پرش به محتوای اصلی

دسته‌بندی

آموزش کاربردی

راهنماهای گام‌به‌گام، دوره‌ها و آموزش‌های کاربردی استفاده از هوش مصنوعی — از مهندسی پرامپت تا فاین‌تیون و RAG.

۸٬۱۳۷ مقاله منتشر شده

آیزاک ROS ۵ انویدیا: مهارت‌های عاملی و پشتیبانی از ROS Lyrical

انویدیا: افزایش ۵.۵ برابری سرعت پردازش بصری در ربات‌های عامل‌محور

انویدیا با معرفی Isaac ROS 5.0، جریان‌های کاری عامل‌محور و یک سامانه انتقال حافظه بدون وابستگی به سخت‌افزار را معرفی کرد. این به‌روزرسانی سرعت ادراک ربات‌ها را تا ۵.۵ برابر افزایش…

۵ دقیقه خواندن۳
نمودار حلقه بازخورد RSI در آموزش پس‌ازآموزش: سیستمی که قبلاً پیاده‌سازی شده است

«امتیازدهی و بازآموزی»؛ کلید تبدیل مدل‌های پیشرو به عامل‌های عملیاتی

آزمایشگاه‌های پیشرو در AI از حلقه‌های خودبهبودی برای تولید چندین پاسخ، امتیازدهی و بازآموزی مدل‌ها بر اساس بهترین نتایج استفاده می‌کنند. این خط لوله صنعتی، سازوکار اصلی تبدیل…

۱ دقیقه خواندن۲
هفت عامل نام‌دار Agentforce، آزمون آمادگی داده‌ها
آموزش کاربردی

بهره‌وری در برابر تشخیص نقص؛ تغییر کارکرد عامل‌های جدید Salesforce

سِیلزفورس هفت عامل هوش مصنوعی معرفی کرد که بیش از آنکه ابزار بهره‌وری باشند، ابزارهای تشخیص نقص داده هستند. این عامل‌ها شکاف‌های موجود در پایگاه‌های دانش و فرآیندهای داخلی شرکت‌ها…

۴ دقیقه خواندن۲
پایان شمارش درخواست: استدلال برای سهمیه‌بندی مبتنی بر توکن در سرویس‌های LLM
آموزش کاربردی

محدودیت‌های درخواستی در SaaSهای هوش مصنوعی باعث ضرر مالی و اختلال در سرویس

معیارهای سنتی «تعداد درخواست در دقیقه» برای مدل‌های زبانی بزرگ ناکارآمد هستند زیرا تفاوت شدید هزینه توکن‌ها را نادیده می‌گیرند. جایگزینی این مدل با سیستم اعتبار توکن‌محور، از اثر…

۳ دقیقه خواندن
سازمان عامل‌محور: وقتی هوش مصنوعی فرآیندهای کسب‌وکار را مدیریت می‌کند، چه اتفاقی می‌افتد؟
آموزش کاربردی

عامل‌های هوش مصنوعی جایگزین داشبوردها شدند تا به‌جای پاسخ، اجرا کنند

هوش مصنوعی سازمانی از دستیارهای غیرفعال که داده‌ها را خلاصه می‌کنند، به عامل‌های خودمختاری تبدیل شده است که فرآیندهای تجاری را اجرا می‌کنند. این چرخش نیازمند معماری‌های چندعاملی و…

۷ دقیقه خواندن۲
مدل‌های زبانی کوچک تخصصی در عملیات از مدل‌های بزرگ پیشرو پیشی می‌گیرند
آموزش کاربردی

مدل‌های زبانی کوچک در محیط‌های عملیاتی بر مدل‌های پیشرو پیروز شدند

مدل‌های زبانی کوچک (SLM) با کاهش تأخیر و هزینه‌ها، در وظایف تخصصی عملکردی بهتر از مدل‌های غول‌پیکر دارند. شرکت‌ها اکنون به‌جای اجاره‌ی APIهای گران‌قیمت، با تنظیم دقیق مدل‌های…

۹ دقیقه خواندن۱
لوگوی JetBrains Air، سیستم توسعه نرم‌افزار هوشمند مبتنی بر عامل‌های هوش مصنوعی

JetBrains Air؛ سامانه‌ای برای مدیریت و نظارت بر عامل‌های توسعه‌دهنده

جت‌برینز با معرفی JetBrains Air از تمرکز بر محیط توسعه (IDE) فاصله گرفت تا سیستمی باز برای هماهنگی و نظارت بر عامل‌های هوش مصنوعی مختلف ایجاد کند. این پلتفرم شکاف میان بهره‌وری…

۸ دقیقه خواندن۱
ترنسفورمرز اکنون از کوانتیزه‌شده‌های llama.cpp پشتیبانی می‌کند
آموزش کاربردی

چگونه مدل‌های GGUF اکنون از طریق هسته‌های ggml اجرا می‌شوند؟

هگینگ‌فیس پشتیبانی از مدل‌های کوانتیده GGUF را به کتابخانه transformers اضافه کرد. این به‌روزرسانی به توسعه‌دهندگان اجازه می‌دهد مدل‌های بهینه را بدون نیاز به موتورهای خارجی و با…

۱۰ دقیقه خواندن۱
راهنمای گام‌به‌گام ساخت مدل زبانی با استفاده از LLM
آموزش کاربردی

Oxlo.ai: بازبینی خودکار کد با هزینهٔ ثابت و بدون محدودیت توکن

یک راهنمای پیاده‌سازی جدید نشان می‌دهد چگونه می‌توان با استفاده از قیمت‌گذاری ثابت Oxlo.ai، ابزارهای بازبینی کد بسازیم که بدون نگرانی از هزینه‌های توکن، تغییرات حجیم گیت را تحلیل…

۳ دقیقه خواندن۲
چرخه حیات توسعه نرم‌افزار مرد است. زنده باد چرخه حیات توسعه هوش مصنوعی!؟
آموزش کاربردی

مدل AI-DLC اجرای نرم‌افزار را به عامل‌ها سپرد و انسان را ناظر کرد

یک چرخهٔ توسعهٔ نرم‌افزاری بومیِ هوش مصنوعی (AI-DLC) جایگزین اجرای دستی وظایف توسط برنامه‌نویسان شده است. در این مدل، عامل‌های هوش مصنوعی کدنویسی و طراحی را انجام می‌دهند و انسان…

۸ دقیقه خواندن
بهینه‌سازی زمان استنتاج مدل‌های زبانی بزرگ: روش‌ها و راهکارها
آموزش کاربردی

۶ تکنیک کلاینت‌ساید برای کاهش تأخیر استنتاج در مدل‌های زبانی

کاهش زمان پاسخ‌دهی هوش مصنوعی تنها به سخت‌افزار سریع‌تر وابسته نیست، بلکه نیازمند بهینه‌سازی پرامپت‌ها و موازی‌سازی درخواست‌هاست. این استراتژی‌ها با تمرکز بر «زمان تا نخستین…

۴ دقیقه خواندن۲