H100 PCIe GPU Instance

Convertir le langage parlé en texte écrit, faciliter la traduction des communications verbales en données lisibles par des machines.
Grâce à des modèles et des algorithmes spécialisés dans :

• Reconnaissance du locuteur (utilisant la transformée de Fourier rapide (FFT) et un Convnet 1D, comme expliqué par Fabi Badine) ;
• Reconnaissance de l'accent ;
• KWS, détection de mots-clés utilisée par de nombreuses interfaces homme-machine (IHM) comme Alexa ou Siri (exemple : RNN-T sur l'ensemble de données Librispeech).

Génère de nouveaux contenus, tels que des images, du texte, de l'audio et du code. Produisant de manière autonome de nouveaux contenus cohérents, étendant le domaine de contenus générés par l'IA au-delà de la simple réplication ou prédiction.
Avec des modèles et des algorithmes spécialisés dans :

• Génération d'images comme Deep Dream, qui produit des visuels ressemblant à des hallucinations, comme fchollet l'explique ;
• Génération de texte avec des modèles Transformers, également appelés LLMs (Large Language Models) tels que GPT2 ;
• Génération de code.

Permettre aux machines d'interpréter et de comprendre les informations visuelles provenant du monde entier, à l'instar de la vision humaine. Grâce à des modèles et des algorithmes spécialisés dans :

• Classification d'images (en utilisant BigTransfer(BiT) formé sur des ensembles de données publics, ainsi que du code en TF2, Jax et Pytorch, comme expliqué par Sayan Nat) ;
• Segmentation d'images ;
• 3D ;
• OCR (Reconnaissance Optique de Caractères) ;
• Amélioration d'images ;
• Combinaison d'images et de texte ;
• Interprétabilité des modèles de vision ;
• Recherche de similarités entre images.

Prédit et suggère aux utilisateurs des articles qui les intéressent en fonction de leurs préférences et de leurs comportements, ce qui permet d'améliorer les recommandations personnalisées et la prise de décision dans diverses applications.
En utilisant, par exemple, le modèle de recommandation Deep Learning Recommendation Model v2 (DLRMv2) qui utilise la couche croisée DCNv2 et un ensemble de données multi-hot synthétisé à partir de l'ensemble de données Criteo.