هوش مصنوعی اپل احتمالا «سریع‌تر اما ضعیف‌تر» از گوگل خواهد بود.

به ادعای بلومبرگ، هوش مصنوعی اپل تماما روی دستگاه پردازش می‌شود و نیازی به اینترنت ندارد.
خبرگزاری بلومبرگ در گزارشی اختصاصی می‌گوید اپل با هدف افزایش سرعت پردازش و اهمیت بیشتر به حریم خصوصی کاربران، در حال توسعه‌ی مدل زبانی بزرگ (LLM) جدیدی است که به‌طور کامل روی دستگاه اجرا می‌شود و نیازی به اینترنت ندارد.

استفاده از پردازش محلی باعث بهبود حریم خصوصی و سرعت پردازش می‌شود، اما ممکن است قابلیت‌های هوش مصنوعی اپل را محدود کند. به گفته‌ی بلومبرگ، اپل می‌خواهد «خلأهای ایجادشده» را با هوش مصنوعی اینترنت‌محور گوگل و سایر شرکت‌ها پر کند.

بلومبرگ ماه گذشته در گزارشی گفت اپل مشغول مذاکره با گوگل و OpenAI و بایدو است تا از هوش مصنوعی این شرکت‌ها در سیستم‌عامل iOS 18 استفاده کند.

منابع آگاه می‌گویند استراتژی بازاریابی اپل در حوزه‌ی هوش مصنوعی این است که فناوری موردبحث چگونه به کاربران برای انجام کارهای روزمره کمک خواهد کرد. اپل برنامه‌ای برای متمرکزشدن روی قدرت پردازشی هوش مصنوعی‌اش ندارد.

هوش مصنوعی اپل اواخر خرداد در کنفرانس جهانی توسعه‌دهندگان به‌همراه سیستم‌عامل iOS 18 رونمایی می‌شود.

در این مقاله گزارش شده که دانشمندان داده 3 درصد از افرادی را تشکیل می دهند که توسط شرکت های بزرگ فناوری اخراج شده اند. سایر متخصصان فناوری مانند مهندسان نرم افزار بیشتر تحت تأثیر قرار گرفتند، (حدود 22 درصد)





https://365datascience.com/trending/who-was-affected-by-the-2022-2023-tech-layoffs/

Nisha Arya
دیتا ساینتیست و مدیر محتوا در kdNuggets گزارشی در خصوص آخرین دیتا ساینتیست ها نوشت که خلاصه شو براتون آوردم:


طبق گزارش Glassdoor، به روز شده در 12 آوریل 2024 - میانگین حقوق یک دانشمند داده در ایالات متحده 157,000 دلار است که از 132,00 تا 190,000 دلار متغیر است.

توجه داشته باشید که در این رقم تنها 37.8 درصد از آگهی های استخدامی حقوق خود را اعلام کرده اند.

هنگام کار در صنعت فناوری، با دانشمندان داده آمریکایی مواجه شده ام که سالانه بین 160000 تا 200000 دلار حقوق دارند.

عوامل موثر بر حقوق دانشمند داده


موقعیت جغرافیایی - مناطقی که هزینه زندگی بالاتری دارند مانند لندن یا نیویورک معمولاً حقوق بیشتری دارند. با این حال، با این گفته، افزایش کارمندان از راه دور به دانشمندان داده در سطح جهان اجازه داده است تا حقوق بهتری دریافت کنند.

تجربه - به طور طبیعی، هرچه تجربه بیشتری داشته باشید، پول بیشتری به دست خواهید آورد. به دست آوردن تجربه و مهارت های مناسب به عنوان یک دانشمند داده به شما کمک می کند تا حقوق خود را افزایش دهید زیرا در بازاری که قبلاً تقاضای بالایی دارد رقابتی تر می شوید.
صنعت - صنعتی که برای آن کار می کنید، حقوق شما را نیز منعکس می کند. صنایعی مانند فناوری، امور مالی و مراقبت های بهداشتی روز به روز بیشتر از داده های خود استفاده می کنند و به دانشمندان داده نیاز دارند تا آن را درک کنند.

بهترین پرامپت های چت جی پی تی

توی این صفحه اومده یک لیست از بهترین پرامپت های چت جی پی تی گذاشته که برای هر کار باعث میشه سریع تر و دقیق تر به خواسته خودتون برسید.

برای مثال شما اگر برنامه نویسید و کد نیاز دارید با پرامپتی که این سایت راجب برنامه نویسی ارائه داده محدودیت های چت جی پی تی میتونید دور بزنید و جواب بهتر و دقیق تری بگیرید.

https://github.com/ai-boost/awesome-prompts

شبتون خوش🌹

والس، فارغ از هرگونه تظاهر...
برای خارج‌شدن از مه‌گرفتگی
😌🌱💃🕺

انواع DataSet ها

http://archive.ics.uci.edu/ml/datasets.html

دیتاست مربوط به یو تیوب

http://netsg.cs.sfu.ca/youtubedata

دیتاست مربوط به داده های شبکه

http://networkdata.ics.uci.edu/netdata/html/bkHam.html


مجموعه داده های طبقه بندی شده در دیتاپول در موضوعات مختلف
http://www.datapool.ir

دیتاست مربوط به تشخیص چهره

http://www.face-rec.org/databases
دیتاست مربوط به دسته بندی حملات شبکه

http://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html

دیتاست مربوط به وام های داده شده ، دیر کرد و غیره به مشتریان است

https://www.lendingclub.com/info/download-data.action

دیتاست مربوط به تصادفات جاده ای

http://www.nyc.gov/html/nypd/html/traffic_reports/motor_vehicle_collision_data.shtml

دیتاست مربوط به گربه ها

http://137.189.35.203/WebUI/CatDatabase/catData.html

دیتاست مربوط به حراجی آنلاین eBay

http://www.modelingonlineauctions.com/datasets

دیتاست مربوط به موسیقی و صدا

http://labrosa.ee.columbia.edu/millionsong/

دیتاست مربوط به انواع شبکه های موجود و وب سایت ها – دانشگاه استنفورد

http://snap.stanford.edu/data/index.html

دیتاست های مربوط به یادگیری ماشین

http://archive.ics.uci.edu/ml

گروه داده کاوی دانشگاه تگزاس

http://www.cs.utexas.edu/users/dmg/

وب سایت های مجموعه داده:

http://aws.amazon.com/public-data-sets

http://stackoverflow.com/questions/381806/large-public-datasets

https://archive.org/details/stackexchange

https://networkdata.ics.uci.edu/resources.php

https://www.kaggle.com

http://www.data.gov

http://www.kdnuggets.com/datasets/index.html

http://socialcomputing.asu.edu/pages/datasets

http://nodexlgraphgallery.org/Pages/Default.aspx

http://konect.uni-koblenz.de


@datalook_ir

برای تازه واردان عزیز 😊😊لینک کانال یوتیوب و دوره های رایگان.

https://youtube.com/@minarabti5416?si=SaTcLxcevBixuBAd

سوالات مصاحبه:

دوستی زحمت کشیدن نمونه سوالات مصاحبه LLM رو برامون ارسال کردند.

بخش ۱
تجربه شما در آموزش و تنظیم دقیق مدل‌های زبانی بزرگ چیست؟
چه چالش‌هایی را در فرایند تنظیم دقیق LLM‌ها تجربه کرده‌اید و چگونه آن‌ها را حل کرده‌اید؟

بخش ۲
بر اساس تجربیات شما، فاکتورهای کلیدی تأثیرگذار بر هزینه‌ی آموزش LLM‌ها چیست؟
چگونه می‌توان هزینه‌های مرتبط با آموزش LLM‌ها را مدیریت کرد؟

بخش ۳
شما ترجیح می‌دهید از LLM‌های متن‌باز یا API‌های تجاری استفاده کنید؟ دلایل خود را توضیح دهید.
در چه شرایطی استفاده از LLM متن‌باز مؤثرتر از استفاده از API‌های تجاری است؟

بخش ۴
بهترین نتیجه‌ای که تا به حال با استفاده از LLM‌ها به دست آورده‌اید چیست؟
چه تغییرات یا بهبودهایی را برای رسیدن به این نتیجه اعمال کردید؟

بخش ۵
با کدام LLM‌ها تجربه‌ی کار دارید و در چه پروژه‌هایی از آن‌ها استفاده کرده‌اید؟
کدام یک از این مدل‌ها را برای کاربردهای مختلف ترجیح می‌دهید و چرا؟

بخش ۶
چگونه از آخرین پیشرفت‌ها و تحقیقات در زمینه LLM‌ها آگاه می‌مانید؟
آخرین مقاله یا تحقیق مهمی که در این زمینه خوانده‌اید چه بود و چه نکات جدیدی را فرا گرفتید؟
برای رفع معضل توهم در مدل‌های زبانی بزرگ چه راهکارهایی را پیشنهاد می‌دهید؟

بخش ۷
چه روش‌هایی برای تست و ارزیابی مدل‌های زبانی بزرگ استفاده می‌کنید؟
چطور می‌توان از مدل‌های زبانی بزرگ برای برچسب‌زنی دیتا استفاده کرد؟

ماسا نتورک چیست؟ راه‌حلی برای کسب درآمد از داده غیرمتمرکز هوش مصنوعی

آیا تا به‌حال در مورد گوگل غیرمتمرکز چیزی شنیده‌اید؟

ماسا نتورک (Masa Network) یک شبکه غیرمتمرکز داده هوش مصنوعی است که قصد دارد شکل جدیدی از گوگل را ارائه دهد.

در شبکه MASA، کاربران مالک داده‌های خود هستند و می‌توانند با فروش آن‌ها برای آموزش مدل‌های هوش مصنوعی درآمد کسب کنند.

ماسا نتورک یک پلتفرم بلاکچینی است که دسترسی به داده‌های رفتاری و شخصی کاربر را با رضایت آن‌ها فراهم می‌کند. مطمئنا هنگام فعالیت در اینترنت و کار با سایت‌های مختلف پیام “Accept All Cookies” برای شما هم ارسال شده است و با اکراه روی آن کلیک کرده‌اید.

هدف از ارسال این پیام که معمولا توسط شرکت‌های متمرکز انجام می‌شود، جمع‌آوری داده‌ کاربران است. شبکه ماسا قصد دارد تحولی در این رویکرد ایجاد کند و اطلاعات شخصی و رفتاری آنلاین کاربران را با رضایت آن‌ها و از طریق برنامه ماسا (Masa App) و افزونه مرورگر کروم ماسا دریافت کند.

این روش یک منفعت دیگر هم برای کاربران دارد و می‌توانند در ازای داده‌های خود درآمد کسب کنند. ماسا یک ساب نت روی شبکه آوالانچ است و از فناوری قابلیت همکاری لیرزیرو (LayerZero) برای فعال کردن ویژگی میان‌زنجیره‌ای کمک گرفته است. در حال حاضر شبکه Masa از بلاکچین‌های اتریوم، آوالانچ، پالیگان، بایننس اسمارت چین، سلو، بیس و OPBNB پشتیبانی می‌کند.

@datalook_ir

هواوی لپ‌تاپی با تمرکز بر هوش مصنوعی می‌سازد.

هواوی ظاهراً درحال توسعه‌ی لپ‌تاپ جدیدی با نام MateBook GT 14 است که احتمالاً با هوش مصنوعی و تراشه‌ی قدرتمندتر از نسل قبل عرضه خواهد شد.

افشاگری به‌نام BeijingDigitalMaster در ویبو ادعا می‌کند میت بوک GT 14، بیشتر از آنکه لپ‌تاپ گیمینگ مجهز به تراشه‌ی قدرتمند و ویژگی‌های هوش مصنوعی باشد، شبیه لپ‌تاپ‌های معمولی خواهد بود.

این لپ تاپ هواوی احتمالاً شبیه میت‌ بوک ایکس پرو خواهد بود.

عبارت GT نشان‌دهنده‌ی قدرت عملکرد است. هواوی قبلاً برخی محصولات پوشیدنی خود را با پسوند GT عرضه کرد و ظاهراً اکنون تصمیم دارد از این نام در لپ‌تاپ‌های خود استفاده کند.

اپلیکیشن جدید رایگان آیفون به‌شما اجازه می‌دهد با قدرت هوش مصنوعی، به‌سادگی والپیپرهای جذاب بسازید.


توسعه‌دهنده‌ای با نام Thatvirtualboy، اپلیکیشنی به نام Wall Genie برای گوشی آیفون ساخته است که از هوش مصنوعی برای ساخت سریع و آسان والپیپرهای کاملاً اختصاصی بهره می‌برد.

Wall Genie
ابزاری بسیار جذاب برای ساخت والپیپر محسوب می‌شود که به‌طور خاص برای آیفون ساخته شده است. این اپلیکیشن با قدرت هوش مصنوعی، فقط در چند ثانیه والپیپرهای بی‌نظیری خلق می‌کند.

با این گجت، درِ ورودی حیوانات خانگی را هوشمند و ایمن کنید.

اگر حیوان خانگی دارید، Pawport به شما کمک می‌کند با روشی ایمن و هوشمند، ورود و خروج آن‌ها ازطریق در را کنترل کنید.

از بین محصولات مرتبط با خانه‌های هوشمند، Pawport کمی متفاوت به‌نظر می‌رسد.

این گجت منحصربه‌فرد درواقع روکشی موتوردار برای در ورودی حیوانات خانگی محسوب می‌شود و می‌توان آن را ازطریق اپلیکیشن گوشی آیفون، گوشی سامسونگ یا هر دستگاه iOS و اندروید دیگری برنامه‌ریزی کرد.

دستگاه مذکور به‌همراه قلاده‌ای هوشمند عرضه می‌شود و بدین‌ترتیب با نزدیک‌شدن حیوان خانگی شما به در، به‌طور خودکار باز می‌شود.

Pawport
برای بهبود امنیت خانه‌ی افرادی که حیوان خانگی دارند طراحی شده است و راهکاری ساده اما کاربردی برای نظارت بر در ورودی حیوانات خانگی ارائه می‌دهد. شما می‌توانید ازطریق برنامه‌ی مخصوص، در را از راه‌دور کنترل کنید. همچنین می‌توان ازطریق اپلیکیشن در برخی از ساعت‌های روز در ورودی حیوانات را باز یا بسته کرد. این محصول با دستیار صوتی سیری، آلکسا و گوگل اسیستنت نیز سازگاری دارد.


طبق اطلاعات سایت رسمی Pawport، این محصول از سه‌ماهه‌ی دوم سال ۲۰۲۴ روانه‌ی بازار خواهد شد و البته امکان پیش‌خرید آن از همین حالا وجود دارد. مدل پایه‌ی این محصول با برچسب ۴۶۰ دلار به‌فروش می‌رسد و درصورت سفارش لوازم‌جانبی‌ دیگر می‌تواند افزایش یابد.

این گجت هوش مصنوعی به جای شما با اپلیکیشن‌هایتان کار می‌کند.

گجت Rabbit R1 که با تمرکز بر هوش مصنوعی در مراسم CES 2024 معرفی شده است، می‌تواند به‌جای شما از اپلیکیشن‌هایتان استفاده کند.

شکل ظاهری Rabbit R1 مربعی است و از یک نمایشگر ۲٫۸۸ اینچی نیز میزبانی می‌کند. این گجت دارای دوربینی ۳۶۰ درجه‌ برای ثبت عکس و ویدئو است و دکمه‌هایی با دو عملکرد چرخان و کلیکی دارد تا به شما کمک کند در رابط کاربری گشت و گذار کنید.

سیستم‌عامل گجت معرفی‌شده، Rabbit OS نام دارد و برخلاف ChatGPT یک مدل زبانی بزرگ نیست و بر پایه‌ی مدل عملی توسعه داده شده که Large Action Model یا به صورت مختصر LAM نامیده می‌شود.

بهترین توصیف برای LAM راهی برای کنترل برنامه‌ها به‌صورت کلی است. گجت Rabbit R1 با محیط سیستم‌عامل گوشی یا لپ تاپ کاملا آشنایی دارد و می‌تواند رفته‌رفته اطلاعات خود را گسترش دهد. برای نمونه این گجت با محیط برنامه‌ی اسپاتیفای یا هر نرم‌افزار دیگری آشنا می‌شود و یاد می‌گیرد که چگونه بتواند ثبت شدن سفارش، تایید شدن درخواست و موارد این‌چنینی را تایید کند.

به‌نوعی می‌توان ادعا کرد که LAM از شما یاد می‌گیرد و می‌تواند به‌کمک هوش مصنوعی عملکرد مشابهی در برنامه‌ها داشته باشد. برای نمونه شما می‌توانید به Rabbit R1 بگویید که داخل برنامه فوتوشاپ برود و عکس مورد نظر را انتخاب کند و واترمارک پایین تصویر را از بین ببرد.

کتاب story telling with d
Ata

کتاب «داستان‌پردازی با داده‌ها» راهنمایی گام به گام است که به شما کمک می‌کند مخاطب و بستر تعامل پیام را بشناسید و بدانید او به چه چیزهایی توجه می‌کند تا درنهایت بتوانید داده‌ها، اطلاعات و پیام‌هایتان را به درستی به مخاطبتان منتقل کنید.

زبان اصلی

در یک صبح دلپذیر اردیبهشت...
🌱😊🌸

یک رودمپ عالی برای انتخاب الگوریتم های یادگیری ماشین در پروژه ها


https://www.kdnuggets.com/roadmap-to-machine-learning-algorithm-selection

مدل های (LAM) چیست؟ و تفاوت بین LLM و LAM چیست؟

یک موضوع داغ در قلمرو هوش مصنوعی (AI) مدل‌های LAM است .

ابن مدلها گستره ای از مدل های زبان بزرگ (LLM) هستند که همه ما با آن آشنا هستیم. LLM ها می توانند متن را با پیش بینی کلمه یا نشانه بعدی بر اساس ورودی تولید کنند. LAM ها با تقویت این LLM ها برای تبدیل شدن به "عامل" این مرحله را به جلو می برند. Agent ها واحدهای نرم افزاری هستند که قادر به اجرای وظایف به تنهایی هستند، بنابراین به جای پاسخگویی ساده به پرسش های کاربر انسانی، در نهایت به رسیدن به یک هدف کمک می کنند.

در تعریف ساده تر LAM مدل هوش مصنوعی است که می تواند وظایف پیچیده را با تبدیل نیات انسان به عمل درک و اجرا کند. در LAMها، چنین سطوحی از استقلال و درک، هوش مصنوعی مولد را به دستیار فعالی تبدیل می‌کند که می‌تواند وظایف مختلفی را انجام دهد، از رزرو اتاق گرفته تا تصمیم‌گیری پیچیده بر اساس تجزیه و تحلیل داده‌های گذشته و حال.


آنها از طریق یکپارچه سازی با سیستم های خارجی، مانند دستگاه های IoT و ...، با دنیای واقعی تعامل دارند. با اتصال به این سیستم ها، LAM ها می توانند اقدامات فیزیکی انجام دهند، دستگاه ها را کنترل کنند، داده ها را بازیابی کنند یا اطلاعات را دستکاری کنند. این به LAM ها اجازه می دهد تا فرآیندهای کامل را مکانیزه کنند و هوشمندانه با جهان تعامل داشته باشند، با مردم گفتگو کنند، با شرایط متفاوت تنظیم شوند و حتی با سایر LAM ها همکاری کنند.


موارد استفاده بالقوه از مدل اکشن بزرگ را می توان در حوزه های مختلف اعمال کرد.

در مراقبت های بهداشتی، LAM می تواند مراقبت از بیمار را از طریق تشخیص های مدرن و استراتژی درمان مناسب تغییر دهد.

در بخش مالی، LAM می تواند در اندازه گیری ریسک، کشف تقلب و معاملات الگوریتمی کمک کند. در بخش خودرو، LAM می تواند به تولید خودروهای خودگردان و بهبود سیستم های ایمنی خودرو کمک کند


اگرچه مدل‌های اکشن بزرگ LAMهنوز نمایی تأثیرگذار در دنیای هوش مصنوعی پیدا نکرده‌اند، اما پذیرش سریع هوش مصنوعی، رویاپردازان و ذهن‌های خلاق را بر آن می‌دارد تا به دنبال راه‌های جدیدی برای استفاده از این فناوری باشند و فراتر از آنچه راه‌حل‌های فعلی ارائه می‌دهند، بروند.

یک نمونه LAM معروف. از این گجت های هوش مصنوعی چند موردی به بازار ارایه شده و هم چنان بعضی موارد سفارش فروش دارند. اما بعضی گجت ها موفق نبودند.

در اصل مدلهایی در سالهای آینده وارد بازار می شوند که این مدلهای زبانی LLM در مقابل اینها یک شوخی به نظر میرسه. LAM ها در حقیقت قراره همه عوامل و رفتارهای انسانی رو شبیه سازی کرده و کاملا در مواردی جایگزین انسان شوند.

⭕️ ابزار رایگان کیوورد ریسرچ (تحقیق کلمات کلیدی)

وارد این لینک ها بشید، یه کلمه کلیدی رو وارد کنید تا بهتون یه لیست از کلمات کلیدی مرتبط و پر سرچ رو بده

🔗 https://ahrefs.com/keyword-generator/

🔗 https://keywordtool.io/

✅ فارسی هم ساپورت میکنه