هوش مصنوعی و علم داده به فارسی
🚀 درخشش مدل جدید GLM در دنیای کدنویسی مدل جدید GLM-5.3-Flash با ورود به عرصه رقابت، توانسته است رتبه پنجم در Code Arena بخش WebDev را کسب کند و به عنوان دومین مدل متنباز قدرتمند خود را مطرح کند. نکته قابل توجه درباره این مدل، بازدهی بالای آن در مقایسه…
🚀 معرفی مدل GLM-5.3-Flash با ظرفیت پردازش ۱ میلیون توکن
شرکت Z.ai از مدل جدید خود با نام GLM-5.3-Flash رونمایی کرد. این مدل یک سیستم Multimodal MoE با ۳۲۰ میلیارد پارامتر است که در هر توکن، ۱۸ میلیارد پارامتر را فعال میکند. این معماری بهینه باعث شده تا با وجود ابعاد بزرگ، هزینه سرویسدهی آن بسیار اقتصادی باشد.
مهمترین ویژگیها و نتایج این مدل:
• استفاده از استک توجه هیبریدی شامل KDA linear و NoPE sparse MLA که منجر به کاهش ۳ برابری محاسبات توجه و کاهش ۴.۴ برابری KV cache شده است.
• پشتیبانی واقعی از Context Window یک میلیون توکنی.
• کسب امتیاز ۸۴.۳ در بنچمارک Terminal-Bench 2.1 و ۶۳.۴ در DeepSWE v1.1.
بر اساس ارزیابی مستقل Artificial Analysis، این مدل در شاخص هوش نمره ۵۷ را کسب کرده و سرعت تولید توکن آن حدود ۴۹ توکن در ثانیه است که تعادل مناسبی بین کارایی و هزینه ایجاد میکند.
شما میتوانید جزئیات کامل فنی را در تحلیل کامل مطالعه کرده و وزنهای مدل را از Hugging Face دریافت کنید.
📊 Data➕Science
شرکت Z.ai از مدل جدید خود با نام GLM-5.3-Flash رونمایی کرد. این مدل یک سیستم Multimodal MoE با ۳۲۰ میلیارد پارامتر است که در هر توکن، ۱۸ میلیارد پارامتر را فعال میکند. این معماری بهینه باعث شده تا با وجود ابعاد بزرگ، هزینه سرویسدهی آن بسیار اقتصادی باشد.
مهمترین ویژگیها و نتایج این مدل:
• استفاده از استک توجه هیبریدی شامل KDA linear و NoPE sparse MLA که منجر به کاهش ۳ برابری محاسبات توجه و کاهش ۴.۴ برابری KV cache شده است.
• پشتیبانی واقعی از Context Window یک میلیون توکنی.
• کسب امتیاز ۸۴.۳ در بنچمارک Terminal-Bench 2.1 و ۶۳.۴ در DeepSWE v1.1.
بر اساس ارزیابی مستقل Artificial Analysis، این مدل در شاخص هوش نمره ۵۷ را کسب کرده و سرعت تولید توکن آن حدود ۴۹ توکن در ثانیه است که تعادل مناسبی بین کارایی و هزینه ایجاد میکند.
شما میتوانید جزئیات کامل فنی را در تحلیل کامل مطالعه کرده و وزنهای مدل را از Hugging Face دریافت کنید.
📊 Data➕Science
❤1
💡 دسترسی محققان به دادههای واقعی Claude
شرکت Anthropic در اقدامی پیشگامانه، دسترسی محققان مستقل را به دادههای واقعی استفاده از مدل Claude فراهم کرده است. پیش از این، تحلیل تعاملات کاربران با هوش مصنوعی صرفاً در انحصار آزمایشگاههای داخلی بود، اما اکنون این دادههای محافظتشده و تجمیعشده در اختیار دنیای آکادمیک قرار گرفته است. گزارش کامل دادههای اصلی، زمینه تحلیل و نکات تکمیلی را یکجا پوشش میدهد.
در مرحله آزمایشی این طرح، دانشگاههای معتبری مشارکت دارند:
• دانشگاه استنفورد (Stanford)
• دانشگاه آکسفورد (Oxford)
• موسسه METR
نتایج اولیه استنفورد نشان میدهد که بیش از نیمی از گفتگوهای بررسیشده، مربوط به وظایف حساس و کلیدی است که نتایج آنها تأثیر مستقیم بر زندگی افراد داشته یا غیرقابل بازگشت هستند.
Anthropic قصد دارد دامنه این برنامه را گسترش دهد تا محققان بیشتری بتوانند فرآیند توسعه و تعامل با هوش مصنوعی را به صورت علمی تحلیل کنند. جزئیات بیشتر این طرح را میتوانید در وبسایت تحقیقاتی Anthropic مطالعه کنید.
شرکت Anthropic در اقدامی پیشگامانه، دسترسی محققان مستقل را به دادههای واقعی استفاده از مدل Claude فراهم کرده است. پیش از این، تحلیل تعاملات کاربران با هوش مصنوعی صرفاً در انحصار آزمایشگاههای داخلی بود، اما اکنون این دادههای محافظتشده و تجمیعشده در اختیار دنیای آکادمیک قرار گرفته است. گزارش کامل دادههای اصلی، زمینه تحلیل و نکات تکمیلی را یکجا پوشش میدهد.
در مرحله آزمایشی این طرح، دانشگاههای معتبری مشارکت دارند:
• دانشگاه استنفورد (Stanford)
• دانشگاه آکسفورد (Oxford)
• موسسه METR
نتایج اولیه استنفورد نشان میدهد که بیش از نیمی از گفتگوهای بررسیشده، مربوط به وظایف حساس و کلیدی است که نتایج آنها تأثیر مستقیم بر زندگی افراد داشته یا غیرقابل بازگشت هستند.
Anthropic قصد دارد دامنه این برنامه را گسترش دهد تا محققان بیشتری بتوانند فرآیند توسعه و تعامل با هوش مصنوعی را به صورت علمی تحلیل کنند. جزئیات بیشتر این طرح را میتوانید در وبسایت تحقیقاتی Anthropic مطالعه کنید.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
❤1
🩺 معرفی GlucoFM؛ هوش مصنوعی جدید گوگل برای پایش قند خون
گوگل از مدل پایه جدیدی به نام GlucoFM رونمایی کرده که برای تحلیل دادههای «پایش مداوم گلوکز» (CGM) توسعه یافته است. این مدل با آموزش بر روی بیش از ۱۰۹ هزار ساعت داده سنسور، قادر است تغییرات کند و نوسانات سریع قند خون را با دقت بسیار بالا تفکیک و تحلیل کند. برای مرور دقیقتر ارقام و یافتهها، تحلیل کامل گزارش جزئیات بیشتری ارائه میکند.
معماری این مدل بر پایه یادگیری نوع JEPA است و با استفاده از فیلترهای گوسی علّی، جریان دادهها را به دو بخش روندهای کلی و رویدادهای کوتاهمدت تقسیم میکند. مهمترین ویژگیهای عملکردی این مدل عبارتند از:
* عملکرد برتر در ارزیابی ریسک دیابت و مقاومت به انسولین.
* دقت بالا در پیشبینی پاسخ قند خون پس از صرف غذا (Postprandial).
* قابلیت تعمیمپذیری بالا حتی با دادههای پزشکی محدود (Few-shot learning).
* کسب کمترین میزان خطا (MAE) در مقایسه با مدلهای مشابه مانند GluFormer و CGM-JEPA.
#GlucoFM #CGM
گوگل از مدل پایه جدیدی به نام GlucoFM رونمایی کرده که برای تحلیل دادههای «پایش مداوم گلوکز» (CGM) توسعه یافته است. این مدل با آموزش بر روی بیش از ۱۰۹ هزار ساعت داده سنسور، قادر است تغییرات کند و نوسانات سریع قند خون را با دقت بسیار بالا تفکیک و تحلیل کند. برای مرور دقیقتر ارقام و یافتهها، تحلیل کامل گزارش جزئیات بیشتری ارائه میکند.
معماری این مدل بر پایه یادگیری نوع JEPA است و با استفاده از فیلترهای گوسی علّی، جریان دادهها را به دو بخش روندهای کلی و رویدادهای کوتاهمدت تقسیم میکند. مهمترین ویژگیهای عملکردی این مدل عبارتند از:
* عملکرد برتر در ارزیابی ریسک دیابت و مقاومت به انسولین.
* دقت بالا در پیشبینی پاسخ قند خون پس از صرف غذا (Postprandial).
* قابلیت تعمیمپذیری بالا حتی با دادههای پزشکی محدود (Few-shot learning).
* کسب کمترین میزان خطا (MAE) در مقایسه با مدلهای مشابه مانند GluFormer و CGM-JEPA.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#GlucoFM #CGM
@DataPlusScience_linkedin_7496240774397906944_01.pdf
10.4 MB
نقشه راه مهندسی هوش مصنوعی
اگر قصد دارید به صورت حرفهای وارد حوزه مهندسی هوش مصنوعی (AI Engineering) شوید، این منبع جامع یکی از بهترین نقشهراهها برای درک مفاهیم از صفر تا صد است. این کتاب تمامی مباحث کلیدی از نحوه عملکرد مدلهای زبانی (LLM) تا استقرار ایجنتهای هوشمند را پوشش میدهد. جزئیات معماری، قابلیتها و محدودیتهای فنی در بررسی فنی مدل با دقت بیشتری مرور شده است.
مهمترین محورهای آموزشی این کتاب:
* مبانی LLM: بررسی معماری ترنسفورمر، توکنایزیشن، کدگذاری موقعیتی (Positional Encoding) و استراتژیهای آموزش مدل از صفر.
* مهندسی پرامپت: تکنیکهای پیشرفته برای هدایت مدل و استفاده از
* مدلهای MoE: درک معماری Mixture of Experts، نقش Router در انتخاب متخصصها و چالشهای تعادل در آموزش.
* سیستمهای ایجنتی: پیادهسازی
* استراتژیهای تولید متن: بررسی دقیق روشهایی مانند
📊 Data➕Science
اگر قصد دارید به صورت حرفهای وارد حوزه مهندسی هوش مصنوعی (AI Engineering) شوید، این منبع جامع یکی از بهترین نقشهراهها برای درک مفاهیم از صفر تا صد است. این کتاب تمامی مباحث کلیدی از نحوه عملکرد مدلهای زبانی (LLM) تا استقرار ایجنتهای هوشمند را پوشش میدهد. جزئیات معماری، قابلیتها و محدودیتهای فنی در بررسی فنی مدل با دقت بیشتری مرور شده است.
مهمترین محورهای آموزشی این کتاب:
* مبانی LLM: بررسی معماری ترنسفورمر، توکنایزیشن، کدگذاری موقعیتی (Positional Encoding) و استراتژیهای آموزش مدل از صفر.
* مهندسی پرامپت: تکنیکهای پیشرفته برای هدایت مدل و استفاده از
Verbalized Sampling جهت افزایش تنوع و کیفیت پاسخها.* مدلهای MoE: درک معماری Mixture of Experts، نقش Router در انتخاب متخصصها و چالشهای تعادل در آموزش.
* سیستمهای ایجنتی: پیادهسازی
ReAct از صفر، الگوهای طراحی ایجنتیک، پروتکلهای ارتباطی MCP و استراتژیهای مقیاسپذیر برای استقرار ایجنتها.* استراتژیهای تولید متن: بررسی دقیق روشهایی مانند
Beam Search و Min-P Sampling برای کنترل خروجی مدل.📊 Data➕Science
🚀 آینده مشاغل در عصر هوش مصنوعی
هوش مصنوعی قرار نیست مهارتهای انسانی را حذف کند، بلکه شیوه استفاده از آنها را دگرگون میسازد. گزارش جدید نشان میدهد که کار در آینده، همکاری میان انسانها، عوامل هوشمند و رباتها خواهد بود. راهنمای عملی مسیر اجرا، نکات فنی و خطاهای رایج را منظمتر پوشش میدهد.
بسیاری از مهارتهای کلیدی همچنان حیاتی باقی میمانند، اما نحوه بهکارگیری آنها تغییر خواهد کرد. طبق Skill Change Index، مهمترین نکات درباره این تغییرات عبارتند از:
• افزایش تقاضا برای مهارتهای مذاکره، حل مسئله و رهبری.
• تأثیر بالای اتوماسیون بر مهارتهای دیجیتال و پردازش اطلاعات.
• پایداری بیشتر مهارتهای مرتبط با مراقبت و دستیاری انسانها.
• رشد هفتبرابری تقاضا برای «سواد هوش مصنوعی» در آگهیهای شغلی طی دو سال اخیر.
نکته کلیدی اینجاست که سازمانها باید به جای تغییر وظایف فردی، گردشهای کاری خود را حول محور همکاری انسان و ماشین بازطراحی کنند تا بهرهوری به حداکثر برسد. هوش مصنوعی بیش از آنکه تهدیدی برای شاغلان باشد، فرصتی برای تغییر ماهیت و کیفیت کارهای تخصصی است.
📊 Data➕Science
هوش مصنوعی قرار نیست مهارتهای انسانی را حذف کند، بلکه شیوه استفاده از آنها را دگرگون میسازد. گزارش جدید نشان میدهد که کار در آینده، همکاری میان انسانها، عوامل هوشمند و رباتها خواهد بود. راهنمای عملی مسیر اجرا، نکات فنی و خطاهای رایج را منظمتر پوشش میدهد.
بسیاری از مهارتهای کلیدی همچنان حیاتی باقی میمانند، اما نحوه بهکارگیری آنها تغییر خواهد کرد. طبق Skill Change Index، مهمترین نکات درباره این تغییرات عبارتند از:
• افزایش تقاضا برای مهارتهای مذاکره، حل مسئله و رهبری.
• تأثیر بالای اتوماسیون بر مهارتهای دیجیتال و پردازش اطلاعات.
• پایداری بیشتر مهارتهای مرتبط با مراقبت و دستیاری انسانها.
• رشد هفتبرابری تقاضا برای «سواد هوش مصنوعی» در آگهیهای شغلی طی دو سال اخیر.
نکته کلیدی اینجاست که سازمانها باید به جای تغییر وظایف فردی، گردشهای کاری خود را حول محور همکاری انسان و ماشین بازطراحی کنند تا بهرهوری به حداکثر برسد. هوش مصنوعی بیش از آنکه تهدیدی برای شاغلان باشد، فرصتی برای تغییر ماهیت و کیفیت کارهای تخصصی است.
📊 Data➕Science
@DataPlusScience_linkedin_7498492088901300227_01.pdf
6.5 MB
نگاهی دادهمحور به وضعیت هوش مصنوعی در ایران
بهتازگی گزارش جامع «شاخص هوش مصنوعی ایران ۱۴۰۴» با تلاش مرکز استراتژی و تحول هوش مصنوعی دانشگاه شریف و با مشارکت جابویژن منتشر شد. این گزارش تصویری دادهمحور از وضعیت دانش، زیرساخت، سرمایهگذاری و نیروی انسانی در کشور ارائه میدهد. دادهها، روش تحلیل و نکات کلیدی در نسخه کامل گزارش با جزئیات بیشتری آمده است.
یکی از نکات کلیدی این گزارش، بررسی شکاف میان عرضه و تقاضای نیروی انسانی است. دادهها نشان میدهند بازار کار هوش مصنوعی در ایران هنوز با ظرفیتهای واقعی این فناوری فاصله دارد و تمرکز آن عمدتاً بر شرکتهای فناوری در تهران است. برای ایجاد تقاضای پایدار، هوش مصنوعی باید از مرز شرکتهای محدود عبور کرده و به صنایع مادر مانند تولید، انرژی، سلامت و لجستیک نفوذ کند.
این گزارش برای تحلیل وضعیت، از پایگاههای داده معتبر جهانی و ملی استفاده کرده است که مهمترین آنها عبارتند از:
-
-
-
-
بهتازگی گزارش جامع «شاخص هوش مصنوعی ایران ۱۴۰۴» با تلاش مرکز استراتژی و تحول هوش مصنوعی دانشگاه شریف و با مشارکت جابویژن منتشر شد. این گزارش تصویری دادهمحور از وضعیت دانش، زیرساخت، سرمایهگذاری و نیروی انسانی در کشور ارائه میدهد. دادهها، روش تحلیل و نکات کلیدی در نسخه کامل گزارش با جزئیات بیشتری آمده است.
یکی از نکات کلیدی این گزارش، بررسی شکاف میان عرضه و تقاضای نیروی انسانی است. دادهها نشان میدهند بازار کار هوش مصنوعی در ایران هنوز با ظرفیتهای واقعی این فناوری فاصله دارد و تمرکز آن عمدتاً بر شرکتهای فناوری در تهران است. برای ایجاد تقاضای پایدار، هوش مصنوعی باید از مرز شرکتهای محدود عبور کرده و به صنایع مادر مانند تولید، انرژی، سلامت و لجستیک نفوذ کند.
این گزارش برای تحلیل وضعیت، از پایگاههای داده معتبر جهانی و ملی استفاده کرده است که مهمترین آنها عبارتند از:
-
Scopus برای تحلیل انتشارات و دانش-
GitHub برای بررسی پروژههای نرمافزاری-
Crunchbase برای پایش سرمایهگذاریها-
جابویژن برای تحلیل دادههای بازار کار و منابع انسانی