مدل ۲۷ میلیارد پارامتری روش جدیدی برای درمان سرطان کشف کرد که توسط متخصصان هم تایید شد:

https://blog.google/technology/ai/google-gemma-ai-cancer-therapy-discovery/


مدلی که استفاده کردند:

https://huggingface.co/vandijklab/C2S-Scale-Gemma-2-27B

تپسل مدیر محصول می‌خواد.
لینک آگهی

امکان ریفر هم دارم.
@mahdiAkhi

#job
🆔 @lifeAsAService

درود و مهر

برای یک پروژه‌ی پژوهشی در زمینه‌ی «تشخیص همدلی در گفتگوهای فارسی» به کمکتون نیاز دارم.

لطفاً چند دقیقه وقت بذارید و به ۲۰ موقعیت کوتاهی که در این پرسشنامه هست، یک پاسخ «واقعی و طبیعی» بدید. (انگار که واقعاً اون جمله رو از یک دوست شنیدید و می‌خواید جوابش رو تایپ کنید).

پاسخ‌ها کاملاً ناشناس جمع‌آوری می‌شن.

هدف ما جمع‌آوری پاسخ‌های «انسانی» و «واقعی» هست، پس لطفاً رسمی یا کتابی جواب ندید.

ممنون از وقتی که می‌ذارید. 🙏

https://forms.gle/iUAfLpPmHNYz9Tfj6

✨ یک جای خالی در دیتاک، شاید دقیقا برای تو باشه!

دیتاک جاییه برای یادگیری، رشد و حل مسائل واقعی با داده‌های واقعی.اگر Laravel رو به‌خوبی بلدی، از کدنویسی تمیز و اصولی (OOP و SOLID) لذت می‌بری، و کنجکاوی نسبت به Golang داری، منتظریم تا با هم آشنا بشیم.

🔹 چی کار می‌کنی؟
– توسعه و بهبود سرویس‌های بک‌اند دیتاک با Laravel و Golang
– طراحی و ساخت سرویس‌های مقیاس‌پذیر و ماژولار با معماری Microservice
– کار با MySQL برای طراحی و بهینه‌سازی کوئری‌ها و اسکیمای داده
– استفاده از Redis برای کشینگ و افزایش کارایی
– توسعه سرویس‌های Asynchronous با NATS / RabbitMQ / Redis Pub/Sub
– همکاری نزدیک با تیم‌های داده، طراحی محصول و DevOps
– کار با کلاستر Elasticsearch با بیش از 40 میلیارد داده

🔹 چی ازت می‌خوایم؟
– تجربه‌ی عملی حداقل ۳ سال در توسعه بک‌اند
– تسلط بالا بر PHP و فریم‌ورک Laravel
– آشنایی یا تجربه‌ی عملی با Golang مزیت بزرگه
– درک عمیق از طراحی دیتابیس و بهینه‌سازی کوئری‌ها
– تجربه‌ی کار با Docker و Git
– روحیه‌ی حل مسئله و ساده‌سازی سیستم‌های پیچیده
– علاقه‌مند به یادگیری، رشد و کار در محیط تیمی و Agile

🔹 نکات اضافه اگر داشته باشی عالیه:
– تجربه‌ی کار با Kubernetes (k8s)
– آشنایی با ابزارهای مانیتورینگ و Observability مثل Prometheus، Grafana، Loki

🔹 مزایا:
✅ حقوق رقابتی متناسب با مهارت
✅ بیمه تکمیلی
✅ ساعت کاری شناور و امکان همکاری هیبریدی
✅ تیمی جوان، داده‌محور و مشتاق یادگیری
✅ امکان استفاده از امریه سربازی (در صورت داشتن شرایط)
✅ جلسات آموزشی، تیم‌بیلدینگ و رشد فردی
✅ فضای باز برای تجربه‌ی ابزارهای مدرن و یادگیری فناوری‌های جدید


اگر می‌خواهی بخشی از یک تیم داده‌محور باشی که به رشد و یادگیری اهمیت می‌دهد،
👈 رزومه‌ات رو برای ما بفرست.

📩 منتظر آشنایی با تو هستیم.

کافیه رزومه خودت رو به ایمیل زیر با ذکر عنوان شغلی ارسال کنی:
[email protected]

#job

🆔 @lifeAsAService

ما تو بی‌چت یه قابلیتی داشتیم به که چت بات میتونست تو غرفه فروشنده سرچ کنه و ما اینو با api سرچ باسلام انجام میدادیم و مشکلی که داشتیم این بود که accuracy و percision پایینی داشتیم و کار ما رو راه نمینداخت و برای این که داده irrelevant نده فیلتر ها رو زیاد کرده بودیم و نتیجه این شده بود که میگفت محصولی یافت نشد. حالا علت چی بود این بود که query های ما بشدت نیازمند درک semantic داشتن و مشکل بعدی این بود که ما از [عملگر](https://www.govinfo.gov/help/search-operators) or تو سرچ نداشتیم برای اینکه داده های نویزی وارد نشن. خب ما هم با راه حل اومدیم
فرض کنید مشتری از چت بات پارچه لباس مجلس میخواد طبیعتا شما پارچه ای تحت عنوان پارچه لباس مجلسی ندارید بلکه پارچه لباس مجلسی به یه گروهی از پارچه ها تعلق داره و طبیعتا سرچ کردن پارچه لباس مجلسی نتیجه دلخواه رو نداره پس باید بیایم پارچه لباس مجلسی رو گسترش بدیم و بتونیم ازش query هایی که یه محصول واقعی هستن رو استخراج کنیم
1. پارچه مجلسی پولکی
2. پارچه مجلسی حریر
3. پارچه مجلسی گیپور
و ...
خب حالا ما کوئری های مرتبط تری داریم و میتونیم سرچ رو بهتر انجام بدیم خب حالا همه اینا رو میفرستیم به api سرچ و اونا رو جمع میکنیم ولی حالا یه مشکل دیگه داریم اونم اینکه اگه قبلا به ازای هر سرچ ۱۰ تا عنوان محصول داشتیم حالا حداکثر ۱۰x۱۰ یعنی ۱۰۰ تا عنوان محصول داریم و خب همه اینا رو نمیتونیم به مشتری برگردونیم به دو علت ۱. ترتیب ندارن و اولین محصول لیستمون مرتبط ترین نیست
۲. باید فیلتر بشن و از اون ۱۰۰ تا باید حداکثر ۱۰ تا رو برگردونیم. راه حل چیه؟ re-ranking یعنی ما میایم با یه مدل که درک از معنا داره میایم رابطه عنوان retrieve شده رو با کوئری اصلی میسنجیم و بهش یه relevance score میدیم و با اون هم رتبه بندی میکنیم و هم فیلتر.
حالا روش re-ranking معمولا با bi-encoder های fine-tune شده استفاده میشه و ولی خب ما اومدیم از llm استفاده کردیم و درکل نتیجه بهتری داشتیم

⚡️ مدل BERT فقط یک مرحله از فرایند Text Diffusion است

🔺در یک تحلیل جدید توضیح داده شده که BERT را می‌توان نسخه‌ی تک‌مرحله‌ای از مدل‌های text diffusion دانست.
در BERT بخشی از کلمات ماسک و بازسازی می‌شوند، در حالی‌که در diffusion همین فرآیند در چندین گام تکرار می‌شود تا نویز به‌تدریج حذف و متن نهایی تولید شود.

🔺مدل RoBERTa Diffusion با داده‌های WikiText توانست متن معنادار تولید کند، هرچند کمی کندتر از GPT-2 عمل کرد.

📎Link

#AI #BERT #Diffusion #RoBERTa #Research

آموزش #پایتون از پایه برای #یادگیری_ماشین یکی از #کتاب های خوب این حوزه برای یادگیری و آشنایی با مباحث کاربردی اون در کنار تئوری بحث هست.

Python Course Machine Learning With Python

#منابع

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person