هوش مصنوعی و علم داده به فارسی

‏📚 نقشه راه جامع آموزش مدل‌های زبانی در مقیاس بزرگ ‏اگر به دنبال درک عمیق نحوه آموزش مدل‌های زبانی (LLM) در مقیاس‌های کلان هستید، این کتاب یکی از بهترین منابع فنی موجود است. در این اثر، مفاهیم پیچیده به شکلی کاربردی تحلیل شده‌اند. ‏مهم‌ترین مباحث مطرح‌شده در این منبع: ‏

‏- مدیریت حافظه GPU و پروفایلینگ ‏- بهینه‌سازی محاسبات، ترکیب هسته‌ها و مکانیسم FlashAttention ‏- تکنیک‌های توزیع‌شدگی شامل Data ،Tensor ،Pipeline و Context Parallelism ‏

‏شما می‌توانید نسخه آنلاین و رایگان این کتاب ارزشمند را از طریق Ultrascale Playbook در Hugging Face مطالعه کنید. این محتوا برای متخصصان هوش مصنوعی و مهندسان داده که قصد دارند وارد حوزه آموزش مدل‌های بزرگ شوند، بسیار حیاتی است. راهنمای جامع Ultrascale Playbook برای آموزش مدل‌های زبانی در مقیاس بزرگ

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

#FlashAttention #Ultrascale_Playbook

‏🚀 انقلاب انویدیا: برنامه‌نویسی هسته‌های GPU با زبان Rust ‏انویدیا به تازگی گام بزرگی برای تبدیل Rust به زبانی درجه‌یک در توسعه هسته‌های GPU برداشته است. با معرفی دو پروژه متن‌باز جدید، حالا می‌توان کدهای هسته را مستقیماً با Rust نوشت و از قوانین مالکیت (Ownership) برای جلوگیری از باگ‌های حافظه در زمان کامپایل بهره برد. ‏مهم‌ترین ابزارهای ارائه شده: ‏1. cuda-oxide (مدل SIMT): یک بک‌اند اختصاصی برای کامپایلر Rust که کدهای Kernel را از طریق مدل میانی Pliron و LLVM به PTX تبدیل می‌کند. این ابزار به نسخه‌های Nightly نیاز دارد و در مرحله آلفا است. ‏2. cutile-rs (مدل Tile): رویکردی مدرن‌تر که بدون نیاز به کامپایلر سفارشی، با استفاده از Stable Rust اجرا می‌شود. این کتابخانه در حال حاضر در پروژه Grout شرکت Hugging Face استفاده می‌شود. ‏بزرگترین مزیت این رویکرد، شناسایی خطاهای منطقی مانند Aliasing یا استفاده از مقادیر جابه‌جا شده (Moved values) در زمان کامپایل است. برای مطالعه جزئیات فنی و فنی‌تر، می‌توانید به بلاگ رسمی انویدیا مراجعه کنید. انویدیا CUDA Rust را معرفی کرد: توسعه ایمن هسته‌های GPU با Rust

‏🧬 تحولی بزرگ با AlphaGenome گوگل دیپ‌مایند ‏گوگل دیپ‌مایند از AlphaGenome Atlas رونمایی کرد؛ یک پایگاه داده عظیم که پیش‌بینی تأثیرات مولکولی برای تمامی ۹ میلیارد تغییر تک‌حرفی در ژنوم انسان را در خود جای داده است. این دستاورد، نیاز به محاسبات سنگین آزمایشگاهی برای هر واریانت را حذف می‌کند. ‏مهم‌ترین ویژگی‌های این پروژه: ‏* پیش‌محاسبه داده‌ها: به جای اجرای مدل برای هر پرسش، نتایج از قبل محاسبه و ذخیره شده‌اند تا دسترسی پژوهشگران به ۱ پتابایت داده فراهم شود. ‏* امتیاز AVI: ارائه یک امتیاز واحد برای ارزیابی تغییرات در بخش‌های کد‌کننده و غیر‌کد‌کننده ژنوم که عملکردی بی‌نظیر در شناسایی بیماری‌های نادر دارد. ‏* شفافیت در تحلیل: امتیازها به ویژگی‌های جزئی مانند دسترسی به کروماتین و پیرایش (Splicing) تجزیه می‌شوند تا علت دقیق اختلال مشخص شود. ‏جزئیات کامل را می‌توانید در تحلیل نهایی، مقاله علمی و وبلاگ فنی دیپ‌مایند مطالعه کنید. معرفی AlphaGenome Atlas؛ نقشه‌برداری جامع گوگل دیپ‌مایند از تمامی واریانت‌های ژنوم انسان

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

#AlphaGenome #AVI_score

‏🚀 درک عمیق مدل‌های زبانی بزرگ (LLMs) ‏برای تسلط بر دنیای هوش مصنوعی، نیازی به حفظ کردن تمام اصطلاحات ندارید؛ کافی است با مفاهیم اصلی سازنده مدل‌های زبانی آشنا شوید. در اینجا مهم‌ترین مبانی را مرور می‌کنیم: ‏* Tokenization: مدل‌ها متن را نه به صورت کلمه، بلکه به صورت توکن پردازش می‌کنند. ‏* Embeddings: تبدیل معنای متن به بردار (vector) در فضای چندبعدی تا کلمات مشابه در کنار هم قرار بگیرند. ‏* Attention: هسته اصلی معماری Transformer که به مدل اجازه می‌دهد اهمیت هر توکن را نسبت به سایر بخش‌های متن درک کند. ‏* Next-Token Prediction: مدل‌های زبانی با پیش‌بینی احتمال توکن بعدی به صورت مرحله‌به‌مرحله تولید متن می‌کنند. ‏* Context Window: محدودیت حافظه مدل برای پردازش داده‌ها در هر لحظه که بر هزینه و سرعت تأثیر مستقیم دارد. ‏* Fine-Tuning vs LoRA: روش‌های آموزش مدل؛ درحالی‌که fine-tuning تمام وزن‌ها را تغییر می‌دهد، LoRA با استفاده از آداپتورها، روشی بهینه و سبک برای شخصی‌سازی مدل ارائه می‌دهد. ۱۰ مفهوم کلیدی برای درک عملکرد مدل‌های زبانی بزرگ (LLMs) 📊 Data➕Science

‏🚀 راهنمای جامع توابع فعال‌ساز در یادگیری عمیق ‏توابع فعال‌ساز (Activation Functions) قلب تپنده شبکه‌های عصبی هستند که ویژگی‌های غیرخطی را به مدل اضافه می‌کنند. برای دسترسی سریع در پایتون می‌توانید از from tensorflow.keras import activations استفاده کنید. در اینجا مهم‌ترین این توابع را بررسی می‌کنیم: ‏

‏خانواده ReLU: محبوب‌ترین گزینه برای لایه‌های میانی. نسخه‌های Leaky ReLU و PReLU با هدف رفع مشکل مرگ نورون‌ها توسعه یافته‌اند. ‏مدل‌های مدرن (GELU و Swish): استفاده گسترده در مدل‌های ترنسفورمر مانند BERT و GPT به دلیل همواری بیشتر و عملکرد بهتر. ‏توابع خروجی: استفاده از Sigmoid برای مسائل طبقه‌بندی دوتایی و Softmax برای طبقه‌بندی چندکلاسه استاندارد است. ‏توابع کلاسیک (Sigmoid و Tanh): اگرچه به دلیل مشکل محو شدن گرادیان در شبکه‌های خیلی عمیق کمتر استفاده می‌شوند، اما همچنان در معماری‌های خاص کاربرد دارند.

راهنمای جامع توابع فعال‌ساز در یادگیری عمیق؛ از ReLU تا GELU

‏🎬 نبرد مدل‌های ویدیو: Kling 1.6 در برابر Runway Gen-3 ‏در دنیای پرشتاب تولید ویدیو با هوش مصنوعی، دو مدل Kling 1.6 و Runway Gen-3 از محبوب‌ترین گزینه‌ها هستند. هر کدام از این مدل‌ها نقاط قوت خاص خود را دارند که بسته به نیاز پروژه می‌توانید بهترین را انتخاب کنید: ‏• فیزیک حرکت: مدل Kling 1.6 در شبیه‌سازی وزن بدن و تعامل اشیاء عملکرد واقع‌گرایانه‌تری دارد و حرکت‌ها کمتر حالت شناور دارند. در مقابل، Runway ظاهری سینمایی‌تر ارائه می‌دهد اما در صحنه‌های پیچیده ممکن است فیزیک ساده‌تری داشته باشد. ‏• چهره و جزئیات: مدل Runway Gen-3 در حفظ ثبات چهره و حالات صورت در نماهای نزدیک موفق‌تر عمل می‌کند، در حالی که Kling با وجود قدرت در حرکات کل بدن، گاهی در چرخش‌های سریع سر دچار افت کیفیت می‌شود. ‏• انسجام صحنه‌های طولانی: برای ویدیوهای طولانی‌تر، Kling به دلیل حفظ ثبات اشیاء و کاراکترها در طول زمان برتری دارد، اما Runway برای شات‌های کوتاه و بسیار کنترل‌شده سینمایی فوق‌العاده است. مقایسه تخصصی Kling 1.6 و Runway Gen-3: کدام مدل در تولید ویدیو پیشتاز است؟

‏🎙 جهش بزرگ در دنیای هوش مصنوعی صوتی ‏مدل جدید Realtime TTS-2 از شرکت Inworld به تازگی از مرحله پیش‌نمایش خارج شده و توانسته جایگاه نخست را در رتبه‌بندی معتبر Artificial Analysis کسب کند. ویژگی کلیدی این مدل، دستیابی به سرعت پاسخ‌دهی حدود ۱۰۰ میلی‌ثانیه است. ‏نقطه قوت اصلی این مدل، کنترل لحن بیان تنها با استفاده از متن ساده است. شما می‌توانید با نوشتن توصیفاتی مثل «گرم»، «عصبی» یا «نجواگونه»، این هوش مصنوعی را به شکلی دقیق برای نحوه بیان کلمات هدایت کنید. ‏از مهم‌ترین قابلیت‌های این ابزار می‌توان به موارد زیر اشاره کرد: ‏• پشتیبانی از بیش از ۲۰۰ زبان مختلف ‏• قابلیت کلون کردن حرفه‌ای صدا ‏• ساخت صداهای جدید صرفاً با توصیف متنی ‏• حفظ زمینه (Context) در مکالمات طولانی ‏همزمان با مدل اصلی، نسخه سبک‌تری با نام Realtime TTS-2 Flash نیز منتشر شده که تأخیر آن به ۲۵ میلی‌ثانیه می‌رسد و هزینه‌های عملیاتی را تا نصف کاهش می‌دهد. این تکنولوژی هم‌اکنون در حوزه‌هایی مانند آموزش زبان، بازی‌سازی و دستیارهای صوتی کاربرد گسترده‌ای پیدا کرده است.

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

‏🚀 ورود مدل چندوجهی Kimi K3 به زیرساخت ابری اوراکل ‏مدل هوش مصنوعی چندوجهی Kimi K3 (محصول Moonshot AI) به پلتفرم ابری سازمانی اوراکل (OCI Enterprise AI) پیوست. کاربران اکنون می‌توانند این مدل غول‌پیکر را مستقیماً در محیط ابری اختصاصی خود مستقر و اجرا کنند. ‏مدل Kimi K3 با ۲.۸ تریلیون پارامتر و پشتیبانی بومی از بینایی ماشین، توانایی بالایی در تحلیل هم‌زمان متن و تصویر دارد. مهم‌ترین کاربردهای این مدل عبارتند از: ‏• تحلیل اسناد، نمودارها و تصاویر فنی همراه با توضیحات متنی ‏• پردازش اسکرین‌شات‌ها و رابط‌های کاربری گرافیکی ‏• پشتیبانی از طول متن ورودی (Context) تا ۱ میلیون توکن ‏این ویژگی به کسب‌وکارها امکان می‌دهد بدون ارسال داده‌های حساس به APIهای خارجی، مدل را در محیط امن OCI پیاده‌سازی کرده و کنترل کاملی بر امنیت داده‌های خود داشته باشند. یکپارچه‌سازی مدل چندوجهی Kimi K3 با زیرساخت ابری اوراکل

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

#Kimi_K3 #Oracle_Cloud_Infrastructure

‏⚠️ افشای پشت‌پرده بنچ‌مکسینگ در دنیای هوش مصنوعی ‏پشت درصدهای خیره‌کننده در بنچ‌مارک‌های هوش مصنوعی، بازی تبلیغاتی بزرگی به نام «بنچ‌مکسینگ» پنهان شده است. این پدیده زمانی رخ می‌دهد که شرکت‌ها مدل‌های زبانی خود را به‌طور افراطی روی سوالات و ساختار آزمون‌های استاندارد اورفیت می‌کنند تا در زمان رونمایی، نمودارهای جذابی برای جلب توجه بازار ارائه دهند. ‏شواهد نشان می‌دهد که در تغییر نسخه آزمون‌ها، بسیاری از مدل‌های مدعی دچار سقوط آزاد در امتیازات می‌شوند. این افت فاحش ثابت می‌کند که به‌جای افزایش قدرت استدلال، مدل تنها سوالات قبلی را حفظ کرده بوده است. ‏مهم‌ترین نکات برای ارزیابی دقیق مدل‌ها: ‏- فریب لیدربوردهای استاتیک روز عرضه را نخورید. ‏- عیار واقعی یک مدل را تنها در سناریوهای پویا و کاربردی بسنجید. ‏- به عملکرد مدل روی داده‌های دیده‌نشده در محیط پروداکشن دقت کنید. ‏- نتایج مدل‌ها را در نسخه‌های به‌روزشده بنچ‌مارک‌ها با دقت مقایسه کنید. بنچ‌مکسینگ؛ بازی تبلیغاتی بزرگ در بنچ‌مارک‌های هوش مصنوعی

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

#بنچ #اورفیتینگ

‏⚡️ خبر فوری: بهینه‌سازی مصرف سهمیه مدل Astra ‏اوپن‌ای‌آی تغییرات مهمی در نحوه محاسبه سهمیه مصرف مدل Astra برای کاربران ChatGPT اعمال کرده است. طبق گزارش‌های معتبر، این تغییرات بدون کاهش کیفیت مدل، میزان مصرف اشتراک کاربران را تا ۳ الی ۴ برابر کاهش می‌دهد. ‏این اقدام پس از آن صورت گرفت که کاربران نسخه‌های Plus، Pro و Business گزارش داده بودند سهمیه هفتگی آن‌ها بسیار سریع‌تر از حد انتظار به پایان می‌رسد. حالا با بازنگری در الگوریتم مصرف سهمیه، دسترسی کاربران حرفه‌ای به این مدل به شکل قابل‌توجهی بهینه‌تر شده است. ‏مهم‌ترین نکات این بروزرسانی: ‏* بهبود مدیریت «long tail» برای کاربران حرفه‌ای (power users). ‏* عدم افت کیفیت در خروجی‌های مدل. ‏* بازگشت سهمیه‌های مصرفی برای تمام اشتراک‌های فعال. ‏این تغییر باعث می‌شود کاربران بدون نگرانی از اتمام زودهنگام محدودیت‌های حساب کاربری، از قابلیت‌های Astra بهره ببرند. بهینه‌سازی مصرف سهمیه در مدل Astra؛ کاهش ۳ تا ۴ برابری محدودیت‌های اشتراک

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

#OpenAI_Astra #long_tail

‏🚀 معرفی مدل قدرتمند MiniCPM5-2B ‏تیم OpenBMB به تازگی مدل متن‌باز جدیدی به نام MiniCPM5-2B را منتشر کرده است که با وجود داشتن تنها ۲ میلیارد پارامتر، عملکرد خیره‌کننده‌ای در بنچمارک‌های هوش مصنوعی دارد. این مدل برای اجرا روی دستگاه‌های محلی و Edge طراحی شده و در صدر لیست مدل‌های کوچک متن‌باز قرار گرفته است. ‏برخی از ویژگی‌های کلیدی این مدل عبارتند از: ‏- کسب امتیاز ۲۳ در شاخص هوش (Intelligence Index) که بالاتر از بسیاری از مدل‌های بزرگ‌تر است. ‏- کسب امتیاز ۲۰ در شاخص عاملیت (Agentic Index) و پیشی گرفتن از رقبای سرسخت. ‏- عملکرد بسیار بهینه در حوزه‌های کدنویسی، ریاضیات، مدیریت متون طولانی و استفاده از ابزارها. ‏توسعه‌دهندگان علاوه بر وزن‌های مدل، داده‌های آموزشی و دستورالعمل‌های آموزش (Training recipes) را نیز منتشر کرده‌اند که مسیر را برای شخصی‌سازی آسان‌تر هموار می‌کند. ‏اطلاعات بیشتر و دسترسی به فایل‌ها: ‏- صفحه مدل در Hugging Face ‏- مخزن گیت‌هاب پروژه ‏- مشاهده در ModelScope 📊 Data➕Science

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده 🗂 گزارش #108 | 📌 8 آیتم گزارش | 🧾 از 23 پست بررسی‌شده 🕐 دوشنبه 1405/06/16 ساعت 14:00 تا سه‌شنبه 1405/06/17 ساعت 14:00 🔎 تحلیل کوتاه

تحولات اخیر نشان‌دهنده انتقال تمرکز از تولید محتوای ایستا به استفاده از عامل‌ها برای هدایت نرم‌افزارهای استاندارد و مدیریت وظایف طولانی‌مدت است. با این حال، تحقیقات نشان می‌دهد که مدل‌ها در وظایف چندمرحله‌ای دچار افت عملکرد شدید می‌شوند و اتکا به بنچمارک‌های فعلی برای ارزیابی عملکرد واقعی در کارهای طولانی‌مدت فریبنده است.

🤖 عامل‌ها و بهره‌وری سازمانی

چرا عامل‌ها در کارهای طولانی‌مدت شکست می‌خورند؟ بررسی پدیده Long-Horizon Degradation و نقاط ضعف بنچمارک‌های فعلی. 🔗 مطالعه کامل در سایت

🚀 مدل‌ها و تکنولوژی‌های نوظهور

معرفی مدل چندوجهی NeoMME رمزگذارهای تک‌برجی NeoMME با قابلیت پردازش تصاویر 4K بدون برج بینایی. 🔗 ادامه مطلب در سایت جنجال امنیتی Hugging Face تحلیل فنی ادعاهای هک Hugging Face و امنیت مدل‌های زبانی. 🔗 جزئیات کامل در سایت کشف داروی رنتوسرتیب با هوش مصنوعی کاهش نشانگرهای سن بیولوژیک در بیماران با داروی توسعه‌یافته توسط Insilico. 🔗 جزئیات کامل در سایت

🤖 مدل‌ها و ابزارهای هوش مصنوعی

هشدار یاکوب پاچوکی درباره ضرورت کاهش سرعت توسعه هوش مصنوعی. یاکوب. هشدار یاکوب پاچوکی درباره ضرورت کاهش سرعت توسعه هوش مصنوعی. یاکوب پاچوکی، دانشمند ارشد OpenAI، نسبت به تداوم مقیاس‌دهی مدل‌های هوش. 🔗 ادامه مطلب در سایت راهنمای جامع معماری و پیاده‌سازی LLM: از یادگیری مفاهیم تا اجرای محلی در این درس آزاد تخصصی با معماری ترنسفورمرها، مکانیزم‌های توجه و پیاده‌سازی کاربردی RAG و vLLM برای مدل‌های زبانی بزرگ آشنا شوید. 🔗 جزئیات کامل در سایت معماری نوین Hanxiu MRAM: تحولی در پردازش هوش مصنوعی با حافظه مغناطیسی شرکت چینی Hanxiu با معرفی معماری‌های uHBM و uLPU مبتنی بر حافظه‌های MRAM، گامی بزرگ در بهینه‌سازی پردازش هوش مصنوعی برداشته است. 🔗 مطالعه کامل در سایت تحولات کلیدی دنیای هوش مصنوعی در سپتامبر ۲۰۲۶: از مدل‌های جدید تا تغییر استراتژی سازمان‌ها. هفته اول سپتامبر ۲۰۲۶ شاهد پیشرفت‌های چشمگیری در هوش مصنوعی بود؛ از عرضه Anthropic Fable 5.1 و مدل امنیتی گوگل تا. 🔗 جزئیات کامل در سایت

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

‏📉 چرا هوش مصنوعی در کارهای طولانی شکست می‌خورد؟ ‏تحقیقات جدید مهندسان مایکروسافت نشان می‌دهد که مدل‌های هوش مصنوعی در بنچمارک‌های کوتاه بسیار درخشان ظاهر می‌شوند، اما در وظایف چندمرحله‌ای (Multi-step) با افت شدید عملکرد مواجه هستند. با افزایش تعداد مراحل وابسته، نرخ موفقیت مدل‌ها از نزدیک ۱۰۰ درصد به نزدیک صفر سقوط می‌کند. ‏مهم‌ترین یافته‌های این پژوهش: ‏* دلیل اصلی شکست، «طولانی بودن مسیر» است و نه محدودیت پنجره متن؛ اتفاقاً محدود کردن متن باعث گم‌گشتگی بیشتر مدل می‌شود. ‏* موفقیت عامل‌ها از یک «قانون هندسی» پیروی می‌کند؛ یعنی کوچک‌ترین خطا در یک مرحله، کل زنجیره عملیات را دچار فروپاشی می‌کند. ‏* ارزیابی‌های فعلی به‌دلیل تمرکز بر افق‌های کوتاه، فریبنده هستند. ‏برای بهبود عملکرد، تیم‌های توسعه‌دهنده باید از ارزیابی‌های آگاه از افق (Horizon-aware) و بررسی‌های میانی استفاده کنند. ابزارهای تست این پژوهش در گیت‌هاب در دسترس است.

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

#ToolQA #Long_Horizon

‏هوش مصنوعی در نقش مدیر کسب‌وکار: معرفی E-Commerce Bench ‏تیم Qwen به تازگی بنچمارک جدیدی با نام E-Commerce Bench معرفی کرده است که در آن، ایجنت‌های هوش مصنوعی وظیفه مدیریت یک فروشگاه مجازی را به مدت ۳۶۵ روز بر عهده می‌گیرند. در این شبیه‌سازی واقع‌گرایانه، مدل‌ها باید با تامین‌کنندگان مذاکره کنند، استراتژی قیمت‌گذاری تعیین کنند، موجودی انبار را مدیریت کنند و جریان نقدینگی را کنترل نمایند. ‏نکات کلیدی این ارزیابی: ‏* عملکرد مدل‌ها: مدل‌های قدرتمندی مانند GPT-4o در این محیط موفق شدند سرمایه اولیه را تا ۱۴ برابر افزایش دهند، در حالی که برخی مدل‌های دیگر با چالش‌های جدی مواجه شدند. ‏* مدیریت زمان: یکی از یافته‌های جالب این است که مدل‌ها بخش بزرگی از توان پردازشی خود (بیش از ۷۰ درصد) را صرف امور اجرایی و اداری می‌کنند و سهم مذاکرات و تحلیل‌های اقتصادی بسیار ناچیز است. ‏* ناتوانی در یادگیری: نتایج نشان می‌دهد که اکثر مدل‌ها در طول یک سال فعالیت، توانایی یادگیری از اشتباهات گذشته و بهبود استراتژی‌های خرید را ندارند. ارزیابی توانمندی ایجنت‌های هوش مصنوعی در مدیریت کسب‌وکار با E-Commerce Bench 📊 Data➕Science

🎓 آشنایی با اساتید «بوت‌کمپ مهندس داده (2) » ⚙️ در بوت‌کمپ جدید آکادمی همراه اول، میزبان متخصصان و مدیران با تجربه‌ی بسیاری هستیم که جامع‌ترین دانش و تجربیات در خصوص مهندسی داده را، در اختیار شرکت‌کنندگان قرار بدهیم. 🔸 محمد علی فردباستانی | مدیرکل سیستم‌های منابع سازمانی همراه اول 🔸 احمد حاجی تراب | مدیر کلان داده و خدمات داده شرکت داده‌ورزی سداد 🔸 فرشاد الله دادی | تک لید Big Data همراه اول 🔸 رامتین خسروی | عضو هیأت علمی دانشکده مهندسی برق و کامپیوتر دانشگاه تهران 🔸 حسین عیوضی | مدیر فنی تیم داده شرکت آدین 🔸 عباس فرمانی | مهندس داده همراه اول 🔸 افشین ایقانیان | راهبر تیم DevOps در مبین‌نت 🔸 عرفان طاهری | راهبر تیم SRE کارگزاری مفید 🔸 مسعود کاویانی | دانشمند داده در صبا ایده (آپارات، فیلیمو، سینماتیکت) 🔸 حامد میرنبی | مهندس ارشد شبکه در ناک 🔸 شهاب رنجبری | تک لید پلتفرم و مهندسی داده در اسنپ‌مارکت 🔸 هامون محمدیان پور | هم بنیان گذار دیتاک و مدیر مهندسی اسنپ 🔸 صادق رنجبر | VP of Engineering شرکت دیتاک 🔸 محمدرضا یوسفی‌ها | مهندس داده در شرکت فناوری اطلاعات آدین 🔸 میلاد رحیمی | تحلیل‌گر داده ارشد همراه اول 🔸 علی مدیحی | مهندس داده ارشد در شرکت Snapp Pay

⚠️ ظرفیت این بوت‌کمپ نیز محدود است.

🌐 لینک پیش‌ثبت‌نام #رایگان و جزئیات بوت‌کمپ: 🔗 https://l.hamrah.academy/zki ⭐️️ @hamrah_academy | آکادمی همراه اول

‏🚀 گنجینه‌ای از پرامپت‌های مهندسی‌شده برای GPT-Image 2 ‏اگر در تولید تصاویر با کیفیت توسط مدل‌های هوش مصنوعی چالش دارید، این مخزن یک ابزار ضروری برای شماست. این مجموعه شامل بیش از ۵۰۰ پرامپت بهینه‌شده است که به‌صورت دقیق در ۱۳ دسته‌بندی مختلف، از رابط کاربری و اینفوگرافیک گرفته تا طراحی پوستر و کاراکتر، سازماندهی شده‌اند. ‏هر پرامپت به اجزای سازنده مانند سوژه، نورپردازی، متریال و ترکیب‌بندی تقسیم شده است تا کنترل کاملی روی خروجی نهایی داشته باشید. ‏مهم‌ترین منابع برای دسترسی به این پرامپت‌ها: ‏* مخزن گیت‌هاب: شامل داکیومنت‌ها و ساختار اصلی پروژه. ‏* وب‌سایت اختصاصی: بهترین گزینه برای مرور سریع نمونه‌ها و کپی کردن مستقیم پرامپت‌ها. ‏علاوه بر این، امکان استفاده از این دیتابیس در محیط‌هایی مانند Cursor و Claude Code وجود دارد تا عامل‌های هوشمند به‌صورت خودکار و با توجه به نیاز شما، سبک‌های بصری مناسب را انتخاب و اجرا کنند. این ابزار سرعت گردش کار شما را در طراحی‌های خلاقانه به طرز چشمگیری افزایش می‌دهد. معرفی کامل کتابخانه Awesome-GPT-Image-2؛ راهنمای جامع پرامپت‌نویسی تصاویر هوش مصنوعی 📊 Data➕Science

‏🎬 آغاز عصر جدید تولید ویدیو با هوش مصنوعی ‏هفته گذشته دموهای شگفت‌انگیزی منتشر شد که نشان‌دهنده تغییر رویکردی اساسی در حوزه ویدیوهای هوش مصنوعی است. ‏مدل جدید GPT-6 Astra توانسته است با کنترل مستقیم نرم‌افزارهای تخصصی، پروژه‌های پیچیده‌ای خلق کند؛ از جمله ساخت یک انیمیشن کوتاه برای کودکان به کمک ابزار Higgsfield و تدوین آن در Premiere، و همچنین ساخت یک انیمیشن سه‌بعدی در Blender از صفر. ‏این تحول بزرگ به این معناست که هوش مصنوعی به جای تولید صرف خروجی ویدیو، اکنون می‌تواند نرم‌افزارهای استاندارد صنعت را هدایت کند و یک پروژه قابل ویرایش (Editable) به انسان تحویل دهد. البته این ابزارها هنوز در مرحله دمو هستند و باید دید در سناریوهای واقعی چقدر کارایی دارند.

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

‏⚡️ به‌روزرسانی مهم مدل Hy4 تنسنت ‏تنسنت نسخه جدیدی از مدل Hy4 Preview را منتشر کرد که با هدف رفع کندی و اصلاح فرآیند تفکر در مسائل پیچیده بهینه‌سازی شده است. این مدلِ مبتنی بر معماری MoE، با ۷۷۰ میلیارد پارامتر و پشتیبانی از کانتکست ۱ میلیون توکنی، اکنون در پلتفرم WorkBuddy در دسترس است. ‏طبق گزارش تیم فنی، مهم‌ترین تغییرات این نسخه شامل موارد زیر است: ‏* کاهش گام‌های میانی در محاسبات و استدلال ‏* کاهش قابل‌توجه مصرف توکن‌های ورودی و خروجی ‏* حفظ کیفیت عملکرد در سطوح قبلی ‏* افزایش سرعت در سناریوهای پیچیده ایجنت‌محور ‏در بررسی بنچمارک‌های اخیر در حوزه‌های برنامه‌نویسی و استدلال ایجنتیک، مدل‌هایی نظیر Claude Opus، GPT و GLM همچنان رقابت نزدیکی دارند و مدل Hy3 نیز جایگاه خود را در تست‌های تخصصی مثل BioMysteryBench و Toolathlon حفظ کرده است. بررسی جامع به‌روزرسانی مدل Hy4 تنسنت؛ بهبود سرعت و بهینه‌سازی در استدلال پیچیده

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

#Hy4_Preview #WorkBuddy

‏🚀 غول‌های پردازشی: پشت‌صحنه دیتاسنترهای هوش مصنوعی ‏این روزها شاهد هستیم که سرمایه‌گذاری‌های کلان OpenAI و شرکای بزرگش، در قالب مراکز داده عظیم با قدرت پردازشی خیره‌کننده به واقعیت تبدیل شده‌اند. این زیرساخت‌ها، ستون فقرات توسعه مدل‌های نسل جدید و هوش مصنوعی پیشرفته هستند. ‏در اینجا نگاهی داریم به مهم‌ترین مراکز داده حال حاضر و ظرفیت پردازشی آن‌ها بر مبنای توان معادل کارت‌های H100: ‏• Microsoft Fairwater Atlanta: با ظرفیت ۷۶۹ هزار H100 ‏• OpenAI Stargate Abilene: با ظرفیت ۵۰۹ هزار H100 ‏• Microsoft Fairwater Wisconsin: با ظرفیت ۴۴۶ هزار H100 ‏• CoreWeave Denton: با ظرفیت ۲۵۳ هزار H100 ‏• Microsoft Goodyear: با ظرفیت ۲۰۵ هزار H100 ‏این اعداد نشان‌دهنده رقابتی فشرده برای دستیابی به توان محاسباتی بیشتر است تا مرزهای هوش مصنوعی فراتر رود. جالب است بدانید که این لیست تنها بخشی از زیرساخت‌های فعلی است و ظرفیت نهایی پروژه‌هایی مانند Stargate بسیار فراتر از این ارقام پیش‌بینی می‌شود. ظرفیت پردازشی مراکز داده؛ تحلیل زیرساخت‌های عظیم هوش مصنوعی و توان H100 📊 Data➕Science

‏🚀 رکوردشکنی OpenAI در زیرساخت‌های پردازشی ‏جنسن هوانگ، مدیرعامل انویدیا، ضمن تبریک به مناسبت عرضه مدل Astra، از به‌کارگیری بیش از ۱۰۰ هزار پردازنده سری Blackwell در پروژه Stargate خبر داد. این مرکز داده اکنون به یکی از عظیم‌ترین قطب‌های پردازش هوش مصنوعی جهان تبدیل شده است. ‏بر اساس تحلیل‌های Epoch.AI، روند توسعه این دیتاسنتر به شکل خیره‌کننده‌ای پیش می‌رود: ‏* تا ۲۸ ژوئیه ۲۰۲۶: ظرفیت عملیاتی به حدود ۵۰۹ هزار واحد H100-eq با مصرف برق ۴۲۱ مگاوات رسیده است. ‏* پیش‌بینی عملیاتی شدن ساختمان‌های ۵ تا ۸ در ۱ نوامبر ۲۰۲۶ برای افزایش دوبرابری ظرفیت. ‏* هدف نهایی پروژه: دستیابی به توان پردازشی معادل ۱.۰۱۹ میلیون واحد H100-eq با بودجه ۳۱.۹ میلیارد دلار. ‏ساختار این دیتاسنتر نشان می‌دهد که مقیاس‌گذاری در دنیای هوش مصنوعی، علاوه بر الگوریتم‌های پیشرفته، نیازمند زیرساخت‌های عظیم سخت‌افزاری و مدیریت هوشمند انرژی است. هر ساختمان در این مجموعه حدود ۱۶ ماه از زمان شروع عملیات ساخت تا بهره‌برداری نهایی زمان نیاز دارد. بررسی زیرساخت‌های عظیم پروژه Stargate؛ از ۱۰۰ هزار پردازنده Blackwell تا مقیاس یک میلیون GPU