알콩달콩 곰돌이네~

https://docs.aws.amazon.com/polly/latest/dg/SynthesizeSpeechSamplePython.html

This example uses a short string of plain text. You can use SSML text for more control over the output. For more information, see Generating Speech from SSML Documents.

import boto3

polly_client = boto3.Session(
                aws_access_key_id=,                     
    aws_secret_access_key=,
    region_name='us-west-2').client('polly')

response = polly_client.synthesize_speech(VoiceId='Joanna',
                OutputFormat='mp3', 
                Text = 'This is a sample text to be synthesized.',
                Engine = 'neural')

file = open('speech.mp3', 'wb')
file.write(response['AudioStream'].read())
file.close()

/etc/mail/sendmail.cf

O MinQueueAge = 1h

에러가 나더라도 1시간 간격으로만 다시 보냄.

make

service sendmail restart

예를 들어, 기존의 curl_setopt와 CURLOPT_MUTE를 사용한 코드가 있다면:

이를 대체할 수 있는 방법은 새로운 옵션을 사용하는 것입니다. 예를 들어, 요청 시 응답 데이터를 무시하고자 한다면 CURLOPT_RETURNTRANSFER을 true로 설정할 수 있습니다.

가장 큰 문제는 하드웨어의 지속적인 지원과 안정성.

그래픽카드는 생각보다 에러가 많이 난다. 트레인 중간에 에러나면 난감. 서비스 할때도 마찬가지. 힘들여 코드 만들어놨는데 지원 중단되면 난처하니 cuda 외에 대안이 없음.

https://gigglehd.com/gg/hard/14444293 

구글에서 피부질환검색 #AI 기능을 #Lens 에 추가. 앞으로 정확도에 대한 비교 연구가 쏟아질듯.

현재 피부질환 multi-class 만든 곳은 Google / ModelDerm / Skin Image Search / Aysa / Medgic / AI dermatologist 요렇게 6군데만 있음.

이중에서 Google 과 ModelDerm (https://app.skindx.net) 만 100 disease class 이상 validation 되었음.

https://www.cnet.com/health/google-lens-now-lets-you-search-for-a-skin-condition-heres-how/

Bard 가 20 times 잘한다는데... 이건 구라가 너무 심한 것 아닌가?

CEO 얼굴이 광고에 나오는건 순대국집 광고에나 쓰는건데... 순다이라서?

한마디로 FP32 성능처럼 단순한 것은 카피가능해도 실사용 성능이 안나오거나 버그로 멈춘다. 이는 AMD 조차도 가진문제라고...

중국산 GPU

https://www.youtube.com/watch?v=JCiRIOOqnJs

View 기준으로 현재 1달에 1800 M view (18억). 다만 이제 정체되는듯.

국가별로는 미국, 인도, 일본, 프랑스, 캐나다, 인도네시아 순으로 사용

사용하지 못하게 하는 국가는 중국, 러시아, 우크라이나, 벨라루스, 베네주엘라, 아프간, 이란

https://www.demandsage.com/chatgpt-statistics/

CUDA programming 책이네. CUDA 는 먼옛날 Caffe 사용할 때 일부는 C 로 일부는 CUDA 로 짜여져 있어서 잠깐 살펴볼 일만 있었음.

메인은 BLAS 인데 image 는 224x224 처럼 행렬이므로 이를 더했다 뻈다 하는 연산을 해주는 것. 원래 Atlas / OpenBlas / Mkl 등으로 했는데 CUDA 에서는 cuBLAS. 이를 neural network 에 쓰기 좋게 만든게 cuDNN. 여기에 상응하는 것을 intel 에서 자기들의 mkl 을 이용해서 mkldnn 을 만들고 이게 onednn 으로 현재까지 이어짐.

NVIDIA 가 AI 를 꽉잡고 있는 이유는 CUDA 와 CUDNN 등 소프트웨어적인 요소가 큼. 더 빠르다고 되는게 아니고 cudnn, cufft 등 여러 CUDA 산하의 library 로 만들어 놓은게 많아서 NVIDIA 것 아니면 다 새로 만들어야 함. 추가적으로 GPU driver 가 이제는 정말 복잡해졌는지, NVIDIA 것만 해도 이것저것 버그가 많았다. 새로 만든 것이 안정적으로 돌아가기를 기대하기 힘듬.

https://www.facebook.com/Bjpublic.co.kr/posts/pfbid023RPCbXjDSk9s5cCzGuVhAq7PP2y87n2ZxKw52gQwqhmpcRgRrHwUZ7HP7DAyXsQbl

https://www.nature.com/articles/s41598-023-31340-1

스웨덴 그룹이고 유서 깊은 telemedicine platform 인 FirstDerm 의 study. 44 class 이고 55,364 images 로 학습되었고, test set (retrospective result) 에서는 Top-1 은 49.3%. 그러나 real-world setting 에서 AI 의 Top-1 이 39% 이고 이에 반해 GP 는 64%, DER 은 72% 라고. 

이 결과를 보면 mult-class algorithm 만드는 것이 얼마나 어려운 것인지를 보여준다. 사실 몇만 케이스는 algorithm 을 만들기에 턱없이 부족. 요즘 언어모델이나 multimodal model 처럼 제대로 작동하려면 엄청나게 많은 data 가 필요하다. 
이러니 26 class 로 Top-1 이 66% 나왔다는 구글의 Nature Medicine 결과를 믿을 수 없다는 것임. 거의 유사하게 16,530 cases, 대략 5~6만장이 사용되었음. 아직까지도 결과물 테스트 불가.

결론적으로 #AI model 을 직접 서빙해서 정확도를 보기 전에는 retrospective study 의 결과는 믿을 수 없음.