دیتایاد | هوش مصنوعی و علم داده

🚀 میسترال غول ۱ تریلیون پارامتری‌اش را معرفی کرد: Large 4

شرکت فرانسوی Mistral از مدل Large 4 (با نام مستعار Le Chonk) رونمایی کرد. این مدل ۱.۰۵ تریلیون پارامتر داره، اما به لطف معماری MoE، در هر اجرا فقط ۵۰ میلیارد پارامترش فعال می‌شه. یعنی هوش یک مدل ۱ تریلیونی، با سرعت و هزینه‌ی یک مدل ۵۰ میلیاردی!

💡 چرا مهمه؟

🔹 وزن باز (Open-Weight) و امنیت سایبری: وزن‌ها قراره تا آخر ماه منتشر بشه. این یعنی خداحافظی با "Refusal" مدل‌های بسته؛ چون می‌تونید مدل رو روی سرور خودتون ببرید و بدون فیلترهای امنیتی، آسیب‌پذیری‌ها رو تست کنید.

🔹 حاکمیت داده: آموزش روی ۳۸۰۰ پردازنده‌ی Blackwell در اروپا برای رعایت قوانین سخت‌گیرانه‌ی داده.

🔹 هزینه نهایی: قیمت توکن ارزون، اما مدل کمی پرحرفه و ممکنه هزینه‌ی تمام‌شده‌ی هر تسک رو بالا ببره.

🔍 وضعیت:

در بنچمارک‌های مستقل هنوز کمی از رقبای چینی عقب‌تره، اما پروسه‌ی یادگیری تقویتی (RL) ادامه داره.

🔗 منبع: Mistral Official Blog

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🐍تابع زیان (Loss Function) این دفعه با کد پایتون

توی آخرین پست اینستاگرام دیتایاد، دربارهٔ مفهوم Loss Function و این‌که مدل‌های زبانی چطور بابت اشتباهاتشون جریمه می‌شن صحبت کردیم.

اونجا بیشتر روی شهود این مفهوم تمرکز کردیم؛ اما اینجا می‌خوایم همون ایده رو با چند خط کد Python پیاده کنیم و ببینیم واقعاً چه اتفاقی می‌افته.
نگران ریاضیات سنگین هم نباشید؛ فقط با یک مثال ساده می‌بینیم چرا مدلی که با اطمینان زیاد اشتباه می‌کنه، باید جریمهٔ خیلی بزرگ‌تری بگیره.

import math

def loss(probability):
    return -math.log(probability)

predictions = {
    "خیلی مطمئن و درست": 0.90,
    "نسبتاً مطمئن و درست": 0.60,
    "مردد": 0.50,
    "مطمئن ولی اشتباه": 0.10,
    "خیلی مطمئن ولی اشتباه": 0.01,
}

for situation, probability in predictions.items():
    print(f"{situation:30} → Loss: {loss(probability):.2f}")

خروجی تقریباً این شکلیه:

خیلی مطمئن و درست            → Loss: 0.11
نسبتاً مطمئن و درست          → Loss: 0.51
مردد                         → Loss: 0.69
مطمئن ولی اشتباه             → Loss: 2.30
خیلی مطمئن ولی اشتباه        → Loss: 4.61

حالا نکته جالب اینجاست:
مدل بین «۵۰٪ احتمال برای جواب درست» و «۱٪ احتمال برای جواب درست» فقط کمی بدتر نشده؛ مقدار Loss به‌شدت افزایش پیدا کرده.
چرا؟
چون وقتی مدل فقط 1% احتمال برای جواب درست در نظر گرفته، یعنی تقریباً مطمئنه که یک جواب دیگه درسته.
پس Loss عملاً به مدل می‌گه:

«اشتباه کردی، مشکلی نیست؛
ولی چرا با این‌همه اعتمادبه‌نفس؟! 😐»

و این دقیقاً همون سیگنالیه که در فرآیند Backpropagation استفاده می‌شه تا وزن‌های شبکه تغییر کنن و مدل در دفعات بعد احتمال بیشتری به جواب درست بده.
البته این مثال فقط ساده‌ترین شکل ماجراست. در یک مدل زبانی واقعی، مدل برای تمام Tokenها احتمال تولید می‌کنه و Loss نهایی از خطای پیش‌بینی اونها به دست میاد.
اما ایدهٔ اصلی همینه:
احتمال جواب درست کمتر » Loss بیشتر » سیگنال قوی‌تر برای اصلاح مدل.


اگر پست اینستاگرام رو هنوز ندیدی، اونجا مفهوم این موضوع رو بدون ریاضیات سنگین توضیح دادیم. 🧠

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🧮 ماتریس؛ چرا هوش مصنوعی دنیا رو جدول می‌بینه؟🤖

پشت هر مدل AI فقط ضرب و جمع اعداد تو جدول‌های بزرگه!

کامپیوتر معنا رو نمی‌فهمه، پس عکس و متن رو به آرایه‌های عددی تبدیل می‌کنه که بهش می‌گن ماتریس (و اگه چندبعدی بشه: تنسور).
کل یادگیری عمیق تو ساده‌ترین حالتش یعنی همین معادله:
y = Wx + b
اینجا W ماتریس وزن‌هاست که مدل مدام تنظیمش می‌کنه.

چرا ماتریس؟ چون سخت‌افزار عاشقشه! ⚙️

ضرب ماتریس‌ها رو می‌شه موازی انجام داد. مثل اینکه تو اکسل، به جای فرمول نوشتن برای ۱۰۰۰ سطر، کل ستون رو یکجا ضرب کنی.
جالب اینجاست که GPU ها اول برای گرافیک بازی ساخته شدن، اما محققا فهمیدن این غول‌های گیمینگ، بهترین موتور برای آموزش AI ان! 🚀

حتی مکانیزم Attention تو مدل‌های زبانی هم چیزی جز ضرب سه ماتریس Query، Key و Value نیست.

در نهایت، مدل کلمات رو درک نمی‌کنه؛ فقط اون‌قدر اعداد تو این جدول‌ها رو تغییر می‌ده تا خروجی به جواب درست نزدیک بشه. 🎯

ما در دوره آموزش ریاضیات برای علم داده و یادگیری ماشین دیتایاد، ریاضی رو همینقدر جذاب و ساده، بهتون آموزش میدیم 🧮🤖

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🧠🤖 فاین‌تیون یا مهندسی پرامپت؛ کدوم واقعاً به‌صرفه‌ست؟

همیشه موقع کار با مدل‌های زبانی بزرگ (LLM) این سؤال پیش میاد: واقعاً باید وقت و هزینه صرف کنیم و مدل رو فاین‌تیون (Fine-tune) کنیم، یا یه پرامپت خوب و مهندسی‌شده کار رو تموم می‌کنه؟

این دو تا ابزار مکمل هم هستن، نه رقیب مطلق:

🔹 مهندسی پرامپت مثل اینه که به یه کارمند باهوش، هر روز صبح یه دفترچه راهنمای ۱۰ صفحه‌ای بدی و بگی: «قبل از هر کاری اینو بخون». سریع و ارزونه، اما هزینه خوندن مداومش (توکن) بالاست و ممکنه وسط کار صفحه ۸ یادش بره!
🔹 فاین‌تیونینگ مثل اینه که همون کارمند رو بفرستی یه دوره آموزشی تخصصی. هزینه و زمان اولیه داره، اما بعدش بدون نیاز به دفترچه، سریع و دقیق کار رو انجام می‌ده.

💡 شایعه vs واقعیت

❌ شایعه: برای اینکه مدل اسناد داخلی شرکت ما رو یاد بگیره، باید فاین‌تیونش کنیم.
✅ واقعیت: فاین‌تیون برای تزریق «دانش جدید» نیست، بلکه برای تغییر «رفتار، لحن و فرمت خروجی» (مثل تولید JSON بی‌نقص) است. برای دانش جدید، همیشه باید از RAG استفاده کنی؛ وگرنه مدل دچار توهم (Hallucination) می‌شه.

❌ شایعه: فاین‌تیون یعنی اجاره کردن ابررایانه‌ها و هزینه‌های میلیون دلاری.
✅ واقعیت: با تکنیک‌های جدید مثل LoRA، می‌تونی یه مدل ۷ میلیارد پارامتری رو روی یه GPU واحد و با هزینه‌ای معقول آموزش بدی.

📊 کی باید کدوم رو انتخاب کنیم؟

1️⃣ قانون ۷۰ درصد: مهندسی پرامپت به تنهایی حدود ۷۰٪ مشکلات رفتاری مدل رو حل می‌کنه. همیشه قدم اول پرامپتینگه! فاین‌تیون برای اون ۳۰٪ باقی‌مونده‌ست که پرامپت جواب نمیده.

2️⃣ نقطه سربه‌سر: پرامپت هزینه متغیر بالا و هزینه ثابت صفر داره. فاین‌تیون هزینه ثابت اولیه داره اما هزینه استنتاج (Inference) رو تا ۸۵٪ کاهش میده. معمولاً وقتی ماهانه بین ۱۰۰ هزار تا ۱ میلیون بار به مدل درخواست می‌زنی، فاین‌تیون از نظر اقتصادی برنده می‌شه.

3️⃣ شکنندگی پرامپت (Prompt Brittleness): ممکنه پرامپت تو امروز ۹۲٪ دقت داشته باشه، اما فردا با یه آپدیت جزئی از سمت شرکت سازنده، دقتش به ۷۸٪ سقوط کنه! مدل فاین‌تیون‌شده در برابر این تغییرات مقاوم‌تره.

🎯 نتیجه؟

فرمول برنده، ترکیب این سه‌تاست:
تکنیک RAG (برای تأمین دانش) + فاین‌تیون (برای کنترل فرمت و کاهش هزینه) + پرامپت حداقلی (برای هدایت نهایی). این سه رقیب هم نیستن، بلکه لایه‌های یه معماری بالغ اند.

برای مطالعه عمیق‌تر و دیدن پایه‌های علمی این مفاهیم، این منابع رو از دست نده 👇

🔗 دوره آموزش جامع LLM و NLP در وبسایت دیتایاد
🔗 Databricks: راهنمای عملی فاین‌تیون LLM
🔗 arXiv (QLoRA): چطور با یه GPU مدل‌های غول‌پیکر رو فاین‌تیون کنیم؟
🔗 arXiv (LoRA): مقاله پایه‌ای برای درک PEFT و کاهش هزینه‌ها

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🚀 فرار از انحصار انویدیا: چین جاده‌های AI خودش رو می‌سازه

وقتی دسترسی به GPU های انویدیا قطع می‌شه، چین چطور مدل‌های غول‌پیکر رو آموزش می‌ده؟ داستان فقط خرید تراشه نیست؛ جنگ سر لایه نرم‌افزاریه.

تیم‌هایی با مشارکت DeepSeek و هواوی موفق شدن post-training مدل ۱.۶ تریلیون پارامتری رو روی ۱۰۰۰ تراشه Ascend 910C انجام بدن. همچنین ابزارهای متن‌باز جدیدی برای نسل بعد (Ascend 950) منتشر شد.

💡 اما قسمت جالب اینجاست

پلتفرم CUDA فقط یک API نیست، بلکه خندق نرم‌افزاری انویدیاست.🤖
فرض کنید یه ماشین مسابقه‌ای دارید، اما جاده‌ها فقط برای یک شرکت خاص ساخته شده باشن! تراشه‌های Ascend همون ماشین‌ها هستن و CANN جاده‌ایه که چین در حال ساختشه. مهاجرت از PyTorch به این معماری ماه‌ها زمان می‌بره.

⚡️ این اتفاق نشون می‌ده در AI، نرم‌افزار به اندازه GPU اهمیت داره,هرچند pre-training هنوز چالش‌برانگیزه، اما چین با تمرکز روی Inference در حال دور زدن تحریم‌هاست.

استقلال کامل زمان‌بره، اما فشار بازار داره بلوغ اکوسیستم چینی‌ها رو تسریع می‌کنه.

🔗 مطالعه بیشتر
📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🧠 افسانه پارامتر بیشتر؛ چرا مدل‌های کوچک‌تر گاهی باهوش‌ترن؟

حتماً دیدی که وقتی مدل جدیدی معرفی می‌شه، همه از اعداد غول‌پیکر پارامترهاش صحبت می‌کنن: ۷۰ میلیارد، ۳۰۰ میلیارد یا حتی بیشتر.
ولی تا حالا برات پیش اومده که یک مدل کوچک ۷ یا ۸ میلیاردی رو امتحان کنی و ببینی توی کدنویسی یا فهم متن فارسی، خیلی روان‌تر و دقیق‌تر از اون مدل‌های غول‌پیکر جواب می‌ده؟

اما واقعیت ماجرا چیه؟ آیا واقعاً عدد پارامتر بیشتر یعنی هوش بیشتر؟

پاسخ کوتاه: نه لزوماً! ❌

فهمیدن این موضوع اصلاً پیچیده نیست. پارامتر توی شبکه‌های عصبی مثل «ظرفیت حافظه» عمل می‌کنه، نه «میزان دانش یا عقل». اگه یک مدل بزرگ داشته باشی که روی داده‌های اینترنتی پر از نویز و کیفیت پایین آموزش دیده باشه، مثل انسانی می‌مونه که هزاران کتاب زرد خونده؛ حجم اطلاعاتش زیاده، اما استدلالش ضعیفه.

اینجا ۳ تا فاکتور حیاتی وجود داره که باعث می‌شه یک مدل کوچک، مدل بزرگ‌تر رو شکست بده:
🔹 1️⃣ کیفیت داده در برابر کمیت (قانون چینچیلا)

طبق پژوهش‌ها (مثل قوانین Scaling چینچیلا)، مدل برای اینکه واقعاً بهینه‌ترین عملکرد رو داشته باشه، باید به ازای هر ۱ پارامتر، حداقل ۲۰ توکن داده باکیفیت ببینه. مثلاً مایکروسافت با سری مدل‌های Phi ثابت کرد اگه یک مدل کوچک رو با داده‌های فوق‌العاده باکیفیت در حد «کتاب‌های درسی استاندارد» آموزش بدی، توی استدلال و کدنویسی می‌تونه مدل‌هایی که ۱۰ تا ۲۰ برابر از خودش بزرگ‌تر هستن رو کاملاً کنار بزنه.

🔹 2️⃣ معماری‌های هوشمندانه و MoE

همیشه تمام پارامترهای یک مدل فعال نیستن. توی معماری‌های جدید مثل Mixture of Experts (MoE)، مدل روی کاغذ مثلاً صدها میلیارد پارامتر داره، اما برای پاسخ به هر کلمه شما، فقط کسری از این پارامترها (Expertهای مرتبط) فعال می‌شن. از طرفی استفاده از معماری‌های جدیدی مثل Grouped-Query Attention باعث می‌شه سرعت و درک Context بدون نیاز به پارامترهای اضافه، به شدت بالا بره.

🔹 3️⃣ مسئله زبان فارسی و Fine-Tuning

داده‌های فارسی توی وب جهانی سهم کمی دارن و متأسفانه پر از غلط املایی و ترجمه‌های ماشینی هستن. یک مدل بزرگ چندزبانه که فارسی رو لابلای نویزهای وب یاد گرفته، اغلب لحن رباتیک پیدا می‌کنه یا دچار توهم (Hallucination) می‌شه. اما یک مدل کوچک‌تر (مثل Llama 8B) که اختصاصی روی متون تمیز و غنی فارسی تنظیم دقیق (Fine-Tune) شده باشه، زبان رو خیلی طبیعی‌تر و دقیق‌تر می‌فهمه.

💡 چطوری یک مدل رو درست ارزیابی کنیم؟

به جای اینکه چشمتون به اعداد بزرگ پارامترها یا رتبه‌های بنچمارک‌ها باشه (که خیلی وقت‌ها دچار Overfitting و قانون گودهارت می‌شن)، موقع انتخاب مدل این موارد رو بسنجید:
✅ کیفیت و تخصصی بودن داده‌های آموزشی
✅ امکان اجرای لوکال با سرعت بالا و هزینه پایین (Inference Speed)
✅ توانایی Fine-Tune شدن برای کاربرد تخصصی شما
در نهایت، ابزار بزرگ‌تر همیشه ابزار بهتری نیست. توی دنیای واقعی، یک مدل کوچک، سریع و تنظیم‌شده برای کار شما، خیلی کاربردی‌تر از یک غول سنگین و پرهزینه است.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🔴 اطلاعیه مهم | راه‌های ارتباطی پشتیبانی دیتایاد

به اطلاع کاربران گرامی می‌رسانیم از ۱ مهر ۱۴۰۵، تنها شماره رسمی پشتیبانی دیتایاد عبارت است از: 📞 ۰۹۹۰۵۵۰۱۹۹۸

لطفاً برای ارتباط با پشتیبانی، فقط از طریق حساب‌های کاربری فعال با این شماره یا راه‌های ارتباطی درج‌شده در وب‌سایت اقدام کنید. شماره‌های دیگری که پیش‌تر برای پشتیبانی استفاده می‌شدند، دیگر تحت مدیریت دیتایاد نیستند و از سوی این مجموعه تأیید نمی‌شوند.

در صورت هرگونه تغییر در راه‌های ارتباطی پشتیبانی، از طریق وب‌سایت و شبکه‌های اجتماعی رسمی دیتایاد اطلاع‌رسانی خواهیم کرد.

با احترام، 
تیم دیتایاد

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

آخرین آپدیت دوره بینایی کامپیوتر ما در مورد Vision Transformer بود که اینجا بهش اشاره شده.


📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

💡تکنولوژی LightTok دقیقاً چیکار می‌کنه؟

در دوربین‌های معمولی، اول نور به تصویر دیجیتال تبدیل می‌شه. بعد این تصویر باید به پردازنده منتقل بشه تا برای مدل هوش مصنوعی آماده بشه.

در واقع LightTok سعی می‌کنه بخشی از این پردازش رو همون داخل سنسور انجام بده.

یعنی سنسور فقط تصویر رو ثبت نمی‌کنه، بلکه همون‌جا بخشی از اطلاعات تصویر رو به شکلی آماده می‌کنه که برای مدل‌هایی مثل Vision Transformer قابل استفاده باشه.

به این ایده می‌گن Physical Tokenizer.

مزیتش هم اینه که داده کمتری نیاز به جابه‌جایی داره و در نتیجه می‌تونه مصرف انرژی رو کاهش بده.


📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

تکنولوژی LightTok؛
وقتی خودِ سنسور شروع به پردازش هوش مصنوعی می‌کنه

پژوهشگران دانشگاه نانجینگ یه تراشه به اسم LightTok ساختن که می‌تونه بخشی از پردازش موردنیاز مدل‌های بینایی رو همون داخل سنسور انجام بده.

یعنی به‌جای اینکه اول تصویر کامل ثبت بشه، بعد کلی داده جابه‌جا بشه و تازه پردازش شروع بشه، سنسور از همون ابتدا اطلاعات نوری رو به شکل مناسب برای Vision Transformer آماده می‌کنه.

نمونه اولیه فعلاً فقط ۳۲×۳۲ پیکسله، اما ایده‌ش خیلی جالبه


📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

📚 این مفاهیم فقط یه بخش کوچیک از دنیای مدل‌های زبانی و NLP هستن.

در آموزش مدل‌های زبانی و پردازش زبان طبیعی دیتایاد، این مباحث رو از پایه بررسی کردیم؛ از نحوه‌ی پردازش متن و Tokenization گرفته تا ساختار مدل‌های زبانی و اینکه مدل چطور از Context برای یادگیری و تولید متن استفاده می‌کنه.


📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🧠 مدل زبانی چطور متن تولید می‌کنه؟

مدل‌های زبانی در اصل متن رو به Tokenهای کوچیک‌تر تقسیم می‌کنن.

مثلاً جمله‌ی:
«هوش مصنوعی آینده‌ی برنامه‌نویسیه»

به مجموعه‌ای از توکن‌ها تبدیل می‌شه و مدل با توجه به توکن‌های قبلی، احتمال توکن بعدی رو پیش‌بینی می‌کنه.

یعنی مدل دائماً داره می‌گه:
🔹 با توجه به چیزی که تا الان دیدم، محتمل‌ترین ادامه چیه؟

اما این فقط بخش ساده‌ی ماجراست؛ اینکه مدل چطور ارتباط بین توکن‌ها رو پیدا می‌کنه و از Context برای پیش‌بینی استفاده می‌کنه، داستان اصلی مدل‌های زبانیه.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🚨 چرا بعضی از بزرگ‌ترین مدیرهای AI می‌گن باید سرعت توسعه هوش مصنوعی کمتر بشه؟

داریو آمودی، مدیرعامل Anthropic، اخیراً گفته سرعت پیشرفت مدل‌های پیشرفته هوش مصنوعی باید کمتر بشه تا ایمنی و نظارت بتونه خودش رو به این پیشرفت برسونه.

جالب اینجاست که سم آلتمن، مدیرعامل OpenAI، و ایلان ماسک، مدیرعامل xAI، هم با اصل این حرف موافقن.

آمودی می‌گه AI داره با سرعت زیادی پیشرفت می‌کنه و بعضی قابلیت‌ها مثل توانایی حمله سایبری یا حتی کمک به ساخت نسل بعدی سیستم‌های AI، نگرانی‌های جدیدی ایجاد کرده.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

مثلا یه مورد از اظهار نظر های کسایی که خودشون از هوش مصنوعی دارن درآمد ها عظیم کسب میکنن رو ببین تا بدونی هر چیزی ممکنه

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

ولی بعضی وقتا از خودتون بپرسید وقتی اینقدر خودمون رو وابسته کردیم به هوش مصنوعی تو هر کاری!

اگه فردا یهو تصمیم بگیرن دیگه هیچ طرح رایگانی نداشته باشن و قیمت هارو ببرن بالا چه داستانی داریم؟؟

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

در هر مرحله ای هستی!

بیا مشاوره رایگان تا نقشه راهت رو پیدا کنی!
فقط بگید از قبل چیا یادگرفتید و هدفتون یادگیری چی هست؟

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

اگر دنبال یک نقشه راه کامل‌تر، زمان‌بندی پیشنهادی، مهارت‌های لازم برای بازار کار رو بشناسی این مقاله نقشه راه رو از دست نده
🔗 اطلاعات تکمیلی:
نقشه راه هوش مصنوعی؛ یادگیری از صفر تا تخصص

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

یک مسیر منطقی می‌تونه این شکلی باشه:

🐍 پایتون
📐 ریاضی و آمار کاربردی
📊 کار با داده‌ها
🤖 یادگیری ماشین
🧠 یادگیری عمیق
🎯 انتخاب یک تخصص مثل NLP، LLM یا Computer Vision

اما یک نکته مهم‌تر: فقط آموزش دیدن کافی نیست!
از همون مراحل اولیه باید تمرین کنی، پروژه بسازی و کم‌کم پورتفولیو تشکیل بدی.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🤯 خیلی از افراد علاقه مند هستن به یادگیری هوش مصنوعی و علم داده اما بین کلی اصطلاح و تخصص جدید گیج شدن؟
مثلا علم داده، هوش مصنوعی، بینایی کامپیوتر، پایتون، یادگیری ماشین و ...

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام

🤖 فونتی که می‌تونه هوش مصنوعی رو گول بزنه!

فونت جدیدی به نام Decoy Font با استفاده از یک ترفند بصری، دو متن متفاوت رو در یک نوشته قرار میده.

یک لایه برای چشم انسان واضح‌تره و لایه‌ی دیگر به شکل تار و متفاوت طراحی شده؛ در نتیجه بعضی مدل‌های بینایی و OCR ممکنه متن متفاوتی رو نسبت به انسان تشخیص بدن.

هدف این پروژه، سخت‌تر کردن خواندن خودکار متن توسط AI و بررسی تفاوت بین ادراک انسان و مدل‌های هوش مصنوعیه.

📌مرجع تخصصی هوش مصنوعی و علم داده
❇️ سایت | بله | تلگرام | اینستاگرام