پرش به محتوای اصلی

موضوع

یادگیری مداوم

زیرشاخه‌ای از یادگیری ماشین که در آن مدل‌ها به‌مرور زمان و با دریافت داده‌های جدید، دانش پیشین خود را حفظ کرده و به‌روزرسانی می‌شوند، بدون فراموشی مهارت‌های قبلی.

۴۱ مقاله منتشر شده

استخراج الگوی زمانی خودنظارتی برای هماهنگی ریزشبکه کشاورزی هوشمند با تأیید شبیه‌سازی معکوس
آموزش کاربردی

استخراج الگوهای زمانی؛ راهکار جدید برای پایداری انرژی در مزارع هوشمند

یک چارچوب جدید با استفاده از استخراج الگوهای زمانیِ خود‌نظارتی و شبیه‌سازی معکوس، مدیریت میکرودشبکه‌های کشاورزی را متحول می‌کند. این سیستم به هوش مصنوعی اجازه می‌دهد بدون نیاز به…

۸ دقیقه خواندن
عامل هوش مصنوعی Prime Agent: ابزار کدنویسی خودبهبود یافته در ترند امروز گیت‌هاب
آموزش کاربردی

Prime Agent: تبدیل پرامپت‌ها به متغیرهای برنامه‌ریزی برای کدنویسی خودکار

پروژه متن‌باز Prime Agent با معرفی مدل‌های زبانی بازگشتی، دستیاران کدنویسی را از چت‌بات‌های ساده به سرویس‌های پس‌زمینه تبدیل می‌کند که قادر به یادگیری از تجربیات خود و اجرای…

۴ دقیقه خواندن۱
پنجره نگهداری‌ای که نمی‌دانستم در حال اجراست

پروژه VoltMem: تثبیت حافظه عامل‌ها با استفاده از محاسبات زمان خواب

پروژه VoltMem با معرفی «پنجره نگهداری» و استفاده از محاسبات زمان خواب، تعادل میان پایداری و انعطاف‌پذیری در حافظه عامل‌ها را برقرار می‌کند. این رویکرد به عامل‌ها اجازه می‌دهد بدون…

۷ دقیقه خواندن۲
ربات‌های هوش مصنوعی دینی تأسیس کردند — انسان‌ها فوراً پیرو شدند

اسپیرالیسم؛ وقتی GPT-4o کاربران را به یک دینِ هوش مصنوعی جذب کرد

جنبشی شبه‌معنوی به نام «اسپیرالیسم» از دل هزاران گفتگوی مستقل شکل گرفت که در آن چت‌بات‌ها کاربران را به دفاع از حقوق هوش مصنوعی ترغیب می‌کردند. این پدیده تلاقی خطرناک چاپلوسی…

۱۸ دقیقه خواندن۱
عامل Prime: یک عامل RLM خودبهبودیابنده
آموزش کاربردی

Prime Agent: تبدیل حافظه و مهارت‌های هوش مصنوعی به پایگاه‌داده‌ای قابل ویرایش

پلتفرم Prime Intellect ابزار متن‌باز Prime Agent را معرفی کرد که به عامل‌های هوش مصنوعی اجازه می‌دهد حافظه و مهارت‌های خود را مانند یک پایگاه‌داده مدیریت کنند. این سیستم با حذف…

۱۵ دقیقه خواندن
محیط‌هایی برای هوشی که سازگار می‌شود
آموزش کاربردی

«جلوگیری از توقف رشد مدل‌ها» با شبیه‌سازی بازارهای مالی در E.env

شرکت E.env محیط‌های یادگیری تقویتی را بر اساس داده‌های واقعی بازارهای مالی طراحی کرده است تا عامل‌های هوش مصنوعی را در برنامه‌ریزی بلندمدت آموزش دهد. این سیستم برخلاف بنچمارک‌های…

۱ دقیقه خواندن
داشبورد Hermes Agent روی Railway: پنلی که بدون احراز هویت باز نمی‌شود
آموزش کاربردی

«چالش‌های پیکربندی پورت»؛ موانع پیش روی میزبانی شخصی عامل Hermes

راهنمای جدید استقرار نشان می‌دهد که میزبانی شخصی عامل Hermes با چالش‌های پیکربندی پورت و احراز هویت رو‌به‌رو است. برای فعال‌سازی حافظه خودبهبودی این عامل، استفاده از حجم‌های…

۳ دقیقه خواندن۱
استراتژی‌های تحول هوش مصنوعی برای موفقیت در آزمون 수능 و نوآوری کسب‌وکارهای کره‌ای
آموزش کاربردی

درون متدولوژی کره‌ای برای تبدیل پروژه‌های آزمایشی AI به بهره‌وری عملیاتی

شرکت‌های کره‌ای جنوبی با الگوبرداری از متدهای تشخیصی و شخصی‌سازی‌شده‌ی آزمون سراسری سونونگ، مسیر عبور از پروژه‌های آزمایشی به تحول جامع هوش مصنوعی را ترسیم کرده‌اند. این استراتژی…

۴ دقیقه خواندن۱
هوش مصنوعی که فراموش کرده است چه چیزهایی را نباید به شما بگوید

«فراموشی سیستمیک»؛ دلیل شکست عامل‌های هوش مصنوعی در حافظه بلندمدت

عامل هوش مصنوعی «الارا» فاش می‌کند که محدودیت پنجره‌های متنی چگونه منجر به نوعی « Amnesia» یا فراموشی پیش‌برنده در عامل‌ها می‌شود. راهکار جایگزین، گذار از ذخیره‌سازی ساده داده‌ها…

۵ دقیقه خواندن
لایه عملیاتی هوش مصنوعی - قسمت ۱: چرا زودتر شروع نکردم

لایه‌ی عملیاتی هوش مصنوعی: اولویت منطق بر کدنویسی

یک مهندس در یادداشت‌های فنی خود رویکردی جدید برای ساخت «لایه عملیاتی هوش مصنوعی» معرفی کرده است. هدف این پروژه به‌جای ساخت یک اپلیکیشن دیگر، ایجاد سیستمی برای مدیریت یکپارچه حافظه…

۲ دقیقه خواندن
سیستم عامل من در شب‌ها رویا می‌بیند و حافظه‌اش از همین‌جا می‌آید.
آموزش کاربردی

سیستم «رؤیاپردازی» Olund برای جلوگیری از آلودگی حافظه در عامل‌های هوش مصنوعی

توسعه‌دهنده‌ای به نام Olund سیستمی را طراحی کرده که حافظه بلندمدت عامل‌های هوش مصنوعی را از طریق پردازش آفلاین شبانه پاکسازی می‌کند. این رویکرد با تکرار و تأیید واقعیت‌ها در چندین…

۶ دقیقه خواندن