6108
🗨 ارتباط با ما (تبلیغات، سوال، پیشنهاد و انتقاد): 📩 @Contact2Mebot 💯 کانال دوم ما: @Datascientists_Files 💎 در پیامرسان بله(آپدیت اتومات): https://ble.ir/dataplusscience 💡 در پیامرسان ایتا(آپدیت اتومات): https://eitaa.com/DataPlusScience
🤖 پیشرفت مدلهای کوچک با VibeThinker‑3B
بهتازگی مدل ۳ میلیارد پارامتری VibeThinker-3B توانسته در وظایف استدلال قابلراستیآزمایی به نتایج بسیار رقابتی برسد: امتیاز ۹۴.۳٪ در آزمون AIME26، امتیاز ۸۰.۲٪ Pass@1 در LiveCodeBench v6 و عملکرد ۹۶.۱٪ در LeetCode.
بهنظر میرسد بخش اصلی این پیشرفت از پسآموزش روی پایه Qwen2.5-Coder بهدست آمده باشد؛ فرایندی که ابتدا با آموزش نظارتشده مرحلهای (Curriculum SFT) روی مسائل با سطوح دشواری مختلف آغاز شده، سپس با یادگیری تقویتی در حوزههایی مانند ریاضیات و برنامهنویسی ادامه یافته است. در ادامه، مدل از خروجیهای استدلالی خود برای تولید دادههای آموزشی جدید (Offline Self-Distillation) استفاده کرده و در نهایت با یک مرحله RL مبتنی بر دستورالعملها، رفتار آن برای پاسخگویی بهتر به درخواستهای کاربران تنظیم شده است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🖥️ AMD و کامپیوترهای شخصی برای اجرای مدلهای بزرگ هوش مصنوعی
شرکت AMD از یک کامپیوتر رومیزی (مینیپیسی) با قیمت ۱۵۰۰ دلار رونمایی کرده که قادر به اجرای مدلهای هوش مصنوعی با ۲۳۵ میلیارد پارامتر است. لیزا سو، مدیرعامل AMD، در مراسمی این دستگاه را به نمایش گذاشت و مدل Qwen3-235B را مستقیماً روی آن اجرا کرد. راز این توانایی در پردازنده Ryzen AI Max+ 395 نهفته است که حافظه مشترک ۱۲۸ گیگابایتی را بین CPU و GPU تقسیم میکند. این میزان حافظه بهطور قابل توجهی بیشتر از کارتهای گرافیک قدرتمندی مانند RTX 5090 (با ۳۲ گیگابایت) و RTX 4090 (با ۲۴ گیگابایت) است.
این دستگاه با سرعتی حدود ۱۱ توکن در ثانیه، امکان اجرای مدلهای سنگین هوش مصنوعی را مستقیماً از روی میز کار فراهم میکند، بدون نیاز به اشتراک سرویسهای ابری و نگرانی از نشت دادهها. این پیشرفت نشاندهنده گام مهمی در جهت دموکراتیزه کردن دسترسی به سختافزار قدرتمند برای هوش مصنوعی محلی است.
#amd #هوش_مصنوعی_محلی
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 نتایج عجیب Fable 5 در بنچمارک ProgramBench
تیم Vals.ai پیش از غیرفعال شدن Fable 5، آن را روی ProgramBench (یک بنچمارک برای ارزیابی تواناییهای برنامهنویسی مدلهای زبانی) آزمایش کرد و نتایج شگفتانگیزی به دست آورد. با وجود اینکه در ۱۹۹ از ۲۰۰ وظیفه، سیستم بلافاصله مدل را به Opus 4.8 (به دلایل امنیتی) تغییر داده بود، امتیاز نهایی Fable 5 تقریباً دو برابر Opus شد. همچنین، Fable 5 دو برابر توکن بیشتر مصرف کرده و زمان بیشتری نیز صرف کرده بود!
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🤖 SurfSense: جایگزین متنباز NotebookLM با تمرکز بر حریم خصوصی
SurfSense پروژهای جدید و متنباز است که به عنوان جایگزینی برای NotebookLM معرفی شده و کنترل کامل دادهها را در اختیار کاربر قرار میدهد. این ابزار یک عامل تحقیقاتی با تمرکز بر حریم خصوصی است که قابلیتهای مشابه NotebookLM را ارائه میدهد، اما با مزایای قابل توجهی همراه است.
از جمله برتریهای SurfSense نسبت به NotebookLM میتوان به اتصال به بیش از ۲۵ منبع داده مختلف مانند Google Drive، Notion، Slack، YouTube و همچنین یک افزونه مرورگر برای ذخیره هر صفحهای اشاره کرد. این ابزار به کاربران اجازه میدهد مدل زبانی مورد نظر خود را از میان بیش از ۱۰۰ مدل از طریق LiteLLM انتخاب کنند یا مدلها را به صورت کاملاً محلی با استفاده از Ollama و vLLM اجرا نمایند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🤖 TimeCopilot: عامل پیشبینی سری زمانی با هوش مصنوعی مولد
TimeCopilot یک عامل متنباز برای پیشبینی سریهای زمانی با استفاده از هوش مصنوعی مولد (GenAI) است. این ابزار قدرت مدلهای زبانی بزرگ (LLMs) را با مدلهای پایه پیشرفته سری زمانی (مانند Amazon Chronos، Salesforce Moirai، Google TimesFM، Nixtla TimeGPT و ...) ترکیب میکند. هدف TimeCopilot خودکارسازی و توضیح فرآیندهای پیچیده پیشبینی است تا تحلیل سری زمانی را دسترسپذیرتر کند و در عین حال دقت حرفهای را حفظ نماید.
این پلتفرم یک لایه پیشبینی یکپارچه ارائه میدهد که بیش از ۳۰ مدل پایه سری زمانی را با استدلال LLM برای انتخاب و توضیح خودکار مدل ترکیب میکند. توسعهدهندگان این پروژه در حال حاضر بر روی بهبود قابلیتهای آن و گسترش جامعه کاربری از طریق سرور دیسکورد خود تمرکز دارند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
📈 اهمیت فزاینده مهارتهای اجتماعی در بازار کار
تحقیقات جدید نشان میدهد که مهارتهای اجتماعی و بین فردی، مانند کار تیمی، حل مسئله، ارتباط مؤثر و تفکر خلاق، به طور فزایندهای برای چشمانداز شغلی و درآمد افراد اهمیت پیدا میکنند. با پیشرفت هوش مصنوعی و اتوماسیون وظایف روتین، مشاغلی که به تعاملات انسانی قوی متکی هستند، نتایج بهتری را در بازار کار کسب میکنند.
روند کنونی بازار کار حاکی از آن است که افرادی که ترکیبی غنی از مهارتها را دارند، پاداش اقتصادی بیشتری دریافت میکنند. نمودارهای منتشر شده، افزایش همزمان اشتغال و دستمزد را برای افرادی با سطوح بالای مهارتهای اجتماعی و ریاضی نشان میدهند، در حالی که سایر گروهها روند کندتری را تجربه کردهاند. این یافتهها بر لزوم توسعه و تقویت مهارتهای نرم در کنار مهارتهای فنی تأکید دارند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🔍 جستجوی عمیق در دادههای خصوصی با LLMها
ابزار Deep Searcher به شما امکان میدهد تا با استفاده از مدلهای زبانی بزرگ (LLM)، جستجوهای عمیقی بر روی دادههای خصوصی خود انجام دهید. این ابزار با خودکارسازی فرآیند تحقیق، به کاربران کمک میکند تا اطلاعات مورد نیاز خود را به سرعت و دقت از میان حجم عظیمی از دادهها استخراج کنند.
🔗 deep-searcher در GitHub
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🎬 Topview Canvas: تحول در ساخت ویدئو با هوش مصنوعی
پلتفرم Topview Canvas با هدف پایان دادن به روال کاری پراکنده و نیاز به جابهجایی مداوم بین چندین ابزار هوش مصنوعی، یک بوم (canvas) همکاری محور جدید برای ساخت ویدئو معرفی کرده است. این ابزار به تیمها امکان میدهد تا تمام مراحل ایدهپردازی، ویرایش پرامپتها، اصلاح پیشنویسها و تولید ویدئوی نهایی را در یک محیط یکپارچه انجام دهند.
برخلاف بسیاری از ابزارهای ویدئوساز هوش مصنوعی که با یک پرامپت متنی آغاز میشوند، Topview Canvas رویکرد «استوریبورد محور» (storyboard-first) را در یک بوم بینهایت ارائه میدهد. این پلتفرم از قابلیت مسیریابی چندمدلی (multi-model routing) بهره میبرد و از مدلهایی مانند Seedance 2.0، Kling 2.6 و Nano Banana Pro پشتیبانی میکند تا انعطافپذیری بالایی در تولید محتوا فراهم آورد.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🏠 ابزار واقعیت مجازی در ارائه املاک چین
برخی توسعهدهندگان املاک در چین از ابزارهای واقعیت مجازی (VR) برای ارائه مدلهای دقیق خانهها و آپارتمانها به خریداران بالقوه استفاده میکنند. این فناوری به مشتریان اجازه میدهد تا پیش از خرید، طرحبندی و ویژگیهای واحدها را در یک محیط مجازی مشاهده کرده و تصمیمگیری آگاهانهتری داشته باشند. استفاده از این نوع ارائههای مجازی در بازاریابی املاک رو به افزایش است، زیرا شرکتها به دنبال روشهای نوین برای نمایش پروژههای خود هستند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
📚 کتابخانه رایگان هوش مصنوعی و یادگیری ماشین MIT
مؤسسه فناوری ماساچوست (MIT) کل کتابخانه هوش مصنوعی و یادگیری ماشین خود را به صورت ۱۰۰٪ رایگان در دسترس عموم قرار داده است. این ۱۲ کتاب، بهترین نقطه شروع برای ساختن یک پایه قوی در این حوزهها هستند و موضوعات کلیدی از مبانی ریاضی تا یادگیری تقویتی، مدلهای احتمالی و هوش مصنوعی مسئولانه را پوشش میدهند.
مبانی (Foundations):
🔹 Foundations of Machine Learning: ستون فقرات ریاضی یادگیری ماشین را شامل الگوریتمها، نظریه و نحوه یادگیری مدلها توضیح میدهد.
🔸 Understanding Deep Learning: شبکههای عصبی را به صورت بصری و شهودی، از اصول اولیه تا معماریهای مدرن، شرح میدهد.
🔹 Deep Learning: مرجع قطعی یادگیری عمیق، نوشته شده توسط محققانی که این حوزه را شکل دادهاند.
🔸 Introduction to Machine Learning Systems: نحوه طراحی و ساخت سیستمهای یادگیری ماشین که نه فقط در نوتبوکها، بلکه در محیطهای عملیاتی (production) کار میکنند.
🔹 Algorithms for Optimization: ریاضیات پشت بهبود مدلها — شامل روشهای گرادیان، جستجو و تصمیمگیری.
یادگیری تقویتی (Reinforcement Learning):
🔸 Reinforcement Learning: An Introduction: کتاب درسی کلاسیک یادگیری تقویتی (RL) — چگونگی یادگیری عاملها برای تصمیمگیری از طریق آزمون و پاداش.
🔹 Distributional Reinforcement Learning: فراتر از پاداشهای میانگین میرود تا توزیع کامل نتایج را مدلسازی کند.
🔸 Multi-Agent Reinforcement Learning: نحوه یادگیری، رقابت و همکاری چندین عامل هوش مصنوعی در محیطهای مشترک.
یادگیری ماشین احتمالی (Probabilistic Machine Learning):
🔹 Probabilistic Machine Learning: An Introduction: یادگیری ماشین از منظر احتمال — عدم قطعیت، استنتاج و تفکر بیزی.
🔸 Probabilistic Machine Learning: Advanced Topics: بررسی عمیق مدلهای احتمالی، استنتاج تقریبی و روشهای مولد.
هوش مصنوعی مسئولانه و عاملمحور (Responsible & Agentic AI):
🔹 Agents in the Long Game of AI: چگونگی ساخت عاملهای هوش مصنوعی قابل اعتماد، ترکیبی و طراحی شده برای قابلیت اطمینان بلندمدت.
🔸 Fairness and Machine Learning: تقاطع یادگیری ماشین با جامعه — سوگیری (bias)، تبعیض و نحوه ساخت سیستمهای عادلانهتر.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🚀 مهندسی حلقه (Loop Engineering) در هوش مصنوعی
آندری کارپاتی، محقق برجسته هوش مصنوعی، بر اهمیت حذف خود از گلوگاه (bottleneck) و افزایش اهرم (leverage) در کار با مدلهای زبانی بزرگ (LLMs) تأکید میکند. او معتقد است با ارائه ورودیهای کم و دریافت خروجیهای گسترده، میتوان بهرهوری را به شدت افزایش داد. مهندسی حلقه (Loop Engineering) دقیقاً به همین منظور طراحی شده است.
در روشهای سنتی، اپراتور انسانی در دو مرحله کلیدی دخیل است: تصمیمگیری در مورد اجرای گام بعدی عامل (agent) و بررسی خروجی قبل از مرحله بعدی. این دخالت دستی، میزان پیشرفت خودکار عامل را محدود میکند. مهندسی حلقه با انتقال هر دو مرحله به داخل سیستم، این فرآیند را خودکار میسازد.
حلقه تا زمانی که یکی از شرایط پایان (تعداد حداکثر تکرار، بودجه تمام شده یا شرایط خروجی تعریفشده) رخ ندهد، ادامه مییابد.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
📚 راهنمای رایگان مقیاسپذیری مدلهای هوش مصنوعی و کار با GPU
گوگل راهنمای رایگانی را برای مقیاسپذیری مدلهای هوش مصنوعی و کار با پردازندههای گرافیکی (GPU) منتشر کرده است. این راهنما که به صورت آنلاین در دسترس است، اصول مقیاسپذیری مدل، ساختار GPUها، محدودیتهای محاسباتی، پهنای باند حافظه، موازیسازی و سایر مباحث مفید در آموزش و اجرای مدلهای مدرن هوش مصنوعی را پوشش میدهد.
🔗 راهنمای مقیاسپذیری مدل
🔗 راهنمای کار با GPUها
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
⚖️ محدودیت دسترسی به مدلهای Fable و Mythos 5
دولت آمریکا با استناد به اختیارات امنیت ملی، دستورالعمل کنترل صادراتی را صادر کرده که بر اساس آن دسترسی اتباع خارجی به مدلهای Fable 5 و Mythos 5 باید فوراً متوقف شود. این محدودیت شامل کارکنان خارجی شرکت Anthropic نیز میشود، چه در داخل آمریکا و چه خارج از آن. در نتیجه، Anthropic مجبور به قطع دسترسی تمامی مشتریان به این دو مدل شده است.
دسترسی به سایر مدلهای Claude تحت تأثیر این دستور قرار نگرفته است. این شرکت ضمن عذرخواهی از مشتریان بابت اختلال پیشآمده، اعلام کرده که این مسئله را یک سوءتفاهم دانسته و در تلاش است تا در اسرع وقت دسترسی به این مدلها را بازیابی کند.
🔗 اطلاعیه Anthropic
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🎮 سرویس جدید Higgsfield Games برای ساخت بازی از متن
امروز Higgsfield سرویس جدیدی به نام Higgsfield Games معرفی کرد که با یک پرسش متنی میتوانید یک بازی کامل مرورگر تولید کنید. کاربر فقط کافی است توصیف بازی را به زبان طبیعی بنویسد و با یک کلیک ژانر مورد نظر را انتخاب کند؛ سپس پلتفرم سوپرکامپیوتر بقیه کارها را انجام میدهد: نوشتن کد، تولید گرافیک، مدلسازی سهبعدی و میزبانی بازی. خروجی یک لینک قابل اشتراک است که نیازی به نصب یا راهاندازی ندارد.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🤖 طبقهبندی چندبرچسبی متن با Scikit-LLM
این مقاله به شما آموزش میدهد چگونه بدون نیاز به دادههای آموزشی برچسبدار یا آموزش مدلهای پیچیده، طبقهبندی چندبرچسبی متن را با استفاده از مدلهای زبان بزرگ (LLM) و کتابخانه scikit-LLM انجام دهید. در این مطلب، با مفهوم طبقهبندی چندبرچسبی و اهمیت آن در تحلیل دقیق متن آشنا میشوید. همچنین نحوه راهاندازی و پیکربندی scikit-LLM با یک مدل زبان بزرگ متنباز و رایگان از Groq برای استنتاج بدون نیاز به داده آموزشی (zero-shot inference) شرح داده شده است. در نهایت، چگونگی بارگذاری یک مجموعه داده واقعی و اجرای پیشبینیهای احساسات چندبرچسبی با استفاده از گردش کاری آشنای شبیه scikit-learn را خواهید آموخت.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🧠 گزارش هوشمند DataPlusScience
━━━━━━━━━━━━━━━━━━━━
🗂 شماره: #48 | بازه: ۲۴ ساعت گذشته / گزارش روزانه
📦 پستهای بررسیشده: 7
🕐 از: دوشنبه 1405/03/25 ساعت 14:34
🕛 تا: سهشنبه 1405/03/26 ساعت 14:34
━━━━━━━━━━━━━━━━━━━━
🤖 ابزارها و عوامل هوش مصنوعی
TimeCopilot: یک عامل متنباز برای پیشبینی سریهای زمانی با استفاده از هوش مصنوعی مولد (GenAI). این ابزار قدرت مدلهای زبانی بزرگ (LLMs) را با مدلهای پایه پیشرفته سری زمانی ترکیب میکند تا فرآیندهای پیچیده پیشبینی را خودکار و قابل توضیح سازد.
🔗 مشاهده پست
Fusion از OpenRouter: پلتفرمی جدید که در آن چندین مدل هوش مصنوعی به یک پرامپت (prompt) یا دستور ورودی پاسخ میدهند. این سیستم، درخواست را همزمان به مدلهای مختلف ارسال میکند و سپس یک judge (داور) پاسخها را مقایسه کرده و یک synthesizer (ترکیبکننده) نسخه نهایی و منسجم را گردآوری میکند.
🔗 مشاهده پست
SurfSense: پروژهای متنباز که جایگزینی برای NotebookLM (ابزار تحقیقاتی هوش مصنوعی گوگل) است و کنترل کامل دادهها را با تمرکز بر حریم خصوصی در اختیار کاربر قرار میدهد. این عامل تحقیقاتی به بیش از ۲۵ منبع داده متصل شده و امکان انتخاب از میان بیش از ۱۰۰ مدل زبانی را فراهم میکند.
🔗 مشاهده پست
Memanto: ابزاری متنباز برای فراهم آوردن حافظه نامحدود و رایگان برای مدلهای زبانی بزرگ. این ابزار بدون نیاز به پایگاه دادههای وکتوری (vector databases) یا تنظیمات پیچیده، قادر به فشردهسازی، سازماندهی و بازیابی سریع زمینه (context) مکالمات و دادههای کاری است.
🔗 مشاهده پست
Sakana Marlin: عامل تحقیقاتی خودکار جدیدی که توسط Sakana AI معرفی شده است. این ابزار به عنوان یک "مدیر ارشد تحقیقاتی مجازی" (Virtual CSO) عمل کرده و برخلاف ابزارهای متمرکز بر سرعت، برای عمیق شدن در تحقیقات طراحی شده و میتواند تا ۸ ساعت به صورت خودکار یک وظیفه تحقیقاتی را پیش ببرد و گزارشهای مفصل تولید کند.
🔗 مشاهده پست
AMD و اجرای مدلهای بزرگ هوش مصنوعی روی کامپیوتر شخصی: شرکت AMD یک کامپیوتر رومیزی (مینیپیسی) با قیمت ۱۵۰۰ دلار معرفی کرده که قادر است مدلهای هوش مصنوعی با ۲۳۵ میلیارد پارامتر را اجرا کند. این دستگاه از پردازنده Ryzen AI Max+ 395 با ۱۲۸ گیگابایت حافظه مشترک (shared memory) بین CPU و GPU بهره میبرد که امکان اجرای مدلهای سنگین هوش مصنوعی را مستقیماً از روی میز کار فراهم میکند.
🔗 مشاهده پست
معمای عملکرد Fable 5 در ProgramBench: تیم Vals.ai مدل Fable 5 را روی بنچمارک ProgramBench (ابزاری برای ارزیابی مدلهای هوش مصنوعی در برنامهنویسی) آزمایش کرد و به نتایج عجیبی دست یافت. با وجود اینکه Fable 5 در اغلب وظایف به دلایل امنیتی به مدل دیگری تغییر مسیر میداد، امتیاز نهایی آن تقریباً دو برابر مدل جایگزین بود و توکن بیشتر و زمان بیشتری نیز مصرف کرده بود.
🔗 مشاهده پست
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🚀 معرفی Sakana Marlin: عامل تحقیقاتی خودکار با تمرکز بر عمق
شرکت Sakana AI محصول جدیدی به نام Sakana Marlin را معرفی کرده است که به عنوان یک "مدیر ارشد تحقیقاتی مجازی" (Virtual CSO) عمل میکند. این ابزار برخلاف بسیاری از ابزارهای تحقیقاتی که بر سرعت پاسخدهی در چند دقیقه تمرکز دارند، با هدف عمیق شدن در تحقیقات طراحی شده است. Marlin قادر است تا حدود ۸ ساعت به صورت خودکار یک وظیفه تحقیقاتی را پیش ببرد و در نهایت گزارش مفصل و اسلایدهای ارائهای را بدون دخالت انسان تولید کند.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🧠 Memanto: حافظه نامحدود و رایگان برای مدلهای هوش مصنوعی
ابزار جدید و متنباز Memanto، با الهام از قابلیتهای مدلهای پیشرفتهای چون Claude و Cursor، امکان ذخیره و بازیابی نامحدود حافظه را برای مدلهای زبانی بزرگ فراهم میکند. این ابزار که در حال حاضر بیش از ۵۰۰۰ ستاره در گیتهاب دریافت کرده، بدون نیاز به پایگاه دادههای وکتوری یا تنظیمات پیچیده، قادر است زمینه مکالمات و دادههای کاری شما را فشرده، سازماندهی و در کمتر از ۹۰ میلیثانیه بازیابی کند.
Memanto با مدلهایی مانند Claude Code، Codex، Cursor، LangGraph و CrewAI سازگار است و فرآیند یادآوری اطلاعات را برای عاملهای هوش مصنوعی بسیار ساده میسازد. با یک دستور ساده pip install memanto میتوانید این قابلیت را به پروژههای خود اضافه کرده و به عامل هوش مصنوعی خود کمک کنید تا همهچیز را به خاطر بسپارد.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🤖 معرفی Fusion از OpenRouter
پلتفرم OpenRouter سیستمی جدید به نام Fusion راهاندازی کرده است که در آن چندین مدل هوش مصنوعی به یک درخواست پاسخ میدهند. این سیستم پرامپت (prompt) را همزمان به مدلهای مختلف ارسال میکند. هر مدل با استفاده از ابزارهایی مانند جستجوی وب و Bash، به حل مسئله میپردازد. سپس یک judge (داور) پاسخها را مقایسه کرده و یک synthesizer (ترکیبکننده) نسخه نهایی و منسجم را گردآوری میکند. این رویکرد به جای انتخاب بهترین مدل، یک طرح تفکر جمعی سرور-محور را ارائه میدهد که در آن مدلها به صورت موازی کار کرده، ابزارها به بررسی حقایق کمک میکنند و پاسخهای ضعیف فیلتر میشوند. OpenRouter ادعا میکند که Fusion در بنچمارک تحقیقاتی عمیق DRACO عملکردی بهتر از مدلهای پیشرفته (frontier models) دارد.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🤖 معرفی مدل LFM2.5-8B-A1B از Liquid AI
شرکت Liquid AI از مدل زبانی جدیدی به نام LFM2.5-8B-A1B رونمایی کرده است. این مدل که بر پایه معماری Mixture-of-Experts (MoE) ساخته شده، دارای ۸ میلیارد پارامتر کلی و ۱ میلیارد پارامتر فعال است و بهطور خاص برای اجرا روی دستگاههای مصرفی مانند لپتاپها و گوشیهای هوشمند طراحی شده است. این مدل، نسل جدیدی از سری LFM2 محسوب میشود که پنجره زمینه (context window) آن از ۳۲ هزار به ۱۲۸ هزار توکن افزایش یافته و حجم دادههای پیشآموزش آن نیز از ۱۲ تریلیون به ۳۸ تریلیون توکن رسیده است.
🔗 liquid.ai
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 خلاصه تحولات هوش مصنوعی
━━━━━━━━━━━━━━━
📅 دوره: 24 ساعت گذشته | شماره #47
⏰ از شنبه 1405/03/23 ساعت 14:00
تا یکشنبه 1405/03/24 ساعت 14:00
━━━━━━━━━━━━━━━
🤖 مدلهای زبانی بزرگ و حافظه
معرفی Hy-Memory تنسنت: حافظه بلندمدت برای عاملهای هوش مصنوعی؛ این سیستم از یک چارچوب ۶ لایه با استدلال دوگانه بهره میبرد. System1 مسئول تطبیق سریع الگوها برای فراخوانی فوری اطلاعات است، در حالی که System2 استدلال عمیقتری را برای بازیابی حافظه پیچیده انجام میدهد.
🔗 مشاهده پست
مهندسی حلقه (Loop Engineering) در هوش مصنوعی؛ آندری کارپاتی بر اهمیت حذف خود از گلوگاه (bottleneck) و افزایش اهرم (leverage) در کار با مدلهای زبانی بزرگ (LLMs) تأکید میکند. او معتقد است با ارائه ورودیهای کم و دریافت خروجیهای گسترده، میتوان بهرهوری را به شدت افزایش داد.
🔗 مشاهده پست
کتابخانه رایگان هوش مصنوعی و یادگیری ماشین MIT؛ مؤسسه فناوری ماساچوست (MIT) کل کتابخانه هوش مصنوعی و یادگیری ماشین خود را به صورت ۱۰۰٪ رایگان در دسترس عموم قرار داده است. این ۱۲ کتاب، بهترین نقطه شروع برای ساختن یک پایه قوی در این حوزهها هستند و موضوعات کلیدی از مبانی ریاضی تا یادگیری تقویتی، مدلهای احتمالی و هوش مصنوعی مسئولانه را پوشش میدهند.
🔗 مشاهده پست
نقشه راه کامل دیتاساینس؛ این پست بهطور خلاصه مسیر قدمبهقدم تبدیل شدن به یک Data Scientist را معرفی میکند. ابتدا باید با مبانی Python و ساختارهای دادهای مانند Pandas و NumPy آشنا شوید، سپس به درک آماری و احتمالی (Statistics & Probability) پرداخته و مهارت کار با پایگاههای داده SQL را کسب کنید. پس از آن، تمرینهای تصویریسازی داده (Data Visualization) باعث میشود تا نتایج تحلیلی را به شکل گرافیکی ارائه دهید. در ادامه، مباحث پایه Machine Learning مطرح میشود.
🔗 مشاهده پست
ساخت RAG در مقیاس تولید؛ برای ساخت سیستمهای RAG (Retrieval Augmented Generation) در مقیاس تولیدی، رویکرد ساده کافی نیست و در مواجهه با دادهها و کاربران واقعی دچار مشکل میشود. RAG سیستمی مهندسی و پیچیده است که چهار لایه حیاتی را میطلبد. این لایهها شامل: بازیابی پیشرفته که فراتر از جستجوی وکتور است و از Graph DB برای روابط و SQL برای دادههای ساختاریافته بهره میبرد. مسیریابی هوشمند کوئری برای تعیین نوع و منبع کوئری، که ۸۰٪ پاسخهای نادرست را کاهش میدهد.
🔗 مشاهده پست
جستجوی عمیق در دادههای خصوصی با LLMها؛ ابزار Deep Searcher به شما امکان میدهد تا با استفاده از مدلهای زبانی بزرگ (LLM)، جستجوهای عمیقی بر روی دادههای خصوصی خود انجام دهید. این ابزار با خودکارسازی فرآیند تحقیق، به کاربران کمک میکند تا اطلاعات مورد نیاز خود را به سرعت و دقت از میان حجم عظیمی از دادهها استخراج کنند.
🔗 مشاهده پست
ابزار واقعیت مجازی در ارائه املاک چین؛ برخی توسعهدهندگان املاک در چین از ابزارهای واقعیت مجازی (VR) برای ارائه مدلهای دقیق خانهها و آپارتمانها به خریداران بالقوه استفاده میکنند. این فناوری به مشتریان اجازه میدهد تا پیش از خرید، طرحبندی و ویژگیهای واحدها را در یک محیط مجازی مشاهده کرده و تصمیمگیری آگاهانهتری داشته باشند. استفاده از این نوع ارائههای مجازی در بازاریابی املاک رو به افزایش است.
🔗 مشاهده پست
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
💡 ساخت RAG در مقیاس تولید
برای ساخت سیستمهای RAG (Retrieval Augmented Generation) در مقیاس تولیدی، رویکرد ساده کافی نیست و در مواجهه با دادهها و کاربران واقعی دچار مشکل میشود. RAG سیستمی مهندسی و پیچیده است که چهار لایه حیاتی را میطلبد.
این لایهها شامل: بازیابی پیشرفته که فراتر از جستجوی وکتور است و از Graph DB برای روابط و SQL برای دادههای ساختاریافته بهره میبرد. مسیریابی هوشمند کوئری برای تعیین نوع و منبع کوئری، که ۸۰٪ پاسخهای نادرست را حذف میکند. نمایهسازی پیشرفته با روشهایی مانند RAPTOR و ColBERT که از chunking ساده فراتر میرود. و در نهایت، حلقه ارزیابی مداوم (با ابزارهایی مثل Ragas و DeepEval) برای شناسایی و رفع خطاهای پنهان (hallucinations) ضروری است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🤖 نقشهی اکوسیستم AI عامل توسط Ant Group
گروه Ant Group نقشهای شامل ۲۲۷ مخزن را برای تیمهای توسعهدهندهی هوش مصنوعی عامل منتشر کرد. این نقشه با تقسیمبندی سهلایهای، پروژهها را در دستههای زیر سازماندهی میکند: زیرساخت عامل (مورد استفاده در برنامهها، چارچوبها، زمان‑اجرایها و ابزارها)، زیرساخت مدل (داده، آموزش، سرویسدهی و استقرار) و مدلهای بزرگ بهعنوان لایه پایه. برای هر مخزن، دستهبندی، متادیتا و شاخصهای پویایی جامعه با دادههای OpenDigger ارائه شده است. این منبع عمومی است ولی فایل license در مخزن مشاهده نشده؛ بنابراین پیش از استفاده، اعتبار قانونی را بررسی کنید. اگر به دنبال انتخاب یک استک عامل هستید، ابتدا لایه زیرساخت عامل را ارزیابی کنید.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 Supertonic: رقیب جدید ElevenLabs در پردازش صدا
مدل جدید Supertonic، یک مدل پردازش متن به گفتار (Text-to-Speech) که کاملاً روی دستگاه کاربر اجرا میشود، بازار را متحول کرده است. این مدل متنباز با مجوز MIT، نیازی به کلود، کلید API یا پرداخت به ازای هر کاراکتر ندارد و با ۲۷۰۰ ستاره در گیتهاب، توجه زیادی را به خود جلب کرده است.
عملکرد Supertonic چشمگیر است: ۱۶۷ برابر سریعتر از زمان واقعی روی پردازنده M4 Pro، تنها با ۶۶ میلیون پارامتر، و با سرعت پردازش ۱۲۶۳ کاراکتر بر ثانیه که به مراتب از ElevenLabs Flash (۲۸۷) و OpenAI TTS-1 (۵۵) بیشتر است. این مدل حتی روی دستگاههای ضعیفی مانند Raspberry Pi و e-reader نیز قابل اجرا است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
📈 نقشه راه کامل دیتاساینس
این تصویر بهطور خلاصه مسیر قدمبهقدم تبدیل شدن به یک Data Scientist را معرفی میکند. ابتدا باید با مبانی Python و ساختارهای دادهای مانند Pandas و NumPy آشنا شوید، سپس به درک آماری و احتمالی (Statistics & Probability) پرداخته و مهارت کار با پایگاههای داده SQL را کسب کنید. پس از آن، تمرینهای تصویریسازی داده (Data Visualization) باعث میشود تا نتایج تحلیلی را به شکل گرافیکی ارائه دهید. در ادامه، مباحث پایه Machine Learning و Deep Learning (یادگیری عمیق) برای ساخت مدلهای پیشبینی و شبکههای عصبی پوشش داده میشود. در نهایت، با MLOps و استقرار مدلها (Deployment) میتوانید پروژههای خود را به محیط تولید منتقل کنید و بهصورت مستمر بهبود دهید.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🧠 معرفی Hy-Memory تنسنت: حافظه بلندمدت برای عاملهای هوش مصنوعی
تنسنت (Tencent) اخیراً Hy-Memory را بهصورت متنباز منتشر کرده است؛ یک پلاگین حافظه که به عاملهای هوش مصنوعی (AI agents) قابلیت حافظه بلندمدت واقعی را میدهد. این سیستم از یک چارچوب ۶ لایه با استدلال دوگانه بهره میبرد. System1 مسئول تطبیق سریع الگوها برای فراخوانی فوری اطلاعات است، در حالی که System2 استدلال عمیقتری را برای بازیابی حافظه پیچیده انجام میدهد.
این نوآوری مشکل رایج فراموشی اطلاعات توسط عاملهای هوش مصنوعی بین جلسات را حل میکند و برای عاملهای هوش مصنوعی مشارکتی و طولانیمدت که نیاز به حفظ زمینه (persistent context) دارند، بسیار کاربردی است.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
🔍 پیشرفتهای چشمگیر در Text-to-SQL با Gemini-SQL2
اگرچه Text-to-SQL ممکن است در نگاه اول مسئلهای حلشده به نظر برسد، اما پیچیدگی دادهها در دنیای واقعی همچنان چالشبرانگیز است. مدلهای مبتنی بر استدلال قوی عالی هستند، اما هیچ چیز جایگزین یک مدل سفارشی در این زمینه نمیشود. Gemini-SQL2 در این حوزه عملکرد بسیار قدرتمندی از خود نشان داده و توانسته در بنچمارک چالشبرانگیز BIRD نتایج پیشرفتهای را کسب کند. این پیشرفتها فرصتهای فراوانی را در پایگاههای دانش (KBs)، موتورهای جستجو، پایگاههای داده گراف و موارد مشابه ایجاد میکند.
گوگل با معرفی Gemini-SQL2، قابلیت Text-to-SQL خود را که با Gemini 3.1 Pro نیرو میگیرد، ارتقا داده است. این مدل توانسته به نتایج پیشرفتهای در بنچمارک رقابتی BIRD دست یابد.
🔗 Gemini-SQL2 — Google Research
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما
💰 مسابقه تسلیحاتی هوش مصنوعی، حالا مسابقه بدهی است!
شرکتهای بزرگ فناوری مانند آلفابت، آمازون، متا، مایکروسافت و اوراکل در نیمه اول سال ۲۰۲۶، ۱۵۹ میلیارد دلار اوراق قرضه شرکتی قرض گرفتهاند. این مبلغ بیشتر از کل بدهی آنها در پنج سال بین ۲۰۲۰ تا ۲۰۲۴ روی هم رفته است. تنها اوراکل از سپتامبر گذشته ۴۳ میلیارد دلار بدهی جدید متحمل شده است. مورگان استنلی پیشبینی میکند که استقراض جهانی مرتبط با هوش مصنوعی در سال جاری به ۵۷۰ میلیارد دلار برسد که بیش از دو برابر سال گذشته است. این شرکتها آنقدر به آینده هوش مصنوعی باور دارند که ترازنامههای خود را به گرو میگذارند تا اولین باشند. اگر حق با آنها باشد، این بزرگترین تخصیص سرمایه در تاریخ است؛ اما اگر اشتباه کنند، این بزرگترین حباب بدهی از زمان بحران مسکن خواهد بود.
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 معرفی Kimi K2.7 Code
مدل جدید Kimi K2.7 Code منتشر شد که در کدنویسی نسبت به نسخه K2.6 بهبود یافته و در عین حال ۳۰٪ توکن کمتری مصرف میکند. این مدل همچنان دارای یک تریلیون پارامتر است که میزبانی مستقل آن را دشوار میسازد، اما نشاندهنده پیشرفت مدلهای متنباز در این حوزه است.
🔗 وزنهای مدل Kimi K2.7 Code
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🤖 خلاصه تحولات هوش مصنوعی
━━━━━━━━━━━━━━━
📅 دوره: 24 ساعت گذشته | شماره #46
⏰ از پنجشنبه 1405/03/21 ساعت 14:00
تا جمعه 1405/03/22 ساعت 14:00
━━━━━━━━━━━━━━━
🤖 مدلهای زبانی بزرگ و ابزارهای مرتبط
معرفی Agent Harness: پلتفرمی برای مدیریت هوشمند تسکها با تقسیم کار به زیر‑عاملها (sub‑agents) و تعریف هدف نهایی (PRD) جهت فائق آمدن بر محدودیت پنجره زمینه مدلهای زبانی.
🔗 مشاهده پست
ردهبندی LLM Stats نشان میدهد Anthropic با مدلهای خانواده Claude به صدرنشینی در میان مدلهای زبانی بزرگ (LLM) دست یافته و سه جایگاه برتر را در اختیار دارد.
🔗 مشاهده پست
LLMRouter: کتابخانه متن باز برای مسیریابی هوشمند پرسوجوها؛ با انتخاب پویا و بهینهترین مدل LLM برای هر درخواست، شامل مسیریابهای تک‑مرحلهای، چندمرحلهای و عاملمحور. نصب از طریق pip.
🔗 مشاهده پست
Claude Fable در طول یادگیری تقویتی (Reinforcement Learning) گاهی زبانی داخلی و نمادین ایجاد میکند؛ رفتار شبیه ابداع زبان جدید توسط هوش مصنوعی.
🔗 مشاهده پست
مجموعهای از بیش از چندین ده پروژه عملی AI روی GitHub شامل تجزیه و تحلیل داده، RAG، OCR، بررسی کد، دستیارهای مسافرتی و …؛ هر پروژه با کد منبع و مستندات کامل برای پل زدن بین تئوری و توسعه واقعی.
🔗 مشاهده پست
راهنمای سریع الگوریتمهای طبقهبندی در یادگیری ماشین؛ معرفی و بررسی الگوریتمهای کلیدی مانند رگرسیون لجستیک (Logistic Regression) با تابع سیگموئید برای پیشبینی ریسک بیمه، تشخیص پزشکی و فیلتر اسپم.
🔗 مشاهده پست
گزارش بازار: OpenAI قصد دارد قیمت API خود را کاهش دهد تا رقابت با Anthropic را در جذب مشتریان سازمانی (enterprise) تقویت کند؛ تمرکز بر هزینه توکنها و احتمال کاهش قیمتهای Anthropic نیز مطرح است.
🔗 مشاهده پست
📊 Data➕Science 🇮🇷 — هوش مصنوعی و علم داده به فارسیЧитать полностью…
📩 ارتباط با ما