‏✨ کانوا با Magic Layers، ویرایش عکس‌های ChatGPT را متحول می‌کند

‏کانوا با معرفی قابلیت جدید خود به نام Magic Layers، انقلابی در ویرایش تصاویر تولید شده توسط هوش مصنوعی ایجاد کرده است. این قابلیت به کاربران اجازه می‌دهد تا تصاویر تولید شده توسط مدل‌هایی مانند ChatGPT را وارد کانوا کرده و لایه‌های تشکیل‌دهنده آن‌ها را به‌طور مجزا ویرایش کنند. این امکان، کنترل بی‌سابقه‌ای را برای جابه‌جایی، تغییر یا ویرایش عناصر مختلف در یک تصویر فراهم می‌آورد و تجربه کاربری را به سطحی کاملاً جدید ارتقا می‌دهد.

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

#معرفی #MagicLayers

‏📉 کاهش سهم بازار ChatGPT و رشد رقبا

‏در اوایل سال ۲۰۲۵، ChatGPT بیش از ۹۰٪ ترافیک جهانی چت‌بات‌های هوش مصنوعی را در اختیار داشت. اما تا ماه می ۲۰۲۶، این سهم به کمتر از ۶۱٪ کاهش یافته است. در همین دوره، Gemini سهم خود را به ۲۹.۹٪ رسانده و Claude نیز با رشد قابل توجهی به ۹.۸٪ بازار دست یافته است. با وجود اینکه بازار کلی هوش مصنوعی ماهانه ۳٪ رشد می‌کند و کاربران جدید بیشتری جذب می‌شوند، اما این کاربران دیگر تنها به سمت OpenAI نمی‌روند و به سمت پلتفرم‌های رقیب نیز گرایش پیدا کرده‌اند.

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

#خبر #ChatGPT

‏🗣️ معرفی Gemini 3.5 Live Translate: ترجمه زنده گفتار به گفتار

‏گوگل از جدیدترین مدل صوتی خود، Gemini 3.5 Live Translate، رونمایی کرد که قابلیت ترجمه زنده گفتار به گفتار را ارائه می‌دهد. این مدل نوآورانه بیش از ۷۰ زبان را پشتیبانی کرده و به محض شروع صحبت، ترجمه را آغاز می‌کند و در حین گوش دادن به صحبت‌های بعدی، ترجمه‌های جریانی را ارائه می‌دهد. هدف این فناوری، ایجاد ارتباط واقعی و بدون مانع زبانی، با حذف وقفه‌های ناخوشایند و صدای بریده‌بریده است.

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

🤖 خلاصه تحولات هوش مصنوعی
━━━━━━━━━━━━━━━
📅 دوره: 24 ساعت گذشته | شماره #45
⏰ از سه‌شنبه 1405/03/19 ساعت 14:00
تا چهارشنبه 1405/03/20 ساعت 14:00
━━━━━━━━━━━━━━━

🤖 مدل‌های زبانی بزرگ و چندوجهی

تنسنت هونیوان (Tencent Hunyuan) UniRL را معرفی کرده است، یک زیرساخت جدید برای آموزش پسین مبتنی بر یادگیری تقویتی (RL) مدل‌های چندوجهی. هدف UniRL ایجاد یک چرخه RL یکپارچه برای خانواده‌های مختلف مدل‌ها از جمله LLM (مدل‌های زبان بزرگ)، VLM (مدل‌های دیداری-زبانی) و دیفیوژن (diffusion) است. این چارچوب مدل و الگوریتم را مستقل از هم در نظر می‌گیرد تا ترکیب انعطاف‌پذیر مدل‌ها و الگوریتم‌های RL فراهم شود.
🔗 مشاهده پست

Anthropic نسخه تجاری مدل Mythos را تحت اسم Claude Fable 5 عرضه کرده است. این مدل که پیش‌زمینه‌ای از پروژه محرمانه Glasswing دارد، توانایی شناسایی خودکار آسیب‌پذیری‌های صفر روز و انجام حملات چندمرحله‌ای پیچیده را داراست. Anthropic این فناوری را به دو لایه تقسیم می‌کند: نسخه پایه به‌صورت اختصاصی برای دولت‌ها و شرکای استراتژیک باقی می‌ماند، در حالی که Fable 5 برای استفاده عمومی عرضه می‌شود.
🔗 مشاهده پست

جامعه هوش مصنوعی معتقد است دوره مهندسی پرامپت (Prompt Engineering) به پایان رسیده و به‌جای آن باید سیستم‌های خودکار (Loop Engineering) طراحی کرد. در این رویکرد به‌جای نوشتن دستورالعمل‌های گام‌به‌گام برای یک عامل کدنویسی، هدف کلی به سیستم داده می‌شود تا خود به‌خود حلقه‌ای از اعمال را اجرا کند. این چرخه شامل تجزیه مسأله به زیرکارها، واگذاری به عوامل تخصصی، بازبینی نتایج، شناسایی خطاها، ارسال اصلاحات برای تکرار مجدد است.
🔗 مشاهده پست

سهم بازار ChatGPT در اوایل سال ۲۰۲۵ بیش از ۹۰٪ ترافیک جهانی چت‌بات‌های هوش مصنوعی را در اختیار داشت، اما تا ماه می ۲۰۲۶، این سهم به کمتر از ۶۱٪ کاهش یافته است. در همین دوره، Gemini سهم خود را به ۲۹.۹٪ رسانده و Claude نیز با رشد قابل توجهی به ۹.۸٪ بازار دست یافته است. با وجود رشد ماهانه ۳٪ در بازار کلی هوش مصنوعی و جذب کاربران جدید، این کاربران به سمت پلتفرم‌های متنوع‌تری می‌روند.
🔗 مشاهده پست

🎬 ابزارها و ویرایشگرهای هوش مصنوعی

ابزار Runway قابلیت جدیدی برای تغییر خودکار نسبت تصویر ویدیوها معرفی کرده است. این قابلیت به کاربران اجازه می‌دهد ویدیوهای افقی را به فرمت عمودی برای پلتفرم‌هایی مانند Shorts و Stories تبدیل کنند. مدل هوش مصنوعی Runway به طور هوشمند سوژه اصلی را در کادر دنبال کرده و هنگام تغییر نسبت تصویر، آن را حفظ می‌کند. این ویژگی برای تولیدکنندگان محتوا که به دنبال بهینه‌سازی ویدیوهای خود برای پلتفرم‌های مختلف هستند، مفید است.
🔗 مشاهده پست

کانوا با معرفی قابلیت جدید خود به نام Magic Layers، انقلابی در ویرایش تصاویر تولید شده توسط هوش مصنوعی ایجاد کرده است. این قابلیت به کاربران اجازه می‌دهد تا تصاویر تولید شده توسط مدل‌هایی مانند ChatGPT را وارد کانوا کرده و لایه‌های تشکیل‌دهنده آن‌ها را به‌طور مجزا ویرایش کنند. این امکان، کنترل بی‌سابقه‌ای را برای جابه‌جایی، تغییر یا ویرایش عناصر مختلف در یک تصویر فراهم می‌آورد.
🔗 مشاهده پست

📚 آموزش و منابع

کتاب جدید "Starting Data Analytics with Generative AI and Python" به‌صورت عملی نشان می‌دهد چگونه هوش مصنوعی مولد (Generative AI) می‌تواند در مسیر تجزیه‌وتحلیل داده‌ها به‌کار رود؛ از تعریف مسئله و تضمین کیفیت داده‌ها تا تحلیل، تفسیر نتایج، پردازش متنی (text mining) و بهینه‌سازی عملکرد. نویسنده تأکید می‌کند که هدف این تکنولوژی جایگزینی تحلیلگر داده نیست، بلکه به‌عنوان یک همکار هوشمند در طراحی مسیر تحلیلی، نوشتن کد و شرح خروجی‌ها عمل می‌کند.
🔗 مشاهده پست

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

‏🧠 ساخت مدل Reasoning از پایه

‏سباستین راشکا در کتاب جدید خود با عنوان "Build a Reasoning Model From Scratch" به بررسی عمیق چگونگی ساخت مدل‌های استدلال (Reasoning Models) در هوش مصنوعی می‌پردازد. این کتاب که در حال حاضر به صورت MEAP (محصول در حال توسعه) منتشر شده است، راهنمایی جامع برای توسعه‌دهندگانی است که می‌خواهند درک کنند چگونه مدل‌های زبانی بزرگ (LLMs) قادر به انجام وظایف پیچیده استدلالی می‌شوند.

‏این اثر بر پایه‌های نظری و عملی تمرکز دارد و به خوانندگان کمک می‌کند تا با مفاهیم کلیدی مانند استدلال مبتنی بر زنجیره افکار (Chain-of-Thought) و تکنیک‌های مرتبط با آن آشنا شوند. هدف اصلی کتاب، ارائه دانش لازم برای ساخت مدل‌هایی است که نه تنها قادر به پردازش زبان هستند، بلکه می‌توانند استدلال کرده و به نتایج منطقی دست یابند.

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

#آموزش #ReasoningModel

‏📚 Build a Reasoning Model From Scratch راهنمای ساخت مدل استدلال

‏این کتاب، فهرستی جامع از فصول و تمرین‌های عملی برای توسعه و ارزیابی مدل‌های استدلال ارائه می‌دهد. ابتدا مفاهیم پایه‌ای درک مدل‌های استدلال بررسی می‌شود و سپس با استفاده از یک LLM پیش‌آموزش‌داده‌شده، روش‌های تولید متن معرفی می‌گردد. در فصول بعدی، ارزیابی مدل‌های استدلال، بهبود آن‌ها با تکنیک‌های مقیاس‌گذاری در زمان استنتاج (Inference-Time Scaling) و خودبهبود (Self-Refinement) شرح داده می‌شود. همچنین بخش‌های ویژه‌ای برای آموزش با روش تقویت یادگیری (Reinforcement Learning) و بهبود الگوریتم GRPO، تقطیر مدل برای کارایی بالا، استفاده از LLMهای بزرگتر، بهینه‌سازی پردازش دسته‌ای و ارزیابی‌های متنوع ارائه شده است. در پیوست‌ها، کد منبع Qwen3، راهنمای ساخت رابط چت، و منابع مطالعاتی بیشتر گنجانده شده‌اند.

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

#آموزش #RLHF

‏🤖 مدل Claude Fable 5، رقیب جدید غول‌های هوش مصنوعی

‏مدل جدید Claude Fable 5 با عملکردی چشمگیر، مرزهای توانایی‌های مدل‌های زبانی بزرگ (LLM) را جابجا کرده است. این مدل در مقایسه با رقبای برجسته‌ای چون Opus، Gemini و GPT، در انجام وظایف پیچیده، تفاوت فاحشی از خود نشان می‌دهد.

‏یک گیف منتشر شده، این برتری را به تصویر می‌کشد و فاصله قابل توجه Fable 5 را با سایر مدل‌های پیشرو در تسک‌های دشوار، به وضوح نمایان می‌سازد. این پیشرفت، نشان‌دهنده گام مهمی در توسعه هوش مصنوعی است و انتظار می‌رود تأثیر بسزایی بر آینده این حوزه داشته باشد.

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

#معرفی #Claude

‏⚽ گوگل قابلیت‌های مولد هوش مصنوعی را در حالت AI رایگان کرد

‏همزمان با جام جهانی فوتبال ۲۰۲۶، گوگل دسترسی به قابلیت‌های مولد رابط کاربری (generative UI) در حالت AI را برای تمامی کاربران جستجوی گوگل به‌صورت رایگان فراهم کرده است. این قابلیت‌ها که پیش از این تنها در طرح‌های Pro و Ultra در دسترس بودند، اکنون به‌صورت موقت برای عموم کاربران فعال شده‌اند. گوگل پیش از این نیز در سال ۲۰۲۲ مشابه این اقدام را انجام داده بود، اما قابلیت‌های فعلی بسیار پیشرفته‌تر هستند.

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

‏🎮 کلاد فیبل ۵: عبور از پوکمون فایرفاکس تنها با اسکرین‌شات

‏مدل Claude Fable 5 توانسته بازی Pokémon FireRed را صرفاً با استفاده از اسکرین‌شات‌های بازی پیش ببرد و توجه‌ها را به خود جلب کند. نکته کلیدی این موفقیت، توانایی مدل در درک محیط بازی و تصمیم‌گیری تنها بر اساس اطلاعات بصری، بدون نیاز به نقشه، داده‌های راهنما یا ابزارهای خارجی است. این دستاورد نشان‌دهنده پیشرفت قابل توجه در قابلیت‌های درک بصری و استدلال مدل‌های هوش مصنوعی است.

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

#آموزش #Claude

‏⚡️ چالش برق‌رسانی به دیتاسنترها

‏در گزارش گارتنر آمده که مصرف کل برق دیتاسنترهای جهان تا سال ۲۰۲۶ به ۵۶۵ TWh خواهد رسید که یعنی ۲۶٪ رشد نسبت به سال قبل. سرورها و تجهیزات هوش مصنوعی اکنون ۳۱٪ این مصرف را تشکیل می‌دهند و پیش‌بینی می‌شود در ۲۰۲۷ از سرورهای سنتی پیشی بگیرند. گارتنر تاکید می‌کند که محدودیت اصلی آینده نه تولید چیپ‌ها، بلکه تامین برق پایدار برای مراکز پردازشی عظیم است؛ پیش‌بینی می‌شود تا ۲۰۳۰ تقاضا به بیش از ۱٬۲۰۰ TWh برسد در حالی که زیرساخت‌های شبکه برق موجود قادر به پشتیبانی از این سرعت رشد نیستند. بنابراین تمرکز صنعتی از بهبود فناوری‌ چیپ‌ها به یافتن منابع انرژی مطمئن و مقیاس‌پذیر برای عملیات‌های محاسباتی بزرگ تغییر خواهد کرد.

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

#خبر #DataScience

‏🤖 معرفی Agent Harness: مدیریت هوشمند تسک‌ها با هوش مصنوعی

‏در دنیای هوش مصنوعی، محدودیت پنجره زمینه (context window) مدل‌ها یکی از چالش‌های اساسی است. وقتی اطلاعات ورودی زیاد باشد، مدل مجبور به خلاصه‌سازی می‌شود و این فرآیند می‌تواند منجر به از دست رفتن داده‌های مهم و ناتمام ماندن تسک‌ها گردد. برای غلبه بر این مشکل، تکنیک‌هایی مانند تقسیم کار بین زیر-عامل‌ها (sub-agents) و تعریف یک هدف نهایی (PRD) مطرح شده است.

‏ایده اصلی Agent Harness این است که هدف نهایی را به تسک‌های کوچک‌تر تقسیم کرده و مدل را در یک حلقه پردازشی قرار دهیم. در هر تکرار، مدل با یک زمینه و پرامپت جدید کار می‌کند و پس از هر مرحله، بررسی می‌شود که آیا تسک به طور کامل انجام شده است یا خیر. در صورت عدم تکمیل، چرخه تکرار می‌شود.

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

#آموزش #AgentAI

‏🤖 مجموعهٔ پروژه‌های عملی هوش مصنوعی

‏این مخزن GitHub حاوی بیش از چندین ده پروژه آماده برای تمرین در حوزه‌های مختلف هوش مصنوعی است: تجزیه و تحلیل داده‌ها با AI، سیستم‌های RAG (Retrieval‑Augmented Generation)، برنامه‌های OCR (تشخیص متن از تصویر)، عامل‌های بررسی کد، دستیارهای مسافرتی و بسیاری دیگر. هر پروژه با کد منبع کامل و مستندات راه‌اندازی ارائه شده و می‌تواند به‌عنوان پل ارتباطی بین تئوری و توسعهٔ واقعی مورد استفاده قرار گیرد. برای شروع می‌توانید مستندات هر بخش را در مخزن مطالعه کنید و پس از کلون کردن، با تنظیمات سادهٔ محیط (معمولاً Docker یا Conda) اجرا کنید.

‏🔗 Hands‑On‑AI‑Engineering (GitHub)

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

#ابزار #GitHub

‏🏆 صدرنشینی Anthropic در رده‌بندی LLM

‏بر اساس آخرین داده‌های منتشرشده در رده‌بندی جامع مدل‌های بزرگ زبانی (LLM Stats)، شرکت Anthropic با معرفی و توسعه مدل‌های خانواده Claude، با فاصله‌ای چشمگیر از رقبای خود پیشی گرفته و جایگاه نخست این صنعت را به خود اختصاص داده است. سه جایگاه برتر به طور کامل در انحصار آنتروپیک است.

‏📖 LLM Leaderboard – LLM Stats

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

#خبر #Claude

‏🤖 راهنمای الگوریتم‌های طبقه‌بندی در یادگیری ماشین

‏الگوریتم‌های طبقه‌بندی ابزارهای حیاتی در یادگیری ماشین هستند که داده‌ها را به دسته‌های از پیش تعریف‌شده تقسیم می‌کنند. این راهنمای سریع، به معرفی و بررسی محبوب‌ترین الگوریتم‌های این حوزه می‌پردازد.

‏رگرسیون لجستیک (Logistic Regression) با استفاده از تابع سیگموئید، احتمال تعلق یک داده به یک کلاس را مدل‌سازی کرده و برای مسائلی مانند تشخیص پزشکی، پیش‌بینی ریزش مشتری و فیلتر کردن اسپم کاربرد دارد. درخت تصمیم (Decision Tree) با تقسیم داده‌ها بر اساس ویژگی‌ها، ساختاری درختی ایجاد می‌کند که برای بخش‌بندی مشتریان و ارزیابی ریسک مفید است، اما مستعد بیش‌برازش (overfitting) است.

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

#آموزش #DecisionTree

‏🤖 مسیریاب هوشمند LLM: انتخاب بهینه مدل برای هر پرس‌وجو

‏کتابخانه متن‌باز LLMRouter به عنوان یک سیستم مسیریابی هوشمند، با هدف بهینه‌سازی استنتاج مدل‌های زبانی بزرگ (LLM)، طراحی شده است. این سیستم به صورت پویا، مناسب‌ترین مدل را برای هر پرس‌وجو انتخاب می‌کند و انواع مختلفی از مسیریاب‌ها را شامل می‌شود: مسیریاب‌های تک‌مرحله‌ای، چندمرحله‌ای و عاملی (Agentic). این ابزار از طریق pip قابل نصب است و با زبان پایتون توسعه یافته است.

‏🔗 LLMRouter GitHub

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

#ابزار #LLMRouter

‏🤖 جنگ قیمت API هوش مصنوعی: OpenAI در مقابل Anthropic

‏به گزارش وال استریت ژورنال، OpenAI در حال بررسی کاهش شدید قیمت API خود است تا کاربران را از Anthropic بازپس گیرد. این اقدام در حالی صورت می‌گیرد که OpenAI انتظار دارد Anthropic نیز ممکن است به کاهش قیمت‌ها روی بیاورد. تمرکز اصلی این کاهش قیمت‌ها بر روی هزینه‌های توکن است، چرا که رقابت اصلی بین استارتاپ‌ها برای جذب مشتریان سازمانی (enterprise) است. این جنگ قیمتی، که احتمالاً با نزدیک شدن به زمان عرضه اولیه سهام (IPO) تشدید می‌شود، به نفع کاربران و توسعه‌دهندگانی است که از این سرویس‌ها استفاده می‌کنند.

‏📖 OpenAI Considers Drastic Price Cuts

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

#خبر #OpenAI