پرش به محتوای اصلی

موضوع

آموزش توزیع‌شده

روشی برای آموزش مدل‌های هوش مصنوعی با استفاده از چندین پردازنده یا سرور به‌صورت همزمان

۹۰ مقاله منتشر شده

آموزش کاربردی

یادگیری فعال حریم‌خصوصت‌محور مصرف داده‌های IoT را ۹۰٪ کاهش داد

یک چارچوب جدید برای ریزشبکه‌های کشاورزی هوشمند با ترکیب یادگیری فعال و یادگیری فدرال، انتقال داده‌ها را به شدت کاهش داده است. این سامانه بدون نیاز به ارسال داده‌های خام به ابر،…

۹ دقیقه خواندن۱
آموزش کاربردی

موتور ترکیبی هوش مصنوعی دقت پیشنهادات Adobe Commerce را به ۷۴٪ رساند

استراتژی جدید توصیه‌گر در Adobe Commerce با ترکیب داده‌های رفتاری و شباهت محصولات، عملکرد سیستم‌های قاعده‌مند سنتی را به چالش کشیده است. این معماری توزیع‌شده امکان مدیریت نزدیک به…

۶ دقیقه خواندن۱
آموزش کاربردی

JuiceFS ۱.۴: افزایش ۹۳ برابری سرعت حذف فایل در مجموعه‌داده‌های AI

نسخه ۱.۴ ویرایش اجتماعی JuiceFS با حذف گلوگاه‌های عملیاتی در مجموعه‌داده‌های حجیم AI، سرعت حذف فایل‌ها را تا ۹۳ برابر افزایش داد. این به‌روزرسانی از طریق عملیات دسته‌ای متادیتا و…

۹ دقیقه خواندن۲

حذف وابستگی استراتژی به اجرا؛ رویکرد Piper برای ساده‌سازی موازی‌سازی توزیع‌شده

سیستم Piper با جداسازی استراتژی‌های آموزش از پیاده‌سازی زمان اجرا، پیچیدگی‌های موازی‌سازی مدل‌های عظیم را کاهش می‌دهد. این سیستم از یک نمایش میانی (IR) مبتنی بر گراف برای اجرای…

۱ دقیقه خواندن۱

چرا GASLoC در آموزش مدل‌های زبانی بر سخت‌افزارهای ناهمگن از DiLoCo پیشی می‌گیرد؟

پژوهشگران الگوریتم GASLoC را برای پیش‌آموزش غیرمتمرکز مدل‌های زبانی معرفی کرده‌اند که گلوگاه‌های ارتباطی همگام را حذف می‌کند. این چارچوب به‌ویژه در محیط‌هایی با سخت‌افزارهای متنوع…

۱ دقیقه خواندن

ArXiv: کاهش ۲۵.۵ درصدی زمان آموزش مدل‌های چند-GPU با روش Shaping حافظه مشترک

پژوهشگران روشی برای هم‌پوشانی (Overlap) محاسبات و ارتباطات در محیط‌های چند-GPU ابداع کرده‌اند که زمان اجرای کل را تا ۲۵.۵٪ کاهش می‌دهد. این دستاورد بدون تغییر در کتابخانه‌های…

۱ دقیقه خواندن۱