اگر هنوز در مورد مفاهیم یادگیری ماشین سردرگم هستی، به نظر می رسد این کتاب یک منبع جامع و عملی برای یادگیری مفاهیم یادگیری ماشین است که به خوانندگان کمک می‌کند تا با استفاده از کتابخانه‌های معروف پایتون مانند Scikit-Learn و TensorFlow، مدل‌های یادگیری ماشین و یادگیری عمیق را بسازند و آموزش دهند.
@computationallinguisticsNLP

اوپن اِی آی اعلام کرده که مدل GPT-4.1 از امروز مستقیماً در ChatGPT در دسترس خواهد بود. این مدل تخصصی برای انجام وظایف کدنویسی و پیروی از دستورالعمل‌ها طراحی شده و به دلیل سرعت بالاتر، جایگزین مناسبی برای مدل‌های o3 و o4-mini در امور روزمره کدنویسی است.

کاربران پلن‌های Plus، Pro و Team می‌توانند از طریق گزینه "More Models" به آن دسترسی داشته باشند، و کاربران Enterprise و Edu نیز طی هفته‌های آینده به این مدل دسترسی خواهند داشت. همچنین، مدل GPT-4.1 mini به جای GPT-4o mini در ChatGPT برای همه کاربران ارائه شده است.

همچنین ارزیابی  Standard Safety این مدل ها نیز در دسترس است: https://openai.com/safety/evaluations-hub/
@computationallinguisticsNLP

این جلسه هم اکنون در حال برگزاری است .

در این گزارش به اهمیت تحلیل داده در صنعت پرداخته شده است که خواندنش خالی از لطف نیست.🙃

تحلیل داده در صنعت تولید به فرآیند جمع‌آوری، پاکسازی، تبدیل و تفسیر داده‌های تولید برای استخراج اطلاعات مفید، شناسایی الگوها و روندها و در نهایت اتخاذ تصمیمات آگاهانه‌تر و بهبود عملکرد کلی کسب‌وکار گفته می‌شود. این داده‌ها می‌توانند از منابع مختلفی مانند حسگرهای ماشین‌آلات، سیستم‌های کنترل کیفیت، سیستم‌های مدیریت زنجیره تامین، سیستم‌های برنامه‌ریزی منابع سازمانی (ERP) و حتی بازخورد مشتریان جمع‌آوری شوند. حجم، سرعت و تنوع این داده‌ها، که اغلب با عنوان "داده‌های بزرگ" در صنعت تولید شناخته می‌شوند، نیازمند استفاده از ابزارها و تکنیک‌های پیشرفته تحلیلی است.
http://shabakeh-mag.com/node/21555
@ComputationallinguisticsNLP

هوش مصنوعی Gemini در عینک واقعیت افزوده گوگل
یکی از کاربردهاش ترجمه همزمان 🙃
@computationallinguisticsNLP

این ویدئو به اشتراک گذاشته شده در صفحه Gemini Live تحت عنوان Project Astra در قالب یک اپلیکیشن اندروید برای برخی کاربران در دسترس قرار گرفته است.

نکته خیلی جالب اینکه Astra حالا توانایی‌هایی عاملی (agentic) داره، یعنی می‌تونه به صورت هوشمند برخی بخش‌های گوشی اندرویدی شما رو کنترل کند. 🙃🙃🤯
@computationallinguisticsNLP

ترجمه زنده گفتگوها در Google Meet رسماً فعال شد.


Live speech translation in Google Meet is here. Speak naturally—your words are translated in near real time while preserving your tone, voice, and expression. Available in English and Spanish, with more languages coming soon. → https://goo.gle/3S4OIuY
@computationallinguisticsNLP

متریک های ارزیابی LLM ها
https://www.confident-ai.com/blog/llm-evaluation-metrics-everything-you-need-for-llm-evaluation

توی این مقاله، متریک های ارزیابی LLM ها بررسی شده است.

Answer Relevancy:
بررسی می‌کنه که آیا جواب مدل با سؤال یا ورودی مربوطه یا نه؛ یعنی جواب درست و جمع‌وجوره یا نه.

Task Completion:
چک می‌کنه که آیا مدل تونسته اون کاری که براش تعریف شده رو تا آخر انجام بده یا نه.

Correctness:
مشخص می‌کنه که خروجی مدل از نظر اطلاعات واقعی درسته یا نه.

Hallucination:
بررسی می‌کنه که مدل اطلاعات ساختگی یا جعلی تولید کرده یا نه.

Tool Correctness:
اگه مدل از ابزارهایی استفاده می‌کنه، این متریک بررسی می‌کنه که آیا ابزار درست رو برای کار مورد نظر انتخاب کرده یا نه.

Contextual Relevancy:
اگه سیستم LLM‌ت بر پایه RAG (Retrieval-Augmented Generation) باشه، این بررسی می‌کنه که آیا اطلاعاتی که به عنوان context جمع‌آوری شده، واقعاً به درد مدل می‌خوره یا نه.

Responsible Metrics:
شامل متریک‌هایی مثل Bias و Toxicity (محتوای سمی یا آزاردهنده) هستن، که بررسی می‌کنن آیا خروجی مدل محتوای آسیب‌زا یا توهین‌آمیز داره یا نه.

Task-Specific Metrics:
اینا بستگی به کاربرد خاص مدل دارن، مثل وقتی که داری خلاصه‌سازی انجام می‌دی و یه سری معیار خاص خودت رو داری.

در کل، بیشتر متریک‌ها عمومی‌ان و برای همه‌ی مدل‌ها کاربرد دارن، ولی برای اینکه دقیق‌تر روی یه کاربرد خاص تمرکز کنی، کافی نیستن. واسه همین معمولاً باید یه متریک سفارشی Task-Specific داشته باشی تا سیستم ارزیابیت واقعاً به درد production بخوره.


@computationallinguisticsNLP

همکاری ماسک و دورف
  هوش مصنوعی Grok که پیش‌تر  در پلتفرم X (توییتر سابق) فعال بود، حالا در تلگرام پریمیوم حضور پیدا کرده و کاربران تلگرام می‌تونن برای اولین بار از این ابزار هوشمند داخل پیام‌رسان محبوبشون استفاده کنن.
این همکاری بزرگ، علاوه بر اینکه تجربه تعامل با هوش مصنوعی رو داخل تلگرام متحول می‌کنه، برای تلگرام هم سود کلانی به همراه داره؛ از جمله ۳۰۰ میلیون دلار نقد و سهام و نصف درآمد اشتراک‌های xAI که از طریق تلگرام فروخته میشه.
@computationallinguisticsNLP

از همگانی های زبانی چامسکی تا همگانی های معنایی در هوش مصنوعی
این پژوهش بسیار جالب و خلاقانه در زمینه هوش مصنوعی، ایده ای را که افلاطون ۲۵۰۰ سال پیش مطرح کرده بود را به بوته آزمایش می گذارد و نشان می دهد که همه مدل های زبانی علیرغم تفاوت در معماری و داده، در نهایت مفاهیم را به شکل مشابهی رمزگذاری می کند.
این مقاله (از دانشگاه کرنل) با استفاده از روش vec2vec، توانستند از روی برادرهای عددی (embeddings)اطلاعات حساسی مثل بیماری های ثبت شده در پرونده های پزشکی یا محتوای ایمیل های خصوصی را بدون دیدن متن اصلی بازیابی کنند.
همچنین نشان می دهد که مدل های هوش مصنوعی همگی به نوعی به یک«زبان جهانی معنا» می رسند و اثبات نظریه افلاطون را رقم می زند.
افلاطون می گفت:
پشت هر چیزی که در دنیا می بینیم، یک «حقیقت جهانی وثابت» وجود دارد که همه ی چیزها فقط سایه های از آن هستند. یعنی معناها و مفاهیم واقعی، مستقل از ظاهر و زبان، در جایی عمیق تر و مشترک وجود دارند.

آنچه که در علم زبانشناسی نوین به عنوان همگانی های زبان مطرح شده، نیز وام دار همین نظریه افلاطون است.
Arxiv.org/pdf/2505.12540
@ComputationallinguisticsNLP

قدم های که در پرامپ های چت جی پی تی باید بردارید اگر میخواهید به نتایجی با ۹۹ درصد دقت برسید.

۱. بافت یا موقعیت رو دقیق واسش توضیح‌بده. توی مثال با رنگهای متفاوت نشان داده شده است.
۲. بهش یه نقش بده.
۳. کاری رو که میخوای انجام بدی یا انتظار داری، واسش ترسیم کن.
۴. ساختار داده به چه شکل باشه، چه جوری باشه
۰۵ و در آخر لحن رو انتخاب کن.
🙃🙃🙃
@computationallinguisticsNLP

کالبدشکافی Attention Mechanism در مدل های Transformer به صورت گام به گام: در واقع در این نوشتار در وب سایت مدیوم، توضیح داده می شود که توکن ها (کلمه ها و Subwords ) به نمایه هایی به اصطلاح Context Aware تبدیل می شوند.

همچنین به این موضوع پرداخته شده است که Similarity Score ها چگونه محاسبه می شوند و چرا Multi-Head Attention به تشخیص Relationship های پیچیده کمک می کند :

https://medium.com/@ali.afkhamiii/attention-deconstructed-b5d33a01cff6
@ComputationallinguisticsNLP

فایروال چیست؟
فایروال یا دیواره آتش ( Firewall ) به نرم‌افزار یا سخت‌افزارهایی گفته می‌شود که از دسترسی به کامپیوترها جلوگیری کرده و ترافیک رد و بدل شده در شبکه را کنترل می‌کند. فایروال در حقیقت یک ابزار امنیتی است که می‌تواند یک برنامه‌ی نرم‌افزاری یا یک دستگاه اختصاصی شبکه باشد.
هدف استفاده از فایروال چیست؟
هدف اصلی فایرول جداسازی یک داده‌ی امن از ناحیه‌ی ناامن و کنترل ارتباطات بین این دو است. فایروال می‌تواند کارهای دیگری نیز انجام دهد اما عمدتاً مسئول کنترل ارتباطات ورودی و خروجی از یک دستگاه به شبکه است.
فایروال‌ها از دسترسی غیر مجاز به شبکه‌ی خصوصی جلوگیری کرده و یک چارچوب امنیتی جامع برای شبکه‌ی شما هستند.
نحوه‌ی عملکرد فایروال
فایروال با استفاده از یک دیوار کد، کامپیوتر شما را از اینترنت جدا می‌کند. فایروال هر داده‌ای که می‌خواهد به کامپیوتر شما وارد شود یا از آن خارج شود را کنترل می‌کند و بررسی می‌کند که آیا اجازه‌ی عبور دارد یا باید مسدود شود؟
فایروال یکی از مهم‌ترین لایه‌های امنیتی شبکه‌های کامپیوتری بوده و عدم استفاده از آن موجب می‌شود تا هکرها به‌راحتی وارد شبکه یا کامپیوتر شخصی شما شده و بدون هیچ محدودیتی خراب‌کاری‌های خود را انجام دهند.
فایروال در حقیقت فیلتری است که داده‎‌ها باید از آن عبور کنند. یک خانه را تصور کنید که افرادی که می‌خواهند به آن وارد شوند یا از آن خروج کنند باید از درب خانه عبور کنند. محل قرارگیری فایروال در درب ورود و خروج داده‌ها از کامپیوتر یعنی (Gateway) است. 
@computatitonallinguistics