21724
هوش مصنوعی و برنامه نویسی پایتون؛ مسیولیت هر پست به عهده ادمینی که فرستاده میباشد. AI Admins: @FaRzAhss @Kingeng @Bellman281 Linux: @salvador_immortal تبلیغات و تبادل: @FaRzAhss
به روزرسانی های 16 ژانویه در آژور که ممکن نشده بود در چانال بذاریم
👉 @ai_python 🦁 ☀️
https://youtu.be/0U9CjXk5o2E?si=JZju3U06nRbBM5tA
نحوه استفاده از Agent Skills ها در Visual Studio Code جهت افزایش کارایی
👉 @ai_python ✍️
https://youtu.be/fabAI1OKKww?si=Wk_hbLjMDG1NVbXx
ابزاری برای بررسی میزان جمعیت در مکان های متفاوت (این ابزار OpenSource است)
👉 @ai_python ✍️|
https://www.mapchecking.com/
وزارت بهداشت و خدمات انسانی آمریکا (HHS) بهتازگی بزرگترین دیتاست Medicaid را در تاریخ این نهاد بهصورت متنباز منتشر کرده است. این مجموعه داده شامل اطلاعات تجمیعشده و سطحارائهدهنده از درخواستهای پرداخت (claims) برای یک کد مشخص صورتحساب در طول زمان است. چنین دادهای امکان مشاهده الگوهای رفتاری ارائهدهندگان خدمات درمانی را با دقتی بیسابقه فراهم میکند.
👉 @ai_python ✍️
اهمیت این دیتاست در آن است که میتواند بهعنوان ابزاری قدرتمند برای شناسایی الگوهای غیرعادی و کشف تقلب در سیستم سلامت مورد استفاده قرار گیرد. خود تیم HHS DOGE اشاره کرده که با همین دادهها میشد تقلب گسترده در تشخیص اوتیسم در ایالت مینهسوتا را خیلی زودتر شناسایی کرد. انتشار عمومی این دادهها به پژوهشگران، روزنامهنگاران و تحلیلگران مستقل اجازه میدهد رفتار سیستم سلامت را شفافتر و دقیقتر بررسی کنند.
👉 @ai_python ✍️
این دیتاست توسط تیم HHS DOGE منتشر شده؛ گروهی در وزارت بهداشت آمریکا که مأموریتش افزایش شفافیت، تحلیل دادههای سلامت و مبارزه دادهمحور با تقلب است. انتشار این مجموعه داده از طریق پورتال رسمی دادههای باز دولت آمریکا، opendata.hhs.gov، گامی مهم در جهت پاسخگویی عمومی و تقویت اعتماد به سیستم سلامت محسوب میشود.
👉 @ai_python ✍️
دانلود در این لینک :
https://opendata.hhs.gov/
مهندسی اجنت ها، شاخه ای بسیار مهم در مهندسی نرم افزار
👉 @ai_python ✍️
رودمپ DevOps برای سال 2026 :
👉 @ai_python ✍️
https://youtu.be/h-xaWRGBxC4?si=xL0QeDUIVGua_Jf2
استانداردی که شاید به زودی جایگزین ابزارهایی مثل PortKey بشه (قبلن بارها درباره Portkey و کاربرد آن در چانال صحبت کردیم)
👉 @ai_python ✍️
https://youtu.be/b-BzeHF6WLA?si=VWVgI22OF3yT-Fyk
اسپیس اکس داره برای دیتاسنترهای مداری هوش مصنوعی استخدام انجام می ده (آستین + سیاتل).
تمرکز روی مهندسان Solar, Automation, Manufacturing, Optics, Software و HW مقاوم به تشعشع. هدف اصلی: انتقال محاسبات سنگین AI (آموزش + استنتاج) به مدار LEO
استفاده از انرژی خورشیدی ۲۴/۷ + خنکسازی طبیعی خلأ
🖥 @elonfact 🙄
هدف بلندمدت: ۱۰۰ گیگاوات ظرفیت محاسباتی AI جدید هر سال
برنامه درخواست مجوز: تا ۱ میلیون ماهواره محاسباتی
طبق پیشبینی ماسک:
احتمالاً از ۲۰۲۸–۲۰۲۹ محاسبات AI در فضا از نظر هزینه از زمین سبقت میگیره.پروژه بعد از ادغام SpaceX × xAI سرعت گرفته و الان در فاز استخدام و طراحی اولیه است.
این ویدیو برای افرادی که قصد دارن در آینده در اکوسیستم مایکروسافت، سرویس های هوش مصنوعی ارائه بدن، بسیار مهم هست. ( یا در حال حاضر ارائه می دن)
👉 @ai_python ✍️
مواردی که پوشش داده شده :
💬 Agent Factory
💭 Model Router
💬 Microsof Defender for AI Services
https://youtu.be/a0byEIaDi8U?si=7f91KCQJucqzVUuj
👉 @ai_python ✍️
انواع منابع پردازشی موجود در Azure Machine Learning :
👉 @ai_python ✍️
1️⃣ Compute instance: Behaves similarly to a virtual machine and is primarily used to run notebooks. It's ideal for experimentation.
2️⃣ Compute clusters: Multi-node clusters of virtual machines that automatically scale up or down to meet demand. A cost-effective way to run scripts that need to process large volumes of data. Clusters also allow you to use parallel processing to distribute the workload and reduce the time it takes to run a script.
3️⃣ Kubernetes clusters: Cluster based on Kubernetes technology, giving you more control over how the compute is configured and managed. You can attach your self-managed Azure Kubernetes (AKS) cluster for cloud compute, or an Arc Kubernetes cluster for on-premises workloads.
4️⃣ Attached compute: Allows you to attach existing compute like Azure virtual machines or Azure Databricks clusters to your workspace.
5️⃣ Serverless compute: A fully managed, on-demand compute you can use for training jobs.
اهمیت مهندسی اجنت ها در دنیایی که مهندسی اجنت ها از اجزای اصلی مهندسی نرم افزار است :
👉 @ai_python ✍️
این پست در تاریخ 2 ژانویه 2026 برای اولین بار توسط LangChain منتشر شد.
https://www.linkedin.com/pulse/agent-engineering-new-discipline-langchain-27pzc/
👗3D Dynamic Garments👗
👉UCLA introduces Dress-1-to-3, a novel pipeline that reconstructs physics-plausible, simulation-ready separated garments with sewing patterns and humans from an in-the-wild image.
👉Review https://t.ly/qciHV
👉Paper arxiv.org/pdf/2502.03449
👉Project dress-1-to-3.github.io
یکی از مهم ترین محصولات ابری که هر متخصص هوش مصنوعی باید باهاش آشنا باشه، Microsoft Foundry هست. اگر خارج از ایران زندگی می کنید هم قطعن با اهمیت این محصول در محل کار خود آشنا هستید.
👉 @ai_python ✍️
در این راهنما که برای تازه کارها تهیه شده، ساخت یک AI Agent با استفاده از منوی Workfklows آموزش داده می شود. (بدون نیاز به کدنویسی)
https://youtu.be/tZ6Y1IIAdx8?si=uVJ0B6D7O5BomOQi
یک مهندس سابق گوگل به نام لینوِی دینگ (Leon Ding) توسط هیئت منصفه فدرال در سانفرانسیسکو به جاسوسی اقتصادی و سرقت اسرار تجاری مرتبط با فناوری هوش مصنوعی گوگل محکوم شد.
دینگ هزاران صفحه از اطلاعات محرمانه مربوط به زیرساخت سختافزاری و نرمافزاری ابررایانههای هوش مصنوعی گوگل را بین سالهای ۲۰۲۲ تا ۲۰۲۳ سرقت کرده بود.
او این دادهها را به حساب شخصی Google Cloud خود منتقل کرده بود.
همزمان، او با دو شرکت فناوری در چین همکاری پنهانی داشت و حتی در حال تأسیس شرکت خودش در چین برای توسعه ابررایانههای هوش مصنوعی بود.
در ارائههایش به سرمایهگذاران ادعا کرده بود که میتواند با کپی و اصلاح فناوری گوگل یک ابررایانه هوش مصنوعی بسازد.
او برای یک برنامه استعدادهای دولتی چین نیز درخواست داده بود و هدفش را «کمک به چین برای رسیدن به سطح جهانی در توان پردازشی» عنوان کرده بود.
این پرونده اولین محکومیت رسمی در زمینه جاسوسی اقتصادی مرتبط با هوش مصنوعی در آمریکا محسوب میشود.
دینگ ممکن است برای هر اتهام ۱۰ تا ۱۵ سال زندان دریافت کند.
👉 @ai_python 🦁 ☀️
https://www.justice.gov/opa/pr/former-google-engineer-found-guilty-economic-espionage-and-theft-confidential-ai-technology
به روزرسانی های تا 13 فوریه مایکروسافت آژور
👉 @ai_python 🦁 ☀️
https://youtu.be/gFh0kpFrND8?si=ETTjkew5znNbXxfx
کمپانی SpaceX یکی از اولین مشتری های Enterprise گروک محسوب می شه.
🖥 @elonfact 🙄
در واقع این نسخه سفارشی سازی شده از گروک با نام Spok بر روی داده های کمپانی های فعال در حوزه صنایع فضایی به خصوص خود SpaceX آموزش داده شده است.
🟢 مدل تخصصی پزشکی برای تحلیل متن بالینی
🔹 Bio_ClinicalBERT
این مدل در Hugging Face منتشر شده و برای درک متن بالینی واقعی (مثل پروندهها، شرح حال و یادداشتها) آموزش دیده است.
📌 لینک مدل: https://huggingface.co/emilyalsentzer/Bio_ClinicalBERT
مزایا برای پزشکان:
✔ طراحی شده برای «متن بالینی واقعی»
✔ بهتر از مدلهای عمومی مفهومهای پزشکی را درک میکند
✔ مناسب برای خلاصهسازی و تحلیل متنهای بالینی
اما هنوز:
⚠ جایگزین تصمیم درمانی نیست
⚠ مسئولیت نهایی با #پزشک است
🆔 @AI_HealthHub
برای این که بدونید سرویس جدید MixBoard گوگل که بر پایه هوش مصنوعی هست به چه دردی می خوره، این ویدیو رو ببینید.
👉 @ai_python ✍️
البته هنوز در تمام ریجن ها فعال نیست. برای مثال من سعی کردم از اتریش امتحان کنم و فعلن برای من قابل استفاده نبود. (تا تاریخ اولین انتشار این پست در کانال : 9 ژانویه 2026 )
این وویس به معرفی و تبیین مهندسی عامل (Agent Engineering) میپردازد و آن را به عنوان یک نظم و انضباط نوین برای تبدیل سیستمهای هوش مصنوعی غیرقابلپیشبینی به ابزارهای تجاری قابلاطمینان معرفی میکند. نویسنده با تأکید بر چرخهی تکرارپذیر «ساخت، آزمایش، عرضه و مشاهده»، توضیح میدهد که برخلاف نرمافزارهای سنتی، عاملهای هوشمند به دلیل ماهیت تطبیقپذیر و غیرقطعی خود، نیازمند پایش مداوم و اصلاح بر اساس رفتارهای واقعی کاربران هستند.
👉 @navidcasts 🎓
این نوشتار با ترکیب مهارتهای تفکر محصول، مهندسی زیرساخت و علوم داده، چارچوبی عملی ارائه میدهد تا تیمها بتوانند از طریق یادگیری از محیط عملیاتی، بر چالشهایی نظیر ورودیهای پیشبینینشده و دیباگینگ دشوار غلبه کنند. در نهایت، هدف اصلی این متن تأکید بر این نکته است که موفقیت در عصر جدید هوش مصنوعی نه در کمالگرایی پیش از عرضه، بلکه در توسعهی سیستماتیک و سریع بر اساس دادههای واقعی نهفته است.
FYI
👉 @ai_python ✍️
https://x.com/IntCyberDigest/status/2010063149702287577
مدل GPT-5.3-Codex :
👉 @ai_python ✍️
https://openai.com/de-DE/index/introducing-gpt-5-3-codex/
این وویس به معرفی و تبیین مهندسی عامل (Agent Engineering) میپردازد و آن را به عنوان یک نظم و انضباط نوین برای تبدیل سیستمهای هوش مصنوعی غیرقابلپیشبینی به ابزارهای تجاری قابلاطمینان معرفی میکند. نویسنده با تأکید بر چرخهی تکرارپذیر «ساخت، آزمایش، عرضه و مشاهده»، توضیح میدهد که برخلاف نرمافزارهای سنتی، عاملهای هوشمند به دلیل ماهیت تطبیقپذیر و غیرقطعی خود، نیازمند پایش مداوم و اصلاح بر اساس رفتارهای واقعی کاربران هستند.
👉 @navidcasts 🎓
این نوشتار با ترکیب مهارتهای تفکر محصول، مهندسی زیرساخت و علوم داده، چارچوبی عملی ارائه میدهد تا تیمها بتوانند از طریق یادگیری از محیط عملیاتی، بر چالشهایی نظیر ورودیهای پیشبینینشده و دیباگینگ دشوار غلبه کنند. در نهایت، هدف اصلی این متن تأکید بر این نکته است که موفقیت در عصر جدید هوش مصنوعی نه در کمالگرایی پیش از عرضه، بلکه در توسعهی سیستماتیک و سریع بر اساس دادههای واقعی نهفته است.
👉 @ai_python ✍️
اعلام همکاری ان ویدیا و داکلینگ در CES در 7 ژانویه 2026
کلمه Docling رو در کانال سرچ کنید، مطالب زیادی دربارش داریم.
هدف فیلتر بان
👉 @ai_python ✍️
https://youtu.be/TpccDxGGMnk?si=xnSDY54oxVTRrgmy
این مقاله با تکیه بر دادههای جمعآوریشده از کاربران موبایل در آمریکا، نخستین ارزیابی تجربی از شبکهٔ «ارتباط مستقیم ماهواره به موبایل» استارلینک را ارائه میدهد و نشان میدهد که این فناوری، که از ۲۰۲۴ با همکاری T‑Mobile و در قالب سرویس پیامکی آغاز شده، در عمل قابل اتکا است اما هنوز محدودیتهای مهمی دارد. پژوهش نشان میدهد که با افزایش تعداد ماهوارهها، تعداد سلولهای قابل مشاهده و حجم اندازهگیریها نیز بیشتر شده و استفاده عمدتاً در مناطق فاقد پوشش زمینی رخ میدهد.
@WearebiTs 🐤
کیفیت سیگنال نسبت به شبکههای زمینی بسیار ضعیفتر است (میانگین RSRP حدود ۲۴ دسیبل پایینتر)، هرچند RSRQ کمی بهتر است که با ماهیت پیامکی سرویس فعلی سازگار است. تحلیل SINR نشان میدهد که سرویس دادهٔ آینده احتمالاً حدود ۳ مگابیتبرثانیه برای هر beam در فضای باز ارائه خواهد داد و با تصمیمات مقرراتی و توسعهٔ بیشتر منظومهٔ ماهوارهای میتواند تا حدود ۱۸ مگابیتبرثانیه افزایش یابد. این مطالعه تصویری واقعگرایانه از توان فعلی و مسیر تکامل DS2D ارائه میکند و نشان میدهد که این فناوری در وضعیت کنونی بیشتر برای پوشش پایه و اضطراری مناسب است، نه جایگزینی کامل برای شبکههای زمینی.
https://arxiv.org/abs/2506.00283
در این Path از گوگل، یاد خواهیم گرفت، که چگونه می توان با استفاده از TPU های گوگل Inference انجام داد.
👉 @ai_python ✍️
این یکی از نیازهای اساسی بسیاری از سازمان های Enterprise هست که نیاز به پردازش های سنگین دارند.
https://www.skills.google/paths/3310
از جمله مدل های امبدینگ که تصاویر و ویدیو را نیز علاوه بر متن پشتیبانی می کند :
👉 @ai_python ✍️
https://youtu.be/fY3-YeveBgA?si=dHzDjo-Cje0RrkW7
در چند وقت اخیر پست های زیادی درباره اهمیت روز افزون هوش مصنوعی در صنایع نظامی قرار دادیم. همچنین از ماه ها پیش، از تمرکز سند پروژه شکوفایی ایران که رضا پهلوی و تیم ایشون در نیمه اول سال 2025 آماده و منتشر کردند، به استفاده از هوش مصنوعی به خصوص در زمینه بهداشت و سلامت و همچنین در زمینه نظامی صحبت کردیم.
👉 @ai_python 🦁 ☀️
امروز اکانت U.S. Army در توییتر از یک هوش مصنوعی اختصاصی در خصوص مسائل نظامی رونمایی کرد.
البته برای استفاده از این هوش مصنوعی به نام GenAI.mil بایستی از شبکه DoW networks اقدام شود.