使用されているNLUデータセットよりもいくつかの重要な改善が行われている。
  論文  参考訳（メタデータ） (2022-04-27T16:00:23Z)
• Towards More Robust Natural Language Understanding [0.0]
  自然言語理解(NLU)は自然言語処理(NLP)の分野である 近年、深層学習技術を用いた様々なNLUタスクが目覚ましい進歩を遂げている。 自然言語を理解する人間の能力は柔軟で堅牢です。
  論文  参考訳（メタデータ） (2021-12-01T17:27:19Z)
• CLUES: Few-Shot Learning Evaluation in Natural Language Understanding [81.63968985419982]
  我々は,NLUモデルの少数ショット学習能力を評価するためのベンチマークであるCLUESを紹介する。 近年のモデルでは,大量のラベル付きデータにアクセスすると人的パフォーマンスが向上するが,ほとんどのタスクにおいて数ショット設定では,パフォーマンスに大きなギャップが生じることが実証された。
  論文  参考訳（メタデータ） (2021-11-04T00:43:15Z)
• Auto-Split: A General Framework of Collaborative Edge-Cloud AI [49.750972428032355]
  本稿では,Huawei Cloudのエッジクラウド共同プロトタイプであるAuto-Splitの技法と技術実践について述べる。 私たちの知る限りでは、Deep Neural Network(DNN)分割機能を提供する既存の産業製品はありません。
  論文  参考訳（メタデータ） (2021-08-30T08:03:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。