📽 نحوه ی تولید پاسخ توسط هوش مصنوعی

• ویدئویی جذاب از نحوه ی عملکرد هوش مصنوعی در تولید پاسخ

💡این مکانیسم بر اساس این حقیقت کار می کند که هر تصمیم حتی کوچک، می‌تواند منتهی به مسیر متفاوتی شود...

🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage
#deep_learning
#aql_masnouei

🆕️ پدیده: «حرف زدن محصول » در ویدئوهای تبلیغاتی به یک ترند تبدیل شده!

✍دستورِ کارِ این ویدئوهای هوشمند ساده است ، با پرامپت مناسب شی مورد نظر شروع به صحبت می‌کند..

یکی از شاخص ترین نمونه ها، کمپین «خودهای هوشمند» (AI Selves) از شرکت Pika است. این شرکتِ تولیدکننده ی ویدئو با هوش مصنوعی، سرویسی عرضه کرد که کاربران میتوانستند یک «خودِ دیجیتال» را متولد و پرورش دهند. در تیزر تبلیغاتی این سرویس، کارمندان شرکت حاضر بودند و «خودِ هوشمندِ» آنها به صورت مستقل در توییتر پست میگذاشت، محتوا تولید میکرد و حتی ویدئوی معرفی میساخت. مدیرعامل Pika صراحتاً اعلام کرد : «آینده ی هوش مصنوعی، نمایندگی نیست؛ هویت است.»

🆔️ intellimage channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

🆕️ استفاده از روش‌های مدرن تصویربرداری در بررسی ساختار تومور

باماهمراه باشید 🌱

🆔️ telegram channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

✍ ساختارها و زیستگاه‌های تومور با استفاده از روش‌های مدرن تصویربرداری و آنالیز فضایی مورد بررسی قرار گرفته و محققان "میکرومنطقه‌های توموری" را به عنوان خوشه‌های متمایز سلول‌های سرطانی که توسط اجزای استرومایی جدا شده‌اند، تعریف کردند. ویژگی‌های این میکرومنطقه‌ها شامل: 

- اندازه و چگالی متفاوت در انواع سرطان، با بزرگترین میکرومنطقه‌ها در نمونه‌های متاستاتیک
- تقسیم‌بندی به "زیرکلون‌های فضایی" با تغییرات ژنتیکی مشترک
- فعالیت متابولیکی افزایش‌یافته در مرکز و ارائه آنتی‌ژن بیشتر در حاشیه‌های میکرومنطقه‌ها
- نفوذ متغیر سلول‌های T و حضور غالب ماکروفاژها در مرزهای تومور

+ همچنین با بازسازی ساختارهای سه‌بعدی تومور و آنالیز همسایگی‌های سلولی، نشانگرهای خستگی ایمنی در اطراف زیرکلون‌های تومور شناسایی شد. این یافته‌ها به درک چگونگی تکامل فضایی تومور در تعامل با محیط میکروسکوپی کمک می‌کند.

🆔️ telegram channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

📑جزوه آموزشی طبقه بندی تصاویر از صفر

سلام و احترام وقت بخیر
این جزوه برای عزیزانی که علاقمند به پردازش تصویر هستند میتونه مفید باشه :)

درصورتیکه مثال‌هارو اجرا کردید و سوال و ابهامی در اجرای کدها بود ، میتونید با ادمین کانال مطرح کنید✨


👤@Intellimage_admin

🆔️ telegram channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

اطلاعات بیشتر و ثبت‌نام: baic.um.ac.ir

🔴 تهیه ۱۶۸ پک لوازم‌التحریر برای دانش‌آموزان نیازمند
​🇮🇷 #به_یاد_بچه‌های_میناب

📌 همزمان با شروع سال تحصیلی، تصمیم گرفتیم به یاد بچه‌های میناب، ۱۶۸ پک کامل لوازم‌التحریر برای دانش آموزان نیازمند تهیه کنیم تا هیچ دانش‌آموزی به خاطر شرایط مالی از تحصیل جا نماند. شما هم می‌توانید با هر مبلغی که در توان دارید، در این نذر آموزشی همراه شوید و چراغ امید را در دل این کودکان روشن نگه دارید.

👈 مشارکت از طریق حساب رسمی گروه جهادی خیرینه:
💳 5892107050077463
💳 100150050398011502323560
​👈 مشارکت از طریق درگاه سایت خیرینه:
🔗 https://kheyrine.ir/product/38395

​(کلیه مبالغ جمع‌شده در پروژه‌ها، مطابق شرایط
مندرج در بیوی کانال زیر هزینه خواهد شد.)
📲 @kheyrine_ir

🔍 چرا دیتای نادرست مدل را بی‌صدا نابود می‌کند؟

وقتی مدل سالم است، دیتا نه!

همه ما این تجربه رو داشتیم ، ساعت‌ها زمان میزاریم ، مدل رو بهینه می‌کنیم، اما بعد از دیپلوی، نتایج عجیب و غریب می‌بینیم . مشکل از مدل نیست، از دیتای نامناسب است.

مدل یاد نمی‌گیرد که به شما بگوید دیتا خراب است. او بی‌صدا از همان دیتای اشتباه یاد می‌گیرد، پایپ‌لاین جلو می‌رود و منابع هدر می‌رود.

انواع خطاهای خاموش:

۱· ستون تاریخ به جای datetime، به صورت string وارد می‌شود.

۲· مقادیر منفی یا Null در جاهایی که نباید وجود داشته باشند، نفوذ می‌کنند.

۳· عدم تطابق کوچک در دیتا، باعث پیش‌بینی‌های فاجعه‌بار می‌شود.

راه‌حل اعتبارسنجی سیستماتیک دیتاست که در ادامه بیشتر بررسی میکنیم ؛ باماهمراه باشید 🌱

🆔️ telegram channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

🆕️ فناوری Pandera اعتبارسنجی دیتافریم قبل از ورود به مدل

✍ در ادامه ی پست قبل که در رابطه با اعتبار سنجی سیستماتیک دیتاست صحبت کردیم؛ فناوری Pandera به عنوان یک فریمورک سبک و انعطاف‌پذیر برای اعتبارسنجی دیتافریم‌هاست که پایپ‌لاین‌های دیتا را خواناتر و مقاوم‌تر می‌کند.

· دو روش تعریف اسکیما:

- روش Declarative (مبتنی بر دیکشنری) برای تعریف سریع

- روش Class-based با DataFrameModel برای علاقه‌مندان به dataclass و Pydantic

بررسی‌های قدرتمند دیتا فقط شامل چک تایپ نیست؛ می‌توان بررسی‌های سفارشی مثل isin، str_startswith، gt، lt و Lambda نوشت.

این فناوری فراتر از Pandas ؛ از Polars، PySpark، Dask، Modin، GeoPandas و Ibis هم پشتیبانی می‌کند؛ درواقع یک اسکیما برای کل اکوسیستم پایتون !

🆔️ telegram channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

🆕️ ۹۲۰ پروژه اوپن‌سورس Python برای ML — ریپوی مرجع Best-of Machine Learning with Python

۳۴ دسته از PyTorch ،TensorFlow ،scikit-learn و XGBoost تا MLOps، دیپلوی مدل، Experiment Tracking، Vector Search، GPU و RL.

📥 https://github.com/lukasmasuch/best-of-ml-python

+DataScience_ir
🆔️ telegram channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

فقط دقت مدل کافی نیست؛ مدل باید کاربرد داشته باشد !

✍ در پروژه‌های AI و Computer Vision، صرفاً داشتن یک مدل با Accuracy بالا به معنی موفقیت پروژه نیست.

مدلی که فقط داخل یک Jupyter Notebook یا IDE اجرا می‌شود، هنوز بخش کوچکی از مسیر را طی کرده است.
ارزش واقعی زمانی ایجاد می‌شود که بتوانیم مدل را از محیط توسعه خارج کنیم و به یک سیستم یا محصول واقعی تبدیل کنیم؛ سیستمی که با داده‌های واقعی، نرم‌افزار، سخت‌افزار و کاربر نهایی ارتباط داشته باشد و بتواند یک مسئله واقعی را حل کند.

مسیر واقعی یک پروژه می‌تواند چیزی شبیه این باشد:
Data → Model → API → Application → Deployment → Real-World Impact

پس در کنار سؤال‌هایی مثل:
- دقت مدل چقدر است؟
- چه معماری‌ای استفاده شده؟
- آیا مدل بهتر از روش‌های قبلی عمل می‌کند؟

باید بپرسیم:
. این مدل دقیقاً چه مسئله‌ای را حل می‌کند؟
. چگونه وارد یک Application یا محصول واقعی می‌شود؟
. چگونه روی داده‌های واقعی کار می‌کند؟
. چطور Deploy و در دنیای واقعی استفاده می‌شود؟

به همین دلیل، کدنویسی و اجرای یک مدل پایان پروژه نیست؛ بلکه شروع مسیر تبدیل یک ایده به یک راهکار واقعی است.
در ادامه بیشتر درباره مسیر تبدیل AI و Computer Vision از یک مدل آزمایشگاهی به یک سیستم و محصول کاربردی صحبت می‌کنیم.باماهمراه باشید✨

🆔️ telegram channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

🆕️از مدل تا محصول واقعی PROJECT 01

✍ در پست قبلی گفتیم:

فقط دقت مدل کافی نیست؛ مدل باید کاربرد داشته باشد.

حالا وقت آن است که این موضوع را واقعاً اجرا کنیم.
در Intellimage یک پروژه Computer Vision را از صفر تا یک سیستم قابل استفاده جلو می‌بریم.

• پروژه چیست؟

ساخت یک Real-Time Traffic Vision System
سیستمی که بتواند در تصاویر و ویدئوها:
. خودروها
. اتوبوس‌ها
. کامیون‌ها
را شناسایی کند.

اما هدف ما فقط آموزش یک مدل Object Detection نیست.
می‌خواهیم مسیر کامل را طی کنیم:
Data → Model → API → Application → Deployment

باماهمراه باشید 🍁
🆔️ telegram channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

✍ در ادامه پروژه Real-Time Traffic Vision System، می‌خواهیم ببینیم یک مدل چگونه از مرحله آموزش به یک سیستم قابل استفاده تبدیل می‌شود.

در Pipeline این پروژه:
Problem Definition → Data → Annotation → Training → Evaluation → API → Application → Deployment → Monitoring

۱.بخش Problem Definition

تعریف دقیق مسئله، ورودی، خروجی، محدودیت‌های سرعت و سخت‌افزار.

۲.بخش Data

جمع‌آوری داده‌های متنوع و نماینده شرایط واقعی؛ شامل نور، زاویه دوربین، تراکم ترافیک و کیفیت تصویر.

۳.بخش Annotation & Preprocessing

تعیین Bounding Box و Class برای هر Object و بررسی کیفیت Labelها، تصاویر و Data Leakage.

۴.بخش Model Training

آموزش مدل Object Detection مانند YOLO و تنظیم Hyperparameterهایی مانند Learning Rate، Batch Size و Image Size.

۵.بخش Evaluation & Error Analysis

بررسی معیارهایی مانند:
Precision | Recall | IoU | mAP | FPS
و مهم‌تر از آن، شناسایی شرایطی که مدل در آن‌ها دچار خطا می‌شود؛ مانند Small Objects، Occlusion، Low-Light و Motion Blur.

۶.بخش Model Serving

تبدیل مدل به یک سرویس قابل استفاده:
Client → FastAPI → Model → Prediction

۷.بخش Application

اتصال مدل به یک رابط کاربری برای دریافت Image، Video یا Camera Stream و نمایش نتایج.

۸.بخش Deployment

استقرار سیستم روی Server، Cloud یا Edge Device و بررسی مواردی مانند Latency، Memory و Resource Usage.

۹.بخش Monitoring & Improvement

پس از Deployment پروژه تمام نمی‌شود:
Real-World Data → Monitoring → Error Analysis → Retraining → Redeployment

در نهایت، یک پروژه واقعی Computer Visionیک چرخه کامل از داده تا سیستم قابل استفاده است.

🆔️ telegram channel:
https://t.me/Intellimage
https://eitaa.com/intellimage

یک شات از "پروانه" در فضا

ان‌جی‌سی ۶۳۰۲ یا سحابی پروانه یا سحابی حشره یا کالدول ۶۹، نام یک سحابی سیاره‌نمای دوقطبی است که در صورت فلکی کژدم واقع شده‌است. ساختار این سحابی، یکی از پیچیده‌ترین ساختارهایی است که در سحابی‌های سیاره‌نما مشاهده شده‌ است. طیف نوری سحابی پروانه، نشان می‌دهد که ستاره مرکزی آن یکی از داغ‌ترین ستاره‌ها در کهکشان است.

تصویر باشکوه سحابی پروانه که از یک ستاره در حال مرگ ایجاد شده توسط تلکسوپ فضایی هابل ثبت شده است.

بال‌های این سحابی که بیش از سه هزار سال نوری هستند لایه‌هایی از گاز از یک ستاره‌ی در حال مرگ واقع در مرکز این سحابی را به سمت بیرون پرتاب می‌کنند.

ستاره مرکزی در حال مرگ این سحابی به طرز باورنکردنی بسیار داغ است و نور فرابنفش نیز به زیبایی بر قسمت بالایی بال‌های پروانه می‌درخشد و همین امر نیز باعث درخشش لایه‌هایی از گاز شده است.

🆔️ telegram channel:
https://t.me/Intellimage
https://eitaa.com/intellimage