طریقه درست ایجاد پرامپت با veo گوگل، پارت ۳: استایل

پرپلکسی حالت جدیدی به نام "Labs" راه‌اندازی کرده است.
دیگر فقط یک موتور جست‌وجو نیست؛ حالا می‌تواند به‌صورت خودکار ربات‌های معاملاتی بسازد، داشبورد طراحی کند، وب‌اپ بسازد و داده‌ها را از سایت‌ها استخراج کند.
به‌عبارت دیگر، پرپلکسی حالا به یک محیط توسعه کامل تبدیل شده است.

https://www.perplexity.ai/hub/blog/introducing-perplexity-labs

🌎 https://t.iss.one/rss_ai_ir

گوگل پشتیبانی از اشتراک گذاری دوربین و صفحه رو برای همه کاربران جمنای عرضه کرده و کاربران با فعال کردن Gemini Live در اپ اندروید و iOS میتونن وقتی دوربین یا صفحه اشون رو به اشتراک میذارن، درباره اونها سوالات مختلف از جمنای بپرسن.

🔎
🌎 https://t.iss.one/rss_ai_ir
GeminiApp

---

🎯 نکات طلایی برای پرامپت‌نویسی (Prompt Engineering)

🟩 ۱. از توصیف واضح و شفاف استفاده کنید:
هر چقدر واضح‌تر و دقیق‌تر بنویسید، مدل نتیجه بهتری خواهد داد.

🟩 ۲. مثال بزنید (few-shot learning):
اگر نتیجه خاصی مدنظر دارید، چند مثال خوب بزنید. مدل‌ها از این الگو تقلید می‌کنند.

🟩 ۳. نقش یا سبک را مشخص کنید:
می‌خواهید مدل به‌عنوان «کارشناس»، «ویراستار» یا «برنامه‌نویس» رفتار کند؟ نقش را مشخص کنید!

🟩 ۴. نتیجه یا فرمت خروجی را بگویید:
برای مثال: «جواب را به صورت لیست بده» یا «به سبک علمی بنویس».

🟩 ۵. از «سوالات ادامه‌دار» استفاده کنید:
پرامپت را طوری بسازید که مدل بتواند سوال را کامل درک کند و جزئیات اضافه کند.

🟩 ۶. تکرار و بازنویسی (Refinement):
مدل را با تکرار و بهبود پرامپت، دقیق‌تر و هدفمندتر هدایت کنید.

🟩 ۷. درخواست جزئیات بیشتر یا منابع:
مثلاً: «لطفاً لینک مقاله یا داده مرجع را هم ذکر کن».

🟩 ۸. از «فرمان‌های منع» استفاده کنید:
اگر چیزی نمی‌خواهید، بنویسید! مثل: «بدون مقدمه یا تکرار توضیحات اولیه».

🟩 ۹. از bullet pointها برای ساختاردهی استفاده کنید:
این کار باعث می‌شود مدل به‌طور مرتب و منظم پاسخ دهد.

🟩 ۱۰. مراقب سوگیری‌ها و محدودیت‌های مدل باشید:
مدل ممکن است اطلاعات اشتباه یا ناقص بدهد. نتایج را همیشه بررسی کنید.

💡 جمع‌بندی:
پرامپت‌نویسی یک هنر است! هرچه بیشتر تمرین کنید، به نتایج دقیق‌تر و خلاقانه‌تر خواهید رسید.

#PromptEngineering #هوش_مصنوعی #مدل_های_زبان #پرامپت

🌎 https://t.iss.one/rss_ai_ir

🔍💥 حمله کارلینی (Carlini Attack)؛ تهدیدی پیشرفته برای مدل‌های یادگیری عمیق!

حمله کارلینی، یکی از پیشرفته‌ترین حملات Adversarial Attack است که توسط Nicholas Carlini و همکارانش توسعه داده شده است. این حمله، با ایجاد مقدار بسیار جزئی نویز در داده‌های ورودی، می‌تواند مدل‌های یادگیری عمیق را فریب دهد و پیش‌بینی‌های نادرست تولید کند.

✅ ویژگی‌های اصلی حمله کارلینی:

* مبتنی بر بهینه‌سازی برای پیدا کردن کوچک‌ترین تغییر (L2, L0, L∞)
* بسیار قدرتمند و انعطاف‌پذیر در برابر شبکه‌های عصبی عمیق
* به‌طور گسترده در تست‌کردن مقاومت مدل‌های Vision و NLP استفاده می‌شود

⚠️ کاربرد:

* بررسی و ارتقاء مقاومت مدل‌های یادگیری ماشین
* تحلیل آسیب‌پذیری در مدل‌های حساس و حیاتی



\#AdversarialAttacks #حمله\_کارلینی #امنیت\_مدل #یادگیری\_ماشین #DeepLearning

---

🚨 ۳ روش اصلی Ensemble در یادگیری ماشین


1️⃣ روش بگینگ (Bagging)

✏️ چی میگه؟ خطای مدل رو، با ترکیب پیش‌بینی چند مدل کم می‌کنه.

❓ چه جوری؟ چند مدل رو روی بخش‌های متفاوتی از داده آموزش می‌دی، نتیجه‌ها رو میانگین می‌گیری یا رای‌گیری می‌کنی.

⬅️ مثالش؟ جنگل تصادفی خودمون!

✅ کِی به درد می‌خوره؟ وقتی مدل خطی جواب نمی‌ده و یه مدل پایه غیرخطی و بدون دردسر می‌خوای.

➖➖➖➖➖➖

2️⃣ روش بوستینگ (Boosting)

✏️ چی میگه؟ اشتباهاتو یکی‌یکی کاهش بده تا مدل هر بار بهتر بشه.

❓ چه جوری؟ هر مدل، سعی می‌کنه اشتباه قبلیا رو جبران کنه؛ مدل‌ها پشت‌سر هم ساخته می‌شن.

⬅️ مثالش؟ Gradient Boosting (یا XGBoost که خیلیا عاشقشن!)

✅ کِی به درد می‌خوره؟ برای مدل‌سازی الگوهای پیچیده‌تر و زمانی که می‌خوای تا می‌تونی خطا رو کم کنی.

➖➖➖➖➖➖

3️⃣ روش استکینگ (Stacking)

✏️ چی میگه؟ ترکیب چند مدل مختلف و ساخت یه مدل نهایی (Meta-Model) برای نتیجه‌گیری بهتر.

❓ چه جوری؟ نتایج مدل‌های پایه رو به مدل نهایی می‌دی تا از ترکیبشون استفاده کنه.

⬅️ مثالش؟ مثلاً یه مدل خطی، خروجی چند مدل قوی‌تر رو تجمیع کنه.

✅ کِی به درد می‌خوره؟ وقتی هیچ مدلی به تنهایی جوابگو نیست یا می‌خوای از نقطه‌قوت هر مدل به نفع خودت استفاده کنی.



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖

🎥 مایکروسافت بینگ دسترسی رایگان به هوش مصنوعی OpenAI Sora را ممکن کرد

▪️مایکروسافت ابزار ساخت ویدیوی Sora از OpenAI را به موتور جستجوی بینگ اضافه کرد. این شرکت که سال‌های گذشته میلیاردها دلار در OpenAI سرمایه‌گذاری کرده، اکنون مدل هوش مصنوعی ویدیوساز این شرکت را به موتور جستجوی خود افزوده است.
▪️ابزار جدید با عنوان Bing Video Creator معرفی شده و از مدل Sora بهره می‌برد. این ابزار می‌تواند براساس دستورات متنی کلیپ‌های کوتاه تولید کند. این قابلیت از امروز رایگان در اپلیکیشن موبایل بینگ در دسترس خواهد بود و قرار است در آینده برای نسخه دسکتاپ و بخش Copilot Search نیز ارائه شود.
▪️این نخستین‌ بار است که دسترسی رایگان به مدل Sora برای عموم کاربران ممکن شده؛ پیش‌ازاین، استفاده از آن صرفاً به کاربران پولی محدود بود.

🧠🔄 Multi-Task Learning (یادگیری چند-وظیفه‌ای)

🔸 چیست؟
مدلی که چندین وظیفه مرتبط را به‌طور همزمان یاد می‌گیرد تا دانش بین آن‌ها به اشتراک گذاشته شود.

🔸 هدف:
بهبود عملکرد کلی با استفاده از شباهت‌ها و وابستگی‌های میان وظایف.

🔸 مزایا:
✅ داده‌های کمتر برای هر وظیفه
✅ کاهش overfitting
✅ بهبود تعمیم‌پذیری مدل
✅ افزایش کارایی یادگیری

🔸 کاربردها:
🟡 تشخیص همزمان اشیاء و برچسب‌گذاری تصاویر
🟡 ترجمه و خلاصه‌سازی متون
🟡 پیش‌بینی‌های پزشکی با خروجی‌های متنوع (مثلاً تشخیص و دسته‌بندی همزمان)

🔸 روش‌های اصلی:
🟣 Shared Layers: لایه‌های مشترک برای همه وظایف
🟣 Task-Specific Heads: لایه‌های نهایی جداگانه برای هر وظیفه

🟢 نتیجه:
یادگیری چند وظیفه‌ای به مدل اجازه می‌دهد از اشتراک‌گذاری اطلاعات میان وظایف بهره ببرد و به نتایج دقیق‌تر و جامع‌تر برسد.

\#MultiTaskLearning #یادگیری\_ماشین #یادگیری\_عمیق #DeepLearning #هوش\_مصنوعی

این یک ویدئو ساختگی نیست!

این نزدیک‌ترین نمونه به انسان است که بی سر و صدا توسط Clone در حال تکامل است.
به گفته این شرکت فوق پیشرفته؛ کلون در حال ساخت یک "ربات انسان نما" دیگر نیست، بلکه یک انسان مصنوعی است که قادر به انجام هر کاری است که انسان می تواند انجام دهد!

‌🆔 @rss_ai_ir

شرکت OpenAI ابزار برنامه نویسی تحت وبش یعنی Codex رو علاوه بر کاربران Pro، حالا برای کاربران اشتراک Plus هم عرضه کرده و مشترکان این پلن حالا از اینجا میتونن از این ابزار در دسکتاپ و موبایل برای انجام تسکهای مختلف به صورت خودکار روی مخازن کدهاشون استفاده کنن.

🔎 OpenAI

📍 @rss_ai_ir

✍️ طراحی هوش مصنوعی برای نمایش فکر کردن بیش از حد

چه می‌شد اگر می‌توانستید فکر کردن بیش از حد را ببینید؟ حالا می‌توانید. 😮

این طراح با استفاده از ابزارهای تولیدی و بینش عاطفی، وزن انتزاعی فکر کردن بیش از حد را به شکلی بصری درمی‌آورد که هم جذاب و هم هیپنوتیزم‌کننده است.


#هوش_مصنوعی‌‌‌   

🌑 @rss_ai_ir

🥎LLM Spatial Understanding🥎

👉SpatialLM by Manycore: novel LLM designed to process 3D point cloud data and generate structured 3D scene understanding outputs. Code, model & data 💙

👉Review https://t.ly/ejr1s
👉Project manycore-research.github.io/SpatialLM/
👉Code github.com/manycore-research/SpatialLM
🤗Models https://huggingface.co/manycore-research

شرکت OpenAI قابلیت ضبط جلسات رو به ChatGPT اضافه کرده که با روشن کردن اون، این هوش مصنوعی صحبتهای جلسات رو به متن تبدیل میکنه، نکات کلیدی اونهارو همراه با ارجاع به زمان گفتگو استخراج میکنه و براساس اونها برنامه هایی که باید انجام بشه و حتی کدهایی که باید نوشته بشه رو هم مینویسه.

این قابلیت در حال حاضر برای کاربران اشتراک Team و تنها در اپ مک عرضه شده و در اینده برای اشتراک پلاس هم فعال خواهد شد.

🔎 OpenAI

📍 @rss_ai_ir

ElevenLabs

پیشرفته‌ ترین و طبیعی‌ ترین مدل تبدیل متن به گفتار تا کنون رو معرفی کرد.

https://elevenlabs.io/v3


به عنوان یک نمونه کاربردی شاهد عصر جدیدی از کتاب های صوتی خواهیم بود، نه فقط یک کتاب صوتی معمولی، بلکه کتاب‌ های صوتی چند صدایی!

بیشتر کتاب‌ های صوتی که توسط انسان‌ها ضبط میشن، هنوز در این زمینه ضعف دارن، چون معمولا تنها یک راوی دارند و تلاششون برای تقلید صدای جنسیت یا ملیت های دیگه، گاهی اوقات ناخوشایند و مصنوعی از کار درمیاد. اما با استفاده از هوش مصنوعی، هر شخصیت در کتاب میتونه صدایی منحصر به‌ فرد داشته باشه.

📍 @rss_ai_ir

📚🤖اخبار هوش مصنوعی مثل همیشه عجیب و جالب!

📍 @rss_ai_ir

📚🤖 RAG؛ نسل ترکیبی از بازیابی و تولید متن

یکی از قدرتمندترین روش‌های ترکیبی در حوزه NLP روش RAG (Retrieval-Augmented Generation)است که از دو دنیای متفاوت استفاده می‌کند:

🔹 🔍 بازیابی اطلاعات (Retrieval):
مدل ابتدا از یک پایگاه داده یا اسناد بیرونی، مرتبط‌ترین متون را پیدا می‌کند.

🔹 🧠 تولید متن (Generation):
سپس با کمک یک مدل زبان (مثل T5 یا BART)، براساس متن‌های بازیابی‌شده، پاسخ دقیق و طبیعی تولید می‌شود.

---

✅ ویژگی‌ها و مزایا:

* اتصال مدل زبان به حافظه خارجی (external knowledge)
* کاهش hallucination در مدل‌های بزرگ
* پاسخ‌دهی دقیق‌تر در سیستم‌های پرسش‌وپاسخ (QA)
* کاربردی در چت‌بات‌ها، جستجو، و تولید گزارش‌های تخصصی

---

📌 ساختار کلی RAG:

پرسش → جستجوی متون مرتبط → ترکیب → تولید پاسخ نهایی

📎 پروژه‌های متن‌باز معروف:
🟢 [Haystack (by deepset)](https://github.com/deepset-ai/haystack)
🟢 [Facebook RAG (Hugging Face)](https://huggingface.co/facebook/rag-token-base)

---

\#RAG #RetrievalAugmentedGeneration #NLP #هوش\_مصنوعی #مدل\_زبان #LLM #پرسش\_و\_پاسخ

📍 @rss_ai_ir

شرکت OpenAI قابلیت مکالمه صوتی پیشرفته ChatGPT رو ارتقا داده و صدای مکالمه با اون حالا طبیعی تره و میتونه احساسات بیشتری رو در حین مکالمه بروز بده و لحنش رو بهتر با محتوای مکالمه هماهنگ کنه. ظاهرا این ارتقا شامل زبانهای دیگه از جمله فارسی هم میشه.

این قابلیت در حال حاضر برای تمام کاربران اشتراک Plus فعال شده.

🔎 OpenAI

📍 @rss_ai_ir

🕰 ۱۰ مدل برتر پیش‌بینی سری‌های زمانی


1️⃣ مدل TCN

✏️ مدل کانولوشنی برای درک الگوهای بلندمدت در سری‌های زمانی.

✔️ خوبیش اینه که: سریع، موازی و پایدار آموزش می‌بینه.

❌ بدیش اینه که: ساختارش برای بعضیا که با RNN کار کردن، ممکنه گیج‌کننده باشه.

💡 کاربرد: سیگنال‌های پرنوسان، سری‌های با حافظه طولانی، داده‌های حسگر یا بازار مالی.

➖ ➖ ➖

2️⃣ مدل TS-Mixer

✏️ مدل سبک و سریع مبتنی بر شبکه عصبی MLP برای سری‌های پیچیده.

✔️ خوبیش اینه که: سریع، قابل توسعه و مناسب داده‌های سنگین و پرتراکم.

❌ بدیش اینه که: هنوز بیشتر در فاز تحقیقاتی استفاده می‌شه.

💡 کاربرد: داده‌های چندمتغیره و پرتکرار مثل قیمت رمزارز، ترافیک شبکه یا داده‌های صنعتی.

➖ ➖ ➖

3️⃣ مدل TimesNet

✏️ مدل عمیق برای یادگیری الگوهای چندلایه و بلندمدت زمانی.

✔️ خوبیش اینه که: برای پیش‌بینی‌های بلندمدت با چند فصل‌پذیری عملکرد عالی داره.

❌ بدیش اینه که: هنوز کاربردهای تجاری زیادی براش منتشر نشده.

🔧 کاربرد: سری‌های پیچیده مثل آب‌وهوا، مصرف انرژی یا تحلیل روند بلندمدت بازار.

➖ ➖ ➖

4️⃣ مدل N-BEATS

✏️ مدل یادگیری عمیق بدون فرض خاص روی ساختار سری زمانی.

✔️ خوبیش اینه که: انعطاف‌پذیر و مستقل از ساختار خاصیه.

❌ بدیش اینه که: نیاز به داده زیاد داره و تفسیر نتایجش ساده نیست.

🔧 کاربرد: پیش‌بینی روند و فصل‌پذیری در سری‌های بدون الگوی مشخص.

➖ ➖ ➖

5️⃣ مدل DeepAR / DeepVAR

✏️ مدل دنباله‌ای مبتنی بر RNN برای پیش‌بینی توزیعی

✔️ خوبیش اینه که: با تعداد زیادی سری مشابه خیلی خوب مقیاس‌پذیره.

❌ بدیش اینه که: تو درک وابستگی‌های خیلی طولانی ممکنه ضعف داشته باشه.

💡 کاربرد: پیش‌بینی فروش در فروشگاه‌های مختلف یا عملکرد شعب مختلف یک سیستم.

➖ ➖ ➖

6️⃣ مدل Temporal Fusion Transformer

✏️ مدل attentionمحور برای تحلیل سری‌های چندمتغیره پیچیده.

✔️ خوبیش اینه که: هم اطلاعات گذشته رو خوب می‌فهمه، هم وضعیت فعلی رو.

❌ بدیش اینه که: تنظیماتش پیچیده‌ست و دیتای زیاد می‌خواد.

💡 کاربرد: پیش‌بینی‌های بلندمدت با ورودی‌های متنوع مثل قیمت، دما، تقویم و رویداد.

➖ ➖ ➖

7️⃣ مدل Prophet

✏️ مدل جمع‌پذیر با توانایی تشخیص روند، فصل‌پذیری و مناسبت‌ها.

✔️ خوبیش اینه که: استفاده‌ش راحته و خودش فصل‌ها و تعطیلات رو تشخیص می‌ده.

❌ بدیش اینه که: تو نوسانات سریع یا جهش‌های ناگهانی دقیق نیست.

💡 کاربرد: داده‌های کسب‌وکار، تحلیل فروش، کمپین‌های بازاریابی و گزارش‌های فصلی.

➖ ➖ ➖

8️⃣ مدل Gradient Boosting با ویژگی‌های lag

✏️ مدل درخت تصمیم با ویژگی‌های مهندسی‌شده زمانی (مثل lag و rolling mean).

✔️ خوبیش اینه که: با الگوهای پیچیده و داده‌های غیرخطی خوب کنار میاد.

❌ بدیش اینه که: باید خودت دستی ویژگی‌های زمانی بسازی.

💡 کاربرد: سری‌های چندمتغیره با متغیرهای خارجی مثل تبلیغات، قیمت یا شرایط آب‌وهوا.

➖ ➖ ➖

9️⃣ مدل Exponential Smoothing

✏️ مدل آماری برای سری‌هایی با روند یا فصل‌پذیری نرم.

✔️ خوبیش اینه که: سریع، ساده و قابل تفسیر توسط افراد غیرمتخصص هم هست.

❌ بدیش اینه که: توی داده‌های پرنوسان یا با تغییرات شدید عملکرد ضعیفی داره.

💡 کاربرد: داده‌های آرام و فصلی مثل مصرف انرژی یا تولید ماهانه کارخانه‌ها.

➖ ➖ ➖

1️⃣ مدل ARIMA / SARIMA

✏️ مدل کلاسیک آماری برای سری‌های خطی و فصلی.

✔️ خوبیش اینه که: توی داده‌های پایدار و فصلی عالی کار می‌کنه.

❌ بدیش اینه که: برای داده‌های غیرخطی یا وقتی متغیر بیرونی داریم، ضعف داره.

💡 کاربرد: پیش‌بینی فروش، دما، یا روندهای کوتاه‌مدت تک‌متغیره.



🌐 #یادگیری_ماشین #MachineLearning
➖➖➖➖➖➖➖➖➖➖➖➖➖➖