نویسنده (ها): به سمت تیم تحریریه AI
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
صبح بخیر ، علاقه مندان به او ،
شماره این هفته به جایی که این زمینه در آن حرکت می کند – فراتر از نسل ، به سمت استقلال و آگاهی بهتر از خطای غواصی می شود. ما با تفکیک تفاوتهای فزاینده فازی اما مهم بین ما شروع می کنیم هوش مصنوعی، عامل AI و عوامل AI. سپس ما به نوآوری کاربردی حرکت می کنیم: گرافراگ مایکروسافت ، سیستم های RAG چند حالته با استفاده از Cohere و Gemini ، و یک چارچوب عملی برای پیش بینی زمان مدل شما برای به دست آوردن اشتباه است.
همچنین در ترکیب: DNNS در مقابل مدل های مبتنی بر درخت برای رتبه بندی تجارت الکترونیکی ، یک برنامه مرورگر قدرتمند مانند CURSOR.AI از جامعه ، و نظرسنجی این هفته در مورد کافی بودن ویب ها-و هنگامی که دقت در ابتدا انجام می شود.
بیایید وارد آن شویم.
-لوئیز فرانسوا بوچارد ، به سمت بنیانگذار AI و رئیس جامعه
بخش جامعه را با هم بیاموزید!
پست برجسته جامعه از Discord
مجدداً Sophon ، یک برنامه چت هوش مصنوعی را ساخته است که با درک و تعامل با زبانه های شما ، تجربه مرور شما را تقویت می کند. با استفاده از آهنگساز هوشمند خود ، می توانید زبانه هایی را که باز دارید مشاهده کنید و به آن اجازه می دهد تا زمینه و فرم های خودکار ، جعبه های متن یا قسمت هایی را با یک کلیک درک کنید. این یک پسوند مرورگر و کاملاً رایگان است. اینجا را بررسی کنیدبشر نظرات خود را در موضوع به اشتراک بگذارید و از یک عضو جامعه دیگر حمایت کنید!
نظرسنجی AI هفته!
بیشتر شما در حال انجام چک های پرشکوه هستید و البته برای کارهای کلی ، تمام ایده این است که هوش مصنوعی مانند هوش مصنوعی احساس نکند. اما آیا شما همچنین برای انجام کارهای کمی بیشتر به “لرزش” متکی هستید ، جایی که دقت خروجی بیش از احساس خروجی اهمیت دارد؟ در موضوع به اشتراک بگذارید ، بیایید با هم تصمیم بگیریم!
Meme of Week!
Meme به اشتراک گذاشته شده توسط Rucha8062
بخش سرپرستی تای
مقاله هفته
چگونه گرافراگ به مرحله به مرحله کار می کند از طرف ماریانا اوولنو
این وبلاگ گرافراگ مایکروسافت را توضیح می دهد ، روشی که از نمودارهای دانش برای تولید بازیابی استفاده می شود. فرآیندهای مفصل کلیدی ایجاد نمودار ، شامل استخراج نهادها ، پارتیشن بندی جامعه و پرس و جو با عملکردهای جستجوی محلی و جهانی بود. این بیان می کند که چگونه نهادها ، روابط و گزارش های جامعه برای آنها تولید و استفاده می شوند LLM تولید پاسخ ، از جمله مدیریت زمینه و بازیابی معنایی.
مقالات باید بخوانید
1 Distill-Then-Detect: یک چارچوب عملی برای یادگیری ماشین آگاهی از خطا از طرف شنگگانگ لی
نویسنده چارچوبی با عنوان “تقطیر-زمان-تفکیک” را برای پرداختن به خطاهای پیش بینی در ارائه داد یادگیری ماشین مدل ها ، به ویژه “اشتباهات بزرگ” در برش داده های مهم. این رویکرد شامل تقطیر یک مدل “دانش آموز” جمع و جور از یک مدل “معلم” بزرگتر است. سپس عدم اطمینان معلم را تعیین می کند و یک مدل متا را آموزش می دهد تا پیش بینی کند که معلم در کجا اشتباه می کند. این سیستم با ترکیب این سیگنال ها در یک نمره خطر و استفاده از کالیبراسیون کنفورماله ای برای آستانه ، سیستم به طور موثری پیش بینی های پرخطر را پرچم گذاری می کند. آزمایشات نشان داد که این روش موارد مستعد خطا را با دقت و فراخوان متعادل مشخص می کند در حالی که خوشه بندی این خطاها بینش عملی را در بخش داده های مشکل ساز ارائه می دهد.
2 فراتر از متن: ساختن سیستم های پارچه ای چند حالته با Cohere و Gemini از طرف سریدار سامپات
سیستم های تولید سنتی بازیابی (RAG) اغلب در پردازش داده های بصری ناکام هستند. در این مقاله یک سیستم RAG چند حالته طراحی شده برای غلبه بر این محدودیت با درک متن و تصاویر در اسناد طراحی شده است. این برنامه از تعبیه چند حالته Cohere برای ایجاد بازنمایی بردار یکپارچه از محتوا مانند PDF استفاده می کند. Gemini 2.5 Flash سپس با استفاده از متن یا تصاویر همسان ، پاسخ های آگاهی از زمینه را ایجاد می کند ، با نمایه سازی وکتور FAISS. این گردش کار سیستم را توضیح می دهد ، از آپلود اسناد تا تولید پاسخ ، نشان دادن توانایی پیشرفته آن برای استخراج اطلاعات از نمودارها ، جداول و سایر تصاویر در مقایسه با پارچه فقط متن.
3 AI در مقابل عامل AI در مقابل AI عوامل: آنچه همه باید بدانند از طرف پوژان ویگ
در این مقاله نقش های متمایز از عوامل مولد هوش مصنوعی ، عامل AI و AI روشن شده است. این توضیح داد که هوش مصنوعی تولیدی بر اساس الگوهای آموخته شده ، محتوای جدیدی تولید می کند. AI عامل بر روی استراتژی ، برنامه ریزی و تکرار به سمت هدف بدون مداخله مداوم انسان متمرکز است. سپس عوامل هوش مصنوعی محیط خود را حس می کنند و اقدامات را در دنیای دیجیتال یا واقعی انجام می دهند. با استفاده از یک قیاس آشپزی و نمونه هایی مانند خدمات خودکار مشتری ، این قطعه نشان می دهد که چگونه این انواع AI می توانند به طور مستقل یا مشترک برای انجام کارهای پیچیده کار کنند.
4 DNNS در مقابل مدل های سنتی مبتنی بر درخت برای رتبه بندی تجارت الکترونیکی از طرف نیکیلش پندی
نویسنده در مورد تکامل سیستم های رتبه بندی تبلیغات الکترونیکی تجارت الکترونیکی ، جزئیات تغییر مدل های سنتی مبتنی بر درخت به شبکه های عصبی عمیق (DNNS) را مورد بحث قرار می دهد. این تشریح می کند که چرا مدل های مبتنی بر درخت به حد خود رسیده اند و چگونه DNN ها قابلیت های برتر را برای دستیابی به داده های پیچیده ، شخصی سازی و دستیابی به پیش بینی های بهتر تبدیل (CVR) ارائه می دهند. با استفاده از تبلیغات DOORDASH به عنوان یک مطالعه موردی ، این قطعه روند مهاجرت تکراری ، از جمله تعریف خط مقدمات ، بهینه سازی آموزش و ارزیابی مدل را با تکنیک هایی مانند عادی سازی داده ها و پردازش توزیع شده و پرداختن به چالش هایی مانند شکاف عملکرد آفلاین-خطی نشان می دهد.
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