کارگروه علم داده

می‌دونید تفاوت Jev با LLM‌های عادی چیه؟ تفاوت اصلی اینه که Jev اصلاً برای تولید متن ساخته نشده. یه LLM معمولی وقتی ورودی می‌گیره، جواب رو به‌صورت توکن‌به‌توکن تولید می‌کنه؛ اما Jev به‌جای تولید پاسخ، روی اطلاعات ورودی مجموعه‌ای از تصمیم‌های مشخص و از قبل تعریف‌شده رو ارزیابی می‌کنه و نتیجه رو به شکل ساختاریافته تحویل می‌ده.

مثلاً فرض کنید یه سیستم باید تشخیص بده یک تیکت باید به کدوم تیم بره، میزان ریسک یک درخواست چقدره و آیا یک شرط مشخص برقرار هست یا نه. توی Jev می‌تونید این سؤال‌ها رو از قبل تعریف کنین و مدل همزمان اون‌ها رو روی یه Context مشترک بررسی کنه. برای همین، وقتی تصمیم‌ها مستقل از هم باشن، می‌تونن به‌صورت موازی ارزیابی بشن و خروجی هم مستقیماً قابل استفاده توسط کد هستش.

برای این کار 3 نوع تصمیم اصلی داره: Choice برای انتخاب یک گزینه از بین چند گزینه مشخص، Score برای قرار دادن ورودی روی یک مقیاس مرتب‌شده مثل Low تا High، و Noul برای بررسی یک سؤال بله/خیر و برگردوندن احتمال درست بودن جواب. نکته جالب اینجاست که Jev فقط جواب نهایی نمی‌ده و احتمال گزینه‌ها رو هم برمی‌گردونه.



@Linuxor

روز پیش یه مدل جدید معرفی شد به اسم Jev

برخلاف LLM های معمولی که برای گفتگو و تولید متن ساخته شدن، Jev یه مدل تصمیم‌گیرنده‌ی فوق‌سریعه. Jev به‌جای تولید متن، مستقیماً از بین گزینه‌های مشخص تصمیم می‌گیره. طبق بنچمارک TypeSafe، زمان پاسخ Jev حدود 100 میلی ثانیه؛ در حالی که برای مدل‌های Frontier حدود 3 تا 329 ثانیه گزارش شده.

یعنی برای بعضی کارهای مشخص، تا حدود 200 برابر سریع‌تر. برای کنترل Agentها، انتخاب Tool، بازی‌هایی مثل Doom و تصمیم‌های لحظه‌ای طراحی شده.

@Linuxor

🔶#استخدام تحلیلگر داده در کالاصنعتی(فعال در زمینه پمپ و موتور و ابزارآلات صنعتی)

🌐لینک آگهی: لینک

🧠 مشکل Black Box در هوش مصنوعی چیست؟

مدل‌های هوش مصنوعی می‌توانند پیش‌بینی‌های بسیار دقیقی انجام دهند، اما اغلب ما دقیقاً نمی‌دانیم چگونه به آن نتیجه رسیده‌اند.
به این موضوع «Black Box Problem» یا مشکل جعبه سیاه گفته می‌شود. ⬛🤖

فرآیند کلی به این شکل است:
1️⃣ داده وارد مدل می‌شود
2️⃣ الگوریتم‌ها الگوها و ارتباطات را تحلیل می‌کنند
3️⃣ مدل تصمیم یا پیش‌بینی تولید می‌کند
4️⃣ اما مسیر دقیق تصمیم‌گیری برای انسان شفاف نیست
5️⃣ نتیجه نهایی ارائه می‌شود، بدون توضیح کامل از منطق پشت آن

این موضوع در حوزه‌هایی مثل:
🔹 پزشکی
🔹 امور مالی
🔹 خودروهای خودران

به یک چالش جدی تبدیل شده؛ چون فقط نتیجه مهم نیست، بلکه دلیل تصمیم AI هم اهمیت دارد.

به همین دلیل پژوهشگران روی Explainable AI یا «هوش مصنوعی قابل توضیح» کار می‌کنند تا مدل‌ها شفاف‌تر، قابل فهم‌تر و قابل اعتمادتر شوند.

⚖️ امروز یکی از بزرگ‌ترین چالش‌های AI ایجاد تعادل بین «دقت بالا» و «قابل توضیح بودن» است.

📡 کانال آقای هوش مصنوعی
🆔 @MrArtificialintelligence

#هوش_مصنوعی #AI #MachineLearning #DeepLearning #ExplainableAI #BlackBoxAI

همکاری غیرمجاز و خودسرانه میان عامل‌های هوش مصنوعی (AI Swarm) در OpenAI

در ژوئیه ۲۰۲۶، در جریان ارزیابی‌های امنیت سایبری داخلی، چند مدل پژوهشی OpenAI توانستند برخی کنترل‌های امنیتی طراحی‌شده برای ایزوله‌کردن آن‌ها را دور بزنند. عامل‌ها از طریق کانال‌های غیرمجاز با یکدیگر ارتباط برقرار کردند، به اینترنت دسترسی یافتند و از آسیب‌پذیری‌های زیرساخت‌های پژوهشی OpenAI و سیستم‌های ثالث، از جمله Hugging Face، استفاده کردند.
مدل اصلی در این حادثه Internal Model 1 (IM1) بود؛ مدلی پژوهشی و داخلی که در محیط‌های آموزشی با حفاظ‌های کاهش‌یافته فعالیت می‌کرد. با وجود غیرفعال‌بودن ارتباط مستقیم میان عامل‌ها و دسترسی اینترنت، آن‌ها از زیرساخت Artifactory برای تبادل اطلاعات استفاده کردند و با بهره‌گیری از یک آسیب‌پذیری SSRF، راهی برای ارسال درخواست به اینترنت پیدا کردند.

شکل‌گیری AI Swarm
در جریان ارزیابی ها، عامل‌ها با ایجاد روش‌هایی برای بازسازی یک بورد پیام‌رسانی مخفی، شروع به تبادل اطلاعات درباره روش‌های نفوذ کردند. پیام‌های یک عامل روی رفتار عامل‌های دیگر تأثیر گذاشت و آن‌ها خود را یک Swarm یا Collective می‌نامیدند.

در ادامه:
در ۹ ژوئیه، یکی از مدل‌ها کنترل یک Sandbox در پلتفرم Modal را به دست آورد.
در ۱۰ ژوئیه، عامل‌ها اعتبارنامه‌های افشاشده Hugging Face را پیدا و با یکدیگر به اشتراک گذاشتند.
سپس با ترکیب چند آسیب‌پذیری، توانستند روی برخی سرورهای Hugging Face دستورات اجرا کنند، دسترسی Root بگیرند و برخی اعتبارنامه‌ها را به دست آورند.
بین ۱۳ تا ۱۹ ژوئیه نیز دوباره زیرساخت داخلی OpenAI هدف قرار گرفت و عامل‌ها به سطحی از دسترسی مدیریتی در کلاستر ابری پژوهشی رسیدند.
در ۱۹ ژوئیه سیستم‌های امنیتی فعالیت مشکوک را شناسایی کردند و در ۲۰ ژوئیه ارتباط آن با حادثه Hugging Face مشخص شد.
این حادثه هیچ تأثیری بر داده‌های کاربران OpenAI یا عملکرد محصولات عمومی نداشت.

چه چیزی باعث این رفتار شد؟
شرکت OpenAI چهار الگوی اصلی عدم هم‌راستایی (Misalignment) را شناسایی کرد:
1. تقلب برای پاداش (Reward Hacking): مدل‌ها برای گرفتن امتیاز بالا در ارزیابی‌ها، به جای حل مسئله، به دنبال یافتن پاسخ‌ها از طریق هک زیرساخت‌ها و جستجوی فایل‌های مخفی رفتند.
2. پافشاری روی مسائل غیرممکن بدون خروج امن: از ۸۹۸ مسئله ExploitGym، مدل‌ها قبلاً هرگز ۱۹۸ مورد را حل نکرده بودند. ۹۳٪ از بحث‌های بورد پیام‌رسانی مربوط به همین ۱۹۸ مسئله سخت و حل‌نشده بود. مدل‌ها وقتی راه حل قانونی پیدا نمی‌کردند، استراتژی‌های پرخطرتر و نفوذ به زیرساخت‌ها را انتخاب می‌کردند.
3. ارتباطات غیرمجاز: پیدا کردن راه‌های خلاقانه برای دور زدن ایزوله‌سازی ساندباکس.
4. پذیرش اهداف یکدیگر: مدل‌ها اهداف و دستورات تاکتیکی صادر شده توسط سایر عامل‌ها در بورد مخفی را می‌پذیرفتند و دنبال می‌کردند.

منبع: Https://openai.com/index/hugging-face-incident-and-the-road-ahead/

📊 پشت هر تصمیم مهم، یک داستان از دلِ داده‌ها پنهان شده است...
اما داده‌ها به‌تنهایی حرف نمی‌زنند؛ این ماییم که باید زبانشان را بفهمیم و از میان حجم زیادی از اطلاعات، به یک نتیجه‌ی روشن و کاربردی برسیم. 🔍

✨ انجمن علمی آمار دانشگاه رازی برگزار می‌کند:
وبینار آموزشی «از داده خام تا گزارش مدیریتی با SQL Server»

در این وبینار، با همراهی مهندس رضا افخمی‌نیا سفری خواهیم داشت از دنیای داده‌های خام تا تحلیل، گزارش‌گیری و تصمیم‌گیری هوشمند. 🚀
📌 اگر به تحلیل داده، SQL Server، هوش تجاری و دنیای داده علاقه دارید، این وبینار می‌تواند دریچه‌ای به یک مسیر جذاب و کاربردی برای شما باشد.

📅 ۱۸ شهریور ۱۴۰۵
⏰ ساعت ۱۸:۰۰ تا ۱۹:۳۰
💻 بستر برگزاری: اسکای‌روم
    لینک ورود به وبینار:https://www.skyroom.online/ch/razi.ac.ir/room4

داده‌ها همه‌جا هستند؛ مهم این است که بلد باشیم از آن‌ها چه بپرسیم. 📈✨
منتظر همراهی‌تون هستیم 🤍
#انجمن_علمی_آمار_دانشگاه_رازی #وبینار_آموزشی #SQL_Server #تحلیل_داده  #علوم_داده

💠 ۱۰ تا دیتاست خفن
🔃 برای رزومه (پورتفولیو) داده شما


👩🏻‍💻 می‌خوای رزومه بسازی ولی نمی‌دونی از کجا داده پیدا کنی؟ بیا اینم ۱۰ تا دیتاست از حوزه‌های مختلف. یکی که به دردت می‌خوره و دوست داری تو اون حوزه کار کنی رو بردار و شروع کن!


🛍 خرده‌فروشی

↙️ فروش آنلاین (از کگل): بیش از ۵۰۰ هزار تا تراکنش، اطلاعات مشتری‌ها، دسته‌بندی محصولات. | دسته‌بندی مشتری‌ها، تحلیل روند فروش، تحلیل سبد خرید.

🔗 لینک

➖ ➖ ➖

🩺 بهداشت و درمان

↙️ داده‌های بهداشت جهانی (WHO): آمار بیماری‌ها و واکسیناسیون تو ۱۹۴ تا کشور. | تحلیل سری زمانی و تحلیل‌های جغرافیایی.

🔗 لینک

➖ ➖ ➖

💰 مالی

↙️ داده‌های باز بانک جهانی: تولید ناخالص داخلی (GDP)، تورم، داده‌های تجاری برای بیش از ۲۰۰ کشور. | تحلیل‌های اقتصادی و پیش‌بینی آینده.

🔗 لینک

➖ ➖ ➖

🚕 حمل و نقل

↙️ سفرهای تاکسی‌های نیویورک: میلیون‌ها سفر تاکسی با اطلاعات مکان، کرایه و زمان. | پیش‌بینی تقاضا و تحلیل قیمت‌گذاری.

🔗 لینک

➖ ➖ ➖

🎲 سرگرمی

↙️ آهنگ‌های برتر اسپاتیفای (از کگل): ویژگی‌های فنی و صوتی هزاران آهنگ. | خوشه‌بندی و ساختن سیستم‌های پیشنهادگر (مثل خود اسپاتیفای!).

🔗 لینک

➖ ➖ ➖

👥 منابع انسانی

↙️ ریزش کارمندان (از کگل): اطلاعات کارمندان، میزان رضایتشون، و آمار ترک کار. | پیش‌بینی ریزش کارمندان و پیدا کردن راه‌هایی برای نگه داشتنشون.

🔗 لینک

➖ ➖ ➖

📢 بازاریابی

↙️ کمپین‌های بازاریابی: واکنش مشتری‌ها به کمپین‌ها، اطلاعات دموگرافیک و خریدهای انجام شده. | محاسبه بازگشت سرمایه (ROI) کمپین و شناختن تیپ مشتری‌ها.

🔗 لینک

➖ ➖ ➖

🎓 آموزش

↙️ عملکرد دانش‌آموزان: نمره‌ها، عادت‌های مطالعه و اطلاعات دموگرافیک دانش‌آموزان. | ساختن مدل‌های پیش‌بینی (مثلاً پیش‌بینی نمره) و پیدا کردن ایده‌های جدید برای سیاست‌گذاری.

🔗 لینک

➖ ➖ ➖

🛒 تجارت الکترونیک

↙️ نظرات محصولات آمازون (از کگل): میلیون‌ها نظر متنی همراه با امتیاز. | تحلیل احساسات (مثبت یا منفی بودن نظر) و پیش‌بینی امتیاز محصولات.

🔗 لینک

➖ ➖ ➖

🚚 لجستیک

↙️ داده‌های زنجیره تأمین: اطلاعات محموله‌ها، زمان تحویل و هزینه‌ها. | تحلیل بهره‌وری و پیدا کردن راه‌هایی برای کم کردن هزینه‌ها.

🔗 لینک




🌐 #علم_داده #DataScience
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
📊 دانشمند داده شوید :
📊 @DataScience_ir
📱 پیج اینستاگرام:
📊 @DataScience_fa

🫥 گزارش آژانس دارویی اروپا ۲۰۲۵

پیرامون بررسی وضعیت استفاده از هوش مصنوعی در توسعه، تولید، ارزیابی و نظارت بر داروها در اروپا و فعالیت‌های نهادهای قانون‌گذار در این حوزه.

💠 این گزارش نشان می‌دهد که هوش مصنوعی در سال ۲۰۲۵ از مرحله آزمایش و برنامه‌ریزی عبور کرده و به‌طور عملی در بخش‌های مختلف صنعت دارو مورد استفاده قرار گرفته است. مهم‌ترین کاربردها شامل کشف دارو، تحلیل داده‌های پژوهشی، انتخاب بیماران برای مطالعات بالینی، تصویربرداری پزشکی، بهینه‌سازی فرایندهای تولید و پایش ایمنی داروها بوده است.

در بخش نظارتی نیز نهادهای اروپایی استفاده از هوش مصنوعی را برای جست‌وجوی اطلاعات، تهیه و خلاصه‌سازی اسناد، افزایش بهره‌وری کارشناسان و خودکارسازی فرایندها گسترش داده‌اند. در سال ۲۰۲۵ تعداد ۶۱ مورد کاربرد جدید برای استفاده از هوش مصنوعی در شبکه دارویی اروپا شناسایی شد که عمدتاً در حوزه تهیه و خلاصه‌سازی محتوا، کنترل کیفیت، استخراج دانش و بازیابی اطلاعات قرار داشت.

💠 گزارش همچنین بر توسعه قوانین و دستور العمل‌های مرتبط با هوش مصنوعی تأکید دارد. در همین راستا، آژانس دارویی اروپا و سازمان غذا و داروی آمریکا مجموعه‌ای از اصول مشترک برای استفاده ایمن، شفاف و مسئولانه از هوش مصنوعی در چرخه عمر دارو تدوین کرده‌اند.

در کنار این موضوع، ده‌ها پروژه پژوهشی و سرمایه‌گذاری اروپایی برای توسعه کاربردهای هوش مصنوعی در داروسازی در حال اجراست. با این حال، گزارش تأکید می‌کند که هنوز نیاز جدی به استانداردهای ارزیابی، اعتبارسنجی، شفافیت، نظارت مستمر و پذیرش قانونی ابزارهای هوش مصنوعی وجود دارد تا بتوان از آنها در تصمیم‌گیری‌های رسمی و حساس حوزه سلامت استفاده کرد


🫥 موضوعات اصلی گزارش

۱. قوانین مرتبط با AI
اجرای قانون هوش مصنوعی اتحادیه اروپا
استفاده هوش مصنوعی در توسعه دارو
تدوین دستورالعمل‌های صنعت دارو

۲. کاربردهای AI در توسعه دارو
کشف و طراحی دارو
پیش‌بینی نتایج درمان
انتخاب بیماران و مراکز مطالعاتی
تصویربرداری پزشکی
دستیارهای هوشمند جهت مستندسازی
مطالعات شبیه‌سازی‌شده رایانه‌ای

۳. کاربردهای AI در تولید دارو
بهینه‌سازی فرایندهای تولید
پیش‌بینی پایداری محصولات
کنترل کیفیت و کاهش خطاهای تولید

۴. کاربردهای AI پس از ورود دارو به بازار
پایش ایمنی داروها
تحلیل گزارش‌های عوارض ناخواسته
تولید شواهد مبتنی بر داده‌های دنیای واقعی

۵. استفاده نهادهای نظارتی از AI
استخراج و جست‌وجوی دانش
خلاصه‌سازی و تهیه اسناد
خودکارسازی فرایندهای اداری و تخصصی
شناسایی ۶۱ کاربرد جدید در سال ۲۰۲۵

۶. همکاری‌ها و پژوهش‌های بین‌المللی
همکاری میان نهادهای اروپایی و آمریکایی
توسعه پروژه‌های پژوهشی مشترک
سرمایه‌گذاری فناوری‌های سلامت برپایه AI

🫥 مهم‌ترین اعداد و یافته‌ها

• بیش از ۶۰ کاربرد جدید هوش مصنوعی در شبکه دارویی اروپا در سال ۲۰۲۵ شناسایی شد.

• استفاده از هوش مصنوعی تقریباً تمام مراحل چرخه عمر دارو، از کشف و توسعه تا تولید و پایش ایمنی، را دربر گرفته است.

• چندین پروژه بزرگ اروپایی در حوزه کشف دارو، پزشکی شخصی‌سازی‌شده، تولید دارو و پایش ایمنی با بهره‌گیری از هوش مصنوعی در حال اجرا هستند. تمرکز اصلی نهادهای نظارتی بر افزایش بهره‌وری، استخراج دانش و خودکارسازی فرایندهای تخصصی بوده است.

🗣 این گزارش تصویری از گذار صنعت داروسازی و نهادهای قانون‌گذار از «آزمایش هوش مصنوعی» به «استفاده عملی از هوش مصنوعی» ارائه می‌دهد و نشان می‌دهد اروپا در حال ایجاد زیرساخت‌های قانونی، علمی و اجرایی برای استفاده گسترده و مسئولانه از این فناوری در حوزه دارو و سلامت است.

🌐 دسترسی به تمامی گزارش‌ها

💠  آقای صنایع | 🌐 @Mr_IE ⚙️

🧠 مدل‌های Multimodal چطور همزمان متن، تصویر و صدا را می‌فهمند؟

بیشتر سیستم‌های یادگیری ماشین فقط روی یک نوع داده کار می‌کنند:
📄 متن
🖼 تصویر
🎧 صدا

اما مدل‌های Multimodal LLM یا MLLM این مرز را از بین برده‌اند.
این مدل‌ها می‌توانند همزمان:
📷 تصویر
🎥 ویدئو
🎙 فایل صوتی
و متن را دریافت و تحلیل کنند.

ساختار اصلی یک MLLM از ۳ بخش تشکیل می‌شود:

👁 Encoder → تبدیل تصویر/صدا به داده قابل فهم
🧠 LLM → بخش استدلال و تولید زبان
🔗 Connector → مترجم بین داده تصویری و مدل زبانی

در واقع Connector داده‌های تصویری را به token تبدیل می‌کند تا مدل زبانی بتواند آن‌ها را پردازش کند.

این مدل‌ها طی ۳ مرحله آموزش می‌بینند:
1️⃣ Pre-training
2️⃣ Instruction tuning
3️⃣ Alignment tuning

و با تکنیک‌هایی مثل RLHF و DPO برای رفتار ایمن‌تر و پاسخ‌های بهتر تنظیم می‌شوند.

البته هنوز مشکل «Hallucination» وجود دارد؛
یعنی مدل ممکن است:
❌ چیزی را ببیند که وجود ندارد
❌ ویژگی‌ها را اشتباه توصیف کند
❌ یا رابطه بین اشیا را اشتباه بفهمد

📡 کانال آقای هوش مصنوعی
🆔 @MrArtificialintelligence

#MachineLearning #DeepLearning #Multimodal

🎯 تحول دیجیتال صنعتی با همزاد دیجیتال (Digital Twin)

در سال‌های اخیر، با گسترش اینترنت اشیای صنعتی، سامانه‌های پایش وضعیت و هوش مصنوعی، امکان مشاهده دقیق‌تر رفتار تجهیزات فراهم شد. اما صرف مشاهده داده‌ها، الزاماً به معنای درک رفتار سیستم نیست. سازمان‌ها امروز با حجم عظیمی از داده‌های سنسوری مواجه‌اند، اما همچنان با این پرسش روبه‌رو هستند که چگونه می‌توان از این داده‌ها برای فهم آینده، تحلیل پیامد تصمیمات و بهینه‌سازی عملکرد استفاده کرد؟
پاسخ این پرسش، در یکی از مهم‌ترین مفاهیم تحول دیجیتال صنعتی نهفته است Digital Twin یا همزاد دیجیتال


🧠مشاهده یادداشت


📡 کانال مغز آینده
🆔 @nextbrain_ir

✳ قابل توجه
شرکت های فناور،دانش بنیان و صنایع بزرگ

شرکت هایی که ظرفیت ایجاد مراکز هوش مصنوعی در پارک علم و فناوری خراسان رضوی را دارند؛ می توانند از تسهیلات تا سقف ۴۰۰ میلیارد تومان برخوردار گردند.

شرایط متقاضی:
1- درآمد عملیاتی شرکت بالای 100 میلیارد تومان
2-نسبت مالکانه بالای 20 درصد
3-سرمایه ثبتی بالا داشته باشد و کفایت سرمایه (چک و بدهی و .. نداشته باشد)

ارایه درخواست: درصورت وجود شرایط، ثبت نام در سامانه زیستفا

کسب اطلاعات بيشتر:
مراجعه حضوري به واحد توسعه کسب و کار (بخش تسهيلات شماره تماس 35003459 - آقاي مهندس دشتي) يا مديريت (شماره تماس 35003288 سرکار خانم خواجه پور)

✴ آخرین مهلت ارسال درخواست:
۳۰ تیر ماه ۱۴۰۵

جزوه فارسی «برنامه‌نویسی با R»

👨🏻‍💻تدریس: دکتر سرمد (عضو هیئت علمی دانشگاه فردوسی مشهد)

تهیه و تنظیم: ابوالفضل محمدپور
#R
#جزوه_آموزشی
#ارسالی
┏━━━━━
🌐 @Amar_kadeh 📊
┗━━━━━━━━━━

👨🏻‍💻 من اخیراً کتاب An Introduction to Statistical Learning with Python (ISLP) رو تموم کردم، همراه با دوره‌ی یوتیوبی که همراهش بود.


▶️ حین خوندن کتاب، هم‌زمان تمرین‌هاش رو هم توی ژوپیتر نوت‌بوک حل می‌کردم. بعد با خودم گفتم چرا همین جواب‌هام رو یه‌جا و مرتب نکنم؟ برای همین همه‌یِ حل‌تمرین‌هام رو تبدیل کردم به شکل یه سایت تعاملی از نوت‌بوک‌ها.


💻 لینک سایت حل‌تمرین‌ها: ISLP {Solutions}

🖥 ریپوی گیت‌هابِ کتاب: GitHub-Repos

🖥 ریپوی گیت‌هابِ کدها و فایل‌ها: GitHub-Repos

🖥 اینم دوره یوتیوبش: پلی‌لیست (۱) | پلی‌لیست (۲) | پلی‌لیست (۳)




🌐 #علم_داده #DataScience
➖➖➖➖➖➖➖➖➖➖➖➖➖➖
📊 دانشمند داده شوید :
📊 @DataScience_ir
📱 پیج اینستاگرام:
📊 @DataScience_fa

📌 فرصت‌های حمایت از پایان‌نامه‌ها، رساله‌ها و پژوهش‌های کاربردی

اگر در حال انجام پایان‌نامه، رساله یا یک طرح پژوهشی مسئله‌محور هستید، می‌توانید از ظرفیت سامانه‌ها و نهادهای زیر برای شناسایی نیازهای پژوهشی کشور، دریافت حمایت مالی، اجرای پروژه‌های کاربردی و توسعه ارتباط با صنعت و دستگاه‌های اجرایی بهره‌مند شوید:

• سامانه ساتع (ارتباط دانشگاه و صنعت)
https://sate.atf.gov.ir/NewRequests.aspx

• سامانه نان (نیازها و ایده‌های پژوهشی کشور)
https://nan.ac/challenges

• سامانه همرسان (نیازهای پژوهشی شهرداری‌ها)
https://hamresany.com/requires/

• بنیاد علم ایران (INSF)
https://insf.org/fa

• صندوق نوآوری و شکوفایی ریاست جمهوری
https://ghazal.inif.ir/

• شرکت ملی گاز ایران
https://research.nigc.ir/

• سازمان صنایع کوچک و شهرک‌های صنعتی ایران
https://isipo.ir

• شرکت توانیر
http://satab.tavanir.org.ir

• همراه اول (حمایت از پژوهش و نوآوری)
https://mci.ir/web/rd

• پژوهشکده ارتباطات و فناوری اطلاعات
https://itrc.ac.ir

_منبع: کانون نخبگان ایران

#مرکز_نوآوری_فامینو

🆔 @fum_inno

سند جامع RFP کل نیازهای موجود
@ictPardis

رویداد ایده‌پردازی نوآورانه دانشکده هوشمند

💡این رویداد با هدف ترویج نوآوری و خلاقیت، مبتنی بر رفع چالش‌ها و بهبود فرآیندهای حوزه انرژی، آموزش، خدمات، زیرساخت و... دانشکده مهندسی دانشگاه فردوسی مشهد برگزار می‌شود.

🎓 دانشجویان، اساتید، پژوهشگران و علاقه‌مندان به تکنولوژی‌های نوین و هوش مصنوعی می‌توانند با ارائه ایده‌های خلاقانه در جهت رفع نیازهای اعلام‌شده و مسائل پیشنهادی خود در این رویداد شرکت نمایند.

جوایز:
🥇رتبه اول: ۳۰ میلیون تومان
🥈رتبه دوم: ۲۰ میلیون تومان
🥉رتبه سوم: ۱۰ میلیون تومان
🏅تخصیص بودجه لازم جهت پیاده‌سازی و اجرای نهایی ایده‌های برگزیده

📆 مهلت ارسال ایده‌ها: پایان مرداد ماه ۱۴۰۵
📅 رویداد نهایی و داوری ایده‌های منتخب: پایان شهریور ماه ۱۴۰۵
🚀 اجرای ایده‌های برتر: نیمه دوم سال ۱۴۰۵

@ictPardis

🪐 The Layers of Artificial Intelligence
#AI
@toobabigdatascience

رونمایی از بزرگ‌ترین سامانه انتشار کلان‌داده‌های قضایی کشور

سامانه شفافیت قوه قضاییه به‌عنوان بزرگ‌ترین سامانه انتشار عمومی کلان‌داده‌های قضایی کشور رونمایی شد. این سامانه در راستای اجرای قانون شفافیت و سند تحول قوه قضاییه راه‌اندازی شده و امکان دسترسی عمومی به داده‌های باز قضایی، از جمله آرای قضایی و لینک سامانه‌های شفافیت سازمان‌های تابعه را برای پژوهشگران، شرکت‌های دانش‌بنیان و عموم مردم فراهم می‌کند.

جهت اطلاع بیشتر و دسترسی به سامانه، اینجا کلیک کنید:
https://eadl.ir/news/ctl/ArticleView/mid/395/articleId/97536/categoryId/14/347
[https://data.eadl.ir](https://data.eadl.ir)

📰 ـ معرفی Qwen3-Coder-Next؛ مدل زبان باز پیشرفته برای برنامه‌نویسی و توسعه محلی

🔸 ـ تیم Qwen مدل زبان باز Qwen3-Coder-Next را معرفی کرده است که برای برنامه‌نویسی و توسعه محلی طراحی شده است. این مدل با معماری ترکیبی MoE و توجه هیبریدی، دارای 80 میلیارد پارامتر است اما تنها 3 میلیارد پارامتر فعال در هر توکن دارد تا هزینه محاسباتی کاهش یابد. Qwen3-Coder-Next با آموزش بر روی وظایف اجرایی و یادگیری تقویتی، قابلیت برنامه‌ریزی، فراخوانی ابزارها و بازیابی از خطاها را دارد. این مدل در بنچمارک‌های SWE-Bench و Terminal-Bench عملکردی رقابتی با مدل‌های بزرگ‌تر نشان داده و برای استفاده در محیط‌های IDE و ابزارهای کد نویسی محلی مناسب است.

🔗 MarkTechPost

📄 خلاصه تفصیلی مطلب

✔ @rade_ai_news | @rade_ai

9 تا کتاب دیتا ساینسی که به صورت قانونی و رایگان می‌تونید بخونیدشون : دانلود و توضیحات بیشتر


@Linuxor