اخبار:
متا، مدل Llama 2 را منتشر کرد.
چشم‌انداز هوش مصنوعی مولد به خصوص مدل‌های زبانی روز به روز در حال گسترش است. هفته گذشته، متا خانواده جدیدی از مدل‌های هوش مصنوعی به نام Llama 2 را معرفی کرد که بر روی ترکیبی از داده‌های در دسترس عموم آموزش دیده است و ادعا می‌شود که عملکرد آن نسبت به نسل قبلی مدل های Llama (مجموعه‌ای از مدل‌ها که می‌توانند در پاسخ به درخواست‌ها متن و کد تولید کنند) به طور قابل توجهی بهبود یافته است.
Llama 2 در پلتفرم‌های AWS، Azure و Hugging Face به شکل از پیش آموزش دیده برای تحقیقات و استفاده تجاری به صورت رایگان در دسترس است. همچنین متا می‌گوید این مدل به لطف همکاری گسترده با مایکروسافت و همچنین تلفن‌های هوشمند و رایانه‌های شخصی مجهز به سیستم روی تراشه اسنپدراگون کوالکام، اجرای آسانی خواهد داشت.
صنعت:
تیم استرالیایی DishBrain برنده یک جایزه 600000 دلاری برای ادغام هوش مصنوعی با سلول‌های مغز انسان شد.
مغزها در یادگیری مادام‌العمر، که برای کسب مهارت‌های جدید، سازگاری با تغییرات و به کارگیری دانش موجود در کارهای جدید لازم است، خوب هستند، در حالی که هوش مصنوعی از چیزی که محققان آن را «فراموشی فاجعه‌بار» می‌نامند، رنج می‌برد. هوش مصنوعی هنگام شروع کارهای جدید، اطلاعات مربوط به کارهای قبلی را فراموش می‌کند. هدف تحقیق DishBrain درک مکانیسم های بیولوژیکی در پشت یادگیری مداوم است. این تیم تحقیقاتی به رهبری دانشگاه موناش و آزمایشگاه‌های کورتیکال؛ علی‌رغم نگرانی‌ها در مورد «خطرات وجودی» چنین فناوری، امیدوار است که «ماشین‌های هوشمند بهتر» ایجاد کند. تحقیقات در مورد ادغام سلول‌های مغز انسان با هوش مصنوعی کمک مالی 600000 دلاری از وزارت دفاع و اداره اطلاعات ملی استرالیا (ONI) دریافت کرده است زیرا به نوع جدیدی از اطلاعات ماشینی که بتواند به طور پیوسته یاد بگیرد، نیاز بود. چنین هوشمندی؛ یادگیری ماشینی را برای فناوری‌های پیشرفته از جمله خودروهای خودران، هواپیماهای بدون سرنشین خودران و ... بهبود می بخشد.
مقاله:
AI for identifying social norm violation
شناسایی هنجارهای اجتماعی و نقض آنها چالشی است که محققان در علوم محاسباتی با آن روبرو هستند. این مقاله یک رویکرد جدید برای شناسایی نقض هنجارهای اجتماعی ارائه می‌دهد. نویسندگان این مقاله از GPT-3، طبقه‌بندی zero-shot، و کشف قوانین خودکار برای توسعه مدل‌های پیش‌بینی ساده مبتنی بر دانش روان‌شناختی استفاده کرده‌اند. نویسندگان، این سیستم را برای شناسایی ده احساس اجتماعی شامل: ادب، نظم، مراقبت، رضایت، موفقیت و ... آموزش داده‌اند. این سیستم با موفقیت یک موقعیت نوشته شده را تحت یکی از این ده طبقه‌بندی‌کننده مشخص می‌کند و می‌تواند مثبت یا منفی بودن آن را درک کند. این مدل که روی دو مجموعه داده بزرگ تست شده‌است، عملکرد پیش‌بینی قابل‌توجهی را ارائه می‌کنند و نشان می‌دهند که حتی موقعیت‌های اجتماعی پیچیده را می‌توان از طریق ابزارهای محاسباتی مدرن به صورت عملکردی تحلیل کرد.
آموزش:
Contrastive Learning
این روش یک نوع از یادگیری خودنظارتی است که در آن نقاط داده بدون برچسب در کنار یکدیگر قرار می‌گیرند تا به مدل آموزش دهند که کدام نقاط مشابه و کدام نقاط متفاوت هستند. یعنی همانطور که از نام آن پیداست، نمونه‌ها در مقابل یکدیگر قرار می‌گیرند و نمونه‌هایی که متعلق به یک توزیع هستند به سمت یکدیگر رانده می‌شوند. در مقابل، آنهایی که به توزیع های مختلف تعلق دارند از هم دور می‌شوند. اهمیت این نوع از یادگیری در مسائلی مشخص می‌شود که در آن داده کافی با برچسب وجود ندارد و یا نیازمند هزینه و وقت زیادی برای جمع آوری برچسب است.
اساس کار در این نوع از یادگیری؛ انتخاب یک نمونه داده به نام «anchor»، یک نقطه داده متعلق به همان توزیع anchor، به نام نمونه «مثبت»، و یک نقطه داده دیگر متعلق به توزیع متفاوتی به نام نمونه «منفی» است. مدل سعی می‌کند فاصله بین anchor و نمونه‌های مثبت، یعنی نمونه‌های متعلق به توزیع یکسان را در فضای پنهان به حداقل برساند و در عین حال فاصله بین anchor و نمونه‌های منفی را به حداکثر برساند.
کدینگ:
چه زمانی در توابع پایتون به جای return از yield استفاده کنیم؟
دستور return یک مقدار مشخص را برمی‌گرداند در حالی که yield می‌تواند دنباله‌ای از مقادیر را تولید کند. زمانی که می‌خواهیم روی یک دنباله کار کنیم اما نمی‌خواهیم کل دنباله را در حافظه ذخیره کنیم، باید از yield استفاده کنیم. لازم به ذکر است که yield در مولدهای پایتون (generators) استفاده می‌شود. یک تابع مولد درست مانند یک تابع عادی تعریف می‌شود، اما هر زمان که نیاز به تولید یک مقدار داشته باشد، این کار را با کلمه کلیدی yield به جای return انجام می‌دهد. اگر بدنه یک تابع دارای yield باشد، تابع به طور خودکار به یک تابع مولد تبدیل می‌شود.
راههای ارتباطی با ما:
اینستاگرام:
princeofai@
وبسایت:
https://hushmandkharazmi.com
تلگرام:
https://t.me/princeofaii