DLeX: AI Python

✨ دیگه نیازی به خرید و نگهداری سرورهای گران‌قیمت نیست!

با GPU ابری هوش مصنوعی اهورا، به قدرت پردازشی شرکت‌های بزرگ دنیا فقط با چند کلیک دسترسی پیدا کن:

🔹 پرداخت به‌میزان مصرف (ساعتی/ماهانه)
🔹 پشتیبانی از فریم‌ورک‌های معروف (مثل PyTorch و TensorFlow)
🔹 کارت‌های گرافیک A100، H100، H200 و ...
🔹 مشاوره تخصصی + پشتیبانی شبانه‌روزی
🔹 مناسب برای آموزش مدل زبانی، یادگیری عمیق، پروژه‌های تحقیقاتی و هر کاری که GPU می‌خواد!



🔥 همین حالا شروع کن...
https://b2n.ir/dh2943

👉 @ai_python ✍️

کورس رایگان ایجاد گراف از روی فایل های CSV در آکادمی Neo4j

https://graphacademy.neo4j.com/courses/importing-cypher/

این نوشتار، درباره‌ی رویکرد جدید شرکت Entiros برای یکپارچه‌سازی سیستم‌ها با استفاده از پایگاه داده گرافی Neo4j و هوش مصنوعی Ingo است.

👉 @ai_python ✍️

همچنین در این نوشتار، مزایای استفاده از Starlify بیان شده است. (البته به نظر من مزایای خاصی هم نبودن ولی خب)

ابزار Starlify این نقشه را به‌صورت گرافی نمایش می‌دهد تا پیچیدگی‌ها قابل مشاهده و مدیریت شوند. (همون کاری که با Browser خود Neo4j هم می تونید بکنید)

👉 @ai_python ✍️

در کل قطعن خود شما مخاطبین عزیز خیلی بهتر از من می دونید که برای همه این کارها ابزارهای قدرتمند تری هم وجود داره (به جز گراف دیتابیس که دیگه فکر نکنم از Neo4j قدرتمند تر باشه) ولی به عنوان یک Use Case خوندن این نوشتار به خصوص بخش مربوط به Certified Integrator شاید بتونید ازش ایده هایی بگیرید برای کارهای آینده.

https://medium.com/neo4j/rewire-your-integration-strategy-a-graph-first-approach-with-neo4j-and-ai-4b8b6e444208

👉 @ai_python ✍️

این مقاله یک خاصیت نادیده‌گرفته‌شده در مدل‌های زبانی دیفیوژن (DLMs) را برجسته می‌کند: همگرایی زودهنگام پاسخ. محققان مشاهده کردند که این مدل‌ها اغلب پاسخ صحیح را خیلی قبل از اتمام کامل فرآیند رمزگشایی، حتی با نیمی از مراحل تصفیه، شناسایی می‌کنند. بر اساس این کشف، آن‌ها یک روش رمزگشایی سریع و بدون نیاز به آموزش به نام Prophet را معرفی می‌کنند. Prophet با نظارت پویا بر شکاف اطمینان بین دو پیش‌بینی برتر، تصمیم می‌گیرد که آیا فرآیند رمزگشایی را زودتر متوقف کند یا به تصفیه ادامه دهد، که این امر منجر به کاهش قابل توجهی در مراحل رمزگشایی (تا 3.4 برابر) بدون افت کیفیت خروجی می‌شود.

👉 @ai_python ✍️

لینک مقاله در آلفاشیو : https://www.alphaxiv.org/pdf/2508.19982

ویدیو تولید شده از خلاصه این مقاله به زبان فارسی با NotebookLM :

https://youtu.be/BLdc5d4TMYE

پادکست تولید شده که مفصل تر از ویدیو هست را نیز در کانال @navidcasts خواهید یافت.

👉 @ai_python 🆕

این پست از Peter W. J. Staar درباره قابلیت جدیدی در پروژه Docling هست که توسط تیم IBM Research توسعه داده شده:

کلمه Docling را در کانال اگر سرچ کنید پست های زیادی دربارش داریم.

👉 @ai_python 🆕

کتابخانه Docling حالا می‌تونه داده‌های ساخت‌یافته رو مستقیم از اسناد استخراج کنه
به جای تبدیل سند به متن یا JSON، داکلینگ می‌تونه مستقیماً فیلدهای موردنظر رو از سند بیرون بکشه!

👉 @ai_python 🆕

کاربر می‌تونه با استفاده از اسکیمای آزاد (free-form schema) مشخص کنه چه اطلاعاتی باید استخراج بشه. این یعنی می‌تونی خروجی رو مستقیم با ساختار پایگاه‌داده‌ات هماهنگ کنی.

👉 @ai_python 🆕

این قابلیت برای پایپ‌لاین‌های داده‌ای که نیاز به استخراج اطلاعات از اسناد نامرتب دارن (مثل فاکتورها، رزومه‌ها، قراردادها و...) بسیار مفیده.

همون طور که گفتیم : بدون نیاز به API یا ارسال داده به سرور !!!

برای رسیدن به این مقصود از مدل‌های پیشرفته شرکت NuMind استفاده می‌کنه.

فعلاً روی فایل‌های PDF و تصویر (PNG) تمرکز داره؛ پشتیبانی از متن ساده به‌زودی اضافه می‌شه.

👉 @ai_python ✍️

لینک مقاله در آرشیو :

https://arxiv.org/html/2509.01187v1


The paper introduces StoxLSTM, a novel stochastic extension of the xLSTM architecture for time series forecasting. By integrating stochastic latent variables into a state space modeling framework, StoxLSTM captures complex temporal patterns and uncertainties more effectively than traditional models. Extensive experiments across diverse datasets show that it consistently outperforms state-of-the-art baselines in both accuracy and robustness.

👉 @ai_python ✍️

پادکست مصنوعی توضیحات به فارسی :

https://t.me/navidcasts/26

ویدیو با زمان کوتاه تر از پادکست صوتی به صورت خلاصه تر و به فارسی :

https://youtu.be/xN6nFUGeXrk?si=aUGPUomtp_6yMFg1

مسابقه برنامه‌نویسی در کوئرا، فرصت همکاری با ترب

Torob Turbo: The LLM Rush

💥 تُرب توربو < Torob Turbo > چیه:
هکاتونی مسئله‌محوره که با تمرکز بر حل مسائل واقعی صنعت و بهره‌گیری از مدل‌های زبانی بزرگ (LLM) طراحی شده.

چرا باید توی این مسابقه شرکت کنی:
⚡️ وبینارهای تخصصی و آموزشی رایگان
🎁 ۲۵۰ میلیون تومان جوایز نقدی و جوایز غیر نقدی
🚀 فرصت همکاری با تیم ترب
✨ گواهی رسمی کوئرا و ترب

🔗 https://quera.org/r/gebvy

این دوره مربوط به مدرک Microsoft Certified: Azure Data Scientist Associate است و برای افرادی طراحی شده که می‌خواهند مهارت‌های علمی داده و یادگیری ماشین را در محیط Azure به‌کار بگیرند. من این دوره رو به همه کسانی که قصد دارن در آینده بازار Cloud باقی بمونن توصیه می کنم :

🎯 هدف دوره :

✍️ طراحی و ایجاد محیط کاری مناسب برای پروژه‌های علم داده

✍️ کاوش و آماده‌سازی داده‌ها

✍️ آموزش مدل‌های یادگیری ماشین و اجرای آزمایش‌ها

✍️ پیاده‌سازی پایپ‌لاین‌ها و آماده‌سازی برای محیط عملیاتی

✍️ استقرار و پایش راهکارهای یادگیری ماشین در مقیاس بزرگ

✍️ بهینه‌سازی مدل‌های زبانی برای ساخت اپلیکیشن‌های هوش مصنوعی با Azure AI

⚡️ در واقع اون بخش مهم این دوره از نظر من اینه : ⚡️

سرویس‌های Azure AI (مثل Azure AI Search و Azure AI Foundry)

توسعه اپلیکیشن‌های (Generative AI) در محیط آژور

و Azure ML Studio


✍️ آزمون و گواهینامه مرتبط :

آزمون DP-100 با مدت زمان ۱۰۰ دقیقه

اعتبار مدرک: ۱۲ ماه، با امکان تمدید رایگان از طریق ارزیابی آنلاین

https://learn.microsoft.com/en-us/credentials/certifications/azure-data-scientist/?practice-assessment-type=certification

👉 @ai_python 💭

بررسی بهبود مدل های زبانی بزرگ در صورت پیش بینی ترتیب توکن ها:

https://www.alphaxiv.org/pdf/2508.19228

👉 @ai_python 💭

لینک ویدیو فارسی خلاصه تولید شده توسط هوش مصنوعی از این مقاله :

https://youtu.be/YhB21n0aDrg?si=KWcMLkxrNh57Sn5W


پادکست مصنوعی فارسی مفصل تر در کانال @navidcasts در خصوص این مقاله موجود است.

👉 @ai_python 🧐


این مقاله محدودیت‌های بنیادی مدل‌های بازیابی مبتنی بر وکتور امبدینگ را بررسی می‌کند، به‌ویژه زمانی که این مدل‌ها با وظایف پیچیده‌تر، مانند استدلال یا پیروی از دستورالعمل‌ها، روبرو می‌شوند.

نویسندگان نشان می‌دهند که تعداد زیرمجموعه‌های اسناد که یک وکتور امبدینگ می‌تواند با توجه به ابعاد Embedding بازگرداند، محدود است.

👉 @ai_python 🧐

برای اثبات این موضوع، آن‌ها یک مجموعه داده واقع‌گرایانه و در عین حال ساده به نام LIMIT ایجاد می‌کنند که مدل‌های پیشرفته فعلی نیز در آن شکست می‌خورند، و تأکید می‌کنند که این محدودیت‌های نظری حتی در تنظیمات عملی نیز وجود دارند.

👉 @ai_python 🧐

نتیجه‌گیری این است که جامعه تحقیقاتی باید به این محدودیت‌ها توجه داشته باشد و روش‌های بازیابی جایگزین، مانند مدل‌های چند برداری، را برای وظایف پیچیده‌تر توسعه دهد.

👉 @ai_python 🧐


لینک ویدیو فارسی توضیحات این مقاله : https://youtu.be/rNEl_tBJ5aE?si=Wg5LUPloe6s3noz2

لینک مقاله در آرشیو :

https://arxiv.org/pdf/2508.21038

این جدول برای اینکه یک ویو بسیار خوب از امکانات Microsoft Azure در Region های مختلف به دست بیاریم بسیار کاربردی هست و همیشه هم به روز نگه داشته می شه. این طوری دیگه با اعتماد به نفس بیشتری می تونیم در قراردادها Region سرویس رو درج کنیم :

@ai_python

https://azure.microsoft.com/de-de/explore/global-infrastructure/products-by-region/table

@ai_python

پادکست مصنوعی فارسی، درباره تاریخچه پیدایش پایتون 🐍

با پیشرفت هوش مصنوعی، برادر ناتنی این صنعت نیز، پیشرفت خواهد کرد. (صنعت رباتیک)

👉 @ai_python 🤖

ولی آیا ما برای این پیشرفت آماده ایم؟

برای پاسخ به این سوال با سه موضوع اصلی رو به رو هستیم :

شفافیت یعنی بتوانیم بفهمیم و توضیح دهیم که چرا یک ربات تصمیم خاصی گرفته است.

👉 @ai_python 🤖

قابلیت ردیابی خطاها: وقتی ربات اشتباه می‌کند، باید بتوانیم بفهمیم کدام بخش سیستم باعث آن شده: دوربین، بازوی رباتیک یا مدل تصمیم‌گیری.

👉 @ai_python 🤖

پاسخ گویی : باید مشخص باشد چه کسی مسئول عملکرد ربات است؟! توسعه‌دهنده، سازنده یا کاربر ... ؟ 🤖 🤖

در این مقاله در لینکداین هر سه این مفاهیم بررسی شده اند :

https://www.linkedin.com/pulse/transparency-accountability-generative-ai-robotics-torqueagi-v9iic/

@ai_python

مدل جدید تولید و ویرایش تصویر به نام Gemini 2.5 Flash Image (که با نام مستعار nano-banana هم شناخته می‌شود) را دیگه کسی نیست که نشناسه. 🍌

@ai_python

با این وجود هنوز بسیار مهمه که قابلیت های کامل مدل های مختلف را بشناسیم. پس مروری خواهیم داشت بر قابلیت های این مدل :

🍌 حفظ ظاهر شخصیت‌ها: می‌تونی ظاهر یک سوژه رو در چند تصویر مختلف حفظ کنی.

🍌 ویرایش هوشمند: امکان تغییر یا اضافه کردن اشیاء به تصویر (inpainting)، گسترش تصویر (outpainting)، و تغییرات هدفمند.

🍌 ترکیب تصاویر: می‌تونی عناصر چند تصویر رو به‌صورت هوشمند در یک تصویر واقعی ترکیب کنی.

🍌 استدلال چندرسانه‌ای: مثلاً می‌تونه دستورالعمل‌های پیچیده روی یک دیاگرام رو دنبال کنه.

@ai_python

👩‍💻 برخی از اپلیکیشن‌های ساخته‌شده با این مدل:

برنامه Past Forward: سفر در زمان با تصاویر.

برنامه Home Canvas: امتحان کردن چیدمان مبلمان.

برنامه Pixshop: ویرایشگر تصویر با هوش مصنوعی.

برنامه GemBooth: تبدیل عکس به سبک کمیک یا نقاشی‌های دوره رنسانس.

@ai_python

مبحث Alignment یا همان Post Training در خصوص مدل های زبانی بزرگ، در بسیاری از موارد، تکمیل کننده Pre Training خواهد بود و بسیار ضروری است.

@ai_python

پای تورچ در این پست وبلاگش سعی کرده مباحثی مانند SFT ، RLHF و DPO و ... را در خصوص Post Training مدل های زبانی بزرگ، باز کنه:

https://pytorch.org/blog/a-primer-on-llm-post-training/

👉 @MigrationEasy

سباستین کورتز، صدر اعظم سابق اتریش ( بار دوم از ژانویه 2020 تا اکتبر 2021 ) که پس از آغاز تحقیقات قضایی به دلیل فساد مالی او، از سمتش استعفا داده بود، اکنون چند وقتی هست که یک شرکت امنیت سایبری به نام Dream تاسیس کرده است.

👉 @MigrationEasy

اما خبری که دیروز درباره فعالیت های شرکت Dream و یکی از تجربه های موفق آن ها منتشر شد در نوع خودش جالبه :

در واقع شرکت او موفق شده با استفاده از هوش مصنوعی یک حمله سایبری گسترده از سوی ایران را شناسایی کند 👨‍💻 😱

👉 @MigrationEasy

ظاهرن حمله توسط یکی از گروه های هکری وابسته به وزارت اطلاعات ایران انجام شده.

هدف اصلی، نفوذ به ایمیل سفارت عمان در پاریس بوده که از آن برای ارسال بیش از ۱۰۰ ایمیل آلوده به نهادهای دیپلماتیک در سراسر جهان استفاده شده.

🗺 اروپا، به‌ویژه اتریش، از اهداف اصلی این حمله بوده.

به نظر می رسه که این برای اولین بار هست، که یک کمپین سایبری دولتی به‌طور کامل توسط هوش مصنوعی شناسایی شده. اگر اشتباه می گم تصحیحم کنید؟ 🤪

و در نهایت هم این که هدف حمله، جمع‌آوری اطلاعات حساس و تضعیف اعتماد در روابط دیپلماتیک بوده، برآورد شده. اما تا جایی که می دونم جزئیات بیش تری ارائه نشده است.

این منبع به بررسی عمیق دو موضوع کلیدی در توسعه هوش مصنوعی می‌پردازد:


تقویت حافظه بلندمدت برای Agent های هوش مصنوعی با استفاده از یکپارچه‌سازی LangGraph و MongoDB، و پیاده سازی هوش مصنوعی اخلاق محور در سیستم‌های هوش مصنوعی از طریق هوش مصنوعی ساختاری (Constitutional AI) و قابلیت‌های داده‌ای MongoDB.

@ai_python

بخش اول بر اهمیت توانایی Agent های هوش مصنوعی برای به خاطر سپردن اطلاعات در چندین جلسه تاکید دارد و راهکار MongoDB Store for LangGraph را معرفی می‌کند که امکان ذخیره‌سازی مداوم اطلاعات را فراهم می‌آورد. بخش دوم، هوش مصنوعی ساختاری را به عنوان یک روش خودگردانی اخلاقی برای مدل‌های هوش مصنوعی توضیح می‌دهد و نشان می‌دهد که چگونه MongoDB با قابلیت‌هایی مانند کنترل دسترسی مبتنی بر Role و جستجوی برداری پیشرفته، زیرساخت لازم برای پیاده‌سازی این چارچوب‌های اخلاقی را فراهم می‌کند. در نهایت، بلاگ، به پتانسیل هوش مصنوعی در بهبود عملیات تحریریه و ایجاد جریان‌های کاری کارآمدتر برای تولید محتوا نیز اشاره دارد.

https://www.mongodb.com/company/blog/product-release-announcements/powering-long-term-memory-for-agents-langgraph

فایل پادکست مرتبط : https://t.me/navidcasts/20

یکی از مشکلاتی که به دلیل سرعتی که خود مدل های زبانی بزرگ در کدنویسی به ارمغان آوردن، اینه که همه ابزارها بسیار سریع تر به روز رسانی می شن و در نتیجه حتی جدیدترین مدل ها، گاهی برای بعضی از موارد یک روز پس از انتشار، عقب افتاده محسوب می شوند.

@ai_python

این باعث می شه که برنامه نویس هایی که وایب کدینگ انجام می دن، همیشه با مشکلات خاصی دست و پنجه نرم کنند، یا دیگران را دچار مشکلاتی کنند. ولی در هر صورت چیزی که مسلم است این است که نمی شود جلوی این موج وایب کدینگ را گرفت. ولی می توانیم آن را بهبود ببخشیم. لاما ایندکس هم برای این مهم، یک چاره اندیشیده که به نظرم خیلی جالب اومد. برای مثال یکی از مشکلات وایب کدینگ اینه که در بسیاری از اوقات از API های قدیمی اونا استفاده می کرد.

اما با راه حل Vibe Coding Agent همیشه، اصول کار با تازه ترین نسخه API به مدل به عنوان Context داده می شه. در واقع به نوعی Augmentation اتفاق می افته.

@ai_python

اینم پست بلاگ مربوط بهش :

https://www.llamaindex.ai/blog/the-future-of-vibe-coding-agents

در این نوشتار در بلاگ ان ویدیا، 5 مشکل رایج در کتابخانه Pandas و بهترین راه حل های آن ها نوشته شده است :

@ai_python

🌀 Slow CSV reads → engine="pyarrow" … or %load_ext cudf.pandas
💥 Merges freezing your laptop → %load_ext cudf.pandas
🐏 Strings eating RAM → astype("category") … or %load_ext cudf.pandas
⏳ Painfully slow groupby() → %load_ext cudf.pandas
💻 Memory errors on large datasets → downcast … or %load_ext cudf.pandas

https://developer.nvidia.com/blog/how-to-spot-and-fix-5-common-performance-bottlenecks-in-pandas-workflows/