🏢 شرکت‌های برنده آینده: کوچک‌تر، چابک‌تر و با لایه‌های مدیریتی کمتر
توسعه ابزارهای هوش مصنوعی این ایده را تقویت کرده است که برندگان رقابت‌های تجاری در سه سال آینده، دیگر غول‌های سنتی با ساختارهای سازمانی پیچیده و چندلایه نخواهند بود.
با ورود هوش مصنوعی به فرایندهای کاری، پیش‌بینی می‌شود سازمان‌های کوچک‌تر و سریع‌تری که سلسله‌مراتب مدیریتی بسیار کمتری دارند، شانس بیشتری برای موفقیت داشته باشند. اتوماسیون وظایف، افزایش بهره‌وری فردی با کمک دستیارهای هوشمند و سرعت بالا در تصمیم‌گیری، از عوامل اصلی این تغییر ساختار هستند. در این شرایط، توانایی انطباق سریع با بازار جایگزین مزیت ناشی از بزرگ بودن ابعاد شرکت‌ها می‌شود.
#تحول_سازمانی #اتوماسیون_وظایف
توسعه ابزارهای هوش مصنوعی این ایده را تقویت کرده است که برندگان رقابت‌های تجاری در سه سال آینده، دیگر غول‌های سنتی با ساختارهای سازمانی پیچیده و چندلایه نخواهند بود.
با ورود هوش مصنوعی به فرایندهای کاری، پیش‌بینی می‌شود سازمان‌های کوچک‌تر و سریع‌تری که سلسله‌مراتب مدیریتی بسیار کمتری دارند، شانس بیشتری برای موفقیت داشته باشند. اتوماسیون وظایف، افزایش بهره‌وری فردی با کمک دستیارهای هوشمند و سرعت بالا در تصمیم‌گیری، از عوامل اصلی این تغییر ساختار هستند. در این شرایط، توانایی انطباق سریع با بازار جایگزین مزیت ناشی از بزرگ بودن ابعاد شرکت‌ها می‌شود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#تحول_سازمانی #اتوماسیون_وظایف
🚀 عرضه مدل Mistral Large 4 با ۱.۰۵ تریلیون پارامتر
شرکت Mistral AI مدل چندوجهی جدید خود با نام مستعار Le Chonk را در دسترس عموم قرار داد. این مدل MoE با ۱.۰۵ تریلیون پارامتر کل و ۴۹ میلیارد پارامتر فعال در هر توکن، از پنجره متنی ۱ میلیون توکنی پشتیبانی می‌کند و قابلیت دریافت مستقیم تصویر را دارد. این مدل با استفاده از ۳۸۰۰ پردازنده NVIDIA Grace Blackwell آموزش دیده است.
از نظر فنی، در هر توکن تنها ۴.۷ درصد از وزن‌های مدل فعال می‌شوند که باعث شده هزینه سرویس‌دهی برای ۱ میلیون توکن ورودی ۱.۳۶ دلار و خروجی ۴.۱۸ دلار باشد. با این حال، کل وزن‌های مدل باید در حافظه قرار بگیرد.
برخی نتایج ارزیابی مدل:
- امتیاز ۹۳ در Cybench و ۸۲ در CyberGym-E2E
- امتیاز ۶۱.۷ در DeepSWE v1.1
- قرارگیری در میان ۵ مدل برتر شاخص سایبر Artificial Analysis
جزئیات فنی کامل در سایت رسمی Mistral و تحلیل معماری آن در MarkTechPost قابل بررسی است. دسترسی به این مدل از طریق API با نام mistral-large-4 امکان‌پذیر شده است.
#Mistral_Large_4 #Grace_Blackwell
شرکت Mistral AI مدل چندوجهی جدید خود با نام مستعار Le Chonk را در دسترس عموم قرار داد. این مدل MoE با ۱.۰۵ تریلیون پارامتر کل و ۴۹ میلیارد پارامتر فعال در هر توکن، از پنجره متنی ۱ میلیون توکنی پشتیبانی می‌کند و قابلیت دریافت مستقیم تصویر را دارد. این مدل با استفاده از ۳۸۰۰ پردازنده NVIDIA Grace Blackwell آموزش دیده است.
از نظر فنی، در هر توکن تنها ۴.۷ درصد از وزن‌های مدل فعال می‌شوند که باعث شده هزینه سرویس‌دهی برای ۱ میلیون توکن ورودی ۱.۳۶ دلار و خروجی ۴.۱۸ دلار باشد. با این حال، کل وزن‌های مدل باید در حافظه قرار بگیرد.
برخی نتایج ارزیابی مدل:
- امتیاز ۹۳ در Cybench و ۸۲ در CyberGym-E2E
- امتیاز ۶۱.۷ در DeepSWE v1.1
- قرارگیری در میان ۵ مدل برتر شاخص سایبر Artificial Analysis
جزئیات فنی کامل در سایت رسمی Mistral و تحلیل معماری آن در MarkTechPost قابل بررسی است. دسترسی به این مدل از طریق API با نام mistral-large-4 امکان‌پذیر شده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Mistral_Large_4 #Grace_Blackwell
⚙️ انتشار کتابخانه Rebalancer توسط متا
متا ابزار Rebalancer را به صورت متن‌باز منتشر کرد. این سیستم طی ۹ سال گذشته مسئول تخصیص منابع در زیرساخت‌های این شرکت بوده و روزانه حدود ۴۰ میلیون مسئله تخصیص را در بیش از ۳۰ حوزه مختلف، از جای‌گذاری شاردها تا مسیریابی ترافیک جهانی، حل می‌کند.
نوآوری اصلی این ابزار در جدا کردن مشخصات مسئله از حل‌کننده (Solver) است. کاربر اشیا، مخازن، محدودیت‌ها و اهداف را تعریف می‌کند و سیستم آن را به یک گراف عبارتی تبدیل کرده و با استفاده از جستجوی محلی موازی یا حل‌کننده‌های MIP مانند Gurobi یا HiGHS حل می‌کند.
در مقیاس‌های بسیار بزرگ که مدل‌های MIP به دلیل پیچیدگی محاسباتی کارایی ندارند، متا از جستجوی محلی استفاده می‌کند که سرعت آن به میلیون‌ها حرکت در ثانیه می‌رسد. طبق داده‌های تولیدی، زمان حل برای ۲۶۵ هزار شیء در ۳.۲ هزار مخزن حدود ۱۲ ثانیه است و در مسائل بزرگتر با بیش از یک میلیون شیء، زمان میانگین به ۱۷۱ ثانیه می‌رسد.
جزئیات فنی بیشتر را می‌توانید در بلاگ مهندسی متا یا مقاله منتشر شده در OSDI 2024 مطالعه کنید.
🇮🇷 سایت | تلگرام
متا ابزار Rebalancer را به صورت متن‌باز منتشر کرد. این سیستم طی ۹ سال گذشته مسئول تخصیص منابع در زیرساخت‌های این شرکت بوده و روزانه حدود ۴۰ میلیون مسئله تخصیص را در بیش از ۳۰ حوزه مختلف، از جای‌گذاری شاردها تا مسیریابی ترافیک جهانی، حل می‌کند.
نوآوری اصلی این ابزار در جدا کردن مشخصات مسئله از حل‌کننده (Solver) است. کاربر اشیا، مخازن، محدودیت‌ها و اهداف را تعریف می‌کند و سیستم آن را به یک گراف عبارتی تبدیل کرده و با استفاده از جستجوی محلی موازی یا حل‌کننده‌های MIP مانند Gurobi یا HiGHS حل می‌کند.
در مقیاس‌های بسیار بزرگ که مدل‌های MIP به دلیل پیچیدگی محاسباتی کارایی ندارند، متا از جستجوی محلی استفاده می‌کند که سرعت آن به میلیون‌ها حرکت در ثانیه می‌رسد. طبق داده‌های تولیدی، زمان حل برای ۲۶۵ هزار شیء در ۳.۲ هزار مخزن حدود ۱۲ ثانیه است و در مسائل بزرگتر با بیش از یک میلیون شیء، زمان میانگین به ۱۷۱ ثانیه می‌رسد.
جزئیات فنی بیشتر را می‌توانید در بلاگ مهندسی متا یا مقاله منتشر شده در OSDI 2024 مطالعه کنید.
🇮🇷 سایت | تلگرام
❤1
طراحی سیستم‌های Agentic: تفاوت Loop و Graph
بسیاری از توسعه‌دهندگان، سیستم‌های مبتنی بر ایجنت (Agent) را با چرخه‌های تکرار (Loop) اشتباه می‌گیرند. در حالی که یک Loop برای بهبود کیفیت یک واحد کاری به کار می‌رود، Graph ساختار کلی پروژه، ترتیب اجرا و نحوه تعامل واحدها را مشخص می‌کند.
به جای نظارت دستی بر تک‌تک مراحل ایجنت، این اصول را در معماری سیستم خود لحاظ کنید:
* ساختار Loop: شامل چهار بخش تولید، بررسی (Check)، اصلاح و تکرار تا رسیدن به نتیجه مطلوب است. نکته کلیدی این است که «بررسی» باید پیش از هر چیز تعریف شود تا برنامه بتواند در صورت خطا، کار را متوقف کند.
* ساختار Graph: شامل گره‌ها (واحد کاری) و یال‌ها (وابستگی‌ها) است. اشتباه رایج، تبدیلِ توالیِ زمانی به وابستگی است. اگر گام بعدی به خروجی گام قبلی نیاز ندارد، نباید با آن زنجیره شود.
* بازگشت برای یادگیری: دو مسیر بازگشت وجود دارد؛ اصلاح (کوتاه) برای رفع خطای فعلی، و یادگیری (بلند) که نتیجه تأییدشده را به عنوان یک قید جدید به ابتدای سیستم می‌فرستد تا از تکرار همان خطا در آینده جلوگیری شود.
🇮🇷 سایت | تلگرام
بسیاری از توسعه‌دهندگان، سیستم‌های مبتنی بر ایجنت (Agent) را با چرخه‌های تکرار (Loop) اشتباه می‌گیرند. در حالی که یک Loop برای بهبود کیفیت یک واحد کاری به کار می‌رود، Graph ساختار کلی پروژه، ترتیب اجرا و نحوه تعامل واحدها را مشخص می‌کند.
به جای نظارت دستی بر تک‌تک مراحل ایجنت، این اصول را در معماری سیستم خود لحاظ کنید:
* ساختار Loop: شامل چهار بخش تولید، بررسی (Check)، اصلاح و تکرار تا رسیدن به نتیجه مطلوب است. نکته کلیدی این است که «بررسی» باید پیش از هر چیز تعریف شود تا برنامه بتواند در صورت خطا، کار را متوقف کند.
* ساختار Graph: شامل گره‌ها (واحد کاری) و یال‌ها (وابستگی‌ها) است. اشتباه رایج، تبدیلِ توالیِ زمانی به وابستگی است. اگر گام بعدی به خروجی گام قبلی نیاز ندارد، نباید با آن زنجیره شود.
* بازگشت برای یادگیری: دو مسیر بازگشت وجود دارد؛ اصلاح (کوتاه) برای رفع خطای فعلی، و یادگیری (بلند) که نتیجه تأییدشده را به عنوان یک قید جدید به ابتدای سیستم می‌فرستد تا از تکرار همان خطا در آینده جلوگیری شود.
🇮🇷 سایت | تلگرام
❤1
🔎 بهینه‌سازی مصرف حافظه در مدل‌های Looped
مدل‌های Looped LM با عبور دادن توکن‌ها از یک بلوک لایه‌های تکراری، عمق مدل را بدون افزایش تعداد پارامترها افزایش می‌دهند. مشکل اصلی این ساختار، مصرف بالای حافظه به دلیل انباشت
محققان با مشاهده اینکه وضعیت درونی مدل در تکرارهای نهایی تقریباً ثابت می‌ماند، روشی برای نگهداری فقط کلیدها و مقادیر نهایی ابداع کردند. نتایج این رویکرد به شرح زیر است:
* کاهش ۳ برابری نیاز به حافظه
* افزایش سرعت پردازش پرامپت (Prefill) تا ۱.۷۹ برابر.
* بهبود ۲ برابری در سرعت آموزش RL.
در مدل ۱.۶ میلیارد پارامتری، مدل Looped با ۴ بلوک، عملکردی در سطح مدل‌های ۵ میلیارد پارامتری معمولی نشان می‌دهد. برای بررسی جزئیات فنی و پیاده‌سازی، کد و چک‌پوینت‌ها در گیت‌هاب این پروژه و مقاله آن در arXiv در دسترس است.
#Looped_LM #KV_cache
مدل‌های Looped LM با عبور دادن توکن‌ها از یک بلوک لایه‌های تکراری، عمق مدل را بدون افزایش تعداد پارامترها افزایش می‌دهند. مشکل اصلی این ساختار، مصرف بالای حافظه به دلیل انباشت
KV-cache در هر تکرار بود. محققان با مشاهده اینکه وضعیت درونی مدل در تکرارهای نهایی تقریباً ثابت می‌ماند، روشی برای نگهداری فقط کلیدها و مقادیر نهایی ابداع کردند. نتایج این رویکرد به شرح زیر است:
* کاهش ۳ برابری نیاز به حافظه
KV-cache برای رسیدن به عملکردی مشابه مدل‌های ۱۲ بلوکی.* افزایش سرعت پردازش پرامپت (Prefill) تا ۱.۷۹ برابر.
* بهبود ۲ برابری در سرعت آموزش RL.
در مدل ۱.۶ میلیارد پارامتری، مدل Looped با ۴ بلوک، عملکردی در سطح مدل‌های ۵ میلیارد پارامتری معمولی نشان می‌دهد. برای بررسی جزئیات فنی و پیاده‌سازی، کد و چک‌پوینت‌ها در گیت‌هاب این پروژه و مقاله آن در arXiv در دسترس است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Looped_LM #KV_cache
❤1
🏦 احتمال کاهش ۵۰۰ میلیارد دلاری ارزش دارایی بانک‌های آمریکا با ایجنت‌های هوش مصنوعی
گسترش ایجنت‌های هوش مصنوعی می‌تواند مزیت رقابتی بانک‌های بزرگ ایالات متحده را به چالش بکشد. عملکرد این ایجنت‌ها ساده است: شناسایی پول‌های موجود در حساب‌های بانکی با سود نزدیک به صفر و انتقال خودکار آن‌ها به گزینه‌هایی با نرخ سود بالاتر.
به گزارش Financial Times، بانک‌هایی مانند JPMorgan، Bank of America و Wells Fargo در مجموع ۱.۶ تریلیون دلار سپرده بدون بهره دارند. در صورتی که نرخ سود این سپرده‌ها به ۳ درصد برسد، هزینه‌های سالانه این بانک‌ها حدود ۴۷ میلیارد دلار افزایش می‌یابد.
تخمین ۵۰۰ میلیارد دلاری مطرح شده در این تحلیل، مربوط به ارزش مزیت تأمین مالی ارزان برای بانک‌هاست. این برآورد بر این فرض استوار است که اگر ایجنت‌های هوش مصنوعی به‌طور مداوم نرخ‌های بهره بازار را برای سپرده‌گذاران تأمین کنند، این مزیت رقابتی به‌تدریج از بین خواهد رفت. البته بانک‌ها نیز می‌توانند از قابلیت‌های هوش مصنوعی در سایر بخش‌های عملیاتی خود بهره ببرند.
گسترش ایجنت‌های هوش مصنوعی می‌تواند مزیت رقابتی بانک‌های بزرگ ایالات متحده را به چالش بکشد. عملکرد این ایجنت‌ها ساده است: شناسایی پول‌های موجود در حساب‌های بانکی با سود نزدیک به صفر و انتقال خودکار آن‌ها به گزینه‌هایی با نرخ سود بالاتر.
به گزارش Financial Times، بانک‌هایی مانند JPMorgan، Bank of America و Wells Fargo در مجموع ۱.۶ تریلیون دلار سپرده بدون بهره دارند. در صورتی که نرخ سود این سپرده‌ها به ۳ درصد برسد، هزینه‌های سالانه این بانک‌ها حدود ۴۷ میلیارد دلار افزایش می‌یابد.
تخمین ۵۰۰ میلیارد دلاری مطرح شده در این تحلیل، مربوط به ارزش مزیت تأمین مالی ارزان برای بانک‌هاست. این برآورد بر این فرض استوار است که اگر ایجنت‌های هوش مصنوعی به‌طور مداوم نرخ‌های بهره بازار را برای سپرده‌گذاران تأمین کنند، این مزیت رقابتی به‌تدریج از بین خواهد رفت. البته بانک‌ها نیز می‌توانند از قابلیت‌های هوش مصنوعی در سایر بخش‌های عملیاتی خود بهره ببرند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
This media is not supported in your browser
VIEW IN TELEGRAM
🟨 بازسازی سه‌بعدی محیط از یک تصویر با متد Rome
پروژه Rome ابزاری جدید برای تولید مش‌های سه‌بعدی دقیق از روی تنها یک عکس معرفی کرده است. این مدل قادر است هندسه محیط را فراتر از آنچه در تصویر دیده می‌شود، بازسازی و تکمیل کند.
این روش برای کاربردهای مختلفی از جمله فضاهای داخلی، خارجی و محیط‌های مقیاس‌بزرگ طراحی شده است. اطلاعات فنی و جزئیات عملکرد این متد در قالب‌های زیر قابل دسترسی است:
* مقاله علمی
* بررسی فنی
مخزن کدهای این پروژه نیز در آینده نزدیک منتشر خواهد شد.
#Rome #3D_scene_reconstruction
پروژه Rome ابزاری جدید برای تولید مش‌های سه‌بعدی دقیق از روی تنها یک عکس معرفی کرده است. این مدل قادر است هندسه محیط را فراتر از آنچه در تصویر دیده می‌شود، بازسازی و تکمیل کند.
این روش برای کاربردهای مختلفی از جمله فضاهای داخلی، خارجی و محیط‌های مقیاس‌بزرگ طراحی شده است. اطلاعات فنی و جزئیات عملکرد این متد در قالب‌های زیر قابل دسترسی است:
* مقاله علمی
* بررسی فنی
مخزن کدهای این پروژه نیز در آینده نزدیک منتشر خواهد شد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Rome #3D_scene_reconstruction
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #137 | 📌 8 آیتم گزارش | 🧾 از 11 پست بررسی‌شده
🕐 چهارشنبه 1405/07/15 ساعت 14:00 تا پنجشنبه 1405/07/16 ساعت 14:00
🔎 تحلیل کوتاه
⚡ زیرساخت و تحول صنایع
🧠 مدل‌ها و بهینه‌سازی فنی
⚙️ توسعه سیستم‌های کاربردی
🗂 گزارش #137 | 📌 8 آیتم گزارش | 🧾 از 11 پست بررسی‌شده
🕐 چهارشنبه 1405/07/15 ساعت 14:00 تا پنجشنبه 1405/07/16 ساعت 14:00
🔎 تحلیل کوتاه
نفوذ عمیق‌تر هوش مصنوعی به صنایع سنتی، شرکت‌ها را به سمت سرمایه‌گذاری‌های سنگین زیرساختی و بازتعریف مدل‌های مالی سوق داده است؛ توافق بلندمدت گوگل برای تامین برق هسته‌ای نمونه‌ای از تلاش برای پاسخ به نیازهای پردازشی است، در حالی که احتمال کاهش ارزش دارایی بانک‌ها با ایجنت‌های هوش مصنوعی نشان می‌دهد خودکارسازی فرآیندهای مالی می‌تواند حاشیه سود موسسات بزرگ را تهدید کند.
⚡ زیرساخت و تحول صنایع
توافق بلندمدت گوگل برای افزودن ۸۹۰ مگاوات برق هسته‌ای به شبکه
گوگل در همکاری با Constellation بیش از ۴.۳ میلیارد دلار برای تامین برق هسته‌ای پایدار مراکز داده خود سرمایه‌گذاری می‌کند.
🔗 نسخه مفصل در سایت
تهدید سپرده‌های ارزان بانک‌های آمریکا توسط ایجنت‌های هوش مصنوعی
ایجنت‌های مالی با شناسایی و انتقال خودکار سپرده‌های بدون بهره به حساب‌های سودده، حاشیه سود بانک‌ها را به چالش می‌کشند.
🔗 مشاهده پست
🧠 مدل‌ها و بهینه‌سازی فنی
تولید ۷۲۲ مقاله ریاضی توسط مدل هوش مصنوعی معرفی‌نشده OpenAI
این مقالات علمی با حل ۴۰۰۰ مسئله باز ریاضی و با تخصیص متوسط سه ساعت زمان تفکر برای هر مسئله تولید شده‌اند.
🔗 مشاهده پست
معرفی مدل چندوجهی Mistral Large 4 با ۱.۰۵ تریلیون پارامتر
این مدل با معماری مخلوطی از کارشناسان و پنجره متنی یک میلیون توکنی، با هزینه سرویس‌دهی بسیار پایین عرضه شده است.
🔗 مشاهده پست
کاهش مصرف حافظه در مدل‌های Looped LM با حفظ کلیدهای نهایی
پژوهشگران با ذخیره اختصاصی وضعیت‌های پایانی مدل، نیاز به حافظه حافظه موقت را تا سه برابر کاهش دادند.
🔗 مشاهده پست
⚙️ توسعه سیستم‌های کاربردی
ادغام مستقیم هوش مصنوعی Claude در سرویس‌های گوگل ورک‌اسپیس
این به‌روزرسانی امکان باز کردن، خواندن و اعمال ویرایش‌های مستقیم روی اسناد گوگل داکس و شیتس را فراهم می‌کند.
🔗 مشاهده پست
تفکیک ساختارهای چرخه‌ای و گرافی در سیستم‌های ایجنتی
راهنمای جدید طراحی سیستم‌ها، تفاوت‌های کلیدی چرخه‌های بهبود کیفیت کار و فرآیندهای گرافی را تبیین می‌کند.
🔗 مشاهده پست
انتشار متن‌باز کتابخانه تخصیص منابع Rebalancer توسط متا
این ابزار تخصیص منابع پس از ۹ سال استفاده داخلی برای حل روزانه ۴۰ میلیون مسئله به صورت عمومی منتشر شد.
🔗 مشاهده پست
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
This media is not supported in your browser
VIEW IN TELEGRAM
🐍 برتری مدل Local Liquid d1 در بازی مار
مدل هوش مصنوعی
این مدل که روی یک کارت گرافیک
در مقابل، استفاده از API مدل OpenAI در هر فراخوانی ۳۴۵ میلی‌ثانیه زمان نیاز داشت که منجر به ثبت ۳ حرکت و خوردن تنها ۳ سیب در همان محیط شد.
جزئیات بیشتر و نحوه اجرای این مدل‌های تصمیم‌گیری در سایت رسمی پروژه قابل دسترسی است.
#Liquid_d1 #RTX_3090
مدل هوش مصنوعی
Local Liquid d1 3B در یک آزمایش عملی، عملکرد بهتری نسبت به رابط برنامه‌نویسی OpenAI در کنترل بازی مار (Snake) ثبت کرده است. این مدل که روی یک کارت گرافیک
RTX 3090 اجرا شده، برای هر تصمیم‌گیری تنها ۸ میلی‌ثانیه زمان صرف می‌کند. در این بازه زمانی، مدل موفق به انجام ۸۲ حرکت در ثانیه شد و توانست ۸۶ سیب را جمع‌آوری کند.در مقابل، استفاده از API مدل OpenAI در هر فراخوانی ۳۴۵ میلی‌ثانیه زمان نیاز داشت که منجر به ثبت ۳ حرکت و خوردن تنها ۳ سیب در همان محیط شد.
جزئیات بیشتر و نحوه اجرای این مدل‌های تصمیم‌گیری در سایت رسمی پروژه قابل دسترسی است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Liquid_d1 #RTX_3090