بازه باز
267 subscribers
327 photos
95 videos
107 files
418 links
برای خودم مینویسم اینجا که بعدا یادم باشه؛ ذهن فریبکاره
https://jobinhasani.ir
ناشناس:
@bazehbazbot
Download Telegram
Ⓚⓛⓑ
جرا از واقعیت تلخ میخوای فرار کنی مدل به قدری رشد میکنه که دیگه نیازی به انسان و خلاقیتش نداره
اگر میخوای با ai مسابقه بدیم که باختیم.
انسان فقط خلاقیت نیست، این ایده مضحک قیاس رو از ذهنمون بیرون کنیم.
من از افقی حرف می‌زنم که هنوز دیده نمیشه.
اساسا ساختار ادراکی براش نداریم.
👍3
بازه باز
اگر میخوای با ai مسابقه بدیم که باختیم. انسان فقط خلاقیت نیست، این ایده مضحک قیاس رو از ذهنمون بیرون کنیم. من از افقی حرف می‌زنم که هنوز دیده نمیشه. اساسا ساختار ادراکی براش نداریم.
این طرز تفکر خلاقیت همیشه مال انسانه،
انسان رو از بدو تولد شبیه یه کارمند کائنات فرض کرده؛ کارمندی که اگر تسک روزانه رو از دستش بگیری، روی دست آفرینش باد می‌کنه
بازه باز
این طرز تفکر خلاقیت همیشه مال انسانه، انسان رو از بدو تولد شبیه یه کارمند کائنات فرض کرده؛ کارمندی که اگر تسک روزانه رو از دستش بگیری، روی دست آفرینش باد می‌کنه
دقیقا اینجوریه:
ارزش تو دقیقا مساویه با کارایی، فایده و محصولی که تولید می‌کنی.


این حرفا مال موجودیه که خودش رو مثل آچار فرانسه یک‌بارمصرف می‌دیده.
بازه باز
دقیقا اینجوریه: ارزش تو دقیقا مساویه با کارایی، فایده و محصولی که تولید می‌کنی. این حرفا مال موجودیه که خودش رو مثل آچار فرانسه یک‌بارمصرف می‌دیده.
اگر ماشینی بیاد که تمام بارهای عقلانی، منطقی و فکری رو برداره، فاجعه رخ نداده؛
برای اولین بار در تاریخ، انسان مجبور نیست برای اثبات ارزش خودش بدوئه و خودش رو با خروجی کارهاش امتیاز بده.

به نظر من داستان درونی تازه جالب میشه.
👍3
این مدل jev
که اومده هم معماری جالبی داره

https://typesafe.ai/blog/introducing-system-one-models-and-jev
بازه باز
این مدل jev که اومده هم معماری جالبی داره https://typesafe.ai/blog/introducing-system-one-models-and-jev
این llm نیست صرفا مدل تصمیم گیریه
مثل یک روتر گیت عمل میکنه
👍1
بازه باز
این llm نیست صرفا مدل تصمیم گیریه مثل یک روتر گیت عمل میکنه
مثلا llm ها توکن به توکن میرن جلو
ولی jev کامل این مرحله حذف کرده
اصلا جواب بهتون نمیده، چت نمیکنه کد نمیزنه
فقط بر اساس باینری و کارهای ریاضی تصمیم نرم‌افزاری میگیره
بیشتر بدرد معماری ایجنتیک میخوره.
سرعتش بی‌نظیره.
👍1
بازه باز
مثلا llm ها توکن به توکن میرن جلو ولی jev کامل این مرحله حذف کرده اصلا جواب بهتون نمیده، چت نمیکنه کد نمیزنه فقط بر اساس باینری و کارهای ریاضی تصمیم نرم‌افزاری میگیره بیشتر بدرد معماری ایجنتیک میخوره. سرعتش بی‌نظیره.
طبق چیزی که استارتاپش گفته،
برپایه RLCD اموزش دادن.
که مخفف یادگیری تقویتی از تصمیم‌های کالیبره شده‌ست.
یعنی مدل جریمه میشه اگر خطا کنه،
و درصدها و روتری که فیکس میکنه توی ریاضی قابل اتکاست.
بازه باز
طبق چیزی که استارتاپش گفته، برپایه RLCD اموزش دادن. که مخفف یادگیری تقویتی از تصمیم‌های کالیبره شده‌ست. یعنی مدل جریمه میشه اگر خطا کنه، و درصدها و روتری که فیکس میکنه توی ریاضی قابل اتکاست.
مدل های کلاسیفر کلاسیک یه لایه خطی ثابت با تعداد مشخصی کلاس در انتهای کلاسیفر دارن.
اگر من مثلا بیام کلاس جدیدی فور کنم بهش
مدل کار نمیکنه باید لایه اخر عوض کنم دوباره کل مدل فاین تیون بشه.

واقعا چالبه
یه ابزار روتینگ همه کار‌ه‌ست عملا
وقت کنم میام تو چنل ریاضیمون بازش، کنم.
هنوز معماری jev رو فاش نکردن
ولی خب یه توضیحاتی میشه داد.
فقط برام سواله چطور اون لایه کلاسیفر اخرو دور زدن
بازه باز
این مدل jev که اومده هم معماری جالبی داره https://typesafe.ai/blog/introducing-system-one-models-and-jev
خب اومدم مدلو تست کردم،

این سوالو ازش پرسیدم.

"سلام، دیتابیس اصلی پروژه داون شده و کوئری‌ها تایم‌اوت می‌خورن مشتری‌ها نمیتونن لاگین کنن و ضرر مالی داریم میدیم، راهکارت چیه"
بازه باز
خب اومدم مدلو تست کردم، این سوالو ازش پرسیدم. "سلام، دیتابیس اصلی پروژه داون شده و کوئری‌ها تایم‌اوت می‌خورن مشتری‌ها نمیتونن لاگین کنن و ضرر مالی داریم میدیم، راهکارت چیه"
جوابش جیسون بهم داد.
{
"model": "typesafe/jev-1.13-20260917",
"provider": "TypeSafe",
"answers": {
"is_urgent": {
"type": "noul",
"noul": 0.97
},
"target_team": {
"type": "choice",
"choice": "dba_devops",
"probabilities": {
"dba_devops": 1.0,
"frontend": 0.0,
"hr": 0.0
},
"confidence": 1.0
},
"severity": {
"type": "score",
"score": 2.0,
"legend": {
"0": "Minor: No business impact",
"1": "Moderate: Some users affected",
"2": "Disaster: Full outage with direct financial loss"
},
"confidence": 1.0
}
},
"usage": {
"input_tokens": 504,
"output_tokens": 78,
"cost": 0.000021
}
}
بازه باز
target_team": {
"type": "choice",
"choice": "dba_devops",
"probabilities": {
"dba_devops": 1.0,
"frontend": 0.0,
"hr": 0.0
},
"confidence": 1.0
اینجا اومده بین روتینگ بین تیم ها، dba_devops رو با احتمال 1.0 که یعنی 100 درصد، انتخاب کرده،با ضریب اطمینان یک.
به فرانت اند و hr ، صفر داده
بازه باز
"type": "noul",
"noul": 0.97
فوریت هم 0.97 زده
یعنی خیلی فوری و نزدیک 100
حالا اینو میخوام ببرم توی لایه اسکیل بر اساس اسکیلی که خود استارتاپ ارائه کرده ببینم چطور میشه روتینگ ایجنت رو بر اساس این بهینه کرد.