♾متا از مدل هوش مصنوعی SAM 2 برای شناسایی سریع اشیا در ویدیوها رونمایی کرد

🟡متا سال گذشته مدل Segment Anything یا SAM رو معرفی کرد که با یادگیری ماشینی می‌تونست در یک تصویر تقریباً همه‌چیز رو شناسایی کنه. الان متا از نسل بعدی اون، SAM 2، پرده برداشته که می‌تونه حتی اشیای موجود در ویدیو رو با دقت بالایی به‌صورت لحظه‌ای شناسایی کنه.

🟡مدل SAM 2 امکانات مختلفی برای محققان، تولیدکنندگان محتوا و علاقه‌مندان به هوش مصنوعی فراهم می‌کنه و می‌شه از اون به‌عنوان جزئی از سیستم هوش مصنوعی بزرگ‌تر برای شناسایی اجزای تصاویر و ویدیوها بهره برد. این مدل در سیستم‌های خودروهای خودران، تدوین ویدیو یا حتی ردیابی حیوانات درحال‌انقراض در فیلم‌برداری با پهپادها استفاده می‌شه.

🟡مدل جدید SAM 2، مثل مدل اول، متن‌باز و رایگانه و شما می‌تونید از نسخه آزمایشی رایگان اون استفاده کنید.

#اخبار_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📚آرشیو کاملی از نکات data science

#آموزش

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📌آشنایی با MLOps: انقلابی در مدیریت و توسعه مدل‌های یادگیری ماشین

(قسمت اول)

🔴در دنیای امروز که داده‌ها به یکی از ارزشمندترین دارایی‌ها تبدیل شدن، یادگیری ماشین و هوش مصنوعی نقش بسیار مهمی در تصمیم‌گیری‌ها و پیش‌بینی‌ها دارن. اما چالش اصلی اینجاست:

🔴 چطور می‌شه مدل‌های یادگیری ماشین رو به صورت موثر و با کیفیت بالا توسعه و مدیریت کرد؟ اینجا جاییه که MLOps وارد میدان می‌شه.

⬅️رویکرد MLOps چیه؟

🔴رویکرد MLOps یا Machine Learning Operations به مجموعه‌ای از روش‌ها و ابزارها گفته میشه که کمک می‌کنن تا مدل‌های یادگیری ماشین رو راحت‌تر و سریع‌تر توسعه، پیاده‌سازی و مدیریت کنیم. یعنی مثل DevOps که به توسعه نرم‌افزار کمک می‌کنه، MLOps هم به مدل‌های یادگیری ماشین نظم می‌ده!

⬅️چرا MLOps مهمه؟

🔴این روزا مدل‌های یادگیری ماشین پیچیده‌تر شدن و داده‌ها هم زیاد شدن. برای همین به ابزاری مثل MLOps نیاز داریم که:

🔴مدل‌ها رو سریع‌تر توسعه بدیم: به کمک ابزارهای خودکار می‌تونیم مدل‌ها رو سریع بسازیم و تست کنیم.

🔴مدل‌ها رو بهتر مدیریت کنیم: تغییرات مدل‌ها رو راحت‌تر پیگیری کنیم و هر وقت نیاز شد به نسخه قبلی برگردیم.

🔴مدل‌ها رو زیر نظر داشته باشیم: عملکرد مدل‌ها رو دائماً چک کنیم و هر جا مشکلی بود، سریع رفعش کنیم.

⬅️رویکردMLOps چجوری کارمون رو راحت‌تر می‌کنه؟

🔴پیاده‌سازی راحت‌تر مدل‌ها: انتقال مدل‌ها از مرحله توسعه به مرحله عملیاتی رو آسون‌تر می‌کنه.

🔴مدیریت بهتر داده‌ها: دسترسی به داده‌های درست و به‌روز رو فراهم می‌کنه.

🔴خودکارسازی کارها: مثل آموزش دوباره مدل‌ها یا اعمال تغییرات جدید.

#MLops

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

🤖برای اولین بار در آمریکا پیوند دو کلیه با جراحی رباتیک انجام شد

✅پزشکان آمریکایی موفق‌شدن تا برای اولین بار در یک عمل جراحی با ربات، دو کلیه به  یک زن ۷۰ ساله پیوند بزنن. در ماه مارس سال جاری، این زن با عمل خودش که توسط سیستم جراحی رباتیک انجام شد دو کلیه دریافت کرد و الان پزشکان از روند بهبود سریع اون خبر دادن.

✅براساس بیانیه کینیک کلیولند، جراحی این زن که جوآن نام داره، از این جهت منحصر‌به‌فرد بوده که پزشکان در یک رویکرد نواورانه با کمک یک سیستم جراحی رباتیک دو کلیه رو از یک اهداکننده متوفی به اون پیوند زدن. این رویکرد همچنین می‌تونه زمان انتظار بیماران برای دریافت عضو موردنیاز خودشونو کاهش بده.

#ربات #robot

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

🔹 گوگل چند مدل هوش مصنوعی متن‌باز جدید با تمرکز بر ایمنی معرفی کرد

🔻گوگل سه مدل هوش مصنوعی جدید و متن‌باز منتشر کرده و در ادعایی جسورانه، اون هارو ایمن‌تر، کوچک‌تر و شفاف‌تر توصیف کرده.

🔻هوش مصنوعی Gemma 2 2B یک مدل هوش مصنوعی سبک برای تولید متن تحلیلیه که می‌تونه روی طیف وسیعی از سخت‌افزار مثل لپ‌تاپ‌ها اجرا بشه.

🔻هوش مصنوعی ShieldGemma هم دارای مجموعه‌ای از دسته‌بندی ایمنی می‌شه و تلاش میکنه تا سمیت‌هایی مثل گفتار نفرت آمیز، آزار‌و‌اذیت و محتوای جنسی رو تشخیص بده.

🔻در نهایت، Gemma Scope به‌ توسعه‌دهندگان اجازه می‌ده تا در مدل Gemma 2 روی نقاط خاصی تمرکز کنن و عملکرد درونی اون رو قابل تفسیرتر می‌کنه.

#اخبار_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📣 کتابخانه جدید برای Llama 3

🟣پایتورچ با انتشار Torchchat، کتابخانه‌ای جدید برای اجرای بدون مشکل Llama 3, 3.1 و سایر LLMها روی لپ‌تاپ‌، دسکتاپ‌ و دستگاه‌های موبایل معرفی کرده.

🟣با Torchchat، پایتورچ قابلیت‌های PyTorch 2 رو به طرز چشمگیری گسترش داده. حالا با استفاده از CUDA، عملکرد بسیار بهتری ارائه می‌ده و از محیط‌ها، مدل‌ها و حالت‌های اجرایی بیشتری پشتیبانی می‌کنه.

🔜 https://github.com/pytorch/torchchat

#یادگیری_عمیق

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📌نسخه 6.1 از MidJourney منتشر شد

▪️شرکت MidJourney نسخه 6.1 رو معرفی کرد که بهبودهای زیادی در کیفیت تصاویر و تجربه کاربری ارائه می‌ده.

▪️تو این نسخه، تصاویر با دقت و انسجام بیشتری ارائه می‌شن و جزئیاتی مثل چهره‌ها، دست‌ها و بافت‌های پوستی بهبود پیدا کردن. همچنین، سرعت پردازش تصاویر حدود ۲۵٪ افزایش داشته و قابلیت‌های جدیدی برای شخصی‌سازی تصاویر اضافه شده.

#اخبار_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📚چیت شیت پایتون اسمارتک(قسمت دوم)

⬅️در این چیت شیت نکات مهم و اصولی پایتون به صورت خلاصه جمع آوری شده و میتونید در هر زمانی که نیاز داشتید با مرور این چیت شیت نکات پایتون رو مرور کنید.

🧷لینک قسمت اول

#آموزش #پایتون

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

🤖 ربات پیشرفته خم‌کاری ورق فلزی

🔴این ربات هوشمند با بهره‌گرفتن از آخرین تکنولوژی‌ها و طراحی دقیق، قادره عملیات خم‌کاری رو با سرعت، دقت و کیفیت بی‌نظیری انجام بده.

#ربات #robot

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📚الگوریتم های یادگیری ماشین (قسمت سی سوم)

✔️الگوریتم Gradient Boosting(درس اول)

🟢‏انواع مختلفی از الگوریتم‌های تقویتی(boosting) مانند AdaBoost، gradient boosting algorithm و XGboost در یادگیری ماشین(ML) وجود داره.

🟢‏Boosting یکی از انواع روش‌های یادگیری گروهیه که مدل رو به صورت متوالی آموزش می‌ده و هر مدل جدید سعی می‌کنه مدل قبلی رو اصلاح کنه.

🟢الگوریتم افزایش گرادیان(Gradient Boosting) به خاطر سرعت و دقت پیش‌بینی، مخصوصا با مجموعه داده‌های بزرگ و پیچیده، یک الگوریتم تقویتی محبوب برای کارهای طبقه‌بندی(classification) و رگرسیون هست.

‏Gradient Boosting چندین یادگیرنده ضعیف رو ترکیب می‌کنه تا به یادگیرندگان قوی برسه. هر مدل جدید برای به حداقل رسوندن تابع ضرر(loss) (مانند میانگین مربعات خطا یا آنتروپی متقابل مدل قبلی با استفاده از گرادیان نزول)،آموزش داده می‌شه.

🟢 در هر تکرار، گرادیان تابع ضرر رو با توجه به پیش‌بینی‌های مجموعه فعلی محاسبه می‌کنه و بعدش یک مدل ضعیف جدید رو برای به حداقل رسوندن این گرادیان آموزش می‌ده. سپس پیش‌بینی‌های مدل جدید به مجموعه اضافه می‌شند و این فرآیند را تا زمانی که یک معیار توقف برآورده بشه، تکرار می‌کنه.

🟢خطاها نقش مهمی در الگوریتم یادگیری ماشین دارن. عمدتاً دو نوع خطا وجود داره: خطای بایاس و خطای واریانس. الگوریتم Gradient Boosting به ما کمک می‌کنه تا خطای بایاس مدل رو به حداقل برسونیم.

#آموزش   #یادگیری_ماشین  #machine_learning
#الگوریتم_یادگیری_ماشین

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

❌ پیشنهاد ایلان ماسک برای استفاده از نورالینک مقابل هوش مصنوعی: بیایید به مردم قدرت‌‌های ماورایی بدهیم

⚫️ایلان ماسک به‌تازگی در مصاحبه جدیدی با Lex Fridmanدرباره مزیت‌های تراشه‌های نورالینک صحبت کرده. ایلان ماسک می‌گه ایمپلنت‌های مغزی نورالینک بهترین راه برای انسانه تا هم با هوش مصنوعی پیشرفته یکپارچه بشه هم در آینده با اون رقابت کنه. اون می‌گه:
«بیایید به مردم قدرت‌های ماورایی بدهیم.»

⚫️ایلان ماسک نورالینک رو نوعی فناوری می‌دونه که در آینده می‌تونه همزیستی بین انسان و هوش مصنوعی رو تسهیل کنه. ماسک در گفتگو با فریدمن گفت تراشه‌های نورالینک می‌تونند بهترین راه برای جلوگیری از پیشی‌گرفتن هوش مصنوعی از انسان‌ها و خودمختار شدن این فناوری باشن. به‌عبارت دیگه، اون نورالینک رو راهی برای ایمن‌ نگه‌داشتن هوش مصنوعی می‌دونه.

#اخبار_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

‌🤖تحول در دنیای رباتیک توسط OpenAI

‏🟣رقابت بین شرکت‌های بزرگ دنیای فناوری برای وارد کردن ربات‌های انسان‌نما به زندگی روزمره ما طی سال‌های گذشته به شدت جدی شده و پس از ظهور فناوری هوش مصنوعی این مسیر یک قدم به واقعیت نزدیک‌تر شده.

🟣در همین راستا، استارت‌آپ رباتیک Figure که تحت مدیریت OpenAI فعالیت داره، امروز Figure 02 رو معرفی می‌کند. و قراره که یکی از مدل‌های هوش مصنوعی این شرکت (GPT-4o یا GPT-4o mini) در اختیار این ربات باشه.

#ربات #robot

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

✅معرفی مراحل Mlops

(قسمت دوم)

🟡رویکرد MLOps ترکیبی از Machine Learning و Operations هست که به تیم‌ها کمک می‌کنه مدل‌ها رو راحت‌تر توسعه بدن و اون‌ها رو توی محیط عملیاتی پیاده‌سازی کنن.

🟡در ادامه می‌خوایم به مراحل مختلف MLOps رو به صورت خلاصه بررسی کنیم(در پست های بعدی هر کدوم از مراحل رو کامل توضیح میدیم) :

1️⃣جمع‌آوری و آماده‌سازی داده‌ها (Data Collection and Preparation)

🟡تو این مرحله، داده‌های خام رو جمع‌آوری می‌کنیم و اون‌ها رو تمیز و آماده می‌کنیم تا برای مدل‌سازی آماده باشن.

2️⃣مهندسی ویژگی‌ها (Feature Engineering)

🟡ویژگی‌های مهم رو از داده‌ها استخراج می‌کنیم و بعضی وقت‌ها ویژگی‌های جدیدی می‌سازیم که به مدل کمک کنن بهتر عمل کنه.

3️⃣آموزش مدل (Model Training)

🟡مدل رو با داده‌های آموزش، تعلیم می‌دیم و بهترین الگوریتم رو انتخاب می‌کنیم که دقیق‌ترین پیش‌بینی‌ها رو داشته باشه.

4️⃣ارزیابی مدل (Model Evaluation)

🟡عملکرد مدل رو با داده‌های تست می‌سنجیم تا ببینیم چقدر خوب کار می‌کنه و آیا نیاز به بهبود داره یا نه.

5️⃣استقرار مدل (Model Deployment)

🟡مدل رو توی محیط واقعی پیاده‌سازی می‌کنیم تا کاربرها بتونن ازش استفاده کنن.

6️⃣پایش و نگهداری مدل (Model Monitoring and Maintenance)

🟡عملکرد مدل رو زیر نظر می‌گیریم و هر وقت نیاز بود، مدل رو به‌روزرسانی می‌کنیم تا همیشه به‌روز و دقیق بمونه.

7️⃣مدیریت نسخه‌ها (Model Versioning)

🟡از نسخه‌های مختلف مدل نگهداری می‌کنیم تا بتونیم تغییرات رو مدیریت کنیم و در صورت نیاز به نسخه‌های قبلی برگردیم.

8️⃣مدیریت داده‌ها (Data Management)

🟡 داده‌ها رو به خوبی سازماندهی می‌کنیم و نسخه‌بندی می‌کنیم تا دسترسی به اون‌ها راحت باشه.

9️⃣اتوماسیون فرآیندها (Process Automation)

🟡تا جایی که می‌تونیم فرآیندها رو خودکار می‌کنیم تا زمان و هزینه‌ها کم بشه و کارامون سریع‌تر پیش بره.

#MLops

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

🧠ایلان ماسک کاشت تراشه در مغز دومین بیمار نورالینک رو تأیید کرد

🔻ایلان ماسک در قسمت جدید پادکست لکس فریدمن تأیید کرد که دومین بیمار نورالینک تراشه مغزی این شرکت رو با موفقیت دریافت کرده. اطلاعات زیادی درباره زمان انجام این جراحی ارائه نشده اما ماسک می‌گه همه‌چیز فعلاً بسیار خوب پیش رفته.

🔻ایلان ماسک در گفتگو با لکس فریدمن درباره دومین بیمار دریافت‌کننده تراشه مغزی نورالینک گفت: به‌ نظر می‌رسه همه‌چیز درباره بیمار دوم فوق‌العاده خوب پیش رفته. سیگنال‌های زیاد و الکترودهای زیادی وجود داره.»

🔻گفته شده دومین بیمار نورالینک مثل بیمار اول آسیبی در طناب نخاعی خودش داشته. ماسک گفته ۴۰۰ الکترود در مغز این بیمار فعاله. نورالینک در وب‌سایت خودش اعلام کرده تراشه مغزی‌اش از ۱۰۲۴ الکترود استفاده می‌کنه. مدیرعامل نورالینک همچنین پیش‌بینی کرده در ادامه سال جاری میلادی ۸ بیمار دیگر هم این تراشه مغزی رو در کارآزمایی‌های بالینی دریافت کنن.

#اخبار_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📚 الگوریتم های یادگیری ماشین (قسمت سیو چهارم )

✔️الگوریتم Gradient Boosting(درس دوم)

🟡‏وقتی که ستون هدف پیوسته است، از Gradient Boosting Regressor استفاده می‌کنیم، و برای مسئله طبقه بندی ، از Gradient Boosting Classifier استفاده می‌کنیم. تنها تفاوت بین این دو "عملکرد ضرر" هست. برای مشکلات رگرسیون، توابع ضرر متفاوتی مثل میانگین مربعات خطا (MSE) و برای طبقه‌بندی، توابع مختلفی مثل log-likelihood خواهیم داشت.
‏Gradient Boosting شامل سه عنصر هست:
‏
1️⃣. تابع ضرر(Loss Function):

🟡تابع ضرر استفاده شده به نوع مشکل بستگی داره.به عنوان مثال، رگرسیون از یک خطای مربع و طبقه‌بندی از ضرر لگاریتمی استفاده می‌کنه.
یکی از مزایای Gradient Boosting  داشتن ،  یک چارچوب به اندازه کافی عمومیه، که می‌تونه از هر تابع ضرر متمایزپذیر استفاده کنه؛و لازم نیست یک الگوریتم تقویت جدید برای هر تابع ضرری که ممکنه بخواد استفاده بشه مشتق شود.

‏2️⃣. یادگیرنده ضعیف(Weak Learner):

🟡درختان تصمیم به عنوان یادگیرنده ضعیف استفاده می‌شند.به طور خاص از درخت‌های رگرسیون که مقادیر واقعی رو برای تقسیم‌ها و خروجی‌ها با هم جمع می‌کنند، اجازه می‌دند تا خروجی‌های مدل‌های بعدی اضافه بشند و باقی‌مانده‌ها در پیش‌بینی‌ها «تصحیح» بشند.
درختان به شیوه‌ای حریصانه ساخته می‌شند و بهترین نقاط تقسیم رو بر اساس امتیازهای خلوص مانند Gini یا برای به حداقل رساندن ضرر انتخاب می‌کنن.

🟡در ابتدا، از درخت‌های تصمیم بسیار کوتاهی که تنها دارای یک تقسیم‌اند استفاده می‌شد.درختان بزرگتر رو می‌شه به طور کلی با سطوح 4 تا 8 استفاده کرد.

‏3️⃣. مدل افزودنی(Additive Model):

🟡درخت‌ها یکی یکی اضافه می‌شند و درخت‌های موجود در مدل تغییر نمی‌کنند.
یک روش نزول گرادیان برای به حداقل رساندن تلفات موقع اضافه کردن درختان استفاده می‌شود.

🟡به طور سنتی، گرادیان نزول برای به حداقل رساندن مجموعه‌ای از پارامترها، مثل ضرایب در معادله رگرسیون یا وزن‌ها در یک شبکه عصبی استفاده می‌شه. پس از محاسبه خطا یا ضرر، وزن‌ها به روز می‌شند تا آن خطا به حداقل برسه.

#آموزش   #یادگیری_ماشین  #machine_learning
#الگوریتم_یادگیری_ماشین

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

زنده کردن عکس های قدیمی با کمک هوش مصنوعی😍

#سرگرمی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📌مرحله اول MLOps: جمع‌آوری و آماده‌سازی داده‌ها

(قسمت سوم)

🟣امروز می‌خواهیم درباره مرحله اول MLOps صحبت کنیم: جمع‌آوری و آماده‌سازی داده‌ها. این مرحله خیلی مهمه چون کیفیت داده‌ها مستقیم روی عملکرد مدل‌های یادگیری ماشین تأثیر می‌ذاره. بیاید ببینیم چطور می‌تونیم داده‌ها رو جمع کنیم و برای مدل‌سازی آماده کنیم.

1️⃣. جمع‌آوری داده‌ها

🟣جمع‌آوری داده‌ها همیشه آسون نیست. ممکنه با مشکلاتی مثل حجم زیاد، ناقص بودن، و کیفیت پایین داده‌ها روبرو بشیم. باید داده‌ها رو از منابع مختلف جمع کنیم و مطمئن بشیم که کامل و درست هستن.

2️⃣. پاک‌سازی و پیش‌پردازش داده‌ها

🟣بعد از جمع‌آوری، نوبت پاک‌سازی داده‌هاست. این یعنی حذف داده‌های تکراری و اشتباه، و پر کردن جاهای خالی. داده‌ها رو به فرمت مناسب برای مدل‌سازی تبدیل می‌کنیم تا بهتر بتونیم ازشون استفاده کنیم.

3️⃣. استانداردسازی و نرمال‌سازی داده‌ها

🟣برای اینکه مدل‌مون بهتر یاد بگیره، داده‌ها رو استانداردسازی و نرمال‌سازی می‌کنیم. این کار باعث می‌شه مقیاس‌ها یکسان بشن و مدل بتونه به‌درستی از داده‌ها استفاده کنه.

4️⃣ تقسیم داده‌ها

🟣آخر سر، داده‌ها رو به سه بخش تقسیم می‌کنیم:
آموزش (Training): برای یادگیری مدل (70-80%).
اعتبارسنجی (Validation): برای تنظیم مدل (10-15%).
آزمون (Test): برای ارزیابی نهایی مدل (10-15%).

🟣آماده‌سازی داده‌ها، اولین و شاید مهم‌ترین گام تو MLOps هست که باهاش می‌تونیم مدل‌هامون رو به دقت بالا و کارایی بهتر برسونیم.

#MLOPS

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

🧠پیشرفت چشمگیر در خواندن ذهن؛ این هوش مصنوعی تصاویر مغزی رو با دقتی بالا بازسازی می‌کنه

⚫در سال ۲۰۲۲، محققان دانشگاه رادبود در هلند فناوری خوندن ذهن رو معرفی کردن که می‌تونست امواج مغزی یک فرد رو به تصویر ترجمه کنه. حالا اونها در مطالعه‌ای جدید، پژوهش قبلی خودشونو با تحقیقات جدید ترکیب کردند تا فعالیت مغزی رو با دقتی استثنایی به تصویر تبدیل کنند. این پیشرفت بعد از این حاصل شد که به سیستم‌های هوش مصنوعی توانایی تمرکز بر مناطق خاص مغز داده شد.

⚫در آزمایشی، محققان عکس‌هایی از چهره‌ها رو به دو داوطلب درون یک اسکنر قدرتمند تصویربرداری تشدید مغناطیسی عملکردی (fMRI) نشون دادن. درحالی‌که داوطلبان به تصاویر چهره‌ها نگاه می‌کردن، fMRI فعالیت نورون‌ها رو در مناطقی از مغزشون که مسئول بینایی هست، اسکن کرد. بعد محققان این اطلاعات رو به الگوریتم هوش مصنوعی کامپیوتر دادن که می‌توانست براساس اطلاعات اسکن fMRI، تصویری دقیق بسازه.

#کاربرد_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

📣نظرات هنرمندان پس از آزمایش Sora؛ عملکرد هوش مصنوعی تولید ویدیو OpenAI چطور هست؟

🔴شرکت OpenAI به چندین هنرمند، طراح و فیلمساز امکان دسترسی به Sora رو داده تا به کمک بازخوردهای اون ها، این مدل رو در انجام کارهای خلاقانه بهبود بده. اکنون 4 نفر از این هنرمندان جنبه‌های مثبت و منفی این هوش مصنوعی رو با بیزینس اینسایدر مطرح کردن.

🔴شارلوت تریباس(Charlotte Triebus)، هنرمند و طراح رقص، حدود 4 ماهه که داره سورا رو تست می‌کنه. تریباس متوجه شده می‌تونه با این مدل افراد دارای جنسیت‌های مختلف ایجاد کنه اما هنوز هم این هوش مصنوعی مشکلاتی با فیزیک داره.

🔴هنرمند بعدی معمار و طراحه. تیم فو (Tim Fu) می‌گه هوش مصنوعی هنرمندان رو بیشتر به متصدیان هنری تبدیل کرده؛ زیرا ابزارهایی مثل Sora می‌تونند به تجسم ایده‌هایی کمک کنن که می‌شه اونها رو تا رسیدن به نتیجه‌ای مطلوب تغییر داد.

🔴دو هنرمند دیگه، مانوئل ساینسیلی (Manuel Sainsily)، سخنران TED و مدرس واقعیت گسترده (XR) در دانشگاه مک‌گیل، در کنار ویلیام سلویز(William Selviz)، مدیرتولید پروژه‌ای به نام Protopica هم با OpenAI همکاری کردن تا عملکرد Sora در کمک به داستان‌سرایی رو بررسی کنن. اونها فیلم کوتاهی برای این کار ساختن. از نظر این دو، سورا در تجسم داستان‌هایی که تصویربرداری یا فیلم‌برداری اونها دشواره، مفیده.

#اخبار_هوش_مصنوعی

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram

✅مرحله دوم MLOps: مهندسی ویژگی‌ها

(قسمت چهارم)

🔵تا اینجا یاد گرفتیم که MLOps یه روشیه که کمک می‌کنه مدل‌های یادگیری ماشین رو راحت‌تر بسازیم و توی دنیای واقعی استفاده کنیم. حالا بریم سراغ مرحله دوم: مهندسی ویژگی‌ها.

🔵مهندسی ویژگی‌ها چیه؟

⬅️فرض کنیم می‌خوایم یه خونه بخریم. چی برامون مهمه؟ متراژ؟ تعداد اتاق‌ها؟ موقعیتش؟ اینا همون ویژگی‌ها هستن که بهمون کمک می‌کنن تصمیم بگیریم کدوم خونه رو بخریم.
در مورد مدل‌های یادگیری ماشین هم همینطوره. ما باید ویژگی‌های مهمی رو از داده‌ها انتخاب کنیم و به مدل بدیم تا بتونه بر اساس اون‌ها تصمیم بگیره. مثلاً اگه بخوایم مدلی بسازیم که قیمت خونه رو پیش‌بینی کنه، باید ویژگی‌هایی مثل متراژ، تعداد اتاق‌ها، موقعیت جغرافیایی و ... رو به مدل بدیم.

⬅️چرا مهندسی ویژگی‌ها مهمه؟

🔵مدل دقیق‌تر: اگه ویژگی‌های خوبی انتخاب کنیم، مدل‌مون دقیق‌تر پیش‌بینی می‌کنه.

🔵مدل ساده‌تر: با انتخاب ویژگی‌های مناسب، می‌تونیم مدل رو ساده‌تر کنیم و احتمال اینکه مدل اشتباه کنه رو کم کنیم.

🔵درک بهتر مدل: وقتی ویژگی‌های خوبی انتخاب کنیم، راحت‌تر می‌تونیم بفهمیم که مدل چطور داره کار می‌کنه.

⬅️چه کارهایی توی مهندسی ویژگی‌ها انجام می‌دیم؟

🔵انتخاب ویژگی: از بین همه ویژگی‌ها، اونایی رو انتخاب می‌کنیم که مهم‌ترن.

🔵تبدیل ویژگی: بعضی ویژگی‌ها رو باید به شکل دیگه تبدیل کنیم تا مدل بهتر بتونه ازشون استفاده کنه.

🔵ایجاد ویژگی جدید: بعضی وقت‌ها با ترکیب چند ویژگی، ویژگی جدیدی می‌سازیم که اطلاعات بیشتری به مدل می‌ده.

🔵کاهش تعداد ویژگی‌ها: اگه تعداد ویژگی‌ها خیلی زیاد باشه، می‌تونیم تعدادشون رو کم کنیم تا مدل سریع‌تر کار کنه.

🔵مثال ساده:
فرض کنیم می‌خوایم مدلی بسازیم که تشخیص بده یه ایمیل اسپمه یا نه. ویژگی‌های مهمی که می‌تونیم انتخاب کنیم عبارتند از: تعداد کلمات تکراری، وجود کلمات خاص (مثلاً کلماتی که تو ایمیل‌های اسپم زیاد استفاده میشه)، طول ایمیل و ...

#MLops

🚀شتابدهنده هوش مصنوعی اسمارتک

📱Instagram
🔵Telegram