هوش مصنوعی و علم داده به فارسی

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده 🗂 گزارش #120 | 📌 8 آیتم گزارش | 🧾 از 13 پست بررسی‌شده 🕐 یکشنبه 1405/06/29 ساعت 14:00 تا دوشنبه 1405/06/30 ساعت 14:00 🔎 تحلیل کوتاه

تحولات اخیر نشان‌دهنده گذار از مدل‌های صرفاً مولد به سوی سیستم‌های تخصصی با کارایی فیزیکی و محاسباتی بالا است. هم‌زمان با توسعه مدل‌های تصمیم‌گیر، تمرکز بر ارزیابی مستقل و امنیت سایبری در مواجهه با چالش‌های دنیای واقعی به اولویت‌های استراتژیک در این حوزه تبدیل شده است.

🤖 نوآوری در مدل‌های هوش مصنوعی

انتشار مدل متن‌باز Alice AI یاندکس یاندکس مدل Alice AI-T5-35B-A0.6B را با معماری انکودر-دیکودر و MoE منتشر کرد. انتشار مدل متن‌باز Alice AI یاندکس 🔗 مشاهده پست معرفی مدل Qwen-Image-2.1 مدل جدید Qwen با ۷ میلیارد پارامتر برای ترکیب تولید و ویرایش تصویر ارائه شد. معرفی مدل Qwen-Image-2.1 🔗 مشاهده پست تلاش Anthropic برای رقابت با Astra گزارش‌ها از بررسی عرضه نسل جدید Claude توسط Anthropic برای حفظ جایگاه رقابتی حکایت دارد. 🔗 نسخه مفصل در سایت ScientistTwo؛ هوش مصنوعی محقق سیستم جدید گوگل با هدایت خودمختار تحقیقات ML، در بنچمارک‌ها از انسان پیشی گرفت. ScientistTwo؛ هوش مصنوعی محقق 🔗 مشاهده پست

⚙️ معماری تصمیم‌گیری و بهینه‌سازی

معرفی Jev برای تصمیم‌گیری ساختاریافته مدل Jev با تمرکز بر امتیازدهی و دسته‌بندی، جایگزینی برای مدل‌های زبانی است. 🔗 مطالعه کامل در سایت تمایز مدل‌های مولد از مدل‌های تصمیم‌گیر مدل Jev با جداسازی تصمیم‌گیری از تولید متن، دقت اجرای عملیات را افزایش می‌دهد. تمایز مدل‌های مولد از مدل‌های تصمیم‌گیر 🔗 مشاهده پست اجرای محلی فوق‌سریع با laya-mlx پروژه laya-mlx برای فریم‌ورک MLX اپل، ۵۰ برابر سریع‌تر از Jev عمل می‌کند. اجرای محلی فوق‌سریع با laya-mlx 🔗 مشاهده پست تکنیک‌های بهینه‌سازی LLM بررسی تفاوت‌های کلیدی در متدهای LoRA، LoRA-FA و QLoRA برای کاهش هزینه آموزش. تکنیک‌های بهینه‌سازی LLM 🔗 مشاهده پست

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

‏🐍 اجرای محلی و فوق‌سریع هوش مصنوعی با laya-mlx ‏پروژه متن‌باز laya-mlx یک سیستم طبقه‌بندی مبتنی بر احتمال خروجی متنی است که برای فریم‌ورک MLX اپل پورت و بهینه‌سازی شده و حدود ۵۰ برابر سریع‌تر از سیستم Jev عمل می‌کند. ‏این ابزار سبک، حداکثر ۱ گیگابایت از حافظه رم دستگاه شما را اشغال می‌کند و به صورت کاملاً محلی قابل اجراست. در ارزیابی‌های اولیه روی تراشه M3 Max، این مدل توانسته است با سرعت فوق‌العاده‌ی ۶۰ تصمیم در ثانیه، بازی کلاسیک مار (Snake) را به صورت خودکار هدایت کند. معرفی پروژه laya-mlx؛ تحول در اجرای محلی سیستم‌های طبقه‌بندی هوش مصنوعی

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

‏🤖 نفوذ ناخواسته هوش مصنوعی گوگل به سه شرکت واقعی ‏مدل هوش مصنوعی Gemini گوگل در جریان یک تست امنیت سایبری که قرار بود در یک محیط شبیه‌سازی‌شده و ایزوله انجام شود، به سیستم‌های سه شرکت واقعی نفوذ کرد. ‏قرار بود این مدل به یک شرکت فرضی در چالش «تسخیر پرچم» (Capture the Flag) حمله کند، اما یک اشتباه پیکربندی باعث شد Gemini به اینترنت عمومی دسترسی پیدا کند. این هوش مصنوعی با استفاده از اطلاعات عمومی، حدس زدن رمزهای عبور و یافتن اعتبارنامه‌های افشاشده در مخازن عمومی، توانست به زیرساخت‌های سه شرکت واقعی نفوذ کند. ‏طبق گزارش وال‌استریت ژورنال، به محض اینکه Gemini متوجه شد اهدافش واقعی هستند، عملیات خود را متوقف کرد. گوگل اعلام کرده است که این حادثه خسارتی به بار نیاورده و موضوع به شرکت‌های آسیب‌دیده و مقامات فدرال اطلاع‌رسانی شده است. نفوذ ناخواسته جمینای گوگل به سیستم‌های سه شرکت واقعی در یک تست امنیتی

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

‏هوش مصنوعی؛ فراتر از مدل‌های مولد با Jev ‏در معماری ایجنت‌های هوش مصنوعی، معمولاً از یک مدل زبانی (LLM) برای همه کارها استفاده می‌شود؛ از استدلال‌های پیچیده گرفته تا تصمیم‌گیری‌های ساده. اما مدل جدید Jev، رویکرد متفاوتی را ارائه می‌دهد که مبتنی بر جداسازی «مدل‌های مولد» از «مدل‌های تصمیم‌گیر» است. ‏مدل‌های مولد برای کارهای باز مثل نوشتن کد یا خلاصه‌سازی عالی هستند، اما برای تصمیمات ساختاریافته (Bounded Decisions) بهینه نیستند. Jev به جای تولید متن، مستقیماً پاسخ‌های تایپ‌شده با احتمال مشخص ارائه می‌دهد تا مستقیماً در کد برنامه شما استفاده شود. ‏مهم‌ترین قابلیت‌های این مدل: ‏• Noul: تصمیم‌گیری‌های بله/خیر با دقت بالا. ‏• Choice: انتخاب بین گزینه‌های از پیش تعریف شده (مناسب برای Routing مدل‌ها یا انتخاب ابزار). ‏• Score: ارزیابی بر اساس مقیاس‌های عددی برای بررسی کیفیت خروجی یا پیشرفت ایجنت. تحلیل عمیق معماری Jev: انقلابی در تصمیم‌گیری هوشمند ایجنت‌های هوش مصنوعی

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

#Jev #TypeSafe

‏🎨 معرفی مدل جدید Qwen-Image-2.1 برای تولید تصویر ‏تیم Qwen به تازگی مدل Qwen-Image-2.1 را با معماری ۷ میلیارد پارامتری منتشر کرده است. این مدل با هدف ترکیب قابلیت‌های تولید و ویرایش تصویر در یک پایپلاین واحد طراحی شده و با وجود ابعاد بهینه، عملکرد تحسین‌برانگیزی را در بنچمارک‌ها به نمایش گذاشته است. ‏مهم‌ترین ویژگی‌های این مدل عبارتند از: ‏• پشتیبانی از چندین رفرنس همزمان تا ۱۰ تصویر ‏• قابلیت ویرایش دقیق با حفظ هویت سوژه، چهره یا محصول ‏• تولید بومی تصاویر RGBA با قابلیت شفافیت ‏• بهبود چشمگیر در رندرینگ متن و تایپوگرافی ‏• بهینه‌سازی سرعت استنتاج برای سناریوهای چندتصویری ‏این مدل با امتیاز ۶۰.۲۸ در بنچمارک‌ها، گزینه‌ای قدرتمند برای استفاده در پروژه‌های اینفوگرافیک، طراحی پانوراما و سیستم‌های پرو مجازی (Virtual Try-on) محسوب می‌شود. اگرچه در رقابت با مدل‌های بزرگتری نظیر GPT Image 2.5 هنوز در رتبه‌های پایین‌تر قرار دارد، اما بهره‌وری آن در مدل‌های ۷ میلیاردی قابل توجه است. معرفی Qwen-Image-2.1؛ مدل هوشمند ۷ میلیاردی برای تولید و ویرایش تصویر 📊 Data➕Science

‏هوش مصنوعی ScientistTwo: فراتر از مرزهای دانش انسانی ‏محققان Google Cloud AI از سیستم جدیدی به نام ScientistTwo رونمایی کرده‌اند که قادر است به‌صورت خودمختار، چرخه کامل تحقیقات یادگیری ماشین (ML) را هدایت کند. این سیستم با پیشنهاد فرضیات، کدنویسی، اجرای آزمایش‌ها و حتی بازنگری مقالات توسط مدل‌های ایجنت، فرآیند کشف علمی را متحول کرده است. ‏برخی از مهم‌ترین دستاوردهای این سیستم عبارتند از: ‏* عبور از رکورد فعلی انسان (SOTA) در ۸۶ پروژه از ۱۰۷ تحقیق مطرح کنفرانس‌های ICLR، ICML و NeurIPS. ‏* دستیابی به میانگین بهبود ۲۵.۲ درصدی در پروژه‌های موفق. ‏* کسب امتیاز کیفی بالاتر از میانگین مقالات پذیرفته‌شده در کنفرانس‌های معتبر سال ۲۰۲۵ و ۲۰۲۶ توسط داوران هوش مصنوعی. ‏* گذراندن موفقیت‌آمیز تمام ممیزی‌های یکپارچگی، شامل بازتولید دقیق اعداد و عدم استفاده از ارجاعات توهمی. سیستم ScientistTwo گوگل؛ هوش مصنوعی خودمختار برای تحقیقات یادگیری ماشین

‏تکنیک‌های بهینه‌سازی LLM: درک تفاوت‌های PEFT ‏بسیاری از متخصصان از روش‌های Fine-tuning استفاده می‌کنند، اما تفاوت دقیق میان متدهایی مثل LoRA یا QLoRA اغلب نادیده گرفته می‌شود. درک این تمایزات کلیدی است، زیرا هر روش بخش متفاوتی از مدل را هدف قرار می‌دهد. در اینجا مهم‌ترین تکنیک‌ها را بررسی می‌کنیم: ‏• LoRA: با فریز کردن وزن‌های اصلی، آپدیت‌ها را در دو ماتریس کوچک‌تر A و B جای می‌دهد تا پارامترهای آموزش‌دیدنی به شدت کاهش یابد. ‏• LoRA-FA: با فریز کردن ماتریس A، علاوه بر پارامترها، حافظه فعال (Activation Memory) مصرفی را نیز کاهش می‌دهد. ‏• QLoRA: مدل پایه را به صورت 4-bit کوانتایز می‌کند تا امکان اجرای مدل‌های عظیم روی سخت‌افزارهای محدود فراهم شود. ‏• VeRA: با استفاده از ماتریس‌های تصادفی فریز شده و یادگیری بردارهای مقیاس‌بندی کوچک، تعداد پارامترهای آموزش‌دیدنی را باز هم کاهش می‌دهد. ‏• LoRA+: با اختصاص نرخ یادگیری متفاوت به ماتریس‌های A و B، بهینه‌سازی مدل را کارآمدتر می‌کند. بررسی فنی روش‌های PEFT: درک تفاوت‌های ساختاری در فاین‌تیونینگ مدل‌های زبانی

‏🚀 هوش مصنوعی؛ قاتل مشاغل یا موتور اشتغال‌زایی؟ ‏برخلاف پیش‌بینی‌های بدبینانه مبنی بر نابودی میلیون‌ها شغل توسط هوش مصنوعی، گزارش اکونومیست نشان می‌دهد که این فناوری در ایالات متحده حدود ۱ میلیون شغل فراتر از روندهای معمول ایجاد کرده است. ‏اگرچه از اواسط سال ۲۰۲۳ حدود ۲۰۰ هزار موقعیت شغلی در حوزه‌هایی که شرکت‌ها مستقیماً به هوش مصنوعی اشاره کرده‌اند حذف شده، اما یک غافلگیری بزرگ در جریان است. بخش عمده مشاغل جدید نه در دنیای کدنویسی، بلکه در زیرساخت‌های فیزیکی شکل گرفته‌اند. ‏مهم‌ترین حوزه‌های اشتغال‌زایی ناشی از این موج شامل موارد زیر است: ‏• تکنسین‌های برق و سیستم‌های تهویه ‏• نیروهای متخصص در ساخت‌وساز ‏• کارگران تأسیسات زیربنایی برای احداث مراکز داده عظیم ‏• مهندسان نرم‌افزار و توسعه‌دهندگان سیستم‌ها ‏• متخصصان علم داده و هوش مصنوعی ‏شواهد نشان می‌دهد که هوش مصنوعی صرفاً در حال جایگزینی نیروی انسانی نیست؛ بلکه در حال ساخت یک اقتصاد کاملاً جدید پیرامون زیرساخت‌های مورد نیاز خود است. هوش مصنوعی؛ موتور اشتغال‌زایی یا عامل حذف مشاغل؟

‏🤖 تحولی در هوش مصنوعی: اجرای موازی با Claude Code ‏ابزار Claude Code به قابلیت‌های جدیدی مجهز شده که مدیریت پروژه‌ها را متحول می‌کند. از این پس، شما می‌توانید چندین وظیفه متفاوت را به صورت هم‌زمان در یک نشست کاری آغاز کنید. ‏این سیستم جدید با تقسیم هوشمندانه فعالیت‌ها در ترد‌های موازی، بهره‌وری شما را به شکل چشم‌گیری افزایش می‌دهد. مهم‌ترین ویژگی‌های این به‌روزرسانی: ‏• اشتراک‌گذاری Context پروژه بین تمامی ترد‌های فعال. ‏• تداوم پردازش وظایف در فضای ابری، حتی پس از بستن لپ‌تاپ یا قطع اتصال. ‏• حذف نیاز به نظارت لحظه‌ای بر تک‌تک تسک‌ها و افزایش تمرکز روی خروجی نهایی. ‏با این قابلیت، Claude به جای یک دستیار ساده، به یک موتور پردازشی چند‌منظوره تبدیل شده که می‌تواند در پس‌زمینه به پیشبرد پروژه‌های پیچیده شما ادامه دهد.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

#Claude_Code #پردازش_موازی

‏🚀 آینده در دستان ربات‌های انسان‌نما ‏گلدمن ساکس در گزارش جدید خود پیش‌بینی‌هایش را برای توسعه هوش مصنوعی فیزیکی (Embodied AI) به‌روزرسانی کرده است. طبق این تحلیل، تا سال ۲۰۳۵ شاهد تولید ۶.۵ میلیون ربات انسان‌نما خواهیم بود که بازاری به ارزش ۱۳۸ میلیارد دلار ایجاد می‌کند. ‏این مسیر با سرعت خیره‌کننده‌ای پیش می‌رود؛ به‌طوری که پیش‌بینی تولید برای سال ۲۰۳۰، بیش از سه برابر برآوردهای قبلی افزایش یافته است. کاربرد اصلی این فناوری در مراحل ابتدایی، انبارداری، لجستیک و صنعت خودرو خواهد بود. ‏مهم‌ترین تحولات اخیر در این حوزه: ‏* گزارش Goldman Sachs: بررسی چشم‌انداز اقتصادی هوش مصنوعی برای اقتصاد واقعی. ‏* NVIDIA: توسعه اکوسیستم سخت‌افزاری و نرم‌افزاری شامل Omniverse، Cosmos، Isaac و Jetson برای هوشمندسازی ربات‌های انبار. ‏* Tesla: بازطراحی خطوط تولید در کارخانه فریمونت جهت آماده‌سازی برای تولید انبوه ربات Optimus. گلدمن ساکس: پیش‌بینی بازار ۱۳۸ میلیارد دلاری برای هوش مصنوعی فیزیکی

‏🤖 چالش استقلال در ارزیابی مدل‌های هوش مصنوعی ‏شرکت Anthropic در راستای وعده‌های پیشین خود برای افزایش شفافیت، همکاری جدیدی را با شرکت مشاوره Accenture برای «ارزیابی مستقل» مدل‌های هوش مصنوعی آغاز کرده است. این همکاری شامل بررسی‌های امنیتی، تست‌های نفوذ (Red-teaming) و ارزیابی همسویی (Alignment) مدل‌هاست. ‏با این حال، این اقدام با انتقاداتی در خصوص معنای واقعی «استقلال» مواجه شده است. مهم‌ترین نکات قابل تامل در این همکاری عبارتند از: ‏* تضاد منافع مالی: Anthropic خود مسئول تامین مالی فعالیت‌های ارزیابی Accenture است. ‏* سابقه همکاری تجاری: پیش از این، قراردادی چندجانبه برای آموزش بیش از ۳۰ هزار نیروی متخصص Accenture جهت کار با مدل‌های Claude منعقد شده بود. ‏* تجربه مشابه با METR: پیش‌تر نیز ارزیابی‌های صورت گرفته توسط موسسه METR مورد نقد قرار گرفت، چرا که مشخص شد این موسسه نیز از طریق سهام، به نوعی با منافع مالی Anthropic گره خورده است. چالش‌های شفافیت و استقلال در فرآیند ارزیابی مدل‌های هوش مصنوعی Anthropic

‏🚀 انتشار مدل قدرتمند Alice AI توسط یاندکس ‏تیم یاندکس به تازگی مدل Alice AI-T5-35B-A0.6B را به صورت متن‌باز منتشر کرده است. این مدل که در موتور جستجوی یاندکس برای پاسخ‌دهی سریع استفاده می‌شود، با معماری نوآورانه Encoder-Decoder و ترکیب تکنولوژی MoE توانسته است عملکردی خیره‌کننده ثبت کند. ‏از مهم‌ترین نکات فنی این مدل می‌توان به موارد زیر اشاره کرد: ‏• معماری خاص: این مدل با استفاده از ترکیب انکودر-دیکودر و MoE، کارایی مدل‌های ۳۵ میلیارد پارامتری را با هزینه محاسباتی مدل‌های ۰.۶ میلیاردی فراهم می‌کند. ‏• بهینه‌سازی контекست: استفاده از یک مدل اختصاصی کوچک برای فیلتر کردن توکن‌های غیرضروری و کاهش بار پردازشی. ‏• آموزش RLHF بدون دخالت مستقیم انسان: مدل بر اساس تحلیل خودکار بازخوردهای واقعی کاربران در محیط جستجو بهینه‌سازی شده است. ‏• نتایج عملیاتی: بهبود ۰.۳۴ درصدی در معیارهای محصولی و برتری ۵۶.۷ درصدی در مقایسه‌های Side-by-Side نسبت به Google AI Overview. معرفی Alice AI T5-35B-A0.6B: مدل متن‌باز یاندکس با معماری نوآورانه

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده 🗂 گزارش #119 | 📌 8 آیتم گزارش | 🧾 از 17 پست بررسی‌شده 🕐 شنبه 1405/06/28 ساعت 14:00 تا یکشنبه 1405/06/29 ساعت 14:00 🔎 تحلیل کوتاه

رقابت فشرده در توسعه هوش مصنوعی علی‌رغم هشدارهای امنیتی تداوم دارد؛ به طوری که از یک سو گزارش‌هایی از نفوذ خودکار به سیستم‌های واقعی منتشر شده و از سوی دیگر، منتقدان تلاش‌ها برای کند کردن توسعه هوش مصنوعی را ترفندی برای حفظ انحصار می‌دانند.

🛡️ چالش‌های امنیتی و اخلاقی هوش مصنوعی

نفوذ خودکار عوامل هوش مصنوعی Gemini به سیستم‌های واقعی شرکت‌ها گوگل تایید کرد که عوامل هوشمند جمینای طی تست‌های امنیتی به سیستم‌های داخلی ۳ شرکت واقعی نفوذ کرده‌اند. نفوذ خودکار عوامل هوش مصنوعی Gemini به سیستم‌های واقعی شرکت‌ها 🔗 مشاهده پست نفوذ تیم امنیتی هکتور به OpenAI با بهره‌گیری از هوش مصنوعی Claude محققان کلاه‌سفید با استفاده از توانمندی‌های مدل کلاد، دو روزنه امنیتی حساس در چت‌جی‌پی‌تی را شناسایی کردند. نفوذ تیم امنیتی هکتور به OpenAI با بهره‌گیری از هوش مصنوعی Claude 🔗 مشاهده پست جنجال حقوقی دور زدن سیستم پرداخت نیویورک‌تایمز توسط OpenAI اسناد جدید فاش می‌کند تیم‌های آموزشی اوپن‌ای‌آی برای جمع‌آوری داده، دیوارهای پرداخت این رسانه را دور زده‌اند. 🔗 نسخه مفصل در سایت

🌐 رقابت‌های راهبردی و توسعه زیرساخت‌ها

مخالفت فرانسه با درخواست‌های جهانی برای کند کردن روند توسعه هوش مصنوعی وزیر دارایی فرانسه تلاش‌ها برای توقف توسعه هوش مصنوعی را استراتژی آمریکا برای حفظ سلطه و انحصار خواند. 🔗 نسخه مفصل در سایت تدارک Anthropic برای عرضه مدل جدید رقابتی علی‌رغم هشدارهای مدیرعامل آنتروپیک در حالی مدل جدید خود را تست می‌کند که مدیرعاملش اخیراً خواستار مهار سرعت توسعه هوش مصنوعی شده بود. تدارک Anthropic برای عرضه مدل جدید رقابتی علی‌رغم هشدارهای مدیرعامل 🔗 مشاهده پست بحران جدی ظرفیت پردازش و توقف بازنشانی محدودیت‌های Codex در OpenAI به دلیل افزایش شدید تقاضا، اوپن‌ای‌آی بیش از یک هفته است که محدودیت‌های پردازشی Codex را بازنشانی نکرده است. بحران جدی ظرفیت پردازش و توقف بازنشانی محدودیت‌های Codex در OpenAI 🔗 مشاهده پست

💡 نوآوری‌ها و کاربردهای نوین کاربردی

معرفی مدل Jev؛ رویکردی نوین برای قضاوت سریع و کم‌هزینه بدون تولید متن این مدل با حذف زنجیره کلمات متوالی، تصمیم‌گیری‌های ساختاریافته را با هزینه‌ای ناچیز ارائه می‌دهد. معرفی مدل Jev؛ رویکردی نوین برای قضاوت سریع و کم‌هزینه بدون تولید متن 🔗 مشاهده پست ورود استراتژیک Anthropic به دنیای واقعی با راه‌اندازی آزمایشگاه فیزیکی آنتروپیک آزمایشگاهی زیستی در خلیج سان‌فرانسیسکو تأسیس کرده تا از کلاد برای هدایت ربات‌ها استفاده کند. 🔗 مشاهده پست

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

‏🚀 رقابت هوش مصنوعی: مدل جدید Anthropic در راه است ‏بر اساس گزارش اختصاصی خبرگزاری رویترز، استارتاپ Anthropic در حال آماده‌سازی برای عرضه یک مدل هوش مصنوعی جدید است که می‌تواند رقیبی جدی برای Astra محسوب شود. ‏این خبر در حالی منتشر شده که تنها یک هفته از سخنان «داریو آمودی» مبنی بر لزوم کاهش سرعت پیشرفت‌های سریع در حوزه AI می‌گذرد. ‏مهم‌ترین نکات این خبر: ‏• منابع آگاه می‌گویند این مدل هم‌اکنون در مراحل نهایی تست‌های ایمنی قرار دارد. ‏• استراتژی فعلی Anthropic احتمالاً عرضه این مدل پیش از عرضه اولیه عمومی (IPO) شرکت است. ‏باید دید این مدل جدید تا چه حد می‌تواند استانداردهای فعلی بازار را جابه‌جا کند. استراتژی آنتروپیک برای عرضه مدل جدید هوش مصنوعی پیش از عرضه اولیه عمومی

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

#Anthropic #IPO

‏هوش مصنوعی «سیستم یک»؛ چرا همیشه به مدل‌های بزرگ نیاز نداریم؟ ‏در دنیای هوش مصنوعی، عادت کرده‌ایم برای هر چالشی از LLMها استفاده کنیم. اما آیا برای یک تصمیم‌گیری ساده (مثل تشخیص فوریت یک تیکت پشتیبانی)، واقعاً به مدلی نیاز داریم که توانایی شعر گفتن یا برنامه‌نویسی دارد؟ ‏مدل Jev که توسط TypeSafe معرفی شده، رویکرد متفاوتی دارد. این مدل برای «قضاوت» طراحی شده، نه تولید متن؛ و با حذف فرآیند تولید کلماتِ متوالی، تصمیمات را با سرعتی بسیار بالا و هزینه‌ای ناچیز (حدود ۴۰۰ برابر ارزان‌تر از LLMهای استاندارد) ارائه می‌دهد. ‏ویژگی‌های کلیدی Jev: ‏* خروجی ساختاریافته: به جای متن، احتمال (Probability) و گزینه‌های از پیش تعریف شده بازمی‌گرداند تا مستقیماً در کدهای شما (Logic) استفاده شود. ‏* پشتیبانی از سه عملگر: انتخاب بین گزینه‌ها (Choice)، امتیازدهی روی مقیاس (Score) و پاسخ‌های بله/خیر (Noul). ‏* کالیبراسیون دقیق: با متد RLCD آموزش دیده تا میزان اطمینان (Confidence) مدل با دقت واقعی آن همخوانی داشته باشد. ‏مطالعه کامل مطلب: Jev: موتور تصمیم‌گیری هوشمند، سریع و ارزان برای هوش مصنوعی

‏⚖️ ورود هوش مصنوعی به دنیای حقوق ‏شرکت OpenAI با معرفی مدل اختصاصی Astra for Law، گام بزرگی در جهت تخصصی‌سازی هوش مصنوعی برداشته است. این مدل به یک دیتابیس عظیم شامل بیش از ۲۳۰ میلیون صفحه از اسناد قضایی، قوانین و مقررات ایالات متحده مجهز شده که بخش عمده آن از طریق CourtListener تأمین می‌شود. ‏برخلاف مدل‌های عمومی، Astra for Law به جای جستجوی ساده در وب، با تحلیل دقیق پرونده‌ها و استخراج مستندات مرتبط، تحلیل‌های حقوقی معتبری ارائه می‌دهد. در بنچمارک‌های انجام شده، این مدل در ۵۴٪ موارد دقت بالاتری نسبت به نسخه‌های معمولی نشان داده و در یافتن پیش‌زمینه‌های حقوقی ۲۴٪ عملکرد بهتری داشته است. ‏در حال حاضر این ابزار برای موسسات حقوقی منتخب فعال شده و به‌زودی از طریق API در دسترس قرار می‌گیرد. با عرضه افزونه‌های حقوقی و ادغام در محیط Word، به نظر می‌رسد آینده هوش مصنوعی در گرو مدل‌های تخصصی برای حوزه‌هایی مانند پزشکی و مالی باشد. نظر شما چیست؟ آیا هوش مصنوعی می‌تواند جایگزین دستیاران حقوقی شود؟

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

‏🧬 ورود کلاد به دنیای آزمایشگاه‌های فیزیکی ‏شرکت Anthropic در حرکتی استراتژیک، فراتر از توسعه نرم‌افزار قدم گذاشته و یک آزمایشگاه بیولوژیک مجهز در منطقه Bay Area راه‌اندازی کرده است. این اقدام نشان‌دهنده تغییر مسیر مدل‌های زبانی به سمت تعامل مستقیم با دنیای فیزیکی است. ‏طبق اعلام مدیر علوم زیستی این شرکت، هدف اصلی، استفاده از مدل Claude برای هدایت ربات‌های آزمایشگاهی و خودکارسازی فرآیندهای تحقیقاتی است. داریو آمودی، مدیرعامل آنتروپیک، بارها تأکید کرده که هوش مصنوعی پتانسیل بالایی برای ایجاد تحول در زیست‌شناسی، از جمله درک سازوکارهای پیری دارد. ‏اگرچه هنوز جزئیات دقیقی از پروژه‌های در حال اجرا منتشر نشده، اما این حرکت نشان می‌دهد که آینده مدل‌های هوش مصنوعی صرفاً در تولید متن خلاصه نمی‌شود و به‌زودی شاهد حضور آن‌ها در بطن آزمایشگاه‌های تحقیقاتی خواهیم بود. اطلاعات بیشتر را می‌توانید در گزارش رویترز مطالعه کنید.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

#Anthropic #Claude

‏🚀 معرفی Jev؛ مدل هوش مصنوعی بدون تولید متن ‏استارتاپ TypeSafe از مدل جدیدی به نام Jev رونمایی کرده است که برخلاف مدل‌های زبانی رایج، متن تولید نمی‌کند. این مدل که توسط یکی از هم‌بنیان‌گذاران متد RLHF در OpenAI توسعه یافته، برای تصمیم‌گیری سیستماتیک طراحی شده است. ‏شما وضعیت و سوالات تایپ‌شده را به مدل ارسال می‌کنید و در پاسخ، تصمیمات به همراه احتمالات مربوطه دریافت می‌شود. این ساختار باعث می‌شود نیاز به Parsing متون حذف شده و کدهای شما مستقیماً بر اساس احتمالات خروجی شاخه‌بندی شوند. ‏مهم‌ترین ویژگی‌های این مدل: ‏- سرعت پردازش بسیار بالا (تا ۱۸ برابر سریع‌تر از رقبا در تست‌های Vercel) ‏- هزینه پایین (۴ سنت به ازای هر ۱ میلیون توکن ورودی) ‏- امکان تعیین آستانه اطمینان برای واگذاری خودکار وظایف به انسان ‏- ارائه خروجی در قالب ساختارهای Choice ،Score و Noul ‏برای دسترسی به مستندات فنی و ثبت‌نام در لیست انتظار، می‌توانید به وب‌سایت رسمی این پروژه مراجعه کنید. تحلیل دقیق‌تر عملکرد این مدل در این گزارش در دسترس است. معرفی مدل هوش مصنوعی Jev؛ تصمیم‌گیری بدون تولید متن با معماری TypeSafe AI 📊 Data➕Science

‏📊 پربازدیدترین ابزارهای هوش مصنوعی جهان ‏دنیای هوش مصنوعی با سرعتی باورنکردنی در حال تغییر است و تحلیل‌های آماری نشان می‌دهد که رقابت میان پلتفرم‌های بزرگ به اوج خود رسیده است. بر اساس داده‌های اخیر، لیست مهم‌ترین ابزارهای هوش مصنوعی که بیشترین تعداد کاربران ماهانه را به خود اختصاص داده‌اند، به شرح زیر است: ‏• ChatGPT ‏• Gemini ‏• DeepSeek ‏• Microsoft Copilot ‏• xAI (Grok) ‏این آمار نشان‌دهنده تغییرات سلیقه کاربران و جایگاه تثبیت‌شده مدل‌های زبانی در کارهای روزمره است. ظهور رقبای جدید در کنار غول‌های این حوزه، نویدبخش پیشرفت‌های چشمگیرتر در حوزه یادگیری ماشین و تعامل انسان با مدل‌های هوشمند است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

#DeepSeek #Grok

‏📉 بحران ظرفیت و توقف بازنشانی محدودیت‌های Codex ‏به نظر می‌رسد تقاضا برای سرویس‌های OpenAI به‌شدت افزایش یافته است. در حال حاضر، ظرفیت پردازشی به‌حدی محدود شده که اشتراک‌های ۲۰۰ دلاری نیز برای مدیریت بار کاری کافی نیستند و بیش از یک هفته است که هیچ بازنشانی (Reset) در محدودیت‌های Codex صورت نگرفته است. ‏بر اساس داده‌های اخیر، وضعیت فعلی سیستم به شرح زیر است: ‏* آخرین بازنشانی: ۱۲ سپتامبر (حدود یک هفته پیش) ‏* تعداد کل دفعات بازنشانی: ۵۳ مورد ‏* میانگین فاصله زمانی بین بازنشانی‌ها: ۶.۹ روز ‏* وضعیت فعلی: بحرانی با بیشترین زمان انتظار معادل ۶۷.۷ روز ‏نمودارهای آماری نشان می‌دهند که در ماه‌های جولای و آگوست، تراکم درخواست‌ها به اوج خود رسیده است. این کمبود منابع محاسباتی نشان می‌دهد که OpenAI برای پاسخگویی به حجم عظیم تقاضا با چالش‌های زیرساختی جدی مواجه شده است. پیشنهاد می‌شود برای پروژه‌های حساس، استراتژی‌های مدیریت درخواست (Rate Limiting) را در نظر بگیرید. تحلیل بحران ظرفیت و توقف بازنشانی محدودیت‌های Codex در OpenAI

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما