Meet Salesforce Einstein “Tiny Giant.” Our 1B parameter model xLAM-1B is now the best micro model for function calling, outperforming models 7x its size, including GPT-3.5 & Claude.

Paper: http://arxiv.org/pdf/2406.18518
Github: http://apigen-pipeline.github.io

#ایده_جذاب #مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

Self-Improving LLM Evaluators

(1) Simple assertions - first, try to hard-code simple rules or assertions (e.g., does the LLM app output follow the expected schema).

(2) Human review - but, some things can't be captured w/ simple hard-coded rules (e.g., style or accuracy of my LLM app outputs). you always need to look at your data !

(3) LLM-as-judge - human review is critical, but doesn't scale. encode rules from your human review into a prompt and have an LLM automate your process of human review / scoring.

The challenge w/ LLM-as-judge is that you need to tune a prompt that encodes your scoring criteria.

Use a process where you (1) review the LLM-as-judge, (2) correct it, and (3) pass those human corrections back to the evaluator as few-shot examples.

#ایده_جذاب #مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

کتابخانه ParsBench به تازگی منتشر شده است و مجموعه‌ای از ابزارهای کارآمد برای Benchmark کردن مدل‌های زبان بزرگ (LLM) در زبان فارسی را ارائه می‌دهد.

این کتابخانه به کاربران امکان می‌دهد تا مدل‌های زبانی مورد نظر خود را در تسک‌های متنوعی از جمله استدلال منطقی، تشخیص احساسات، ریاضیات، ترجمه ماشینی، اطلاعات عمومی و موارد دیگر ارزیابی کنند. ParsBench قابلیت سنجش همزمان چندین مدل بر روی تسک‌های خاص را دارد و امکان مقایسه جامع نتایج را فراهم می‌کند.

یکی از ویژگی‌های برجسته ParsBench این است که کاربران می‌توانند به راحتی ارزیابی‌های سفارشی خود را با استفاده از دیتاست‌های شخصی‌شان ایجاد کنند و تنها با چند خط کد، مدل خود را مورد آزمایش قرار دهند.

گیت‌هاب پروژه:
https://github.com/shahriarshm/parsbench
سایت مستندات:
https://shahriarshm.github.io/parsbench

بازخوردها و نظرات ارزشمند کاربران بسیار مورد استقبال قرار می‌گیرد.

#پایتون #پروژه

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

Andrej Karpathy on how to learn

#هوش_مصنوعی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

کمپانی HuggingFace یه cook book درست کرده که شامل مجموعه ای از notebook ها و مثال های عملی راجع به درست کردن اپلیکیشن های مبتنی بر AI و همچنین حل مسائل مختلف ماشین لرنینگ با استفاده از مدلهای اپن سورس میشه.

https://huggingface.co/learn/cookbook/en/index

#منابع #هوش_مصنوعی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

یوتیوب را با زیرنویس فارسی ببین

با نصب افزونه زیر در گوگل کروم راحتتر یادبگیرید.

https://chrome.google.com/webstore/detail/ejoy-ai-dictionary/amfojhdiedpdnlijjbhjnhokbnohfdfb

#منابع #هوش_مصنوعی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

هوش مصنوعی و تقلب رسوندن در فوتبال

با آنالیز به این نتیجه رسیدن شاید اینکار رو بکنه بتونه بگیره پنالتی رو 😂

خوابیدن در مقیاس بالا!

Sleeping at Scale - Delivering 10k Timers per Second per Node with Rust, Tokio, Kafka, and Scylla
https://www.infoq.com/presentations/scale-rust-kafka
شاید عنوان تعجب برانگیز باشه اما مبحث مهمیه، قبلا در مورد اهمیت distributed task queue ها صحبت شده بود، مقاله حاضر هم به شیوه دیگه ای در مورد همین موضوع صحبت میکنه که دیدن و خواندنش خالی از لطف نیست.

اینم لینک ویدیوی قبلی که با بچه های تیمسازی در موردش حرف زده بودیم و ویدیوی این بخش رو در یوتیوب میتونید ببینید

آشنایی با سرویس های مدیریت تسک توزیع شده و تمپورال
https://youtu.be/iemMz4_Hg5s


@gocasts

#distributed_task_queue
#teamsazi

سه موسیقی برای اینکه موقع درس خوندن گوش بدین و تمرکز و آرامشتونو چند برابر کنین:

#متفرقه

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

پی دی اف هاتو به هر زبانی دوست داری ترجمه کن


🔎 https://tinywow.com/pdf/translate

#هوش_مصنوعی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

پایتورچ را در چهار مرحله یادبگیرید.

▪️ Tutorial: Learn the Basics

1. Tensors
2. Datasets and DataLoaders
3. Transforms
4. Build Model
5. Automatic differentiation
6. Optimization loop
7. Save, Load and Use Model

▪️ Introduction to PyTorch

1. Introduction to PyTorch
2. Introduction to PyTorch Tensors
3. The Fundamentals of Autograd
4. Building Models with PyTorch
5. PyTorch TensorBoard Support
6. Training with PyTorch
7. Model Understanding with Captum

▪️ Learning PyTorch with Examples
▪️ Start writing code

#پایتون #هوش_مصنوعی #منابع

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

Understanding LSTM Networks

https://colah.github.io/posts/2015-08-Understanding-LSTMs/

#شبکه_عصبی #هوش_مصنوعی #منابع

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

تبلیغ جالب Nike در عربستان برای استفاده دخترها از فرصت‌ها و پتانسیلشون:

🤖 راه تعامل و ارتباط با سیستم های Gen AI از جمله LLM ها برای کاربرها و دولوپرها از طریق پرامپت و prompt engineering هست. با وجود این که prompting مفهومی گسترده است و به شدت مورد تحقیق قرار گرفته، اما به دلیل تازگی این حوزه، اصطلاحات متناقض و درک ضعیفی از آنچه که یک پرامپت را تشکیل می‌ده، وجود داره.

💡 حالا محقق های کلی دانشگاه و کمپانی از جمله Stanford و OpenAI و Microsoft اومدن و یک مقاله ۷۶ صفحه ای از ۵۸ تکنیک برای پرامپت نوشتن متنی و ۴۰ تکنیک برای modality های دیگه دادن که با فاصله بهترین منبع برای یادگیری نوشتن پرامپت به حساب میاد. از خوندنش لذت می‌برید (برای من که اینطور بود).

💡این تکنینک‌ها زبان‌های دیگه را هم شامل می‌شه(multilingual).با نگاه به سرفصل‌های این کتابچه خودتون دستتون میاد. حالا این یک طرف، و از طرف دیگه، یک لایبرری اومده که همه این ۵۸ تا تکنیک را پیاده سازی کرده. فقط کافیه تکنیکی که می‌خواهید را روی پرامپتتون اجرا کنید تا پرامپت با کیفیت بگیرید.

📝 لینک مقاله

🖥 لینک گیت‌هاب ابزار

✍️ لینک توئیت

#LLM
#Prompt
#ML
#paper
#github

@LifeAsAService

استخدام مهندس داده با شرایط ذیل در یک شرکت معتبر بانکی با شرایط پرداخت حقوق و مزایای مناسب و عالی :

1- مسلط به ابزار دیتابیس Click House
2-آشنایی با ابزار Apache Redis
3-آشنا با اکوسیستم های بیگ دیتا و NO SQL مانند Hadoop و Hive و SPARK SQL

✍️حداقل داشتن مدرک کارشناسی در رشته مهندسی کامپیوتر،علوم کامپیوتر یا مهندسی صنایع و رشته های مرتبط
✍️درصورت تمایل به همکاری رزومه خود را به ایمیل ذیل ارسال نمائید:
aalishahi.m@ut.ac.ir

Can Machines Learn the True Probabilities?

https://arxiv.org/abs/2407.05526

#ایده_جذاب #مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person