🎥 مقایسه عملکرد هوش مصنوعی گوگل Veo 3 و OpenAI Sora

🔹️گوگل همین چند روز پیش از هوش مصنوعی ویدیوساز Veo 3 رونمایی کرد که علاوه‌بر ویدیو، می‌تواند صدا هم تولید کند. در مقابل آن، هوش مصنوعی OpenAI Sora قرار دارد که چندین ماه از عرضه‌اش می‌گذرد. در ویدیوی بالا، عملکرد این ۲ هوش مصنوعی ویدیوساز با هم مقایسه شده است.

✍️ مبارزه ربات ها


#هوش_مصنوعی #رباتیک

👨🏻‍💻 یه راه ساده و سریع برای اجرای مستقیم مدل‌های هوش مصنوعی توی مرورگر، کتابخونه‌ی Transformers.js از Hugging Faceئه!

✏️ با این ابزار می‌تونی خیلی از مدل‌های یادگیری ماشین، از جمله مدل‌های LLM رو بدون نیاز به سرور، کاملاً لوکال اجرا کنی.


❓ چرا Transformers.js انقدر خفنه؟

✅ اجرای ۱۰۰٪ لوکال
☑️ پشتیبانی از WebGPU
✔️ عملکرد عالی
☑️ سازگاری با محیط‌های مختلف
✔️ مثال‌های متنوع


📺 تو ویدیویی که قرار دادم، من خودم باهاش یه مدل ۳۶۰ میلیون پارامتری رو اجرا کردم توی مرورگر، بدون دردسر. سرعتشم عالی بود: حدود ۳۰ توکن در ثانیه!


┌ 🥵 Transformers.js
├ 📖 Documentation
└ 🐱 GitHub-Repos



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

مدل SignGemma گوگل که زبان اشاره رو به متن تبدیل میکنه ...

هوش مصنوعی Claude قابلیت سرچ وب را که پیش از این در 20 مارس ارائه شده بود برای تمام پلن ها رایگان کرد

https://claude.ai/login

📝پرامپت منفی  یا Negative Prompt چیه؟ چرا مهمه؟

وقتی با هوش مصنوعی تصویر تولید می‌کنین (مثلاً با مدل‌هایی مثل Stable Diffusion)، فقط گفتن اینکه چی می‌خوای کافی نیست!
باید دقیقاً بگی چی نمی‌خوای!
به این می‌گن: Negative Prompt

📌 مثال واقعی:
می‌خواین مدل یه «ماشین اسپرت مدرن توی شب» تولید کنه

🔹نمونه Prompt مثبت:
A futuristic sports car under neon lights in a cyberpunk city, ultra realistic, glossy finish

🔸نمونه Prompt منفی:
blurry, low quality, cartoon style, extra wheels, distorted shapes

🚫 با این Negative Prompt، مدل یاد می‌گیره:

ماشین کارتونی نسازه

چرخ اضافه نزنه

نورها و فرم بدنه رو خراب نکنه

✅ نتیجه؟
تصویری دقیق‌تر، واقعی‌تر و نزدیک‌تر به چیزی که تو ذهنته!

🛠 نکته حرفه‌ای:
اگه دیدین تصویر ایراد داره، با یه Negative Prompt خوب می‌تونین معجزه کنین

💢https://t.iss.one/rss_ai_ir

✍️ آینده ایمیل و ارتباطات با هوش مصنوعی

🧠 گوگل دوباره بازی ایمیل را تغییر داد. آیا ما برای آن آماده‌ایم؟

به «پاسخ‌های هوشمند شخصی‌سازی‌شده» در جیمیل سلام کنید - ایمیل‌های شما قرار است دقیقاً شبیه شما به نظر برسند.

➡️ دلیل اهمیت این به‌روزرسانی چیست؟ 👇

🕰 نگاهی گذرا به تکامل جیمیل:

۲۰۱۷: پاسخ هوشمند - پیشنهادهای سریع و کوتاه

۲۰۲۰: نوشتن هوشمند - پیشنهاد عبارات هنگام تایپ

۲۰۲۳: کمک به نوشتن - پیش‌نویس‌های طولانی با یک پیام

۲۰۲۵: پاسخ‌ها با صدای شما، با لحن شما... به صورت خودکار ✨


🤖 خب، این به چه معناست؟

ما رسماً وارد دورانی شده‌ایم که:

👉 هوش مصنوعی من به هوش مصنوعی شما پاسخ می‌دهد

#هوش_مصنوعی  
🌎 https://t.iss.one/rss_ai_ir

طریقه درست ایجاد پرامپت با veo گوگل، پارت ۱: معرفی سوژه و فعلی که باید انجام بده

طریقه درست ایجاد پرامپت با veo گوگل، پارت ۲: تعیین زاویه دوربین و حال‌و‌هوا

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
➖➖➖➖➖➖➖➖➖➖➖➖➖➖