نویسنده (ها): به سمت تیم تحریریه AI
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
صبح بخیر ، علاقه مندان به او!
می خواهید شماره این هفته را با یک اعلام سریع شروع کنید: ثبت نام برای “از مبتدی تا پیشرفته” LLM گروه توسعه دهنده “هم اکنون باز است – و شروع می شود اول ژوئن با تماس با مدیرعامل ما ، لویی پیترز!
صندلی خود را رزرو کنید – با تخفیف 75 ٪!
اکنون ، به شماره این هفته ، ما با تجزیه تکنیک های فوری پویا و سفارشی شروع می کنیم و از دستورالعمل های استاتیک به سمت جریان های سازگار تر و مکالمه حرکت می کنیم. سپس ما در شبکه های Kolmogorov-Arnold به چند جمله ای متعامد شیرجه می زنیم-بله ، این فنی است ، اما اگر به آنچه در زیر کاپوت تفسیر و کارآیی است ، ارزش آن را دارید.
موارد بیشتری وجود دارد: ما پروتکل زمینه مدل و خدمه را برای مقیاس گذاری عوامل شرکت ، یک روش توجه ترکیبی برای پیش بینی توالی های باینری و تکامل شبکه های بیزی برای استدلال در زمان واقعی و احتمالی پوشش می دهیم.
از خواندن لذت ببرید!
-لوئیز فرانسوا بوچارد ، به سمت بنیانگذار AI و رئیس جامعه
بخش جامعه را با هم بیاموزید!
نظرسنجی AI هفته!
اگر بیشتر تحقیقات نپیوندند ، چه نوع دستیابی به موفقیت در واقع چگونه می توانید ایجاد کنید یا فکر کنید؟ هر از چند گاهی ، چیزی چشم انداز ما را تغییر می دهد. آیا این یک تکنیک ، یک مقاله یا ابزاری بود که رویکرد شما به هوش مصنوعی را بازگرداند؟ در موضوع به ما بگویید!
فرصت های همکاری
جامعه Discord Learn Ai Together با فرصت های همکاری پر شده است. اگر از شیرجه رفتن به هوش مصنوعی کاربردی هیجان زده اید ، یک شریک مطالعه می خواهید ، یا حتی می خواهید برای پروژه Passion خود شریک پیدا کنید ، به کانال همکاری بپیوندید! به این بخش نیز توجه داشته باشید – ما هر هفته فرصت های جالب را به اشتراک می گذاریم!
1 Benjaminlee9472_18198 به دنبال شریک زندگی برای کار در پروژه های هوش مصنوعی ، مانند آموزش یک مدل است. اگر این تمرکز شما نیز هست ، به موضوع دسترسی پیدا کنید!
2 وابسته به به دنبال همکاری با شرکای متمرکز بر سوادآموزی/ آموزش هوش مصنوعی ، سواد DS ، افزایش Genai و سایر زمینه های یادگیری است. اگر این به نظر شما مربوط می شود ، در موضوع وصل شوید!
Meme of Week!
Meme به اشتراک گذاشته شده توسط ghost_in_the_machine
بخش سرپرستی تای
مقاله هفته
طراحی درخواست های سفارشی و پویا برای مدل های بزرگ زبان از طرف شنگگانگ لی
نویسنده تکنیک هایی را برای ایجاد اعلان های سفارشی و پویا برای آن بررسی کرده است مدل های بزرگ زبانبشر اعلان های سفارشی دستورالعمل های ثابت و خاص را ارائه می دهند ، در حالی که پیشبردهای پویا بر اساس زمینه مکالمه برای پاسخ های سازگار تر تنظیم می شوند. این بحث شامل اجرای عملی از طریق ساخت و ساز دستی ، DSPY برای گردش کار ساختاری ، کتابخانه پویا برای تنظیمات در زمان واقعی ، Jinja2 برای ترکیب مبتنی بر الگو و لانگچین برای ساخت برنامه های جامع LLM است.
مقالات باید بخوانید
1 چند جمله های متعامد در شبکه های Kolmogorov-Arnold: از مورد و سناریوها استفاده کنید از طرف Fabio Yáñez Romero
این وبلاگ شبکه های Kolmogorov-Arnold (KANS) را مورد بررسی قرار داد و با توجه به چالش های مربوط به اجرای B-Spline ، به ویژه در مورد موازی سازی و حافظه ، اشاره کرد. سپس چند جملهای متعامد (OPS) را به عنوان یک جایگزین مورد بررسی قرار داد ، و مزایای آنها در راندمان محاسباتی ، کاهش نیاز حافظه و ضبط مؤثر الگوهای جهانی به دلیل خاصیت هایی مانند استقلال خطی و روابط عود را برجسته کرد. در حالی که OPS این مزایا را ارائه می دهد ، آنها نیاز به عادی سازی ورودی دارند و ممکن است با تغییرات محلی کمتر باشد. همچنین در مورد پیاده سازی هایی مانند Chebyshev-Kan و Legendre-Kan بحث شده است.
2 پروتکل زمینه مدل و Crewai: مقیاس گذاری شرکت هوش مصنوعی با زمینه استاندارد از طرف سامواردان سینگ
در این مقاله به بررسی پروتکل زمینه Model (MCP) و Crewai ، فناوری هایی که برای تقویت شرکت هوش مصنوعی طراحی شده اند. MCP دسترسی ایمن به داده های تجاری را برای نمایندگان هوش مصنوعی استاندارد می کند و به عنوان یک مترجم جهانی عمل می کند. Crewai این عوامل هوش مصنوعی را برای مقابله با وظایف پیچیده به تیم های همکاری می کند. با هم ، آنها با ارائه یک رویکرد ساختاری برای دسترسی به داده ها و هماهنگی عامل ، جزئیات گردش کار فنی از پرس و جو تا تکمیل ، سیستم های هوش مصنوعی آگاهی مقیاس پذیر را قادر می سازند.
3 توجه ترکیبی برای پیش بینی توالی باینری از طرف شنگگانگ لی
در این مقاله روشی برای پیش بینی توالی باینری ، باینری پرفروش ارائه شده است. این تعبیه N-Gram ، خودآگاهی از تعداد آگاه و با وزنه برداری را ادغام می کند آماربشر این مدل نتیجه باینری بعدی و توزیع شمارش K را با تبدیل داده های خام به سیگنال های ذوب شده از طریق توجه پیش بینی می کند. از بهینه سازی چند وظیفه ای و اعتبارسنجی سری زمانی استفاده می کند. یک آزمایش کد ، کاربرد و عملکرد آن را نشان می دهد ، از جمله مقایسه فاصله عدم قطعیت ، در حالی که مناطق بهبود را نشان می دهد. همچنین در مورد کاربردهای دنیای واقعی در امور مالی ، خرده فروشی ، ژنومیک و IoT صنعتی بحث شده است.
4 از استاتیک تا پویا: در حال تحول تفکر شبکه بیزی برای برنامه های دنیای واقعی از طرف شنگگانگ لی
در این مقاله به بررسی شبکه های بیزی و تمایز بین مدل های استاتیک و پویا می پردازیم. BN های استاتیک از داده های فعلی و احتمالات مشروط برای ارزیابی ریسک فوری استفاده می کنند ، همانطور که در تشخیص ذات الریه پزشکی نشان داده شده است. BN های پویا این کار را با افزودن یک بعد زمانی برای پیش بینی روندهای در حال تحول ، که با پیش بینی بازار سهام نشان داده شده است ، گسترش می دهد. هر دو رویکرد داده های تاریخی و دانش دامنه را اهرم می کنند. کد پایتون ارائه شده یک اجرای عملی برای هر نوع شبکه را نشان می دهد.
5 درک عوامل LLM: مفاهیم ، الگوهای و چارچوب ها از طرف allohvk
در این مقاله به بررسی عوامل LLM ، آنها به عنوان اشخاصی که از LLM ها برای حل کارهای پیچیده با تعامل با محیط ها و ابزارها استفاده می کنند ، مشخص می شود و آنها را از گردش کار استاتیک متمایز می کند. این تکامل آنها را از اصول React (دلیل+عمل) ، ادغام حافظه ، استفاده از ابزار و پارچه عامل تحت پوشش قرار داد. این بحث به سیستم های تک در مقابل چند عامل ، الگوهای اصلی مشترک و چارچوب هایی مانند Langgraph گسترش یافته است. تحولات قابل توجهی مانند پروتکل زمینه مدل (MCP) برای اتصال داده ها و پروتکل عامل به عامل (A2A) برای ارتباطات بین عامل ، همراه با پیچیدگی های ارزیابی عامل برجسته شد.
اگر علاقه مند به انتشار با AI هستید ، دستورالعمل های ما را بررسی کرده و ثبت نام کنیدبشر اگر این سیاست ها و استانداردهای تحریریه ما را رعایت کند ، کار شما را به شبکه خود منتشر خواهیم کرد.
منتشر شده از طریق به سمت هوش مصنوعی