چت‌جی‌پی‌تی محدودیت‌هایی دارد: برای کارهای روزمره مثل برنامه‌ریزی سفر یا یاد گرفتن دستور پخت مناسب است، اما برای تصمیم‌گیری‌های مهم قابل اتکا نیست.

دقت اطلاعات پایین است: ممکن است پاسخ‌های نادرست یا قدیمی را با اطمینان کامل بیان کند؛ این پدیده به نام “هذیان‌گویی” شناخته می‌شود.

مسائل حساس خطرناک هستند: استفاده از این ابزار برای امور مالیاتی، پزشکی، حقوقی یا برنامه‌ریزی مالی ممکن است مشکل‌ساز باشد.

با احتیاط اعتماد کنید: حتی کاربران باتجربه باید مراقب باشند تا دچار اشتباه‌های جدی نشوند.

همچنین مقاله به دعوی حقوقی شرکت مادر CNET (Ziff Davis) علیه OpenAI به خاطر استفاده غیرمجاز از داده‌ها برای آموزش مدل اشاره می‌کند.

👨‍💻 اولین پروژه یادگیری عمیقم رو با MLOps رو پیاده‌سازی کردم!


👨🏻‍💻 همیشه می‌خواستم یک بار هم که شده، یه پروژه یادگیری عمیق رو واقعاً از صفر تا دیپلوی نهایی، اونم با همه ابزارهای MLOps، خودم پیاده سازی کنم.

✏️ بالاخره وقت گذاشتم، نشستم پای یه ویدیوی تقریباً ۴ ساعته و مرحله‌به‌مرحله باهاش جلو رفتم. این پروژه درباره تشخیص بیماری مرغ‌ها بود، و تو این مسیر با کلی مفهوم و ابزارهای مختلف دست و پنجه نرم کردم:

🥵 از جمع و جور کردن دیتا و ساختار پروژه گرفته تا مدل‌سازی، لاگ‌گیری و ساخت pipeline و اپ روی Streamlit. همه چی مرحله‌به‌مرحله و اصولی.

✅ اگه می‌خوایم از مدل‌سازی تا دیپلوی مدل روی کلود رو با همه جزئیات و اصول MLOps مثل حرفه‌ای‌ها یاد بگیرین و تجربه کنین، این ویدیو همون چیزیه که لازم دارین!👇


┌ 💰 DL Project using MLOps
├ 😉 Tutorial Video
└ 🐱 GitHub-Repos

🔥اینم یه پرامپت خوشگل دیگه واسه کاپلای چنل!

📰کافیه دوتا عکس از چشم خودتون + چشم پارتنر یا کسی که دوستش دارید رو به ChatGPT بدید تا همچین نتیجه بی‌نظیری رو بهتون تحویل بده!

two irises, one on the left and one on the right, at the center of the composition on a black background.
Add a star dust particle diffusion effect that simulates a gradual transition or an explosion. This highlights the detailed texture of the iris fibers and the color contrast. The atmosphere should be artistic, sharp, and with a touch of spatial depth.
‌

🔍 معرفی داشبورد LLM Leaderboard از klu.ai

💡 اگر با مدل‌های زبان بزرگ (LLM) سروکار دارید یا علاقه‌مند به مقایسه قدرت و عملکرد مدل‌های مختلف هستید، داشبورد LLM Leaderboard از Klu یک ابزار فوق‌العاده برای شماست.
📊 این داشبورد، یک نمای دقیق و به‌روز از عملکرد مدل‌های مطرح هوش مصنوعی (مثل GPT-4، Claude، Gemini، Mistral و غیره) ارائه می‌دهد. داده‌ها شامل ارزیابی کیفیت پاسخ، دقت، توانایی کدنویسی، استدلال و تطبیق با نیاز کاربران در سناریوهای واقعی هستند.
🧪 ارزیابی‌ها بر پایه تست‌های کاربردی و روزمره طراحی شده‌اند، نه فقط بنچمارک‌های مصنوعی، و شامل تحلیل‌های دسته‌بندی‌شده برای کاربردهای مختلف (مثل برنامه‌نویسی، تحلیل متنی، خلاصه‌سازی و ...) هستند.

⚙️ ویژگی‌های کلیدی: مقایسه‌ لحظه‌ای عملکرد مدل‌ها - امکان فیلتر نتایج بر اساس تسک‌ها - نمایش رتبه‌بندی مدل‌ها بر اساس نوع کاربرد - داده‌های قابل اعتماد با به‌روزرسانی مداوم

🔗 مشاهده داشبورد 🔗

افشای اطلاعات جدید درباره Gemini توسط گوگل!

 در این ویدیو، Ani Baddepudi، مدیر ارشد محصول رفتار مدل‌های Gemini، در کانال رسمی توسعه‌ دهندگان گوگل اطلاعات تازه‌ ای منتشر کرد.

در گفت‌ و گویی با Logan Kilpatrick (مدیر فعلی Google AI Studio و از اعضای پیشین OpenAI)، به سؤالات مهم و قدیمی کاربران درباره Gemini پاسخ میده:

 سؤالات کلیدی که مطرح شد:

 چرا Gemini از ابتدا به‌ صورت چند رسانه‌ای (Multimodal) طراحی شد؟

 آیا تبدیل تصویر و ویدیو به توکن باعث از بین رفتن اطلاعات می‌شه؟

چرا نسخه ۲.۵ Gemini در درک ویدیو عملکرد فوق‌ العاده‌ای داره؟

و ده‌ ها نکته فنی دیگه

گفت‌ وگو تقریبا به طور کامل بر محور چند رسانه‌ای بودن Gemini می‌ چرخه، از فلسفه طراحی اولیه، تا کاربردهای فعلی و مسیر توسعه آینده

 https://www.youtube.com/watch?v=K4vXvaRV0dw

دوره های آموزشی رایگان هوش مصنوعی آکادمی OpenAI

در این دوره ها شما می توانید از مزایای زیر بهره مند شوید:
وبینارهای آموزشی
ویدیوهای راهنمای مفید
راهنمایی برای مشاغل مختلف، از معلم گرفته تا برنامه نویس
راهنما برای تمام شبکه های عصبی OpenAI
https://academy.openai.com/


برای #دوره@ai_for_i های رایگان بیشتر این هشتگ رو دنبال کنید

🚀 رشد و اقدامات استراتژیک Nvidia
ارزش بازار عظیم: Nvidia به ارزش بازار ۴ تریلیون دلار رسید که گمانه‌زنی‌ها درباره امکان رشد تا ۵ تریلیون را برانگیخته است.

رونق هوش مصنوعی: این شرکت با بهره‌گیری از موج جدید هوش مصنوعی در پی افزایش رشد خود است.

🇨🇳 روابط با چین
رفع محدودیت‌های صادرات: دولت آمریکا محدودیت‌های صادرات کارت‌های Nvidia به چین را لغو کرد و قول صدور مجوز را داد.

تأثیر بر درآمد: چین در سال ۲۰۲۴ حدود ۱۷ میلیارد دلار درآمد برای Nvidia ایجاد کرد که ۱۳٪ از کل درآمد شرکت است.

افزایش هدف قیمت سهام: تحلیلگران هدف قیمت سهام Nvidia را از ۱۸۵ دلار به ۲۰۰ دلار افزایش دادند.

🌍 گسترش در اروپا
ابرکامپیوترهای قدرتمند:

Nvidia قدرت‌بخش Jupiter است؛ قوی‌ترین ابرکامپیوتر هوش مصنوعی اروپا با بیش از ۹۰ اگزافلاپس قدرت پردازش و ۲۴۰۰۰ چیپ GH200.

همچنین ابرکامپیوتر Isambard-AI در بریتانیا با ۵۴۴۸ چیپ GH200 و قدرت ۲۱ اگزافلاپس را تأمین می‌کند.

🤖 گام بعدی: رباتیک
پلتفرم Jetson Thor: Nvidia قصد دارد وارد بازار ربات‌های انسان‌نما شود.

ارائه حداکثر ۲۰۷۰ ترافلاپس پردازش هوش مصنوعی.

مجهز به پردازنده ۱۴ هسته‌ای Arm Neoverse و کارت گرافیک NVIDIA Blackwell.

اقدامات Nvidia نشان‌دهنده موقعیت استراتژیک این شرکت در نوآوری‌های جهانی هوش مصنوعی، توسعه در اروپا، تعامل با چین و ورود به عرصه رباتیک است.

#اخبار_تکنولوژی

فناوری جدید که میتونی باهاش بدون لمس ماشین درو باز کنی! البته یکم قلق داره ولی در کل باحاله

به‌صورت پیش‌فرض، n8n در حالت instant کار می‌کنه. یعنی task رو همون لحظه و روی همون یک instance اجرا می‌کنه.

اما وقتی Queue رو فعال می‌کنیم، این روند تغییر می‌کنه. توی این حالت، به جای اجرای مستقیم، از Redis به‌عنوان Message broker استفاده می‌شه و همه workerها از این بستر برای ارتباط استفاده می‌کنن.

به‌طور خلاصه، task‌هایی که در هر node تعریف شدن (چه توسط trigger و چه توسط node قبلی)، توی Redis ذخیره می‌شن. بعد، هر instance از queue این taskها رو می‌خونه، اجرا می‌کنه و نتیجه رو داخل database به‌روزرسانی می‌کنه. در نهایت هم node بعدی رو trigger می‌کنه تا workflow ادامه پیدا کنه. 💡

🔴 آن چیز که باید درباره انواع Trigger در N8N بدانیم!

🔹 Webhook Trigger:
وقتی یه درخواست HTTP می‌رسه، اجرای workflow شروع می‌شه.

🔹 Schedule Trigger:
اجرای خودکار در زمان‌های مشخص، مثل ارسال گزارش هفتگی.

🔹 Form Trigger:
دریافت داده از فرم و شروع workflow.

🔹 App Event Trigger:
وقتی رویدادی توی یه سرویس اتفاق می‌افته، مثل ثبت سفارش.

🔹 Polling Trigger:
به‌طور مداوم اطلاعات رو از یه منبع چک می‌کنه و با تغییرات workflow رو فعال می‌کنه.

هرکدوم از این trigger‌ها برای موقعیت‌های مختلف ساخته شدن تا کارت رو راحت‌تر کنن! 🚀

✈️ استفاده درست از هوش مصنوعی برای آموزش نسلی بهتر

ساخت إیجنت هوش مصنوعی بدون کدنویسی

بیایین یکبار برای همیشه اینارو بفهمیم
اصن RAG چیه؟ CAG چیه؟ فاین تیون چیه؟
کی باید از کدوم استفاده کنیم؟ کدوم بدرد ما میخوره؟

برای علاقه مندا (غیر تکنیکال)
فارسی:

http://vrgl.ir/oPwKj

انگلیسی:
https://medium.com/@mshojaei77/rag-vs-cag-vs-fine-tuning-which-brain-boost-does-your-llm-actually-need-7c318b2ed355

#آموزک

دندانپزشکی دیجیتال

هوش مصنوعی hailuo

این هوش مصنوعی برای ارسال پرامپت‌های طولانی همراه با فایل و گرفتن جواب‌های طولانی‌تر مناسب می باشد، همچنین می توانید فایل‌هایی تا ۱۰۰ مگابایت را آپلود کنید.

https://www.hailuo.ai/
#معرفی_ابزار

ساخت سلاحی با هوش مصنوعی که دستورات صوتی را دنبال می‌کند.

یک مهندس با استفاده از هوش مصنوعی ChatGPT، تفنگ رباتیکی طراحی کرده که با فرمان صوتی هدفگیری و شلیک می‌کند. این اختراع جنجالی، نگرانی‌ها درباره کاربردهای نظامی هوش مصنوعی را افزایش داده و منجر به قطع دسترسی او توسط OpenAI شده است. ربات تقریباً بلافاصله با شلیک گلوله‌های مشقی به اطراف واکنش نشان می‌دهد.

نکات و ترفندهایی برای حرفه ای ها

- More than 300 chapters
- 600+ Pages

❯ SQL
https://goalkicker.com/SQLBook/

❯ MySQL
https://goalkicker.com/MySQLBook/

❯ PostgreSQL
https://goalkicker.com/PostgreSQLBook/

❯ SQL Server
https://goalkicker.com/MicrosoftSQLServerBook/

❯ Oracle
https://goalkicker.com/OracleDatabaseBook/

❯ MongoDB
https://goalkicker.com/MongoDBBook/

یه ابزار فوق‌العاده کاربردی پیدا کردیم که خصوصاً برای کسانی که مهارت برنامه‌نویسی بالایی ندارن، خیلی می تونه مفید باشه.

همیشه داده لازم داریم، چه برای مقاله دانشگاهی‌مون چه برای پروژه شرکتی و هر کار دیگه توی دنیای علم داده. اصلاً بدون داده مگه میشه کاری کرد؟

ولی استخراج داده از وبسایت‌ها یا در اصطلاح کرالینگ، گاهی به شدت پیچیده است و نیاز به دانش تخصصی HTML و کتابخانه‌هایی مثل BeautifulSoup یا Scrapy داره و گاها واقعاً حوصله سر بر میشه.

مثلاً فرض کنید می‌خواید از یک سایت خبری، تمام اخبار مربوط به یک موضوع خاص را جمع‌آوری کنید. روش سنتی این بود که باید کدهای پیچیده‌ای بنویسید، با ساختار HTML آشنا باشید و برای هر تغییر کوچک در سایت، دوباره کدتون را بازنویسی کنید. این خیلی بده که هر بار که سایت تغییر کنه، کد شما باید بروز بشه.

اما حالا یک ابزار جدید به نام FireCrawl این کار را کاملاً ساده کرده. این ابزار به شما امکان می‌ده فقط با نوشتن یک پرامپت، داده‌های مورد نظرتون را از هر وبسایتی استخراج کنید. بدون هیچ کدنویسی.

روش کار خیلی ساده است: شما فقط کافیه لیست URLهای مورد نظر را به FireCrawl بدید و در یک پرامپت توضیح بدید که دقیقاً چه اطلاعاتی را می‌خواید. سپس ابزار خودش عمل crawling را انجام داده و داده‌های مرتب و ساختار یافته را برای شما آماده می‌کنه.

به عنوان مثال، اگر بخواید از یک سایت خبری تیتر، تاریخ انتشار و نویسنده را استخراج کنید، کافیه در پرامپت بنویسید:
"از این صفحه تیتر خبر، نام نویسنده و تاریخ انتشارش را استخراج کن."

FireCrawl بدون نیاز به نوشتن حتی یک خط کد، عمل استخراج را انجام داده و نتایج را به صورت مرتب و قابل استفاده در اختیار شما قرار می‌ده.

https://www.firecrawl.dev

۳ دوره‌ی رایگان و آنلاین از DataTalksClub که دوره های جدیدشون قرار شروع بشه در ماه های آینده. ولی مطالب دوره های قبل با ویدیو و کد و اسلاید موجود هست.

۱- دوره‌ی MLOps Zoomcamp
یاد می‌گیرید چطور مدل‌های یادگیری ماشین رو وارد محیط واقعی کنید: ترک‌ کردن آزمایش‌ها، ساختن پایپ‌لاین، دیپلوی‌کردن، مانیتورینگ و کلی چیز دیگه.

https://github.com/DataTalksClub/mlops-zoomcamp

۲- دوره‌ی LLM Zoomcamp
یاد می‌گیرید چطور اپلیکیشن‌هایی با مدل‌های زبانی بزرگ (LLM) بسازید — با استفاده از RAG، مدل‌های متن‌باز، وکتور دیتابیس‌ها، فریم‌ورک‌های orchestration و گاردریل‌ها. در آخر، یه چت‌بات هوشمند مخصوص خودتون می‌سازید!

https://github.com/DataTalksClub/llm-zoomcamp

۳- دوره‌ی ML Zoomcamp
دوره‌ای مقدماتی و کاربردی برای یاد گرفتن یادگیری ماشین از پایه: از الگوریتم‌ها تا پیاده‌سازی و دیپلوی کردنشون.
https://github.com/DataTalksClub/machine-learning-zoomcamp


#دوره
#دوره_رایگان

🔋 بحران انرژی هوش مصنوعی و رقابت بر سر چیپ‌های نوآورانه

با رشد چشمگیر هوش مصنوعی، مصرف انرژی آن هم هر سال تا ۵۰٪ افزایش می‌یابد. حالا شرکت‌ها به دنبال راه‌حل‌هایی هستند تا بدون وابستگی به سخت‌افزار پرهزینه‌ی Nvidia، این مسیر را ادامه دهند.

💡 شرکت Cloudflare در حال آزمایش چیپ‌های جدیدی از استارتاپ نوظهور Positron است که گفته می‌شود در عملیات inference (تولید پاسخ توسط هوش مصنوعی) بسیار کم‌مصرف‌تر از محصولات Nvidia عمل می‌کند.

💰 این استارتاپ اخیراً ۵۱.۶ میلیون دلار سرمایه‌گذاری جذب کرده که نشانه‌ی توجه جدی سرمایه‌گذاران به راه‌حل‌های جایگزین است.

🏢 غول‌های فناوری مثل گوگل، آمازون و مایکروسافت نیز در تلاش‌اند تا چیپ‌های اختصاصی برای کاهش مصرف انرژی تولید کنند و از حاشیه سود بالای Nvidia فاصله بگیرند.

⚙️ حتی خود Nvidia هم نسل جدیدی به نام Blackwell معرفی کرده که بین ۲۵ تا ۳۰ برابر انرژی‌بهتر در عملیات inference عمل می‌کند.

🚀 رقابت برای ساخت چیپ‌های بهینه‌تر وارد مرحله تازه‌ای شده تا هوش مصنوعی بدون قربانی‌کردن محیط زیست به رشد ادامه دهد.