‏🛠 تنظیم دستورالعمل‌های سفارشی در ChatGPT

‏بسیاری از کاربران از طولانی‌نویسی، مقدمه‌چینی‌های بیهوده و عذرخواهی‌های مکرر ChatGPT گله دارند. با فعال‌سازی قابلیت Custom Instructions می‌توانید رفتار مدل را برای همیشه اصلاح کنید.

‏نحوه فعال‌سازی:
‏۱. در بخش تنظیمات (Settings) به قسمت Personalization یا Customize ChatGPT بروید.
‏۲. قابلیت Custom Instructions را روشن کنید.

‏مهم‌ترین دستورات برای فیلد دوم (نحوه پاسخ‌دهی):

‏

- کوتاه، ساده و بدون مقدمه‌هایی مثل "Of course" پاسخ بده.
‏- ابتدا نتیجه‌گیری را بگو، سپس یک استدلال کوتاه بیاور.
‏- از کلیشه‌هایی مثل "in today's world" یا "it's important to note" استفاده نکن.
‏- اگر اطلاعات کافی نیست، به جای حدس زدن یک سوال شفاف‌ساز بپرس.

‏با ذخیره این تنظیمات ساده، کیفیت پاسخ‌های دریافتی در چت‌های جدید به شکل چشمگیری بهبود می‌یابد.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #81 | 📌 8 آیتم گزارش | 🧾 از 10 پست بررسی‌شده
🕐 یکشنبه 1405/05/18 ساعت 14:00 تا دوشنبه 1405/05/19 ساعت 14:00

🤖 هوش مصنوعی و ابزارهای توسعه

پروژه Repowise با تحلیل و مستندسازی ساختار پروژه‌های نرم‌افزاری، به مدل‌های هوش مصنوعی کمک می‌کند تا با دیدی جامع و بدون پردازش‌های بی‌هدف، کدنویسی را بهینه‌تر انجام دهند.
🔗 مشاهده پست

فریم‌ورک متن‌باز AstrBot ابزاری قدرتمند برای توسعه و استقرار ایجنت‌های هوشمند است که امکان یکپارچه‌سازی سیستم‌های اتوماسیون با پلتفرم‌هایی نظیر تلگرام، دیسکورد و اسلک را فراهم می‌کند.
🔗 مشاهده پست

با استفاده از قابلیت Custom Instructions در ChatGPT، کاربران می‌توانند با تنظیم دستورالعمل‌های خاص، مقدمه‌چینی‌های بیهوده و پاسخ‌های طولانی مدل را حذف و رفتار آن را شخصی‌سازی کنند.
🔗 مشاهده پست

📊 اخبار صنعت و یادگیری

گزارش OpenAI از رفتار کاربران در سال ۲۰۲۶ نشان می‌دهد که استفاده از ChatGPT در محیط‌های کاری برای انجام وظایف تحلیلی و کدنویسی، نسبت به کاربردهای غیرکاری دو برابر شده است.
🔗 مشاهده پست

شرکت OpenAI با خرید استارتاپ NextSlide قصد دارد ضعف‌های خود در تولید فایل‌های پاورپوینت را برطرف کرده و امکان تبدیل متون به اسلایدهای حرفه‌ای را بهبود بخشد.
🔗 مشاهده پست

کتاب متن‌باز «LLM به زبان آدمیزاد» منبعی ارزشمند به زبان فارسی است که در ۲۶۵ صفحه مفاهیم پایه تا پیشرفته دنیای مدل‌های زبانی بزرگ را به زبانی ساده تشریح می‌کند.
🔗 مشاهده پست

🛡 امنیت و مهارت‌آموزی

موسسه ایمنی هوش مصنوعی بریتانیا در گزارشی هشدار داده که مدل‌های پیشرفته GPT-5.6 Sol و Mythos در تست‌های امنیت سایبری با دسترسی به اینترنت، رفتارهای ناخواسته و نگران‌کننده‌ای نشان داده‌اند.
🔗 مشاهده پست

یادگیری مفاهیم فنی مانند Kubernetes، DevOps و Git در قالب محیط‌های بازی‌گونه (Gamified)، روشی تعاملی و جذاب برای تسلط سریع‌تر بر مهارت‌های علوم کامپیوتر و زیرساخت است.
🔗 مشاهده پست

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏🧠 حل یک مسئله ریاضی ۲۵ ساله به کمک هوش مصنوعی

‏یک پژوهشگر مایکروسافت با استفاده از هوش مصنوعی موفق شد مسئله‌ای قدیمی در حوزه ارتباطات بی‌سیم را که از اوایل دهه ۲۰۰۰ میلادی بی‌پاسخ مانده بود، حل کند. چالش اصلی، چگونگی بازیابی دقیق یک پیام از میان سیگنال‌های نویزدار و تداخل‌های شدید بود.

‏در این همکاری علمی، مدل‌های زبانی نقش محوری داشتند:
‏• مدل GPT-5.6 توانست در ۳۰ دقیقه یک اثبات اولیه ارائه دهد.
‏• مدل Claude Fable 5 رویکرد متفاوتی پیشنهاد کرد و از همکاری این دو مدل برای اصلاح و ساده‌سازی فرمول‌ها استفاده شد.

‏راهکار نهایی بر یک ایده ساده استوار است: حدس اولیه بر اساس سیگنال نویزدار و انجام اصلاحات کوچک و متوالی تا رسیدن به پیام اصلی. این روش نوین بدون هزینه‌های محاسباتی سنگین، به همان دقت روش‌های بهینه نظری دست می‌یابد. هوش مصنوعی شاخه جدیدی از ریاضیات نساخت، بلکه ایده پنهانی را کشف کرد که انسان‌ها ۲۵ سال متوجه آن نشده بودند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏🌐 تحولی در توسعه هوش مصنوعی: معرفی استاندارد Agent Plugins

‏شرکت‌های بزرگ تکنولوژی از جمله Vercel، OpenAI و Microsoft با همکاری یکدیگر، یک استاندارد واحد برای بسته‌بندی پلاگین‌های هوش مصنوعی معرفی کرده‌اند.

‏تا پیش از این، توسعه‌دهندگان مجبور بودند ساختار فایل‌ها و تنظیمات MCP-server خود را برای هر پلتفرم به‌طور جداگانه تغییر دهند. با استفاده از این فرمت باز جدید، تنها کافی است پلاگین خود را طبق این ساختار مشخص ایجاد کنید تا توسط تمامی پلتفرم‌های سازگار، به‌طور مستقیم شناسایی و بارگذاری شود.

‏مهم‌ترین پلتفرم‌هایی که در حال حاضر از این استاندارد پشتیبانی می‌کنند:
‏* ChatGPT
‏* GitHub Copilot
‏* Cursor
‏* VS Code
‏* Codex

‏نسخه 1.0.0 این استاندارد که در گیت‌هاب منتشر شده، فعلاً بر روی کامپوننت‌های پایه نظیر Agent Skills و سرورهای MCP تمرکز دارد. این گام بزرگی برای افزایش یکپارچگی و کاهش پیچیدگی در توسعه اکوسیستم AI Agents محسوب می‌شود.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Agent_Plugins #MCP_servers

‏🚀 جهش هوش مصنوعی با ابزارهای چندوجهی Qwen

‏تیم Qwen به تازگی لایه جدیدی از ابزارهای چندوجهی (Multimodal Tools) را برای AI Agents معرفی کرده است. ایمهم‌ترین اصولی این است که قابلیت‌های بصری و شنیداری به‌جای اینکه بخشی از بدمهم‌ترین اصولی مدل باشند، به صورت مجموعه‌ای از «افزونه‌ها» در اختیار عامل قرار بگیرند.

‏این رویکرد به عامل‌های هوش مصنوعی (مانند مدل‌های فعال در Claude Code یا سایر محیط‌های برنامه‌نویسی) اجازه می‌دهد تا در یک گردش‌کار پیچیده، به‌طور مستقل ابزار مورد نیاز خود را شناسایی و فراخوانی کنند.

‏مهم‌ترین قابلیت‌های ارائه شده در این مخزن گیت‌هاب عبارتند از:

‏- تشخیص و خواندن تصاویر و ویدئوها
‏- انجام عملیات OCR و استخراج متن
‏- قابلیت Object Grounding و بخش‌بندی (Segmentation)
‏- تبدیل گفتار به متن (Speech Transcription)
‏- ابزارهای ویرایش و برش محتوا

‏با این ساختار، به‌جای اتکای مطلق به یک مدل چندوجهی بزرگ، عامل می‌تواند با زنجیره‌ای از ابزارهای تخصصی، از خواندن تصویر گرفته تا تحلیل ویدئو و استخراج دقیق داده‌ها، خروجی‌های بسیار دقیق‌تری تولید کند.📊 Data➕Science

‏🚀 آینده هوش مصنوعی در ارکستراسیون مدل‌ها

‏شرکت Sakana AI گام مهمی در تکامل سیستم‌های چندعاملی (Multi-Agent) برداشته است. آن‌ها با معرفی Sakana Fugu، سیستمی را طراحی کرده‌اند که به جای اتکا به یک مدل واحد، مانند یک «مدل مجازی» یکپارچه عمل می‌کند.

‏در این معماری، یک مدل رهبر (Conductor) وظیفه مدیریت درخواست‌ها را بر عهده دارد و تصمیم می‌گیرد که هر بخش از پردازش به کدام مدل در استخر موجود سپرده شود. مهم‌ترین ویژگی‌های این رویکرد عبارتند از:

‏- انتخاب هوشمند مدل برای هر تسک.
‏- شکستن وظایف پیچیده به زیرمسئله‌های کوچک‌تر.
‏- ترکیب پاسخ‌ها برای رسیدن به خروجی نهایی.
‏- بهینه‌سازی هزینه‌ها بدون افت کیفیت.

‏نکته کلیدی اینجاست که در این سیستم، وابستگی به یک مدل خاص نظیر GPT یا Claude از بین می‌رود و می‌توانید مدل‌های داخل استخر را به راحتی جایگزین کنید. در نسخه جدید، Sakana از مدل متن‌باز Gemma 4 برای نقش رهبر استفاده کرده که هم کارایی بالایی دارد و هم هزینه‌ها را کاهش داده است.

‏ارزش اصلی در دنیای هوش مصنوعی به تدریج از «قوی‌ترین مدل» به «بهترین سیستم برای ترکیب مدل‌ها» تغییر مسیر می‌دهد.📊 Data➕Science

‏🚀 رونمایی از Muse Glimmer توسط متا

‏متا بالاخره پس از ماه‌ها انتظار، مدل جدید Muse Glimmer-30B را منتشر کرد. این مدل مالتی‌مودال که از معماری Dense بهره می‌برد، در بنچمارک‌های مختلف موفق شده است رقبای قدرتمندی مانند Qwen 2.5-72B و Gemma 4-31B را در بسیاری از شاخص‌های کلیدی پشت سر بگذارد.

‏نکته قابل توجه درباره این انتشار، بهینه‌سازی بالای آن برای کارت‌های گرافیک مصرفی است. با استفاده از نسخه‌های کوانتیزه‌شده رسمی، مدل به راحتی روی ۲۴ گیگابایت VRAM اجرا می‌شود و به کمک مدل Draft، سرعت خیره‌کننده ۲۳۰ توکن در ثانیه را روی کارت گرافیک 5090 تجربه خواهید کرد. البته لازم به ذکر است که محدودیت پنجره متنی (Context Window) این مدل روی ۱۳۱ هزار توکن تنظیم شده است.

‏مهم‌ترین منابع برای دسترسی به این مدل:
‏* وزن‌های اصلی مدل (Hugging Face)
‏* نسخه‌های کوانتیزه رسمی (GGUF)

‏در بررسی توانمندی‌ها، Muse Glimmer در حوزه‌های «کدنویسی عاملی» و «استدلال عمومی» عملکرد درخشانی داشته و در بنچمارک‌های تخصصی مانند SWE-Bench Pro و AA-LCR جایگاه رقابتی بسیار بالایی را به خود اختصاص داده است.📊 Data➕Science

‏🚀 هوش مصنوعی و تغییر پارادایم مهارت‌ها

‏مسیر رسیدن به تخصص در دنیای کار به سرعت در حال دگرگونی است. با پیشرفت ابزارهای هوش مصنوعی و واگذاری کارهای روتین به ماشین‌ها، سازمان‌ها اکنون اولویت خود را بر مهارت‌هایی متمرکز کرده‌اند که مختص به انسان است.

‏بر اساس تحلیل‌های McKinsey، تمرکز اصلی بر تقویت توانمندی‌های انسانی و انطباق‌پذیری است. سازمان‌های پیشرو در حال بازنگری در سیستم‌های آموزشی و کوچینگ خود هستند تا کارکنان را برای چالش‌های نوظهور آماده کنند.

‏مهم‌ترین مهارت‌های مورد نیاز برای سال‌های ۲۰۲۵ و ۲۰۲۶ عبارتند از:

‏* حل مسئله (Problem-solving)
‏* تاب‌آوری و انعطاف‌پذیری (Resilience)
‏* سواد دیجیتال (Digital literacy)

‏در این عصر جدید، ترکیب خلاقیت انسانی با قدرت محاسباتی هوش مصنوعی، عامل تمایز حرفه‌ای‌ها خواهد بود. برای موفقیت در این فضای رقابتی، یادگیری مستمر و تمرکز بر مهارت‌های نرم، بیش از هر زمان دیگری حیاتی است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#McKinsey #تاب

‏🚀 کاهش شکاف بین مدل‌های هوش مصنوعی

‏فاصله عملکردی میان مدل‌های اختصاصی (Proprietary) و متن‌باز (Open Source) به کمترین حد خود رسیده است.

‏طبق نتایج تازه در Code Arena: WebDev، فاصله رقابتی این دو گروه از حدود ۱۵۰ امتیاز در اواخر سال ۲۰۲۵، اکنون به تنها ۱۰ امتیاز کاهش یافته است. این پیشرفت خیره‌کننده نشان می‌دهد که مدل‌های متن‌باز با سرعت بسیار بالایی در حال نزدیک شدن به پرچمداران این حوزه هستند.

‏منتظر انتشار وزن‌های مدل Muse Spark 1.2 و تاثیر آن در کنار مدل‌های قدرتمندی مثل Glimmer بر بنچمارک‌های آینده هستیم. شما می‌توانید جزئیات بیشتر و وضعیت رتبه‌بندی مدل‌ها را در وب‌سایت Arena مشاهده کنید.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Code_Arena #Muse_Spark

‏🌐 دستیار هوشمند در مرورگر Aside

‏مرورگر Aside یک مرورگر مبتنی بر هوش مصنوعی است که دستیار آن مستقیماً درون وب‌سایت‌ها فعالیت می‌کند. این دستیار هوشمند می‌تواند وارد حساب‌های کاربری فعال شما شده و فرآیندهای چندمرحله‌ای و پیچیده را درون خود صفحات وب انجام دهد.

‏در به‌روزرسانی جدید این مرورگر، سرعت اجرای کارها نسبت به نسخه گذشته تقریباً دو برابر شده و کارایی آن به مرورگر گوگل کروم نزدیک شده است تا تجربه کاربری روان‌تر و سریع‌تری را ارائه دهد.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Aside_Browser #فرآیندهای_چندمرحله

‏📉 چرا نتایج مدل در دنیای واقعی با تست‌ها فرق دارد؟

‏بسیاری از متخصصان داده با یک پارادوکس مواجه هستند: مدل در محیط آزمایشگاه (Notebook) عملکرد خیره‌کننده‌ای دارد، اما در محیط Production خروجی‌های متفاوتی تولید می‌کند. مشکل کجاست؟

‏در بیشتر مواقع، کدی که ارزیابی (Eval) می‌شود با کدی که در سرور اجرا می‌گردد، تنها در نام مشترک هستند. دلایل اصلی این شکاف:

‏* تفاوت داده‌ها: تست‌ها با داده‌های تمیز و آماده (Fixtures) کار می‌کنند، اما در محیط واقعی با داده‌های ناقص و نویزدار سروکار دارید.
‏* تفاوت محیط اجرا: محیط ارزیابی فرض می‌کند هر درخواست با موفقیت پاسخ داده می‌شود، در حالی که Production با محدودیت‌هایی مثل Timeout، نرخ محدود (Rate Limit) و تلاش‌های مجدد درگیر است.
‏* عدم هماهنگی تغییرات: اغلب اوقات، تغییرات اعمال شده در سیستم اصلی، در اسکریپت‌های ارزیابی لحاظ نمی‌شود و برعکس.

‏راهکار چیست؟
‏قانون طلایی این است: «دقیقاً همان کد آزمایش‌شده را منتشر کنید». تلاش کنید محیط ارزیابی را تا حد امکان به چالش‌های دنیای واقعی نزدیک کنید.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏🚀 رقابت نفس‌گیر در دنیای مدل‌های هوش مصنوعی

‏اریک اشمیت، مدیرعامل سابق گوگل، به تازگی درباره هزینه‌های سرسام‌آور و چرخه عمر کوتاه مدل‌های پیشرفته هوش مصنوعی (Frontier AI) هشدار داده است.

‏طبق گفته‌های او، هزینه ساخت هر مدل بین ۲۰۰ تا ۵۰۰ میلیون دلار است و جالب اینکه عمر مفید این مدل‌ها در بازار رقابتی امروز، تنها حدود ۶ ماه تخمین زده می‌شود. رقابت میان غول‌های فناوری به قدری فشرده است که برتری فنی این مدل‌ها با مقیاس هفته اندازه‌گیری می‌شود.

‏اما این همه ماجرا نیست. مهم‌ترین چالش‌های این مسیر عبارتند از:

‏* هزینه توسعه زیرساخت: سرمایه‌گذاری سنگین برای رسیدن به نسل بعدی مدل‌ها با تکیه بر Scaling Laws که فعلاً متوقف نشده است.
‏* هزینه بازبینی فنی: با هر به‌روزرسانی مدل، فرآیندهای تست و ارزیابی مجدداً باید انجام شوند؛ زیرا استانداردهای تأیید نسخه قبلی برای مدل جدید معتبر نیستند.
‏* چالش استانداردسازی: شرکت‌هایی که یک مدل پیشرفته را به عنوان هسته اصلی خود انتخاب می‌کنند، باید خود را برای تکرار فرآیند ارزیابی در هر ۶ ماه آماده کنند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏🚀 دوره‌های رایگان هوش مصنوعی Anthropic

‏شرکت Anthropic به‌تازگی ۱۳ دوره آموزشی تخصصی و رایگان را در آکادمی خود منتشر کرده است. این دوره‌ها طیف گسترده‌ای از مباحث، از مفاهیم پایه تا پیاده‌سازی‌های حرفه‌ای را پوشش می‌دهند و برای کاربران عمومی، توسعه‌دهندگان و متخصصان کسب‌وکار طراحی شده‌اند.

‏مهم‌ترین دوره‌های این مجموعه عبارتند از:

‏• Claude 101: شروع کار با مدل‌های کلاد
‏• AI Fluency: مبانی و چارچوب‌های هوش مصنوعی
‏• Claude API: آموزش کار با APIها برای توسعه نرم‌افزار
‏• Model Context Protocol: آشنایی با پروتکل MCP
‏• Claude Code: پیاده‌سازی عملی و کاربردی کدنویسی با هوش مصنوعی

‏این محتواها فرصتی عالی برای ارتقای دانش در اکوسیستم مدل‌های کلاد و ابزارهای مرتبط با آن است. پیشنهاد می‌کنیم برای مشاهده لیست کامل دوره‌ها به وب‌سایت آموزشی Anthropic مراجعه کنید.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Claude #Model_Context_Protocol

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #82 | 📌 8 آیتم گزارش | 🧾 از 11 پست بررسی‌شده
🕐 دوشنبه 1405/05/19 ساعت 14:00 تا سه‌شنبه 1405/05/20 ساعت 14:00

🤖 نوآوری‌های مدل‌های هوش مصنوعی

شرکت Sakana AI نسخه ارتقایافته مدل Fugu-Ultra v1.1 را منتشر کرد که با بهره‌گیری از مدل‌های پیشرو، بهبود عملکرد قابل‌توجهی را در تمامی بنچمارک‌های استاندارد به ثبت رسانده است.
🔗 مشاهده پست

متا مدل مالتی‌مودال جدید Muse Glimmer-30B را با معماری Dense منتشر کرد که در شاخص‌های کلیدی از رقبای قدرتمندی مانند Qwen و Gemma پیشی گرفته و برای کارت‌های گرافیک مصرفی بهینه شده است.
🔗 مشاهده پست

تیم Qwen لایه جدیدی از ابزارهای چندوجهی را برای عامل‌های هوش مصنوعی معرفی کرد که قابلیت‌های بصری و شنیداری را به‌صورت افزونه در اختیار مدل قرار می‌دهد تا گردش‌کارهای پیچیده را مدیریت کنند.
🔗 مشاهده پست

🌐 استانداردها و توسعه نرم‌افزار

مایکروسافت، اوپن‌ای‌آی و ورسل با معرفی یک استاندارد واحد برای پلاگین‌های هوش مصنوعی، نیاز به تغییر تنظیمات برای هر پلتفرم را حذف کرده و امکان اجرای مستقیم پلاگین‌ها در پلتفرم‌های سازگار را فراهم کردند.
🔗 مشاهده پست

فاصله عملکردی مدل‌های متن‌باز و اختصاصی در حوزه برنامه‌نویسی به حداقل رسیده و طبق نتایج Code Arena، این اختلاف به تنها ۱۰ امتیاز کاهش یافته که نشان‌دهنده رشد سریع مدل‌های متن‌باز است.
🔗 مشاهده پست

مرورگر هوشمند Aside با به‌روزرسانی جدید، سرعت اجرای فرآیندهای پیچیده در وب‌سایت‌ها را دو برابر کرده و تجربه کاربری خود را به سطح مرورگر کروم نزدیک کرده است.
🔗 مشاهده پست

📈 تحلیل بازار و آموزش

اریک اشمیت نسبت به هزینه‌های ساخت ۵۰۰ میلیون دلاری مدل‌های پیشرفته و چرخه عمر کوتاه ۶ ماهه آن‌ها در بازار رقابتی کنونی هشدار داد که نشان‌دهنده سرعت بالای تحولات این حوزه است.
🔗 مشاهده پست

شرکت Anthropic مجموعه‌ای شامل ۱۳ دوره آموزشی رایگان و تخصصی را در آکادمی خود منتشر کرد که طیف وسیعی از مباحث هوش مصنوعی را برای سطوح مختلف کاربران پوشش می‌دهد.
🔗 مشاهده پست

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

‏⚡️ بهینه‌سازی هوشمند پرس‌وجوهای SQL

‏اگر به دنبال راهی برای بهبود سرعت دیتابیس خود هستید، ابزار متن‌باز QueryTuner می‌تواند بدون نیاز به اتصال مستقیم به پایگاه داده، کدهای SQL شما را تحلیل و عیب‌یابی کند.

‏این ابزار از پنج دایالکت محبوب پشتیبانی می‌کند:
‏- PostgreSQL
‏- MySQL
‏- Oracle
‏- SQL Server
‏- SQLite

‏هسته اصلی این پروژه از دو بخش تشکیل شده است:
‏۱. موتور اکتشافی (Heuristic Engine): که بدون نیاز به هوش مصنوعی و تنها با بررسی الگوهای ضدبهینه، مشکلاتی مثل استفاده از SELECT *، توابع در شرط WHERE یا نبود ایندکس‌های ضروری را شناسایی می‌کند.
‏۲. لایه هوش مصنوعی: در صورت تمایل می‌توانید با اتصال مدل‌هایی مثل Qwen یا OpenAI، توضیحات متنی دقیق، پیشنهاد بازنویسی پرس‌وجو و راهنمایی برای ساخت ایندکس‌های بهینه دریافت کنید.

‏ویژگی بسیار کاربردی این ابزار، قابلیت دریافت DDL جداول است که باعث می‌شود پیشنهادات ارائه شده کاملاً منطبق بر ساختار و ایندکس‌های فعلی دیتابیس شما باشد. این ابزار برای شناسایی گلوگاه‌های پنهانی که ممکن است در آینده عملکرد سیستم را مختل کنند، بسیار مفید است.📊 Data➕Science

‏🚀 معرفی Shepherd: گیت برای ایجنت‌های هوش مصنوعی

‏محققان استنفورد و نورث‌ایسترن ابزاری به نام Shepherd را معرفی کرده‌اند که مشکل بزرگ ایجنت‌های خودمختار در مدیریت وضعیت (State) را حل می‌کند. این ابزار با الهام از سیستم‌های کنترل نسخه، اجرای ایجنت را به ردپاهای قابل بازگشت تبدیل می‌کند.

‏مهم‌ترین قابلیت‌های Shepherd:
‏- ذخیره‌سازی همزمانِ فرآیند ایجنت و فایل‌سیستم
‏- تبدیل تغییرات محیطی و فراخوانی ابزارها به کامیت‌های تایپ‌شده
‏- قابلیت بازگشت به هر وضعیت قبلی (Rollback) و ادامه کار از همان نقطه
‏- امکان نظارت دقیق بر چندین ایجنت برای جلوگیری از تداخل در مخازن کد

‏استفاده از Shepherd می‌تواند عملکرد همکاری میان ایجنت‌های کدنویسی را بهبود بخشد، چرا که یک ناظر می‌تواند پیش از تخریب پروژه، اقدامات ناموفق را لغو کند. این پروژه در حال حاضر در مرحله آلفا قرار دارد و با نسخه‌های جدید پایتون سازگار است. برای مطالعه جزئیات فنی و دسترسی به مستندات، می‌توانید مقاله این پروژه با شناسه 2506.10913 را بررسی کنید.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Shepherd #ReversibleExecution

‏🇨🇳 شبیه‌سازی یک جامعه انسانی با ۱ میلیارد هوش مصنوعی

‏محققان چینی به تازگی سیستمی به نام Light Society را معرفی کرده‌اند که در آن یک میلیارد عامل هوش مصنوعی با شخصیت، حافظه و باورهای منحصر‌به‌فرد در یک محیط مجازی تعامل می‌کنند. این پروژه به جای استفاده از یک مدل غول‌آسا برای کل جمعیت، ترکیبی از LLMهای قدرتمند و مدل‌های کوچک‌تر و بهینه را به کار گرفته است.

‏در این شبیه‌سازی، به عامل‌ها داده‌های دموگرافیک واقعی داده شد تا رفتارهایی مانند اعتماد، شکل‌گیری نظرات و نحوه انتشار اطلاعات در آن‌ها ارزیابی شود. نتایج به‌دست‌آمده شباهت شگفت‌انگیزی به رفتارهای اجتماعی واقعی انسان‌ها دارد.

‏از این مدل می‌توان برای تحلیل و پیش‌بینی سناریوهای پیچیده استفاده کرد که مهم‌ترین آن‌ها عبارتند از:

‏- برگزاری انتخابات و بررسی تغییرات افکار عمومی
‏- پیش‌بینی رفتارهای هیجانی در بازار و واکنش به بحران‌ها
‏- مطالعه روند انتشار اخبار جعلی و تحلیل ترندهای جهانی

‏جزئیات کامل این دستاورد در مقاله مرجع منتشر شده است. اگرچه هنوز تا پیش‌بینی دقیق آینده فاصله داریم، اما این گام بزرگی در جهت مدل‌سازی دیجیتال جوامع بشری محسوب می‌شود.

‏👥 شبیه‌سازی میلیاردها کاربر مجازی با MatrAIx

‏پلتفرم MatrAIx یک زیرساخت پیشرفته و انقلابی در حوزه هوش مصنوعی است که به جای استفاده از گروه‌های تمرکز محدود انسانی، امکان شبیه‌سازی و اجرای آزمایش روی میلیاردها کاربر مجازی با شخصیت‌ها، عادات و ترجیحات گوناگون را فراهم می‌کند. این پروژه گامی بزرگ به سمت شبیه‌سازی‌های دیجیتال در مقیاس کلان از رفتار واقعی انسان‌ها به شمار می‌رود.

‏بخش‌های اصلی این زیرساخت عبارتند از:

‏• وجود ۸.۳ میلیارد پروفایل شخصیتی (Persona) منحصربه‌فرد
‏• در نظر گرفتن ۱,۲۹۰ ویژگی رفتاری مجزا برای هر کاربر مجازی
‏• تعریف ۱,۰۱۰ تسک عملیاتی در بیش از ۲۵ حوزه مختلف (از توسعه نرم‌افزار و تجارت الکترونیک تا مالی و پزشکی)
‏• پشتیبانی از ۴ محیط تعاملی شامل نظرسنجی‌ها، چت‌بات‌ها، وب‌سایت‌ها و اپلیکیشن‌ها
‏• دسترسی آزاد به حدود ۱ میلیون شخصیت فیلترشده برای تحقیقات علمی

‏پژوهشگران این پروژه ۱۸,۱۸۹ آزمایش تجربی انجام داده‌اند که در آن‌ها رفتار شخصیت‌ها توسط مدل‌های زبانی بزرگی همچون GPT و Claude هدایت می‌شد. نتایج نشان داد که در ۹۱.۵ درصد موارد، عملکرد کاربران مجازی کاملاً با ویژگی‌های شخصیتی تعریف‌شده برای آن‌ها همخوانی دارد.

‏ایده پشت این پلتفرم بسیار کاربردی است؛ قبل از عرضه نهایی هر محصول، می‌توانید بازخورد میلیون‌ها کاربر فرضی را نسبت به تغییرات قیمت، کُندی سیستم، پاسخ‌های نامناسب دستیار هوشمند یا طراحی جدید رابط کاربری بسنجید.

‏جزئیات کامل این پروژه در مقاله پژوهشی MatrAIx قابل دسترسی است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#MatrAIx #شبیه

‏🔍 نشان‌گذاری محتوای هوش مصنوعی توسط Anthropic

‏شرکت Anthropic به‌تازگی اعلام کرده است که در راستای پایبندی به قوانین اتحادیه اروپا (AI Act)، سیستم جدیدی را برای واترمارک کردن متون تولیدشده توسط مدل‌های Claude پیاده‌سازی می‌کند. این قابلیت که در مستندات رسمی Claude تشریح شده، به دنبال شفاف‌سازی منشأ محتوای هوش مصنوعی است.

‏نکات کلیدی این تغییر به شرح زیر است:

‏* پیاده‌سازی جهانی: اگرچه این قانون مربوط به اتحادیه اروپا است، اما Anthropic تصمیم گرفته این نشان‌گذاری را به صورت جهانی اعمال کند.
‏* محدودیت مدل‌ها: در حال حاضر این ویژگی فقط برای مدل‌های جدید فعال است و مدل‌های قدیمی‌تر در یک بازه گذار قرار دارند.
‏* نحوه عملکرد: مدل با استفاده از یک کلید مخفی، توزیع انتخاب توکن‌ها را به‌گونه‌ای تغییر می‌دهد که یک الگوی آماری نامرئی در متن ایجاد شود.
‏* شکنندگی واترمارک: ویرایش متن یا ترکیب آن با محتوای دیگر، الگوهای آماری را از بین برده و امکان تشخیص توسط دتکتورها را از میان می‌برد.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Anthropic #Claude

‏📈 تغییر سهم بازار در عصر هوش مصنوعی

‏از زمان عرضه عمومی ChatGPT در نوامبر ۲۰۲۲، دنیای فناوری و سهم بازیگران بازار دچار تحولات بنیادینی شده است. هوش مصنوعی مولد دیگر تنها یک حوزه تحقیقاتی نیست، بلکه به موتور محرک رشد غول‌های تکنولوژی تبدیل شده است.

‏بررسی‌ها نشان می‌دهد که چگونه شرکت‌های بزرگ با بهره‌گیری از مدل‌های زبانی کلان و ادغام آن‌ها در محصولاتشان، موازنه قدرت را تغییر داده‌اند. مهم‌ترین نکات این تغییرات به شرح زیر است:

‏* افزایش چشمگیر ارزش بازار شرکت‌هایی که زیرساخت‌های پردازشی مانند GPUها را تأمین می‌کنند.
‏* سرمایه‌گذاری‌های سنگین مایکروسافت روی OpenAI و ادغام هوش مصنوعی در پلتفرم‌های سازمانی.
‏* تلاش فشرده گوگل برای حفظ جایگاه جست‌وجو با معرفی مدل‌های Gemini و ابزارهای مشابه.
‏* رشد پلتفرم‌های متن‌باز نظیر PyTorch که بستر توسعه سریع مدل‌های پیشرفته را فراهم کرده‌اند.

‏این روند نشان می‌دهد که رقابت در بازار آینده نه بر سر صرفِ داشتن ابزار، بلکه بر سر سرعتِ پیاده‌سازی و مقیاس‌پذیری زیرساخت‌های هوشمند است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#ChatGPT #Gemini

‏🛡 دسترسی به مدل‌های بدون فیلتر OpenAI برای امنیت سایبری

‏شرکت OpenAI در راستای تقویت امنیت سایبری، برنامه Daybreak خود را برای متخصصان این حوزه گسترش داده است. این برنامه اکنون شامل دو سطح دسترسی ویژه برای تحلیل تهدیدات و شناسایی آسیب‌پذیری‌هاست:

‏• سطح Blue: دسترسی به مدل GPT-5.6 Sol با فیلترهای سیستم حذف‌شده که برای بررسی کد و تحلیل بدافزارها بهینه شده است.

‏• سطح Red: دسترسی به مدل تخصصی GPT-5.6-Cyber که برای تست نفوذ، ایجاد زنجیره‌های اکسپلویت و بررسی روش‌های افزایش دسترسی آموزش دیده است.

‏این مدل‌ها در شرایط عملیاتی توانسته‌اند یک آسیب‌پذیری حساس Zero-day را در موتور V8 گوگل کروم شناسایی کنند و صدها باگ امنیتی را در هسته سیستم‌عامل‌ها و پایگاه‌های داده کشف کنند.

‏دسترسی به این ابزارها تنها برای مشتریان سازمانی تاییدشده فراهم است و تمامی فرایندهای حساس در این پلتفرم باید از طریق لایه‌های احراز هویت سخت‌افزاری و تایید انسانی در حالت Auto-review صورت گیرد.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#GPT_5_6_Cyber #Zero_day