視覚言語モデル (Japanese Edition)

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：translation-feedback@oreilly.com

視覚言語モデル（VLM）は、コンピュータビジョンと自然言語処理を組み合わせ、マルチモーダルなコンテキストを解釈、生成、応答できる強力なシステムを作成する。視覚言語モデルは、Hugging Face、Meta (PyTorch)、NVIDIA (Cuda)などの機械学習ツールの最新スタックを使用して実世界のVLMを構築するための実践的なガイドであり、第一線の研究者・実務家であるMerve Noyan、Miquel FarrÃ、Andr©s Marafioti、Orr Zoharによって書かれている。画像のキャプション付けや文書理解から、高度なゼロショット推論やRAG（検索拡張生成）まで、本書はVLMのアプリケーションと開発ライフサイクルのすべてをカバーしている。

MLエンジニア、データサイエンティスト、開発者向けに設計された本書は、最先端のVLM研究を実用的なテクニックに集約している。読者は、データセットの準備可能性、適切なアーキテクチャの選択、モデルのファインチューニングとデプロイ、様々な業界にわたる実世界タスクへの適用方法を学ぶことができる。

• コアとなるモデルのアーキテクチャとアラインメントテクニックを探求する。
• Hugging FaceやPyTorchなどを使ってVLMをトレーニングし、ファインチューニングする。
• 画像検索やキャプション付けなどのアプリケーションにモデルをデプロイする。
• ゼロショットからエージェントシステムまで、高度な推論戦略を実装する。
• 本番使用に耐えうる拡張性VLMシステムを構築する。