🇮🇷 پیشنهاد ایران در حوزه مدل‌های زبانی بزرگ (LLM) در ISO ثبت شد.

جزییات این خبر را در پست بعد بخوانید.👇🏽

🌐 @PyVision

🔹️ رئیس پژوهشگاه ارتباطات و فناوری اطلاعات اعلام کرد پیشنهاد ایران در زمینه استانداردسازی هوش مصنوعی و مدل‌های زبانی بزرگ (Large Language Models – LLMs) به‌عنوان یک ردیف «نقشه راه عملیاتی» در International Organization for Standardization (ISO) به ثبت رسیده است.

به گزارش روابط عمومی پژوهشگاه ارتباطات و فناوری اطلاعات، این پیشنهاد بر سه محور اصلی تمرکز دارد:

▫️ چارچوب‌های ارزیابی (Evaluation Frameworks)
▫️ اخلاق فناوری (AI Ethics)
▫️ تعامل‌پذیری مدل‌های زبانی (LLM Interoperability)

این طرح پس از رایزنی‌های بین‌المللی و دریافت بازخورد مثبت از کشورهای عضو ISO، وارد مرحله «نقشه راه عملیاتی مقدماتی» شده است؛ مرحله‌ای که زمینه بلوغ فنی و شکل‌گیری اجماع جهانی برای تدوین استانداردهای آینده را فراهم می‌کند.

🔹️ اظهارات رئیس پژوهشگاه
محمدحسین شیخی، رئیس پژوهشگاه ارتباطات و فناوری اطلاعات، با اشاره به اهمیت این اقدام اظهار داشت ثبت رسمی این پیشنهاد در ISO صرفاً یک موفقیت اداری نیست، بلکه نشانه حضور فعال ایران در فرآیند شکل‌دهی به چارچوب‌های فنی فناوری‌های نوظهور است.

وی تأکید کرد مدل‌های زبانی بزرگ، «قلب تپنده هوش مصنوعی مدرن» هستند و مشارکت در تدوین استانداردهای این حوزه می‌تواند نقش مؤثری در تضمین منافع ملی در مسیر تحول دیجیتال ایفا کند.

✅️ این پیشنهاد که پیش‌تر به‌عنوان طرح اولیه ارائه شده بود، اکنون با مشارکت فعال کشورهای عضو و تأیید نوآوری‌های فنی آن، وارد مرحله‌ای شده که می‌تواند در تنظیم‌گری بین‌المللی هوش مصنوعی نقش‌آفرین باشد.

📌 لینک خبر:
🔘 www.itrc.ac.ir

#️⃣ #هوش_مصنوعی #مدل_زبانی #استانداردسازی #فناوری
#PyVision #ArtificialIntelligence #ISO #AIStandards #LLM #DigitalTransformation

🌐 @PyVision

🔸️ برای یادگیری بینایی ماشین، کتابخانه‌ OpenCV یکی از ابزارهای پایه و ضروری است.
از پردازش تصویر تا آماده‌سازی داده برای مدل‌های یادگیری عمیق.
در این پست به‌صورت دقیق و مستند با این کتابخانه‌ی کلیدی آشنا خواهیم شد. 👇🏽

🌐 @PyVision

📘 معرفی کتابخانه OpenCV
(Open Source Computer Vision Library)


⭐ OpenCV

🔷️ کتابخانه OpenCV چیست؟
یک کتابخانه‌ی متن‌باز (Open Source) برای پردازش تصویر و بینایی ماشین است که نخستین‌بار توسط شرکت Intel توسعه داده شد و امروزه توسط جامعه متن‌باز (OpenSource Community) و بنیاد OpenCV توسعه داده می‌شود.

🔹️این کتابخانه به زبان ++C نوشته شده اما رابط‌های رسمی (Language Bindings) برای:
● Python
● C++
● Java
ارائه می‌دهد و در سیستم‌عامل‌های مختلف (Windows, Linux, macOS, Android) قابل استفاده است.

🔹️بر اساس مستندات رسمی OpenCV، این کتابخانه بیش از ۲۵۰۰ الگوریتم بهینه‌شده برای کاربردهای بینایی ماشین ارائه می‌دهد.

🔹️مهم‌ترین قابلیت‌ها:

1️⃣ پردازش پایه تصویر
● خواندن و ذخیره تصویر و ویدئو
● تغییر اندازه (Resize)
● برش (Cropping)
● تبدیل فضای رنگ (RGB ↔ Gray ↔ HSV)

2️⃣ فیلترگذاری و بهبود تصویر
● Gaussian Blur
● Median Filtering
● Histogram Equalization

3️⃣ تشخیص ویژگی‌ها (Feature Detection)
● تشخیص لبه (Canny Edge Detection)
● تشخیص گوشه (Harris Corner)
● استخراج نقاط کلیدی (SIFT / ORB)

4️⃣ تشخیص شیء و چهره (روش‌های کلاسیک)
● Haar Cascade Classifier
● Template Matching


🔹 کتابخانهOpenCV در عصر Deep Learning
اگرچه امروزه بسیاری از سیستم‌های پیشرفته بر پایه شبکه‌های عصبی عمیق ساخته می‌شوند (مانند CNN و Vision Transformer)،
اما OpenCV همچنان نقش کلیدی دارد:

● پیش‌پردازش داده‌های تصویری قبل از آموزش مدل
● آماده‌سازی و Augmentation تصاویر
● اجرای سریع پردازش‌های بلادرنگ (Real-time)
● اتصال مدل‌های آموزش‌دیده به سیستم‌های عملیاتی

■ در واقع OpenCV اغلب در کنار فریم‌ورک‌هایی مانند PyTorch و TensorFlow استفاده می‌شود.


🔹 چرا یادگیری OpenCV مهم است؟

چرا که:
● پایه‌ی درک عملی پردازش تصویر است
● فهم الگوریتم‌های کلاسیک CV را تقویت می‌کند
● برای پروژه‌های صنعتی سبک و بلادرنگ (Real-time) بسیار کاربردی است
● نقطه شروع مناسب برای ورود به حوزه بینایی ماشین محسوب می‌شود

🔹️ جایگاه OpenCV در بینایی ماشین

❇️پردازش تصویر
⬅️ استخراج ویژگی
⬅️ آماده‌سازی داده
⬅️ اتصال به مدل‌های یادگیری عمیق
⬅️ استقرار در سیستم واقعی
■ کتابخانه OpenCV معمولاً در مراحل اولیه و عملیاتی مورد استفاده قرار می‌گیرد.

📌 منابع:
🔘 OpenCV Documentation
🔘 IBM — Computer Vision Overview
🔘 Stanford University

#️⃣ #بینایی_ماشین #پردازش_تصویر #هوش_مصنوعی
#ComputerVision #OpenCV #ImageProcessing #AI #DeepLearning

🌐 @PyVision

🚀 گوگل نسخه جدید Gemini 3.1 Pro را منتشر کرد.

🔹️ جزئیات این خبر را در پست بعد بخوانید. 👇🏽


🌐 @PyVision

🔵 شرکت Google از جدیدترین نسخه مدل قدرتمند خود با نام Google Gemini 3.1 Pro رونمایی کرد.

این مدل در حال حاضر به‌صورت نسخه پیش‌نمایش (Preview) در دسترس قرار گرفته و قرار است به‌زودی به‌صورت عمومی عرضه شود.

📊 رکوردهای جدید در بنچمارک‌ها
طبق اعلام گوگل، Gemini 3.1 Pro در چندین بنچمارک مستقل عملکردی بالاتر از نسخه قبلی خود (Gemini 3) ثبت کرده است.
از جمله در آزمونی با نام Humanity’s Last Exam که برای ارزیابی توانایی مدل‌های هوش مصنوعی در حل مسائل پیچیده طراحی شده است.

همچنین، بر اساس سیستم ارزیابی APEX، که توسط استارتاپ هوش مصنوعی Mercor توسعه یافته، این مدل در صدر جدول APEX-Agents قرار گرفته است.
این رتبه‌بندی عملکرد مدل‌ها را در انجام وظایف حرفه‌ای واقعی اندازه‌گیری می‌کند.

⚙️ رقابت فشرده در بازار مدل‌های پیشرفته
عرضه Gemini 3.1 Pro در شرایطی انجام می‌شود که رقابت میان شرکت‌های بزرگ فناوری برای توسعه مدل‌های قدرتمندتر در حوزه:

● عامل‌های هوش مصنوعی (AI Agents)
● و استدلال چندمرحله‌ای (Multi-step Reasoning)

شدت گرفته است.

شرکت‌هایی مانند OpenAI و Anthropic نیز اخیراً مدل‌های جدیدی معرفی کرده‌اند.

💬 نظر شما درباره عملکرد Gemini چیست؟
آیا رقابت میان مدل‌های پیشرفته را به نفع کاربران می‌دانید؟
دیدگاه خود را با ما به اشتراک بگذارید.

📌 لینک خبر:
🔘 www.TechCrunch.com

#️⃣ #هوش_مصنوعی #مدل_زبانی #فناوری
#Google #Gemini #PyVision
#ArtificialIntelligence #LLM #AIModels #TechNews #TechCrunch

🌐 @PyVision

🔹️ اگر تمایل دارید سطح محتوا تغییر کند،
لطفاً در کامنت‌ها پیشنهادات خود را بنویسید، بسان:

ساده‌تر شود
مثال عملی بیشتر داشته باشد
تحلیل عمیق‌تر و فنی‌تر شود
یا مسیر فعلی حفظ شود

نظرات شما پس از بررسی و امکان‌سنجی مستقیماً در تهیه محتواها اثر خواهد داشت.

🌐 @PyVision

🇮🇳 نیمی از کاربران ChatGPT در هند بین ۱۸ تا ۲۴ سال دارند.

بر اساس گزارشی از TechCrunch، شرکت OpenAI اعلام کرده است که در هند، کاربران ۱۸ تا ۲۴ ساله تقریباً ۵۰ درصد از کل استفاده از ChatGPT را به خود اختصاص داده‌اند.

طبق این گزارش:

▫️ کاربران ۱۸ تا ۲۴ سال، نزدیک به نیمی از پیام‌های ارسال‌شده به ChatGPT در هند را تشکیل می‌دهند.
▫️ کاربران زیر ۳۰ سال نیز حدود ۸۰ درصد از کل تعاملات با این پلتفرم را شامل می‌شوند.

این داده‌ها نشان می‌دهد که نسل جوان در هند نقش اصلی را در رشد و استفاده از ابزارهای هوش مصنوعی ایفا می‌کند.

هند یکی از بزرگ‌ترین بازارهای کاربران اینترنت در جهان محسوب می‌شودو سهم بالای جوانان ازاستفاده ChatGPT، بیانگر نفوذ سریع فناوری‌های مبتنی برهوش مصنوعی در میان نسل جدید این کشور است.

💬 به نظر شما چرانسل جوان در هند این‌قدر سریع به سمت ابزارهای هوش مصنوعی حرکت کرده است؟
آیا این رونددرایران هم قابل مشاهده است؟
دیدگاه خود را با ما به اشتراک بگذارید.

📌 لینک خبر:
🔘 www.techcrunch.com

#️⃣ #هوش_مصنوعی #فناوری #هند #آمریکا
#ChatGPT #PyVision #ArtificialIntelligence #TechNews #TechCrunch

🌐 @PyVision

⚡ سم آلتمن: ادعاهای مصرف آب ChatGPT «کاملاً نادرست» است.

او گفت، جهان باید سریع‌تر به سمت انرژی‌های هسته‌ای، بادی و خورشیدی حرکت کند.

جزئیات این خبر را در پست بعد بخوانید. 👇🏽


🌐 @PyVision

🔹️ سم آلتمن (Sam Altman)، مدیرعامل OpenAI، در رویداد هوش مصنوعی در هند به نگرانی‌ها درباره اثرات زیست‌محیطی هوش مصنوعی پاسخ داد.

🔹️ او گفت ادعاهایی مانند «مصرف ۱۷ گالن آب برای هر پرسش ChatGPT» پایه علمی ندارد و توضیح داد مراکز داده دیگر از روش‌های قدیمی خنک‌سازی تبخیری استفاده نمی‌کنند.

🔹️ آلتمن در عین حال تأکید کرد نگرانی درباره مصرف کل انرژی هوش مصنوعی قابل درک است، زیرا استفاده جهانی از AI به‌شدت در حال افزایش است. به گفته او، جهان باید سریع‌تر به سمت انرژی‌های هسته‌ای، بادی و خورشیدی حرکت کند.

🔹️ در پاسخ به این پرسش که آیا هر پرسش ChatGPT معادل ۱.۵ بار شارژ آیفون انرژی مصرف می‌کند، او گفت: «به هیچ‌وجه چنین عددی درست نیست.»

🔸️ با این حال، منتقدان معتقدند نبود شفافیت کامل در انتشار داده‌های مصرف انرژی مراکز داده، امکان ارزیابی مستقل و دقیق را محدود می‌کند. همچنین، رشد سریع تقاضا برای مدل‌های بزرگ ممکن است فشار قابل‌توجهی بر زیرساخت‌های برق وارد کند؛ حتی اگر مصرف هر پرسش به‌تنهایی پایین باشد.

💬 شما چه فکر می‌کنید؟
آیا نگرانی‌ها درباره مصرف انرژی هوش مصنوعی بیش از حد بزرگ‌نمایی شده است یا نیازمند شفافیت و مقررات جدی‌تری هستیم؟
دیدگاه خود را با ما به اشتراک بگذارید.

📌 لینک خبر:
🔘 www.techcrunch.com

#️⃣ #هوش_مصنوعی #سم_آلتمن #مصرف_انرژی #فناوری
#ArtificialIntelligence #AIenergy #OpenAI #ChatGPT #TechNews #PyVisio

🌐 @PyVision

📚 معرفی کتاب
قسمت بیست و پنجم

Fundamentals of Machine Learning for Predictive Data Analytics
نویسندگان:
John D. Kelleher, Brian Mac Namee, Aoife D’Arcy

📊 سطح: متوسط تاپیشرفته
🗣 زبان: انگلیسی

💎 ویژگی‌های منحصربه‌فرد کتاب
● منتشرشده توسط MIT Press
● تمرکز بر تحلیل داده‌های پیش‌بینانه
● ترکیب مفاهیم الگوریتم‌ها با پیاده‌سازی عملی
● آموزش چرخه ساخت مدل از داده تا ارزیابی
● مثال‌های کاربردی برای درک بهتر

🌟 چه چیزی این کتاب را خاص می‌کند؟
● ارائه دید ساختارمند به مدل‌سازی پیش‌بینانه
● توضیح الگوریتم‌های اصلی ML باشهود آماری
● تمرکز بر ارزیابی ومقایسه مدل‌ها
● پوشش الگوریتم‌های کلاسیک با نگاه تحلیلی
● مناسب دانشجویان علوم داده و تحلیلگران

📚 سرفصل‌های کلیدی کتاب
● مبانی یادگیری ماشین و تحلیل پیش‌بینانه
● پیش‌پردازش داده‌ها
● رگرسیون و طبقه‌بندی
● درخت‌های تصمیم
● الگوریتم KNN
● مدل‌های احتمالاتی
● ارزیابی و اعتبارسنجی
● پیاده‌سازی الگوریتم‌ها با Python

📌 منبع:
🔘 mitpress.mit.edu

#️⃣ #یادگیری_ماشین #تحلیل_داده #علوم_داده #کتاب_بیست_و_پنجم
#MachineLearning #PredictiveAnalytics #DataScience #MITPress

🌐 @PyVision

⚠️ پژوهش MIT: چت‌بات‌های هوش مصنوعی برای کاربران آسیب‌پذیر دقت کمتری دارند!

🔸️ جزئیات این خبر را در پست بعدی بخوانید. 👇🏽


🌐 @PyVision

🔹️ بر اساس پژوهشی از MIT Center for Constructive Communication، مدل‌های پیشرفته هوش مصنوعی ممکن است برای برخی کاربران، به‌ویژه افراد با مهارت پایین‌تر در زبان انگلیسی، تحصیلات رسمی کمتر یا ملیت‌های غیرآمریکایی، پاسخ‌های کم‌دقت‌تر و گاه نادرست‌تری ارائه دهند.

این مطالعه که در کنفرانس AAAI Conference on Artificial Intelligence ارائه شده، عملکرد سه مدل مطرح را بررسی کرده است:

● OpenAI GPT-4
● Anthropic Claude 3 Opus
● Meta Llama 3

📊 یافته‌های کلیدی پژوهش
● کاهش معنادار دقت پاسخ‌ها برای کاربران با تحصیلات کمتر و غیر بومی انگلیسی‌زبان
● بیشترین افت کیفیت برای کاربرانی که هم تحصیلات پایین‌تر داشتند و هم انگلیسی زبان مادری آن‌ها نبود
● افزایش نرخ «امتناع از پاسخ‌گویی» برای این گروه‌ها

برای مثال، مدل Claude 3 Opus در حدود ۱۱٪ موارد از پاسخ‌گویی به کاربران کم‌تحصیل و غیر بومی خودداری کرده، در حالی که این عدد برای کاربران عادی ۳.۶٪ بوده است.
در برخی موارد، پاسخ‌ها لحن تحقیرآمیز یا سرزنش‌کننده داشته و حتی مدل از لهجه اغراق‌آمیز یا انگلیسی شکسته تقلید کرده است.
🔺️ همچنین در بررسی کاربران از کشورهای مختلف، عملکرد برخی مدل‌ها برای کاربران ایرانی افت بیشتری نشان داده است.


🔺️ این تحقیق نشان می‌دهد که مدل‌های زبانی بزرگ (LLMs) ممکن است به‌صورت سیستماتیک برای کاربران آسیب‌پذیر عملکرد ضعیف‌تری داشته باشند؛ موضوعی که می‌تواند نابرابری در دسترسی به اطلاعات دقیق را تشدید کند.
پژوهشگران هشدار داده‌اند که بدون اصلاح سوگیری‌های مدل‌ها، این فناوری‌ها ممکن است به‌جای کاهش نابرابری اطلاعاتی، آن را تقویت کنند.

📌 لینک خبر:
🔘 news.mit.edu

#️⃣ #هوش_مصنوعی #چتبات #سوگیری_الگوریتمی #فناوری
#PyVision #MIT #ArtificialIntelligence #LLM #AIBias #AIethics #TechNews

🌐 @PyVision