پرش به محتوای اصلی

موضوع

هوش لبه

SLMs, on-device inference, mobile AI, AI PCs

۱٬۱۰۱ مقاله منتشر شده

هوش مصنوعی لبه در اپلیکیشن‌های موبایل: نکات کلیدی برای توسعه‌دهندگان
آموزش کاربردی

درون فرآیند فشرده‌سازی مدل‌های هوش مصنوعی برای استقرار در لبه

رایانش لبه با انتقال پردازش از ابر به سخت‌افزار دستگاه، تأخیر را کاهش و حریم خصوصی را افزایش می‌دهد. توسعه‌دهندگان اکنون بر بهینه‌سازی مدل‌ها برای مدیریت منابع محدود موبایل تمرکز…

۲ دقیقه خواندن
لوگوی MAI-Cyber-1-Flash در کنار نام MDASH و مایکروسافت AI

«بهینه‌سازی ۹۰درصدی وظایف امنیتی»؛ دستاورد جدید مدل فشرده مایکروسافت

مایکروسافت مدل فشرده و کد-محور MAI-Cyber-1-Flash را برای مدیریت ۹۰٪ وظایف امنیتی عرضه کرد. این استراتژی هزینه عملیات را نصف کرده و دقت سیستم در شناسایی تهدیدات را افزایش داده است.

۳ دقیقه خواندن۱
مدل آسان‌ترین بخش است: آنچه یک محصول بینایی ماشین واقعی نیاز دارد
آموزش کاربردی

درون چالش‌های مهندسی سخت‌افزاری برای تجاری‌سازی مدل‌های بینایی ماشین

دستیابی به دقت ۹۹٪ در مدل‌های بینایی ماشین تضمین‌کنندهٔ موفقیت محصول نیست. چالش اصلی در مهندسی «حلقهٔ حس‌-تصمیم-عمل» و مدیریت بودجهٔ تأخیر (Latency) در محیط‌های سخت‌افزاری واقعی…

۷ دقیقه خواندن۲
ساخت عامل جستجوی شغل با هوش مصنوعی محلی: بدون ابر، بدون هزینه
آموزش کاربردی

JobRadar: امتیازدهی به ۲۰۰ موقعیت شغلی با هوش مصنوعی محلی روی CPU

ابزار متن‌باز JobRadar با استفاده از مدل‌های زبانی کوچک محلی، جست‌وجوی هشت تخته شغلی را تجمیع و موقعیت‌ها را بر اساس پروفایل کاربر امتیازدهی می‌کند. این ابزار با انتقال پردازش به…

۳ دقیقه خواندن۱