📣 اطلاعیه اول ستاد برگزاری دوازدهمین دوره مسابقات بین‌المللی رباتیک و هوش مصنوعی فیراکاپ آزاد ایران 2025
🔸 کمیته ملی رباتیک ایران فیرا فرآیند ثبت نام از مرحله پیش ثبت نام تا ثبت‌نام قطعی در دوازدهمین دوره مسابقات بین المللی رباتیک و هوش مصنوعی فیراکاپ آزاد ایران 2025 را اعلام کرد.
🔸این مسابقات در تاریخ 26 لغایت 29 فروردین ماه 1404 و در محل دائمی نمایشگاه های بین المللی تهران برگزار می‌شود. سطح مسابقات بین المللی بوده و برای آماده‌سازی و انتخاب تیم‌های برتر در لیگ‌ها و مسابقات متنوع برای شرکت در مسابقات جهانی 2025 در کشور کره جنوبی طراحی شده است.
جهت کسب اطلاعات بیشتر می توانید به اطلاعیه مندرج در وب سایت رسمی مسابقات به نشانی زیر مراجعه نموده و در صورت نیاز با دفتر کمیته ملی رباتیک ایران فیرا تماس حاصل نمایید:
https://iran.firaworldcup.org/?p=3607
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
🔸 کمیته ملی رباتیک ایران فیرا فرآیند ثبت نام از مرحله پیش ثبت نام تا ثبت‌نام قطعی در دوازدهمین دوره مسابقات بین المللی رباتیک و هوش مصنوعی فیراکاپ آزاد ایران 2025 را اعلام کرد.
🔸این مسابقات در تاریخ 26 لغایت 29 فروردین ماه 1404 و در محل دائمی نمایشگاه های بین المللی تهران برگزار می‌شود. سطح مسابقات بین المللی بوده و برای آماده‌سازی و انتخاب تیم‌های برتر در لیگ‌ها و مسابقات متنوع برای شرکت در مسابقات جهانی 2025 در کشور کره جنوبی طراحی شده است.
جهت کسب اطلاعات بیشتر می توانید به اطلاعیه مندرج در وب سایت رسمی مسابقات به نشانی زیر مراجعه نموده و در صورت نیاز با دفتر کمیته ملی رباتیک ایران فیرا تماس حاصل نمایید:
https://iran.firaworldcup.org/?p=3607
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍7
📝 پیوند پایتون و سیاست:
یادداشتی از امین رفیع مخاطب گرامی مجله هوش مصنوعی
این زبان با سادگی، انعطاف‌پذیری و جامعه کاربری گسترده‌اش، به ابزاری کارآمد برای تحلیل داده‌های سیاسی، مدل‌سازی فرآیندهای سیاسی و حتی پیش‌بینی رویدادهای آینده تبدیل‌شده است.
در این نوشتار تلاش می‌شود تا به این پرسش پاسخ داده شود که زبان برنامه‌نویسی پایتون چه کاربردی در دانش سیاست دارد و دانشمندان این حوزه به چه ترتیبی می‌توانند از این زبان برنامه‌نویسی قدرتمند بهره‌مند شوند.
یادگیری و استفاده از زبان برنامه‌نویسی پایتون به جهت سینتکس ساده و نزدیک به زبان طبیعی، برای افرادی که پیش‌زمینه فنی ندارند ساده است، همچنین این زبان قدرتمند کتابخانه‌های غنی را دارا است که برای تحلیل داده‌ها، یادگیری ماشین، علم داده و بصری سازی طراحی‌شده‌اند.
کتابخانه‌هایی مانند Pandas، NumPy، Matplotlib و Scikit-learn به دانشمندان سیاسی اجازه می‌دهند تا به‌سرعت و به‌صورت مؤثر داده‌های خود را پردازش و تحلیل کنند.
جامعه بزرگ و فعال پایتون، پشتیبانی گسترده‌ای را برای کاربران فراهم می‌کند، این جامعه به‌طور مداوم درحال توسعه ابزارها و منابع جدیدی است که به بهبود کارایی پایتون در حوزه‌های مختلف کمک خواهد کرد.
زبان برنامه‌نویسی پایتون یک‌زبان متن‌باز است و به‌صورت رایگان در دسترس قرار دارد،. این ویژگی باعث شده تا این زبان به یکی از محبوب‌ترین زبان‌های برنامه‌نویسی در جهان مبدل شود.
پایتون کاربردهای متنوعی برای دانشمندان علوم سیاسی دارد که به اختصار بیان می‌شود:
نخستین کاربرد این زبان قدرتمند تحلیل داده‌های سیاسی است، این زبان این قابلیت را دارد تا در امر جمع‌آوری داده‌ها از منابع مختلف مانند وب‌سایت‌ها، پایگاه‌های داده و شبکه‌های اجتماعی استفاده شود.
تمیز کردن داده‌ها یکی دیگر از کاربردهای این زبان برای پژوهشگران علوم سیاسی است، داده‌های خام اغلب حاوی خطاهایی هستند، پایتون با استفاده از کتابخانه‌هایی مانند Pandas و NumPy به پژوهشگران امکان می‌دهد تا داده‌های خود را تمیز‌کرده و برای تحلیل آماده کنند.
کاربرد دیگر این زبان تجزیه و تحلیل آماری است، به کمک کتابخانه‌هایی نظیر SciPy و Statsmodels می‌توان انواع مختلفی از تحلیل‌های آماری را بر روی داده‌های سیاسی انجام داد.
برای بررسی روابط پیچیده بین متغیرهای مختلف سیاسی، می‌توان از کاربرد دیگر این زبان، یعنی مدل‌سازی معادلات ساختاری با استفاده از کتابخانه‌هایی مانند SEMpy استفاده کرد.
پایتون می‌تواند برای طبقه‌بندی داده‌ها به گروه‌های مختلف استفاده شود، به‌عنوان مثال، می‌توان از آن برای پیش‌بینی نتایج انتخابات یا شناسایی الگوهای رای‌دهی استفاده کرد.
خوشه‌بندی به دانش‌پژوهان علوم سیاسی اجازه می‌دهد تا داده‌های مشابه را در گروه‌هایی قرار دهند، این تکنیک می‌تواند برای شناسایی گروه‌های مختلف رای‌د هندگان یا کشورهایی با ویژگی‌های مشابه استفاده شود.
رگرسیون برای پیش‌بینی یک متغیر پیوسته بر اساس متغیرهای دیگر استفاده می‌شود، به‌عنوان‌مثال، می‌توان از رگرسیون برای پیش‌بینی رشد اقتصادی بر اساس عوامل سیاسی استفاده کرد.
پایتون می‌تواند برای جمع‌آوری داده‌ها از شبکه‌های اجتماعی مانند توییتر و فیس‌بوک استفاده کند، با استفاده از کتابخانه‌های مانند NLTK و TextBlob می‌توان احساسات موجود در متن‌ها را تحلیل کرد و به درک بهتری از افکار عمومی دست یافت.
زبان برنامه‌نویسی پایتون به‌واسطه کتابخانه‌هایی نظیر Matplotlib و Seaborn این اجازه را به محققین می‌دهد تا داده‌های خود را به‌صورت نمودارها و نمودارهای تعاملی جذاب نمایش دهند.
گفتنی است با استفاده از کتابخانه‌های Folium و GeoPandas می‌توان داده‌های جغرافیایی را بر روی نقشه نمایش داد.
با جمع‌آوری داده‌های مربوط به نتایج انتخابات، می‌توان از پایتون برای شناسایی الگوهای رای‌دهی، مقایسه عملکرد احزاب مختلف و پیش‌بینی نتایج انتخابات آینده استفاده کرد.
با تحلیل محتوا و احساسات موجود در سخنرانی‌های سیاسی، مقالات خبری و پست‌های شبکه‌های اجتماعی، می‌توان به درک بهتر گفتمان سیاسی و شناسایی موضوعات مهم پرداخت.
در نهایت با استفاده از مدل‌های شبیه‌سازی، می‌توان فرآیندهای تصمیم‌گیری پیچیده در سیاست را شبیه‌سازی کرده و به ارزیابی پیامدهای تصمیمات مختلف دست زد.
@diplomat_rafi
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
یادداشتی از امین رفیع مخاطب گرامی مجله هوش مصنوعی
در دنیای پیچیده و داده محور امروز، علوم سیاسی بیش از هر زمان دیگری به ابزارهای تحلیلی دقیق و قدرتمند نیاز دارد، یکی از این ابزارها که در سال‌های اخیر به شدت مورد توجه قرار گرفته، زبان برنامه‌نویسی پایتون است.
این زبان با سادگی، انعطاف‌پذیری و جامعه کاربری گسترده‌اش، به ابزاری کارآمد برای تحلیل داده‌های سیاسی، مدل‌سازی فرآیندهای سیاسی و حتی پیش‌بینی رویدادهای آینده تبدیل‌شده است.
در این نوشتار تلاش می‌شود تا به این پرسش پاسخ داده شود که زبان برنامه‌نویسی پایتون چه کاربردی در دانش سیاست دارد و دانشمندان این حوزه به چه ترتیبی می‌توانند از این زبان برنامه‌نویسی قدرتمند بهره‌مند شوند.
یادگیری و استفاده از زبان برنامه‌نویسی پایتون به جهت سینتکس ساده و نزدیک به زبان طبیعی، برای افرادی که پیش‌زمینه فنی ندارند ساده است، همچنین این زبان قدرتمند کتابخانه‌های غنی را دارا است که برای تحلیل داده‌ها، یادگیری ماشین، علم داده و بصری سازی طراحی‌شده‌اند.
کتابخانه‌هایی مانند Pandas، NumPy، Matplotlib و Scikit-learn به دانشمندان سیاسی اجازه می‌دهند تا به‌سرعت و به‌صورت مؤثر داده‌های خود را پردازش و تحلیل کنند.
جامعه بزرگ و فعال پایتون، پشتیبانی گسترده‌ای را برای کاربران فراهم می‌کند، این جامعه به‌طور مداوم درحال توسعه ابزارها و منابع جدیدی است که به بهبود کارایی پایتون در حوزه‌های مختلف کمک خواهد کرد.
زبان برنامه‌نویسی پایتون یک‌زبان متن‌باز است و به‌صورت رایگان در دسترس قرار دارد،. این ویژگی باعث شده تا این زبان به یکی از محبوب‌ترین زبان‌های برنامه‌نویسی در جهان مبدل شود.
پایتون کاربردهای متنوعی برای دانشمندان علوم سیاسی دارد که به اختصار بیان می‌شود:
نخستین کاربرد این زبان قدرتمند تحلیل داده‌های سیاسی است، این زبان این قابلیت را دارد تا در امر جمع‌آوری داده‌ها از منابع مختلف مانند وب‌سایت‌ها، پایگاه‌های داده و شبکه‌های اجتماعی استفاده شود.
تمیز کردن داده‌ها یکی دیگر از کاربردهای این زبان برای پژوهشگران علوم سیاسی است، داده‌های خام اغلب حاوی خطاهایی هستند، پایتون با استفاده از کتابخانه‌هایی مانند Pandas و NumPy به پژوهشگران امکان می‌دهد تا داده‌های خود را تمیز‌کرده و برای تحلیل آماده کنند.
کاربرد دیگر این زبان تجزیه و تحلیل آماری است، به کمک کتابخانه‌هایی نظیر SciPy و Statsmodels می‌توان انواع مختلفی از تحلیل‌های آماری را بر روی داده‌های سیاسی انجام داد.
برای بررسی روابط پیچیده بین متغیرهای مختلف سیاسی، می‌توان از کاربرد دیگر این زبان، یعنی مدل‌سازی معادلات ساختاری با استفاده از کتابخانه‌هایی مانند SEMpy استفاده کرد.
پایتون می‌تواند برای طبقه‌بندی داده‌ها به گروه‌های مختلف استفاده شود، به‌عنوان مثال، می‌توان از آن برای پیش‌بینی نتایج انتخابات یا شناسایی الگوهای رای‌دهی استفاده کرد.
خوشه‌بندی به دانش‌پژوهان علوم سیاسی اجازه می‌دهد تا داده‌های مشابه را در گروه‌هایی قرار دهند، این تکنیک می‌تواند برای شناسایی گروه‌های مختلف رای‌د هندگان یا کشورهایی با ویژگی‌های مشابه استفاده شود.
رگرسیون برای پیش‌بینی یک متغیر پیوسته بر اساس متغیرهای دیگر استفاده می‌شود، به‌عنوان‌مثال، می‌توان از رگرسیون برای پیش‌بینی رشد اقتصادی بر اساس عوامل سیاسی استفاده کرد.
پایتون می‌تواند برای جمع‌آوری داده‌ها از شبکه‌های اجتماعی مانند توییتر و فیس‌بوک استفاده کند، با استفاده از کتابخانه‌های مانند NLTK و TextBlob می‌توان احساسات موجود در متن‌ها را تحلیل کرد و به درک بهتری از افکار عمومی دست یافت.
زبان برنامه‌نویسی پایتون به‌واسطه کتابخانه‌هایی نظیر Matplotlib و Seaborn این اجازه را به محققین می‌دهد تا داده‌های خود را به‌صورت نمودارها و نمودارهای تعاملی جذاب نمایش دهند.
گفتنی است با استفاده از کتابخانه‌های Folium و GeoPandas می‌توان داده‌های جغرافیایی را بر روی نقشه نمایش داد.
با جمع‌آوری داده‌های مربوط به نتایج انتخابات، می‌توان از پایتون برای شناسایی الگوهای رای‌دهی، مقایسه عملکرد احزاب مختلف و پیش‌بینی نتایج انتخابات آینده استفاده کرد.
با تحلیل محتوا و احساسات موجود در سخنرانی‌های سیاسی، مقالات خبری و پست‌های شبکه‌های اجتماعی، می‌توان به درک بهتر گفتمان سیاسی و شناسایی موضوعات مهم پرداخت.
در نهایت با استفاده از مدل‌های شبیه‌سازی، می‌توان فرآیندهای تصمیم‌گیری پیچیده در سیاست را شبیه‌سازی کرده و به ارزیابی پیامدهای تصمیمات مختلف دست زد.
@diplomat_rafi
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍9❤2
📝 هوش مصنوعی در کنار رئیس‌جمهور ایران !
هوش مصنوعی از زمان ظهور و بروزش خیلی زود جای خود را در دنیای سیاست باز کرد. در بسیاری از کشورها از چت‌بات‌ها و دستیارهای هوش مصنوعی برای ارائه اطلاعات به شهروندان و تسهیل ارتباطات دولتی استفاده می‌شود.
با این حال، استفاده از این فناوری نوین به‌عنوان دستیار رئیس‌جمهور هنوز به یک روال در کل دنیا تبدیل نشده است. این در حالی است که روز گذشته حسین افشین، معاون علمی فناوری و اقتصاد دانش‌بنیان ریاست‌جمهوری از توسعه دستیار هوش مصنوعی برای شخص رئیس‌جمهور و اعضای کابینه خبر داد.
هوش مصنوعی برای کابینه
او تأکید کرد که با کلید زدن این کار، هر یک از وزرا در حوزه کاری خود یک دستیار هوشمند دارند. به‌گفته افشین تیم ۷۰ نفره‌ای متشکل از استادان بنام کشور روی این پروژه در حال فعالیت هستند.
چه عملکردی خواهد داشت؟
درحالی‌که هنوز از هوش مصنوعی به‌عنوان دستیار مستقیم رئیس‌جمهور استفاده نشده است، بحث‌ها و ابتکاراتی در این زمینه در حال بررسی هستند:
توسعه سیاست‌ها
سیستم‌های هوش مصنوعی می‌توانند حجم عظیمی از داده‌ها را تحلیل کرده و بینش‌هایی ارائه دهند که تصمیم‌گیری‌های سیاسی را اطلاع‌رسانی می‌کنند. این امر می‌تواند به رهبران در تدوین استراتژی‌های مبتنی بر شواهد کمک کند.
کارایی اداری:
هوش مصنوعی می‌تواند وظایف روتین در عملیات دولتی را خودکار کند، بهره‌وری را افزایش دهد و به مسئولان انسانی اجازه دهد روی مسئولیت‌های پیچیده‌تر تمرکز کنند.
ملاحظات اخلاقی و امنیتی
استفاده از این فناوری نوین در نقش‌های سطح بالایی که برای یک کشور تصمیم‌گیری می‌کنند نگرانی‌هایی درباره پاسخگویی، شفافیت و امنیت به همراه دارد. اطمینان از عملکرد بی‌طرفانه سیستم‌های هوش مصنوعی و حفاظت از آنها در برابر تهدیدات سایبری ضروری است.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
هوش مصنوعی از زمان ظهور و بروزش خیلی زود جای خود را در دنیای سیاست باز کرد. در بسیاری از کشورها از چت‌بات‌ها و دستیارهای هوش مصنوعی برای ارائه اطلاعات به شهروندان و تسهیل ارتباطات دولتی استفاده می‌شود.
با این حال، استفاده از این فناوری نوین به‌عنوان دستیار رئیس‌جمهور هنوز به یک روال در کل دنیا تبدیل نشده است. این در حالی است که روز گذشته حسین افشین، معاون علمی فناوری و اقتصاد دانش‌بنیان ریاست‌جمهوری از توسعه دستیار هوش مصنوعی برای شخص رئیس‌جمهور و اعضای کابینه خبر داد.
هوش مصنوعی برای کابینه
افشین روز گذشته در نخستین نشست خبری که محل معاونت علمی ریاست‌جمهوری ترتیب داده بود، خبر از طراحی دستیار هوشمند برای وزرا، معاونان و شخص رئیس‌جمهوری داد؛ اتفاقی که در دنیای سیاست هنوز نادر است. او با اشاره به جزئیات این طرح کم‌نظیر گفت: «این پروژه آغاز شده و تا ۶ماه آینده آماده می‌شود. البته دستیار هوش مصنوعی مختص به رئیس‌جمهور نیست و برای همه وزرا و معاونان رئیس‌جمهور نیز ارائه می‌شود. با کمک این فناوری قرار است داده‌های به‌روز همراه با نظرات کارشناسی به رئیس‌جمهوری ارائه شوند.»
او تأکید کرد که با کلید زدن این کار، هر یک از وزرا در حوزه کاری خود یک دستیار هوشمند دارند. به‌گفته افشین تیم ۷۰ نفره‌ای متشکل از استادان بنام کشور روی این پروژه در حال فعالیت هستند.
چه عملکردی خواهد داشت؟
درحالی‌که هنوز از هوش مصنوعی به‌عنوان دستیار مستقیم رئیس‌جمهور استفاده نشده است، بحث‌ها و ابتکاراتی در این زمینه در حال بررسی هستند:
توسعه سیاست‌ها
سیستم‌های هوش مصنوعی می‌توانند حجم عظیمی از داده‌ها را تحلیل کرده و بینش‌هایی ارائه دهند که تصمیم‌گیری‌های سیاسی را اطلاع‌رسانی می‌کنند. این امر می‌تواند به رهبران در تدوین استراتژی‌های مبتنی بر شواهد کمک کند.
کارایی اداری:
هوش مصنوعی می‌تواند وظایف روتین در عملیات دولتی را خودکار کند، بهره‌وری را افزایش دهد و به مسئولان انسانی اجازه دهد روی مسئولیت‌های پیچیده‌تر تمرکز کنند.
ملاحظات اخلاقی و امنیتی
استفاده از این فناوری نوین در نقش‌های سطح بالایی که برای یک کشور تصمیم‌گیری می‌کنند نگرانی‌هایی درباره پاسخگویی، شفافیت و امنیت به همراه دارد. اطمینان از عملکرد بی‌طرفانه سیستم‌های هوش مصنوعی و حفاظت از آنها در برابر تهدیدات سایبری ضروری است.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍8
📝هوش مصنوعی جنجالی Sora احتمالاً «خیلی زود» از راه می‌رسد
مدل هوش مصنوعی Sora به‌زودی معرفی خواهد شد. نکته مهم اینکه به مدت ۱۲ روز پخش زنده‌ی معرفی ویژگی‌های آن ادامه خواهد یافت.
شرکت OpenAI به‌زودی معرفی ویژگی‌ها و دموهای جدید هوش مصنوعی خود را شروع خواهد کرد. این معرفی به مدت ۱۲ روز از‌طریق پخش زنده ادامه خواهد یافت. منابع آشنا به موضوع به نشریه‌ی ورج گفتند که محصولات جدید احتمالاً شامل مدل تبدیل متن به ویدئو مورد انتظار OpenAI به نام Sora و یک مدل استدلال جدید خواهد بود.
این اعلامیه با عنوان «۱۲ روز OpenAI» در شبکه‌ی اجتماعی ایکس منتشر شد. با‌این‌حال، علاوه‌بر منابعی که به‌تازگی با ورج صحبت کرده‌اند، روزنامه‌ی وال‌استریت ژورنال پیش‌تر گزارش داده بود که Sora احتمالاً قبل‌از پایان سال ۲۰۲۴ منتشر خواهد شد.
هوش مصنوعی Sora اوایل امسال معرفی شد و با گروه کوچکی از آزمایش‌کنندگان به اشتراک گذاشته شد. به‌طور کلی، از OpenAI به‌دلیل منبع داده‌هایی که از آن برای پشتیبانی از مدل‌های زبانی خود استفاده می‌کند، انتقاد می‌شود. البته Sora نیز از این قاعده مستثنی نیست. این شرکت هنوز به‌طور مستقیم به این پرسش پاسخ نداده است که آیا Sora ویدئوهای عمومی یوتیوب را جمع‌آوری کرده است یا خیر؟ این موضوعی است که طبق مدیرعامل یوتیوب، نقض شرایط خدمات این پلتفرم است.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
مدل هوش مصنوعی Sora به‌زودی معرفی خواهد شد. نکته مهم اینکه به مدت ۱۲ روز پخش زنده‌ی معرفی ویژگی‌های آن ادامه خواهد یافت.
شرکت OpenAI به‌زودی معرفی ویژگی‌ها و دموهای جدید هوش مصنوعی خود را شروع خواهد کرد. این معرفی به مدت ۱۲ روز از‌طریق پخش زنده ادامه خواهد یافت. منابع آشنا به موضوع به نشریه‌ی ورج گفتند که محصولات جدید احتمالاً شامل مدل تبدیل متن به ویدئو مورد انتظار OpenAI به نام Sora و یک مدل استدلال جدید خواهد بود.
این اعلامیه با عنوان «۱۲ روز OpenAI» در شبکه‌ی اجتماعی ایکس منتشر شد. با‌این‌حال، علاوه‌بر منابعی که به‌تازگی با ورج صحبت کرده‌اند، روزنامه‌ی وال‌استریت ژورنال پیش‌تر گزارش داده بود که Sora احتمالاً قبل‌از پایان سال ۲۰۲۴ منتشر خواهد شد.
هوش مصنوعی Sora اوایل امسال معرفی شد و با گروه کوچکی از آزمایش‌کنندگان به اشتراک گذاشته شد. به‌طور کلی، از OpenAI به‌دلیل منبع داده‌هایی که از آن برای پشتیبانی از مدل‌های زبانی خود استفاده می‌کند، انتقاد می‌شود. البته Sora نیز از این قاعده مستثنی نیست. این شرکت هنوز به‌طور مستقیم به این پرسش پاسخ نداده است که آیا Sora ویدئوهای عمومی یوتیوب را جمع‌آوری کرده است یا خیر؟ این موضوعی است که طبق مدیرعامل یوتیوب، نقض شرایط خدمات این پلتفرم است.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍9❤2
📝 خبر جالب هوش مصنوعی از دیدگاه شما
برامون در همین پست کامنت بذارید چه خبری از هوش مصنوعی برای شما جالب بود یا دوستش داشتید یا شما رو متعجب کرد؟
خبری که چه در مجله هوش مصنوعی چه در خارج از این مجله شنیدید.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
برامون در همین پست کامنت بذارید چه خبری از هوش مصنوعی برای شما جالب بود یا دوستش داشتید یا شما رو متعجب کرد؟
خبری که چه در مجله هوش مصنوعی چه در خارج از این مجله شنیدید.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍6
🔺گوگل از مدل هوش مصنوعی GenCast برای پیش‌بینی پیشرفته آب‌وهوا رونمایی کرد
🔹گوگل به‌تازگی اقدام به معرفی مدل هوش مصنوعی GenCast کرده که برای پیش‌بینی وضعیت جوی با رزولوشن بالا طراحی شده‌است.
🔹️قابلیت‌های آن در مقایسه نمونه‌های دیگر، پیشرفته‌تر است؛ به‌طوری که می‌تواند وضعیت آب‌وهوا تا ۲۵ روز آینده را پیش‌بینی نماید.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
🔹گوگل به‌تازگی اقدام به معرفی مدل هوش مصنوعی GenCast کرده که برای پیش‌بینی وضعیت جوی با رزولوشن بالا طراحی شده‌است.
🔹️قابلیت‌های آن در مقایسه نمونه‌های دیگر، پیشرفته‌تر است؛ به‌طوری که می‌تواند وضعیت آب‌وهوا تا ۲۵ روز آینده را پیش‌بینی نماید.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍11
📝هوش مصنوعی بهترین فوتبالیست تاریخ را مشخص کرد; مسی سوم و رونالدو چهارم!
انتخاب بهترین فوتبالیست تاریخ همیشه موضوعی بحث برانگیز و سلیقه ای است اما اگر انتخاب توسط انسان و بر اساس احساسات نباشد چه؟
از هوش مصنوعی درباره انتخاب بهترین فوتبالیست های تاریخ سوال کردیم و پاسخ به شکل زیر بود:
1. پله (برزیل)
2. دیگو مارادونا (آرژانتین)
3. لیونل مسی (آرژانتین)
4. کریستیانو رونالدو (پرتغال)
5. یوهان کرایوف (هلند)
6. زین الدین زیدان (فرانسه)
7. فرانچسکو توتی (ایتالیا)
8. رونالدینیو (برزیل)
9. میشل پلاتینی (فرانسه)
10. جورج بست (ایرلند شمالی)
به گفته هوش مصنوعی این لیست شامل بهترین و شایسته ترین فوتبالیست های تاریخ است که هرکدام تاثیر عمیقی بر فوتبال گذاشتند و در دوره خودشان به عنوان بهترین شناخته میشدند.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
انتخاب بهترین فوتبالیست تاریخ همیشه موضوعی بحث برانگیز و سلیقه ای است اما اگر انتخاب توسط انسان و بر اساس احساسات نباشد چه؟
از هوش مصنوعی درباره انتخاب بهترین فوتبالیست های تاریخ سوال کردیم و پاسخ به شکل زیر بود:
1. پله (برزیل)
2. دیگو مارادونا (آرژانتین)
3. لیونل مسی (آرژانتین)
4. کریستیانو رونالدو (پرتغال)
5. یوهان کرایوف (هلند)
6. زین الدین زیدان (فرانسه)
7. فرانچسکو توتی (ایتالیا)
8. رونالدینیو (برزیل)
9. میشل پلاتینی (فرانسه)
10. جورج بست (ایرلند شمالی)
به گفته هوش مصنوعی این لیست شامل بهترین و شایسته ترین فوتبالیست های تاریخ است که هرکدام تاثیر عمیقی بر فوتبال گذاشتند و در دوره خودشان به عنوان بهترین شناخته میشدند.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍11❤2
ایران صبح امروز ماهواره های فخر 1و سامان 1 با فضاپیمای سیمرغ ایرانی را با موفقیت به فضا پرتاب کرد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍38👏8
📝 هوش مصنوعی می‌تواند نسخه‌ای از شخصیت شما تولید کند
در این گزارش آمده است، تصور کنید با یکی از ابزارهای هوش مصنوعی گفت‌وگویی دو ساعته دارید. این مدل هوش مصنوعی شما را به مکالمه‌ای هدایت می‌کند تا از دوران کودکی، خاطرات مهم و حرفه‌ای‌تان سخن بگویید و همچنین افکار و عقایدتان را درمورد مسائل سیاسی و اجتماعی بازگو کنید. مدتی بعد، یک کپی مجازی از شخصیت شما ساخته می‌شود که می‌تواند ارزش‌ها و علایق شما را با دقت خیره‌کننده‌ای ارائه دهد.
این دستاورد مهم حوزه فناوری را گروهی از محققان دانشگاه استنفورد و کارشناسان گوگل دیپ‌مایند (Google DeepMind) در گزارشی منتشر کرده‌اند.
این تیم تحقیقاتی، به سرپرستی جون سونگ پارک، دانشجوی دکترای علوم کامپیوتر دانشگاه استنفورد، یک هزار نفر را با سن، جنسیت، نژاد، محل زندگی، تحصیلات و دیدگاه سیاسی متفاوت بررسی کردند. سپس براساس مصاحبه‌های انجام‌شده با آنها و شناسایی شخصیت این افراد نمونه‌ها را ایجاد کردند.
این افراد برای مشارکت در این پروژه تحقیقاتی ۱۰۰ دلار دستمزد دریافت کردند.
شرکت‌کنندگان در این آزمون، تست‌های شخصیت، نظرسنجی‌ها و بازی‌های مبتنی بر هوش را انجام دادند که هرکدام دو بار و هر دو هفته یک بار انجام شد. نتایجی که به دست آمد نشان داد که نمونه هوش مصنوعی ایجادشده حدود ۸۵ درصد مشابه شخصیت واقعی افراد بود.
در این مقاله آمده است که انگیزه این شبیه‌سازی‌ها این است که سیر مطالعات محققان علوم اجتماعی و سایر زمینه‌ها آسان‌تر شود. به گفته محققان این پروژه، در بسیاری از مطالعات اجتماعی چنین بررسی‌هایی هزینه‌بر، غیرعملی و غیراخلاقی است، اما اگر بتوان هوش مصنوعی‌هایی ساخت که مانند افراد واقعی فکر و رفتار کنند، این امکان فراهم می‌شود که بتوان از آنها برای بررسی موضوعات مختلف استفاده کرد. از این نمونه‌های شبیه‌سازی‌شده می‌توان در بررسی موارد مختلف در حوزه‌های گوناگون علوم انسانی و علوم اجتماعی استفاده کرد؛ از شیوه مبارزه با گسترش اطلاعات نادرست در شبکه‌های اجتماعی تا بررسی رفتارهایی که موجب راه‌بندان می‌شوند.
به گفته محققان این پژوهش، عناصر به‌کاررفته در این پژوهش با عناصر مشابهی که امروزه در شرکت‌های پیشرو هوش مصنوعی فراگیرند تاحدی تفاوت دارند. هوش مصنوعی کنونی مبتنی بر ابزار است و درواقع مدلی است برای انجام کارها نه اینکه با شما گفت‌وگو کند.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
نشریه بررسی تکنولوژی ام‌آی‌تی، MIT Technology Review در گزارشی نوشت: «هوش مصنوعی اکنون می‌تواند نسخه‌ای از شخصیت افراد تولید کند.»
در این گزارش آمده است، تصور کنید با یکی از ابزارهای هوش مصنوعی گفت‌وگویی دو ساعته دارید. این مدل هوش مصنوعی شما را به مکالمه‌ای هدایت می‌کند تا از دوران کودکی، خاطرات مهم و حرفه‌ای‌تان سخن بگویید و همچنین افکار و عقایدتان را درمورد مسائل سیاسی و اجتماعی بازگو کنید. مدتی بعد، یک کپی مجازی از شخصیت شما ساخته می‌شود که می‌تواند ارزش‌ها و علایق شما را با دقت خیره‌کننده‌ای ارائه دهد.
این دستاورد مهم حوزه فناوری را گروهی از محققان دانشگاه استنفورد و کارشناسان گوگل دیپ‌مایند (Google DeepMind) در گزارشی منتشر کرده‌اند.
این تیم تحقیقاتی، به سرپرستی جون سونگ پارک، دانشجوی دکترای علوم کامپیوتر دانشگاه استنفورد، یک هزار نفر را با سن، جنسیت، نژاد، محل زندگی، تحصیلات و دیدگاه سیاسی متفاوت بررسی کردند. سپس براساس مصاحبه‌های انجام‌شده با آنها و شناسایی شخصیت این افراد نمونه‌ها را ایجاد کردند.
این افراد برای مشارکت در این پروژه تحقیقاتی ۱۰۰ دلار دستمزد دریافت کردند.
شرکت‌کنندگان در این آزمون، تست‌های شخصیت، نظرسنجی‌ها و بازی‌های مبتنی بر هوش را انجام دادند که هرکدام دو بار و هر دو هفته یک بار انجام شد. نتایجی که به دست آمد نشان داد که نمونه هوش مصنوعی ایجادشده حدود ۸۵ درصد مشابه شخصیت واقعی افراد بود.
در این مقاله آمده است که انگیزه این شبیه‌سازی‌ها این است که سیر مطالعات محققان علوم اجتماعی و سایر زمینه‌ها آسان‌تر شود. به گفته محققان این پروژه، در بسیاری از مطالعات اجتماعی چنین بررسی‌هایی هزینه‌بر، غیرعملی و غیراخلاقی است، اما اگر بتوان هوش مصنوعی‌هایی ساخت که مانند افراد واقعی فکر و رفتار کنند، این امکان فراهم می‌شود که بتوان از آنها برای بررسی موضوعات مختلف استفاده کرد. از این نمونه‌های شبیه‌سازی‌شده می‌توان در بررسی موارد مختلف در حوزه‌های گوناگون علوم انسانی و علوم اجتماعی استفاده کرد؛ از شیوه مبارزه با گسترش اطلاعات نادرست در شبکه‌های اجتماعی تا بررسی رفتارهایی که موجب راه‌بندان می‌شوند.
به گفته محققان این پژوهش، عناصر به‌کاررفته در این پژوهش با عناصر مشابهی که امروزه در شرکت‌های پیشرو هوش مصنوعی فراگیرند تاحدی تفاوت دارند. هوش مصنوعی کنونی مبتنی بر ابزار است و درواقع مدلی است برای انجام کارها نه اینکه با شما گفت‌وگو کند.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍6
📝 هوش مصنوعی جدید PaliGemma 2 گوگل می‌تواند احساسات افراد را تشخیص دهد
گوگل به‌تازگی از خانواده جدیدی از مدل‌های هوش مصنوعی خود تحت عنوان PaliGemma 2 رونمایی کرده است که می‌توانند اقدام به بررسی عکس‌ها و شناسایی محتوای آنها کنند. نوشتن خودکار توضیحات پس از مشاهده عکس‌ها و پاسخ به سؤالات کاربران پیرامون تصاویر، از دیگر قابلیت‌های مدل مذکور است. همچنین گوگل مدعی شده است که این ابزار نه‌تنها می‌تواند اشیا یا کارهای صورت گرفته در عکس‌ها را تشخیص دهد؛ بلکه توانایی شناسایی احساس اشخاص را هم دارد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
جدیدترین مدل هوش مصنوعی گوگل تحت‌عنوان PaliGemma 2 امکان تحلیل تصاویر و ارائه خروجی متنی براساس محتوای آنها را دارد.
گوگل به‌تازگی از خانواده جدیدی از مدل‌های هوش مصنوعی خود تحت عنوان PaliGemma 2 رونمایی کرده است که می‌توانند اقدام به بررسی عکس‌ها و شناسایی محتوای آنها کنند. نوشتن خودکار توضیحات پس از مشاهده عکس‌ها و پاسخ به سؤالات کاربران پیرامون تصاویر، از دیگر قابلیت‌های مدل مذکور است. همچنین گوگل مدعی شده است که این ابزار نه‌تنها می‌تواند اشیا یا کارهای صورت گرفته در عکس‌ها را تشخیص دهد؛ بلکه توانایی شناسایی احساس اشخاص را هم دارد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍5
📝 مدل بزرگ هوش مصنوعی «دانشمند» و «دستیار پژوهش» طراحی می‌شود
به منظور استفاده بهینه از ظرفیت علمی و تخصصی، بهره‌برداری حداکثری از ظرفیت‌های فناوری هوش مصنوعی در راستای رفع نیازهای کشور و با هدف تسهیل دسترسی به داده‌های علمی و پژوهشی برای زیست‌بوم هوش مصنوعی جهت توسعه کاربردهای هوش مصنوعی، تفاهمنامه‌ای میان پژوهشگاه علوم و فناوری اطلاعات ایران و سازمان ملی هوش مصنوعی منعقد شد.
تفاهمنامه همکاری مشترک بین ایرانداک و سازمان ملی هوش مصنوعی، به نمایندگی دکتر محمد حسن‌زاده (رئیس ایرانداک) و دکتر محمدسعید سرافراز (رئیس سازمان) برای مدت پنج‌سال به امضا رسید.
در این تفاهمنامه بر مشارکت و همکاری دو طرف برای «مشارکت در توسعه مدل بزرگ هوش مصنوعی دانشمند (AI Scientist)»، «مشارکت در توسعه دستیار پژوهش (Research Assistant)»،«ایجاد بخش هوش مصنوعی در جایزه ملی فناوری اطلاعات» و «تدوین اصطلاح‌نامه تخصصی هوش مصنوعی» و «توسعه پلتفرم هوشمند دریافت داده‌های رسانه اجتماعی برای پژوهش و ایجاد دسترسی برای دانشگاه‌ها» منعقد شد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
در تفاهمنامه ۵ ساله ایرانداک و سازمان ملی هوش مصنوعی بر مشارکت در توسعه مدل بزرگ هوش مصنوعی دانشمند و دستیار پژوهش تاکید شد.
به منظور استفاده بهینه از ظرفیت علمی و تخصصی، بهره‌برداری حداکثری از ظرفیت‌های فناوری هوش مصنوعی در راستای رفع نیازهای کشور و با هدف تسهیل دسترسی به داده‌های علمی و پژوهشی برای زیست‌بوم هوش مصنوعی جهت توسعه کاربردهای هوش مصنوعی، تفاهمنامه‌ای میان پژوهشگاه علوم و فناوری اطلاعات ایران و سازمان ملی هوش مصنوعی منعقد شد.
تفاهمنامه همکاری مشترک بین ایرانداک و سازمان ملی هوش مصنوعی، به نمایندگی دکتر محمد حسن‌زاده (رئیس ایرانداک) و دکتر محمدسعید سرافراز (رئیس سازمان) برای مدت پنج‌سال به امضا رسید.
در این تفاهمنامه بر مشارکت و همکاری دو طرف برای «مشارکت در توسعه مدل بزرگ هوش مصنوعی دانشمند (AI Scientist)»، «مشارکت در توسعه دستیار پژوهش (Research Assistant)»،«ایجاد بخش هوش مصنوعی در جایزه ملی فناوری اطلاعات» و «تدوین اصطلاح‌نامه تخصصی هوش مصنوعی» و «توسعه پلتفرم هوشمند دریافت داده‌های رسانه اجتماعی برای پژوهش و ایجاد دسترسی برای دانشگاه‌ها» منعقد شد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍6❤1
📝هوش مصنوعی جامع ساخته شد / ادعای بزرگ کارمند ایرانی OpenAI
چند روزی از عرضه کامل مدل o1 شرکت OpenAI می‌گذرد و اکنون کارمند ایرانی این شرکت ادعا می‌کند ما به هوش جامع مصنوعی (AGI) رسیده‌ایم.
وحید کاظمی، کارمند OpenAI، در پستی در ایکس گفته است: «به نظر من، ما به AGI دست یافته‌ایم و با o1 حتی این امر مشخص‌تر نیز شده است.» البته وحید کاظمی تبصره‌ای در تعریف AGI می‌گذارد؛ به گفته او اگر هوش جامع مصنوعی «در هر کاری بهتر از هر انسانی» باشد، مدل o1 «در بیشتر کارها از بیشتر انسان‌ها» بهتر عمل می‌کند.
در حقیقت، وحید کاظمی نمی‌گوید هوش مصنوعی این شرکت از فردی متخصص در کاری خاص مؤثرتر و ماهرتر است، او می‌گوید o1 می‌تواند کارهای بسیار متنوعی انجام دهد، حتی اگر نتیجه نهایی درست از آب درنیاید اما هیچ انسانی نمی‌تواند با این وسعت با مهارت‌های هوش مصنوعی جدید رقابت کند.
وحید کاظمی دکترای یادگیری ماشینی دارد و یکی از اعضای کادر فنی OpenAI است. او در پست اخیر خود درباره ماهیت مدل‌های زبانی بزرگ یا LLMها و اینکه آیا آنها صرفاً «از یک دستورالعمل پیروی می‌کنند» یا نه نیز صحبت کرد: «برخی می‌گویند LLMها فقط می‌دانند چگونه از یک دستورالعمل پیروی کنند. هیچ‌کس واقعاً نمی‌تواند توضیح دهد یک‌تریلیون پارامتر شبکه عصبی عمیق چه چیزی را می‌تواند یاد بگیرد.»
او دستورالعمل‌های هوش مصنوعی را با دستورالعمل‌های دانشمندان مقایسه می‌کند و می‌گوید کل روش علمی را نیز می‌توان در یک دستورالعمل خلاصه کرد: مشاهده، فرضیه‌سازی و تأیید. دانشمندان خوب می‌توانند برمبنای شهود خود فرضیه‌های بهتری تولید کنند اما این شهود خود با آزمون و خطاهای بسیاری به دست آمده است. به باور وحید کاظمی، اگرچه هوش مصنوعی ممکن است اکنون دچار خطا شود، به‌مرور شبیه دانشمندی خبره می‌شود که فرضیه‌های بکری مطرح می‌کند.
«سم آلتمن»، مدیرعامل OpenAI، نیز چند روز قبل درباره AGI صحبت کرده بود. او گفت: «حدس می‌زنم زودتر از چیزی که اکثر مردم جهان فکر می‌کنند، به AGI برسیم.» البته سم آلتمن در صحبت‌هایش تلاش کرده انتظارات کاربران از AGI را کاهش دهد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
چند روزی از عرضه کامل مدل o1 شرکت OpenAI می‌گذرد و اکنون کارمند ایرانی این شرکت ادعا می‌کند ما به هوش جامع مصنوعی (AGI) رسیده‌ایم.
وحید کاظمی، کارمند OpenAI، در پستی در ایکس گفته است: «به نظر من، ما به AGI دست یافته‌ایم و با o1 حتی این امر مشخص‌تر نیز شده است.» البته وحید کاظمی تبصره‌ای در تعریف AGI می‌گذارد؛ به گفته او اگر هوش جامع مصنوعی «در هر کاری بهتر از هر انسانی» باشد، مدل o1 «در بیشتر کارها از بیشتر انسان‌ها» بهتر عمل می‌کند.
در حقیقت، وحید کاظمی نمی‌گوید هوش مصنوعی این شرکت از فردی متخصص در کاری خاص مؤثرتر و ماهرتر است، او می‌گوید o1 می‌تواند کارهای بسیار متنوعی انجام دهد، حتی اگر نتیجه نهایی درست از آب درنیاید اما هیچ انسانی نمی‌تواند با این وسعت با مهارت‌های هوش مصنوعی جدید رقابت کند.
وحید کاظمی دکترای یادگیری ماشینی دارد و یکی از اعضای کادر فنی OpenAI است. او در پست اخیر خود درباره ماهیت مدل‌های زبانی بزرگ یا LLMها و اینکه آیا آنها صرفاً «از یک دستورالعمل پیروی می‌کنند» یا نه نیز صحبت کرد: «برخی می‌گویند LLMها فقط می‌دانند چگونه از یک دستورالعمل پیروی کنند. هیچ‌کس واقعاً نمی‌تواند توضیح دهد یک‌تریلیون پارامتر شبکه عصبی عمیق چه چیزی را می‌تواند یاد بگیرد.»
او دستورالعمل‌های هوش مصنوعی را با دستورالعمل‌های دانشمندان مقایسه می‌کند و می‌گوید کل روش علمی را نیز می‌توان در یک دستورالعمل خلاصه کرد: مشاهده، فرضیه‌سازی و تأیید. دانشمندان خوب می‌توانند برمبنای شهود خود فرضیه‌های بهتری تولید کنند اما این شهود خود با آزمون و خطاهای بسیاری به دست آمده است. به باور وحید کاظمی، اگرچه هوش مصنوعی ممکن است اکنون دچار خطا شود، به‌مرور شبیه دانشمندی خبره می‌شود که فرضیه‌های بکری مطرح می‌کند.
«سم آلتمن»، مدیرعامل OpenAI، نیز چند روز قبل درباره AGI صحبت کرده بود. او گفت: «حدس می‌زنم زودتر از چیزی که اکثر مردم جهان فکر می‌کنند، به AGI برسیم.» البته سم آلتمن در صحبت‌هایش تلاش کرده انتظارات کاربران از AGI را کاهش دهد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍9
📝 برندگان جایزه نوبل خواستار مقررات سخت برای هوش مصنوعی شدند
«جفری هینتون»، برنده جایزه نوبل فیزیک و «دمیس حسابیس»، برنده نوبل شیمی، با وجودی که هر ۲ به دلیل کارهای ارزشمندشان در هوش مصنوعی برنده این جایزه شدند، خواستار قانون سفت و سخت برای این فناوری شدند.
دمیس حسابیس در یک کنفرانس خبری در استکهلم گفت: هوش مصنوعی یک فناوری بسیار مهم است که باید خیلی سریع سر و سامان پیدا کند. فکر می‌کنم که باید قوانینی را به درستی تصویب کنیم تا بتوانیم این فناوری را که به سرعت در حال حرکت است، تحت نظارت خود درآوریم.
حسابیس به طور مشترک با ۲ آمریکایی به نام‌های «دیوید بیکر» و «جان جامپر» به دلیل افشای اسرار پروتئین‌ها از طریق هوش مصنوعی برنده جایزه نوبل شد. اما او در مورد این فناوری بزرگ می‌گوید: چنین سرعت تکاملی ما را با چالش بزرگی مواجه خواهد کرد. موضوع اساسی این است که می‌خواهیم از این سیستم‌ها برای چه استفاده کنیم، چگونه می‌خواهیم آنها را مستقر کنیم و اطمینان حاصل کنیم که همه بشریت از آنچه این سیستم‌ها می‌توانند انجام دهند سود می‌برند.
هینتون بریتانیایی-کانادایی که به عنوان «پدرخوانده هوش مصنوعی» شناخته می‌شود، با کنایه از ترسش از احتمال افزایش رقابت تسلیحاتی توسط هوش مصنوعی، تاکید کرد که «ای کاش زودتر به ایمنی این فناوری فکر می‌کردم».
هینتون که سال گذشته با خروج از گوگل خبرساز شد و درباره خطراتی که ماشین‌ها می‌توانند روزی از مردم پیشی بگیرند، حسابی غوغا به پا کرد، به همراه جان‌هاپفیلد آمریکایی برای کار روی شبکه‌های عصبی مصنوعی جایزه نوبل خود را دریافت کرد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
«جفری هینتون»، برنده جایزه نوبل فیزیک و «دمیس حسابیس»، برنده نوبل شیمی، با وجودی که هر ۲ به دلیل کارهای ارزشمندشان در هوش مصنوعی برنده این جایزه شدند، خواستار قانون سفت و سخت برای این فناوری شدند.
دمیس حسابیس در یک کنفرانس خبری در استکهلم گفت: هوش مصنوعی یک فناوری بسیار مهم است که باید خیلی سریع سر و سامان پیدا کند. فکر می‌کنم که باید قوانینی را به درستی تصویب کنیم تا بتوانیم این فناوری را که به سرعت در حال حرکت است، تحت نظارت خود درآوریم.
حسابیس به طور مشترک با ۲ آمریکایی به نام‌های «دیوید بیکر» و «جان جامپر» به دلیل افشای اسرار پروتئین‌ها از طریق هوش مصنوعی برنده جایزه نوبل شد. اما او در مورد این فناوری بزرگ می‌گوید: چنین سرعت تکاملی ما را با چالش بزرگی مواجه خواهد کرد. موضوع اساسی این است که می‌خواهیم از این سیستم‌ها برای چه استفاده کنیم، چگونه می‌خواهیم آنها را مستقر کنیم و اطمینان حاصل کنیم که همه بشریت از آنچه این سیستم‌ها می‌توانند انجام دهند سود می‌برند.
هینتون بریتانیایی-کانادایی که به عنوان «پدرخوانده هوش مصنوعی» شناخته می‌شود، با کنایه از ترسش از احتمال افزایش رقابت تسلیحاتی توسط هوش مصنوعی، تاکید کرد که «ای کاش زودتر به ایمنی این فناوری فکر می‌کردم».
هینتون که سال گذشته با خروج از گوگل خبرساز شد و درباره خطراتی که ماشین‌ها می‌توانند روزی از مردم پیشی بگیرند، حسابی غوغا به پا کرد، به همراه جان‌هاپفیلد آمریکایی برای کار روی شبکه‌های عصبی مصنوعی جایزه نوبل خود را دریافت کرد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍12❤2
📝 مفهوم بیش برازش (overfitting) در یادگیری ماشین
#اصطلاحات_هوش_مصنوعی
فرض کنیم که فردی که انگلیسی زبان نیست بخواهد زبان انگلیسی را یاد بگیرد. او هیچ دانش قبلی در مورد انگلیسی ندارد اما فقط می‌داند که ویلیام شکسپیر بزرگ‌ترین نویسنده انگلیسی زبان است. یک راه این است که او خود را در یک کتابخانه حبس کند و تمامی آثار شکسپیر را مطالعه کند. بعد از یک سال مطالعه، فرد به نیویورک می‌رود و با اولین نفری که میبیند، سلام و احوالپرسی می‌کند. اولین جمله‌ای که می‌گوید اینگونه است: «!Good dawning to thee, friend». فرد مقابل، با نگاهی تحقیر آمیز، زیرلب خواهد گفت که این مرد دیوانه است. در این حالت این فرد، یکی از بزرگ‌ترین خطاهای پایه‌ای در آموزش مدل را مرتکب شده‌ایم، overfitting در داده‌های آموزش.
در آموزش‌های data science، یک مدل overfit، مدلی تعریف می‌شود که واریانس زیاد و بایاس کمی روی داده‌های آموزش دارد، که منجر به تعمیم‌پذیری پایینِ مدل به داده‌های جدید می‌شود. بیایید این تعریف را روی مثالی که در ابتدا مطرح کردیم، بررسی کنیم. مدلی که می‌خواهیم بسازیم، برقراری ارتباط از طریق زبان انگلیسی است. داده‌های آموزشی، تمامی آثار شکسپیر هستند و داده تست، نیویورک است. اگر معیار ارزیابی، پذیرش عموم مردم باشد، در این صورت مدل ما در تعمیم به داده‌های تست، با شکست مواجه می‌شود. تا اینجا همه چیز واضح است، اما واریانس یا بایاس چه هستند؟
به میزان تغییرات مدل در پاسخ به داده‌های آموزشی، واریانس گفته می‌شود. از آنجایی که در مثال مطرح شده، داده‌های آموزش، خوانده و حفظ شده‌اند، مدل واریانس زیادی دارد و به شدت به داده‌های آموزشی وابسته است. اگر به مدلی که واریانسش زیاد است، یکسری داده‌های تست جدید نشان داده شود، عملکرد مطلوبی نخواهد داشت، چرا که به شدت به داده‌های آموزش وابسته است و داده‌های جدید متفاوت با داده‌های آموزش هستند. دقیقا شبیه دانش‌آموزی که تمامی مسائلِ کتاب ریاضی را حفظ کرده ولی در امتحان ریاضی وقتی با مسائل جدیدی روبه رو می‌شود، نمی‌تواند آنها را حل کند.
بایاس، نشان‌دهنده‌ی قدرت تخمین‌ها در مورد داده است. در تلاش برای یادگیری زبان انگلیسی، ما هیچ فرض اولیه‌ای در مورد مدل انجام ندادیم و به نویسنده کتاب اعتماد کردیم تا او همه چیز را در مورد زبان، به ما یاد دهد. بایاسِ پایین ممکن است نکته‌ای مثبت به نظر برسد اما چرا باید به داده‌ها اعتماد کرد؟ هر پروسه طبیعی، نویز تولید می‌کند اما نمی‌توان اطمینان داشت که داده‌ها تمام نویز را در بر بگیرند. اغلب لازم است یکسری فرض‌های اولیه در مورد داده‌ها در نظر گرفته و در مدل، فضایی برای نوساناتی که در داده‌ها دیده نمی‌شوند، در نظر گرفت. در مثالی که قبلا مطرح شد، قبل از خواندن کتاب‌های شکسپیر، فرد باید در نظر می‌گرفت که خواندن کتاب نمی‌تواند به تنهایی زبان انگلیسی را به او یاد دهد و او تنها کتاب‌ها را حفظ می‌کند.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
#اصطلاحات_هوش_مصنوعی
فرض کنیم که فردی که انگلیسی زبان نیست بخواهد زبان انگلیسی را یاد بگیرد. او هیچ دانش قبلی در مورد انگلیسی ندارد اما فقط می‌داند که ویلیام شکسپیر بزرگ‌ترین نویسنده انگلیسی زبان است. یک راه این است که او خود را در یک کتابخانه حبس کند و تمامی آثار شکسپیر را مطالعه کند. بعد از یک سال مطالعه، فرد به نیویورک می‌رود و با اولین نفری که میبیند، سلام و احوالپرسی می‌کند. اولین جمله‌ای که می‌گوید اینگونه است: «!Good dawning to thee, friend». فرد مقابل، با نگاهی تحقیر آمیز، زیرلب خواهد گفت که این مرد دیوانه است. در این حالت این فرد، یکی از بزرگ‌ترین خطاهای پایه‌ای در آموزش مدل را مرتکب شده‌ایم، overfitting در داده‌های آموزش.
در آموزش‌های data science، یک مدل overfit، مدلی تعریف می‌شود که واریانس زیاد و بایاس کمی روی داده‌های آموزش دارد، که منجر به تعمیم‌پذیری پایینِ مدل به داده‌های جدید می‌شود. بیایید این تعریف را روی مثالی که در ابتدا مطرح کردیم، بررسی کنیم. مدلی که می‌خواهیم بسازیم، برقراری ارتباط از طریق زبان انگلیسی است. داده‌های آموزشی، تمامی آثار شکسپیر هستند و داده تست، نیویورک است. اگر معیار ارزیابی، پذیرش عموم مردم باشد، در این صورت مدل ما در تعمیم به داده‌های تست، با شکست مواجه می‌شود. تا اینجا همه چیز واضح است، اما واریانس یا بایاس چه هستند؟
به میزان تغییرات مدل در پاسخ به داده‌های آموزشی، واریانس گفته می‌شود. از آنجایی که در مثال مطرح شده، داده‌های آموزش، خوانده و حفظ شده‌اند، مدل واریانس زیادی دارد و به شدت به داده‌های آموزشی وابسته است. اگر به مدلی که واریانسش زیاد است، یکسری داده‌های تست جدید نشان داده شود، عملکرد مطلوبی نخواهد داشت، چرا که به شدت به داده‌های آموزش وابسته است و داده‌های جدید متفاوت با داده‌های آموزش هستند. دقیقا شبیه دانش‌آموزی که تمامی مسائلِ کتاب ریاضی را حفظ کرده ولی در امتحان ریاضی وقتی با مسائل جدیدی روبه رو می‌شود، نمی‌تواند آنها را حل کند.
بایاس، نشان‌دهنده‌ی قدرت تخمین‌ها در مورد داده است. در تلاش برای یادگیری زبان انگلیسی، ما هیچ فرض اولیه‌ای در مورد مدل انجام ندادیم و به نویسنده کتاب اعتماد کردیم تا او همه چیز را در مورد زبان، به ما یاد دهد. بایاسِ پایین ممکن است نکته‌ای مثبت به نظر برسد اما چرا باید به داده‌ها اعتماد کرد؟ هر پروسه طبیعی، نویز تولید می‌کند اما نمی‌توان اطمینان داشت که داده‌ها تمام نویز را در بر بگیرند. اغلب لازم است یکسری فرض‌های اولیه در مورد داده‌ها در نظر گرفته و در مدل، فضایی برای نوساناتی که در داده‌ها دیده نمی‌شوند، در نظر گرفت. در مثالی که قبلا مطرح شد، قبل از خواندن کتاب‌های شکسپیر، فرد باید در نظر می‌گرفت که خواندن کتاب نمی‌تواند به تنهایی زبان انگلیسی را به او یاد دهد و او تنها کتاب‌ها را حفظ می‌کند.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍13❤1👏1
This media is not supported in your browser
VIEW IN TELEGRAM
یلدا در زمان هخامنشیان از دید هوش مصنوعی🏛
در اون دوره تو تخت جمشید و بین شکوه ستون‌ها و کاخ‌های هخامنشی جشن گرفته می‌شده.
فکرشو کن: دورهمی‌های بزرگ، آتیشای روشن، انارای قرمز، هندونه‌های آبدار 🍉 و قصه‌هایی که تو بلندترین شب سال گفته می‌شدن.
یلدا همیشه نشون‌دهنده‌ی نور و امید بوده؛ چه اون موقع، چه حالا. این شب بهمون یادآوری می‌کنه که حتی طولانی‌ترین تاریکی‌ها هم یه جایی به طلوع ختم می‌شن.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
در اون دوره تو تخت جمشید و بین شکوه ستون‌ها و کاخ‌های هخامنشی جشن گرفته می‌شده.
فکرشو کن: دورهمی‌های بزرگ، آتیشای روشن، انارای قرمز، هندونه‌های آبدار 🍉 و قصه‌هایی که تو بلندترین شب سال گفته می‌شدن.
یلدا همیشه نشون‌دهنده‌ی نور و امید بوده؛ چه اون موقع، چه حالا. این شب بهمون یادآوری می‌کنه که حتی طولانی‌ترین تاریکی‌ها هم یه جایی به طلوع ختم می‌شن.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍16😍1
📝هوش مصنوعی استاد دانشگاه می‌شود!
«دانشگاه کالیفرنیا لس‌آنجلس» قصد دارد در سال آینده میلادی یک کلاس را با حضور هوش مصنوعی برای آموزش دانشجویان و پاسخ دادن به پرسش‌های آنها برگزار کند.
در زمستان ۲۰۲۵ یک کلاس ادبیات تطبیقی در «دانشگاه کالیفرنیا لس‌آنجلس»(UCLA) برگزار خواهد شد که کتاب درسی، تکالیف خانه و منابع تدریس تولید شده توسط هوش مصنوعی را شامل می‌شود.
کلاس مذکور پیرامون بررسی ادبیات قرون وسطی تا قرن هفدهم است و مواد درسی توسط پلتفرم آموزشی «کودو»(Kudu) تولید می‌شوند. به گفته دانشگاه کالیفرنیا لس‌آنجلس، این اولین کلاس در بخش علوم انسانی با مواد درسی توسعه‌یافته توسط کودو خواهد بود.
📰 مطالعه بیشتر
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
«دانشگاه کالیفرنیا لس‌آنجلس» قصد دارد در سال آینده میلادی یک کلاس را با حضور هوش مصنوعی برای آموزش دانشجویان و پاسخ دادن به پرسش‌های آنها برگزار کند.
در زمستان ۲۰۲۵ یک کلاس ادبیات تطبیقی در «دانشگاه کالیفرنیا لس‌آنجلس»(UCLA) برگزار خواهد شد که کتاب درسی، تکالیف خانه و منابع تدریس تولید شده توسط هوش مصنوعی را شامل می‌شود.
کلاس مذکور پیرامون بررسی ادبیات قرون وسطی تا قرن هفدهم است و مواد درسی توسط پلتفرم آموزشی «کودو»(Kudu) تولید می‌شوند. به گفته دانشگاه کالیفرنیا لس‌آنجلس، این اولین کلاس در بخش علوم انسانی با مواد درسی توسعه‌یافته توسط کودو خواهد بود.
📰 مطالعه بیشتر
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍15
This media is not supported in your browser
VIEW IN TELEGRAM
📌PanoDreamer
📝پانورامای سه بعدی از یک تصویر واحد با هوش مصنوعی
🔗 Discover More:
* Source code: Github
* Project Page: PanoDreamer
* Paper: Read the paper
* YouTube: Video Results
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
📝پانورامای سه بعدی از یک تصویر واحد با هوش مصنوعی
🔗 Discover More:
* Source code: Github
* Project Page: PanoDreamer
* Paper: Read the paper
* YouTube: Video Results
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍8
📝 اپل نگاه بسیار متفاوتی به هوش مصنوعی انسان‌گونه دارد
معاون ارشد یادگیری ماشین و استراتژی هوش مصنوعی اپل، دیدگاه متفاوت این شرکت نسبت به هوش مصنوعی عمومی را به اشتراک گذاشت.
درحالی‌که بسیاری از شرکت‌های فعال در حوزه‌ی هوش مصنوعی، روی توسعه‌ی هوش مصنوعی عمومی (AGI) تمرکز کرده‌اند، به نظر می‌رسد که اپل رویکردی متفاوت در پیش گرفته است. مدیران ارشد این شرکت معتقدند که تولید زودهنگام هوش مصنوعی انسان‌گونه، در‌حال‌حاضر بیش‌ازحد خوش‌بینانه تلقی می‌شود و نیازمند پیشرفت‌های اساسی در زمینه‌های مختلف خواهد بود.
در مصاحبه‌ی وایرد با جان جیاناندریا، معاون ارشد یادگیری ماشین و استراتژی هوش مصنوعی اپل، او به‌صراحت بیان کرد که اپل علاقه‌ای به تولید هوش مصنوعی عمومی ندارد. او باور دارد که بسیاری از مشکلات اساسی در این حوزه هنوز حل نشده‌اند و رسیدن به هوش مصنوعی عمومی، نیازمند پیشرفت‌های قابل توجهی در ابعاد مختلف صنعت مبتنی‌بر هوش مصنوعی است.
⚡️ مطالعه بیشتر
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
معاون ارشد یادگیری ماشین و استراتژی هوش مصنوعی اپل، دیدگاه متفاوت این شرکت نسبت به هوش مصنوعی عمومی را به اشتراک گذاشت.
درحالی‌که بسیاری از شرکت‌های فعال در حوزه‌ی هوش مصنوعی، روی توسعه‌ی هوش مصنوعی عمومی (AGI) تمرکز کرده‌اند، به نظر می‌رسد که اپل رویکردی متفاوت در پیش گرفته است. مدیران ارشد این شرکت معتقدند که تولید زودهنگام هوش مصنوعی انسان‌گونه، در‌حال‌حاضر بیش‌ازحد خوش‌بینانه تلقی می‌شود و نیازمند پیشرفت‌های اساسی در زمینه‌های مختلف خواهد بود.
در مصاحبه‌ی وایرد با جان جیاناندریا، معاون ارشد یادگیری ماشین و استراتژی هوش مصنوعی اپل، او به‌صراحت بیان کرد که اپل علاقه‌ای به تولید هوش مصنوعی عمومی ندارد. او باور دارد که بسیاری از مشکلات اساسی در این حوزه هنوز حل نشده‌اند و رسیدن به هوش مصنوعی عمومی، نیازمند پیشرفت‌های قابل توجهی در ابعاد مختلف صنعت مبتنی‌بر هوش مصنوعی است.
⚡️ مطالعه بیشتر
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍9👏2
مجله هوش مصنوعی
مفهوم بیش برازش (overfitting) در یادگیری ماشین
📝مفهوم underfitting در یادگیری ماشین
#اصطلاحات_هوش_مصنوعی
مشاهده شد که مدلی که overfit می‌شود، واریانس زیاد و بایاس کمی دارد. اما اگر واریانس کم و بایاس زیاد باشد چه؟ در این حالت گفته می‌شود که مدل، underfit است. underfitt یعنی اینکه مدل به جای اینکه داده‌ها را از نزدیک دنبال کند، از یادگیری آموزه‌هایی که در داده‌های آموزشی وجود دارد، چشم‌پوشی کرده و نمی‌تواند روابط موجود میان داده‌ها را کشف کند.
حال می‌خواهیم چنین مدلی را با کمک مثال قبل، توصیف کنیم. این‌بار فرد مورد نظر، داده‌های آموزشی را به یک سریال تغییر می‌دهد و به عنوان فرض اولیه، تنها جملاتی که با کلمات رایج the، be، to، of و a شروع می‌شوند، مهم قلمداد شده و از بقیه جملات چشم‌پوشی می‌شود. بعد از یک پروسه طولانیِ آموزش، فرد دوباره به نیویورک سفر می‌کند. اما این بار هم شکست می‌خورد. زیرا در این حالت، فرد تعداد کمی از جملات را می‌تواند درک کند و به خاطر بایاس، در درک ساختار زبان ناتوان است. در فرض اولیه که برای داده‌ها در نظر گرفته شد، زیاده روی شده و مدل underfit شد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
#اصطلاحات_هوش_مصنوعی
مشاهده شد که مدلی که overfit می‌شود، واریانس زیاد و بایاس کمی دارد. اما اگر واریانس کم و بایاس زیاد باشد چه؟ در این حالت گفته می‌شود که مدل، underfit است. underfitt یعنی اینکه مدل به جای اینکه داده‌ها را از نزدیک دنبال کند، از یادگیری آموزه‌هایی که در داده‌های آموزشی وجود دارد، چشم‌پوشی کرده و نمی‌تواند روابط موجود میان داده‌ها را کشف کند.
حال می‌خواهیم چنین مدلی را با کمک مثال قبل، توصیف کنیم. این‌بار فرد مورد نظر، داده‌های آموزشی را به یک سریال تغییر می‌دهد و به عنوان فرض اولیه، تنها جملاتی که با کلمات رایج the، be، to، of و a شروع می‌شوند، مهم قلمداد شده و از بقیه جملات چشم‌پوشی می‌شود. بعد از یک پروسه طولانیِ آموزش، فرد دوباره به نیویورک سفر می‌کند. اما این بار هم شکست می‌خورد. زیرا در این حالت، فرد تعداد کمی از جملات را می‌تواند درک کند و به خاطر بایاس، در درک ساختار زبان ناتوان است. در فرض اولیه که برای داده‌ها در نظر گرفته شد، زیاده روی شده و مدل underfit شد.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
👍11❤3👏1
Media is too big
VIEW IN TELEGRAM
📽 بررسی کامل هوش اپل؛ هوش مصنوعی آیفون چیه؟
گفتیم تمام قابلیت‌های هوش اپل که در حال حاضر در دسترس هست و نیست رو بهتون بگیم. توی این ویدیو با قابلیت‌های جدید هوش اپل مثل Image Playground و Image Wand و Genmoji هم کار کردیم
و تجربمون رو گفتیم. هوش اپل متاسفانه همچنان ناقصه و در بعضی بخش‌ها اجازه دسترسی نمی‌ده.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
گفتیم تمام قابلیت‌های هوش اپل که در حال حاضر در دسترس هست و نیست رو بهتون بگیم. توی این ویدیو با قابلیت‌های جدید هوش اپل مثل Image Playground و Image Wand و Genmoji هم کار کردیم
و تجربمون رو گفتیم. هوش اپل متاسفانه همچنان ناقصه و در بعضی بخش‌ها اجازه دسترسی نمی‌ده.
📖 مجله هوش مصنوعی
➖➖➖➖➖
🆔 : @HomeAI
💟 : instagram.com/homeai.ir
❤7