❓ در سامانه تشخیص خودکار آریتمی قلب از سیگنال ECG که از معماری ترکیبی شبکه عصبی کانولوشنی و LSTM استفاده می‌کند، مزیت اصلی این ترکیب چیست؟
Anonymous Quiz
57%
شبکه کانولوشنی ویژگی‌های مکانی سیگنال را استخراج کرده و LSTM وابستگی‌های زمانی را مدل می‌کند
43%
شبکه کانولوشنی وابستگی‌های زمانی را مدل کرده و LSTM ویژگی‌های مکانی را استخراج می‌کند
0%
هر دو فقط برای کاهش نویز سیگنال استفاده می‌شوند
0%
این ترکیب صرفاً برای کوچک‌تر شدن اندازه مدل نسبت به شبکه‌های جداگانه به کار می‌رود
👍7🥰7😁7🎉4❤3👏3🔥2
This media is not supported in your browser
VIEW IN TELEGRAM
🛡 سیستم‌های هوش مصنوعی ضدتصادم؛ دیده‌بان هوشمند ایمنی
@rss_ai_ir
🚧 در محیط‌های صنعتی، معدنی و حمل‌ونقل، یک لحظه بی‌دقتی می‌تواند منجر به حادثه‌ای جدی شود.
اینجاست که سیستم‌های هوش مصنوعی ضدتصادم وارد عمل می‌شوند؛ سامانه‌هایی که با ترکیب حسگرهای دقیق و الگوریتم‌های پیشرفته، خطر را قبل از وقوع شناسایی می‌کنند.
---
🔍 چطور کار می‌کنند؟
1. حسگرها: استفاده از دوربین، لیدار، رادار یا UWB برای پایش محیط.
2. بینایی ماشین (Computer Vision): پردازش تصویر یا داده حسگر برای شناسایی اشیا، انسان‌ها یا موانع.
3. یادگیری عمیق (Deep Learning): تحلیل رفتار و پیش‌بینی مسیر حرکت اجسام.
4. هشدار یا اقدام ایمن‌ساز: اعلام هشدار صوتی/تصویری یا حتی توقف خودکار دستگاه.
---
⚙️ نمونه کاربردها:
* 🚜 جلوگیری از برخورد ماشین‌آلات سنگین در معادن.
* 🚂 پیشگیری از تصادم قطارها در خطوط ریلی.
* 🚗 سیستم‌های ایمنی پیشرفته خودروها (ADAS).
* 🏭 ایمنی جرثقیل‌های سقفی و تجهیزات جابه‌جایی بار.
---
🤖 چرا هوش مصنوعی؟
برخلاف سیستم‌های سنتی، AI می‌تواند:
* تشخیص دقیق‌تر در شرایط سخت (گردوغبار، مه، نور کم)
* پیش‌بینی برخورد پیش از رسیدن به نقطه خطر
* کاهش آلارم‌های کاذب با یادگیری از داده‌های محیط واقعی
---
🔗 آینده ایمنی صنعتی به سمت سیستم‌های ضدتصادم هوشمند حرکت می‌کند؛ جایی که ماشین‌ها نه‌تنها می‌بینند، بلکه می‌فهمند و پیش‌بینی می‌کنند.
#هوش_مصنوعی #ایمنی #بینایی_ماشین #ضدتصادم #یادگیری_عمیق #AI #MachineVision
@rss_ai_ir
@rss_ai_ir
🚧 در محیط‌های صنعتی، معدنی و حمل‌ونقل، یک لحظه بی‌دقتی می‌تواند منجر به حادثه‌ای جدی شود.
اینجاست که سیستم‌های هوش مصنوعی ضدتصادم وارد عمل می‌شوند؛ سامانه‌هایی که با ترکیب حسگرهای دقیق و الگوریتم‌های پیشرفته، خطر را قبل از وقوع شناسایی می‌کنند.
---
🔍 چطور کار می‌کنند؟
1. حسگرها: استفاده از دوربین، لیدار، رادار یا UWB برای پایش محیط.
2. بینایی ماشین (Computer Vision): پردازش تصویر یا داده حسگر برای شناسایی اشیا، انسان‌ها یا موانع.
3. یادگیری عمیق (Deep Learning): تحلیل رفتار و پیش‌بینی مسیر حرکت اجسام.
4. هشدار یا اقدام ایمن‌ساز: اعلام هشدار صوتی/تصویری یا حتی توقف خودکار دستگاه.
---
⚙️ نمونه کاربردها:
* 🚜 جلوگیری از برخورد ماشین‌آلات سنگین در معادن.
* 🚂 پیشگیری از تصادم قطارها در خطوط ریلی.
* 🚗 سیستم‌های ایمنی پیشرفته خودروها (ADAS).
* 🏭 ایمنی جرثقیل‌های سقفی و تجهیزات جابه‌جایی بار.
---
🤖 چرا هوش مصنوعی؟
برخلاف سیستم‌های سنتی، AI می‌تواند:
* تشخیص دقیق‌تر در شرایط سخت (گردوغبار، مه، نور کم)
* پیش‌بینی برخورد پیش از رسیدن به نقطه خطر
* کاهش آلارم‌های کاذب با یادگیری از داده‌های محیط واقعی
---
🔗 آینده ایمنی صنعتی به سمت سیستم‌های ضدتصادم هوشمند حرکت می‌کند؛ جایی که ماشین‌ها نه‌تنها می‌بینند، بلکه می‌فهمند و پیش‌بینی می‌کنند.
#هوش_مصنوعی #ایمنی #بینایی_ماشین #ضدتصادم #یادگیری_عمیق #AI #MachineVision
@rss_ai_ir
🥰9❤6😁6🔥4👏4👍3🎉2🙏1
🖥 از بین مدل‌های قدرتمند زیر، اگر بخواهید برای کمک در برنامه‌نویسی یکی را انتخاب کنید، کدام را برمی‌گزینید؟
Anonymous Poll
48%
1️⃣ ChatGPT-5
8%
2️⃣ Grok-4
35%
3️⃣ Claude Opus 4.1
10%
4️⃣ Gemini 2.5 Pro
😁16🎉12🔥9❤8👍8👏7🥰6
VIRSUN
❓ در سامانه تشخیص خودکار آریتمی قلب از سیگنال ECG که از معماری ترکیبی شبکه عصبی کانولوشنی و LSTM استفاده می‌کند، مزیت اصلی این ترکیب چیست؟
🧠 توضیح تخصصی:
✅در تحلیل سیگنال‌های زیستی مانند ECG، ویژگی‌های مکانی (الگوهای شکل موج) و وابستگی‌های زمانی (ترتیب و فاصله بین موج‌ها) هر دو اهمیت بالایی دارند.
✅شبکه کانولوشنی نقش استخراج‌کننده ویژگی‌های مکانی را دارد، مثل شناسایی شکل موج QRS یا موج P، و LSTM با داشتن حافظه داخلی، روابط زمانی را مدل می‌کند، مانند تغییر ریتم قلب در بازه‌های زمانی مختلف.
این ترکیب باعث افزایش دقت و پایداری در تشخیص آریتمی نسبت به استفاده مجزای هر یک از این شبکه‌ها میشود.
✅در تحلیل سیگنال‌های زیستی مانند ECG، ویژگی‌های مکانی (الگوهای شکل موج) و وابستگی‌های زمانی (ترتیب و فاصله بین موج‌ها) هر دو اهمیت بالایی دارند.
✅شبکه کانولوشنی نقش استخراج‌کننده ویژگی‌های مکانی را دارد، مثل شناسایی شکل موج QRS یا موج P، و LSTM با داشتن حافظه داخلی، روابط زمانی را مدل می‌کند، مانند تغییر ریتم قلب در بازه‌های زمانی مختلف.
این ترکیب باعث افزایش دقت و پایداری در تشخیص آریتمی نسبت به استفاده مجزای هر یک از این شبکه‌ها میشود.
🔥7🥰7❤6👏4👍3😁3🎉2🙏1
🚀 پیشرفت گوگل: کاهش ۱۰هزار برابری نیاز به داده برای فاین‌تیون LLM
@rss_ai_ir
🔍 گوگل روشی مقیاس‌پذیر در Active Learning توسعه داده که حجم داده برچسب‌خورده موردنیاز برای آموزش مدل‌های زبانی بزرگ (LLM) را در وظایف پیچیده – مثل مـدراتـیـون محتوای تبلیغاتی – تا ده‌ها هزار برابر کاهش می‌دهد.
---
🛠 مراحل کار
1. مدل اولیه (LLM-0) روی کل داده پیش‌بینی و برچسب‌گذاری خودکار انجام می‌دهد.
2. داده‌ها خوشه‌بندی می‌شوند تا سخت‌ترین و مبهم‌ترین نمونه‌ها شناسایی شود.
3. تنها نمونه‌های متنوع و با بیشترین ارزش یادگیری انتخاب می‌شوند.
4. این نمونه‌ها توسط کارشناسان انسانی برچسب‌گذاری می‌شوند.
5. فرآیند آموزش → انتخاب نمونه‌های دشوار → برچسب‌گذاری → آموزش مجدد چند بار تکرار میشود.
---
📊 نتایج کلیدی
* کاهش از ۱۰۰هزار نمونه برچسب‌خورده به کمتر از ۵۰۰ نمونه با حفظ یا بهبود کیفیت.
* بهبود معیار Cohen’s Kappa بین ۵۵ تا ۶۵ درصد.
* در مدل‌های بزرگ عملیاتی: صرفه‌جویی ۳ تا ۴ مرتبه‌ای در داده با کیفیت برابر یا بهتر.
---
📌معیار Cohen’s Kappa چیست؟
معیاری برای سنجش میزان توافق بین دو ارزیاب (مثلاً کارشناس و مدل) با حذف اثر توافق تصادفی:
* ۰.۰ → بدون توافق
* ۰.۴۱–۰.۶۰ → توافق متوسط
* ۰.۶۱–۰.۸۰ → توافق قابل توجه
* ۰.۸۱–۱.۰۰ → توافق تقریباً کامل
مزیت نسبت به Accuracy: مناسب‌تر برای داده‌های با توزیع نامتوازن کلاس‌ها.
---
💡 مزیت‌های روش گوگل
* برچسب‌گذاری فقط روی نمونه‌های مهم
* مقیاس‌پذیر برای دیتاست‌های حجیم (صدها میلیارد نمونه)
* کاهش شدید هزینه و زمان برچسب‌گذاری
* انطباق سریع برای حوزه‌هایی با تغییرات مداوم قوانین (مانند تبلیغات، امنیت، محتوای کاربری)
---
📥 مطالعه کامل در بلاگ گوگل:
[https://research.google/blog/achieving-10000x-training-data-reduction-with-high-fidelity-labels/]
#هوش_مصنوعی #ActiveLearning #گوگل #LLM #یادگیری_ماشین #DataEfficiency
@rss_ai_ir
@rss_ai_ir
🔍 گوگل روشی مقیاس‌پذیر در Active Learning توسعه داده که حجم داده برچسب‌خورده موردنیاز برای آموزش مدل‌های زبانی بزرگ (LLM) را در وظایف پیچیده – مثل مـدراتـیـون محتوای تبلیغاتی – تا ده‌ها هزار برابر کاهش می‌دهد.
---
🛠 مراحل کار
1. مدل اولیه (LLM-0) روی کل داده پیش‌بینی و برچسب‌گذاری خودکار انجام می‌دهد.
2. داده‌ها خوشه‌بندی می‌شوند تا سخت‌ترین و مبهم‌ترین نمونه‌ها شناسایی شود.
3. تنها نمونه‌های متنوع و با بیشترین ارزش یادگیری انتخاب می‌شوند.
4. این نمونه‌ها توسط کارشناسان انسانی برچسب‌گذاری می‌شوند.
5. فرآیند آموزش → انتخاب نمونه‌های دشوار → برچسب‌گذاری → آموزش مجدد چند بار تکرار میشود.
---
📊 نتایج کلیدی
* کاهش از ۱۰۰هزار نمونه برچسب‌خورده به کمتر از ۵۰۰ نمونه با حفظ یا بهبود کیفیت.
* بهبود معیار Cohen’s Kappa بین ۵۵ تا ۶۵ درصد.
* در مدل‌های بزرگ عملیاتی: صرفه‌جویی ۳ تا ۴ مرتبه‌ای در داده با کیفیت برابر یا بهتر.
---
📌معیار Cohen’s Kappa چیست؟
معیاری برای سنجش میزان توافق بین دو ارزیاب (مثلاً کارشناس و مدل) با حذف اثر توافق تصادفی:
* ۰.۰ → بدون توافق
* ۰.۴۱–۰.۶۰ → توافق متوسط
* ۰.۶۱–۰.۸۰ → توافق قابل توجه
* ۰.۸۱–۱.۰۰ → توافق تقریباً کامل
مزیت نسبت به Accuracy: مناسب‌تر برای داده‌های با توزیع نامتوازن کلاس‌ها.
---
💡 مزیت‌های روش گوگل
* برچسب‌گذاری فقط روی نمونه‌های مهم
* مقیاس‌پذیر برای دیتاست‌های حجیم (صدها میلیارد نمونه)
* کاهش شدید هزینه و زمان برچسب‌گذاری
* انطباق سریع برای حوزه‌هایی با تغییرات مداوم قوانین (مانند تبلیغات، امنیت، محتوای کاربری)
---
📥 مطالعه کامل در بلاگ گوگل:
[https://research.google/blog/achieving-10000x-training-data-reduction-with-high-fidelity-labels/]
#هوش_مصنوعی #ActiveLearning #گوگل #LLM #یادگیری_ماشین #DataEfficiency
@rss_ai_ir
🔥23❤21🥰21😁20🎉20👏17👍12🙏1
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 رونمایی ENGINEAI از ربات انسان‌نمای SAO2
@rss_ai_ir
شرکت ENGINEAI از نسل جدید ربات انسان‌نمای خود با نام SAO2 پرده‌برداری کرد — مدلی سبک، فشرده و هوشمند که به‌عنوان همدمی تعاملی برای کاربران جوان طراحی شده است.
💰 قیمت پایه: ¥38,500 (تقریباً ۵٬۳۰۰ دلار)
📏 مشخصات کلیدی:
▪️ قد: حدود ۱.۲۵ متر
▪️ وزن: ۲۵ کیلوگرم
▪️ ۲۶ + ۲ درجه آزادی (شامل مفاصل انگشتان)
▪️ بهره‌مند از مدل زبانی LLM داخلی
▪️ اسپیکرهای با کیفیت صوتی بالا
▪️ دو دوربین HD برای بینایی دقیق و هوشمند
🔗 این ربات با طراحی جمع‌وجور و قابلیت‌های پیشرفته‌اش، گزینه‌ای مناسب برای آموزش، سرگرمی، گفت‌وگو و همراهی در زندگی روزمره به شمار می‌آید.
#ENGINEAI #ربات_انسان‌نما #هوش_مصنوعی #رباتیک #همدم_هوشمند
@rss_ai_ir
@rss_ai_ir
شرکت ENGINEAI از نسل جدید ربات انسان‌نمای خود با نام SAO2 پرده‌برداری کرد — مدلی سبک، فشرده و هوشمند که به‌عنوان همدمی تعاملی برای کاربران جوان طراحی شده است.
💰 قیمت پایه: ¥38,500 (تقریباً ۵٬۳۰۰ دلار)
📏 مشخصات کلیدی:
▪️ قد: حدود ۱.۲۵ متر
▪️ وزن: ۲۵ کیلوگرم
▪️ ۲۶ + ۲ درجه آزادی (شامل مفاصل انگشتان)
▪️ بهره‌مند از مدل زبانی LLM داخلی
▪️ اسپیکرهای با کیفیت صوتی بالا
▪️ دو دوربین HD برای بینایی دقیق و هوشمند
🔗 این ربات با طراحی جمع‌وجور و قابلیت‌های پیشرفته‌اش، گزینه‌ای مناسب برای آموزش، سرگرمی، گفت‌وگو و همراهی در زندگی روزمره به شمار می‌آید.
#ENGINEAI #ربات_انسان‌نما #هوش_مصنوعی #رباتیک #همدم_هوشمند
@rss_ai_ir
😁12🎉12👍10🔥9👏9❤8🥰8🙏1
در یک خط تولید، روش‌های Anomaly Detection زمانی بیشترین ارزش را دارند که بخواهیم به‌صورت خودکار و بلادرنگ، شرایط غیرعادی یا خارج از الگو را شناسایی کنیم — حتی اگر آن حالت‌ها به‌طور مشخص برچسب‌گذاری نشده باشند.
📌 زمان‌های مناسب برای استفاده از Anomaly Detection در خط تولید:
---
1️⃣ وقتی داده‌های برچسب‌خورده کمیاب یا گران هستند
✳️ اگر نمونه‌های «معیوب» یا «خراب» بسیار کم باشند (مثلاً در تولید قطعات صنعتی با کیفیت بالا، تعداد خطاها کم است).
✳️ مدل‌های طبقه‌بندی سنتی به داده‌های متعادل نیاز دارند، اما Anomaly Detection می‌تواند فقط با داده‌های نرمال آموزش ببیند و هر چیز غیرعادی را شناسایی کند.
---
2️⃣ وقتی شرایط غیرعادی متنوع و پیش‌بینی‌ناپذیر هستند
✳️ نقص‌ها ممکن است شکل‌های مختلفی داشته باشند که از قبل همه را نمی‌توان تعریف کرد (مثل انواع ترک‌ها، تغییرات رنگ، الگوهای سطح غیرمنتظره).
✳️ روش Anomaly Detection الگوهای کلی «وضعیت سالم» را یاد می‌گیرد و هر انحراف را پرچم می‌کند.
---
3️⃣ برای پایش بلادرنگ تجهیزات و فرآیندها
✳️در مانیتورینگ حسگرها (دمـا، فشار، ارتعاش، جریان برق موتور و...) می‌توان الگوهای نرمال عملکرد را یاد گرفت و هر تغییر غیرعادی را سریع شناسایی کرد.
✳️ مثال: افزایش ناگهانی ارتعاش در موتور نوار نقاله → احتمال خرابی بلبرینگ.
---
4️⃣ وقتی نیاز به کاهش توقف خط تولید دارید
✳️ شناسایی سریع شرایط غیرعادی قبل از وقوع خرابی کامل، باعث نگهداری پیشگیرانه (Predictive Maintenance) میشود.
✳️ این کار هزینه توقف تولید و تعمیرات اضطراری را کاهش می‌دهد.
---
5️⃣ در کنترل کیفیت (Quality Control) با داده‌های تصویری یا سنسوری
✳️ بررسی محصولات با دوربین یا اسکنر (بینایی ماشین) و شناسایی قطعاتی که ظاهرشان با الگوهای یادگرفته‌شده متفاوت است.
✳️ مثال: سیستم بینایی ماشین برای تشخیص «صفحات مس ریجکت» که در داده آموزش به ندرت وجود دارند.
---
💡 خلاصه:
اگر خط تولید شما داده سالم زیاد ولی داده معیوب کم دارد، یا نقص‌ها شکل‌های غیرقابل پیش‌بینی دارند، یا می‌خواهید پایش بلادرنگ داشته باشید، Anomaly Detection انتخاب ایده‌آل است.
#هوش_مصنوعی #AnomalyDetection #کیفیت #نگهداری_پیشگیرانه #بینایی_ماشین #صنعت۴
@rss_ai_ir
📌 زمان‌های مناسب برای استفاده از Anomaly Detection در خط تولید:
---
1️⃣ وقتی داده‌های برچسب‌خورده کمیاب یا گران هستند
✳️ اگر نمونه‌های «معیوب» یا «خراب» بسیار کم باشند (مثلاً در تولید قطعات صنعتی با کیفیت بالا، تعداد خطاها کم است).
✳️ مدل‌های طبقه‌بندی سنتی به داده‌های متعادل نیاز دارند، اما Anomaly Detection می‌تواند فقط با داده‌های نرمال آموزش ببیند و هر چیز غیرعادی را شناسایی کند.
---
2️⃣ وقتی شرایط غیرعادی متنوع و پیش‌بینی‌ناپذیر هستند
✳️ نقص‌ها ممکن است شکل‌های مختلفی داشته باشند که از قبل همه را نمی‌توان تعریف کرد (مثل انواع ترک‌ها، تغییرات رنگ، الگوهای سطح غیرمنتظره).
✳️ روش Anomaly Detection الگوهای کلی «وضعیت سالم» را یاد می‌گیرد و هر انحراف را پرچم می‌کند.
---
3️⃣ برای پایش بلادرنگ تجهیزات و فرآیندها
✳️در مانیتورینگ حسگرها (دمـا، فشار، ارتعاش، جریان برق موتور و...) می‌توان الگوهای نرمال عملکرد را یاد گرفت و هر تغییر غیرعادی را سریع شناسایی کرد.
✳️ مثال: افزایش ناگهانی ارتعاش در موتور نوار نقاله → احتمال خرابی بلبرینگ.
---
4️⃣ وقتی نیاز به کاهش توقف خط تولید دارید
✳️ شناسایی سریع شرایط غیرعادی قبل از وقوع خرابی کامل، باعث نگهداری پیشگیرانه (Predictive Maintenance) میشود.
✳️ این کار هزینه توقف تولید و تعمیرات اضطراری را کاهش می‌دهد.
---
5️⃣ در کنترل کیفیت (Quality Control) با داده‌های تصویری یا سنسوری
✳️ بررسی محصولات با دوربین یا اسکنر (بینایی ماشین) و شناسایی قطعاتی که ظاهرشان با الگوهای یادگرفته‌شده متفاوت است.
✳️ مثال: سیستم بینایی ماشین برای تشخیص «صفحات مس ریجکت» که در داده آموزش به ندرت وجود دارند.
---
💡 خلاصه:
اگر خط تولید شما داده سالم زیاد ولی داده معیوب کم دارد، یا نقص‌ها شکل‌های غیرقابل پیش‌بینی دارند، یا می‌خواهید پایش بلادرنگ داشته باشید، Anomaly Detection انتخاب ایده‌آل است.
#هوش_مصنوعی #AnomalyDetection #کیفیت #نگهداری_پیشگیرانه #بینایی_ماشین #صنعت۴
@rss_ai_ir
🥰19🔥15👍11😁9🎉9❤6👏4🙏1
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 مدل Seed Diffusion؛ معماری متفاوتی از ByteDance در تولید زبان
@rss_ai_ir
شرکت ByteDance، توسعه‌دهنده‌ی TikTok، از یک مدل زبانی جدید به نام Seed Diffusion رونمایی کرده که برخلاف مدل‌های متداول، متن را به‌صورت کامل و هم‌زمان تولید می‌کند — همانند روش‌هایی که در مدل‌های تولید تصویر مانند Midjourney دیده میشود.
ویژگی‌های مهم این مدل عبارتند از:
🔸 تولید متن به‌صورت کل‌نگر و نه توکن‌به‌توکن
🔸 دستیابی به سرعتی فراتر از ۲هزار توکن در ثانیه (۵.۴ برابر سریع‌تر از مدل‌های استاندارد)
🔸 عملکرد بهتر در مقایسه با مدل‌های گوگل و Inception Labs در بسیاری از آزمون‌های مرجع
🔸 امکان تست رایگان از طریق پلتفرم Seed Studio
این معماری نوین نشان می‌دهد که ByteDance با قدرت وارد رقابت در حوزه مدل‌های زبانی شده و چشم‌اندازی متفاوت برای آینده‌ی تولید متن ارائه کرده است.
📊 منبع: Crypto Insider
#مدل_زبانی #هوش_مصنوعی #SeedDiffusion #ByteDance #AI
@rss_ai_ir
@rss_ai_ir
شرکت ByteDance، توسعه‌دهنده‌ی TikTok، از یک مدل زبانی جدید به نام Seed Diffusion رونمایی کرده که برخلاف مدل‌های متداول، متن را به‌صورت کامل و هم‌زمان تولید می‌کند — همانند روش‌هایی که در مدل‌های تولید تصویر مانند Midjourney دیده میشود.
ویژگی‌های مهم این مدل عبارتند از:
🔸 تولید متن به‌صورت کل‌نگر و نه توکن‌به‌توکن
🔸 دستیابی به سرعتی فراتر از ۲هزار توکن در ثانیه (۵.۴ برابر سریع‌تر از مدل‌های استاندارد)
🔸 عملکرد بهتر در مقایسه با مدل‌های گوگل و Inception Labs در بسیاری از آزمون‌های مرجع
🔸 امکان تست رایگان از طریق پلتفرم Seed Studio
این معماری نوین نشان می‌دهد که ByteDance با قدرت وارد رقابت در حوزه مدل‌های زبانی شده و چشم‌اندازی متفاوت برای آینده‌ی تولید متن ارائه کرده است.
📊 منبع: Crypto Insider
#مدل_زبانی #هوش_مصنوعی #SeedDiffusion #ByteDance #AI
@rss_ai_ir
😁12❤11👏11👍10🔥9🎉7🥰5
⚡️ مدل‌های زبانی GPT-OSS با فرمت GGUF توسط تیم Unsloth بهینه‌سازی و منتشر شدند
@rss_ai_ir
تیم توسعه‌دهنده Unsloth دو نسخه از مدل‌های GPT-OSS با ۲۰ و ۱۲۰ میلیارد پارامتر را به فرمت GGUF تبدیل کرده و با رفع برخی ایرادات، کیفیت استنتاج (Inference) آن‌ها را به‌طور قابل توجهی افزایش داده‌اند.
---
📌 پیکربندی پیشنهادی برای اجرا:
🔹 مدل با ۲۰ میلیارد پارامتر در حالت دقت کامل، تنها به ۱۴ گیگابایت حافظه رم نیاز دارد و با سرعتی بیش از ۱۰ توکن بر ثانیه اجرا میشود.
🔹 مدل ۱۲۰ میلیاردی نیز با حدود ۶۴ گیگ رم، خروجی بالای ۴۰ توکن بر ثانیه ارائه می‌دهد.
🔸 حتی در سیستم‌هایی با ۶ گیگ رم و بدون GPU هم امکان اجرا وجود دارد، اما سرعت استنتاج پایین‌تر خواهد بود.
---
📈 در صورت استفاده از کارت گرافیک، عملکرد مدل‌ها به‌مراتب بهتر خواهد بود.
برخی تست‌ها با GPU قدرتمند H100 نشان داده‌اند که سرعت خروجی به بیش از ۱۴۰ توکن بر ثانیه می‌رسد که حتی از ChatGPT نیز سریع‌تر است.
---
🧠 روش‌های قابل استفاده برای اجرا:
اجرای مستقیم با ابزار llama.cpp
نرم‌افزارهای رابط مانند LM Studio
محیط‌های تعاملی مانند Open WebUI
📌 مدل ۲۰B در عین سبک بودن، عملکردی نزدیک به مدل‌هایی مانند o3-mini دارد و برای سیستم‌های ضعیف‌تر بسیار مناسب است.
---
🔧 نسخه‌هایی با دقت ۴ بیت و ۱۶ بیت نیز آماده شده‌اند.
نسخه ۴ بیتی حتی قابلیت فاین‌تیون روی کارت‌های گرافیک با ۲۴ گیگابایت VRAM را دارد.
📄 مستندات کامل برای نصب و آموزش، توسط تیم Unsloth منتشر شده و گام‌به‌گام مراحل راه‌اندازی را توضیح داده است.
منابع:
لینک 1
لینک 2
#مدل_زبانی #هوش_مصنوعی #GPT_OSS #Unsloth #GGUF #LLM
@rss_ai_ir
@rss_ai_ir
تیم توسعه‌دهنده Unsloth دو نسخه از مدل‌های GPT-OSS با ۲۰ و ۱۲۰ میلیارد پارامتر را به فرمت GGUF تبدیل کرده و با رفع برخی ایرادات، کیفیت استنتاج (Inference) آن‌ها را به‌طور قابل توجهی افزایش داده‌اند.
---
📌 پیکربندی پیشنهادی برای اجرا:
🔹 مدل با ۲۰ میلیارد پارامتر در حالت دقت کامل، تنها به ۱۴ گیگابایت حافظه رم نیاز دارد و با سرعتی بیش از ۱۰ توکن بر ثانیه اجرا میشود.
🔹 مدل ۱۲۰ میلیاردی نیز با حدود ۶۴ گیگ رم، خروجی بالای ۴۰ توکن بر ثانیه ارائه می‌دهد.
🔸 حتی در سیستم‌هایی با ۶ گیگ رم و بدون GPU هم امکان اجرا وجود دارد، اما سرعت استنتاج پایین‌تر خواهد بود.
---
📈 در صورت استفاده از کارت گرافیک، عملکرد مدل‌ها به‌مراتب بهتر خواهد بود.
برخی تست‌ها با GPU قدرتمند H100 نشان داده‌اند که سرعت خروجی به بیش از ۱۴۰ توکن بر ثانیه می‌رسد که حتی از ChatGPT نیز سریع‌تر است.
---
🧠 روش‌های قابل استفاده برای اجرا:
اجرای مستقیم با ابزار llama.cpp
نرم‌افزارهای رابط مانند LM Studio
محیط‌های تعاملی مانند Open WebUI
📌 مدل ۲۰B در عین سبک بودن، عملکردی نزدیک به مدل‌هایی مانند o3-mini دارد و برای سیستم‌های ضعیف‌تر بسیار مناسب است.
---
🔧 نسخه‌هایی با دقت ۴ بیت و ۱۶ بیت نیز آماده شده‌اند.
نسخه ۴ بیتی حتی قابلیت فاین‌تیون روی کارت‌های گرافیک با ۲۴ گیگابایت VRAM را دارد.
📄 مستندات کامل برای نصب و آموزش، توسط تیم Unsloth منتشر شده و گام‌به‌گام مراحل راه‌اندازی را توضیح داده است.
منابع:
لینک 1
لینک 2
#مدل_زبانی #هوش_مصنوعی #GPT_OSS #Unsloth #GGUF #LLM
@rss_ai_ir
👍16🎉13👏11🥰9😁9❤7🔥6
📊 چطور یک جزئیات قدیمی در قوانین رأی‌گیری، بازار پیش‌بینی را برای Google برنده کرد؟
@rss_ai_ir
در بازار پیش‌بینی Polymarket، سؤال این بود که «کدام شرکت تا پایان آگوست بهترین مدل هوش مصنوعی را خواهد داشت؟»
تا قبل از دیروز، شانس پیروزی در این بازار با OpenAI بود. اما ناگهان پس از انتشار نتایج LMArena**، کفه ترازو به‌طور کامل به نفع Google سنگین شد — و این ربطی به کیفیت واقعی مدل‌ها در ارائه GPT-5 نداشت.
---
🔍 **چرا این اتفاق افتاد؟
❇️معیار «بهترین مدل» در این بازار بر اساس امتیاز LMArena تعیین میشود، جایی که کاربران بین پاسخ دو مدل، یکی را انتخاب می‌کنند.
❇️نکته مهم: در این بازار از نسخه بدون Style Control استفاده میشود. یعنی مدل‌ها بابت پاسخ‌های طولانی، فرمت‌بندی‌شده و با بولد/لیست جریمه نمی‌شوند.
❇️ در این حالت، امتیاز Gemini 2.5 Pro گوگل و GPT-5 تقریباً برابر شد (۱۴۷۱ در برابر ۱۴۶۲ — اختلاف آماری ناچیز).
❇️طبق قوانین، در صورت مساوی شدن امتیاز، نام شرکت برنده به ترتیب الفبا انتخاب میشود. Google قبل از OpenAI قرار می‌گیرد.
---
📈 نتیجه:
بازار عملاً به این سؤال تقلیل یافت: «آیا OpenAI می‌تواند در ۲۳ روز آینده آپدیتی بدهد که در نسخه بدون Style Control از Gemini جلو بزند؟»
اگر جواب «نه» باشد، Google برنده است — حتی اگر در ارزیابی پیش‌فرض (با Style Control) OpenAI جلوتر باشد.
---
💡 این نمونه‌ای جالب است از اینکه در بازارهای پیش‌بینی، جزئیات قوانین و روش ارزیابی می‌تواند از کیفیت واقعی محصول مهم‌تر باشد.
#هوش_مصنوعی #بازار_پیش‌بینی #Google #OpenAI #LMArena
@rss_ai_ir
@rss_ai_ir
در بازار پیش‌بینی Polymarket، سؤال این بود که «کدام شرکت تا پایان آگوست بهترین مدل هوش مصنوعی را خواهد داشت؟»
تا قبل از دیروز، شانس پیروزی در این بازار با OpenAI بود. اما ناگهان پس از انتشار نتایج LMArena**، کفه ترازو به‌طور کامل به نفع Google سنگین شد — و این ربطی به کیفیت واقعی مدل‌ها در ارائه GPT-5 نداشت.
---
🔍 **چرا این اتفاق افتاد؟
❇️معیار «بهترین مدل» در این بازار بر اساس امتیاز LMArena تعیین میشود، جایی که کاربران بین پاسخ دو مدل، یکی را انتخاب می‌کنند.
❇️نکته مهم: در این بازار از نسخه بدون Style Control استفاده میشود. یعنی مدل‌ها بابت پاسخ‌های طولانی، فرمت‌بندی‌شده و با بولد/لیست جریمه نمی‌شوند.
❇️ در این حالت، امتیاز Gemini 2.5 Pro گوگل و GPT-5 تقریباً برابر شد (۱۴۷۱ در برابر ۱۴۶۲ — اختلاف آماری ناچیز).
❇️طبق قوانین، در صورت مساوی شدن امتیاز، نام شرکت برنده به ترتیب الفبا انتخاب میشود. Google قبل از OpenAI قرار می‌گیرد.
---
📈 نتیجه:
بازار عملاً به این سؤال تقلیل یافت: «آیا OpenAI می‌تواند در ۲۳ روز آینده آپدیتی بدهد که در نسخه بدون Style Control از Gemini جلو بزند؟»
اگر جواب «نه» باشد، Google برنده است — حتی اگر در ارزیابی پیش‌فرض (با Style Control) OpenAI جلوتر باشد.
---
💡 این نمونه‌ای جالب است از اینکه در بازارهای پیش‌بینی، جزئیات قوانین و روش ارزیابی می‌تواند از کیفیت واقعی محصول مهم‌تر باشد.
#هوش_مصنوعی #بازار_پیش‌بینی #Google #OpenAI #LMArena
@rss_ai_ir
😁12❤5👍5🔥5🎉3🥰2👏2🙏1
آکادمی هوش‌یار برگزار می‌کند:
🎯 چطور مدل‌های زبانی (LLM) را به داده‌های بروز و سطح وب متصل کنیم؟
🔸آموزش ساخت اپلیکیشن‌های Agentic با استفاده از LangGraph و ابزار واترکرال
🔸یادگیری نحوه‌ی مشارکت حرفه‌ای در پروژه‌های Open Source
📍 ویژه برنامه‌نویسان مبتدی و پیشرفته، علاقه‌مندان به هوش مصنوعی و توسعه اپ‌های LLM محور
🔍 در این وبینار یاد می‌گیرید:
▫️چطور یک مدل زبانی را به اینترنت و داده‌های لحظه‌ای وصل کنید؟
▫️چطور از فریم‌ورک قدرتمند LangGraph برای ساخت اپ‌های Agentic استفاده کنید؟
▫️واترکرال چیست و چه کمکی به تغذیه مدل‌های زبانی با داده‌های وب می‌کند؟
▫️چطور اولین کانتریبیوشن حرفه‌ای خودتان را در یک پروژه‌ی Open Source ثبت کنید؟
🎙 با حضور دو متخصص بین‌المللی:
🔹 دکتر علیرضا مفیدی
دانشمند ارشد داده در R&D شرکت TSBC،
دکترای MBA از دانشگاه مونترال، DBA از دانشگاه لیون فرانسه
🔹 مهندس امیرمحسن عصاران
مهندس ارشد نرم‌افزار در Verisk آلمان،
هم‌بنیان‌گذار ابزار واترکرال
🗓 زمان : دوشنبه بیستم مرداد ۱۴۰۴، ساعت ۱۹
🎟 ثبت‌نام رایگان:
🔗 لینک ثبت نام
📌 همین حالا ثبت‌نام کنید❕
🎯 چطور مدل‌های زبانی (LLM) را به داده‌های بروز و سطح وب متصل کنیم؟
🔸آموزش ساخت اپلیکیشن‌های Agentic با استفاده از LangGraph و ابزار واترکرال
🔸یادگیری نحوه‌ی مشارکت حرفه‌ای در پروژه‌های Open Source
📍 ویژه برنامه‌نویسان مبتدی و پیشرفته، علاقه‌مندان به هوش مصنوعی و توسعه اپ‌های LLM محور
🔍 در این وبینار یاد می‌گیرید:
▫️چطور یک مدل زبانی را به اینترنت و داده‌های لحظه‌ای وصل کنید؟
▫️چطور از فریم‌ورک قدرتمند LangGraph برای ساخت اپ‌های Agentic استفاده کنید؟
▫️واترکرال چیست و چه کمکی به تغذیه مدل‌های زبانی با داده‌های وب می‌کند؟
▫️چطور اولین کانتریبیوشن حرفه‌ای خودتان را در یک پروژه‌ی Open Source ثبت کنید؟
🎙 با حضور دو متخصص بین‌المللی:
🔹 دکتر علیرضا مفیدی
دانشمند ارشد داده در R&D شرکت TSBC،
دکترای MBA از دانشگاه مونترال، DBA از دانشگاه لیون فرانسه
🔹 مهندس امیرمحسن عصاران
مهندس ارشد نرم‌افزار در Verisk آلمان،
هم‌بنیان‌گذار ابزار واترکرال
🗓 زمان : دوشنبه بیستم مرداد ۱۴۰۴، ساعت ۱۹
🎟 ثبت‌نام رایگان:
🔗 لینک ثبت نام
📌 همین حالا ثبت‌نام کنید❕
🥰9❤8👍6🔥4👏4🎉3😁2🙏1
🎙️ قابلیت صوتی پیشرفته ChatGPT به‌صورت رایگان در دسترس قرار گرفت
@rss_ai_ir
در به‌روزرسانی جدید، حالت صوتی چت‌جی‌پی‌تی با نام ChatGPT Voice معرفی شده و قرار است از تاریخ ۹ سپتامبر به‌عنوان دستیار صوتی پیش‌فرض در اپلیکیشن فعال شود.
📌 در این نسخه، ویژگی‌هایی پیشرفته در دسترس کاربران قرار گرفته است:
🔹 ۹ صدای طبیعی و انسان‌مانند
🔹 امکان استفاده از دوربین دستگاه برای دیدن محیط اطراف
🔹 قابلیت نمایش صفحه (Screen Sharing) و پاسخ به سؤالات بر اساس آنچه می‌بیند
🧠 همچنان این دستیار صوتی از مدل GPT-4o پشتیبانی می‌کند و فعلاً اطلاعاتی درباره‌ی زمان ارائه‌ی نسخه مبتنی بر GPT-5 منتشر نشده است.
#هوش_مصنوعی #GPT4o #دستیار_صوتی #ChatGPT_Voice
@rss_ai_ir
@rss_ai_ir
در به‌روزرسانی جدید، حالت صوتی چت‌جی‌پی‌تی با نام ChatGPT Voice معرفی شده و قرار است از تاریخ ۹ سپتامبر به‌عنوان دستیار صوتی پیش‌فرض در اپلیکیشن فعال شود.
📌 در این نسخه، ویژگی‌هایی پیشرفته در دسترس کاربران قرار گرفته است:
🔹 ۹ صدای طبیعی و انسان‌مانند
🔹 امکان استفاده از دوربین دستگاه برای دیدن محیط اطراف
🔹 قابلیت نمایش صفحه (Screen Sharing) و پاسخ به سؤالات بر اساس آنچه می‌بیند
🧠 همچنان این دستیار صوتی از مدل GPT-4o پشتیبانی می‌کند و فعلاً اطلاعاتی درباره‌ی زمان ارائه‌ی نسخه مبتنی بر GPT-5 منتشر نشده است.
#هوش_مصنوعی #GPT4o #دستیار_صوتی #ChatGPT_Voice
@rss_ai_ir
🎉8👏6👍5🔥5😁4❤3🥰3🙏1
This media is not supported in your browser
VIEW IN TELEGRAM
🌡️🤖 ترکیب ترموگرافی و هوش مصنوعی؛ ابزار نوین برای پایش هوشمند در صنعت
@rss_ai_ir
در بسیاری از صنایع، پایش وضعیت تجهیزات، تشخیص زودهنگام نقص‌ها، و بهینه‌سازی مصرف انرژی از چالش‌های مهم به شمار می‌روند. استفاده هم‌زمان از تصویربرداری حرارتی (ترموگرافی) و هوش مصنوعی، راهکاری دقیق، بدون تماس و بلادرنگ برای رفع این نیازها ارائه می‌دهد.
🔍 کاربردهای کلیدی در صنعت:
1️⃣ پایش وضعیت تجهیزات الکتریکی و مکانیکی
▪️ شناسایی نقاط داغ در تابلو برق، موتورها و یاتاقان‌ها
▪️ تشخیص زودهنگام بروز عیوب مانند اصطکاک بیش‌از‌حد یا اتصالات ضعیف
▪️ مدل‌های یادگیری ماشین می‌توانند الگوهای نرمال را یاد بگیرند و هرگونه انحراف حرارتی را به‌عنوان نشانه خرابی تحلیل کنند.
2️⃣ نگهداری پیش‌بینانه (Predictive Maintenance)
▪️ ترموگرافی به‌صورت مداوم داده‌های دمایی ثبت می‌کند
▪️ شبکه‌های عصبی یا الگوریتم‌های anomaly detection تغییرات غیرعادی را پیش‌بینی کرده و از توقف ناگهانی ماشین‌آلات جلوگیری می‌کنند.
3️⃣ پایش حرارتی در خطوط تولید حساس
▪️ در صنایعی مانند فولاد، سیمان، الکترونیک یا پزشکی، کنترل دقیق توزیع دما در زمان واقعی حیاتی است
▪️ استفاده از بینایی ماشین حرارتی به‌کمک AI می‌تواند نقص‌های سطحی، حفره‌های پنهان یا حتی خرابی داخلی قطعات را شناسایی کند.
4️⃣ بهینه‌سازی مصرف انرژی در تاسیسات صنعتی
▪️ با تحلیل الگوی مصرف حرارتی توسط مدل‌های یادگیری ماشین، مناطق با اتلاف انرژی شناسایی و اقدامات اصلاحی پیشنهاد میشود.
▪️ ترکیب تصاویر حرارتی با الگوریتم‌های segmentation و classification، نشت حرارتی یا عایق‌کاری معیوب را سریع‌تر از روش‌های سنتی نمایان می‌کند.
🧠 مزایای استفاده از AI در ترموگرافی صنعتی:
✔ تشخیص خودکار بدون نیاز به اپراتور متخصص
✔ دقت بالا در تشخیص عیوب پنهان
✔ تحلیل حجم بالای داده به‌صورت Real-time
✔ کاهش خطای انسانی و افزایش بهره‌وری نگهداری
📌 این ترکیب، نه‌تنها هزینه‌های تعمیرات و توقف خطوط را کاهش می‌دهد، بلکه دقت و سرعت تصمیم‌گیری در پایش وضعیت را به‌طور چشمگیری افزایش می‌دهد.
#ترموگرافی #بینایی_ماشین #هوش_مصنوعی #پایش_هوشمند #نگهداری_پیشگیرانه #صنعت۴
@rss_ai_ir
@rss_ai_ir
در بسیاری از صنایع، پایش وضعیت تجهیزات، تشخیص زودهنگام نقص‌ها، و بهینه‌سازی مصرف انرژی از چالش‌های مهم به شمار می‌روند. استفاده هم‌زمان از تصویربرداری حرارتی (ترموگرافی) و هوش مصنوعی، راهکاری دقیق، بدون تماس و بلادرنگ برای رفع این نیازها ارائه می‌دهد.
🔍 کاربردهای کلیدی در صنعت:
1️⃣ پایش وضعیت تجهیزات الکتریکی و مکانیکی
▪️ شناسایی نقاط داغ در تابلو برق، موتورها و یاتاقان‌ها
▪️ تشخیص زودهنگام بروز عیوب مانند اصطکاک بیش‌از‌حد یا اتصالات ضعیف
▪️ مدل‌های یادگیری ماشین می‌توانند الگوهای نرمال را یاد بگیرند و هرگونه انحراف حرارتی را به‌عنوان نشانه خرابی تحلیل کنند.
2️⃣ نگهداری پیش‌بینانه (Predictive Maintenance)
▪️ ترموگرافی به‌صورت مداوم داده‌های دمایی ثبت می‌کند
▪️ شبکه‌های عصبی یا الگوریتم‌های anomaly detection تغییرات غیرعادی را پیش‌بینی کرده و از توقف ناگهانی ماشین‌آلات جلوگیری می‌کنند.
3️⃣ پایش حرارتی در خطوط تولید حساس
▪️ در صنایعی مانند فولاد، سیمان، الکترونیک یا پزشکی، کنترل دقیق توزیع دما در زمان واقعی حیاتی است
▪️ استفاده از بینایی ماشین حرارتی به‌کمک AI می‌تواند نقص‌های سطحی، حفره‌های پنهان یا حتی خرابی داخلی قطعات را شناسایی کند.
4️⃣ بهینه‌سازی مصرف انرژی در تاسیسات صنعتی
▪️ با تحلیل الگوی مصرف حرارتی توسط مدل‌های یادگیری ماشین، مناطق با اتلاف انرژی شناسایی و اقدامات اصلاحی پیشنهاد میشود.
▪️ ترکیب تصاویر حرارتی با الگوریتم‌های segmentation و classification، نشت حرارتی یا عایق‌کاری معیوب را سریع‌تر از روش‌های سنتی نمایان می‌کند.
🧠 مزایای استفاده از AI در ترموگرافی صنعتی:
✔ تشخیص خودکار بدون نیاز به اپراتور متخصص
✔ دقت بالا در تشخیص عیوب پنهان
✔ تحلیل حجم بالای داده به‌صورت Real-time
✔ کاهش خطای انسانی و افزایش بهره‌وری نگهداری
📌 این ترکیب، نه‌تنها هزینه‌های تعمیرات و توقف خطوط را کاهش می‌دهد، بلکه دقت و سرعت تصمیم‌گیری در پایش وضعیت را به‌طور چشمگیری افزایش می‌دهد.
#ترموگرافی #بینایی_ماشین #هوش_مصنوعی #پایش_هوشمند #نگهداری_پیشگیرانه #صنعت۴
@rss_ai_ir
❤8👏7👍5🥰5🔥4😁4🎉3
This media is not supported in your browser
VIEW IN TELEGRAM
🛣 تشخیص ناهنجاری‌های جاده‌ای با بینایی ماشین
@rss_ai_ir
در این پروژه تلاش شده با استفاده از یادگیری عمیق، یک سامانه‌ی خودکار برای شناسایی مشکلات سطح جاده مثل چاله‌ها، ترک‌ها و سرعت‌گیرها طراحی کنند تا فرآیند پایش وضعیت جاده‌ها سریع‌تر، دقیق‌تر و کم‌هزینه‌تر شود.
🔢 اطلاعات فنی پروژه:
📌 داده‌ها و برچسب‌زنی:
▪️ دیتاست اختصاصی با بیش از ۳۰ هزار تصویر از جاده‌ها
▪️ شامل ۷ کلاس: چاله، ترک (در سطوح مختلف)، وسیله نقلیه سبک، سنگین، عابر پیاده، سرعت‌گیر و...
📌 مدل استفاده‌شده:
▪️ مدل YOLOv8m (مبتنی بر CNN)
▪️ زمان آموزش: حدود ۲۸ ساعت
▪️ دقت کلی: ۷۴.۵٪
🎯 عملکرد مدل:
▪️ کلاس‌هایی مانند خودرو سبک، سنگین، عابر و سرعت‌گیر با دقت بالا
▪️ تشخیص چاله و ترک (به‌دلیل شباهت ظاهری با سطح نرمال) چالش‌برانگیزتر بود
📂 دسترسی به دیتاست، کدها و تحلیل‌ها:
تمام مراحل—from scratch—از جمع‌آوری داده، آموزش مدل، آنالیز عملکرد تا نتایج نهایی، در لینک زیر قابل مشاهده است:
┌ 🛣 Road Anomaly Detection
└ 🐱 GitHub Repository
#یادگیری_عمیق #بینایی_ماشین #پایش_هوشمند #جاده #پروژه_دانشجویی
@rss_ai_ir
@rss_ai_ir
در این پروژه تلاش شده با استفاده از یادگیری عمیق، یک سامانه‌ی خودکار برای شناسایی مشکلات سطح جاده مثل چاله‌ها، ترک‌ها و سرعت‌گیرها طراحی کنند تا فرآیند پایش وضعیت جاده‌ها سریع‌تر، دقیق‌تر و کم‌هزینه‌تر شود.
🔢 اطلاعات فنی پروژه:
📌 داده‌ها و برچسب‌زنی:
▪️ دیتاست اختصاصی با بیش از ۳۰ هزار تصویر از جاده‌ها
▪️ شامل ۷ کلاس: چاله، ترک (در سطوح مختلف)، وسیله نقلیه سبک، سنگین، عابر پیاده، سرعت‌گیر و...
📌 مدل استفاده‌شده:
▪️ مدل YOLOv8m (مبتنی بر CNN)
▪️ زمان آموزش: حدود ۲۸ ساعت
▪️ دقت کلی: ۷۴.۵٪
🎯 عملکرد مدل:
▪️ کلاس‌هایی مانند خودرو سبک، سنگین، عابر و سرعت‌گیر با دقت بالا
▪️ تشخیص چاله و ترک (به‌دلیل شباهت ظاهری با سطح نرمال) چالش‌برانگیزتر بود
📂 دسترسی به دیتاست، کدها و تحلیل‌ها:
تمام مراحل—from scratch—از جمع‌آوری داده، آموزش مدل، آنالیز عملکرد تا نتایج نهایی، در لینک زیر قابل مشاهده است:
┌ 🛣 Road Anomaly Detection
└ 🐱 GitHub Repository
#یادگیری_عمیق #بینایی_ماشین #پایش_هوشمند #جاده #پروژه_دانشجویی
@rss_ai_ir
👍12👏6❤5🔥5🎉5😁3🥰2
🚀 شتاب بی‌سابقه xAI در تنها دو سال
@rss_ai_ir
در کمتر از یک سال، تیم کوچک xAI موفق شد مجموعه‌ای از محصولات و قابلیت‌های پیشرفته را عرضه کند که سرعت توسعه آن‌ها در صنعت بی‌نظیر است:
Grok 2 / mini – نسخه‌های پیشرفته و بهینه‌سازی‌شده مدل گفت‌وگو
Aurora – سامانه متن به تصویر با کیفیت بالا
Grok Button – ابزار تحلیل پست‌ها
اپلیکیشن موبایل – دسترسی سریع و کاربرپسند
Grok 3 + DeepSearch – جستجوی عمیق و دقیق
Voice Mode بدون سانسور – مکالمه آزاد و طبیعی
Grok 4 – نسل جدید مدل با توان پردازشی و دقت بالاتر
Companions Mode – تعامل شخصی‌سازی‌شده با کاربران
Imagine – خلق محتوای خلاقانه بر اساس ورودی کاربر
📌 این سرعت و تنوع توسعه، xAI را به یکی از پیشتازان بی‌رقیب هوش مصنوعی تبدیل کرده است، جایی که نوآوری بدون وقفه ادامه دارد.
#xAI #هوش_مصنوعی #نوآوری #Grok
@rss_ai_ir ✅
@rss_ai_ir
در کمتر از یک سال، تیم کوچک xAI موفق شد مجموعه‌ای از محصولات و قابلیت‌های پیشرفته را عرضه کند که سرعت توسعه آن‌ها در صنعت بی‌نظیر است:
Grok 2 / mini – نسخه‌های پیشرفته و بهینه‌سازی‌شده مدل گفت‌وگو
Aurora – سامانه متن به تصویر با کیفیت بالا
Grok Button – ابزار تحلیل پست‌ها
اپلیکیشن موبایل – دسترسی سریع و کاربرپسند
Grok 3 + DeepSearch – جستجوی عمیق و دقیق
Voice Mode بدون سانسور – مکالمه آزاد و طبیعی
Grok 4 – نسل جدید مدل با توان پردازشی و دقت بالاتر
Companions Mode – تعامل شخصی‌سازی‌شده با کاربران
Imagine – خلق محتوای خلاقانه بر اساس ورودی کاربر
📌 این سرعت و تنوع توسعه، xAI را به یکی از پیشتازان بی‌رقیب هوش مصنوعی تبدیل کرده است، جایی که نوآوری بدون وقفه ادامه دارد.
#xAI #هوش_مصنوعی #نوآوری #Grok
@rss_ai_ir ✅
❤2🔥1👏1
🧬 پژوهشگران با کمک هوش مصنوعی به کشف مولکول‌های جدید — حتی از گونه‌های منقرض‌شده — دست یافتند
@rss_ai_ir
♻️دانشمندان با بهره‌گیری از سامانه‌های پیشرفته هوش مصنوعی، مجموعه‌های عظیم داده‌های زیستی را بررسی کرده و ترکیبات نوینی را شناسایی کرده‌اند که می‌توانند به دستاوردهای پزشکی بزرگ منجر شوند؛ از جمله کشف آنتی‌بیوتیک‌هایی برگرفته از موجودات باستانی.
🔹 سامانه DreaMS AI توانست ساختارهای مولکولی ناشناخته را از داده‌های طیف‌سنج جرمی شناسایی کند.
🔹 تحلیل ژنوم گونه‌های منقرض‌شده به کشف پپتیدی به نام ماموتوسین انجامید که در موش‌ها ابر‌باکتری‌ها را با اثربخشی مشابه پلی‌میکسین B از بین برد.
🔹 غربالگری آنتی‌بیوتیک‌ها با کمک هوش مصنوعی، مولکول آباسین را نیز آشکار کرد که یک پاتوژن بحرانی فهرست‌شده توسط WHO را هدف قرار می‌دهد.
♻️از DNA باستانی تا آزمایشگاه‌های مدرن، هوش مصنوعی در حال بازنویسی خط زمانی کشفیات علمی است.
#هوش_مصنوعی #زیست_فناوری #پپتید #آنتی_بیوتیک #پزشکی
@rss_ai_ir
@rss_ai_ir
♻️دانشمندان با بهره‌گیری از سامانه‌های پیشرفته هوش مصنوعی، مجموعه‌های عظیم داده‌های زیستی را بررسی کرده و ترکیبات نوینی را شناسایی کرده‌اند که می‌توانند به دستاوردهای پزشکی بزرگ منجر شوند؛ از جمله کشف آنتی‌بیوتیک‌هایی برگرفته از موجودات باستانی.
🔹 سامانه DreaMS AI توانست ساختارهای مولکولی ناشناخته را از داده‌های طیف‌سنج جرمی شناسایی کند.
🔹 تحلیل ژنوم گونه‌های منقرض‌شده به کشف پپتیدی به نام ماموتوسین انجامید که در موش‌ها ابر‌باکتری‌ها را با اثربخشی مشابه پلی‌میکسین B از بین برد.
🔹 غربالگری آنتی‌بیوتیک‌ها با کمک هوش مصنوعی، مولکول آباسین را نیز آشکار کرد که یک پاتوژن بحرانی فهرست‌شده توسط WHO را هدف قرار می‌دهد.
♻️از DNA باستانی تا آزمایشگاه‌های مدرن، هوش مصنوعی در حال بازنویسی خط زمانی کشفیات علمی است.
#هوش_مصنوعی #زیست_فناوری #پپتید #آنتی_بیوتیک #پزشکی
@rss_ai_ir
❤3🔥1👏1
This media is not supported in your browser
VIEW IN TELEGRAM
📊 اهمیت نرمال‌سازی (Normalization) در یادگیری ماشین
@rss_ai_ir
🔹 نرمال‌سازی یکی از مراحل کلیدی در پیش‌پردازش داده‌ها است که در آن مقیاس ویژگی‌ها به یک محدوده مشخص یا توزیع استاندارد تبدیل میشود. این کار تأثیر زیادی بر سرعت آموزش، پایداری مدل، و دقت نهایی دارد.
⚙️ چرا نرمال‌سازی مهم است؟
افزایش سرعت یادگیری
وقتی ویژگی‌ها در مقیاس‌های متفاوت باشند، الگوریتم زمان بیشتری برای پیدا کردن الگوی درست نیاز دارد. نرمال‌سازی باعث همگام شدن سرعت یادگیری در همه ابعاد داده میشود.
♻️جلوگیری از تسلط ویژگی‌ها
اگر یک ویژگی اعداد بزرگ‌تری نسبت به سایر ویژگی‌ها داشته باشد، می‌تواند اثر بیشتری بر تصمیم مدل بگذارد و مسیر یادگیری را منحرف کند.
♻️پایداری محاسباتی
اعداد بسیار بزرگ یا بسیار کوچک می‌توانند منجر به خطاهای عددی و ناپایداری در روند آموزش شوند. نرمال‌سازی این خطر را کاهش می‌دهد.
♻️بهبود عملکرد مدل‌های حساس به مقیاس
الگوریتم‌هایی مانند KNN یا SVM که بر اساس فاصله یا شباهت کار می‌کنند، با داده‌های نرمال‌سازی‌شده نتایج دقیق‌تری ارائه می‌دهند.
📌 روش‌های رایج
✳️مقیاس‌دهی به بازه ثابت (مثل 0 تا 1)
✳️استانداردسازی با میانگین صفر و واریانس یک
✳️مقیاس‌دهی مقاوم به داده‌های پرت با استفاده از میانه و چارک‌ها
📢 جمع‌بندی:
نرمال‌سازی یک گام حیاتی در بسیاری از پروژه‌های یادگیری ماشین است که باعث پایداری، سرعت و دقت بالاتر مدل‌ها میشود و از مشکلات قابل پیشگیری در آموزش جلوگیری می‌کند.
#ماشین_لرنینگ #هوش_مصنوعی #DataPreprocessing #Normalization
@rss_ai_ir ✅
@rss_ai_ir
🔹 نرمال‌سازی یکی از مراحل کلیدی در پیش‌پردازش داده‌ها است که در آن مقیاس ویژگی‌ها به یک محدوده مشخص یا توزیع استاندارد تبدیل میشود. این کار تأثیر زیادی بر سرعت آموزش، پایداری مدل، و دقت نهایی دارد.
⚙️ چرا نرمال‌سازی مهم است؟
افزایش سرعت یادگیری
وقتی ویژگی‌ها در مقیاس‌های متفاوت باشند، الگوریتم زمان بیشتری برای پیدا کردن الگوی درست نیاز دارد. نرمال‌سازی باعث همگام شدن سرعت یادگیری در همه ابعاد داده میشود.
♻️جلوگیری از تسلط ویژگی‌ها
اگر یک ویژگی اعداد بزرگ‌تری نسبت به سایر ویژگی‌ها داشته باشد، می‌تواند اثر بیشتری بر تصمیم مدل بگذارد و مسیر یادگیری را منحرف کند.
♻️پایداری محاسباتی
اعداد بسیار بزرگ یا بسیار کوچک می‌توانند منجر به خطاهای عددی و ناپایداری در روند آموزش شوند. نرمال‌سازی این خطر را کاهش می‌دهد.
♻️بهبود عملکرد مدل‌های حساس به مقیاس
الگوریتم‌هایی مانند KNN یا SVM که بر اساس فاصله یا شباهت کار می‌کنند، با داده‌های نرمال‌سازی‌شده نتایج دقیق‌تری ارائه می‌دهند.
📌 روش‌های رایج
✳️مقیاس‌دهی به بازه ثابت (مثل 0 تا 1)
✳️استانداردسازی با میانگین صفر و واریانس یک
✳️مقیاس‌دهی مقاوم به داده‌های پرت با استفاده از میانه و چارک‌ها
📢 جمع‌بندی:
نرمال‌سازی یک گام حیاتی در بسیاری از پروژه‌های یادگیری ماشین است که باعث پایداری، سرعت و دقت بالاتر مدل‌ها میشود و از مشکلات قابل پیشگیری در آموزش جلوگیری می‌کند.
#ماشین_لرنینگ #هوش_مصنوعی #DataPreprocessing #Normalization
@rss_ai_ir ✅
❤2🔥1👏1
🌐 تنسنت مدل‌های فشرده خانواده Hunyuan را متن‌باز کرد
@rss_ai_ir
✳️شرکت Tencent چهار مدل زبانی فشرده با اندازه‌های ۰.۵B، ۱.۸B، ۴B و ۷B را در اکوسیستم متن‌باز خود منتشر کرد. این مدل‌ها برای سناریوهای کم‌مصرف طراحی شده‌اند و قابلیت اجرا بر روی GPUهای خانگی، خودروهای هوشمند، تجهیزات خانه هوشمند، تلفن‌های همراه و رایانه‌های شخصی را دارند.
📊 نتایج بنچمارک نشان می‌دهد مدل Hunyuan 7B در آزمون‌هایی مانند MATH500، DROP و AIME 2024 عملکرد رقابتی و در برخی موارد برتر نسبت به مدل‌های شناخته‌شده دیگر دارد.
📈 نسخه‌های کوچک‌تر مانند Hunyuan 4B نیز در آزمون‌هایی مثل GSM8K، MMLU-Redux و EvalPlus نتایج قابل توجهی کسب کرده‌اند.
⛔️این حرکت، فرصت‌های تازه‌ای برای توسعه‌دهندگان در زمینه هوش مصنوعی لبه (Edge AI) و اجرای محلی مدل‌های زبانی پیشرفته فراهم می‌کند.
#هوش_مصنوعی #مدل_زبان #Tencent #Hunyuan
@rss_ai_ir
@rss_ai_ir
✳️شرکت Tencent چهار مدل زبانی فشرده با اندازه‌های ۰.۵B، ۱.۸B، ۴B و ۷B را در اکوسیستم متن‌باز خود منتشر کرد. این مدل‌ها برای سناریوهای کم‌مصرف طراحی شده‌اند و قابلیت اجرا بر روی GPUهای خانگی، خودروهای هوشمند، تجهیزات خانه هوشمند، تلفن‌های همراه و رایانه‌های شخصی را دارند.
📊 نتایج بنچمارک نشان می‌دهد مدل Hunyuan 7B در آزمون‌هایی مانند MATH500، DROP و AIME 2024 عملکرد رقابتی و در برخی موارد برتر نسبت به مدل‌های شناخته‌شده دیگر دارد.
📈 نسخه‌های کوچک‌تر مانند Hunyuan 4B نیز در آزمون‌هایی مثل GSM8K، MMLU-Redux و EvalPlus نتایج قابل توجهی کسب کرده‌اند.
⛔️این حرکت، فرصت‌های تازه‌ای برای توسعه‌دهندگان در زمینه هوش مصنوعی لبه (Edge AI) و اجرای محلی مدل‌های زبانی پیشرفته فراهم می‌کند.
#هوش_مصنوعی #مدل_زبان #Tencent #Hunyuan
@rss_ai_ir
👏3❤1🔥1