🔬 یک نکته تخصصی در مورد CNN:

♻️در معماری‌های مدرن CNN به جای استفاده از پولینگ سنتی (MaxPooling/AvgPooling)، اغلب از stride > 1 در کانولوشن استفاده می‌شود.

📌 چرا؟

✅یادگیری‌پذیری بالاتر: بر خلاف Pooling که یک عمل ثابت و بدون پارامتر است، کانولوشن با stride بزرگ‌تر می‌تواند همزمان هم کاهش ابعاد بدهد و هم ویژگی‌های قابل یادگیری استخراج کند.

✅پایداری گرادیان: استفاده بیش‌ازحد از pooling می‌تواند باعث از دست رفتن اطلاعات ظریف و مشکلات در backpropagation شود.

✅دقت بالاتر در شبکه‌های عمیق: مدل‌هایی مثل ResNet و EfficientNet نشان داده‌اند که حذف یا کاهش pooling و جایگزینی آن با کانولوشن استرایددار (stride convolution) باعث بهبود generalization می‌شود.


⚡ نتیجه: در طراحی CNN برای پروژه‌های صنعتی، به جای اتکا به Pooling‌های متعدد، استفاده از کانولوشن استرایددار هم دقت بالاتر و هم بهینه‌سازی بهتری در حافظه و سرعت به همراه دارد.

@rss_ai_ir
#CNN #DeepLearning #هوش_مصنوعی #بینایی_ماشین #Convolution

🚀 شرکت علی‌بابا از پلتفرم جدید خود با نام Qoder رونمایی کرد؛ یک ابزار عامل‌محور برای کدنویسی که می‌تواند کل چرخه توسعه را از نوشتن کد تا تست و مونتاژ نهایی انجام دهد.

✨ ویژگی‌ها:

🖱 دو حالت کاری:
• Agent Mode → جفت‌برنامه‌نویسی با کنترل کامل
• Quest Mode → کدنویسی خودران از تعریف وظیفه تا تولید نهایی

🖱 توانایی تحلیل عمیق کدبیس‌های بزرگ، معماری و الگوها

🖱 ارائه‌ی راهنمایی هوشمند، مستندسازی خودکار و حافظه بلندمدت برای تطابق با سبک تیم

🖱 انتخاب خودکار بهترین مدل (Claude، Gemini، GPT و …) متناسب با وظیفه


🔓همچنین Qoder هم‌اکنون در Public Preview و به صورت رایگان در دسترس است.

⚡ مرز بین «توسعه‌دهنده انسانی» و «عامل هوش مصنوعی» حالا باریک‌تر از همیشه شده است.

@rss_ai_ir
#Alibaba #Qoder #AI #Coding #AgenticAI #هوش_مصنوعی

🫔 مدل انسان ATLAS؛ دستاورد تازه متا 🫔

شرکت Meta از مدل نوین بدن انسان با نام ATLAS رونمایی کرد؛ مدلی با دقت بالا که بر پایه ۶۰۰ هزار اسکن با وضوح بالا و توسط ۲۴۰ دوربین همگام‌سازی‌شده آموزش دیده است.

🔹 ویژگی‌ها:

* بازسازی سه‌بعدی با جزئیات بسیار بالا
* قابلیت استفاده در انیمیشن، متاورس و واقعیت افزوده
* یادگیری از دیتاست بی‌نظیر با مقیاس عظیم

📌 منابع:

📄 مقاله: [arXiv](https://arxiv.org/pdf/2508.15767)
🌐 پروژه: [ATLAS Project Page](https://jindapark.github.io/projects/atlas/)
💻 کد: به‌زودی منتشر خواهد شد

@rss_ai_ir
#هوش_مصنوعی #متا #ATLAS #مدل_سه‌بعدی #متاورس #بینایی_ماشین

📌 بینایی ماشین در خدمت صنعت

هوش مصنوعی و بینایی ماشین در خطوط تولید دیگر یک انتخاب لوکس نیست، بلکه یک ضرورت است. نمونه‌ی تازه از DeepX نشان می‌دهد چگونه می‌توان با مدل‌های پردازش تصویر، بهره‌وری و ایمنی را چند برابر کرد:

🔹 ردیابی لحظه‌ای اشیا: شناسایی و دنبال‌کردن بطری‌ها و محصولات روی خط تولید.
🔹 تشخیص عیوب: کشف ایراداتی که از چشم انسان پنهان می‌ماند (مانند بطری‌های معیوب ۲۳ و ۲۸).
🔹 اسکن موجودی انبار: شناسایی خودکار جایگاه‌های خالی و پایش لحظه‌ای انبار.
🔹 ردیابی کارکنان: تحلیل حرکات کارکنان برای افزایش ایمنی و جلوگیری از ورود به مناطق خطرناک.

⚡️ این فناوری‌ها نه‌تنها باعث کاهش خطا و افزایش سرعت می‌شوند، بلکه امنیت کارگران و کیفیت محصول را هم تضمین می‌کنند.
@rss_ai_ir
#AI_industrial #ComputerVision #SmartFactory #Industry40

📊 سرعت پیشرفت Grok

طبق آخرین داده‌ها، در دو هفته گذشته اپلیکیشن iOS Grok بیش از ۲۵ بار به‌روزرسانی شده، در حالی که رقبایی مثل ChatGPT، Claude، Gemini و DeepSeek فقط چند آپدیت جزئی داشته‌اند.

⚡ ایلان ماسک در X نوشت:
اگر این نرخ پیشرفت ادامه پیدا کند، شرکت xAI با اختلاف قابل توجهی از دیگر شرکت‌های هوش مصنوعی جلو خواهد زد. به‌روزرسانی‌های اپ تقریباً هم‌تراز با ارتقاءهای داخلی هستند.

به‌نظر می‌رسد استراتژی Grok بر سرعت تکرار و ارائه ویژگی‌های جدید متمرکز است؛ چیزی که می‌تواند آینده رقابت در حوزه چت‌بات‌ها را تغییر دهد.

@rss_ai_ir
#Grok #هوش_مصنوعی #xAI #ElonMusk

✍️ نشخوار علمی با طعم هوش مصنوعی

گاهی اوقات شاهدیم که برخی افراد بدون داشتن پشتوانه علمی عمیق، تنها با کمک هوش مصنوعی و تکرار سطحی مفاهیم، در جمع مدیران و تصمیم‌گیران به‌عنوان «خدای علمی» معرفی می‌شوند. این پدیده چیزی شبیه به نشخوار علمی است: بازگو کردن جملات و مقالات آماده، بدون درک ریشه‌ای و توانایی تحلیل.

⚡ چرا این خطرناک است؟

1️⃣ تصمیم‌گیری‌های اشتباه: وقتی مدیران بر اساس این نمایش‌های سطحی تصمیم بگیرند، پروژه‌ها ممکن است به بیراهه بروند.

2️⃣ ایجاد توهم تخصص: فردی که تنها مصرف‌کننده خروجی هوش مصنوعی است، ممکن است به‌عنوان متخصص شناخته شود، در حالی‌که در عمل توانایی حل مسائل واقعی را ندارد.

3️⃣ اتلاف منابع در صنعت: پروژه‌های نیمه‌کاره، خرید تجهیزات غیرضروری یا انتخاب تکنولوژی‌های نادرست نتیجه مستقیم این توهم علمی است.

4️⃣ تضعیف نیروهای واقعی: متخصصان واقعی که با سال‌ها تجربه و دانش عمیق کار می‌کنند، ممکن است نادیده گرفته شوند و جایگاهشان را افراد سطحی بگیرند.

💡 در نهایت، هوش مصنوعی باید ابزار تقویت تخصص واقعی باشد، نه پرده‌ای برای پنهان کردن بی‌دانشی. اگر صنعت گرفتار این نشخوار علمی شود، نه تنها پیشرفتی رخ نمی‌دهد، بلکه هزینه‌های مالی و زمانی سنگینی نیز به سازمان‌ها تحمیل خواهد شد.

#هوش_مصنوعی #علمی #صنعت #تصمیم_گیری #تکنولوژی #AI #مدیریت
@rss_ai_ir

🍌 هوش مصنوعی مرموز “نانو-موز” (Nano-Banana) دنیای فناوری را شگفت‌زده کرد!

در چند روز گذشته، یک مدل هوش مصنوعی تولید و ویرایش تصویر به نام Nano-Banana سر و صدای زیادی در بین متخصصان به پا کرده است. هویت سازندگان آن هنوز یک راز است، اما کیفیت و دقت خروجی‌های آن همه را انگشت به دهان گذاشته!

چرا این مدل اینقدر خاص است؟ 🤔

🔹 کیفیت بی‌نظیر: تصاویر تولید شده توسط این مدل، جزئیات، نورپردازی و واقع‌گرایی شگفت‌انگیزی دارند که با برترین مدل‌های جهان رقابت می‌کند.

🔹 درک عمیق از دستورات: “نانو-موز” به خوبی دستورات متنی پیچیده و طولانی را درک و با دقت بالایی اجرا می‌کند؛ چالشی که بسیاری از مدل‌های معروف هنوز با آن درگیر هستند.

🔹 هویت ناشناس: هیچ شرکت یا گروهی مسئولیت ساخت آن را بر عهده نگرفته و همین موضوع به جذابیت و گمانه‌زنی‌ها در مورد آن دامن زده است.

آیا با یک رقیب قدرتمند و ناگهانی برای Midjourney و DALL-E روبرو هستیم که از ناکجاآباد ظهور کرده است؟ باید منتظر ماند و دید!
https://nanobanana.ai

#هوش_مصنوعی #تولید_تصویر #تکنولوژی #هوش_مصنوعی_مرموز #NanoBanana

@rss_ai_ir

🐋 مدل DeepSeek-V3.1 حالا می‌تونه به صورت لوکال اجرا بشه

حجم اولیه مدل ۷۱۵ گیگابایت بود، اما با تکنیک کوانتیزاسیون جدید Dynamic 1-bit GGUF به ۱۷۰ گیگابایت کاهش پیدا کرده (۸۰٪ کاهش).

⚡ صرفه‌جویی عظیم در حافظه

👉 راهنمای کامل: https://docs.unsloth.ai/basics/deepseek-v3.1
👉 نسخه GGUF: https://huggingface.co/unsloth/DeepSeek-V3.1-GGUF

حالا اجرای یکی از بهترین مدل‌های DeepSeek روی سیستم‌های شخصی هم امکان‌پذیره، نه فقط در دیتاسنتر 🚀

#DeepSeek #GGUF #هوش_مصنوعی #AI_industrial_news #futuretech

@rss_ai_ir

📌 آموزش رایگان Azure Machine Learning

اگر دنبال یادگیری عملی Azure ML هستید، این پلی‌لیست یوتیوب شامل آموزش‌های گام‌به‌گام است:

🔹 مروری بر Azure Machine Learning
🔹 آموزش AutoML
🔹 طراحی و آموزش مدل‌ها با Azure ML Designer
🔹 استقرار مدل‌ها
🔹 کدنویسی مستقیم (Code-First) با Azure ML
🔹 یکپارچه‌سازی با MLflow
🔹همچنین MLOps و مدیریت عملیات یادگیری ماشین

🎥 لینک پلی‌لیست کامل:
YouTube - Azure Machine Learning Playlist

#Azure #MachineLearning #MLOps #AI #Python

@rss_ai_ir

روش تازه‌ای برای مدل‌های زبانی بزرگ معرفی شده که توانسته به دقت خارق‌العاده‌ی ۹۹.۹٪ در آزمون AIME 2025 برسد ✨

✅این روش با نام DeepConf شناخته می‌شود و ایده‌ی آن این است که مدل در حین تولید متن، خودش میزان «اعتماد» به هر توکن را محاسبه می‌کند و اگر در بخشی ضعف ببیند، همان‌جا زنجیره‌ی استدلال را قطع می‌کند.
---

📌 تفاوت با روش‌های مرسوم
در حالت معمول برای افزایش دقت از «تفکر موازی» استفاده می‌شود: صدها پاسخ تولید و سپس با رأی‌گیری بهترین انتخاب می‌شود. این کار درست است ولی توکن زیادی مصرف می‌کند.

اما DeepConf مسیر دیگری می‌رود:

♻️اعتماد هر توکن سنجیده می‌شود.
♻️بخش‌های ضعیف همان ابتدا کنار گذاشته می‌شوند.
♻️تنها مسیرهای قوی ادامه پیدا می‌کنند.
♻️نتیجه: هم دقت بالاتر و هم کاهش مصرف توکن تا ۸۴.۷٪.
---

🔎 معیارهای اعتماد

♻️معیار Token confidence: اعتماد در هر مرحله
♻️معیار Group confidence: میانگین اعتماد در بازه‌ها، برای کشف افت‌های محلی
♻️معیار Tail confidence: اعتماد در انتهای استدلال، جایی که خطا بیشتر رخ می‌دهد
♻️معیار Lowest group confidence: پایین‌ترین نقطه اعتماد، علامتی برای حذف زنجیره

---

⚡ حالت‌های اجرا

♻️حالت Offline: چند پاسخ تولید می‌شود، سپس گزینه‌های با اعتماد بالا باقی می‌مانند.
♻️حالت Online: مدل در لحظه، اگر اعتماد پایین برود، تولید متن را متوقف می‌کند.

---

✅ نتیجه‌گیری
♻️مدل DeepConf یک افزونه‌ی زمان اجراست؛ بدون نیاز به بازآموزی یا تغییر معماری.
♻️ترکیب عالی از دقت بیشتر و هزینه کمتر.

لینک

#هوش_مصنوعی #یادگیری_عمیق #مدل_زبانی #DeepConf #کارایی
@rss_ai_ir

🔬 سطح آمادگی فناوری (TRL) و جایگاه آن در پروژه‌های هوش مصنوعی

مفهوم TRL (Technology Readiness Level) ابتدا توسط ناسا برای سنجش میزان بلوغ فناوری معرفی شد، اما امروز در حوزه‌های مختلف از جمله هوش مصنوعی نیز به‌کار می‌رود. این مقیاس از TRL 1 (ایده اولیه و مطالعات پایه) تا TRL 9 (فناوری کاملاً عملیاتی در مقیاس صنعتی) تعریف شده است.

📊 در پروژه‌های هوش مصنوعی:

✅مورد TRL 1-2: ایده‌پردازی و طراحی الگوریتم، انتشار مقاله یا کد اولیه.

✅مورد TRL 3-4: پیاده‌سازی مدل اولیه (Proof of Concept) روی دیتاست کوچک یا آزمایشگاهی.

✅مورد TRL 5-6: توسعه نسخه آزمایشی روی داده‌های واقعی و تست در محیط محدود (Pilot).

✅مورد TRL 7: استقرار نیمه‌صنعتی و بررسی عملکرد در مقیاس عملیاتی محدود.

✅مورد TRL 8: آماده‌سازی محصول نهایی، مستندسازی، بهینه‌سازی هزینه و عملکرد.

✅مورد TRL 9: استفاده گسترده در صنعت، با پایداری، امنیت و مقیاس‌پذیری.


⚡ اهمیت TRL در هوش مصنوعی

♻️جلوگیری از اغراق علمی (بعضی پروژه‌ها هنوز در TRL 3 هستند، اما به‌عنوان محصول صنعتی معرفی می‌شوند).
♻️کمک به مدیران و سرمایه‌گذاران برای تصمیم‌گیری درست درباره سرمایه‌گذاری.
♻️افزایش اعتماد صنایع به کاربردپذیری واقعی پروژه‌های AI.


📌 در صنعت، بسیاری از ایده‌های هوش مصنوعی بین TRL 3 تا 6 متوقف می‌شوند، چون انتقال از محیط آزمایشگاهی به شرایط واقعی نیازمند داده باکیفیت، محاسبات قوی و مدیریت ریسک است.

#هوش_مصنوعی #TRL #مدیریت_نوآوری #AI #صنعت
@rss_ai_ir

⏱️ سیستم‌های تاخیردار در صنعت و هوش مصنوعی

در بسیاری از فرآیندهای صنعتی، خروجی یک سیستم با تأخیر به ورودی واکنش نشان می‌دهد. این تأخیر می‌تواند چند میلی‌ثانیه در یک خط تولید پرسرعت باشد یا چند دقیقه در یک فرآیند شیمیایی. چنین پدیده‌ای را سیستم تاخیردار (Time-Delay System) می‌نامند.

⚡ چالش‌ها در صنعت:

♻️در رباتیک و کنترل حرکتی، تأخیر باعث لرزش یا ناپایداری می‌شود.
♻️در کنترل دما یا فشار، تأخیر می‌تواند باعث نوسانات شدید شود.
♻️در شبکه‌های صنعتی (مثلاً LoRa یا سیستم‌های توزیع‌شده)، تأخیر انتقال داده روی زمان تصمیم‌گیری هوش مصنوعی اثر مستقیم دارد.


🤖 نقش هوش مصنوعی:

1. پیش‌بینی اثر تأخیر با استفاده از شبکه‌های عصبی و مدل‌های پیش‌بینی‌کننده (Predictive Models).

2. کنترل پیش‌بین (MPC) مبتنی بر AI: ورودی‌ها را طوری تنظیم می‌کند که اثر تأخیر خنثی شود.

3. یادگیری تقویتی (RL): عامل‌ها یاد می‌گیرند با تأخیر کنار بیایند و تصمیمات پایدارتر بگیرند.

4. دیجیتال توین (Digital Twin): شبیه‌سازی لحظه‌ای فرآیندها برای درک بهتر اثر تأخیر قبل از اجرای واقعی.



💡 مثال واقعی:
در خطوط ریخته‌گری مس یا فولاد، تغییر جریان خنک‌کننده اثر خود را با چند ثانیه تأخیر روی دمای سطح نشان می‌دهد. یک الگوریتم AI می‌تواند با یادگیری این رفتار، مقدار خنک‌کننده را پیشاپیش تنظیم کند تا محصول با کیفیت یکنواخت تولید شود.

#هوش_مصنوعی #کنترل_فرآیند #صنعت #سیستم_تاخیردار #AI_industrial_news

⚡ هشدار یکی از پیشگامان GenAI در گوگل: «پزشکی و حقوق نخوانید»

جد طریفی — کسی که در سال ۲۰۱۲ تیم GenAI گوگل را بنیان گذاشت (و نه دمیس هسابیس، برخلاف تیترهای اشتباه) — می‌گوید تحصیلات عالیه دیگر سرمایه‌گذاری خوبی نیست.

📚 او معتقد است رشته‌هایی مثل پزشکی و حقوق تا زمان فارغ‌التحصیلی دانشجویان امروزی کاملاً بی‌ربط خواهند شد، چون هوش مصنوعی جای آن‌ها را می‌گیرد.
🎓 توصیه می‌کند از دکتری صرف‌نظر شود، مگر کسی واقعاً عاشق حوزه‌ی پژوهشی خاص خود باشد.
🧬 تنها استثنا از نظر او، تقاطع‌های کمتر مطالعه‌شده است، مثل کاربردهای AI در زیست‌شناسی، جایی که هنوز تخصص انسانی اهمیت دارد.

✳️طریفی از سال ۲۰۲۱ دیگر در گوگل نیست، اما هشدار صریحش بازتاب باور فزاینده‌ای است که هوش مصنوعی در حال فروریختن ستون‌های اصلی مشاغل حرفه‌ای است.

♻️اگر AI «میانه‌ی هرم شغلی» را ببلعد، تنها نقاط امن، یا مرزهای پژوهش نوآورانه خواهند بود یا کارهای عملی‌ای که AI هنوز قادر به تقلیدشان نیست.

@rss_ai_ir
#هوش_مصنوعی #آینده_شغل #GenAI #Google #پزشکی #حقوق

🔥 درست یک سال گذشت و حالا xAI وزن‌های Grok 2 را منتشر کرده است.

🔹 معماری همانند Grok 1 باقی مانده: مبتنی بر MoE (Mixture of Experts) با ۸ اکسپرت.
🔹 از نظر متریک‌ها، عملکرد در سطح GPT-4o و Claude 3.5 Sonnet گزارش شده.
🔹 حجم چک‌پوینت حدود ۵۰۰ گیگابایت است و برای اجرا نیاز به ۸ کارت GPU با بیش از ۴۰ گیگابایت حافظه در هر کارت دارید.
🔹 لایسنس استفاده بسیار باز است: هم استفاده غیرتجاری رایگان و هم استفاده تجاری تا سقف ۱ میلیون دلار درآمد سالانه مجاز است.

📂 مدل در Hugging Face در دسترس قرار گرفته.

@rss_ai_ir
#Grok #xAI #هوش_مصنوعی #LLM #OpenSource