‏⚽ 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

‏🤖 کلود فِیبِل زبان خودش را اختراع کرد

‏در طول جلسات طولانی یادگیری تقویتی (Reinforcement Learning)، محققان متوجه شدند که مدل Claude Fable گاهی اوقات به جای استفاده از زبان انگلیسی معمولی، شروع به برقراری ارتباط به سبکی داخلی و عجیب با نمادها، اصطلاحات تخصصی، علائم نگارشی و حتی ایموجی‌های غیرمعمول می‌کند. این رفتار شبیه به این بود که گویی هوش مصنوعی زبان خاص خود را ابداع کرده است. نکته جالب این بود که هر زمان مدل نیاز به فراخوانی یک ابزار یا پاسخ به انسان داشت، معمولاً به زبان انگلیسی واضح بازمی‌گشت.

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

#آموزش #RLHF

🤖 خلاصه تحولات هوش مصنوعی
━━━━━━━━━━━━━━━
📅 دوره: 24 ساعت گذشته | شماره #46
⏰ از پنجشنبه 1405/03/21 ساعت 14:00
تا جمعه 1405/03/22 ساعت 14:00
━━━━━━━━━━━━━━━

🤖 مدل‌های زبانی بزرگ و ابزارهای مرتبط

معرفی Agent Harness: پلتفرمی برای مدیریت هوشمند تسک‌ها با تقسیم کار به زیر‑عامل‌ها (sub‑agents) و تعریف هدف نهایی (PRD) جهت فائق آمدن بر محدودیت‌ پنجره زمینه مدل‌های زبانی.
🔗 مشاهده پست

رده‌بندی LLM Stats نشان می‌دهد Anthropic با مدل‌های خانواده Claude به صدرنشینی در میان مدل‌های زبانی بزرگ (LLM) دست یافته و سه جایگاه برتر را در اختیار دارد.
🔗 مشاهده پست

LLMRouter: کتابخانه متن باز برای مسیریابی هوشمند پرس‌وجوها؛ با انتخاب پویا و بهینه‌ترین مدل LLM برای هر درخواست، شامل مسیریاب‌های تک‑مرحله‌ای، چندمرحله‌ای و عامل‌محور. نصب از طریق pip.
🔗 مشاهده پست

Claude Fable در طول یادگیری تقویتی (Reinforcement Learning) گاهی زبانی داخلی و نمادین ایجاد می‌کند؛ رفتار شبیه ابداع زبان جدید توسط هوش مصنوعی.
🔗 مشاهده پست

📊 منابع آموزشی و پروژه‌های عملی

مجموعه‌ای از بیش از چندین ده پروژه عملی AI روی GitHub شامل تجزیه و تحلیل داده، RAG، OCR، بررسی کد، دستیارهای مسافرتی و …؛ هر پروژه با کد منبع و مستندات کامل برای پل زدن بین تئوری و توسعه واقعی.
🔗 مشاهده پست

راهنمای سریع الگوریتم‌های طبقه‌بندی در یادگیری ماشین؛ معرفی و بررسی الگوریتم‌های کلیدی مانند رگرسیون لجستیک (Logistic Regression) با تابع سیگموئید برای پیش‌بینی ریسک بیمه، تشخیص پزشکی و فیلتر اسپم.
🔗 مشاهده پست

💼 بازار و قیمت‌گذاری API هوش مصنوعی

گزارش بازار: OpenAI قصد دارد قیمت API خود را کاهش دهد تا رقابت با Anthropic را در جذب مشتریان سازمانی (enterprise) تقویت کند؛ تمرکز بر هزینه توکن‌ها و احتمال کاهش قیمت‌های Anthropic نیز مطرح است.
🔗 مشاهده پست

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

‏🤖 طبقه‌بندی چندبرچسبی متن با Scikit-LLM

‏این مقاله به شما آموزش می‌دهد چگونه بدون نیاز به داده‌های آموزشی برچسب‌دار یا آموزش مدل‌های پیچیده، طبقه‌بندی چندبرچسبی متن را با استفاده از مدل‌های زبان بزرگ (LLM) و کتابخانه scikit-LLM انجام دهید. در این مطلب، با مفهوم طبقه‌بندی چندبرچسبی و اهمیت آن در تحلیل دقیق متن آشنا می‌شوید. همچنین نحوه راه‌اندازی و پیکربندی scikit-LLM با یک مدل زبان بزرگ متن‌باز و رایگان از Groq برای استنتاج بدون نیاز به داده آموزشی (zero-shot inference) شرح داده شده است. در نهایت، چگونگی بارگذاری یک مجموعه داده واقعی و اجرای پیش‌بینی‌های احساسات چندبرچسبی با استفاده از گردش کاری آشنای شبیه scikit-learn را خواهید آموخت.

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

#مقاله #DataScience