محور برنامه نویسی جشنواره نوجوان خوارزمی

‏یک کتابخانه ویروسی در مخزن #پایتون وجود دارد! ‏▪️بسته‌ی مخرب Python با نام ‘fabrice’، که به‌صورت جعلی به‌عنوان کتابخانه محبوب ‘fabric’ معرفی شده است، اقدام به سرقت اطلاعات کاربری AWS می‌کند. این کشف نشان‌دهنده‌ی تهدیدات ناشی از کتابخانه‌های جعلی متن‌باز در مخازن رسمی است. کد اسپلور https://thehackernews.com/2024/11/malicious-pypi-package-fabrice-found.html?m=1 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

اگه شما هم با داده‌ و علوم‌ مربوطه سروکار دارید و دوست دارید چیزهایی که می‌سازید خیلی تعاملی باشه و UI داشته باشه، دوای دردتون این جاست. Streamlit🔥 💡 این ابزار یه کتابخونه است که کلی قابلیت و ویجت آماده داره که با چند خط کد ساده بهتون کمک می‌کنه کلی چیزهای مثل گرفتن ورودی، نشون دادن داده‌ها، نمایش نمودار، ساخت فرم، چت بات و... رو بسازید. چندتا نمونه اسکرین شات براتون گذاشتم که ببینید. لینک وب‌سایت لینک مستندات #tools #ML #software 🆔 @lifeAsAService

SUM: Saliency Unification through Mamba for Visual Attention Modeling ▪️ Paper ▪️ Git ▪️ Project page ▪️ Google colab In this paper, a novel approach called Saliency Unification through Mamba (SUM) is introduced, integrating Mamba's efficient long-range dependency modeling with U-Net architecture to develop a unified model for various image types. The introduction of the Conditional Visual State Space (C-VSS) block enables SUM to dynamically adapt to different visual characteristics across natural scenes, web pages, and commercial imagery. This adaptability allows SUM to outperform existing models in visual attention modeling, making it a universally applicable and robust solution for diverse image types. #ایده_جذاب #مقاله 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

Test time training که از MIT هم اومده بسیار جذابه‌ها (نه برای پروداکشن البته؛ حداقل فعلا نه).

شماهایی که از من بیشتر AI کار کردین می‌دونید که مفهومی وجود داره تحت عنوان «کاهش ابعاد» یا به همون اسم خارجکیش Dimension Reduction. این مفهوم می‌گه وقتی توی یه مسئله‌ی یادگیری ماشین تعداد ویژگی‌ها(ورودی‌ها) زیاد می‌شه دردسرهاش هم زیاد می‌شه. دردسرهایی مثل هزینه‌ی پردازشی زیاد، هم‌پوشانی ویژگی‌ها و غیره. این مفهوم البته توی خیلی جاهای دیگه هم کاربرد داره و کلا هر جایی مسئله‌ای هست خب حتما ساده‌سازی مسئله هم هست. اما چرا باید ابعاد مسئله رو کم کنیم؟ اگه ابعاد مسئله رو کم کنیم(به نوعی داریم ساده‌سازی می‌کنیم) آیا مسئله خراب نمی‌شه؟ جزئیات مربوط به مسئله از بین نمی‌ره؟ صحبت کردن در باب ساده‌سازی مسئله شاید یه ذره صحبت از بدیهیات باشه ولی اشارکی می‌کنیم. این که شما بتونید فاکتورهای تعیین‌کننده‌ی مسئله رو کاهش بدید به شما کمک می‌کنه اون مسئله رو زودتر و با صرف منابع کمتری حل کنید. پیچیدگی مسئله رو کاهش بدید. همچنین می‌شه به‌ راه حلی دست پیدا کرد که جنرال‌تره و قابل تعمیم به مسائل مشابه هم هست. گاهی حتی این ساده‌سازی باعث می‌شه مسئله قابل حل بشه و این خیلی مهمه. اما سوال دوم: اگه ما ابعاد مسئله رو کاهش بدیم آیا مسئله گم نمی‌شه؟ جوابش اینه که چرا گم می‌شه. اما از یه جایی به بعد. این که شما بتونید ویژگی‌هایی رو پیدا کنید که حذف کردنشون(یا ادغام کردنشون) تاثیر چندانی روی مسئله نذاره واقعا هنره. جاهایی مثل ماشین لرنینگ براش تکنیک‌های زیادی داره. مثلا یه چیزی مثل تحلیل حساسیت(فکر کنم بهش همبستگی یا ضریب همبستگی بالا هم بگن) می‌گه که اگه رفتار دوتا ویژگی خیلی شبیه به همه، احتمالا می‌تونی یکی از اونها رو حذف کنی. گاهی ممکنه حذف کردن یه ویژگی روی نتیجه‌ی نهایی تاثیر داشته باشه آیا نباید اونو حذف کرد؟ اینجا برمی‌گردیم به مبحث شیرین هزینه/فایده. اگه اون ویژگی رو حذف کنی چی به دست میاری؟ و چی از دست می‌دی؟ ممکنه اون ویژگی رو حذف کنی یه بهبود خفنی هم روی سرعت حل حاصل بشه ولی از دقت مسئله ۳ درصد کم بشه. آیا این برای مسئله‌ی شما اوکیه؟ باید جواب این سوال رو پیدا کنید. برای منی که از مهندسی نرم‌افزار سراغ هوش رفتم اما این مفهوم یادآور مفهوم شیرین «انتزاع» هم هست. چشم پوشی از جزئیات غیرضروری. ۱۰ ۱۲ سالی هست که توی این کارها هستم و این مدت به اندازه‌ی خودم تکنیک و روش و مسئله و غیره دیدم. کلی هم متنوع بودن. اما چیزی که از مفهوم انتزاع و یا کاهش ابعاد به یاد من موند و توی زندگیم به کار گرفتم همیشه ثابت بوده. یاد گرفتم توی بحران‌ها و مشکلات زندگی یکی از اولین کارهایی که باید انجام بدم کاهش ابعاد اون مشکله. چند نفر هستن که واقعا اون مشکل بهشون مرتبطه و توی اون مشکل تاثیرگذار هستن؟ یادم نمیاد در بحرانی‌ترین حالت بیش از سه چهار نفر بوده باشن. چه چیزهایی روی اون مشکل زندگی من تاثیر داشتن و باید واقعا روشون فکر می‌کردم و ازشون برای حل مسئله کمک می‌گرفتم؟ کمتر از ۴تا غالبا. گاهی واقعا به این مرحله رسیدم که یکی از فاکتورها رو که حذف کردم تونستم مسئله رو حل کنم(تا قبل از اون حل نمی‌شد). باید سعی کنید به هر ویژگی به اندازه‌ی تاثیرش وزن بدید نه بیشتر و نه کمتر(مگر آگاهانه و با هدف گردوندن بازی). وقتی توی مشکلی گیر می‌کنید یا می‌خواید تصمیم مهمی بگیرید یا کلا سردرگم می‌شین، یکی از اولین کارهایی که باید انجام بدید کاهش ابعاد مسئله است. سخته، جرات می‌خواد، جسارت می‌خواد ولی راهشه. #هوایی 🆔 @lifeAsAService

ابزارهایی که از #هوش_مصنوعی برای کمک کردن ساختن ◾️ http://bolt.new - Frontend Engineer ◾️ http://aider.chat - Backend Engineer ◾️ CrewAI - Product Designer / Manager ◾️ Claude AI - Content Creator 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

تا ابد نمی‌توان کوانتایز کرد. این هفته، گویا هفته داغ بحث درمورد Scaling Law هست وحالاکاری اومده وسعی کرده Scaling Law روبرای Arithmetic precisionهای مختلف ارائه بده.ماشبکه‌های عصبی روبه دو طریق می‌تونیم Precisionشون رو دستکاری کنیم، یا با کوانتیزه‌کردن Post-Training یااین هم که موقع آموزش شبکه بیایم وبا precision‌های پایین مثل ۸ بیتی یا ۱۶ بیتی شبکه رو آموزش بدیم. این کارها رو هم می‌کنیم تا شبکه کوچکتری داشته باشیم برای inference. حالا این پیپر دو چیز مهم رو ادعا کرده. یکی این که شماالزاما هرچی دیتاست آموزش رو بزرگتر کنید وقتی کوانتایزش کنید الزاما با مدل بهتری رو به رو نخواهید شد. به همین دلیل لاما ۳ که چهارصد و خورده‌ای بیلیون پارامتر داره سخت کوانتایز میشه. یافته دومشون هم این که حتی فرآیند آموزش مدل‌ها با precision‌های پایینتر هم بی‌هزینه نیست و مثلا یک مدل ۱ بیلیون پارامتر با FP4، عملکرد قابل مقایسه‌ای با یک مدل ۲۵۰ میلیون پارامتر با BF16 داره. ازلحاظ Scale Law واقعاداریم به دیوار می‌خوریم. ▪️ Scaling Laws for Precision #علوم_پزشکی #مقاله #ایده_جذاب 🔸 مطالب بیشتر 👇👇 ✅ @AI_DeepMind 🔸 @AI_Person

زمستان Scaling برای هوش مصنوعی؟ یکی از اخبار داغ این روزهای هوش مصنوعی، پستی بود که رویترز منتشر کرد و در اون ادعا کرد که Ilya Sutskever، یکی از بنیانگذاران openai که بعد از کودتای سم آلتمن مجبور به ترک این شرکت شد، به رویترز گفته که پارادایم اسکیلینگ روی LLM‌ها گویا دچار مشکل شده و نهایتا داره انگار آروم می‌گیره و فلت می‌شه و رشدشون کم و کمتر میشه. توضیح این که scaling به زبان خیلی خلاصه، ایده‌ای هست که میگه هر چه قدر مدلها رو بزرگتر کنیم و داده آموزشی‌شون رو هم بیشتر کنیم، عملکردشون هم بهتر و بهتر می‌شه، تا حدی که بالاخره به AGI و هوش جامع مصنوعی برسیم. حالا ایلیا ادعا کرده که این ایده با مشکل مواجه شده، به این لفظ زیر ایلیا توجه کنید:

The 2010s were the age of scaling, now we're back in the age of wonder and discovery once again. Everyone is looking for the next thing. Scaling the right thing matters more now than ever.

در ادامه این پست رویترز هم راجع به تلاش شرکت‌های مختلف برای انتقال اسکیل‌کردن از سمت pretraining به سمت هنگام inference شده. ایده‌ای که در O1 هم گویا اجرایی شده. در این خصوص اما، بلاگی هم به طرز جذابی اومده همین قضیه رو توضیح داده. راجع به این توضیح داده که openAI دچار وقفه در انتشار مدل بعدی نسبت به GPT4 شده و مدل پسا GPT4 ای هم که آموزش دادند گویا میزان جامپش به نسبت مدل‌های قبلی بسیار کمتره. در واقع این مدل که ازش به نام Orion نام برده در تسک‌های زبانی نسبت به مدل‌های قبلی بهتره ولی در تسک‌هایی مثل کدزنی نتونسته برتری خاصی رو ارائه کنه. این بلاگ در ادامه هم یک بحث جالبی راجع به اقتصاد هوش مصنوعی کرده. راجع به ایده اسکیل‌کردن O1 در test-time بحث کرده و گفته که اون نموداری که OpenAI ارائه داده محور افقیش از مرتبه لگاریتمی بوده، و حالا ممکنه که O1 با اسکیل‌کردن بتونه انسان رو شکست بده ولی به مدت زمان بسیار زیادی نیاز داره که در رقابت با انسان عملا بی‌معنیش می‌کنه. این بحث رو کرده که رسیدن به AGI با این روند فعلی بسیار هزینه‌بر به نظر می‌رسه، چه به لحاظ دلاری و چه به لحاظ واتی. در نهایت هم می‌گه که شرکت‌های AI ای با وعده رسیدن به AGI بودجه رو از سرمایه‌گذار‌ها می‌گیرن حالا اگر مشخص بشه که رسیدن به AGI ممکن نیست و واقعا دیگه اسکیلینگ جوابگو نیست، سرمایه‌گذاری‌ها روی AI سقوط می‌کنه و فیلد دوباره وارد یک زمستون دیگه ممکنه بشه. پی‌نوشت ۱: مدل‌های مولد فعلی هنوز بسیاری قابلیت کشف‌ناشده دارند که در صنعت ازشون استفاده نشده و شاید چندین سال زمان لازم باشه تا کاربردهای جدید ازشون ببینیم. منتهی چیزی که اینجا مورد بحثه توانایی رسیدن یا نرسیدن به AGI با این پارادایم فعلیه. لینک رویترز: https://www.reuters.com/technology/artificial-intelligence/openai-rivals-seek-new-path-smarter-ai-current-methods-hit-limitations-2024-11-11/ لینک بلاگ: https://garrisonlovely.substack.com/p/is-deep-learning-actually-hitting

خبر مهم شرکت تسلا اعلام کرد: استخدام متخصص برنامه نویس و مهندس نرم افزار و … به صورت دورکاری حقوق سالیانه بین ۸۰ هزار تا ۲۷۰ هزار دلار https://www.tesla.com/careers/search/ https://www.tododisca.com/en/elon-musk-seeks-people-from-an-world-work-home-payroll-of-270000-annual/amp/

#خبر_علمی رباتی که با تماشای فیلم های جراحی، عمل جراحی را با مهارت پزشک انسان انجام میدهد. محققان دانشگاه جان هاپکینز، رباتی را برای انجام عمل جراحی با تماشای ویدئوهای جراحان واقعی آموزش دادند.  استفاده موفقیت‌آمیز از یادگیری تقلید برای آموزش ربات‌های جراحی، نیاز به برنامه‌ریزی روبات‌ها را با هر حرکت فردی که در طول یک عمل پزشکی لازم است از بین می‌برد و زمینه جراحی رباتیک را به خودمختاری واقعی نزدیک‌تر می‌کند‌.جایی که ربات‌ها می‌توانند جراحی‌های پیچیده را بدون کمک انسان انجام دهند. این تیم ربات را برای انجام سه کار آموزش دادند: استفاده از سوزن، بلند کردن بافت بدن و بخیه. در هر مورد، ربات همان روش های جراحی را با مهارت پزشکان انسان انجام داد و تیم را شگفت زده کرد. اکسل کریگر، نویسنده ارشد، گفت : «این مدل چیزهایی را که ما به آن یاد نداده‌ایم بسیار خوب یاد می‌گیرد. مثل اینکه اگر سوزن را بیاندازد، به طور خودکار آن را برمی دارد و ادامه می دهد. این چیزی نیست که من به آن یاد دادم که انجام دهد.»  « ما فقط باید آموزش های تقلیدی از روش های مختلف را جمع آوری کنیم و می توانیم یک ربات را برای یادگیری آن در چند روز به ربات آموزش دهیم. این به ما امکان می‌دهد تا به هدف سرعت بخشیم و در عین حال خطاهای پزشکی را کاهش دهیم و به جراحی دقیق‌تری دست یابیم.» scitechdaily.com/robot-that-watched-surgical-videos-now-operates-with-human-level-skill/ @roznegardanesh @FarazTed بازنشر

اپیزود چهارم از فصل یک پادکست دیتاکست میزبان: مسعود کاویانی - میهمان: ایمان خانی جزنی موضوع: کارآفرینی و ارتباط دانشگاه و صنعت در حوزه هوش مصنوعی دانلود از لینک زیر یا شنیدن در اسپاتیفای، پادکست یا پادبین: 👉 chistio.ir/datacat-podcast-s01-e04

✅دوره «مدیر محصول هوش مصنوعی» یک برنامه جامع و کاربردی است که شما را برای رهبری و مدیریت محصولات مبتنی بر هوش مصنوعی آماده می‌کند. در این دوره، با مبانی هوش مصنوعی و علم داده آشنا می‌شوید تا بتوانید به‌خوبی از این تکنولوژی‌های نوین در ساخت و مدیریت محصولات استفاده کنید. همچنین، از طریق آموزش ابزارهای هوش مصنوعی و مهارت پرامپت نویسی، به شما این امکان داده می‌شود تا درک بهتری از ابزارها و تکنیک‌های مرتبط با هوش مصنوعی کسب کنید. ✨دوره مدیر محصول هوش مصنوعی دانشگاه تهران ✅ برگزاری به صورت آنلاین و حضوری 👨‍🏫منتور: جمعی از استادها 📅تاریخ برگزاری دوره: آذر ماه ⭕️جهت کسب اطلاعات بیشتر درباره دوره، کلیک کنید #مدیر_محصول_هوش_مصنوعی برای دریافت اطلاعات بیشتر و مشاوره رایگان با مشاوران ما در ارتباط باشید: ☎️ شماره تماس: 02191070222 📥 تلگرام و واتساپ: 09190396308

🎁سومین مسابقه کدبتل با جوایز هیجان‌انگیر رو از دست نده 1️⃣2️⃣3️⃣💟 ✦ نفر اول هر سطح (ابتدایی و متوسطه): گوشی موبایل شیائومی مدل Redmi A3 ✦ نفر دوم هر سطح: هندزفری بلوتوثی میبرو مدل Earbuds 2 ✦ نفر سوم هر سطح: ساعت هوشمند میبرو مدل C2 global 🥇🥈🥉 ✦ برندگان مدال(نفرات اول تا پانزدهم هر سطح): بازی رومیزی (بردگیم) 💚🤍❤️ ✦ نفر اول استان‌های با بیش از ۵۰ شرکت‌کننده در هر سطح: بازی رومیزی (بردگیم) ✦ ۳۰ کد تخفیف ۵۰۰ هزار تومنی به قید قرعه بین نفرات ۱۶ تا ۱۵۰ کشوری در هر سطح ✦ ۲۰ کد تخفیف ۴۰۰ هزار تومنی به قید قرعه بین نفرات ۱۵۱ تا ۲۵۰ کشوری در هر سطح ✦ کد تخفیف ۳۰۰ هزار تومنی به هر کسی که حداقل یه سوال از مسابقه رو حل کنه https://jnir.ir/dzbfd ۲۴ آبان ساعت ۱۶:۰۵ منتظرتون هستیم😎

📢 همایش بزرگ «از هوش مصنوعی تا تحول دیجیتال» 📅 زمان: شنبه، ۱۹ آبان ماه 🗓 ساعت ۸ الی ۱۳ 🕗 📍 مکان: اتاق بازرگانی یزد

☂ ⚡️سلام بچه‌های باهوش! یه خبر خیلی باحال! سومین دوره از مسابقه‌ی تفکر رایانشی، به اسم کدبتل، در تاریخ ۲۴ آبان برگزار می‌شه( راستی حمایت معاونت علمی ریاست جمهوری رو هم داره( تو این مسابقه نیازی نیست از قبل چیزی بلد باشی! همه چیز رو توی زمین بازی یاد می‌گیری. پس می‌تونی مثل قهرمان‌ها بازی کنی و برنده بشی! ⚡️ثبت‌نام رایگان: https://jnir.ir/jrxx6 🎁جوایز عالی: گوشی هوشمند هندزفری بلوتوثی ساعت هوشمند بازی رومیزی و کلی تخفیف‌های جالب! 🥇🥈🥉 تازه، ۱۵ نفر اول هر گروه مدال طلا، نقره و برنز می‌گیرند. خودتو آماده کن که مثل قهرمان‌ها بدرخشی! ویژگی‌های این مسابقه: رایگان آنلاین مخصوص شما بچه‌های پایه اول تا ششم تنها چیزی که لازم داری، یک گوشی موبایله! ثبت‌نام آنلاین: https://jnir.ir/jrxx6 💚 بازی کن، یاد بگیر، جایزه ببر! 💚

🗓#برنامه_پنجشنبه_های_گروه 📌ترفندهای آفیس ❇️صفر تا صد طراحی اینفوگرافیک جذاب در نرم افزار پاورپوینت 🔥🔥 این آموزش اندازه یه کلاس درس تکنیک و ترفند داره حتما تا انتها ببینید بخش دهم 🌐جامعه مدرسین کامپیوتر ایران 🆔@computerTeachersAssociation

🗓#برنامه_پنجشنبه_های_گروه 📌ترفندهای آفیس ❇️صفر تا صد طراحی اینفوگرافیک جذاب در نرم افزار پاورپوینت 🔥🔥 این آموزش اندازه یه کلاس درس تکنیک و ترفند داره حتما تا انتها ببینید بخش نهم 🌐جامعه مدرسین کامپیوتر ایران 🆔@computerTeachersAssociation