با معرفی چت‌جی‌پی‌تی، یکی از حوزه‌هایی که به شدت تحت‌تاثیر قرار گرفته و خواهد گرفت، برنامه‌نویسی است. جدای از استفاده از این محصول بعنوان دستیار برنامه‌نویسی در زبان‌های موجود، چت‌جی‌پی‌تی به‌طور فزاینده‌ای بعنوان یک رویکرد جدید توسعه‌ی نرم‌افزار درحال خودنمایی است. در این رویکرد، کافی است نیازمندی خود را در قالب یک سیستم با ورودی و خروجی متنی تعریف کنید و کار اصلی تبدیل این ورودی به خروجی را به هسته‌ی چت‌جی‌پی‌تی بسپارید. به عبارت متنی ورودی، اصطلاحا prompt گویند. برای این منظور، یادگیری نحوه‌ی سخن گفتن با چت‌جی‌پی‌تی (prompt engineering) ضروری است (به بیانی طنزآمیز، هوش مصنوعی در حال یاد دادن نحوه‌ی صحبت کردن به انسان‌هاست). در همین راستا، deeplearning.ai چند کورس کوتاه را اخیرا معرفی کرده است:

⁃ کورس ChatGPT Prompt Engineering for Developers که از طریق https://www.deeplearning.ai/short-courses/chatgpt-prompt-engineering-for-developers/ قابل دسترسی است. این کورس و کورس بعدی توسط یکی از اعضای تیم فنی OpenAI (توسعه‌دهنده‌ی چت‌جی‌پی‌تی) و خود آقای آندرو اِنگ تدریس می‌شوند.

⁃ کورس Building Systems with the ChatGPT AI که از طریق https://learn.deeplearning.ai/chatgpt-building-system/ در دسترس است.

⁃ کورس LangChain for LLM Application Development که از طریق https://learn.deeplearning.ai/langchain/ قابل مشاهده است و توسط توسعه‌دهنده‌ی فریمورک LangChain و آقای آندرو اِنگ تدریس می‌شود.

هر کدام از این کورس‌ها حدود یک ساعت هستند و مشاهده‌ی آنها را توصیه می‌کنم.

توصیه‌های دکتر شریفی زارچی، عضو هیئت علمی دانشگاه شریف، برای دانشجویانی که می‌خواهند هوش مصنوعی را یاد بگیرند:

https://telegra.ph/%D8%B1%D8%B4%D8%AA%D9%87-%D8%AA%D9%88%DB%8C%DB%8C%D8%AA%DB%8C-%D8%A7%D8%B2-SharifiZarchi-06-09-5

"Cna yuo raed tihs?"
به احتمال زیاد شما توانسته‌اید متن بالا را براحتی بخوانید با این‌که ترتیب کاراکترهای داخل کلمات به‌هم‌ ریخته است.

آیا چت‌جی‌پی‌تی هم این توانایی را دارد؟‌ در ویدئوی زیر این مورد را بررسی کرده‌ایم:
https://www.youtube.com/watch?v=-JwVhqYuQZA

اگر دانش‌آموز متوسطه می‌شناسید، این دوره را اکیدا توصیه کنید. سرتیم این دوره، دکتر شریفی زارچی هستند که تسلط بسیار بالایی در این حوزه دارند.

اگه یوتیوب دم دست دارین، یک ساعت دیگه در لایو یوتیوب کانال فارسی تِک ایمیگرنتس (youtube.com/c/TechImmigrants) می‌بینم‌تون!

• موضوع بحث: مسیر آینده: کار، تحصیلی، یا کارآفرینی
• میزبان: saharlead
• زمان: ۹ شب تهران، ۷:۳۰ شب اروپای مرکزی، ۱۰:۳۰ صبح کالیفرنیا

اخیرا پستی از آقای Andrew Ng راجع به آینده‌ی سرویس‌های هوش مصنوعی مطالعه کردم. این سرویس‌ها به دو صورت در دسترس هستند:
۱. سرویس‌های ابری (cloud-based): سرویس‌هایی که پردازش اصلی در یک Data Center اتفاق می‌افتد. به‌عنوان نمونه، چت‌بات‌های هوشمند فعلی مانند ChatGPT در این دسته قرار می‌گیرند.
۲. سرویس‌های روی لبه (edge): سرویس‌هایی که پردازش را روی دستگاه کاربر (مثل لپ‌تاپ یا گوشی هوشمند) انجام می‌دهند. به‌عنوان مثال، سرویس تشخیص چهره‌ی گوشی‌های هوشمند از این نمونه هستند.
تصمیم گرفتم یک نظرسنجی در این رابطه بگذارم. پس از این نظرسنجی، نظر ایشان را بیان خواهم کرد.

یک گزینه را انتخاب کنید.
anonymous poll

در آینده شاهد رشد سرویس‌های هوش مصنوعی روی لبه خواهیم بود. – 78
👍👍👍👍👍👍👍 55%

رشد سرویس‌های هوش مصنوعی ابری به حدی خواهد بود که سرویس‌های روی لبه مورد توجه قرار نخواهند گرفت. – 65
👍👍👍👍👍👍 45%

👥 143 people voted so far.

نظر آقای Ng به نظر اکثر دوستان نزدیک است. برخی از دلایلی که ایشان برای افزایش رشد سرویس‌های هوش مصنوعی روی لبه برمی‌شمرند:
- برای بسیاری از مسائل، یک مدل کوچک که به‌راحتی روی دستگاه‌های کاربر قابل استفاده هستند کفایت می‌کند. بعنوان مثال، برای تشخیص خطای گرامری در یک متن، نیازی به مدل بزرگی مانند GPT3.5 که راجع به فلسفه، کیهان‌شناسی، تاریخ و دیگر علوم اطلاعات دارد، نیست.
- بسیاری از کاربران، مخصوصا کاربران نسل Z (متولدین نیمه‌ی دوم دهه‌ی هفتاد شمسی و دهه‌ی هشتاد)، نسبت به محرمانگی اطلاعاتشان حساسیت بیشتری دارند و به همین دلیل، سرویس‌های روی لبه را تاحدممکن ترجیح می‌دهند.
- منفعت تجاری بسیاری از تولیدکنندگان سخت‌افزار در این است که سرویس‌های روی لبه بیشتر مورد استفاده قرار گیرند، زیرا در این‌صورت، کاربران مجبور خواهند بود دستگاه‌های خود را برای استفاده از سخت‌افزارهای هوش‌ مصنوعی مدرن‌تر ارتقا دهند.
لینک: https://www.deeplearning.ai/the-batch/issue-219/

وب‌سایت https://bestofai.com نزدیک ۱۰ هزار ابزار را که به نحوی از هوش مصنوعی بهره می‌برند جمع‌آوری و دسته‌بندی کرده است. در قسمت Browse By Categories می‌توانید دسته‌ی مورد علاقه‌ی خود را انتخاب کرده و ابزارهای آن دسته را مشاهده کنید.
نکته: متاسفانه ظاهرا این وب‌سایت از آی‌پی‌های ایران باز نمی‌شود و برای استفاده از آن باید وی‌پی‌ان خود را فعال کنید!

معماری ترنسفورمر که در سال ۲۰۱۷ معرفی شد، پیشرفت قابل توجهی در دنیای هوش مصنوعی و پردازش زبان‌های طبیعی ایجاد کرد. بعنوان یک نمونه، مدل GPT از این معماری بهره می‌برد (T در GPT به ترنسفورمر اشاره دارد).
قصد دارم یک دوره‌ی رایگان پردازش زبان طبیعی با ترنسفورمر تهیه کنم. تمرکز این دوره بر پیاده‌سازی عملی مبتنی بر کتابخانه‌ی Transformers توسعه داده شده توسط Hugging Face خواهد بود.
در ویدئوی اول که در لینک زیر در دسترس است به معرفی دوره اعم از اهمیت و منابع آن پرداخته می‌شود.
درصورت استقبال سعی می‌کنم بصورت هفتگی محتواهای جدید را بارگذاری کنم.
امیدوارم این دوره مفید واقع شود.
https://youtu.be/5XU4LWcNWAw

در این ویدئو که دومین جلسه از دوره‌ی پردازش زبان‌های طبیعی با ترنسفورمر است، بطور سریع و درحد آشنایی با مفاهیم، مروری بر معماری شبکه‌های بازگشتی، مدل کدگذار-کدگشا، مکانیزم توجه، معماری ترنسفورمر و موضوع یادگیری انتقالی می‌کنیم. در ویدئوی بعد،‌ شروع به کدنویسی خواهیم کرد.
https://youtu.be/hn7G0F_0bzM

نوبت به کدنویسی در کتابخانه‌ی transformers رسید. در ویدئوی سوم از دوره‌ی پردازش زبان طبیعی با ترنسفورمر، با پایپ‌لاین‌ها آشنا شده و خواهیم دید که با دو خط کد می‌توانیم یک مدل آموزش‌داده‌شده را بارگذاری کرده و از آن برای تحلیل احساس جملات ورودی استفاده نماییم. در این حین، گریزی هم به مدل‌های BERT و DistilBERT خواهیم زد.
https://youtu.be/pa3b44HWxso

در ویدئوی قبل با پایپ‌لاین‌ها آشنا شده و از آنها برای تحلیل احساس متون ورودی استفاده کردیم. در ویدئوی چهارم با پنج پایپ‌لاین دیگر برای وظایف زیر آشنا می‌شویم:
Named Entity Recognition, Question Answering, Summarization, Translation, and Text Generation.

https://youtu.be/LMcFRDlxLzU

در ویدئوی پنجم به سراغ مسئله‌ی معروف و مهم طبقه‌بندی متن می‌رویم. ابتدا مقدمه‌ای راجع به این مسئله ارائه می‌شود. سپس اشاره‌ای به کتابخانه‌ی datasets که برای کار با داده‌ها توسط هاگینگ‌فیس توسعه داده شده است می‌کنیم. نهایتا از این کتابخانه برای خواندن داده از هاب هاگینگ‌فیس که منبعی از انواع داده‌ها و مدل‌هاست استفاده می‌کنیم. در ویدئوهای بعدی، این بحث را ادامه خواهیم داد. 

https://youtu.be/9JR2B2hp5mU

این مقاله که امروز در رسانه‌هایی نظیر گاردین، تلگراف، تایمز و سان به آن پرداخته شد، حاصل تلاش گروهی از محققان حوزه‌ی سرطان است که من نیز افتخار همکاری با آنها را داشتم. در این پژوهش، با به‌کارگیری تکنیک‌های یادگیری ماشین، حدود ۳۰۰۰ پروتئین در نمونه‌های خون افراد مبتلا به ۱۸ نوع سرطان مختلف مورد بررسی قرار گرفت. در نهایت ۱۰ پروتئین برای تشخیص سرطان از حالت طبیعی و ۱۵۰ پروتئین برای تعیین نوع سرطان به تفکیک جنسیت انتخاب شدند. این یافته‌ها می‌تواند در غربالگری و تشخیص زودهنگام سرطان مؤثر باشد.

سلام دوستان. با توجه به مشغله‌های پیش آمده، انتشار مجموعه‌ی پردازش زبان طبیعی با ترنسفورمر فعلا متوقف می‌شود. امیدوارم در آینده امکان ادامه دادن این مجموعه فراهم شود.

مدل GPT4o که پیشرفته‌ترین مدل توسعه یافته توسط OpenAI است و دیروز منتشر شده است، در تشخیص و تحلیل محتوای متنی فارسی در تصاویر، عملکرد خیره‌کننده‌ای از خود نشان می‌دهد.
در این مثال، تصویر آخرین پست کانال به این مدل داده شده است. توجه کنید که نه تنها محتوای متنی را به درستی استخراج کرده، تعداد لایک‌ها و دیس‌لایک‌ها و حتی نوع شبکه‌ی اجتماعی را هم به درستی تشخیص داده است.