La création de Dropbox Dash nous a appris qu'à l'ère des modèles fondamentaux, les évaluations de l'IA sont tout aussi importantes que l'entraînement des modèles.

Apprenez à configurer et à personnaliser les scopes que votre application demande pendant le flux d'autorisation OAuth 2 de Dropbox.

Apprenez-vous sur les changements planifiés pour les certificats racine utilisés sur les serveurs Dropbox API, et comment cela affectera les SDK utilisés pour accéder à l'API Dropbox.

En savoir plus sur notre mise en œuvre de la cryptographie de bout en bout pour les équipes, le modèle de menace de notre conception et les algorithmes de cryptographie, et notre engagement à minimiser le risque de perte de données avec une approche de gestion des clés centrée sur l'équipe.

En nous appuyant sur des recherches antérieures sur l'injection de prompts, nous avons récemment découvert une nouvelle vulnérabilité d'extraction de données d'entraînement impliquant les modèles de complétion de conversation d'OpenAI.

Apprenez-vous comment lister le contenu de tous les espaces de noms pour tous les membres d'une équipe en utilisant l'API Dropbox.

Apprenez-vous les modifications et les mises à jour de l'API Dropbox pour soutenir les dernières fonctionnalités des équipes Dropbox.

Smart Move utilise l'apprentissage automatique pour analyser la structure de sous-dossiers existante d'un utilisateur et suggérer des dossiers où ils pourraient vouloir déplacer leurs fichiers. Voici comment cette fonctionnalité a été conçue.

L'article traite de la mise en œuvre par Dropbox d'un modèle d'apprentissage automatique conçu pour identifier les formats de date dans les noms de fichiers, améliorant l'organisation et la récupération des fichiers. La dénomination appropriée des fichiers est essentielle pour le travail d'équipe, et la fonctionnalité de nommage automatique des fichiers de Dropbox permet aux utilisateurs de définir des règles pour les noms de fichiers, garantissant la cohérence et l'efficacité. Initialement, Dropbox a tenté une approche basée sur des règles pour l'identification des dates, mais a rencontré des défis en raison de la variété des formats de date utilisés par les différents individus. Cela a conduit au développement d'un modèle d'apprentissage automatique qui reconnaît avec précision les dates dans les noms de fichiers. Le modèle a subi plusieurs étapes, y compris l'annotation des données, la tokenization et la classification, en utilisant des techniques telles que le marquage IOB (Inside-Outside-Beginning) pour étiqueter les composants de date. Le modèle d'apprentissage automatique, basé sur l'architecture transformer (en particulier DistilRoberta), a montré une amélioration significative par rapport au système basé sur des règles précédent, augmentant le nombre de fichiers renommés de 40%. Pour optimiser les performances, Dropbox a mis en œuvre des techniques telles que la taille du modèle et la quantification, réduisant avec succès la latence pendant l'inférence. Suite à son lancement en août 2022, la fonctionnalité a gagné en popularité, avec plus d'un million de fichiers renommés peu après le lancement. Les améliorations futures pourraient inclure l'extraction d'entités supplémentaires au-delà des dates, en exploitant des modèles avancés pour une précision encore plus grande dans les conventions de nommage des fichiers.