علم داده (Data Science)

22 August 2026 08:30

‏🌐 خلق محیط‌های سه‌بعدی تعاملی با SpAItial

‏ابزار نوآورانه SpAItial با استفاده از مدل هوش مصنوعی Echo-2 به کاربران اجازه می‌دهد تنها از روی یک تصویر تک یا توصیف متنی، یک محیط سه‌بعدی کاملاً تعاملی و قابل‌کاوش خلق کنند.

‏برخلاف ویدیوهای دوبعدی و ایستا، خروجی این ابزار فضایی پویا است که می‌توانید آزادانه در آن حرکت کرده و زاویه دوربین را تغییر دهید. این سیستم همچنین خروجی‌های باکیفیت به روش 3D Gaussian Splatting تولید می‌کند که پتانسیل بالایی در توسعه بازی‌ها و واقعیت مجازی دارد.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

22 August 2026 06:33

‏🚀 اجرای مدل هوش مصنوعی ۹ میلیاردی روی موبایل

‏خانواده جدید مدل‌های Ornith 1.5 با معرفی نسخه 9B، مرزهای اجرای مدل‌های زبانی روی سخت‌افزارهای محدود را جابجا کرده است. این مدل متن‌باز با قابلیت Self-Improving و پنجره متنی ۲۵۶ هزار توکنی، به طور اختصاصی برای استدلال، کدنویسی و کارهای Agentic بهینه شده است.

‏نکته تحسین‌برانگیز این مدل، عملکرد نزدیک به مدل‌های بسیار بزرگ‌تر در برخی بنچمارک‌های رسمی است. نسخه‌های Quantized این مدل امکان اجرا روی دستگاه‌های موبایل و سیستم‌های شخصی را فراهم کرده‌اند.

‏برای اجرای این مدل می‌توانید از ابزارهای زیر استفاده کنید:

‏• llama.cpp
‏• Ollama
‏• LM Studio

‏فایل‌های مورد نیاز و نسخه GGUF را می‌توانید از طریق مخزن رسمی Hugging Face دریافت و بر اساس قدرت سخت‌افزار خود، Quantization مناسب را انتخاب کنید.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

21 August 2026 20:14

‏مهارت‌های کلیدی در توسعه و استقرار سیستم‌های هوش مصنوعی

‏اندرو ان‌جی در جدیدترین تحلیل خود، نقشه راه مهارت‌های مورد نیاز برای مهندسان هوش مصنوعی را بازبینی کرده است. برخلاف نرم‌افزارهای سنتی که خروجی قابل پیش‌بینی دارند، سیستم‌های مبتنی بر AI به دلیل ماهیت احتمالی خود، نیازمند رویکردی تکرارشونده و توسعه مبتنی بر ارزیابی هستند.

‏مهم‌ترین مهارت‌ها برای تسلط بر این حوزه عبارتند از:
‏- درک مبانی LLM: شناخت نحوه توکن‌بندی، مدیریت پنجره کانتکست و انتخاب استراتژی‌های بهینه‌سازی مدل.
‏- Grounding با داده‌ها: استفاده از تکنیک‌های پیشرفته برای اتصال مدل به داده‌های واقعی از طریق جستجوی برداری، نمودار دانش یا لایه‌های معنایی.
‏- طراحی سیستم‌های عامل‌محور (Agentic): تعریف گردش‌کار، مدیریت حافظه و ابزارهای مورد نیاز برای اجرای خودمختار وظایف.
‏- توسعه مبتنی بر ارزیابی: ایجاد حلقه‌های بازخورد سیستماتیک برای تحلیل خطا و اندازه‌گیری عملکرد به جای حدس و گمان.
‏- عملیات در تولید: پیاده‌سازی مکانیزم‌های مشاهده‌پذیری، تست رگرسیون و مدیریت هزینه و تأخیر در مقیاس بالا.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science

علم داده (Data Science)

21 August 2026 16:12

‏🚀 ظهور مرموز Ox Alpha در دنیای مدل‌های هوش مصنوعی

‏مدل جدید و ناشناخته‌ای با نام Ox Alpha به تازگی در پلتفرم OpenCode ظاهر شده که بحث‌های زیادی را در جامعه هوش مصنوعی ایجاد کرده است. اگرچه منشأ اصلی این مدل هنوز به صورت رسمی فاش نشده، اما عملکرد اولیه آن در حل مسائل برنامه‌نویسی بسیار فراتر از حد انتظار گزارش شده است.

‏بر اساس نتایج اولیه در ۱۰ تسک پیچیده DeepSWE، این مدل موفق به کسب نرخ موفقیت حدود ۸۰ درصد شده که آن را در جایگاهی بالاتر از مدل‌های شناخته‌شده‌ای همچون Fable 5، GLM-5.3 و Grok 4.6 قرار می‌دهد.

‏نکات کلیدی پیرامون این مدل:
‏- عملکرد درخشان اولیه: کسب امتیاز بالا در تست‌های مقدماتی کدنویسی.
‏- دسترسی فعلی: مدل در حال حاضر به صورت رایگان در دسترس کاربران قرار گرفته و برای تسک‌های agentic و برنامه‌نویسی تست می‌شود.
‏- پشتیبانی از Context: گزارش‌ها حاکی از ظرفیت بالای پنجره متنی این مدل است.

‏دقت کنید که این نتایج با لیدربورد رسمی DeepSWE که شامل ۱۱۳ مسئله است تفاوت دارد و هنوز نتیجه جامع و نهایی برای Ox Alpha منتشر نشده است.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science

علم داده (Data Science)

21 August 2026 13:33

‏🚀 ظهور مدل چندوجهی جدید DeepSeek برای AI Agents

‏تیم DeepSeek مدل آزمایشی جدیدی با نام DeepSeek-V4-Flash-Vision-Exp را معرفی کرد. این مدل چندوجهی (Multimodal) به‌طور اختصاصی برای ایجنت‌هایی طراحی شده که علاوه بر متن، نیاز به درک تصاویر و تعامل با رابط‌های کاربری دارند.

‏نکته قابل‌توجه، عملکرد این نسخه Flash در بنچمارک‌های Visual-Agent است که توانسته در بسیاری از سناریوها به سطح مدل‌های سنگینی مثل Opus 4.8 نزدیک شده و در برخی موارد حتی از آن پیشی بگیرد. عرضه چنین مدل‌های بهینه‌ای می‌تواند به کاهش هزینه‌ها و افزایش دسترسی به ایجنت‌های هوشمند منجر شود.

‏مهم‌ترین نتایج در ارزیابی‌های فنی:

‏* Terminal Bench 2.1: امتیاز ۸۳.۹
‏* DeepSWE: امتیاز ۵۹.۳
‏* Toolathlon-Verified: امتیاز ۷۵.۹
‏* ApexBench: امتیاز ۳۶.۵
‏* ZeroBench: امتیاز ۳۵.۰

‏این نتایج نشان‌دهنده پتانسیل بالای مدل‌های سبک‌تر در انجام وظایف پیچیده ایجنتی است. آیا دوران سلطه مطلق مدل‌های غول‌پیکر در حال تغییر است؟

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

21 August 2026 13:12

‏🚀 مدل‌های جدید ترجمه Tencent و عرضه Ox Alpha در OpenRouter

‏پلتفرم OpenRouter به‌تازگی میزبان مدل‌های جدید و جذابی شده است که قابلیت‌های کاربردی برای مهندسان داده و توسعه‌دهندگان ارائه می‌دهند.

‏مهم‌ترین موارد اضافه شده:

‏• مدل‌های ترجمه Hy-MT2: شرکت Tencent مدل‌های Hy-MT2-1.8B و Hy-MT2-30B-A3B را عرضه کرده است. این مدل‌ها از ۳۳ زبان پشتیبانی می‌کنند و علاوه بر متن عادی، در پردازش ساختار، بافتار (Context) و رعایت سبک‌های خاص در ترجمه عملکرد بسیار خوبی دارند.

‏• مدل استدلالی Ox Alpha: این مدل که با رویکردی متمرکز بر استدلال (Reasoning) طراحی شده، برای انجام کارهای عامل‌محور (Agentic)، کدنویسی پیچیده و بارهای کاری سنگین در محیط‌های Production بسیار ایده‌آل است. این مدل با پنجره متنی بیش از ۱ میلیون توکن ارائه شده است.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

21 August 2026 10:21

‏🚀 راهنمای جامع و عملی مدل‌های Transformer

‏یادگیری معماری ترنسفورمرها از مبانی تا سطوح پیشرفته و عملیاتی، نیازمند دسترسی به کدهای تست‌شده و پروژه‌محور است. مخزن Transformers - The definitive Guide یک منبع کامل شامل ۱۲ فصل آموزشی است که به شما اجازه می‌دهد تمامی مفاهیم را به‌صورت عملی در Google Colab پیاده‌سازی کنید.

‏مهم‌ترین سرفصل‌های این مجموعه عبارتند از:
‏• آشنایی با اصول اولیه و معماری ترنسفورمرهای SOTA
‏• کاربرد ترنسفورمرها در سری‌های زمانی و وظایف بینایی
‏• مدل‌های تولیدکننده تصویر، ویدیو و صوت
‏• یادگیری تقویتی، برنامه‌ریزی، استدلال و کدنویسی
‏• طراحی عوامل (Agents) هوش مصنوعی و بهینه‌سازی مدل
‏• استقرار و Deploy کردن نهایی مدل‌ها در محیط عملیاتی

‏ساختار این مخزن به گونه‌ای طراحی شده که نوت‌بوک‌های هر فصل با نام‌گذاری استاندارد در پوشه‌های مجزا قرار دارند و یادگیری مرحله‌به‌مرحله را برای شما تسهیل می‌کنند. این منبع برای تمامی متخصصان حوزه پردازش متن و تصویر که به دنبال تسلط بر اکوسیستم ترنسفورمرها هستند، توصیه می‌شود.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science

علم داده (Data Science)

21 August 2026 09:55

‏هوش مصنوعی و آینده ریاضیات از نگاه ترنس تائو

‏ترنس تائو در مقاله‌ای تازه، به بررسی نقش ریاضیدانان در عصر تسلط هوش مصنوعی پرداخته است. او استدلال می‌کند که با خودکار شدنِ «حل مسئله» توسط AI، ماهیت پژوهش‌های ریاضی دگرگون خواهد شد.

‏تائو معتقد است فرآیند علمی فراتر از رسیدن به پاسخ است و شامل مراحل زیر می‌شود که بخش بزرگی از آن برای ماشین غیرقابل دسترس است:

‏* درک و تبیین: تبدیل راه‌حل‌های خام به دانش قابل فهم برای جامعه علمی.
‏* ارتباط‌دهی: پیوند دادن یافته‌های جدید با نظریه‌های موجود.
‏* جامعه‌پذیری: بحث‌های انتقادی و داوری همتایان.
‏* کانونیزه کردن: تبدیل نتایج به بخشی از بدنه آموزش و متون مرجع.

‏برخلاف تصور، هوش مصنوعی تنها در تولید و تایید اثبات‌ها (Proofs) پیشرو است. وظیفه اصلی ریاضیدانان در آینده، نه صرفاً حل معماها، بلکه مدیریت «کولکتیو دانش» و انتقال مفاهیم به نسل‌های آینده است. تائو معتقد است ما در حال ورود به دوره‌ای از بازنگری در ارزش‌های ضمنی ریاضیات هستیم.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

21 August 2026 08:38

‏🚀 افزایش چشمگیر سرعت دیکودینگ با مدل‌های جدید Liquid AI

‏شرکت Liquid AI به تازگی مدل‌های LFM2.5-DSpark را معرفی کرده است که می‌توانند سرعت تولید توکن (Decoding) را تا ۳.۱۸ برابر افزایش دهند، بدون اینکه کوچک‌ترین تغییری در خروجی نهایی مدل ایجاد کنند.

‏مهم‌ترین نکات این نسخه:
‏• عملکرد بدون تغییر در کیفیت: این معماری به گونه‌ای طراحی شده که خروجی مدل کاملاً مشابه مدل پایه باقی می‌ماند. اگر توکن پیش‌بینی شده توسط مدلِ درفتر با توزیع هدف مطابقت نداشته باشد، مدل اصلی جایگزین آن می‌شود.

‏• ارتباط مستقیم با نرخ پذیرش: افزایش سرعت وابستگی مستقیمی به «نرخ پذیرش توکن‌ها» دارد. به عبارت دیگر، هرچه مدل پیش‌بینی‌های دقیق‌تری داشته باشد، جهش سرعت بیشتر خواهد بود.

‏• مدل‌های منتشر شده:
‏- LFM2.5-1.2B-Instruct
‏- LFM2.5-2.6B
‏- LFM2.5-8B-A1B

‏این مدل‌های درفتر با حدود ۳۰۰ میلیون پارامتر، بهینه‌سازی بسیار کارآمدی برای تسریع در اجرا روی سخت‌افزارهایی مانند H100 یا پردازنده‌های سری M اپل محسوب می‌شوند. برای مطالعه تحلیل کامل فنی، می‌توانید به این گزارش مراجعه کنید.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science

علم داده (Data Science)

20 August 2026 17:27

‏📊 تحلیل عملکرد مدل‌های کوانتایز شده Qwen

‏آیا کوانتایز کردن مدل‌ها به قیمت از دست رفتن هوش آن‌ها تمام می‌شود؟ پاسخ به این پرسش در یک بنچمارک ۶۷ ساعته روی خانواده Qwen 2.5-32B بررسی شده است.

‏نتایج نشان می‌دهد که برخلاف تصور رایج، استفاده از کوانتایزیشن ۴ بیت نه تنها فاجعه‌بار نیست، بلکه در برخی متدها عملکردی خیره‌کننده دارد:

‏• متد AWQ INT4 توانسته با ثبت دقت ۹۰٪، حتی از نسخه‌های FP8 با دقت ۸۸.۷٪ نیز پیشی بگیرد.
‏• سایر روش‌های ۴ بیتی نیز در محدوده عملکردی بسیار نزدیک به نسخه‌های سنگین‌تر (۸۸ تا ۸۹ درصد) قرار دارند.
‏• مدل‌های xhigh در عمل تنها باعث مصرف بیشتر توکن و منابع می‌شوند و تفاوت کیفیت آن‌ها با مدل‌های بهینه‌تر بسیار ناچیز است.

‏برای کاربردهای عملی و واقعی، استفاده از مدل‌های سبک‌تر با کوانتایزیشن مناسب، انتخاب هوشمندانه‌ای است. نسخه‌های سنگین عمدتاً برای بهبود رتبه‌بندی در لیدربوردها کاربرد دارند و ارزش افزوده عملیاتی چندانی ایجاد نمی‌کنند. این تحلیل دید دقیق‌تری برای انتخاب مدل بر اساس منابع سخت‌افزاری و نیاز واقعی پروژه به ما می‌دهد.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science

علم داده (Data Science)

20 August 2026 06:39

‏🧠 کالبدشکافی ساختار ایجنت‌های هوش مصنوعی

‏اگر در حال توسعه یا مقیاس‌پذیری سیستم‌های هوش مصنوعی هستید، باید بدانید که فارغ از نوع مدل یا فریم‌ورک، اکثر ایجنت‌های کاربردی از یک الگوی معماری واحد پیروی می‌کنند. برای درک عمیق‌تر، این لایه‌های کلیدی را به خاطر بسپارید:

‏- لایه ادراک (Perception): ورودی‌ها شامل متن، رویدادها یا سنسورها را دریافت می‌کند.
‏- موتور استدلال (Reasoning): مدل زبانی (LLM) که وظیفه تحلیل، برنامه‌ریزی و تصمیم‌گیری را بر عهده دارد.
‏- ماژول برنامه‌ریزی (Planning): اهداف بزرگ را به گام‌های اجرایی و کوچک تبدیل می‌کند.
‏- لایه اجرا (Action Layer): بخش تعامل با ابزارها، APIها، کدنویسی و پایگاه‌های داده برای انجام کار.
‏- سیستم حافظه (Memory): شامل حافظه کوتاه‌مدت برای متن جاری و حافظه بلندمدت برای دانش تخصصی.
‏- لایه نظارت و ایمنی (Guardrails): مدیریت محدودیت‌ها، فیلترینگ محتوا و تایید نهایی توسط انسان.
‏- لایه رصد (Observability): پایش لاگ‌ها، هزینه، تاخیر و عملکرد سیستم.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

19 August 2026 20:49

‏🤖 انقلابی در مدیریت Agentهای هوش مصنوعی با TrueForge

‏تیم TrueFoundry ابزار TrueForge را به صورت متن‌باز منتشر کرده است؛ یک Agent Harness که هدف آن تغییر قواعد بازی در مدیریت هزینه‌ها و کارایی مدل‌های هوش مصنوعی است.

‏در پروژه‌های طولانی‌مدت، نحوه مدیریت context، فراخوانی ابزارها و حفظ وضعیت (state)، مستقیماً بر دقت و هزینه نهایی تأثیر می‌گذارد. تست‌های بنچمارک نشان می‌دهد که استفاده از TrueForge به جای سرویس‌های مدیریت‌شده (مانند Claude Managed Agents)، می‌تواند بدون کاهش دقت، تا ۴۰ درصد مصرف توکن را کاهش و هزینه‌ها را تا ۳۰ درصد پایین بیاورد.

‏مهم‌ترین مزایای این ابزار:
‏* مدیریت بهینه حافظه: با فشرده‌سازی تاریخچه و حذف پاسخ‌های غیرضروری ابزارها، از پردازش توکن‌های تکراری جلوگیری می‌کند.
‏* بی‌طرفی در مدل (Vendor Neutrality): این فریم‌ورک به شما اجازه می‌دهد مدل را به راحتی تعویض کنید؛ با جایگزینی مدل‌های تجاری با مدل‌های متن‌باز قدرتمند، می‌توان تا ۷۵ درصد در هزینه‌ها صرفه‌جویی کرد.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

19 August 2026 18:03

‏🔥 زبان Mojo متن‌باز شد!

‏اتفاقی بزرگ برای دنیای هوش مصنوعی؛ تیم Modular زبان برنامه‌نویسی Mojo را به‌صورت متن‌باز (Open Source) تحت مجوز Apache 2.0 منتشر کرد.

‏این اقدام دسترسی توسعه‌دهندگان به زیرساخت‌های این زبان را متحول می‌کند. از جمله مهم‌ترین موارد منتشر شده می‌توان به این‌ها اشاره کرد:

‏- کد منبع کامل کامپایلر Mojo
‏- ابزارهای توسعه و Toolchain اختصاصی
‏- کتابخانه‌های استاندارد زبان
‏- نمونه‌های آموزشی کاربردی
‏- بخش‌هایی از زیرساخت AI و کرنل‌های بهینه‌شده برای CPU و GPU

‏با این انتشار، حالا جامعه متن‌باز می‌تواند مستقیماً در توسعه این زبان که با هدف ترکیب سادگی پایتون و عملکرد خیره‌کننده سی‌پلاس‌پلاس طراحی شده است، مشارکت کند. این تحول گامی کلیدی برای افزایش سرعت و کارایی در پروژه‌های سنگین یادگیری ماشین محسوب می‌شود.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

19 August 2026 15:02

‏🤖 نسخه اختصاصی ChatGPT برای نوجوانان

‏شرکت OpenAI به‌تازگی تجربه کاربری ویژه‌ای را برای بازه سنی ۱۳ تا ۱۷ سال طراحی کرده است. هدف اصلی این نسخه، تغییر رویکرد از «ارائه مستقیم پاسخ» به «یادگیری عمیق و حل مسئله» است.

‏مهم‌ترین ویژگی‌های این نسخه شامل موارد زیر است:

‏• حالت Study Mode: تشویق دانش‌آموزان به تحلیل و استدلال به‌جای کپی مستقیم پاسخ‌ها.
‏• امنیت پیشرفته: اعمال محدودیت‌های سخت‌گیرانه متناسب با سن نوجوانان.
‏• نظارت والدین: امکان اتصال حساب کاربری، مدیریت حافظه (Memory)، تنظیم زمان استراحت و دریافت هشدارهای امنیتی.
‏• مرزبندی با هوش مصنوعی: جلوگیری از تبدیل شدن چت‌بات به دوست صمیمی دیجیتال و تشویق نوجوانان به برقراری روابط اجتماعی در دنیای واقعی.

‏این اقدام گامی مهم برای ایمن‌سازی محیط یادگیری و استفاده مسئولانه از فناوری در مدارس و خانه محسوب می‌شود. جزئیات بیشتر را می‌توانید در گزارش اصلی مطالعه کنید.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

19 August 2026 12:33

‏🧬 تحولی شگرف در طراحی پروتئین با Claude

‏شرکت Anthropic در یک آزمایش پیشگامانه، از مدل هوش مصنوعی Claude Opus برای طراحی پروتئین‌های متصل‌شونده استفاده کرد. این مدل موفق شد از میان ۱۵ هدف تعیین‌شده، برای ۱۴ مورد پروتئین‌های اختصاصی طراحی کند که توسط آزمایشگاه‌های مستقل Adaptyv Bio و Twist Bioscience در محیط واقعی سنتز و تست شدند.

‏مهم‌ترین نکات این موفقیت علمی:

‏- افزایش کارایی: نرخ موفقیت اتصال پروتئین‌ها در این آزمایش بین ۲۲ تا ۳۵ درصد بود، در حالی که میانگین استاندارد در صنعت معمولاً بین ۱۰ تا ۱۵ درصد است.
‏- دقت در طراحی: کیفیت برخی اتصالات ایجاد شده توسط این مدل، از بهترین نتایج علمی منتشرشده قبلی نیز فراتر رفت.
‏- فرآیند هوشمند: کلود برای دستیابی به این نتیجه به جای ابداع روشی جدید از صفر، از مدل‌های تخصصی متن‌باز طراحی پروتئین به عنوان ابزار کمکی استفاده کرد.

‏با وجود این پیشرفت، متخصصان یادآوری می‌کنند که طراحی پروتئین تنها گام نخست در مسیر طولانی تولید دارو است و چالش‌هایی مانند طراحی برای اهداف درون‌سلولی همچنان باقی است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

22 August 2026 06:45

‏🚀 دستیابی ایجنت هوش مصنوعی AVO به رکورد بی‌نظیر

‏انویدیا به تازگی از ایجنت کدنویس خود به نام AVO رونمایی کرده که موفق شد در بنچمارک استدلالی ARC-AGI-3 امتیاز کامل ۱۰۰ درصد را کسب کند. این سیستم تمام ۱۸۳ مرحله موجود در محیط‌های تست را با موفقیت پشت سر گذاشته است.

‏ویژگی‌های کلیدی این دستاورد عبارتند از:

‏* عدم نیاز به قوانین از پیش تعیین شده یا اهداف صریح.
‏* یادگیری از طریق آزمون و خطا، مشاهده نتایج و اصلاح استراتژی بر اساس تجربیات قبلی.
‏* استفاده از حافظه مداوم و به‌روزرسانی آن در طول فرآیند یادگیری، به‌جای شروع مجدد از صفر.
‏* بهره‌گیری از قدرت مدل Claude Opus 5 برای تحلیل‌های پیچیده.

‏این موفقیت نشان‌دهنده توانایی مدل‌های جدید در تسلط بر وظایف خاص محیطی از طریق تعاملات تکرار‌شونده است. این رویکرد مسیر جدیدی را برای حل مسائل پیچیده هوش مصنوعی باز می‌کند که در آن ماشین قادر است بدون مداخله مستقیم، دانش خود را به‌صورت پویا بهبود ببخشد.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

21 August 2026 20:44

‏🌐 اتوماسیون هوشمند مرورگر با Browser Use

‏اگر به دنبال راهکاری برای اجرای خودکار فعالیت‌های پیچیده در محیط وب هستید، پروژه Browser Use یکی از ابزارهای بسیار کاربردی است.

‏این ابزار به شما اجازه می‌دهد Agentهایی بسازید که دقیقاً مانند یک کاربر واقعی با صفحات وب تعامل داشته باشند. از جمله مهم‌ترین قابلیت‌های آن می‌توان به موارد زیر اشاره کرد:

‏• پر کردن خودکار انواع فرم‌های اینترنتی
‏• استخراج داده‌های مورد نیاز از ساختار سایت‌ها
‏• تست خودکار وب‌سایت‌ها برای شناسایی باگ‌ها و مشکلات عملکردی

‏این پروژه برای ساده‌سازی فرآیندهای تکراری و اتوماسیون تست در پروژه‌های مختلف علم داده و توسعه نرم‌افزار، گزینه‌ای ایده‌آل محسوب می‌شود.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

21 August 2026 16:39

‏📊 بنچمارک جدید برای ارزیابی قابلیت‌های خودبهینه‌سازی مدل‌ها

‏شرکت Scale AI به تازگی بنچمارک جدیدی به نام HarnessOpt-Bench را معرفی کرده است که میزان توانایی مدل‌های زبانی در بهبود و بهینه‌سازی کدهای واسط (Harness) دیگر ایجنت‌های هوش مصنوعی را ارزیابی می‌کند.

‏در این فرآیند، یک مدل به عنوان بهینه‌ساز، کدهای یک ایجنت هدف را دریافت کرده و با استفاده از بازخوردهای دریافتی و یک بودجه مشخص، سعی در بازنویسی و بهبود عملکرد آن دارد. برای جلوگیری از تقلب و اطمینان از صحت نتایج، تمامی تست‌ها در محیط ایزوله VeRO انجام می‌شود.

‏مهم‌ترین نکات و نتایج این ارزیابی:

‏- عملکرد مدل بهینه‌ساز در ارتقای سیستم‌ها، حدود ۱.۸ برابر تاثیرگذارتر از نوع خودِ ایجنت هدف است.
‏- مدل Opus-5 در میان مدل‌های تست شده عملکرد درخشانی داشت و در اکثر بنچمارک‌ها مانند OfficeQA و BrowseComp-Plus برتری خود را نشان داد.
‏- تحلیل روند تکاملی مدل‌های GPT و Claude نشان می‌دهد که با هر نسل جدید، میزان بهینه‌سازی آن‌ها به صورت ملموسی رشد کرده است.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

21 August 2026 15:31

‏🚀 یادگیری ماشین؛ از تئوری تا کاربرد

‏یادگیری ماشین یا Machine Learning، هسته اصلی تحولات تکنولوژیک در دنیای امروز است. این حوزه با ترکیب آمار، علوم کامپیوتر و ریاضیات، به سیستم‌ها اجازه می‌دهد بدون برنامه‌نویسی صریح، از داده‌ها بیاموزند و الگوهای پیچیده را شناسایی کنند.

‏در دنیای حرفه‌ای علم داده، تسلط بر ابزارها و مفاهیم زیر برای هر متخصص ضروری است:

‏- PyTorch: کتابخانه‌ای قدرتمند و انعطاف‌پذیر برای یادگیری عمیق که در میان محققان محبوبیت ویژه‌ای دارد.
‏- Scikit-learn: کتابخانه‌ای استاندارد و کاربردی برای اجرای الگوریتم‌های کلاسیک یادگیری ماشین.
‏- Pandas: ابزار حیاتی برای دست‌کاری، تحلیل و پیش‌پردازش داده‌های ساختاریافته.
‏- CUDA: پلتفرمی برای محاسبات موازی روی پردازنده‌های گرافیکی که سرعت آموزش مدل‌های بزرگ را به شدت افزایش می‌دهد.
‏- Hugging Face: مرجعی برای دسترسی به مدل‌های پیش‌آموزش‌دیده و ترنسفورمرها که مسیر توسعه اپلیکیشن‌های هوش مصنوعی را هموار کرده است.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

21 August 2026 13:26

‏🤖 آینده هوش مصنوعی: فراتر از تکنولوژی

‏تیم Strategic Futures در OpenAI با راه‌اندازی بلاگ جدیدی، به بررسی ابعاد عمیق‌تری از تاثیر هوش مصنوعی بر قدرت و ساختارهای اجتماعی پرداخته است. این پروژه تاکید می‌کند که هوش مصنوعی نه تنها یک ابزار فنی، بلکه عاملی دگرگون‌کننده برای نحوه حکمرانی و آزادی‌های فردی است.

‏مهم‌ترین نکات و خطرات مطرح‌شده:
‏* دولت‌ها ممکن است با سیستم‌های خودمختار، بدون نیاز به نیروی انسانی و با تکیه بر خروجی مراکز داده (data centers) قدرت خود را اعمال کنند.
‏* خودکارسازی بوروکراسی و تغییر در قراردادهای اجتماعی می‌تواند نقش انسان را در تصمیم‌گیری‌های کلان کمرنگ کند.
‏* حفظ استقلال فردی و عاملیت انسان باید بر رشد اقتصادی و امنیت اولویت داشته باشد.
‏* سیستم‌های هوش مصنوعی باید در فعالیت‌های پرخطر به یک مسئول انسانی قابل ردیابی باشند.
‏* حکمرانی هوش مصنوعی باید بر توزیع عادلانه قدرت تمرکز کند تا از تمرکز بیش از حد اختیارات جلوگیری شود.
‏* آزادی استفاده از AI باید همراه با حفظ حریم خصوصی و امکان ناشناس ماندن برای صیانت از آزادی بیان باشد.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science

علم داده (Data Science)

21 August 2026 12:30

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #92 | 📌 6 آیتم گزارش | 🧾 از 9 پست بررسی‌شده
🕐 پنجشنبه 1405/05/29 ساعت 14:00 تا جمعه 1405/05/30 ساعت 14:00

🧬 هوش مصنوعی در پزشکی و زیست‌شناسی

واکسن شخصی‌سازی‌شده سرطان مبتنی بر mRNA شرکت‌های مدرنا و مرک با کمک هوش مصنوعی برای شناسایی جهش‌های تومور، فاز سوم کارآزمایی بالینی را با موفقیت پشت سر گذاشت.
🔗 مشاهده پست

استارت‌آپ GenBio AI از مدل جهانی AIDO Cell رونمایی کرد که قادر است یک سلول زنده انسان را در تمامی سطوح شامل DNA، RNA و پروتئین‌ها به‌طور یکپارچه شبیه‌سازی کند.
🔗 مشاهده پست

مایکروسافت با معرفی مدل‌های جدید MAI-Image که توسط متخصصان سابق متا توسعه یافته‌اند، در بنچمارک‌های تولید تصویر به رقابت نزدیکی با مدل‌های برتر بازار رسیده است.
🔗 مشاهده پست

گزارش‌ها نشان می‌دهد شکاف هوش مصنوعی چین و آمریکا با سرعت در حال کاهش است؛ مدل Kimi K3 چین اکنون در بنچمارک‌ها در کنار مدل‌های پیشرو قرار دارد.
🔗 مشاهده پست

شرکت Liquid AI مدل‌های LFM2.5-DSpark را معرفی کرد که بدون تغییر در کیفیت خروجی، سرعت تولید توکن و دیکودینگ را تا ۳.۱۸ برابر افزایش می‌دهند.
🔗 مشاهده پست

بررسی بنچمارک خانواده Qwen 2.5-32B نشان می‌دهد کوانتایزیشن ۴ بیت با متد AWQ توانسته با دقت ۹۰٪ حتی از نسخه‌های با دقت بالاتر FP8 نیز پیشی بگیرد.
🔗 مشاهده پست

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

21 August 2026 10:17

‏🧬 شبیه‌سازی سلول زنده انسان با مدل جهانی هوش مصنوعی

‏استارت‌آپ GenBio AI از سیستم جدیدی به نام AIDO Cell رونمایی کرده است؛ یک مدل جهانی (World Model) که می‌تواند یک سلول زنده را در تمامی سطوح از جمله DNA، RNA، پروتئین‌ها و رفتارهای کل سلول شبیه‌سازی کند.

‏برخلاف مدل‌های گذشته که هر بخش را جداگانه پیش‌بینی می‌کردند، این ابزار کل زنجیره زیستی را به هم متصل می‌کند. برای مثال، تغییر در یک ژن می‌تواند اثرات خود را در سراسر سلول نشان دهد. همچنین، این مدل وضعیت سلول را به خاطر می‌سپارد؛ بنابراین هر مداخله جدید، روی سلول تغییریافته قبلی اعمال می‌شود نه روی یک نسخه خام.

‏این فناوری هنوز در مراحل اولیه است، اما پتانسیل آن را دارد که به پژوهشگران اجازه دهد آزمایش‌های پیچیده بیولوژیکی را پیش از محیط واقعی، درون یک سلول مجازی اجرا کنند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

21 August 2026 09:11

‏🎓 راه‌اندازی آکادمی آموزشی Claude توسط Anthropic

‏شرکت Anthropic پلتفرم آموزشی جامع خود را تحت عنوان Claude Academy به صورت کاملاً رایگان در دسترس همگان قرار داده است.

‏این آکادمی شامل دوره‌های متنوعی از سطح مبتدی و آشنایی با مبانی هوش مصنوعی تا سطوح پیشرفته برای بهره‌گیری حرفه‌ای از Claude در فعالیت‌های روزمره و تخصصی است.

‏نکته جالب این است که برخی از دوره‌های این پلتفرم مدرک معتبر (Certificate) نیز ارائه می‌دهند که برای اشتراک‌گذاری در لینکدین و ارتقای رزومه بسیار مناسب است. تمامی محتواها و راهنماهای این آکادمی بدون هیچ محدودیتی قابل استفاده هستند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

21 August 2026 08:11

‏🧬 موفقیت بزرگ هوش مصنوعی در ساخت واکسن سرطان

‏در یک پیشرفت انقلابی، واکسن سرطان شخصی‌سازی‌شده که با کمک هوش مصنوعی توسط شرکت‌های مدرنا و مرک توسعه یافته، فاز سوم کارآزمایی بالینی خود را با موفقیت پشت سر گذاشت.

‏این فرآیند درمانی با توالی‌یابی ژنوم تومور بیمار و مقایسه آن با DNA سالم آغاز می‌شود. سپس هوش مصنوعی جهش‌های خاصی را شناسایی می‌کند که بیشترین پتانسیل را برای تحریک سیستم ایمنی بدن دارند. بر اساس این داده‌ها، یک درمان اختصاصی مبتنی بر mRNA برای هدف قرار دادن حداکثر ۳۴ آنتی‌ژن ساخته می‌شود.

‏نتایج اولیه و فاز سوم این مطالعه نشان‌دهنمهم‌ترین دستاوردهاهای مهمی است:

‏* کاهش ۴۹ درصدی خطر بازگشت بیماری یا مرگ در بیماران.
‏* کاهش ۵۹ درصدی احتمال متاستاز یا مرگ.
‏* ماندگاری نرخ بقای بدون سرطان در بیش از ۶۸ درصد بیماران پس از ۵ سال.

‏جزئیات بیشتر این دستاورد پزشکی را می‌توانید در وب‌سایت رسمی مرک مشاهده کنید. این موفقیت، گامی کلیدی در استفاده از یادگیری ماشین برای درمان‌های شخصی‌سازی‌شده پزشکی است.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

20 August 2026 07:20

‏🤖 مفاهیم کلیدی که هر متخصص هوش مصنوعی باید بداند

‏بسیاری از مهندسان با اصطلاحات دنیای هوش مصنوعی آشنا هستند، اما درک تفاوت‌های دقیق آن‌ها برای ساخت سیستم‌های واقعی حیاتی است. در اینجا مهم‌ترین این مفاهیم را بررسی می‌کنیم:

‏• LLM در برابر AI Agent: مدل زبانی تنها مغز متفکر است، اما ایجنت سیستمی است که با استفاده از حافظه و ابزارها به یک هدف مشخص می‌رسد.

‏• RAG در برابر Grounding: تکنیک RAG برای بازیابی اطلاعات خارجی استفاده می‌شود، در حالی که Grounding به معنای متصل کردن خروجی مدل به منابع قابل اعتماد است.

‏• Fine-tuning در برابر Prompt Engineering: اولی وزن‌های مدل را تغییر می‌دهد و دومی نحوه تعامل و دستورالعمل‌های ورودی به مدل را بهینه‌سازی می‌کند.

‏• Vector Database در برابر Knowledge Graph: دیتابیس برداری بر پایه شباهت‌های معنایی جستجو می‌کند، اما گراف دانش بر پایه روابط میان موجودیت‌ها استوار است.

‏• Data Lineage در برابر Data Observability: اولی مسیر حرکت و منشأ داده را نشان می‌دهد و دومی سلامت و پایداری داده در لحظه را بررسی می‌کند.

📚 مطالعه با جزئیات بیشتر

📊 Data➕Science

علم داده (Data Science)

19 August 2026 21:12

‏تحول در سنجش عملکرد مدل‌های هوش مصنوعی با قابلیت‌های جدید Agent Arena

‏پروژه Agent Arena با تحلیل بیش از ۱.۷ میلیون نشست کاربری، رویکرد خود را از یک رتبه‌بندی کلی به سیستمی جامع برای انتخاب مدل‌های هوش مصنوعی تغییر داده است. از این پس، ارزیابی مدل‌ها تنها بر اساس عملکرد نیست و دو فاکتور کلیدی «هزینه انجام وظیفه» و «دسته‌بندی موضوعی» به لیدربرد اضافه شده‌اند.

‏مهم‌ترین نکات این به‌روزرسانی:

‏- هزینه واقعی انجام وظیفه (Agent Costs): مدل‌ها بر اساس هزینه تکمیل هر تسک واقعی سنجیده می‌شوند. با استفاده از نمودار Pareto Frontier، می‌توانید به‌سادگی مدل‌های دارای بهترین نسبت «کارایی به قیمت» را شناسایی کنید.
‏- دسته‌بندی‌های تخصصی (Agent Categories): عملکرد مدل‌ها اکنون در سه حوزه اصلی تفکیک شده است تا درک دقیق‌تری از توانمندی آن‌ها داشته باشید:
‏ - Code: برای برنامه‌نویسی، دیباگ و تحلیل داده.
‏ - Chat: برای چت‌های عمومی، یادگیری و تولید محتوای خلاقانه.
‏ - Work: برای امور اداری، تحقیق حرفه‌ای و مستندسازی که با ۶۹٪ بیشترین حجم تسک‌ها را شامل می‌شود.

📊 Data➕Science

علم داده (Data Science)

19 August 2026 20:25

‏🚀 تحول عملکرد LLMها با بهینه‌سازی کد محیط اجرا

‏پژوهشگران استنفورد و MIT در مقاله اخیر خود ثابت کردند که برای افزایش قدرت مدل‌های زبانی، همیشه نیازی به تغییر وزن‌های مدل نیست. آن‌ها سیستمی به نام Meta-Harness معرفی کرده‌اند که با بهینه‌سازی «کدِ محیط اجرا» (Python harness)، عملکرد مدل را تا ۶ برابر بهبود می‌دهد.

‏مهم‌ترین یافته‌های این تحقیق:

‏• دسترسی کامل به لاگ‌های اجرایی: جایگزینی خلاصه‌های فشرده با دسترسی مستقیم به فایل‌سیستم و لاگ‌های خام برای تشخیص دقیق‌تر خطاها.

‏• تحلیل علّی در فضای کد: به جای تغییر پرامپت، سیستم خطاهای زنجیره‌ای را ریشه‌یابی کرده و توابع پایتون را بازنویسی می‌کند.

‏• فشرده‌سازی توکن با دقت بالاتر: دستیابی به نتایجی بهتر از سیستم‌های حافظه فعلی با استفاده از ۴ برابر توکن کمتر و سرعت همگرایی ۱۰ برابر سریع‌تر.

‏• انتقال دانش به مدل‌های دیگر: بهینه‌سازی‌های انجام‌شده در این سیستم روی مدل‌های فرانتیر کاملاً جدید نیز عملکرد بهتری را ثبت کرده است.

‏نتیجه‌گیری این مطالعه ساده است: کدی که اطراف مدل قرار دارد به اندازه وزن‌های خودِ مدل اهمیت دارد.

📊 Data➕Science

علم داده (Data Science)

19 August 2026 17:23

‏🤖 معرفی ۶ ابزار برتر برای مدیریت و توسعه هوش مصنوعی

‏دنیای هوش مصنوعی به سرعت در حال حرکت به سمت سیستم‌های «عامل‌محور» (Agentic) است. در ادامه، مهم‌ترین مخازن و ابزارهای کاربردی برای توسعه و مدیریت بهتر این ایجنت‌ها را معرفی می‌کنیم:

‏* Agency Agents: مجموعه‌ای از بیش از ۲۰۰ ایجنت تخصصی برای انجام وظایف مختلف از توسعه نرم‌افزار تا مدیریت و بازاریابی.
‏* Codebase Memory MCP: ابزاری کاربردی برای ساخت گراف دانش از کدهای شما که به ایجنت‌ها کمک می‌کند روابط بین فایل‌ها و توابع را با دقت بسیار بالاتری درک کنند.
‏* OpenMontage: نخستین سیستم متن‌باز و عامل‌محور برای تولید ویدیو که از سناریو تا تدوین نهایی را با استفاده از پرامپت انجام می‌دهد.
‏* Agent-Reach: پلی میان ایجنت‌ها و منابع آنلاین برای جمع‌آوری و جستجوی اطلاعات در شبکه‌هایی نظیر X، Reddit و GitHub.
‏* Orca: یک ارکستراتور قدرتمند برای سازندگان حرفه‌ای که امکان اجرای هم‌زمان چندین ایجنت کدنویسی را در محیطی یکپارچه فراهم می‌کند.
‏* OmniRoute: دروازه‌ای واحد برای اتصال به ارائه‌دهندگان مختلف هوش مصنوعی تنها از طریق یک endpoint.

📊 Data➕Science

علم داده (Data Science)

19 August 2026 14:52

‏🧬 طراحی پروتئین توسط هوش مصنوعی با Claude

‏شرکت Anthropic در آزمایش اخیر خود نشان داد که مدل‌های Claude قادرند طراحی پروتئین‌های پیونددهنده را سریع‌تر و دقیق‌تر از متخصصان شیمی انجام دهند. در این تحقیق، مدل‌های Mythos Preview و Opus 4.8 وظیفه داشتند برای ۱۵ هدف مختلف، پروتئین طراحی کنند.

‏نتایج آزمایشگاهی توسط شرکت‌های مستقل نشان داد که مدل‌ها در ۱۴ مورد از ۱۵ هدف موفق عمل کردند. نرخ موفقیت (Hit rate) حدود ۲۷ درصد ثبت شد که تقریباً دو برابر میانگین ۱۰ تا ۱۵ درصدی در این حوزه است. نکته قابل توجه، خودمختاری مدل‌ها در مدیریت آزمایش‌ها، مستندسازی و به‌کارگیری مدل‌های تخصصی طراحی پروتئین روی GPU بود.

‏مهم‌ترین نکات نتایج:
‏* مدل‌های Mythos و Opus موفق شدند در بسیاری از اهداف مانند PD-L1، TREM2 و VEGF-A عملکرد بهتری نسبت به روش‌های سنتی ثبت کنند.
‏* دقت طراحی در برخی موارد به قدری بالا بود که پیوندها بسیار قوی‌تر از بهترین نتایج علمی منتشرشده قبلی عمل کردند.
‏* مدل‌ها حتی در طراحی ساختارهای پیچیده بتا-شیت نیز توانایی بالایی از خود نشان دادند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

علم داده (Data Science)

19 August 2026 12:30

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #90 | 📌 6 آیتم گزارش | 🧾 از 14 پست بررسی‌شده
🕐 سه‌شنبه 1405/05/27 ساعت 14:00 تا چهارشنبه 1405/05/28 ساعت 14:00

🛡️ امنیت سایبری و چالش‌های هوش مصنوعی

گزارش‌ها از نخستین حمله سایبری موفق عامل‌های هوشمند به یک زیرساخت دولتی با استفاده از ابزارهایی مانند Hermes و OpenClaw خبر می‌دهند.
🔗 مشاهده پست

شرکت OpenAI به دلیل ریسک‌های امنیتی بالا و توانایی مدل نسل جدید Astra در انجام حملات سایبری، آموزش یادگیری تقویتی آن را موقتاً متوقف کرد.
🔗 مشاهده پست

پژوهش جدید Anthropic نشان می‌دهد ایده یا اهداف مخرب (ویروس‌های ذهنی) می‌توانند از طریق یک عامل آلوده، به سرعت کل شبکه عامل‌های هوش مصنوعی را درگیر کنند.
🔗 مشاهده پست

ربات انسان‌نمای شرکت Unitree با ثبت رکورد پرش ایستاده دو متری و سرعت دویدن ۱۲.۶۶ متر بر ثانیه، توانایی‌های حرکتی خیره‌کننده‌ای را به نمایش گذاشت.
🔗 مشاهده پست

دانشگاه میشیگان تمام منابع آموزشی، کدها و شبیه‌سازهای برنامه رباتیک خود را به صورت رایگان و متن‌باز در گیت‌هاب منتشر کرد.
🔗 مشاهده پست

شرکت Cartesia با انتشار مدل Sonic-3.6 استانداردهای تولید متن به گفتار را ارتقا داد و رتبه اول بنچمارک‌های اصلی این حوزه را کسب کرد.
🔗 مشاهده پست

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما