نویسنده(های): به سمت تیم تحریریه هوش مصنوعی
در ابتدا منتشر شد به سمت هوش مصنوعی.
صبح بخیر، علاقه مندان به هوش مصنوعی! این هفته داغ‌ترین روند در هوش مصنوعی: تقطیر مدل، همراه با چند مقاله جالب در مورد روش‌های RAG، Llama 3.2 و Bayesian را مورد بحث قرار می‌دهیم.
هفتگی هوش مصنوعی چیست
این هفته، در دیگر من خبرنامه، نرخ یادگیری بالا خبرنامهمن یک تکنیک ضروری در LLMها را بررسی می کنم: تقطیر مدل. با بزرگتر شدن LLMها، این رویکرد به طور فزاینده ای حیاتی شده است، و به ما امکان می دهد تا برخی از قابلیت های چشمگیر آنها را در بسته های قابل مدیریت تر ثبت کنیم. تقطیر مدل و اینکه چرا تصمیم OpenAI برای این رویکرد و آینده مدل‌های زبان بسیار مهم است را پوشش می‌دهد. خبرنامه کامل را اینجا بخوانید!
– لویی فرانسوا بوچارد، بنیانگذار و رئیس انجمن به سوی هوش مصنوعی
🎉 خبر هیجان انگیز ما به‌تازگی به‌روزرسانی گسترده‌ای را منتشر کرده‌ایم ساخت LLM برای تولید!
نسخه به روز شده دارای ساختار بهبود یافته، بینش تازه تر، اطلاعات به روزتر، کد بهینه شده است و البته تجربه خواندن را لذت بخش تر کرده ایم.
این کتاب مبتنی بر “اصول جاودانه” است که علیرغم پیشرفت های مداوم در زمینه LLM همچنان مرتبط باقی می ماند. هدف این به‌روزرسانی این است که تجربه خواندن را روان‌تر و در دسترس‌تر کند و اطمینان حاصل کند که مفاهیم کلیدی به راحتی قابل درک هستند.
اما فراتر از آن، ما معتقدیم که برخی از تکنیک‌های مورد بحث در کتاب، مانند تقطیر مدل، در حال تبدیل شدن به پایه‌ای برای شاغلین و شرکت‌هایی هستند که با LMs کار می‌کنند. نسخه به روز شده اطلاعات عملی بیشتری در مورد این تکنیک ها ارائه می دهد، که ما معتقدیم از زمان انتشار کتاب در دسترس تر شده اند و کاربردهای گسترده تری فراتر از تحقیق پیدا کرده اند.
نسخه به روز شده به صورت جلد شومیز، کتاب الکترونیکی و جلد گالینگور موجود است. کپی خود را از صفحه آمازون محلی خود بگیرید!
وقتی به دستتان رسید به ما بگویید چه فکر می کنید! لطفا به من پینگ کنید [email protected] اگر v1 دارید (یا v2 را دریافت کنید). ما هدایای خوبی برای حامیان خود داریم!
بخش جامعه هوش مصنوعی را یاد بگیرید!
پست انجمن ویژه از Discord
Malus_aiiola یک تنظیم‌کننده قرار ملاقات با هوش مصنوعی با استفاده از Vapi ساخته است و یک آموزش گام به گام برای کمک به ایجاد تنظیم‌کننده قرار ملاقات صوتی خود ایجاد کرده است. شامل کد، توضیح کامل در مورد قابلیت های عامل و موارد دیگر می باشد. آموزش را در یوتیوب ببینید و از یکی از اعضای جامعه حمایت کنید. اگر سوال یا بازخوردی دارید، آن را در تاپیک Discord به اشتراک بگذارید!
نظرسنجی هفته هوش مصنوعی!
کنجکاو هستم که بدانم “چرا” برای همه شما آری یا خیر است. آن را در تاپیک به اشتراک بگذارید!
فرصت های همکاری
انجمن Learn AI Together Discord مملو از فرصت های همکاری است. اگر مشتاق هستید که در هوش مصنوعی کاربردی شیرجه بزنید، یک شریک تحصیلی می خواهید، یا حتی می خواهید شریکی برای پروژه اشتیاق خود پیدا کنید، به کانال همکاری بپیوندید! مراقب این بخش نیز باشید – ما هر هفته فرصت های جالبی را به اشتراک می گذاریم!
1. الیمسیر در حال توسعه دو پروژه بینایی کامپیوتری است: سیستم تشخیص عنبیه و سیستم های خودروی خودمختار. آنها به تعدادی از اعضای تیم مسلط به Python، OpenCV، Numpy، SQL، نیاز دارند. یادگیری ماشینیو/یا Git/Github. اگر این به نظر هیجان انگیز است، در تاپیک دراز کنید!
2. Asb02062 قصد نگارش و انتشار مقاله پژوهشی در این زمینه را دارد هوش مصنوعی مولد یا Reinforcement Learning و به دنبال شریک است. اگر این به نظر جالب می رسد، با آنها در موضوع ارتباط برقرار کنید!
میم هفته!
میم به اشتراک گذاشته شده توسط ghost_in_the_machine
بخش سرپرستی TAI
مقاله هفته
RAG از ابتدا توسط برهومی مصبه
این مقاله راهنمای دقیقی در مورد ساخت یک سیستم بازیابی-نسل افزایش یافته (RAG) از ابتدا ارائه می دهد. این مؤلفه‌های اصلی RAG، از جمله فرآیندهای بازیابی و تولید، و نحوه کار آنها با یکدیگر برای افزایش عملکرد مدل‌های هوش مصنوعی را توضیح می‌دهد. این مقاله مفاهیم اساسی مانند نمایه سازی داده ها، تکنیک های بازیابی و ادغام مدل های تولیدی را پوشش می دهد. از طریق مثال‌های عملی و تکه‌های کد، خوانندگان را در مراحل پیاده‌سازی راهنمایی می‌کند و برای مبتدیان و توسعه‌دهندگان با تجربه قابل دسترسی است. هدف بینش مشترک، تجهیز خوانندگان به دانش برای ایجاد سیستم های RAG خود، برجسته کردن کاربردهای بالقوه و مزایای این رویکرد قدرتمند در وظایف مختلف مبتنی بر هوش مصنوعی است.
مقالاتی که باید حتما بخوانید
1. LLaMA 3.2 Vision: انقلابی در هوش مصنوعی چندوجهی با استدلال بصری پیشرفته – اکنون LLaMA می تواند ببیند توسط دکتر منصور علی
این مقاله پیشرفت‌های مدل LLaMA 3.2 را مورد بحث قرار می‌دهد که قابلیت‌هایی را برای استدلال بصری پیشرفته معرفی می‌کند و آن را قادر می‌سازد اطلاعات بصری را در کنار متن پردازش و درک کند. این نشان می دهد که چگونه این رویکرد چندوجهی توانایی مدل را برای انجام کارهای پیچیده ای که نیاز به درک بصری و متنی دارند، افزایش می دهد. این مقاله بینش‌هایی در مورد معماری و عملکردهای LLaMA 3.2 ارائه می‌کند و کاربردهای بالقوه آن را در زمینه‌های مختلف، از جمله تجزیه و تحلیل تصویر مبتنی بر هوش مصنوعی و سیستم‌های تعاملی نشان می‌دهد. از طریق مثال‌های عملی، تأثیر دگرگون‌کننده ادغام استدلال بصری در مدل‌های هوش مصنوعی را نشان می‌دهد.
2. آشنایی با AutoGen (بخش 2): چگونه عوامل هوش مصنوعی با هم کار می کنند توسط آنوشکا سوناوانه
این مقاله به بررسی پویایی های مشترک عوامل هوش مصنوعی در چارچوب AutoGen می پردازد. این بررسی می‌کند که چگونه چندین عامل هوش مصنوعی می‌توانند برای دستیابی به وظایف پیچیده‌تر با هم تعامل داشته باشند و با هم کار کنند. این مقاله اصول اساسی همکاری عامل، از جمله پروتکل های ارتباطی و استراتژی های تفویض وظایف را مورد بحث قرار می دهد. مثال‌های عملی مزایای استفاده از یک سیستم چند عاملی، مانند بهبود قابلیت‌های حل مسئله و بهبود عملکرد در کاربردهای مختلف را نشان می‌دهند. هدف بینش های ارائه شده تعمیق درک چگونگی همکاری عوامل هوش مصنوعی برای ایجاد سیستم های موثرتر و هوشمندتر است.
3. روش‌های بیزی: از نظریه تا کاربردهای دنیای واقعی توسط شنگانگ لی
این مقاله مروری جامع بر روش‌های بیزی ارائه می‌کند و شکاف بین مفاهیم نظری و کاربردهای عملی را پر می‌کند. این اصول بنیادی بیزی را توضیح می دهد آمار، از جمله توزیع های قبلی و پسین، و اینکه چگونه می توان آنها را برای مشکلات دنیای واقعی اعمال کرد. این مقاله کاربردهای مختلف را در زمینه های مختلف، مانند مراقبت های بهداشتی، مالی، و یادگیری ماشینی، تطبیق پذیری و اثربخشی رویکردهای بیزی را نشان می دهد. از طریق مثال‌های عملی و مطالعات موردی، نشان می‌دهد که چگونه روش‌های بیزی می‌توانند تصمیم‌گیری را افزایش دهند و عملکرد مدل را در محیط‌های نامشخص بهبود بخشند، و یک مورد قوی برای پذیرش آنها در حوزه‌های مختلف ایجاد کنند.
4. ساخت یک چت بات هوشمند با OpenAI و Pinecone: یک راهنمای ساده توسط آبیشک چوداری
این مقاله به بررسی ادغام Retrieval-Augmented Generation (RAG) با استفاده از مدل‌های OpenAI در ارتباط با Pinecone، یک پایگاه داده برداری می‌پردازد. این توضیح می دهد که چگونه RAG با ترکیب بازیابی اطلاعات مرتبط با پاسخ های تولیدی، قابلیت های هوش مصنوعی را افزایش می دهد. این مقاله به تشریح معماری سیستم می‌پردازد و جزئیات نحوه نمایه‌سازی و بازیابی داده‌ها از Pinecone را برای اطلاع از فرآیند تولید توضیح می‌دهد. مثال‌های عملی و دستورالعمل‌های گام به گام برای اجرای این رویکرد ارائه می‌کند و اثربخشی آن را در بهبود دقت و ارتباط محتوای تولید شده نشان می‌دهد. هدف بینش مشترک، توانمندسازی توسعه دهندگان برای استفاده از RAG برای برنامه های مختلف، بهبود عملکرد کلی سیستم های مبتنی بر هوش مصنوعی است.
اگر علاقه مند به انتشار با Towards AI هستید، دستورالعمل های ما را بررسی کنید و ثبت نام کنید. اگر کار شما با خط مشی ها و استانداردهای ویرایشی ما مطابقت داشته باشد، ما آن را در شبکه خود منتشر خواهیم کرد.
منتشر شده از طریق به سمت هوش مصنوعی
