هوش مصنوعی در علوم پزشکی | هوش سبز

نسخه اندروید Deepseek هم منتشر شد.
یه تجربه رایگان نامحدود از یک LLM خوب.



#هوش_مصنوعی #LLM

🆔 @Health_AI

یکی از بهترین کانالهای یوتیوب برای یادگیری Data Analysis

این چنل شامل پلی لیست های زیر ی باشد :
SQL + MySQL + Excel + Tableu + PowerBI + Python

The Channel: Alex The Analyst

Data Analyst Bootcamp:
https://www.youtube.com/playlist?list=PLUaB-1hjhk8FE_XZ87vPPSfHqb6OcM0cF




#هوش_مصنوعی #علم_داده
#DataScience

🆔 @Health_AI

♨️ به روز رسانی جنجالی و جدیدChatGPT به نام Operator

اکنون دستیار هوش مصنوعی به جای شما کارها را در وب انجام می‌دهد!"

💡 تصور کنید دیگر نیازی به پر کردن فرم‌ها، رزروها یا انجام کارهای تکراری آنلاین ندارید!
شرکت OpenAI با معرفی اپراتور دستیار هوش مصنوعی جدیدی که می‌تواند مستقیماً در وب فعالیت کند، تحول بزرگی در کارهای روزمره آنلاین ایجاد کرده است.

🔹 چرا اپراتور مهم است؟

تعامل مستقیم با وب: بدون نیاز به API، با سایت‌ها مثل یک کاربر انسانی تعامل می‌کند.
اتوماسیون هوشمند: از سفارش مواد غذایی گرفته تا رزرو سفر، کارها را خودکار انجام می‌دهد.
کنترل کامل کاربر: در مواجهه با اطلاعات حساس یا شرایط پیچیده، شما را در جریان می‌گذارد.

🔹 ویژگی‌های کلیدی:

خودکارسازی وظایف تکراری و کاهش زمان صرف‌شده روی کارهای خسته‌کننده.
شخصی‌سازی گردش‌کارها و انجام چند کار همزمان.
حفظ امنیت و حریم خصوصی: داده‌های شما کاملاً تحت کنترل شما هستند.
🔜 در حال حاضر، اپراتور فقط برای کاربران Pro ۲۰۰ دلاری در آمریکا در دسترس است اما به زودی برای کاربران اشتراک Plus و سایر کاربران نیز ارائه خواهد شد.

✨ این ابزار می‌تواند شیوه تعامل ما با وب را متحول کند! آیا شما آماده‌اید تا کارهای آنلاین خود را به دست یک دستیار هوشمند بسپارید؟

💬 نظر شما چیست؟ اگر این ابزار در دسترس شما بود، چه کارهایی را به آن می‌سپردید؟

هر چیزی پیش از «اما» اراجیفه.

یادم افتاد یه شوخی معروفه که می‌گن
Everything before the "but" is bullshit.

یا

Anything said before but is bullshit.

فحش‌های بدتر هم می‌دن.
منظورشون اینه که هر آدمی که حرف زد و وسطش به «اما» رسید،‌ بدونین قبلش داشته اراجیف می‌گفته.
فقط چون مستقیم نمیشده سراغ حرفش بره، یه سری ... گفته که راه برای حرف خودش باز بشه:


سمینار خوبی بود. واقعاً لذت بردیم. ممنون از زحمات ارزشمند‌تون. اما...

چقدر جلسه خوبی بود. چقدر خوش‌شانس بودیم که خدمت شما بودیم. واقعاً همه‌چی عالی. پذیرایی. فضا. غذا. همه‌چی. اما ...

قطعاً مردم حق دارن در تعیین سرنوشت خودشون مشارکت کنن. اصلاً مردم اگر نباشن ما نیستیم. مردم همه‌چیز هستن. اما ...

اولویت ما توسعهٔ اینترنته. باید همه به ابزارهای نو دسترسی داشته باشن. اما ...

معمولاً وقتی اما رو شنیدید، با اطمینان زیاد می‌تونید بگید اون حرف‌های قبلی ... بوده. اصل حرف بعد از اما شروع میشه.

اما
اون اما که من گفتم این‌طوری نیست. باور کنید حرف‌های قبلش هم برام مهم بود و قبولشون داشتم.

حالا عصر یا غروب قسمت بعد از «اما» رو می‌نویسم.

#هایلایت_کلمات

سرورلس کامپیوتینگ: تحول در دنیای توسعه نرم‌افزار
سرورلس کامپیوتینگ (Serverless Computing) یک مدل معماری است که به توسعه‌دهندگان این امکان را می‌دهد تا بدون نیاز به مدیریت زیرساخت‌های سرور، تنها بر روی نوشتن و پیاده‌سازی کد تمرکز کنند. برخلاف آنچه که از اسمش به نظر می‌رسد، سرورلس به این معنا نیست که هیچ سروری وجود ندارد، بلکه این به این معناست که تمام مدیریت سرور، مقیاس‌پذیری و نگهداری آن به عهده ارائه‌دهندگان خدمات ابری (مانند AWS، Google Cloud و Azure) است.
چرا سرورلس کامپیوتینگ یک تغییر بزرگ است؟
کارایی هزینه‌ای بالا: ما فقط برای منابعی که مصرف می‌کنیم هزینه پرداخت می‌کنیم. به این معنی که برای زمان‌هایی که کد شما اجرا نمی‌شود، هیچ هزینه‌ای نمی‌پردازیم. این ویژگی برای استارتاپ‌ها و کسب‌وکارهای در حال رشد که به دنبال صرفه‌جویی در هزینه‌ها هستند، ایده‌آل است.
مقیاس‌پذیری خودکار: در این مدل، نیازی به نگرانی درباره مقیاس‌پذیری و تنظیم تعداد سرورها نیست. ابزارهای سرورلس به‌طور خودکار بار ترافیک را مدیریت کرده و تعداد منابع مورد نیاز را بسته به تقاضا تنظیم می‌کنند.
تمرکز بیشتر روی کد: توسعه‌دهندگان می‌توانند بیشتر بر روی نوشتن منطق کسب‌وکار و ویژگی‌های جدید تمرکز کنند، بدون اینکه دغدغه‌ای در مورد مدیریت زیرساخت‌ها داشته باشند.
پیاده‌سازی سریع‌تر: به دلیل این که تنها قسمت‌های خاصی از برنامه به صورت مستقل اجرا می‌شوند، می‌توانیم ویژگی‌های جدید را در زمان کوتاهی پیاده‌سازی کرده و آن‌ها را سریع‌تر به محیط تولید منتقل کنیم.
انعطاف‌پذیری و سرعت: برای ایجاد API ها، پردازش‌های زمان واقعی، و میکروسرویس‌ها به راحتی می‌توان از سرورلس استفاده کرد که باعث افزایش سرعت توسعه و تغییرات می‌شود.
ابزارهای سرورلس معروف:
AWS Lambda
Google Cloud Functions
Azure Functions
این ابزارها به ما این امکان را می‌دهند که کدهای خود را در قالب توابع مستقل اجرا کنید و فقط زمانی که این توابع فراخوانی می‌شوند، منابع مصرف شوند.

نتیجه‌گیری:
سرورلس کامپیوتینگ به ما این امکان را می‌دهد که بدون نیاز به مدیریت سرورها و زیرساخت‌های پیچیده، به سرعت و به صورت مقیاس‌پذیر برنامه‌نویسی کنیم. این رویکرد، به‌ویژه برای پروژه‌های کوچک و استارتاپ‌ها که می‌خواهند از هزینه‌های سرور اجتناب کنند و بر نوشتن کد تمرکز کنند، ایده‌آل است.

خبر خوب برای برنامه نویس‌ها: گیت‌هاب Copilot رایگان شد!

از حالا میتونین در VS Code از هوش مصنوعی گیتهاب کوپایلوت به صورت رایگان استفاده کنین و به صورت مستقیم از ChatGPT و Claude در IDE استفاده کنید.

نسخه پولی کوپایلوت هم میارزید، چه برسه به مجانی!

@Health_AI 🎖

سیستم‌های هوش مصنوعی داده‌های تمیز و ساختارمند رو می‌خواد، اما آماده‌سازیش سخته.

ابزار FireCrawl این کار رو آسون می‌کنه! یه ابزار متن‌باز برای کراول و تبدیل وب‌سایت به فرمت‌های آماده مثل Markdown و HTML، با قابلیت مدیریت پروکسی، ضدربات و محتوای داینامیک.

https://github.com/mendableai/firecrawl

@Health_AI 🎖

🌟 هوش سبز، همراه شما در مسیر پژوهش‌های علمی

ما در گروه هوش سبز فضایی را فراهم کرده‌ایم تا بتوانید به طور حرفه‌ای و گام‌به‌گام ایده‌های خود را به پروژه‌های پژوهشی موفق تبدیل کنید.

🔬 چه خدماتی ارائه می‌دهیم؟
1️⃣ شناسایی و امکان‌سنجی ایده‌های تحقیقاتی شما
2️⃣ طراحی دقیق پروتکل‌های مطالعاتی
3️⃣ تحلیل و مدل سازی داده‌ها با جدیدترین تکنیک های هوش مصنوعی
4️⃣ همراهی کامل در نگارش، اجرا و ارائه نتایج

📚 در تمام مراحل، از شناسایی ایده تا اجرای مطالعات و رسیدن به نتایج، تیم هوش سبز در کنار شما خواهد بود تا با اطمینان قدم بردارید و مسیر پژوهش را بدون سردرگمی طی کنید.

💢 ظرفیت تنها یک نفر می باشد.

🔗 اگر آماده‌اید تا کار تحقیقاتی خود را ارتقا دهید، میتوانید با ما تماس بگیرید.

📩 @Leyla_afshar

#هوش_سبز #تحقیقات_علوم_پزشکی #هوش_مصنوعی #مشاور_پژوهشی

دوره های رایگان هوش‌مصنوعی از کمپانی‌های معتبر :

NVDA
NVIDIA Deep Learning Institute: https://learn.nvidia.com/en-us/training/shttps://cloud.google.com/blog/topics/training-certifications/new-generative-ai-trainings-fhttps://learn.microsoft.com/en-us/training/educator-center/topics/ai-for-education//cloud.google.com/learn/training/mahttps://learn.microsoft.com/en-us/training/educator-center/programs/msle/aibootcampqSqa
https://t.co/zLPmzyu39A

MSFT
Microsoft:
https://t.co/o7sqqXrVOi
https://t.co/Q7skflaceo

META
Meta: https://aila.facebookblueprint.com/student/catalog



#هوش_مصنوعی #LLM
#یادگیری_ماشین #Machine_Learning

🔥 Shanghai AI Lab Introduces RTMW: Real-Time Multi-Person Whole-Body Pose Estimation 🔥


• Blazing Speed: 940+ FPS on GPU, 50–300+ FPS on CPU
• High-Performance Models: Supports 2D/3D whole-body pose estimation
• Cutting-Edge Architecture: Built upon RTMPose with FPN & HEM
• Wide Dataset Coverage: Manually aligned keypoints across 14 open datasets
• Extensive Framework Support: ONNX, TensorRT, ncnn, and OpenVINO
• Open Source: Code and pre-trained models available

🔗 Discover More:
* Source code: Github
* Paper: Read the paper

@Health_AI 🎖

⚽ FIFA World Cup 3D Human Pose Dataset ⚽

Discover WorldPose: a cutting-edge dataset for multi-person global pose estimation, featuring footage from the 2022 FIFA World Cup with 2.5M+ annotations!

Key Highlights:
✅ Authors: ETH, FIFA, Microsoft
✅ 150K+ frames, 2.5M+ 3D poses (SMPL format)
✅ Calibrated moving cameras & accurate trajectories

📄 Paper: arxiv.org/pdf/2501.02771
📊 Dataset: Access here

@Health_AI 🎖

"بازار کار" یا "پتانسیل خلق ارزش"


فکر می‌کنم اصطلاح "بازار کار" که با صنعتی‌ شدن جوامع رایج شد، کم‌کم داره به یه اصطلاح گمراه‌کننده تبدیل میشه.

در واقع این اصطلاح اون‌قدر از فضای واقعی کار فاصله گرفته، که ضررهای به‌کار بردنش بیشتر از منافعشه.

شاید اصطلاح "پتانسیل خلق ارزش / value creation potential" مفیدتر باشه؛ خصوصاً اگر در افق میان‌مدت و بلندمدت فکر می‌کنیم (مثلا پنج سال به بالا).

کسی که می‌خواد رشته تحصیلی انتخاب کنه، وارد حوزهٔ دانش جدیدی بشه، یا مسیر حرفه‌ای خودش رو تغییر بده، بهتره به جای پرسیدن این سوال که

🔸️ "آیا رشته/حوزه/تخصص ....... بازار کار داره؟"

از خودش بپرسه:

🔸 "آیا رشته/حوزه/تخصص ...... پتانسیل خلق ارزش داره؟"

در شرایطی که عنوان‌های شغلی مدام عوض می‌شه و عنوان‌های جدید به وجود میاد، در شرایطی که طول مدت همکاری با سازمان‌ها کوتاه شده و متخصص‌ها سیال‌تر از گذشته شده‌‌ان، در شرایطی که سهم فریلنسرها از اقتصاد مدام در حال افزایشه، در شرایطی که حتی سازمانها هم نمی‌دونن چند سال بعد به‌شکل امروزی وجود دارن یا شکل‌شون تغییر می‌کنه، و در شرایطی که روش و مکانیزم ارزش‌آفرینی تخصص‌ها به سادگی عوض (حتی متحول) میشه، اصطلاح "بازار کار" ذهن ما رو به روی بسیاری از فرصت‌ها و تهدیدها می‌بنده (یا لااقل: باز نمی‌کنه).

برای این‌که حرفم شفاف‌تر بشه، با کمی بی‌دقتی، این‌جوری ترجمه‌اش می‌کنم که:

🔸 چه روش‌هایی در آینده قابل‌تصوره که من بتونم
"مردم/مدیران/کارفرمایان/کسب‌وکارها/همکارها/هم‌تخصص‌ها/مشتریان/دولتها/جامعه"
رو متقاعد کنم به خاطر این
"رشته/تخصص" به من پول بدن؟

✍ اینها رو نوشتم که دیگه این هفته مجبور بشم توی روزنوشته بشینم سر موضوع ناقص‌موندهٔ ترجمه ماشینی و آینده رشته مترجمی.
و با هم گپ بزنیم و هم‌فکری کنیم


#هایلایت_کلمات #بازار_کار #ارزش_آفرینی

💸 شاید براتون جالب باشه که بدونین:

✅ پایتون بیش از ۴۷۰ هزار کتابخونه و بسته تو PyPI داره و ۶۹٪ دیتا ساینتیست‌های دنیا ازش استفاده می‌کنن!

⏪ حالا من اومدم یه لیست جامع از پر کاربردترین این ابزارها رو اینجا قرار دادم:


1️⃣ پردازش داده‌ها:

CuPy / Datatable / Vaex / Pandas

Modin / Polars / NumPy


2️⃣ تحلیل آماری:

SciPy / PyMC3 / PyStan

Statsmodels / Lifelines / Pingouin


3️⃣ پردازش زبان طبیعی:

NLTK / BERT / spaCy / TextBlob

Polyglot / Genism / Pattern


4️⃣ تحلیل سری‌های زمانی:

Kats / Sktime / Darts

AutoTS / Prophet


5️⃣ مصورسازی داده‌ها:

Plotly / Altair / Matplotlib / Seaborn

Geoplotlib / Pygal / Folium / Bokeh


6️⃣ یادگیری ماشین:

JAX / Keras / Theano / XGBoost

Scikit-learn / TensorFlow / PyTorch


7️⃣ عملیات پایگاه داده:

Dask / PySpark / Ray

Koalas / Kafka / Hadoop


8️⃣ استخراج داده‌ها از وب:

Beautiful Soup / Scrapy

Octoparse / Selenium

@Health_AI 🎖

🚨 Apparently OpenAI will soon also be building humanoid robots, just like Google DeepMind

OpenAI is reportedly exploring the development of humanoid robots, signaling a shift from its previous investments in robotics startups like Figure and Physical Intelligence. Humanoid robots are designed to better navigate human environments but face challenges such as adapting to unexpected scenarios. While OpenAI focuses on AI reasoning models and software agents, this move highlights its broader ambitions across industries.

The decision could strain relationships with partners, such as Figure, as OpenAI’s robotics ambitions may position it as a competitor. Additionally, OpenAI’s reliance on Chinese manufacturing for robotics aligns with global trends but may conflict with U.S. geopolitical strategies. This step reflects both technological innovation and the complexities of strategic positioning in a competitive and politically sensitive landscape.

@Health_AI 🎖

این دیتاست ارزیابی عملکرد مدل‌های GPT در زبان فارسی تهیه شده است. دیتاست شامل مجموعه‌ای از سوالات و پاسخ‌ها به زبان فارسی است که امکان بررسی و تحلیل کیفیت و دقت مدل‌های پردازش زبان طبیعی (NLP) مانند GPT را فراهم می‌کند. از این دیتاست می‌توان برای ارزیابی مدل‌های مختلف یادگیری عمیق و بهبود عملکرد آنها در فهم و تولید زبان فارسی استفاده کرد. مناسب برای محققین و توسعه‌دهندگان در حوزه پردازش زبان طبیعی.

📱 GitHub Repo



@Health_AI 🎖

تا الان چندین فریمورک agentic اومده مثل autogen و metaGPT و crewai و ... چند هفته پیش هم یکی دیگه به نام PydanticAI درست شده که کار همون تیمی هست که لایبرری خوش دست و مهم pydantic را درست کرد.
باهاش کار کردم و به سرعت به یکی از ابزارهای مورد علاقه من تبدیل شده است! علاوه بر ویژگی‌های فوق‌العاده‌ای که در وب‌سایتشان ذکر شده، این موارد را بسیار دوست دارم:

- کنترل همه flow ها با پایتون ساده: سبک و بدون وابستگی‌های غیرضروری.
- ویژگی dependency injection: بسیار شهودی و قدرتمند.
- یکپارچگی با Logfire: برای observability (مشاهده‌پذیری) و ردیابی هزینه، کاملاً بی‌نقص.
این یک کتابخانه ساده است که با قابلیت و انعطاف‌پذیری بالا عرضه شده برای کار کردن با agent ها.
برای نمایش توانایی‌های آن، یک آموزش تهیه کرده‌ام که نحوه پیاده‌سازی یک سیستم multi agent RAG با استفاده از PydanticAI را نشان می‌دهد. اگر به سیستم‌های (RAG) یا سیستم‌های مبتنی بر agent علاقه دارید، حتماً چکش کنید.
Github: https://github.com/mallahyari/twosetai/blob/main/pydanticai_multi_agent_rag.ipynb

فیچر Canvas از OpenAI برای همه فعال شده! ابزار عالی برای کدنویسی و نوشتن متن‌های حرفه‌ای به صورت بهینه‌تر، آسون‌تر و باکیفیت‌تر.

تو دوره زیر تو ۵۰ دقیقه یادش بگیرین (ویدیو ۶ برای متخصصای GenAIه و لازم نیست ببینیدش.)

https://www.deeplearning.ai/short-courses/collaborative-writing-and-coding-with-openai-canvas/

@Health_AI 🎖

گوگل تو این چند روز چندین آس رو کرد که یک جورایی یک سور زد به openai. از جمله:
- مدلهای Gemini ۲
- مدلهای Gemma
- stream realtime
- Project Astra
و الان هم که Project Mariner. این یک پروژه جدیده که قادر است اطلاعات موجود در صفحه مرورگر شما، از جمله پیکسل‌ها و عناصر وب مانند متن، کد، تصاویر و فرم‌ها را درک و تحلیل کند و سپس با استفاده از یک افزونه آزمایشی کروم وظایفی را برای شما انجام دهد.
یعنی عملا یک AI Agent توی browser که تمام المنت های صفحه ای که توش هستید را میفهمه. باید ویدیوش را ببینید.
https://deepmind.google/technologies/project-mariner/
Youtube: https://youtube.com/watch?v=2XJqLPqHtyo

نسخه جدید Grok اومد.
۳ برابر سریع‌تر، دقیق‌تر و بهبود ویژگی چند زبانه.
برای توسعه‌دهنده‌ها، مدل‌های grok-2-1212 و grok-2-vision-1212 رو با قیمت ۲ دلار برای ۱ میلیون توکن دادن.
x.com/i/grok‎

🚨Google reveals AI ‘reasoning’ model that ‘explicitly shows its thoughts’

Google has introduced the experimental Gemini 2.0 Flash Thinking model, which aims to enhance AI reasoning by providing step-by-step explanations of its thought process when answering complex questions.

The model, which builds on the speed of Gemini Flash 2.0, breaks tasks into smaller steps to improve outcomes. While not mimicking human reasoning, it offers a more structured approach to problem-solving.

The model has been demonstrated in physics and visual-textual tasks. This development positions Google to compete with OpenAI’s o1 reasoning model.

🎖 @Health_AI

⏺انجمن هوش مصنوعی در همه دانشگاه‌های علوم پزشکی راه‌اندازی می‌شود/ فیلترینگ سیاستی ناکارآمد و مانع رشد است

دکتر محمد نوروزی، مشاور معاون وزیر بهداشت در امور نخبگان و انجمن‌های علمی در گفت‌وگو با مفدا گفت: در نظر داریم با همکاری دانشجویان، انجمن‌های هوش مصنوعی را در تمامی دانشگاه‌های علوم پزشکی کشور راه‌اندازی کنیم.

سیاست‌های دولت‌ها در این زمینه باید تسهیل‌کننده و حمایت‌کننده باشند، سیاست فیلترینگ، نه تنها ناکارآمد است بلکه مانع رشد کشور در حوزه فناوری‌های نوین و تعامل با جامعه علمی بین‌المللی نیز می‌شود.

🌐مشروح خبر

ابزار Rememberall: ابزار متن‌باز حافظه بلندمدت برای LLM ها، با این ابزار مکالمات پیوسته دارید، همیشه به اطلاعات قبلی دسترسی دارید و امنیت بالایی را تجربه می‌کنید؛ ایده‌آل برای توسعه‌دهندگان و کاربران حرفه‌ای است.

https://github.com/wrannaman/rememberall

🎖 @health_ai

هنوزم یکی از بهترین منابع برای آشنایی و یادگیری با مباحث مهندسی امنیت، حساب می شود!
مفاهیم بیان شده، کمک می کند تقریبا هر چیزی را که مد نظر داریم، آن را بتوانیم امن کنیم.
https://github.com/veeral-patel/how-to-secure-anything

🎖 @health_ai

❤️ یلداتون مبارک

❤️ چیلله نیز موبارک اولسون



🎖 @health_ai

شکستن مرزهای زمان و محاسبه: جهش کوانتومی گوگل با تراشه‌ی Willow، لطفا 10 سپتیلیون سال دیگر تشریف بیاورید!

گوگل با ارائه‌ی تراشه‌ی کوانتومی جدید خود با نام «Willow» گامی بزرگ در جهت دستیابی به رایانش کوانتومی مقاوم در برابر خطا و مقیاس‌پذیر برداشته است. در آزمون‌های مرجع، این تراشه توانست یک محاسبه‌ی استاندارد را در کمتر از پنج دقیقه انجام دهد؛ محاسبه‌ای که برای یک ابررایانه‌ی پیشرو، بیش از 10^25 سال طول می‌کشید! مدتی بسیار فراتر از عمر کل جهان. این نشان‌دهنده‌ی توان بالقوه‌ی معماری‌های کوانتومی در گشودن افق‌های نوین برای حل مسائل پیچیده‌ی علمی و صنعتی است.

این تراشه بر پایه‌ی معماری ماژولار و مبتنی بر کیوبیت‌های ابررسانا طراحی شده که امکان افزایش تعداد کیوبیت‌ها را بدون از دست دادن کیفیت کوانتومی فراهم می‌سازد. طراحی Willow بر تصحیح خطای کوانتومی و رمزگذاری اطلاعات در کیوبیت‌های منطقی تکیه دارد و از کدهای سطح بالا برای کاهش نرخ خطاها در فرایند محاسبات بهره می‌گیرد. با این رویکرد، امید آن می‌رود که ظرفیت اجرای الگوریتم‌های کوانتومی پیچیده، روزبه‌روز افزایش یابد.

ویژگی متمایز Willow نه‌تنها در بهبود سخت‌افزار، بلکه در بهره‌گیری از سامانه‌های نرم‌افزاری پیشرفته و ابزارهای شبیه‌سازی مجازی نیز نمود می‌یابد. این ابزارها به پژوهشگران اجازه می‌دهند پیش از تولید فیزیکی، ایده‌ها و طرح‌های خود را در محیطی دیجیتال ارزیابی و بهینه‌سازی کنند. دستاورد این تلاش‌ها دست‌یابی به توان محاسباتی بی‌سابقه‌ای است که همانطور که در ابتدا ذکر شد در مقام مقایسه برای بهترین سوپرکامپیوترهای جهان 10 سپتیلیون! سال طول خواهد کشید

به این ترتیب، شاید بتوان گفت Willow آغازگر مسیری است که می‌تواند رایانش کوانتومی را از آزمایشگاه به عرصه‌ی کاربردهای صنعتی، علمی و فناوری بکشاند.

لینک مطلب اصلی در بلاگ گوگل:
https://blog.google/technology/research/google-willow-quantum-chip/

هاروارد ۲ تا درس داره به اسم‌های Data Systems و Big Data Systems که مطالبشون جالب به نظر میاد.

اولی بیشتر مربوط به بخش‌های مختلف دیتابیسه و دومی گسترده‌تره و سیستم‌های ذخیره‌سازی، سیستم‌های دیتای پشت سر AI، و خیلی مطالب دیگه است.

با اینکه ویدئوهاشون در اینترنت نیست، ولی همون اسلایدها و لیست مقاله‌هایی که در سایتشون هست به نظرم مفیده.

درس اول (CS 165):
http://daslab.seas.harvard.edu/classes/cs165/
درس دوم (CS 265):
http://daslab.seas.harvard.edu/classes/cs265/

برای کسانی که خارج هستند و یا خودشون یا شرکتشون ۳۳۴۰ دلار می‌تونه خرج آموزشش کنه، درس دوم قراره از ژانویه برای علاقمندان به صورت آنلاین در پلتفرم Harvard Extension School برگزار بشه.

ولی به هر حال خودتون هم می‌تونید مطالب رو خودآموز جلو برید.

اگه به ویدئو علاقمندید، درس دیتابیس CMU (در https://15445.courses.cs.cmu.edu/fall2024/) و درس سیستم‌های توزیع‌شده MIT (در https://youtube.com/@6.824) کمی با این دروس همپوشانی داره و می‌تونید به اونا مراجعه کنید.

FLOAT

Generative Motion Latent Flow Matching for Audio-driven Talking Portrait

https://huggingface.co/papers/2412.01064

تجسم داده (Data Visualization) ارائه داده‌ در قالب بصری، استفاده از نمودار و نقشه‌ برای بیان یک داستان معنادار از اطلاعات.
سایت
https://100.datavizproject.com
از یک مجموعه داده (DataSet) تعداد ۱۰۰ مصورسازی (Visualization) انجام داده

وبسایت SoBrief یه سایت خفن پر از خلاصه کتابای رایگانه، بدون نیاز به ثبت‌نام و به ۴۰ زبان مختلف !
کلی امکانات مثل ترجمه کتابها به فارسی، بوکمارک و لیست‌های محبوب داره.
خلاصه‌ی کتابارو تو ۱۰ دقیقه بخون و حالشو ببر!
https://sobrief.com

آقا Andrew Ng یه پکیج معرفی کرده که میتونی به هر LLM ای بخوای به سادگی وصل شی و عملا کار رو راحتتر کرده.
دیگه لازم نیست کد ها رو برای اتصال به LLM های مختلف تغییر بدی

البته الان تمرکزش رو چت بات هاست ولی گفته میخواد گسترشش بده

https://github.com/andrewyng/aisuite

کمپانی Evidently یک دوره رایگان ۷ روزه عالی گذاشته که از۹ دسامبر شروع میشه. این دوره درباره ارزیابی (evaluation) مدلهای LLM برای تیمهای محصول و AI leaders هست.
نیازی هم به دانستن برنامه نویسی نیست. بعضی از تاپیک ها: observability مدلهای LLM در production
و hallucinations, prompt injection, jailbreaks و...
توی خود وبسایت اطلاعات کامل راجع به همه موضوعاتی که تدریس میشه هست.
https://evidentlyai.com/llm-evaluations-course

کدت رو بنویس و دیگه نگران تست نوشتن نباش، من می‌نویسم برات!
این شعار هوش مصنوعی جدیدی هستش به اسم Celp که در مقام یک دستیار تمام عیار در کنارتونه و دیگه شما رو از شر دغدغه تست نوشتن‌های روزمره راحت می‌کنه

https://www.celp.ai

Run OpenAI's new Whisper Turbo model 100% locally in your browser with Transformers.js!

Transcribe 2 minutes of audio in ~12 seconds!

Demo + source code 👇

Model: https://huggingface.co/onnx-community/whisper-large-v3-turbo

Source code: https://github.com/xenova/whisper-web/tree/experimental-webgpu

Demo: https://huggingface.co/spaces/webml-community/whisper-large-v3-turbo-webgpu?v2


#AI #LLM #ML

🍎 Apple is reportedly working on ‘LLM Siri’ to compete with ChatGPT

Apple is planning a major AI overhaul of Siri that will make the digital assistant more like OpenAI’s ChatGPT and Google’s Gemini Live. The assistant, reportedly called “LLM Siri,” will be powered by Apple’s AI models and will let users have more conversational, natural-sounding interactions with Siri.

نگارش ۶.۷ وردپرس اجازه میده تا هر فونت دلخواهی رو آپلود و اون رو برای هر بخشی که دوست داریم تنظیم کنیم.

در عرض ۲ دقیقه، فونت «ساحل» بدون افزونه و بدون فسفرسوزی نصب و تنظیم شد:

چالش روزانه یک سرور:
امروز با یک مشکل عجیب روبرو شدم! سرور ما ناگهان از دسترس خارج شد و خطای ۵۰۳ می‌داد. بعد از بررسی، فهمیدم که حجم سرور پر شده!

با دستور 𝚍̲𝚞̲ ̲–̲𝚑̲𝚍̲𝟷̲ متوجه شدم یکی از پروژه‌ها، که به نظر ساده می‌رسید، حجم عظیمی از سرور را گرفته بود. پس از بررسی دقیق‌تر دیدم که پوشه دیتابیس بیش از حد بزرگ شده است. دلیل؟ فایل‌های 𝗕𝗶𝗻𝗮𝗿𝘆 𝗟𝗼𝗴 که به صورت خودکار ذخیره شده بودند ولی هیچ وقت پاک نشده بودند.

چطور مشکل را حل کردم؟
فایل‌ها را به صورت دستی پاک کردم.
و با اضافه کردن --𝘴𝘬𝘪𝘱-𝘭𝘰𝘨-𝘣𝘪𝘯 در تنظیمات 𝗗𝗼𝗰𝗸𝗲𝗿 𝗖𝗼𝗺𝗽𝗼𝘀𝗲، از ذخیره شدن این لاگ‌ها جلوگیری کردم.

درس‌هایی که گرفتم:
همیشه به فضای ذخیره‌سازی سرور دقت کنید.
اگر به 𝗕𝗶𝗻𝗹𝗼𝗴 نیاز ندارید، آن را غیرفعال کنید یا پاک‌سازی خودکار تنظیم کنید.