@ai_python
نانو بنانا از طریق API و از طریق Google AI Studio به صورت Preview در دسترس قرار گرفت.
پیش از این بالاتر درباره ابزارهای مختلف گوگل در رابطه با هوش مصنوعی از جمله Google AI Studio صحبت کرده بودیم.
لینک توییت تصویر : https://x.com/googleaistudio/status/1960344388560904213
نانو بنانا از طریق API و از طریق Google AI Studio به صورت Preview در دسترس قرار گرفت.
پیش از این بالاتر درباره ابزارهای مختلف گوگل در رابطه با هوش مصنوعی از جمله Google AI Studio صحبت کرده بودیم.
لینک توییت تصویر : https://x.com/googleaistudio/status/1960344388560904213
در خصوص این پست کانال نوپای @elonfact سوالی که مطرح می شه اینه که آیا این فناوری در حال حاضر عملی هست؟ برخلاف تصویر خیلی از افراد، بله! :
اسپیس‌ایکس در منظومه ماهواره‌ای استارلینک از ارتباطات لیزری بین ماهواره‌ها استفاده می‌کنه تا داده‌ها رو بدون نیاز به ایستگاه‌های زمینی منتقل کنه.
@ai_python
ناسا هم از این فناوری برای ارسال تصاویر و ویدیوها از فضا به زمین استفاده کرده، با سرعتی تا ۱.۲ گیگابیت بر ثانیه.
@ai_python
فرانسه اخیراً موفق شده یک ارتباط لیزری پایدار بین یک نانوماهواره و ایستگاه زمینی برقرار کنه، که اولین نمونه تجاری موفق در اروپا محسوب می‌شه
به نظر می رسه که روسیه و چین هم در حال توسعه این فناوری هستند.
در هر صورت فکر کردم شاید با توجه به اینکه از این فناوری در حوزه انتقال دیتا استفاده می شه برای خیلی از افراد این کانال هم جالب باشه این پست:
اسپیس‌ایکس در منظومه ماهواره‌ای استارلینک از ارتباطات لیزری بین ماهواره‌ها استفاده می‌کنه تا داده‌ها رو بدون نیاز به ایستگاه‌های زمینی منتقل کنه.
@ai_python
ناسا هم از این فناوری برای ارسال تصاویر و ویدیوها از فضا به زمین استفاده کرده، با سرعتی تا ۱.۲ گیگابیت بر ثانیه.
@ai_python
فرانسه اخیراً موفق شده یک ارتباط لیزری پایدار بین یک نانوماهواره و ایستگاه زمینی برقرار کنه، که اولین نمونه تجاری موفق در اروپا محسوب می‌شه
به نظر می رسه که روسیه و چین هم در حال توسعه این فناوری هستند.
در هر صورت فکر کردم شاید با توجه به اینکه از این فناوری در حوزه انتقال دیتا استفاده می شه برای خیلی از افراد این کانال هم جالب باشه این پست:
Forwarded from Elon Fact فارسی
This media is not supported in your browser
VIEW IN TELEGRAM
@elonfact
فناوری ردیابی لیزری بسیار دقیقی که SpaceX در اختیار داره، قادر است در فاصله‌ای حدود ۴۰۰۰ کیلومتر (۲۵۰۰ مایل) و در حالی که با سرعتی حدود ۲۵ برابر سرعت صوت حرکت می‌کند، هدف را دنبال کند.
@elonfact
🚀 کاربردهای ارتباط لیزری بین ماهواره‌ها:
افزایش سرعت انتقال داده‌ها ارتباطات لیزری می‌تونن داده‌ها رو با سرعتی تا چند گیگابیت بر ثانیه منتقل کنن، که بسیار سریع‌تر از امواج رادیویی سنتیه.
پهنای باند بالا و کاهش تداخل: چون لیزرها از طیف نوری استفاده می‌کنن، کمتر تحت تأثیر ازدحام فرکانسی قرار می‌گیرن و تداخل سیگنال‌ها به حداقل می‌رسه.
@elonfact
امنیت بیشتر پرتوهای لیزری بسیار متمرکز هستن و به سختی قابل شنود یا رهگیری هستن، که این موضوع برای ارتباطات نظامی و حساس بسیار مهمه.
کاهش وزن و هزینه تجهیزات سیستم‌های لیزری نسبت به تجهیزات رادیویی سنتی سبک‌تر و کم‌هزینه‌تر هستن، که برای پرتاب‌های فضایی مزیت بزرگیه.
فناوری ردیابی لیزری بسیار دقیقی که SpaceX در اختیار داره، قادر است در فاصله‌ای حدود ۴۰۰۰ کیلومتر (۲۵۰۰ مایل) و در حالی که با سرعتی حدود ۲۵ برابر سرعت صوت حرکت می‌کند، هدف را دنبال کند.
@elonfact
🚀 کاربردهای ارتباط لیزری بین ماهواره‌ها:
افزایش سرعت انتقال داده‌ها ارتباطات لیزری می‌تونن داده‌ها رو با سرعتی تا چند گیگابیت بر ثانیه منتقل کنن، که بسیار سریع‌تر از امواج رادیویی سنتیه.
پهنای باند بالا و کاهش تداخل: چون لیزرها از طیف نوری استفاده می‌کنن، کمتر تحت تأثیر ازدحام فرکانسی قرار می‌گیرن و تداخل سیگنال‌ها به حداقل می‌رسه.
@elonfact
امنیت بیشتر پرتوهای لیزری بسیار متمرکز هستن و به سختی قابل شنود یا رهگیری هستن، که این موضوع برای ارتباطات نظامی و حساس بسیار مهمه.
کاهش وزن و هزینه تجهیزات سیستم‌های لیزری نسبت به تجهیزات رادیویی سنتی سبک‌تر و کم‌هزینه‌تر هستن، که برای پرتاب‌های فضایی مزیت بزرگیه.
در این نوشتار در بلاگ ان ویدیا، 5 مشکل رایج در کتابخانه Pandas و بهترین راه حل های آن ها نوشته شده است :
@ai_python
🌀 Slow CSV reads → engine="pyarrow" … or %load_ext cudf.pandas
💥 Merges freezing your laptop → %load_ext cudf.pandas
🐏 Strings eating RAM → astype("category") … or %load_ext cudf.pandas
⏳ Painfully slow groupby() → %load_ext cudf.pandas
💻 Memory errors on large datasets → downcast … or %load_ext cudf.pandas
https://developer.nvidia.com/blog/how-to-spot-and-fix-5-common-performance-bottlenecks-in-pandas-workflows/
@ai_python
🌀 Slow CSV reads → engine="pyarrow" … or %load_ext cudf.pandas
💥 Merges freezing your laptop → %load_ext cudf.pandas
🐏 Strings eating RAM → astype("category") … or %load_ext cudf.pandas
⏳ Painfully slow groupby() → %load_ext cudf.pandas
💻 Memory errors on large datasets → downcast … or %load_ext cudf.pandas
https://developer.nvidia.com/blog/how-to-spot-and-fix-5-common-performance-bottlenecks-in-pandas-workflows/
NVIDIA Technical Blog
How to Spot (and Fix) 5 Common Performance Bottlenecks in pandas Workflows
Slow data loads, memory-intensive joins, and long-running operations—these are problems every Python practitioner has faced. They waste valuable time and make iterating on your ideas harder than it…
3
یکی از مشکلاتی که به دلیل سرعتی که خود مدل های زبانی بزرگ در کدنویسی به ارمغان آوردن، اینه که همه ابزارها بسیار سریع تر به روز رسانی می شن و در نتیجه حتی جدیدترین مدل ها، گاهی برای بعضی از موارد یک روز پس از انتشار، عقب افتاده محسوب می شوند.
@ai_python
این باعث می شه که برنامه نویس هایی که وایب کدینگ انجام می دن، همیشه با مشکلات خاصی دست و پنجه نرم کنند، یا دیگران را دچار مشکلاتی کنند. ولی در هر صورت چیزی که مسلم است این است که نمی شود جلوی این موج وایب کدینگ را گرفت. ولی می توانیم آن را بهبود ببخشیم. لاما ایندکس هم برای این مهم، یک چاره اندیشیده که به نظرم خیلی جالب اومد. برای مثال یکی از مشکلات وایب کدینگ اینه که در بسیاری از اوقات از API های قدیمی اونا استفاده می کرد.
اما با راه حل Vibe Coding Agent همیشه، اصول کار با تازه ترین نسخه API به مدل به عنوان Context داده می شه. در واقع به نوعی Augmentation اتفاق می افته.
@ai_python
اینم پست بلاگ مربوط بهش :
https://www.llamaindex.ai/blog/the-future-of-vibe-coding-agents
@ai_python
این باعث می شه که برنامه نویس هایی که وایب کدینگ انجام می دن، همیشه با مشکلات خاصی دست و پنجه نرم کنند، یا دیگران را دچار مشکلاتی کنند. ولی در هر صورت چیزی که مسلم است این است که نمی شود جلوی این موج وایب کدینگ را گرفت. ولی می توانیم آن را بهبود ببخشیم. لاما ایندکس هم برای این مهم، یک چاره اندیشیده که به نظرم خیلی جالب اومد. برای مثال یکی از مشکلات وایب کدینگ اینه که در بسیاری از اوقات از API های قدیمی اونا استفاده می کرد.
اما با راه حل Vibe Coding Agent همیشه، اصول کار با تازه ترین نسخه API به مدل به عنوان Context داده می شه. در واقع به نوعی Augmentation اتفاق می افته.
@ai_python
اینم پست بلاگ مربوط بهش :
https://www.llamaindex.ai/blog/the-future-of-vibe-coding-agents
www.llamaindex.ai
The Future of Vibe-Coding Agents — LlamaIndex - Build Knowledge Assistants over your Enterprise Data
LlamaIndex is a simple, flexible framework for building knowledge assistants using LLMs connected to your enterprise data.
2
این منبع به بررسی عمیق دو موضوع کلیدی در توسعه هوش مصنوعی می‌پردازد:
تقویت حافظه بلندمدت برای Agent های هوش مصنوعی با استفاده از یکپارچه‌سازی LangGraph و MongoDB، و پیاده سازی هوش مصنوعی اخلاق محور در سیستم‌های هوش مصنوعی از طریق هوش مصنوعی ساختاری (Constitutional AI) و قابلیت‌های داده‌ای MongoDB.
@ai_python
بخش اول بر اهمیت توانایی Agent های هوش مصنوعی برای به خاطر سپردن اطلاعات در چندین جلسه تاکید دارد و راهکار MongoDB Store for LangGraph را معرفی می‌کند که امکان ذخیره‌سازی مداوم اطلاعات را فراهم می‌آورد. بخش دوم، هوش مصنوعی ساختاری را به عنوان یک روش خودگردانی اخلاقی برای مدل‌های هوش مصنوعی توضیح می‌دهد و نشان می‌دهد که چگونه MongoDB با قابلیت‌هایی مانند کنترل دسترسی مبتنی بر Role و جستجوی برداری پیشرفته، زیرساخت لازم برای پیاده‌سازی این چارچوب‌های اخلاقی را فراهم می‌کند. در نهایت، بلاگ، به پتانسیل هوش مصنوعی در بهبود عملیات تحریریه و ایجاد جریان‌های کاری کارآمدتر برای تولید محتوا نیز اشاره دارد.
https://www.mongodb.com/company/blog/product-release-announcements/powering-long-term-memory-for-agents-langgraph
فایل پادکست مرتبط : https://t.iss.one/navidcasts/20
تقویت حافظه بلندمدت برای Agent های هوش مصنوعی با استفاده از یکپارچه‌سازی LangGraph و MongoDB، و پیاده سازی هوش مصنوعی اخلاق محور در سیستم‌های هوش مصنوعی از طریق هوش مصنوعی ساختاری (Constitutional AI) و قابلیت‌های داده‌ای MongoDB.
@ai_python
بخش اول بر اهمیت توانایی Agent های هوش مصنوعی برای به خاطر سپردن اطلاعات در چندین جلسه تاکید دارد و راهکار MongoDB Store for LangGraph را معرفی می‌کند که امکان ذخیره‌سازی مداوم اطلاعات را فراهم می‌آورد. بخش دوم، هوش مصنوعی ساختاری را به عنوان یک روش خودگردانی اخلاقی برای مدل‌های هوش مصنوعی توضیح می‌دهد و نشان می‌دهد که چگونه MongoDB با قابلیت‌هایی مانند کنترل دسترسی مبتنی بر Role و جستجوی برداری پیشرفته، زیرساخت لازم برای پیاده‌سازی این چارچوب‌های اخلاقی را فراهم می‌کند. در نهایت، بلاگ، به پتانسیل هوش مصنوعی در بهبود عملیات تحریریه و ایجاد جریان‌های کاری کارآمدتر برای تولید محتوا نیز اشاره دارد.
https://www.mongodb.com/company/blog/product-release-announcements/powering-long-term-memory-for-agents-langgraph
فایل پادکست مرتبط : https://t.iss.one/navidcasts/20
MongoDB
Powering Long-Term Memory for Agents With LangGraph and MongoDB | MongoDB Blog
Enhance your AI agents with long-term memory using the new MongoDB Store for LangGraph. Build intelligent, context-aware agents that learn and adapt over time.
2
Forwarded from Migration is EasY
سباستین کورتز، صدر اعظم سابق اتریش ( بار دوم از ژانویه 2020 تا اکتبر 2021 ) که پس از آغاز تحقیقات قضایی به دلیل فساد مالی او، از سمتش استعفا داده بود، اکنون چند وقتی هست که یک شرکت امنیت سایبری به نام Dream تاسیس کرده است.
اما خبری که دیروز درباره فعالیت های شرکت Dream و یکی از تجربه های موفق آن ها منتشر شد در نوع خودش جالبه :
در واقع شرکت او موفق شده با استفاده از هوش مصنوعی یک حمله سایبری گسترده از سوی ایران را شناسایی کند
ظاهرن حمله توسط یکی از گروه های هکری وابسته به وزارت اطلاعات ایران انجام شده.
هدف اصلی، نفوذ به ایمیل سفارت عمان در پاریس بوده که از آن برای ارسال بیش از ۱۰۰ ایمیل آلوده به نهادهای دیپلماتیک در سراسر جهان استفاده شده.
به نظر می رسه که این برای اولین بار هست، که یک کمپین سایبری دولتی به‌طور کامل توسط هوش مصنوعی شناسایی شده. اگر اشتباه می گم تصحیحم کنید؟
و در نهایت هم این که هدف حمله، جمع‌آوری اطلاعات حساس و تضعیف اعتماد در روابط دیپلماتیک بوده، برآورد شده. اما تا جایی که می دونم جزئیات بیش تری ارائه نشده است.
Please open Telegram to view this post
VIEW IN TELEGRAM
2