یکی از همراهان عزیز کانال، پیام زیر رو برای من ارسال کردند:

به تیم نوآور ما در Rapid Solutionsبپیوندید!
آیا به بینایی کامپیوتری علاقه‌مندید و مشتاقید در صنعت فناوری تأثیرگذار باشید؟ آیا در یک محیط پویا و آینده‌نگر شکوفا می‌شوید؟ اگر چنین است، ما می‌خواهیم از شما بشنویم!
🔍 موقعیت: مهندس/پژوهشگر بینایی کامپیوتری
محل کار: دورکاری
درباره ما: در Rapid Solutions ، ما در زمینه انهدام دارایی‌های فناوری اطلاعات (ITAD) و راه‌حل‌های پیشرفته هوش مصنوعی تخصص داریم. تیم ما به نوآوری و پایداری متعهد است و ما به دنبال افراد با استعداد هستیم تا به ما در این سفر هیجان‌انگیز بپیوندند.
مسئولیت‌های کلیدی:
• توسعه و پیاده‌سازی الگوریتم‌ها و مدل‌های پیشرفته بینایی کامپیوتری.
• همکاری با تیم‌های چندرشته‌ای برای یکپارچه‌سازی راه‌حل‌های بینایی در پروژه‌های ما.
• انجام تحقیقات برای به‌روز ماندن در زمینه تکنولوژی‌های هوش مصنوعی و بینایی کامپیوتری.
• بهینه‌سازی و استقرار مدل‌ها برای برنامه‌های کاربردی بلادرنگ.
صلاحیت‌ها:
• سابقه قوی در زمینه بینایی کامپیوتری، پردازش تصویر و یادگیری ماشین.
• تسلط به زبان‌های برنامه‌نویسی مانند Python، C++ یا مشابه آن.
• تجربه با فریم‌ورک‌های یادگیری عمیق مانند  TensorFlow، PyTorch
• مهارت‌های حل مسئله عالی و اشتیاق به نوآوری.
آنچه ما ارائه می‌دهیم:
• محیط کاری همکاری‌جویانه و فراگیر.
• فرصت‌های رشد حرفه‌ای و توسعه.
• بسته حقوق و مزایای رقابتی.
• انعطاف‌پذیری کار به صورت دورکاری.
• فرصتی برای کار روی پروژه‌های هیجان‌انگیز با تأثیر جهانی.
چگونه درخواست دهید: اگر آماده‌اید که حرفه خود را به سطح بعدی برسانید و بخشی از تیمی باشید که آینده هوش مصنوعی و ITAD را شکل می‌دهد، مشتاقانه منتظر شنیدن از شما هستیم! لطفاً رزومه خود را به mahan@rapidsolutions.ae ارسال کنید
📢 خبر را منتشر کنید! اگر کسی را می‌شناسید که برای این نقش مناسب است، لطفاً این پست را با او به اشتراک بگذارید.
بیایید با هم نوآوری کنیم و در دنیای فناوری تفاوت ایجاد کنیم!

@Ai_Events

تعریف مسئله مبتنی بر داده در استارت‌آپ‌ها (Data-driven problem statement in startups)

در دنیای استارت‌آپ‌ها، ایده‌های ناب به وفور یافت می‌شوند. اما تمایز یک استارت‌آپ موفق از یک استارت‌آپ شکست خورده، در گام اول، در چگونگی تعریف و حل مسئله نهفته است. تعریف مسئله مبتنی بر داده، سلاح مخفی استارت‌آپ‌های پیشرو برای هدایت و اثبات ارزش‌آفرینی آن‌هاست.

چرا تعریف مسئله مبتنی بر داده اهمیت دارد؟


-   شفافیت و اعتبار: داده‌ها دروغ نمی‌گویند! با تکیه بر داده‌های واقعی، مشکل را به شکلی ملموس و قابل اندازه‌گیری توصیف می‌کنید. این شفافیت، جلب اعتماد سرمایه‌گذاران و شرکا را تسهیل می‌کند.

-   هدفمندسازی راه‌حل: با درک دقیق ماهیت و ابعاد مسئله، راه‌حلی کارآمد و متناسب با نیاز بازار ارائه می‌دهید. این امر، به صرفه‌جویی در منابع و افزایش نرخ موفقیت محصول یا خدمت شما منجر می‌شود.

-    سنجش‌پذیری نتایج: داده‌ها، امکان سنجش اثربخشی راه‌حل را فراهم می‌کنند. بدین ترتیب، می‌توانید به طور مداوم پیشرفت خود را ارزیابی کرده و در صورت لزوم، استراتژی خود را اصلاح نمایید.

چگونه مسئله را مبتنی بر داده تعریف کنیم؟


-    تعریف بازار هدف: دقیقا مشخص کنید برای چه کسانی و با چه ویژگی‌هایی، ارزش‌آفرینی می‌کنید. داده‌های مربوط به جمعیت‌شناسی، رفتار و نیازهای این مخاطبان را گردآوری کنید.

-    درد مشتری: با تحقیقات میدانی و بررسی داده‌های رفتاری کاربران، مشکل یا چالش اصلی مشتریان خود را شناسایی کنید. به دنبال داده‌هایی باشید که نشان دهند این مشکل، فراگیر و قابل حل است.

-    تاثیر منفی مسئله: داده‌هایی را بیابید که نشان دهد این مشکل چه تاثیرات منفی بر زندگی، کسب و کار یا رفاه حال مشتریان شما دارد. این داده‌ها می‌توانند شامل آمار، نظرسنجی‌ها و نتایج تست‌های کاربری باشند.

-    راه‌حل پیشنهادی: با تکیه بر داده‌های گردآوری شده، راه‌حلی نوآورانه و مبتنی بر فناوری برای رفع مشکل ارائه دهید. توضیح دهید که راه‌حل شما چگونه زندگی یا کسب و کار مشتریان را بهبود می‌بخشد.

-    سنجش موفقیت: شاخص‌هایی را بر اساس داده تعریف کنید که به شما بگویند آیا راه‌حل شما در حال رفع مشکل است یا خیر. این شاخص‌ها می‌توانند شامل نرخ تبدیل، رضایت مشتری، وفاداری و ... باشند.

نتیجه‌گیری
تعریف مسئله مبتنی بر داده، نقشه راه استارت‌آپ شماست. با تکیه بر داده‌های واقعی، می‌توانید مسیری روشن برای حل یک مشکل واقعی ترسیم کنید. این امر، نه تنها به جذب سرمایه و جلب اعتماد مخاطبان کمک می‌کند، بلکه نرخ موفقیت استارت‌آپ شما را نیز به طور چشمگیری افزایش می‌دهد.

نکته: مشخصا این روش هم برای پیدا کردن ایده، اشکالاتی خواهد داشت، اما نگاه جامع و واقع گرایانه، کلید اصلی موفقیت در این روش می‌باشد. اجازه بدهیم داده‌ها صحبت کنند، به دنبال توجیه ایده با داده‌ها نباشیم.

@Ai_Events

گاهی نیست که بر خود نلرزم وقتی به یاد می‌آورم که چگونه نزدیک بود به بعضی جزئیات پیش پا افتاده اجازه ورود به ذهن خویش بدهم ... ؛

و حیرت می‌کنم وقتی می‌بینم انسانها چقدر به پرکردن مغزهای‌شان با این قاذورات علاقه‌مندند که به شایعه‌های بیهوده و حوادثی از بی‌اهمیت‌ترین نوع اجازه می‌دهند تا به زمینی که باید حریم اندیشه باشد تجاوز کند.

آیا ذهن باید مکانی عمومی باشد، جایی که در آن عمدتاً مسائل خیابانی و شایعه‌های مجالس صرف چای مورد بحث قرار گیرد؟ یا باید خود غرفه‌ای باشد، معبدی بی‌سقف، وقف خدمت به خدایان؟

من خالی کردن خویش از چند واقعیت که برایم مهم‌اند را چندان سخت می‌یابم که در بارگذاردن بر دوش توجه‌ام نسبت به آنچه بی اهمیت است درنگ می‌کنم چنین کاری مگر از ذهن الهه‌گان برآید.

اخبار روزنامه ها و خبرهای سینه به سینه تا حدود زیادی از همین نوع‌اند. مهم است که در برابر آنها از عفت ذهن حفاظت شود ...

والدن؛ هنری دیوید ثورو

@Ai_Events

یه تحلیل متنی بسیار جذاب از شرکت لایف‌وب

تحلیل شناختی متن مناظرات نامزدهای انتخاباتی
لایف وب در همکاری با سامانه» تحلیل کلان دادههای متنی زبان فارسی (PIWC) به تحلیل شناختی متن سخنان نامزدها در مجموع پنج مناظره پرداخت
فرآیندهای شناختی در ذهن بر نوع به کاربردن کلمات و جملات تاثیرگذار .است در این تحلیل تلاش شده است تا با در نظر گرفتن جملات به کار رفته توسط نامزدها به توانایی آنها در حوزههای مختلف بپردازد.
در این بررسی ۶ شاخص شناختی برای ۶ نامزد بررسی شدند که مقایسه نامزدها در هر شاخص را در اسلایدها مشاهده میکنید
به طور میانگین ،قالیباف پزشکیان و پورمحمدی به ترتیب بهترین امتیازها را در بین ۶ نامزد دارند.

@Ai_Events

Google is preparing an exciting feature — they plan to integrate their Gemini model directly into your browser

The model is significantly trimmed down and optimized to minimize hallucinations — essentially, it's Google search directly on your PC, answering questions as you type them.

It works even without the internet and, according to tests, consumes minimal PC resources.
Source

@Ai_Events

وبینار رایگان هوش مصنوعی برای
رهبران کسب و کار



سرفصل‌های وبینار
مقدمه: تعریف هوش مصنوعی و شناسایی تفاوت‌های آن با یادگیری ماشین

نمونه‌های کاربردی موجود: آشنایی با نمونه‌های بکارگیری هوش مصنوعی در کسب‌وکارهای بزرگ بین‌المللی

جایگاه استفاده: شناسایی حوزه‌های سودآور استفاده از هوش مصنوعی در کسب و کارها

مزایا:  آشنایی با برتری‌های این فناوری نسبت به سایر روش‌های پیاده‌سازی فرایندهای کسب و کار

خطرات کلیدی: مشکلات احتمالی و نقاط ضعف نیازمند توجه در به کارگیری هوش مصنوعی در کسب و کارها

محدودیت‌ها: موانع اصلی در پذیرش بررسی دلایل عدم موفقیت استفاده از هوش مصنوعی در کسب و کارها


https://hooshio.com/webinar


@Ai_Events

صفحه‌ی زیر سعی کرده به صورت ویژوال شده، مفاهیمی مثل Word embedding، Transformer و ... رو که از اجزای اصلی LLMها هستند رو توضیح بده. توصیه می‌کنم تو یه فرصت مناسبی یه نگاه بهش بندازید.

البته اگه NLP Specialist هستید شاید اطلاعاتی بهتون اضافه نکنه، اما دیدنش هم خالی از لطف نیست.

https://ig.ft.com/generative-ai


@Ai_Events

سمینار پردازش سیگنال‌های مغزی

@Ai_Events

OpenAI Co-founder Andrej Karpathy explains the new computing paradigm:

"We're entering a new computing paradigm with large language models acting
like CPUs, using tokens instead of bytes, and having a context window
instead of RAM.

This is the Large Language Model OS (LMOS)"

@Ai_Events

اولین کنفرانس بین المللی یادگیری ماشین و کشف دانش

ایمیل zrahmati@aut.ac.ir
شماره تماس: 64542500 و 64542522
سایت کنفرانس: https://mlkd.aut.ac.ir


@Ai_Events

AI Godfather Geoffrey Hinton warns of AI risks and pushes for testing before Superintelligence

"AI could be dangerous, with a 50% chance of being an existential threat. Some say it's lower, like 10-20%.

We should test AI that's almost as smart as us before it gets even smarter."
Source


@Ai_Events

Andrej Karpathy sees AI future like the movie "Her"

"AI is getting smarter, like in the 'Her' movie. It can now see, hear, talk, and even draw.

Soon, many AIs might work together, doing tasks and solving problems in the digital world and maybe even in the real world"
Source


@Ai_Events

اولین همایش ملی هوش مصنوعی در آموزش و یادگیری

سایت همایش: aiedu.atu.ac.ir


@Ai_Events

شناسایی ریسک فرسودگی کارکنان با داده های موجود

خیلی اوقات برای کسب بینیش های مبتنی بر داده تنها کافی است به داده های موجود منابع انسانی نگاهی تازه بیندازیم و در قالب های جدید، داده ها را تحلیل کنیم. یکی از وظایف ما در هلدینگ دارویی گلرنگ همین است.

برای مثال به نمودار زیر نگاه کنید. داده های "اضافه کاری" و "مانده مرخصی" کارکنان با هم تلفیق شده اند تا به ما نشان دهند کدامیک از همکاران ما در معرض ریسک فرسودگی قرار دارند. حدود 7% از کارکنان ما درخانه شماره یک قرار دارند؛ یعنی هم میانگین اضافه کاریشان زیاد است هم مانده مرخصی شان (یعنی خیلی کم مرخصی می روند).

گام بعدی ارائه راهکار های اجرایی برای بهبود وضعیت این دسته از کارکنان و کاهش ریسک فرسودگی آنان است.

پاورقی: باور کنید آنالیتیک منابع انسانی به معنای استفاده از روش های آماری پیچیده نیست!

باید تصمیم گیری ها را مبتنی بر داده و شواهد کنیم! اتفاقا هرچی روش تحلیل ساده تر باشد بهتر است!

منبع: گزارش سرمایه انسانی هلدینگ دارویی گلرنگ، بخش تحلیل داده های منابع انسانی
Source


@Ai_Events

Working of AI in a Nutshell

@Ai_Events

Xiaomi has launched a factory with no humans, where only robots with neural networks work

You heard that right: there isn't a single human inside. The robots assemble phones, check their quality, and even clean up after themselves. The speed is insane — one phone per second! And these machines can work around the clock without breaks.

When neural networks take over our jobs, we won't even be able to get a job at the factory.

Source

@Ai_Events

AI will be 100X more capable than GPT-4 by 2027, while computing costs are falling by 75-85% per year. This will TRANSFORM the world.
Source



@Ai_Events

سازمان بورس و اوراق بهادار با همکاری کانون کارگزاران بورس و اوراق بهادار برگزار می‌نماید:

نشست تخصصی با عنوان «کاربردهای هوش مصنوعی در بازار سرمایه ایران»

زمان برگزاری: روز یکشنبه مورخ 31 تیرماه از ساعت 15 الی 17

محل برگزاری: خیابان ولیعصر (عج)، بالاتر از خیابان بهشتی، کوچه دل‌افروز پلاک 32، سالن همایش‌های کانون کارگزارن بورس و اوراق بهادار

لینک ثبت‌نام

@Ai_Events

AI Engineers can be quite successful in this role without ever training anything.

This is how:

1/ Leveraging pre-trained LLMs: Select and tune existing LLMs for specific tasks. Don't start from scratch

2/ Prompt engineering: Craft effective prompts to optimize LLM performance without model modifications

3/ Implement Modern AI Solution Architectures: Design systems like RAG to enhance LLMs with external knowledge

Developers: The barrier to entry is lower than ever. 

Focus on the solution's VALUE and connect AI components like you were assembling Lego!
(Credits: Unknown)

@Ai_Events