پژوهش
هوش مصنوعی: تولید embedding به بردارهای معنایی ساده
در این مقاله، قدم‌های اولیه برای ایجاد و استفاده از embeddings در هوش مصنوعی بررسی می‌شود؛ از دادهٔ ساخت، میزبانی رایگان در هاب، تا یافتن مشابه‌ترین اسناد.
پژوهش
هوش مصنوعی در عمل: چگونگی تبدیل ترانسفورمرها به ONNX با Optimum
با راهنمایی جامع از Hugging Face Optimum، این مقاله به بررسی چگونگی تبدیل مدل‌های ترانسفورمر به فرمت ONNX می‌پردازد؛ نکات کلیدی، مزایا و دستورات عملی را برای پیاده‌سازی سریع و بهینه در محیط‌های تولیدی معرفی می‌کند.
مدل‌ها
ساده‌سازی هوش مصنوعی در سلامت: Sempre Health و برنامه Expert Acceleration
در این مقاله به بررسی چگونگی استفاده از برنامه Expert Acceleration توسط استارتاپ Sempre Health برای تسریع در مسیر یادگیری ماشین می‌پردازیم و تأثیر آن بر کسبوکارهای سلامت را بررسی می‌کنیم.
محصولات
Gradio 3.0 رونمایی شد: تجربه جدید هوش مصنوعی با کارایی بالا
نسخه‌ای دوباره طراحی‌شده از کتابخانهٔ Gradio با سرعت بالاتر و payload کوچک‌تر، فرصت‌های جدیدی برای توسعه‌دهندگان هوش مصنوعی ایجاد می‌کند. در این مقاله، ویژگی‌های کلیدی 3.0 را بررسی می‌کنیم.
پژوهش
هوش مصنوعی سریع‌تر؛ Optimum و Pipelineهای Transformers با ONNX
در این مقاله، بررسی می‌شود چطور با Optimum و ONNX Runtime می‌توان اجرای مدل‌های Transformer را تسریع کرد؛ تبدیل، بهینه‌سازی، فشرده‌سازی و بررسی عملکرد.
پژوهش
هوش مصنوعی: هافینگ فیس جمع‌آوری ۱۰۰ میلیون دلار برای توسعهٔ باز مشارکتی
هستیم، هافینگ فیس با جمع‌آوری ۱۰۰ میلیون دلار سرمایه‌گذاری فاز سی، مسیر هوش مصنوعی را به‌صورت باز و مشارکتی پیش می‌برد. مقاله این اثر و چشم‌اندازها را بررسی می‌کند.
پژوهش
هوش مصنوعی در تحول خدمات مشتری: راهنمایی مبتنی بر مدل‌های زبانی متن‌باز
در این مقاله به بررسی گام‌به‌گام استفاده از اکوسیستم Hugging Face برای ایجاد یک سیستم خدمات مشتری هوشمند می‌پردازیم. میزبان استفاده از مدل‌های زبانی، دیتاست‌های متن‌باز و آموزش fine‑tune برای پاسخ‌گویی سریع و دقیق به کاربران است.
پژوهش
خودآگا به CO2: چگونه Hugging Face Hub به‌دنبال کاهش انتشار گازهای گلخانه‌ای است
در این مقاله، چالش انتشار CO2 در هوش مصنوعی بررسی شده و ابزارهای Hugging Face Hub برای اندازه‌گیری، گزارش‌گیری و کاهش اثرات زیست‌محیطی معرفی می‌شود.
پژوهش
هوش مصنوعی در هلینگ فیس: فلسفه طراحی بدون تکرار و شفافیت
در این مقاله به فلسفه طراحی کتابخانه هوش مصنوعی «Transformers» هلینگ فیس می‌پردازیم؛ اصول DRY، جامعه‌محور بودن و چالش‌های کدکپی در مدل‌های BERT و دیگر شبکه‌ها را بررسی می‌کنیم.
پژوهش
سرعت‌سنجی BERT با AWS Inferentia: راهنمای جامع از هوتینگ فیس
در این مقاله با گام‌های عملی، بررسی می‌کنیم چگونه با استفاده از AWS Inferentia و هوتینگ فیس، مدل BERT را برای تکمیل واضح سرعت ببخشیم و در نتیجه استهلاک و سرورها را به حداکثر برسانیم.