اخبار:
هوش مصنوعی جدیدی می تواند دست خط را تقلید کند
محققان دانشگاه هوش مصنوعی محمد بن زاید ابوظبی (MBZUAI) فناوری هوش مصنوعی را توسعه داده اند که قادر به تقلید دست خط بر اساس حداقل ورودی متن است. این سیستم که از یک مدل ترنسفورمر استفاده می کند، در حال ثبت اختراع است و مزایای بالقوه ای مانند کمک به افراد دارای معلولیت را ارائه می دهد. با این حال، نگرانیهای مربوط به سوء استفاده و جعل احتمالی، بر نیاز به استقرار دقیق و آگاهی عمومی تأکید میکند. علیرغم این چالش ها، محققان برنامه های کاربردی در دنیای واقعی از جمله تشخیص دست خط برای سوابق پزشکی و تبلیغات را پیش بینی می کنند. هدف، پیشرفتهای بیشتر قابلیتهای زبانی مدل، از جمله به زبان عربی است.
صنعت:
پس از مدتی تاخیر، OpenAI سرانجام پلتفرم اشتراک گذاری GPT سفارشی را باز کرد
OpenAI سرانجام فروشگاه GPT خود را راه اندازی کرد که به کاربران این امکان را می دهد تا چت ربات های سفارشی را به اشتراک بگذارند. از زمان معرفی برنامه GPT Builder در نوامبر، بیش از 3 میلیون ربات یا GPT ایجاد شده است. OpenAI قصد دارد هر هفته GPT های مفید را در فروشگاه ارائه دهد. این شرکت همچنین یک برنامه تقسیم درآمد را با سازندگان GPT اعلام کرد که از سه ماهه اول شروع می شود. آنها یک سیستم بازبینی جدید برای اطمینان از انطباق با دستورالعملهای برند و خط مشیهای استفاده و رویههای گزارشدهی بهروز برای محتوای مضر ایجاد کردهاند. فروشگاه GPT برای کاربران ChatGPT Plus و Enterprise و همچنین یک ردیف اشتراک جدید به نام Team در دسترس خواهد بود که برای تیم های کوچکتر طراحی شده است.
مقاله:
Depth Anything: Unleashing the Power of Large-Scale Unlabeled Data
این مطالعه "Depth Anything" را معرفی می کند، یک راه حل عملی برای تخمین عمق تک چشمی قابل اعتماد. هدف به جای تمرکز بر توسعه مولفه های فنی جدید، ایجاد یک مدل بنیادی ساده و در عین حال قوی است که برای تصاویر و سناریوهای مختلف قابل استفاده است. این رویکرد شامل گسترش مجموعه داده با ایجاد یک موتور داده برای جمعآوری و حاشیهنویسی خودکار مقدار زیادی از دادههای بدون برچسب (~62M) است که پوشش دادهها را افزایش میدهد و خطاهای تعمیم را کاهش میدهد. در این کار دو استراتژی موثر مورد بررسی قرار گرفتهاند: ایجاد یک هدف بهینهسازی چالشبرانگیزتر از طریق افزایش دادهها و اجرای نظارت کمکی برای ترکیب اطلاعات معنایی غنی از رمزگذارهای از پیش آموزشدیده. قابلیتهای شات صفر (zero shot) مدل بهطور گسترده در شش مجموعه داده عمومی و عکسهای تصادفی ارزیابی میشوند و تواناییهای تعمیم چشمگیر را نشان میدهند. علاوه بر این، تنظیم دقیق مدل با اطلاعات عمق متریک از مجموعه داده های NYUv2 و KITTI منجر به عملکرد پیشرفته می شود.
آموزش:
یادگیری آنلاین در هوش مصنوعی چیست؟
یادگیری آنلاین (online learning) در هوش مصنوعی، که همچنین به عنوان یادگیری افزایشی یا یادگیری ماشین آنلاین شناخته میشود، به الگوی یادگیری ماشینی اشاره دارد که در آن مدلها به طور مداوم در جریان دادههای ورودی آموزش میبینند، دانش خود را به روز میکنند و با اطلاعات جدید در زمان واقعی تطبیق میدهند.
برخلاف رویکردهای یادگیری دستهای سنتی که در آن مدل بر روی یک مجموعه داده ثابت آموزش داده میشود و سپس بدون بهروزرسانی بیشتر مستقر میشود، یادگیری آنلاین مدل را قادر میسازد تا به صورت پویا پارامترهای خود را با در دسترس قرار گرفتن دادههای جدید تنظیم کند. این امر یادگیری آنلاین را به ویژه برای سناریوهایی که داده ها به طور مداوم یا به صورت جریانی دریافت می کنند مناسب می کند، مانند تبلیغات آنلاین، سیستم های توصیه گر، تشخیص تقلب و تجزیه و تحلیل داده های حسگر.
در یادگیری آنلاین، مدل معمولاً بهطور مکرر بهروزرسانی میشود و از هر نقطه داده جدید برای تنظیم پارامترهای مدل بهصورت تدریجی استفاده میشود. این به مدل اجازه می دهد تا با تغییرات در توزیع داده ها سازگار شود و الگوهای در حال تحول را در طول زمان ثبت کند. علاوه بر این، چارچوبهای یادگیری آنلاین اغلب شامل مکانیسمهایی برای مدیریت پیچیدگی مدل، مدیریت تغییرات در توزیع دادههای اساسی و کنترل مبادله بین بهرهبرداری از دانش موجود و کاوش اطلاعات جدید است.
یادگیری آنلاین مزایایی مانند مقیاس پذیری، سازگاری با محیط های در حال تغییر و توانایی مدیریت حجم زیادی از داده ها به طور کارآمد دارد. با این حال، چالش هایی مانند حفظ پایداری مدل، مدیریت منابع محاسباتی، و اطمینان از استحکام در برابر داده های پر سر و صدا یا اشتباه را نیز به همراه دارد.
کدینگ:
Broadcasting در پایتون چیست؟
در پایتون، پخش (Broadcasting) به گسترش ضمنی آرایه ها (یا تنسورها) با اشکال مختلف در طول عملیات حسابی اشاره دارد.این قابلیت به آرایههایی با اشکال مختلف اجازه میدهد تا در عملیاتهای عنصری با هم ترکیب شوند، بدون اینکه صریحاً آنها را تغییر شکل دهند تا شکل یکسانی داشته باشند.
هنگام انجام عملیات عنصری بین آرایههایی با اشکال مختلف، کتابخانه NumPy پایتون (و کتابخانههای دیگر مانند TensorFlow و PyTorch) به طور خودکار آرایهها را برای داشتن اشکال سازگار پخش میکند. قوانین پخش تعیین میکنند که چگونه آرایهها در ابعاد خاصی گسترش یا تکثیر میشوند تا آنها را برای عملیات سازگار کند.
پخش اجازه می دهد تا کد مختصر و کارآمد در عملیات مبتنی بر آرایه بدون نیاز به تغییر شکل صریح یا اضافه کردن آرایه ها ایجاد شود. این فرآیند کار با آرایههایی با اشکال و اندازههای مختلف را ساده میکند و انجام عملیات پیچیده ریاضی را به شیوهای شهودیتر آسانتر میکند.
راههای ارتباطی با ما:
اینستاگرام:
princeofai@
وبسایت:
https://princeofai.com
تلگرام:
https://t.me/princeofaii