وقتی می‌خواهیم مدل‌های زبانی مثل GPT را برای کاربرد خاصی به‌کار بگیریم، دو راه اصلی پیش رو داریم: Fine-tuning و RAG. اما کدام مناسب‌تر است؟

🛠 Fine-tunining
مثل آموزش تخصصی به یک متخصص است!
مدل پایه را با داده‌های اختصاصی دوباره آموزش می‌دهیم تا در یک حوزه خاص (مثلاً پزشکی یا حقوقی) به‌طور عمیق متخصص شود.
✅ نقطه قوت: دقت بالا در وظایف مشخص
⚠️ چالش: هزینه‌بر، نیاز به داده‌های باکیفیت و زمان‌بر

🔍 RAG (Retrieval-Augmented Generation)
مثل دادن دسترسی به کتابخانه به یک مشاور هوشمند است!
مدل، اطلاعات لحظه‌ای را از منابع معتبر (مثل بانک اسناد شما) استخراج و پاسخ را بر اساس آن می‌سازد.
✅ نقطه قوت: به‌روزرسانی آسان، شفافیت منابع، کاهش خطاهای غیرواقعی
⚠️ چالش: وابستگی به کیفیت بانک اطلاعاتی

❓ کدام بهتر است؟
- نیاز به تخصص عمیقدارید؟
→ Fine-tuning
- نیاز به پاسخ‌های پویا با داده‌های به‌روز دارید؟
→ RAG
و گاهی هم ترکیب هر دو راهگشاست!

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

بهینه‌سازی عملکرد LLM با LMCache 🚀

در مکالمات طولانی یا سناریوهای RAG، بیش از ۹۰٪ زمان پاسخ‌دهی LLM ممکنه صرف مرحله‌ی prefill بشه!
🔻 این یعنی تأخیر زیاد در تولید اولین توکن، افزایش کلی زمان پاسخ، و مصرف شدید منابع حافظه و GPU تا حد بروز OOM!

راه‌حل چیه؟
استفاده از LMCache ✅

در واقع LMCache یک ابزار متن‌باز هوشمند و قدرتمند برای کش کردن KV cache مدل‌های زبانیه که با اون می‌تونید:

⚡️ زمان تولید اولین توکن (TTFT) رو تا ۱۰ برابر سریع‌تر کنید
💸 هزینه استفاده از GPU رو تا ۸ برابر کاهش بدید
🔀میتونید KV cache رو بین GPU، رم، دیسک یا حتی فضای ذخیره‌سازی شبکه‌ای جابجا کنید
🤝 کش‌ها رو بین چندین سرویس vLLM به‌صورت اشتراکی استفاده کنید

و حالا با افزونه‌ی نوآورانه‌ی CacheBlend (برنده‌ی بهترین مقاله EuroSys 2025):

🔥 در سناریوهای RAG به نرخ هیت کش نزدیک به ۱۰۰٪ می‌رسید
🚀 و سرعت پاسخ‌دهی‌تون تا ۳ برابر سریع‌تر میشه

https://github.com/LMCache/LMCache

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

دانشگاه آلتو فنلاند یک مرجع کامل و به‌روز از اصطلاحات، مفاهیم و تکنیک‌های یادگیری ماشین که می‌تونه توی پروژه‌ها و مصاحبه‌های ML کمکتون کنه رو منتشر کرد.


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

بعد از برگزاری IMO 2025 (معتبرترین المپیاد ریاضی دانش‌آموزی جهان)، اومدن یه بنچمارک با مدل‌های AI گرفتن، این سوالات چون جدید هستن AIها قبلا روشون تمرین ندیدن به خاطر همین خروجی واقعی‌تره.
درسته هیچکدوم حتی برنز هم نگرفتن ولی Gemini 2.5 Pro با دقت ۳۱ درصدی اول شد.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یه زمانی دنبال یه مدل خوب می‌گشتیم… حالا وسط این‌همه LLM فقط دنبال یه دلیل واسه اعتمادیم!

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔥 معرفی یک پرامپت فوق‌العاده برای ساخت تیزر تبلیغاتی با هوش مصنوعی #Veo3
📌 اگه به ساخت محتوای حرفه‌ای علاقه‌مندین، این پست رو بوکمارک کنین یا ریتوییت تا بقیه هم ازش استفاده کنن!

🎥 ساخت تیزر و ویدیوهای تبلیغاتی با هوش مصنوعی داره آینده‌ی معرفی برندها، کانال‌ها و پروژه‌ها رو متحول می‌کنه — دقیق، سریع و سینمایی!

💡 این پرامپت رو شخصاً برای کانال خودم (Algorithm Design & Data Structure) نوشتم و با VEO3 تستش کردم. نتیجه؟ یه ویدیوی شگفت‌انگیز و حرفه‌ای بدون نیاز به تدوینگر!

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🚀 نگاهی به ۸ معماری اصلی مدل‌های زبانی بزرگ (LLM) سال ۲۰۲۵
(بر اساس مقاله دکتر Sebastian Raschka, PhD)

در مقاله جدیدی که دکتر Sebastian Raschka نوشته، از DeepSeek V3 تا Kimi 2 به بررسی دقیق ۸ معماری مهم مدل‌های زبانی متن‌باز که امسال منتشر شده‌اند پرداخته شده. تمرکز اصلی این بررسی روی انتخاب‌های طراحی معماری بوده که هر کدوم چه ویژگی خاصی دارند.

🔍 خلاصه‌ای از مهم‌ترین نکات:

- DeepSeek V3 / R1: pairs Multi‑Head Latent Attention (MLA) with a 256‑expert MoE
- OLMo 2: New norm layer placement and QK-Norm
- Gemma 3:sliding‑window GQA and more norm layers
- Gemma 3n: introduces Per‑Layer Embedding and MatFormer slicing
- Mistral Small 3.1: trims layer count and KV cache, relies on standard GQA and a compact
- SmolLM3: No Positional Embeddings in some layer
...
- Kimi K2 – scales the DeepSeek design to 1 T parameters


https://magazine.sebastianraschka.com/p/the-big-llm-architecture-comparison

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

این ریپو یکی از بهترین‌هاست برای ساخت عامل‌های هوش مصنوعی واقعی — نه تئوری، بلکه پروژه‌های آماده برای اجرا! 👇🚀

https://github.com/gyoridavid/ai_agents_az?utm_source=linkedin

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

یک پروژه شسته رُفته از پیاده سازی یک RAG پیشرفته با استفاده از llamaIndex و روی Google Cloud Vertex AI. که این موضوعات را هم پوشش میده:
- RAG design, indexing, retrieval, evaluation metrics

میتونید کامل هم روی Cloud یا لوکال اجرا کنید و تکنیکهای مختلف را تست کنید.

https://t.co/wWmxBkfG7O

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🔥 دوستان عزیز،
کانال ما با حمایت و همراهی شما روزبه‌روز بهتر میشه.
اگر می‌خواید این مسیر رو با هم قوی‌تر پیش ببریم، ازتون دعوت می‌کنم با یه حمایت کوچک همراه باشید.
و لطفاً این فرصت رو به دوستاتون هم بدید تا اون‌ها هم عضوش بشن و جمع‌مون بزرگ‌تر و پرانرژی‌تر بشه!
با هم می‌تونیم یادگیری رو به سطح جدیدی برسونیم.
ممنونم از اینکه هستید و کنارمید ❤️💪

🧠 مدل‌های Reasoning شدن ترند اصلی هوش مصنوعی در ۲۰۲۵!
طبق گزارش METR، توانایی عامل‌های هوشمند هر ۷ ماه داره دو برابر می‌شه! 🚀

حالا سوال اینه:
چطور این مدل‌ها رو از ریاضی و کدنویسی فراتر ببریم و بهترfinetune کنیم؟

🎥 یه مسیر جذاب آموزشی با حمایت OpenPipe اینجاست:
https://www.youtube.com/playlist?list=PLcfpQ4tk2k0V16VYYwnwF2g-EsKRIkJaC

یک بحث داغ برای علاقه‌مندان به آینده‌ی عامل‌های هوشمند و مدل‌های Reasoning

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

مجموعه کامل آموزش PyTorch برای یادگیری عمیق

این مجموعه شامل بیش از ۳۰ ویدیو است که تمام مفاهیم را به‌صورت عمیق آموزش می‌دهد.

https://www.youtube.com/playlist?list=PLN8j_qfCJpNhhY26TQpXC5VeK-_q3YLPa

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

درک مفاهیم پایه‌ای هوش مصنوعی و یادگیری ماشین برای توسعه‌دهندگان به‌مرور به یک ضرورت تبدیل شده است.

اما شروع یادگیری و فهمیدن همه‌ی اصطلاحات و ایده‌های اصلی می‌تواند گیج‌کننده باشد.

در این دوره، «ولادیمیرز» مفاهیمی مانند واریانس، مقدار p، ماتریس درهم‌ریختگی، شبکه‌های عصبی و ده‌ها موضوع دیگر را به شکلی جذاب، بصری و انیمیشنی آموزش می‌دهد.

https://www.youtube.com/watch?v=PcbuKRNtCUc

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

کمپانی Nvidia یک ریپو عالی داده که میتونید ایجنت بسازید که ویدیو رو خلاصه کنه، توش جستجو کنه و به سوالات تصویری جواب بده.
واقعا یک Blueprint هست که میتونید برای انواع کاربردهای دیگه هم استفاده کنید. خوب طبیعتا از سرویسهای خود Nvidia استفاده شده مثل مدل‌های Nemotron، NeMo Retriever و VLMهای قدرتمند. ولی میتونید با مدلهای دیگه راحت جایگزین کنید اگه دسترسی به سرویسهای NVIDIA NIM ندارید.
و اینکه هم از Vector RAG و هم Graph-RAG استفاده کردند.

github.com/NVIDIA-AI-Blueprints/video-search-and-summarization

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🧠 معرفی ابزاری برای پرامپت نویسی برای ساخت ویدیو ها در انواع هوش مصنوعی

🤓 همیشه این سوال هست:
چه پرامپتی بنویسم که بهترین خروجی رو از هوش مصنوعی بگیرم؟

چه بخوای با AI ویدیو بسازی، چه عکس، چه صدا یا حتی استوری‌برد، اولین چالش همینه: نوشتن یه پرامپت درست و حسابی.

این رو زیاد میپرسن ازم و نکته اینه که با یه پرامپت معمولی، خروجی معمولی می‌گیری. ولی اگه پرامپتت دقیق، چندلایه و هدفمند باشه، خروجی فوق‌العاده‌تری می‌گیری.

🔍 حالا اینجا یه ابزار جالب می‌خوام معرفی کنم که پرامپت های فوق العاده ای رو‌بتونی بنویسی و توی انواع هوش مصنوعی ساخت‌ویدیو‌بتونی‌استفاده‌کنی:

در واقع Promptefy یه موتور جستجو نیست، یه راهنماست برای اینکه پرامپت‌نویسی‌ت رو حرفه‌ای‌تر کنی.
کاری که می‌کنه اینه:

✅ بهت می‌گه برای ابزار خاصی مثل Pika یا Runway یا Sora، چه ساختاری از پرامپت بهتر جواب می‌ده.
✅ کلی مثال آماده داره که می‌تونی کپی‌شون کنی یا تغییر بدی.
✅ حتی می‌تونی فیلتر کنی بر اساس نوع ویدیو (مثل انیمیشن، تبلیغاتی، کوتاه، واقع‌گرایانه و…) یا حتی استایل هنری مورد علاقه‌ت.

یعنی به‌جای اینکه توی ذهنت بچرخی و حدس بزنی چی بنویسی، این ابزار یه جورایی دستتو می‌گیره و راه درستو نشون می‌ده.

https://www.promptefy.online/

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🧠✨ معرفی ابزار DeepSearcher:

یک سیستم هوشمند جستجو و تحلیل داده است که با ترکیب جدیدترین مدل‌های زبانی (مثل OpenAI o3 و Claude 4) و دیتابیس‌های برداری (مثل Milvus)، پاسخ‌های دقیق و گزارش‌های جامع از داده‌های خصوصی تولید می‌کند.
✅ مناسب برای مدیریت دانش سازمانی، سیستم پرسش‌و‌پاسخ هوشمند و بازیابی اطلاعات.


https://github.com/zilliztech/deep-searcher

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

چه ابزارهایی مورد استفاده قرار می‌گیرند؟

مزیت پیشتاز بودن ChatGPT همچنان قابل مشاهده است. تقریباً ۸ نفر از هر ۱۰ ناشر که از هوش مصنوعی استفاده می‌کنند، گزارش داده‌اند که از ChatGPT بهره می‌برند؛ رقمی بسیار بالاتر از سایر ابزارها. پس از آن، میزان استفاده به شکل قابل توجهی کاهش می‌یابد؛ به‌طوری‌که Claude با ۲۸.۲٪ و Grammarly با ۲۷.۹٪ در رتبه‌های بعدی قرار دارند.
ابزارهای تولید تصویر و ویدئو مانند Midjourney (۸.۱٪)، Runway ML (۱.۶٪) و Lumen5 (۱.۱٪) همچنان در دسته ابزارهای خاص و کم‌کاربرد باقی مانده‌اند.

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

🎓 Programming for Mathematicians (2024) with Julia


دوره‌ای کاربردی با نزدیک به ۵۵ ساعت آموزش عملی برای یادگیری برنامه‌نویسی ویژه ریاضی‌دانان، با استفاده از زبان قدرتمند Julia.
✅ مناسب برای دانشجویان و پژوهشگران علاقه‌مند به محاسبات عددی و ریاضیاتی.

https://www.youtube.com/playlist?list=PL7RZyOlq_XnwDnSG1VFoMS-qPmOzK9Kya


#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

گوگل ابزار جدیدی به نام Opal معرفی کرده که بدون نیاز به کدنویسی امکان ساخت اپ‌های هوش مصنوعی رو فراهم می‌کنه. این ابزار با اتصال مدل‌ها و دستورها، ساخت ورک‌فلوهای هوشمند رو ساده کرده و فعلاً در نسخه بتا فقط در آمریکا در دسترس هست.

https://t.co/jkpRywzLmQ

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer

این راهنمای مطالعه یک مهندس ماشین لرنینگه که کلی مطالب مفیدی داره و هم اینکه به زبان فارسی هم میتونید مطالعه کنید.

https://github.com/afshinea/stanford-cme-295-transformers-large-language-models/tree/main?tab=readme-ov-file

#هوش_مصنوعی
📣👨‍💻 @AlgorithmDesign_DataStructuer