YUV.AI - בינה מלאכותית בעברית

מתנה לפורים: איך החלפתי את הפנים והקול שלי לשל דמות אחרת? צפו וגלו את הסוד! תודה לישי רזיאל התותח על המודל של אביב גפן, ועל ההמלצות השוות!! @Yishay Raziel #בינהמלאכותית #החלפתפנים #שינויקול #מידול #שיבוט #דיפפייק #ai #deepfake #df #voicecloning #favwswap #facefusion

🐸 שמעתם על הסטארטאפ JFROG? אז מסתבר שאני משפיען טכנולוגי וקיבלתי מהם חבילה מגניבה, ואיך לא - הזמנתי את מורגן פרימן להסביר מי הם בכלל ומה הם עושים, וכל זה ב-37 שניות! כדי ליצור את הסרטון השתמשתי ב: - צילום חלקים מהספר והנפשה באמצעות CapCut / Pika - יצירת הקול עם Play.ht - כתוביות עם Captions AI - אני כתבתי את הטקסט, וערכתי עם CapCut ושם בחרתי אפקטים של AI - קטעי השילוב של הבובה הם מסרטון מדהים שמצאתי מה דעתכם? מה חושבים? והכרתם את JFROG? @JFrog IL #jfrog #ai #frog #artificialintelligence #גייפרוג #צפרדע #בינהמלאכותית #capcut

קבלו איך הפכתי תמונה משעממת שלי בנתב״ג - לתמונה יפהפיה בדובאי! #בינהמלאכותית #אדובי #אינפיינט #גרפיקה #עריכה #ai #inpaint #adobe #firefly #generativefill #פיירפליי

הרגע הגדול הגיע: מודל השפה גרוק של אילון מאסק שוחרר בקוד פתוח וזמין להורדה דרך גיטהאב! אזכיר שגרוק הוא מודל שפה מבוסס דאטה של טוויטר, יש לו מצב של ציניות כדי להוסיף הומור, והוא אמור להיות מסוגל לפתור בעיות קשות ש OpenAI או מודלים אחרים לא מצליחים לפתור. קישור: https://github.com/xai-org/grok-1 *יובל אבידני*

הבנו שAI הוא מגניב, אבל במה תכלס הוא יכול לעזור לנו שיהיה גם שימושי? בואו נדבר על זה >>>

ספונטניים? אני מגיע לדובאי בשבוע הבא ואשמח לעזרה במציאת מקום להעביר בו הרצאה כיפית על AI, ואם אתם ספונטניים\ות ורוצים להצטרף להרצאה - עדכנו אותי ואשמח לפגוש אתכם! יובל

הקבוצה השקטה התמלאה מבלי ששמתי לב, ובשעה טובה פתחתי קבוצת עדכונים שקטה נוספת. אם יש מישהו/י שלא הצליח להצטרף אשמח אם תוכלו להעביר את הלינק, ובכלל אשמח על כל שיתוף 🙏 אנחנו מונים כבר אלפים בקבוצות השונות וזה כיף גדול אז תודה רבה לכם, בואו נצמח ב-AI ביחד! קישור לערוץ השקט הנוסף - https://chat.whatsapp.com/Ds20o8yNmEuGdFaJcdHjYN

הפצצתם אותי בפרטי אז הקלטתי סרטון זריז של השוואה בין GPT לקלוד בשאלות מתמטיות, על מודל שפה ומתמטיקה, על WOLFRAM ALPHA, על כמה נשאר נטו מברוטו למען השם ועוד! הקרנת בכורה ממש עכשיו: https://youtu.be/g57R5lqOrVI

דרמה שקטה אך רועשת: OpenAI משחררים לאוויר העולם כלי אדיר וחדש שאמור לעזור לנו להבין, מתחת למכסה המנוע, איך עובד מודל הטרנזפורמרים במודלים קטנים של שפה. הוא נקרא Transformer Debugger. יש פה משמעות אדירה: נוכל סופסוף לנסות לחקור *למה* מודל שפה מבוסס טרנזפורמרים כמו GPT מתנהג בצורה שבה הוא מתנהג, להבין איך מנגנון תשומת הלב עובד, למה הוא נותן דגש במשפט מסוים ואיך, ואולי גם לחקור לעומק את היכולת של השפה העברית! שלא במקרה, שחרור הקוד הזה בחינם לכולם, מתבצע לאחר הפרסום של אילון מאסק להפוך את מודל השפה שלו, גרוק, לקוד מקור פתוח. ב OpenAI מזהים את הסכנה ומגיבים במהירות האור כיאה לחברה בסדר הגודל שלהם. הכלי דורש הבנה בלמידת מכונה וידע טכני די נרחב. אבל יש פה דרמה טכנית, ומאוד משמעותית. לכלי: https://github.com/openai/transformer-debugger *יובל אבידני*

סוכני AI הם סך הכל פרומפט מערכת נפרד. אם זה לא אומר לכם כלום - תקראו את הפוסט ⬇️ כשאנחנו אומרים ״סוכני AI״, לרוב אנחנו מדברים על שימוש בשיחה עם קלוד או GPT באמצעות קוד, ומתן זהות נפרדת בחלק של השיחה שאחראי על הזהות של הצ׳אטבוט. כדי שנבין: שיחה עם צ׳אט GPT או קלוד מתחלקת למרכיב של השיחה עצמה, אך גם למרכיב נוסף, שלא כולם מודעים אליו, שנקרא System Prompt. זה החלק שבו אנחנו אומרים לצ׳אט: שומע? אתה נציג מכירות, או שירות, או רופא, או מהנדס בניין. זה החלק שבו אנחנו אומרים לצ׳אט מי הוא, מהו, מה הוא יודע לבצע ומה בכלל הידע שלו. את כל זה אנחנו אורזים יפה ומכנים בשם ״סוכן״ לתחום מסוים. כך בכל פעם שנרצה סוכן חדש, נבצע אותו דבר, נגדיר זהות אחרת, וניתן שם אחר, והופ: יש לנו עוד סוכן. ובשלב מסוים הם יכולים לייצר אינטראקציה ביניהם. שזה שלב מאוד מעניין. אבל זה הרעיון: להגדיר System Prompt = להגדיר זהות לסוכן. החידוש בכך הוא שעל ידי כך, יש לנו אפשרות גם לטעון מאגר ידע נפרד לכל סוכן, וזו יכולת מאוד עוצמתית. גם System Prompt וגם ידע בלעדי. למען הסר ספק, פרומפט זה הטקסט שאנו מזינים בשיחה עם מודל שפה. פרומפט מערכת זה טקסט שאנו מזינים במקום אחר, בקוד זה ממש מוגדר ידנית בחלק מסוים, שמגדיר את זהות המערכת. את המוח. המנוע. ואיך אפשר בפועל להגדיר זאת? בקוד אפשר כמובן עם LangChain המלך, ועם CrewAI, ועם AutoGen של מייקרוסופט, ועם ה-API הרגיל של GPT או קלוד וללא קוד? כמובן עם Officely האדירים והישראלים שיש להם גם הנחה מיוחדת עם הקופון YUVALAI20 עם uchat האוסטרלים עם botpress עם voiceflow עם flowiseai עם AutoGen Studio זה באמת עד כדי כך פשוט, ועד כדי כך עוצמתי. מקווה שקיבלתם ערך, ואם כן - תנו בלייק, תגובה, שיתוף! כל מעשה טוב יעזור! 🙏 *יובל אבידני* נ.ב - התמונה נוצרה עם הגרסא החדשה של מחולל התמונות המדהים IDEOGRAM AI שמצליח לשלב טקסט מושלם! (לא, טרם בעברית)

זה הקישור https://epomaker.com/products/feker-alice

גם גוגל לא מאמינה בג׳ימיני! לפי מסך פנימי, בגוגל הזינו שאלות למשרת תכנות לצ׳אט GPT, שעבר בהצלחה רבה את המבחן והתקבל למשרה שהשכר הכולל שלה הוא 183,000 דולר בשנה! אז אף אחד לא שאל את זה, אבל אני שואל - למה גוגל לא השתמשו בג׳ימיני כדי לקבל את התוצאות? למה הם השתמשו ב ChatGPT? אולי זה בגלל שגם גוגל לא מאמינה במודל שלה? *יובל אבידני* https://www.pcmag.com/news/chatgpt-passes-google-coding-interview-for-level-3-engineer-with-183k-salary

המלצה חמה ולא ממומנת - מקלדת אלחוטית של Feker שנקראת Alice80, ארגונומית, יפהפיה! הזמנתי דרך Epomaker ואני ממש מרוצה. שוב, לא ממומן. אין לי אפילו קופון אבל חפרתי לאחרונה על מקלדות בלי סוף ומשתף אתכם שזה וואו.

למה מודלים גדולים של שפה הלהיבו אותנו אבל גם מאכזבים אותנו? ומהן הסכנות והאכזבות מהם - ואיך מתמודדים? כשגילינו שאין צורך להיות כל כך דקדקנים, ושפתאום המחשב מסוגל להבין את השאלה שלנו גם אם לא הגדרנו לו מראש תשובה מדויקת ומפורטת לפרטי פרטים, פתאום זה היה מרגש. פתאום הוא מצליח לכתוב עבורנו תוכן. וקוד. ולהיות גשר בין כלים, כזה שמצליח להבין אותנו וליצור לנו תמונות כפי מה שביקשנו. בערך. הסחף האדיר הזה גרם לעולם להצעיד את עצמו מיליוני צעדים קדימה. מסוכני AI וחבילות פיתוח ומוצרים ללא כל צורך בידע בקוד, דרך קורסים והסמכות וכלה בסטארטאפים וגיוסים סביב מוצרי AI שרובם מבוססים על חיבור למודל שפה כלשהו. ולצד זה, גם מגיעות האכזבות. בהן: - הטיה מגדרית, טענות שבינה מלאכותית מבצעת הטיה מגדרית. מנקה תהיה אישה. נהג יהיה גבר. דוגמנית תהיה אישה יפה ולבנה. אסיר יהיה גבר. - צנזורה. המודלים המסחריים מצונזרים כדי לוודא שלא מבצעים שימוש לא ראוי בפלטפורמה. הרי מודלים מסוגלים להשיב גם על שאלות לא אתיות ואלימות ומסוכנות. ויש מודלים חינמיים שמסוגלים לאפשר את זה. אבל המסחריים מצנזרים. מובן שזה נדרש, אך לעיתים יותר מדי גם היכן שלא נדרש. - התחושה שאנחנו תקועים בשלב של מודלים של שפה אבל מה הלאה? אנחנו רואים שלפעמים התשובות מעולות ולפעמים ממש לא. לפעמים הוא קולע ולפעמים הוא רחוק. התשובות ברובן קצרות, בעיות גדולות של זיכרון, חוסר תמיכה מספקת בשפה שהיא לא אנגלית. עלויות יקרות לאימון מודלים לצרכים אישיים וצורך בחומרה לא זולה. אז לגבי הטיות: זה לא שהבינה מטה מגדרית, זה שהיא מאומנת על תיוג של מידע בחלק מהזמן. ואם החומר המתויג הוגדרו הטיות - זה מה שהבינה תלמד. ולגבי צנזורה: במודלים של מייקרוסופט אפשר לבקש אישור להחריג את היכולות של הצנזורה, כמובן שזה לא ניתן לכל אחד ואחת ובטח שלא בקלות. אבל שתדעו שלצורך עסקי מוכח אפשר לקבל עזרה בהיבט הזה דרך Azure OpenAI. לגבי סכנות: תחשבו שמודלים מאומנים על מידע מהאינטרנט. אם נבנה אתרים פיקטיביים ונשתול שם קישורים זדוניים או מידע שקרי, בכמויות, אז המידע שהמודל יתאמן עליו יהיה שקרי שגוי ולא נכון. מה שמוביל לתשובות שגויות שעלולות להטעות את המשתמשים. סכנות נוספות: כאשר מודלים עוצמתיים מובלים על ידי חברות מסחריות אנחנו בבעיה. חברות מסחריות לא פועלות לשם שמיים. לא כדי להפוך את האנושות לטובה יותר. אלטמן, ביל גייטס והשאר - מחזיקים בכח אדיר בידיים שלהם. שהוא מסוכן מדי. מנגד, חברות משמעותיות כמו אנתרופיק וקלוד באמת מנסים לתת דגש על בטיחות. ובזכות מודלים קוד פתוח, הקהילה מאפשרת גם לנו להחזיר אלינו כח רב לא פחות. לגבי התקיעות עם מודלים גדולים של שפה: הם ילכו וישתפרו כמובן. בכל השפות. אבל החידושים הבאים יהיו מודלים שמראים גם יכולת חשיבה, עצירה, ביקורת עצמית, הבנה, ורק לאחר מכן מענה. לא מענה מהיר ומיידי, אלא ממש הוכחת יכולת של מחשבה וביצוע פעולה מקיפה ויסודית. גם עצם זה שהבנו את הפואנטה עם מודלים של שפה במתכונתם הנוכחית, אמורה לתת לנו זריקת מרץ להסיט את המבט אל עבר המכניקה של למידת מכונה, שלעניות דעתי מי שישלוט שם, הוא זה שישלוט גם בפריצות הדרך העתידיות. ואי אפשר בלי לתת ערך - 3 נקודות קטנות: - קלוד 3 לאחרונה הושק בכמה גרסאות, גרסת הדגל נקראת אופוס והיא ממש מעולה. לא ניסיתי אותה בקוד מול GPT4 ראש בראש עדיין אבל אני אופטימי. קלוד הוא מודל שפה ״שנכנס ללב״. יש בו קסם. הוא באמת מרתק ומסקרן ובכלל - שווה התייחסות ואי אפשר להתעלם ממנו. -!יש לנו יכולת היום לבצע ״המשך״ אימון של מודל שפה. מה שנקרא Fine Tune, שזה בגדול מאפשר לנו להמשיך את האימון עם דאטה משלנו, ועל ידי זה לשנות את המשקלים של הפרמטרים של המודל, מה שגורם לו להשיב על שאלות נוספות בהתאם לידע שנוסף לו או להתנהג אחרת. בהתאמה - כדי לעבוד עם מודלים חינמיים צריך משאבים רציניים יחסית. אפשר להתקין תוכנה כמו Ooga Booga או LMStudio או GPT4All שמאפשרות לנו לשוחח עם מודלים אחרים וחינמיים של שפה גם על חומרים מסווגים וכל זה מבלי לצאת לאינטרנט ואפילו לקבל ממשק נחמד לתשאול. מקווה שנהניתם מהפוסט, ואשמח לשמוע מה דעתכם על המודלים הקיימים - ולאן פנינו? *יובל אבידני*

צפו בראיון המלא שלי לערוץ רלוונט, דיברתי על סוכני AI עם כוחות על. מה זה, מה השימושים, ואיך שומרים על אבטחת המידע. אשמח לקרוא מה חשבתם 🙏 https://youtu.be/0OC4_ZZaO-E?si=hiloHJCvifTRpIEM

הוא לומד זאת על ידי המון דאטה + בחירת אלגוריתם של למידת מכונה שמנחה אותו כיצד ללמוד מלכתחילה. ברגע שתהליך הלמידה הסתיים, מתבצע תשאול אל מול הקובץ שנוצר, ומתקבל הניבוי, בתקווה גם להצלחה. אחד הכלים המעניינים מאוד נקרא Kaggle, אתר סופר מעניין שמכיל גם המון מידע וגם המון Data Sets שיכול לעזור לנו ליצור מודלים של למידת מכונה, בכל התחומים - רפואה, תעופה, שירות ועוד. איך מנתחים נתונים? איך מפתחים מודלים של למידת מכונה? על זאת ועוד בפרקים הבאים כמו שאומרים. ועד אז - מקווה שנהניתם מהפוסט! ואם יש לכם מה לתקן, להגיב או לשתף, אשמח מאוד לקרוא!! תודה לכם! *יובל אבידני*

איך נטפליקס ויוטיוב יודעים להמליץ לנו על תכנים שעשויים לעניין אותנו? כי עוד לפני שנים רבות הם הטמיעו AI במערכות שלהם כדי להבין טוב יותר את המשתמשים. כשאנחנו מדברים על AI ועל למידת מכונה, אנחנו לפעמים לא יודעים שמתחת למכסה המנוע מסתתר עולם שנקרא "מדעי הנתונים" או Data Science. העולם הנסתר הזה, בעצם מנסה לפתור בעיות באמצעות הוכחות מספריות. נבין את זה רקע באמצעות הצד ההפוך - נניח שאנחנו לא משתמשים בניתוח של נתונים. נניח שאנחנו נטפליקס, יש לנו המון תכנים, אנחנו רוצים למכור חבילות צפייה למשתמשים ולהרוויח כמה שיותר. אחלה. יש לנו מיליוני לקוחות וימבה כסף. אז איפה הבעיה? שזה שיש לנו מוצר מגניב ולקוחות משלמים זה מעולה. אבל מה אם היינו יכולים גם לנסות להבין את הצופים? איך היינו ניגשים לזה? היינו צריכים לאסוף מידע. כמה מנויים יש לנו, לאיזה מסלולים, מהם התכנים המובילים, באילו קטגוריות, מה מעניין משתמשים ומה לא, האם מגדר מסוים אוהב תוכן בסגנון אחד ומגדר אחר בסגנון שני? ומה לגבי מדינות? אולי בארץ אחת אוהבים סגנון A ואילו במקום אחר אוהבים B? ואולי גם נוכל לנסות להבין איזה תכנים יעניינו את הצופים? כי אם הם צפו ב-1 ו-2 ו-3, אולי יעניין אותם גם 4? אם צפיתי בהארי פוטר - האם אוהב את שר הטבעות? אם אני אוהב את סיינפלד (מה שנכון), האם אוהב גם את חברים (מה שסביר אבל פחות מסיינפלד. כן. פחות מסיינפלד)? למה כל זה בכלל מעניין אותנו? כי אם נצליח להבין את המשתמשים שלנו, נוכל ליצור חוויה "תפורה" אישית לכל אחד ואחת. נמליץ לכל צופה על תוכן שרלוונטי ספציפית אליה\ו. ואז מה? יצפו יותר, יתמכרו יותר, יאהבו יותר, ירגישו שמכירים אותם יותר, הרווחים יגדלו, והחוויה תהיה טובה יותר. ואיך אנחנו יכולים לעשות את זה? אנחנו יכולים להגדיר מה הפעולות שעליהן נשמור מידע בבסיס הנתונים שלנו. למשל - איזור, תוכן, משך צפייה, נושאים, סדרות ועוד. לאחר מכן, נוכל לייצא דוח ולעבור ידנית על הטבלה ולנסות להסיק מסקנות. ניתוח נתונים זה נקרא. אבל ידנית זה קשה מאוד. בטח כאשר יש טונות של דאטה. טונות של מידע. מאיפה בכלל מתחילים?! אז מסתבר שעוד לפני שנים רבות ניסו לפתור בעיות כאלה ועוד. איך? ישבו וחשבו, ואמרו: רגע, זה טונות של מידע. מה אם במקום לנתח את כל המידע הזה ידנית, פשוט נאגור אותו בכמויות ואז נזין אותו לתוך תוכנה שתנסה לזהות דפוסים, סוגים של צופים, חלוקה לקבוצות מסוימות? אולי כך נבין טוב יותר את הצופים שלנו? כאן העלילה מסתבכת כי אנו נאלצים שוב לחזור רגע אחורה ולתהות: מה הבעיה שאנחנו מנסים לפתור? הנה מספר דוגמאות: 1. איך אנחנו מציגים המלצות לצופים על תכנים שבאמת יעניינו אותם? אנחנו לא רוצים להציג תכנים אלימים לאנשים שצופים רוב הזמן בקומדיה רומנטית למשל. 2. מה המחיר המקסימלי שלקוח ישלם על חבילת צפיה, ועל איזה מסלול הכי משתלם לתת לו את ההנחה, או מה הסיכוי שלקוח מסוים יקח מסלול יקר יותר אם נלחץ לו על נקודה מסוימת? 3. הונאות. האם מתבצעות הונאות בעת תשלום? האם ניתן לזהות תוקפים שמנסים לגשת לחשבון של לקוח ממקום אחר פתאום? כדי להצליח לפתור כל אחת מהבעיות הללו, אנחנו צריכים מידע, דאטה, והמון ממנו. בכמויות. דאטה על משתמשים. ברגע שיש לנו את זה, אנחנו יכולים להחליט האם אנחנו רוצים גם לתייג ידנית מה נחשב לקוח "טוב" ומה לא, מה הסיכוי באחוזים שלקוח מסוים ירכוש מסלול פרימיום ומה לא, מתי הצגנו מודעה רלוונטית ומתי לא. ברגע שיש לנו מספיק דאטה, אנחנו יכולים להחליט באיזה אלגוריתמים של למידת מכונה נרצה להשתמש, בהתאם למה שאנחנו בעצם מנסים לנבא. כאמור, יש סוגים שונים, רבים מאוד. וזה הקטע המאתגר: להבין באיזה לוגיקה משתמשים. אבל ברגע שמחליטים, ויש לנו גם דאטה, אנחנו מתחילים תהליך אימון של מודל. במסגרתו, המכונה לומדת את המידע היטב, ומתחילה תהליך אימון שבסופה נקבל קובץ כלשהו שיישמר בצד. לאחר מכן, בכל פעם, לפני שנציג לצופה המלצה מסוימת, אנחנו נעביר את המידע על המשתמש למודל, והוא ינבא מה הסיכוים שזה התוכן הרצוי, ובמידה והסיכויים גבוהים - רק אז ההמלצה תוצג. זה קצה הקרחון. ובעצם מונחים טכניים שהזכרתי כאן כוללים: 1. למידת מכונה 2. למידת מכונה "לא מושגחת" שמסוגלת לזהות דפוסים \ דימיון בדאטה (CLUSTERING) 3. למידת מכונה "מפוקחת" או "מושגחת" שלומדת לנבא תוצאות בהתאם לתיוג שהוזן למידע מלכתחילה מקצת הכלים שבהם מבצעים שימוש כדי לפתור את הבעיות האלה: 1. פייתון כמובן (pandas, numpy) 2. scikit-learn חבילת אלגוריתמים של למידת מכונה 3. חבילות Machine Learning לפיתוח כמו PyTorch ו-TensorFlow תיארתי כאן הכל בצורה כללית מאוד, כדי לשמור על פשטות. עם הזמן נצלול עוד ועוד למונחים נוספים. אבל לסיכום: באמצעות מודלים של למידת מכונה, אנחנו יכולים ליצור מודל שילמד לבד איך לפתור את הבעיה שברצוננו לפתור.