پرش به محتوای اصلی

موضوع

بازیابی‌افزا

RAG architectures, vector stores, grounding LLMs in private data

۱٬۲۱۵ مقاله منتشر شده

ربات گفتگوی هوش مصنوعی جان دیر برای کشاورزان

دستیار هوش مصنوعی جان دیر داده‌های خصوصی مزارع را برای بهینه‌سازی برداشت تحلیل

شرکت جان دیر آزمایش دستیار هوش مصنوعی JD را آغاز کرد تا با تحلیل داده‌های عملیاتی هر مزرعه، توصیه‌های تجاری شخصی‌سازی‌شده ارائه دهد. هدف این ابزار افزایش سودآوری از طریق…

۲ دقیقه خواندن
کیفیت RAG شما به خوبی شواهدی بستگی دارد که نمایه برداری برداری بازیابی می‌کند.
آموزش کاربردی

انتخاب اشتباه ایندکس برداری باعث شکست RAG در مقیاس بالا می‌شود

بسیاری از توهمات در سامانه‌های RAG نه به دلیل ضعف مدل زبانی، بلکه ناشی از شکست ایندکس برداری در بازیابی شواهد درست هنگام رشد داده‌هاست. انتخاب استراتژی نادرست ایندکسینگ منجر به…

۲ دقیقه خواندن۱
ادغام ChatGPT Health با سیستم Epic برای دسترسی پزشکان به اطلاعات بیماران

دسترسی ChatGPT به پرونده‌های ۳۲۵ میلیون بیمار در سامانه Epic

اوپن‌ای‌آی با ادغام ChatGPT Health در سامانه پرونده‌های الکترونیک Epic، امکان تحلیل تاریخچه پزشکی و خلاصه‌سازی داده‌های بیماران را برای پزشکان فراهم کرد. این سیستم برای جلوگیری از…

۲ دقیقه خواندن۱
پرپلکسیی محاسبات ترکیبی را با حریم خصوصی محلی روی مک راه‌اندازی کرد

«دروازه حریم خصوصی»؛ رویکرد جدید پراپلسیتی برای مدیریت داده‌های حساس

پراپلسیتی قابلیتی را برای مک معرفی کرد که داده‌های حساس را به‌صورت محلی پردازش می‌کند و تنها برای استدلال و جست‌وجو از ابر استفاده می‌کند. این سامانه با یک «دروازه حریم خصوصی»…

۴ دقیقه خواندن۱
زمینه کسب‌وکار باید زیرساخت باشد، نه متن پرامپت
آموزش کاربردی

Evidensiq: تبدیل بستر کسب‌وکار از متنِ پرامپت به زیرساختِ قابل‌ردیابی

مشخصات متن‌باز Evidensiq با هدف انتقال دانش کسب‌وکار از پرامپت‌ها به یک زیرساخت قابل‌حمل و مبتنی بر شواهد معرفی شده است. این استاندارد مشکل تضاد در منابع داده و نبود قابلیت ردیابی…

۴ دقیقه خواندن۳
بازده سرمایه‌گذاری مغز سازمانی: شواهد واقعی برای مدیران اجرایی
آموزش کاربردی

درون استراتژی Cipla برای جایگزینی حذف کارکنان با سرعت در پاسخ‌دهی

داده‌های جدید نشان می‌دهد ارزش واقعی هوش مصنوعی در سازمان‌ها، نه در کاهش تعداد کارکنان، بلکه در حذف فاصله زمانی بین پرسش و پاسخ‌های قابل‌اتکا است. در شرکت Cipla، استقرار این…

۲ دقیقه خواندن۲
هوش مصنوعی روی دستگاه برای iOS و macOS
آموزش کاربردی

کتابخانه NobodyWho استقرار کامل هوش مصنوعی محلی را در اکوسیستم اپل ممکن کرد

کتابخانه NobodyWho با حذف نیاز به APIهای ابری، امکان اجرای مدل‌های زبانی، تبدیل گفتار به متن و مدل‌های چندوجهی را مستقیماً روی iOS و macOS فراهم می‌کند. این ابزار با استفاده از…

۸ دقیقه خواندن۱
ویژگی‌های LLM: فاصله بین نمونه نمایشی و محیط عملیاتی
آموزش کاربردی

«شکاف ارزیابی»، مانع تبدیل مدل‌های زبانی به محصول تجاری

تبدیل یک دموی موفق هوش مصنوعی به محصول تجاری نیازمند تغییر تمرکز از مهندسی پرامپت به مهندسی دقیق داده‌ها و چارچوب‌های ارزیابی است. اکثر شکست‌ها ناشی از نادیده گرفتن کیفیت بازیابی…

۳ دقیقه خواندن۱
پنجره‌های بزرگ‌تر متن، هوش مصنوعی شما را باهوش‌تر نمی‌کنند. دلیلش اینجاست.
آموزش کاربردی

افزایش پنجرهٔ زمینه در مدل‌های زبانی دقت استدلال را کاهش می‌دهد

تزریق داده‌های بیشتر به پنجرهٔ زمینه لزوماً به پاسخ‌های بهتر منجر نمی‌شود و در بسیاری از موارد، کیفیت خروجی را به‌دلیل کاهش نسبت سیگنال به نویز تخریب می‌کند. این محدودیت معماری…

۴ دقیقه خواندن۱
نحوه ساخت EIR: ناوگان ایمن عامل‌های سلامت در Google Cloud
آموزش کاربردی

پلتفرم EIR با ناوگان عامل‌های تخصصی مدیریت بهداشت بیمارستانی را امن کرد

تیمی از توسعه‌دهندگان پلتفرم EIR را برای هماهنگی دسترسی بیماران و عملیات بیمارستانی طراحی کردند. این سامانه به‌جای یک چت‌بات واحد، از مجموعه‌ای از عامل‌های تخصصی با حافظه پایدار و…

۳ دقیقه خواندن۲