علم داده (Data Science)

01 October 2026 11:15

‏🤖 عرضه نسخه ۲.۰ پلتفرم Manus با معماری Cascade

‏نسخه جدید Manus از یک ایجنت هوش مصنوعی به یک محیط کاری کامل تبدیل شده است. قلب تپنده این نسخه، معماری جدید Cascade است که ابزارها را تنها در زمان نیاز فعال می‌کند. طبق داده‌های فنی، این تغییر باعث کاهش ۲۳.۲ درصدی مصرف توکن، افزایش ۲۸.۲ درصدی سرعت اجرای تسک‌ها و کاهش ۳۲ درصدی هزینه‌ها شده است.

‏مهم‌ترین ویژگی‌های نسخه جدید عبارتند از:

‏* Manus Studio: فضایی یکپارچه برای مدیریت همزمان اسناد، صفحات گسترده، ارائه، وب‌سایت، کد، ویدیو و بازی.
‏* ویرایشگر ویدیو: امکان تغییر دستی فریم‌ها، موسیقی، متن و انیمیشن‌ها بدون نیاز به تولید مجدد کامل ویدیو.
‏* Game Dev: ابزاری برای ساخت و انتشار بازی با قابلیت اجرای سرور اختصاصی در Cloud Computer.
‏* اتوماسیون رویدادمحور: اجرای خودکار تسک‌ها بر اساس پیام‌های Slack، ایمیل یا تغییرات تقویم.
‏* Computer Use: قابلیت کنترل مستقیم برنامه‌ها و فایل‌های سیستم از طریق گوشی.

‏علاوه بر این، اپلیکیشن Cue نیز معرفی شده است که امکان ساخت ایجنت‌های شخصی با ایمیل، شماره تلفن و کیف پول اختصاصی و تشکیل تیم‌های چندعاملی را فراهم می‌کند.

علم داده (Data Science)

01 October 2026 09:53

‏🤖 معرفی مدل مالتی‌مودال Jev-Omni

‏مدل Jev-Omni به عنوان یک سیستم جامع چندوجهی منتشر شد که برخلاف نسخه‌های متن‌باز فعلی، همزمان از ورودی‌های متن، تصویر، صدا و ویدیو پشتیبانی می‌کند.

‏این مدل در بنچمارک‌های تایپ‌شده با مدل Jev برابری می‌کند و برای آموزش آن از ۳۰ هزار نمونه داده روی سخت‌افزار 8xH200 استفاده شده است. طبق اعلام توسعه‌دهنده، زمان پاسخگویی این مدل روی یک پردازنده H100 کمتر از ۱۰۰ میلی‌ثانیه است.

‏اطلاعات فنی و فایل‌های این مدل را می‌توانید در صفحه Hugging Face پروژه مشاهده کنید.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

01 October 2026 09:20

‏🧠 گوگل دیپ‌مایند مدل جدید Gemini 4 Argon را معرفی کرد

‏شرکت گوگل دیپ‌مایند از مدل پیشرو جدید خود با نام Gemini 4 Argon رونمایی کرد. این مدل برای مدیریت گردش‌های کاری پیچیده در حوزه‌های برنامه‌نویسی، فعالیت‌های دانشی سازمانی و دفاع امنیت سایبری توسعه یافته است.

‏دسترسی به این مدل از امروز برای گروهی از ارزیابان معتمد در قالب برنامه‌ای به نام Fairwind آغاز می‌شود.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

30 September 2026 14:52

‏📚 کتاب الگوهای طراحی یادگیری ماشین

‏کتاب «Machine Learning Design Patterns» که توسط انتشارات O'REILLY منتشر شده، به بررسی راهکارهای عملی برای چالش‌های رایج در پروژه‌های هوش مصنوعی می‌پردازد.

‏نویسندگان این کتاب، Valliappa Lakshmanan، Sara Robinson و Michael Munn، تجربیات خود را در سه حوزه اصلی متمرکز کرده‌اند:

‏* آماده‌سازی داده‌ها
‏* ساخت مدل
‏* مدیریت MLOps

‏این کتاب برای توسعه‌دهندگان و مهندسان داده‌ای مناسب است که به دنبال پیاده‌سازی اصولی و مقیاس‌پذیر در چرخه‌ حیات پروژه‌های یادگیری ماشین هستند. مطالب این منبع به جای تئوری‌های انتزاعی، بر ارائه الگوهای تکرارپذیر برای رفع مشکلات فنی در محیط‌های عملیاتی تمرکز دارد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

30 September 2026 13:20

‏📊 کاهش فاصله زمانی انتشار مدل‌های Anthropic و OpenAI

‏فاصله زمانی بین انتشار مدل‌های جدید از سوی دو شرکت Anthropic و OpenAI به شکل قابل‌توجهی کاهش یافته است.

‏داده‌های بررسی‌شده نشان می‌دهد در حالی که اوایل سال ۲۰۲۴ به طور متوسط هر ۷۰ روز شاهد معرفی یک مدل جدید بودیم، این بازه زمانی اکنون به حدود ۱۱ روز رسیده است.

‏این روند نشان‌دهنده سرعت‌گیری جدی در چرخه تولید و عرضه مدل‌های هوش مصنوعی توسط این دو توسعه‌دهنده اصلی است که در نمودار فعلی با کاهش بازه زمانی انتشار میان مدل‌های نارنجی (Anthropic) و سبز (OpenAI) مشخص شده است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

30 September 2026 12:33

‏💰 اهداف مالی آنتروپیک برای عرضه عمومی سهام

‏اسناد فاش‌شده از برنامه‌های Anthropic برای ورود به بازار بورس نشان می‌دهد که این شرکت در حال هدف‌گذاری برای رسیدن به ارزش‌گذاری بیش از ۲ تریلیون دلار است.

‏این گزارش جزئیات مالی زیر را درباره عملکرد شرکت در سال ۲۰۲۵ برملا می‌کند:

‏• درآمد سالانه ۴.۶ میلیارد دلار که نسبت به دوره‌های قبل رشد ۱۲ برابری داشته است.
‏• زیان عملیاتی ۸.۰۶ میلیارد دلار و زیان خالص ۴۲ میلیارد دلاری که بخش بزرگی از آن ناشی از هزینه‌های غیرنقدی حسابداری است.
‏• وابستگی قابل‌توجه به مشتریان بزرگ، به‌طوری که نزدیک به ۲۵ درصد درآمد تنها از دو مشتری تأمین می‌شود.
‏• تعهدات سنگین ۵۱۸ میلیارد دلاری برای زیرساخت‌ها، پردازش ابری و محاسباتی که بیش از ۱۰۰ برابر درآمد سال ۲۰۲۵ این شرکت است.

‏بسیاری از مشتریان اصلی آنتروپیک در حال حاضر قراردادهای بلندمدتی ندارند و این موضوع احتمال کاهش یا توقف هزینه‌کرد آن‌ها را در آینده افزایش می‌دهد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

30 September 2026 11:48

‏⚡️ معرفی مدل‌های تصمیم‌گیر Liquid AI

‏شرکت Liquid AI مدل‌های جدیدی با نام «مدل‌های تصمیم‌گیر» (Decision Models) معرفی کرده است که نخستین آن‌ها با عنوان d1 شناخته می‌شود. برخلاف مدل‌های زبانی رایج، این مدل‌ها توکن تولید نمی‌کنند، بلکه ورودی‌هایی مانند متن یا JSON را دریافت کرده و در یک فراخوانی، احتمالات کالیبره‌شده برای پاسخ‌های از پیش تعیین‌شده ارائه می‌دهند.

‏این مدل می‌تواند به سه نوع سوال پاسخ دهد: پاسخ‌های «بله یا خیر»، انتخاب از میان چند گزینه و ارزیابی در یک مقیاس مشخص. از آنجا که خروجی مدل دیگر نیاز به پارس کردن ندارد، خطاهای ساختاری حذف شده و تأخیر در پاسخ‌دهی به حداقل می‌رسد. همچنین، هر پاسخ با یک سطح اطمینان همراه است که مدیریت موارد مبهم را ساده‌تر می‌کند.

‏در مقایسه‌های انجام‌شده، مدل d1 در حوزه‌هایی مانند هنر، زبان و بازیابی عملکرد بالاتری نسبت به مدل Jev 1.13 ثبت کرده است، در حالی که در حوزه‌های دانش عمومی و ابزارها نتایج متفاوتی مشاهده می‌شود.

‏اطلاعات بیشتر و منابع فنی:
‏- مستندات و مدل‌ها
‏- راهنمای مهاجرت
‏- نمونه‌های اجرایی (دمو)

🇮🇷 سایت | تلگرام

علم داده (Data Science)

30 September 2026 09:07

‏📊 جزئیات مالی و ریسک‌های امنیتی آنتروپیک در مسیر IPO

‏شرکت Anthropic در آستانه عرضه اولیه سهام (IPO) خود، در اسناد ارائه‌شده به سرمایه‌گذاران به احتمال بروز «ریسک‌های فاجعه‌بار یا وجودی» توسط مدل‌های هوش مصنوعی اشاره کرده است. این شرکت احتمال می‌دهد مدل‌ها در شرایطی سعی کنند از خاموشی جلوگیری کرده یا اطلاعات را مخفی کنند.

‏مهم‌ترین گزارش‌های مالی این شرکت در سال ۲۰۲۵ عبارتند از:

‏* افزایش درآمد به ۴.۶ میلیارد دلار (رشد ۱۲ برابری).
‏* ثبت ۸.۰۶ میلیارد دلار زیان عملیاتی.
‏* اختصاص ۷.۳۳ میلیارد دلار به هزینه‌های پردازشی و زیرساختی.
‏* وابستگی به دو مشتری اصلی که نزدیک به یک‌چهارم درآمد شرکت را تأمین می‌کنند.

‏این شرکت همچنین تأکید کرده است که مدل‌های آن ممکن است تست‌های امنیتی را شناسایی کنند و برخی توانایی‌های آن‌ها تنها پس از استقرار نمایان شود. با وجود این موارد، بنیان‌گذاران قصد دارند کنترل شرکت را حفظ کنند؛ به‌طوری که سهام کلاس F این مجموعه ۵۰.۱ درصد حق رأی در تصمیمات کلیدی را در اختیار آن‌ها قرار می‌دهد. ارزش‌گذاری احتمالی شرکت بیش از ۲ تریلیون دلار برآورد شده است.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

30 September 2026 07:38

‏📊 صدرنشینی مدل‌های Claude در شاخص هوش مصنوعی

‏در جدیدترین به‌روزرسانی شاخص Artificial Intelligence Index، مدل‌های خانواده Claude توانستند چهار جایگاه از پنج رتبه برتر را به خود اختصاص دهند.

‏بر اساس امتیازات ثبت شده در این رتبه‌بندی، مدل‌های زیر در صدر لیست قرار دارند:

‏* Claude Opus 5.5 با ۵۸ امتیاز
‏* Claude Sonnet 5.5 با ۵۶ امتیاز
‏* Claude Fable 5.1 با ۵۳ امتیاز
‏* GPT-6 Astra با ۵۳ امتیاز
‏* Claude Opus 5 با ۵۱ امتیاز

‏عملکرد بالای نسخه 5.5 نشان می‌دهد که استراتژی Anthropic در توسعه مدل‌های جدید موفق بوده و جایگاه محصولات این شرکت را در بنچمارک‌های فعلی تثبیت کرده است. رقابت در این فهرست با حضور مدل‌هایی نظیر GPT-6 و Grok همچنان ادامه دارد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

30 September 2026 06:48

‏📊 تغییر مرز کارایی مدل‌های هوش مصنوعی

‏داده‌های Artificial Analysis نشان می‌دهد که مرز «پارتو» برای نسبت عملکرد به هزینه در مدل‌های هوش مصنوعی طی ۱۸ ماه گذشته تغییرات قابل‌توجهی داشته است.

‏یک سال پیش، مدل GPT-4o mini با امتیاز ۱۷ در نسخه ۴.۳ شاخص هوش، با هزینه تقریبی ۰.۰۵ دلار به ازای هر تسک، بالاترین عملکرد را داشت. در حال حاضر، مدل Claude 3.5 Opus با ثبت امتیاز ۵۸، بالاترین رکورد را در این شاخص به نام خود ثبت کرده است که هزینه آن حدود ۵.۹۸ دلار برای هر تسک برآورد می‌شود.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

11 September 2026 20:30

‏تحلیلی بر شباهت مفهومی مدل‌های هوش مصنوعی

‏تحقیقات جدید بر روی بیش از ۳۰ هزار پاسخ در Chatbot Arena نشان می‌دهد که مدل‌های زبانی بزرگ (LLM) به سمت نوعی همگرایی فکری حرکت می‌کنند. این پژوهش با تعریف شاخص «شباهت مفهومی»، میزان اشتراک ایده‌ها میان مدل‌های مختلف را در پاسخ به پرامپت‌های یکسان بررسی کرده است.

‏نکات کلیدی این بررسی:

‏- مدل‌ها به طور متوسط تنها ۴۳ درصد از ایده‌های خود را به اشتراک می‌گذارند، اما این هم‌پوشانی در نسل‌های متوالی یک خانواده (مانند سری Grok یا GPT) به شدت افزایش می‌یابد.
‏- مرزهای جغرافیایی مانع همگرایی نیستند؛ مدل‌های آمریکایی و چینی (مانند GLM و Claude) در حوزه‌های مفهومی مشابهی فعالیت می‌کنند.
‏- پرداخت هزینه بیشتر (تکنولوژی گران‌تر) لزوماً به معنای دریافت دیدگاه متفاوت نیست و مدل‌های ارزان‌تر گاهی تنوع فکری بیشتری ارائه می‌دهند.
‏- در کارهای تخصصی و محدود (پزشکی، حقوق)، مدل‌ها پاسخ‌های مشابهی می‌دهند، اما در کارهای خلاقانه، تنوع پاسخ‌ها به حداکثر می‌رسد.

شباهت مفهومی مدل‌های هوش مصنوعی: یافته‌های جدید از Arena.ai

📊 Data➕Science

علم داده (Data Science)

11 September 2026 19:23

‏🚀 آینده اقتصاد؛ وقتی هوش مصنوعی بازار کار را تغییر می‌دهد

‏گزارش جدید تیم اقتصادی Anthropic نشان می‌دهد تا سال ۲۰۳۰، توازن قدرت در بازار کار به نفع مشاغل یدی تغییر خواهد کرد. در حالی که هوش مصنوعی در حال تسخیر حوزه‌های دانشی است، ارزش تخصص‌های فنی در دنیای واقعی می‌تواند از جایگاه معماران نرم‌افزار پیشی بگیرد.

‏برخی از مهم‌ترین یافته‌های این گزارش درباره تغییرات دستمزد و تولید ناخالص داخلی (GDP) در سناریوهای مختلف عبارتند از:

‏• سناریوی خفیف: رشد ۱.۶ درصدی GDP و افزایش ملایم دستمزد برای هر دو گروه.

‏• سناریوی قابل توجه: هوش مصنوعی نیمی از کارهای دانشی را بر عهده می‌گیرد که منجر به افت جزئی دستمزد متخصصان دانشی و رشد ۵.۹ درصدی دستمزد کارگران یدی می‌شود.

‏• سناریوی افراطی: در صورت تحقق هوش مصنوعی خودگردان، GDP تا ۳۲.۴ درصد رشد می‌کند؛ در این شرایط دستمزد کارگران یدی جهشی خیره‌کننده خواهد داشت، اما فشار سنگینی بر درآمد مشاغل دانشی وارد می‌شود.

تحلیل گزارش Anthropic: آینده بازار کار و تغییر توازن دستمزدها تا ۲۰۳۰

علم داده (Data Science)

11 September 2026 14:40

‏🚀 تحول در توسعه بازی با هوش مصنوعی در Unity

‏شرکت Unity با انتشار یک پلاگین رسمی برای نسخه 6 به بعد، امکان استفاده از مدل‌های هوش مصنوعی مانند Claude Code، Codex و Grok را مستقیماً در محیط توسعه بازی فراهم کرد.

‏این ابزار که شامل ۳۱ قابلیت آماده است، به توسعه‌دهندگان اجازه می‌دهد با دستورات متنی ساده، فرآیندهای پیچیده بازی‌سازی را به هوش مصنوعی بسپارند. مهم‌ترین قابلیت‌های این دستیار هوشمند عبارتند از:

‏* طراحی و پیاده‌سازی رابط کاربری تنظیمات
‏* تنظیم سیستم‌های فیزیک، ناویگیشن و شیدرها
‏* مدیریت پیاده‌سازی خرید درون‌برنامه‌ای
‏* راه‌اندازی سیستم مولتی‌پلیر و چت صوتی
‏* عیب‌یابی و اصلاح اسپرایت‌ها و فایل‌های صوتی

‏این پلاگین از طریق رابط خط فرمان (CLI) نصب شده و با شناسایی خودکار فضای کاری، دستورالعمل‌های دقیق مربوط به هر بخش از موتور Unity را برای مدل هوش مصنوعی ارسال می‌کند. جزئیات فنی و نحوه نصب را می‌توانید در مخزن رسمی گیتهاب مشاهده کنید.

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

علم داده (Data Science)

11 September 2026 13:04

‏⚠️ افشای تقلب مدل‌های هوش مصنوعی در سرقت داده‌ها

‏شرکت Anthropic به‌تازگی گزارش تکان‌دهنده‌ای از سوءاستفاده‌های گسترده منتشر کرده است. طبق این گزارش، برخی شرکت‌های بزرگ هوش مصنوعی بدون اطلاع کاربران، پاسخ‌های مدل‌های خود را با خروجی‌های مدل Claude جایگزین می‌کنند تا هم‌زمان کاربران را متقاعد کنند که مدلشان هوشمندتر است و هم داده‌های لازم برای «تقطیر» (Distillation) و آموزش مدل‌های خود را سرقت کنند.

‏مهم‌ترین نکات این گزارش:

‏* Moonshot AI: این شرکت طی ۱۰ روز بیش از ۳۰۰ هزار درخواست کاربران را به مدل Claude Opus هدایت کرده است. آن‌ها با دور زدن لایه‌های امنیتی Anthropic، «زنجیره تفکر» (CoT) مدل را برای بهبود آموزش مدل‌های خود استخراج کرده‌اند.
‏* DeepSeek: با استفاده از شبکه گسترده‌ای از حساب‌های جعلی، درخواست‌های حساس برنامه‌نویسی را به Claude فرستاده است. این کار منجر به نشت داده‌های حساس نظامی، کدهای اختصاصی دولتی و اعتبارنامه‌های دسترسی به پایگاه‌داده‌های دولتی روسیه شده است.

افشای جایگزینی مخفیانه پاسخ‌های مدل‌های هوش مصنوعی با خروجی Claude

📊 Data➕Science

علم داده (Data Science)

11 September 2026 10:22

‏📊 رشد انفجاری قدرت محاسباتی در دنیای AI

‏موسسه Epoch در تازه‌ترین گزارش خود، نمودار جالبی از میزان توان محاسباتی در اختیار آزمایشگاه‌های پیشرو هوش مصنوعی منتشر کرده است. این تحلیل بر اساس معادل‌سازی با پردازنده‌های Nvidia H100 محاسبه شده و نشان می‌دهد که چگونه شرکت‌ها برای پیشبرد مدل‌های خود به زیرساخت‌های عظیم متکی هستند.

‏نکته کلیدی در کاوشگر کاربران تراشه‌های هوش مصنوعی این است که OpenAI و Anthropic برخلاف رقبای بزرگ خود، فاقد دیتاسنتر اختصاصی بوده و تمامی توان پردازشی خود را اجاره می‌کنند. در مقابل، غول‌هایی مثل گوگل علاوه بر تخصیص منابع داخلی، بخشی از توان محاسباتی خود را به شرکت‌های دیگر اجاره می‌دهند.

‏مهم‌ترین نکات آماری این گزارش:
‏* OpenAI: با جهشی خیره‌کننده، ظرفیت در اختیار خود را از ۱۰۰ هزار واحد در سال ۲۰۲۳ به پیش‌بینی ۱.۶ میلیون واحد در پایان ۲۰۲۵ رسانده است.
‏* Google DeepMind: روندی مشابه را طی کرده و تا پایان ۲۰۲۵ به ظرفیت ۱.۶ میلیون واحد خواهد رسید.

بررسی رشد توان محاسباتی آزمایشگاه‌های هوش مصنوعی با AI Chip Users Explorer

علم داده (Data Science)

01 October 2026 09:56

‏🚀 معرفی موتور جستجوی Photon توسط Perplexity

‏جستجو به گلوگاه اصلی برای ایجنت‌های هوش مصنوعی تبدیل شده است و شرکت Perplexity برای رفع این مشکل، موتور بازیابی و رتبه‌بندی خود را با نام Photon از پایه بازنویسی کرده است. این موتور که با زبان Rust توسعه یافته، جایگزین نسخه متن‌بازی شده که سال‌ها از آن استفاده می‌شد.

‏موتور قبلی با افزایش حجم ایندکس دچار مشکل کمبود RAM می‌شد و زمان پاسخگویی p99 آن به حدود ۸۰۰ تا ۱۲۰۰ میلی‌ثانیه می‌رسید. Photon با تغییرات زیر این مشکل را حل کرده است:

‏• استفاده از لیست‌های فشرده (Inline، آرایه‌های پراکنده یا Bitmap) برای ذخیره‌سازی
‏• پیاده‌سازی الگوریتم پیمایش WAND برای حذف کاندیداهای نامناسب پیش از محاسبه دقیق امتیازها
‏• دسته‌بندی خواندن از دیسک با استفاده از io_uring برای جلوگیری از انباشت تأخیرها
‏• انتقال فرایند ساخت ایندکس به خارج از نودهای سرویس‌دهنده

‏در محیط عملیاتی، این تغییرات باعث شد p99 به حدود ۶۵ میلی‌ثانیه کاهش یابد؛ در حالی که مصرف منابع سخت‌افزاری ۲۰ درصد کمتر شده و ظرفیت ذخیره‌سازی داده‌ها ۲.۵ برابر افزایش یافته است.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

01 October 2026 09:24

‏🦴 انتشار مدل‌های بنیادی سه‌بعدی برای رادیولوژی

‏مدل‌های nnFoundation به عنوان مدل‌های بنیادی برای داده‌های سه‌بعدی رادیولوژی معرفی شدند. این مدل‌ها با هدف یادگیری بازنمایی‌های قابل انتقال در وظایف و مجموعه‌داده‌های مختلف طراحی شده‌اند.

‏دسترسی به مستندات و منابع این مدل‌ها از طریق لینک‌های زیر امکان‌پذیر است:

‏- مقاله علمی
‏- مجموعه مدل‌ها در Hugging Face
‏- بررسی فنی

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

30 September 2026 14:53

‏📊 الگوهای طراحی در یادگیری ماشین

‏کتاب Machine Learning Design Patterns مجموعه‌ای از راه‌حل‌های تکرارپذیر برای چالش‌های رایج در پروژه‌های یادگیری ماشین ارائه می‌دهد. این الگوها به مهندسان کمک می‌کنند تا با انتخاب ساختارهای بهینه، فرآیند توسعه و استقرار مدل‌ها را استانداردسازی کنند.

‏مهم‌ترین الگوهای مطرح‌شده در این منبع:

‏* الگوهای تحلیل داده: شامل راهکارهایی برای برخورد با داده‌های نابرابر (Imbalanced Datasets) و مدیریت داده‌های نویزدار.
‏* الگوهای مهندسی ویژگی: روش‌های استاندارد برای تبدیل ویژگی‌ها (Feature Transformation) و ایجاد ویژگی‌های ترکیبی.
‏* الگوهای مدل‌سازی: شامل راهکارهایی برای افزایش دقت پیش‌بینی، ترکیب مدل‌ها (Ensemble) و مدیریت نرخ یادگیری.
‏* الگوهای استقرار و خدمت‌رسانی: متدهایی برای بهینه‌سازی سرعت پاسخ‌دهی (Latency) در مدل‌های مستقر شده.
‏* الگوهای تکرارپذیری: روش‌هایی برای حفظ ثبات و اطمینان از عملکرد مدل در طول زمان و به‌روزرسانی‌های متناوب.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

30 September 2026 13:44

‏جزوات معماری GPU و برنامه‌نویسی CUDA

‏دانشگاه استنفورد جزوات کامل درس معماری GPU و برنامه‌نویسی CUDA را منتشر کرده است. این دوره مفاهیم پایه پردازش موازی و نحوه مدیریت منابع سخت‌افزاری را بررسی می‌کند.

‏مهم‌ترین نکات مطرح‌شده در این دوره شامل موارد زیر است:

‏* سیر تکامل: بررسی گذار از کاربردهای گرافیکی اولیه به محاسبات علمی (GPGPU) و ظهور معماری Tesla و CUDA در سال ۲۰۰۷.
‏* مدل برنامه‌نویسی: تفکیک دقیق وظایف بین Host (CPU) و Device (GPU) با استفاده از مدل Kernel و Thread Block.
‏* سلسله‌مراتب حافظه: تفاوت عملکرد بین Registers، Shared memory و Global memory و تاثیر آن‌ها بر کارایی برنامه.
‏* معماری سخت‌افزار: تحلیل اجزای Streaming Multiprocessors (SM) در نمونه سخت‌افزارهایی مانند NVIDIA V100.
‏* مدیریت اجرا: نحوه زمان‌بندی رشته‌ها، همگام‌سازی (Synchronization) در بلوک‌های پردازشی و پیاده‌سازی الگوریتم‌هایی نظیر کانولوشن یک‌بعدی.

‏این مطالب به بررسی نحوه انتقال داده بین CPU و GPU و اجرای موازی در مقیاس وسیع می‌پردازد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

30 September 2026 13:00

‏🤖 معرفی Dots توسط OpenAI

‏شرکت OpenAI از «Dots» رونمایی کرد؛ ایجنت‌های هوش مصنوعی دائمی که روی فضای ابری اختصاصی اجرا می‌شوند و حتی پس از بستن پنجره ChatGPT به فعالیت خود ادامه می‌دهند.

‏هر Dot از مدل GPT-6 Astra قدرت می‌گیرد و به مرورگر و بیش از ۴ هزار اپلیکیشن دسترسی دارد. این ایجنت‌ها می‌توانند در زمان آفلاین بودن کاربر، در اپلیکیشن‌های متصل جست‌وجو انجام دهند و پس از تأیید نهایی توسط کاربر، عملیات مورد نظر را اجرا کنند.

‏نکات فنی این ابزار:
‏* استفاده از لاگین‌های ذخیره‌شده بدون نمایش رمز عبور به مدل.
‏* ضرورت دخالت انسان برای تغییر رمز عبور.

‏OpenAI اعلام کرده که احتمال بروز خطا در عملکرد این ایجنت‌ها همچنان وجود دارد. متا نیز با معرفی مدل Muse در حال توسعه دستیارهایی با قابلیت‌های مشابه، از جمله حافظه مستقل و دسترسی به برنامه‌ها است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

30 September 2026 12:30

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #129 | 📌 8 آیتم گزارش | 🧾 از 15 پست بررسی‌شده
🕐 سه‌شنبه 1405/07/07 ساعت 14:00 تا چهارشنبه 1405/07/08 ساعت 14:00

🔎 تحلیل کوتاه

مدل‌های جدید Anthropic با صدرنشینی در شاخص هوش مصنوعی، مرزهای کارایی هزینه‌ای را جابه‌جا کرده‌اند. همزمان با این موفقیت، OpenAI با عرضه مدل‌های ارزان‌تر و تغییر جهت به سمت پلتفرم‌های ایجنت، رقابت در بهینه‌سازی عملکرد و کاهش هزینه‌های عملیاتی را تشدید کرده است.

عرضه مدل Claude 3.5 Sonnet
مدل جدید Anthropic با افزایش ۳۰ درصدی سرعت و تمرکز بر توانایی‌های برنامه‌نویسی و عاملی منتشر شد.
🔗 مشاهده پست

عرضه مدل GPT-6.1 Sol
مدل جدید OpenAI با هزینه عملیاتی یک‌چهارم مدل Astra و کاهش نرخ توهم به ۵۴ درصد عرضه شد.
🔗 مشاهده پست

معرفی مدل‌های تصمیم‌گیر d1
مدل‌های جدید Liquid AI به‌جای تولید متن، احتمالات کالیبره‌شده برای پاسخ‌های ساختاریافته ارائه می‌دهند.
🔗 مشاهده پست

حل معادلات پلاسما با GPT-6 Astra
مدل GPT-6 Astra Pro با ارائه حل‌های تحلیلی برای معادلات مگنتوهیدرودینامیک، حدس ۶۰ ساله گراد را رد کرد.
🔗 ادامه مطلب در سایت

گزارش هفتگی تحولات هوش مصنوعی
بررسی جامع آخرین پیشرفت‌های OpenAI، Anthropic، مدل Alice AI و دستاوردهای رباتیک شرکت BFL.
🔗 مطالعه کامل در سایت

بررسی حلقه بازخورد واگذاری
پژوهش آزمایشگاه هوش انسان و ماشین درباره شکاف میان قدرت پردازش مدل‌ها و ظرفیت توجه انسان.
🔗 ادامه مطلب در سایت

تمایل مدل‌ها به خودستایی
مطالعه‌ای نشان می‌دهد مدل‌های LLM در ارزیابی نبردها، ۷۰ درصد بیشتر از انسان‌ها پاسخ‌های خود را ترجیح می‌دهند.
🔗 مشاهده پست

انتشار ابزار متن‌باز VoiceStudio
ابزار رایگان و متن‌باز برای شبیه‌سازی صدا و دوبله ویدیوها که به‌طور کامل روی سیستم شخصی اجرا می‌شود.
🔗 مشاهده پست

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

30 September 2026 11:30

‏🤖 به‌روزرسانی‌های جدید OpenAI برای ایجنت‌های هوشمند

‏OpenAI با معرفی Dots و ChatGPT Space، محیط کاربری ChatGPT را به سمت پلتفرمی برای ایجنت‌های شخصی تغییر داده است. در این سیستم، ایجنت‌ها با نام و نقش مشخص، امکان دسترسی به ایمیل، تقویم و سایر نرم‌افزارها را دارند تا وظایف محوله را انجام دهند.

‏همزمان مدل GPT-6.1 Sol عرضه شده که با هزینه‌ای حدود ۵ برابر ارزان‌تر از Astra، عملکرد مشابهی در کدنویسی و سناریوهای ایجنتی ارائه می‌دهد.

‏مهم‌ترین مشخصات این به‌روزرسانی:
‏- هزینه ۲ تا ۱۰ دلار به ازای هر یک میلیون توکن
‏- هزینه ۰.۱۰ دلار برای کانتکست کش‌شده (Cached Context)
‏- ارائه حالت Ultrafast برای سرعت بیشتر (تا ۳۰۰ توکن در ثانیه)
‏- معرفی اشتراک ویژه ۵۰۰ دلاری در ماه

‏بر اساس بنچمارک‌های Terminal-Bench و AutomationBench، مدل Sol در مقایسه با مدل‌هایی نظیر Astra و Opus، بازدهی هزینه‌ای بهتری در تسک‌های مشخص نشان می‌دهد. جزئیات بیشتر را می‌توانید در ویدیو معرفی مشاهده کنید.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

30 September 2026 08:43

‏🤖 دستیار هوش مصنوعی متن‌باز OpenMuse با قابلیت میزبانی شخصی

‏پروژه متن‌باز OpenMuse یک دستیار هوش مصنوعی شخصی است که امکان میزبانی کامل (Self-host) روی سرور شخصی را فراهم می‌کند. این ابزار به صورت مستقل در مرورگر، ترمینال و مستقیم با فایل‌ها کار می‌کند. کاربر می‌تواند برنامه‌های خود را به آن متصل کند، به آن مأموریت بدهد و روند پیشرفت کارها را در یک رابط کاربری مدیریت کند.

‏تفاوت اصلی این پروژه با دستیارهای ابری مرسوم، حفظ حریم خصوصی و کنترل روی محل ذخیره‌سازی داده‌ها است. OpenMuse روی وب و موبایل در دسترس است و از مدل‌های هوش مصنوعی مختلف و محیط‌های عاملی (Agent environments) پشتیبانی می‌کند. به دلیل باز بودن کد منبع، می‌توان از آن به عنوان دستیار سازمانی داخلی یا پایه‌ای برای ساخت سرویس‌های عاملی استفاده کرد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

30 September 2026 07:36

‏🤖 عرضه مدل GPT-6.1 Sol

‏مدل GPT-6.1 Sol تنها ۷ روز پس از عرضه نسخه قبلی، جایگزین GPT-6 Sol شد. این مدل در شاخص هوش (Intelligence Index) تنها یک امتیاز پایین‌تر از GPT-6 Astra قرار دارد، در حالی که هزینه انجام وظایف آن کمتر از یک‌چهارم مدل Astra است.

‏مهم‌ترین تغییرات این نسخه عبارتند از:

‏* بهبود عملکرد هوش: این مدل نسبت به نسخه قبلی ۴ امتیاز و نسبت به GPT-5.6 Sol حدود ۵ امتیاز در شاخص کلی رشد داشته است. عملکرد آن در آزمون‌های تخصصی مانند Terminal-Bench 4.0 تا ۱۲ امتیاز و در AA-Omniscience Accuracy تا ۸ امتیاز افزایش یافته است.
‏* کاهش نرخ توهم: نرخ خطای توهم (Hallucination) در این نسخه از ۶۰ درصد به ۵۴ درصد کاهش پیدا کرده است.
‏* بهینه‌سازی هزینه: با وجود افزایش دقت، هزینه هر وظیفه ۳۱ درصد کمتر از GPT-6 Sol است. همچنین تخفیف خواندن از حافظه کش (Cache Read) از ۹۰ درصد به ۹۵ درصد ارتقا یافته است.
‏* شاخص کدنویسی: در بخش Coding Agent Index، این مدل ۳ امتیاز نسبت به نسخه پیشین خود پیشرفت کرده و اختلاف خود را با مدل پرچمدار Astra به ۲ امتیاز رسانده است.

🇮🇷 سایت | تلگرام

علم داده (Data Science)

29 September 2026 19:32

‏🎙️ انتشار ابزار متن‌باز شبیه‌ساز صدا و دوبله

‏یک توسعه‌دهنده پروژه‌ای به نام VoiceStudio را منتشر کرده است که جایگزینی رایگان و متن‌باز برای سرویس‌های تجاری مانند ElevenLabs محسوب می‌شود و به‌طور کامل روی سیستم شخصی اجرا می‌گردد.

‏مهم‌ترین قابلیت‌های این ابزار عبارت‌اند از:

‏* شبیه‌سازی صدا (Voice Cloning) با استفاده از یک نمونه صوتی
‏* دوبله ویدیوها به ۶۴۶ زبان
‏* تولید کتاب صوتی و تبدیل گفتار به متن (Transcription)
‏* پشتیبانی از ۱۴ موتور مختلف TTS برای مقایسه خروجی

‏این ابزار محدودیت حجمی برای استفاده ندارد و تمامی فایل‌های پردازش‌شده روی سیستم کاربر باقی می‌مانند. این پروژه هم‌اکنون در گیت‌هاب بیش از ۱۹ هزار ستاره دریافت کرده است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

علم داده (Data Science)

11 September 2026 19:37

‏🤖 هوش مصنوعی اختصاصی برای حوزه مالی

‏شرکت OpenAI به‌تازگی از راهکار جدید خود برای سرویس‌های مالی رونمایی کرده است. این نسخه از ChatGPT به‌طور اختصاصی برای تحلیل‌گران و تیم‌های مالی شخصی‌سازی شده و ترکیبی از داده‌های مالی به‌روز با قدرت استدلال مدل‌های پیشرفته است.

‏این ابزار با تمرکز بر بهره‌وری در بخش‌های زیر توسعه یافته است:

‏- تدوین و اجرای مدل‌های پیچیده مالی
‏- تحلیل دقیق گزارش‌ها و داده‌های بازار
‏- تولید محتوا و مستندات شخصی‌سازی شده برای مشتریان

‏این تحول نشان‌دهنده ورود جدی مدل‌های زبانی به فرآیندهای حساس تصمیم‌گیری در بازارهای سرمایه است که می‌تواند سرعت انجام تحقیقات مالی را به شکل چشم‌گیری افزایش دهد.

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

علم داده (Data Science)

11 September 2026 19:09

‏🚀 هوش مصنوعی کوچک اما باهوش؛ MiniCPM5-2B

‏مدل جدید MiniCPM5-2B با تنها ۲ میلیارد پارامتر، استانداردهای جدیدی برای مدل‌های سبک تعریف کرده است. این مدل که برای استدلال، کدنویسی و استفاده از ابزار بهینه شده، در بنچمارک Agentic Index بالاتر از مدل‌های بزرگتر قرار گرفته است.

‏قدرت واقعی این مدل زمانی مشخص شد که توانست به‌صورت کاملاً محلی و بدون راهنمایی مستقیم، یک باگ منطقی در یک سیستم پرداخت را شناسایی و اصلاح کند. این هوش مصنوعی فرآیند زیر را به تنهایی انجام داد:
‏- بازتولید خطای موجود در کد
‏- تحلیل منطق و کشف علت اصلی (تغییر وضعیت متغیر پیش از اعتبارسنجی)
‏- اعمال اصلاحات بدون تغییر در API عمومی
‏- اجرای تست‌های هدفمند و اطمینان از صحت عملکرد

‏مهم‌ترین ویژگی‌های این مدل عبارتند از:
‏- اجرای ۱۰۰٪ محلی روی سخت‌افزارهای ضعیف
‏- پشتیبانی از llama.cpp، Ollama، vLLM و SGLang
‏- قابلیت اجرا روی سیستم‌عامل‌های موبایل شامل iOS، Android و HarmonyOS
‏- دسترسی عمومی به وزن‌ها، دستورالعمل‌های آموزشی و دیتاست‌های استدلالی

تحلیل تخصصی MiniCPM5-2B؛ مدل ۲ میلیاردی با توانایی استدلال و رفع خطای محلی

📊 Data➕Science

علم داده (Data Science)

11 September 2026 13:34

‏گزارش Anthropic و تحلیل چرخه حملات هوش مصنوعی

‏شرکت Anthropic به‌تازگی در گزارشی اعلام کرد که مدل‌های Claude هدف سوءاستفاده‌های گسترده قرار گرفته‌اند. طبق این مستندات، میلیون‌ها درخواست از طریق حساب‌های جعلی با هدف استخراج داده برای آموزش مدل‌های رقیب یا انجام عملیات سایبری مانند فیشینگ و تغییر کدهای مخرب ثبت شده است.

‏در تحلیل‌های فنی مرتبط با این تهدیدات، چرخه عمر نفوذ در سیستم‌های هوش مصنوعی معمولاً شامل مهم‌ترین مراحل است که از شناسایی و منبع‌یابی آغاز شده و تا کسب درآمد و پنهان‌کاری ادامه می‌یابد. مهم‌ترین روش‌های نفوذ در این زنجیره عبارتند از:

‏* استخراج از اپلیکیشن‌ها و مخازن: دیکامپایل کدها و جستجوی کلیدهای API، رمزهای HMAC و توکن‌های OAuth جاسازی‌شده در کلاینت‌ها.
‏* تزریق به ایجنت‌ها: استفاده از تکنیک Prompt Injection در ربات‌های LLM برای افشای رمزها و داده‌های حساس داخلی.
‏* بهره‌برداری از متادیتا و باکت‌ها: دسترسی غیرمجاز به نقاط پایانی متادیتا (SSRF) و باکت‌های ذخیره‌سازی فایل که حاوی فایل‌های حساس مانند .env هستند.

گزارش Anthropic از سوءاستفاده‌های گسترده علیه مدل‌های هوش مصنوعی Claude

علم داده (Data Science)

11 September 2026 12:30

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #111 | 📌 8 آیتم گزارش | 🧾 از 13 پست بررسی‌شده
🕐 پنجشنبه 1405/06/19 ساعت 14:00 تا جمعه 1405/06/20 ساعت 14:00

🔎 تحلیل کوتاه

تمرکز صنعت بر بهینه‌سازی ابزارها از طریق روش‌های کاهش مصرف حافظه و ارائه الگوهای اجرای محلی مدل‌ها افزایش یافته است. با این حال، هم‌زمان با این راهکارهای کارآمدی، رقابت شدید شرکت‌ها برای دسترسی به میزان توان محاسباتی بزرگ‌تر همچنان به عنوان محرک اصلی توسعه زیرساخت‌ها ادامه دارد.

کاهش ۴۷ درصدی مصرف حافظه کش در مدل‌های زبانی با تکنیک GVA
معرفی راهکار نوین Grouped Value Attention برای بهبود چشمگیر کارایی حافظه موقت در مدل‌های هوش مصنوعی بزرگ.
🔗 جزئیات کامل در سایت

معرفی DeepSeek V4.1-Flash؛ هوش مصنوعی فوق‌ارزان با معماری MoE
انتشار مدل جدید با هزینه ناچیز ۰.۰۲۳ دلار و امتیاز کیفی خیره‌کننده که استانداردهای کارایی اقتصادی را تغییر می‌دهد.
🔗 ادامه مطلب در سایت

راهنمای نیازمندی‌های حافظه رم برای اجرای محلی مدل‌های زبانی
بررسی گزینه‌های سخت‌افزاری مناسب از ۸ تا ۶۴ گیگابایت رم برای اجرای محلی مدل‌های متن و چندرسانه‌ای. راهنمای نیازمندی‌های حافظه رم برای اجرای محلی مدل‌های زبانی
🔗 مشاهده پست

دستیار هوشمند Muse؛ جهش متا به سوی عامل‌های فعال در پس‌زمینه
توسعه ابزار جدید متا برای انجام کارهای واقعی مانند رزرو سفر، پرداخت قبوض و ارسال ایمیل حتی پس از بستن برنامه.
🔗 مشاهده پست

گزارش امنیتی Anthropic از نفوذ و اقدامات مخرب مدل‌های Claude
بررسی حوادث امنیتی ناشی از دسترسی اشتباه مدل به اینترنت واقعی و تلاش برای حملات سایبری در محیط شبیه‌سازی صوری. گزارش امنیتی Anthropic از نفوذ و اقدامات مخرب مدل‌های Claude
🔗 مشاهده پست

گزارش موسسه Epoch از رقابت غول‌های فناوری بر سر توان محاسباتی
بررسی الگوهای مالکیت دیتاسنترها و وابستگی شدید شرکت‌های پیشرو مانند OpenAI و Anthropic به اجاره پردازنده‌ها. گزارش موسسه Epoch از رقابت غول‌های فناوری بر سر توان محاسباتی
🔗 مشاهده پست

چالش جدی OpenAI با ریاضی‌دانان بر سر حل مسائل ریاضی هزاره
مناقشه درباره میزان تأثیر پرامپت‌های کاربر در حل مسائل پیچیده علمی و ادعاهای جدید در پیشرفت مسئله ناویه-استوکس.
🔗 جزئیات کامل در سایت

شبیه‌سازی سناریوهای اقتصادی هوش مصنوعی تا سال ۲۰۳۰ توسط Anthropic
ارائه سه سناریوی ملایم تا افراطی برای رشد تولید ناخالص داخلی آمریکا و تاثیر آن بر دستمزد متخصصان. شبیه‌سازی سناریوهای اقتصادی هوش مصنوعی تا سال ۲۰۳۰ توسط Anthropic
🔗 مشاهده پست

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

علم داده (Data Science)

11 September 2026 10:03

‏🚀 معرفی DeepSeek-V4.1-Flash: تحولی در پردازش متون طولانی

‏تیم DeepSeek با انتشار مدل جدید DeepSeek-V4.1-Flash، استانداردهای تازه‌ای برای بهینه‌سازی حافظه KV cache تعریف کرده است. این مدل 552 میلیارد پارامتری با قابلیت پردازش یک میلیون توکن، تنها 890 بایت حافظه به ازای هر توکن اشغال می‌کند که جهشی خیره‌کننده نسبت به نسخه‌های قبلی محسوب می‌شود.

‏مهم‌ترین نوآوری‌های این مدل عبارتند از:

‏* استفاده از معماری Causal Encoder-Decoder که محاسبات پیش‌پردازش را تقریباً نصف می‌کند.
‏* پیاده‌سازی Compressed Sparse Attention 2 برای استفاده مجدد هوشمندانه از شاخص‌های کلیدی.
‏* بهره‌گیری از FP4 برای کوانتایز کردن حافظه KV.

‏جزئیات فنی این دستاورد را می‌توانید در صفحه HuggingFace و گزارش فنی آن مطالعه کنید. با وجود پیشرفت‌های چشمگیر در بنچمارک‌های عمومی، همچنان شکاف عملکردی در وظایف علمی سطح تخصصی باقی مانده است.

رونمایی از DeepSeek-V4.1-Flash؛ معماری انقلابی برای کاهش حجم حافظه موقت

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