اخبار
هوش مصنوعی در Hugging Face: معرفی Sentence Transformers برای جستجوی معنایی
نسخه دوم فریمورک Sentence Transformers با ارائه ۹۰ مدل هوش مصنوعی چندزبانه و ویجتهای جدید، جستجوی معنایی را برای کاربران هاب Hugging Face سادهتر کرد.
محصولات
ترکیب مدلهای Hugging Face با Gradio 2.0؛ دموی هوش مصنوعی ساده شد
با Gradio 2.0 و همافزایی با Hugging Face، ساخت دمو و رابط گرافیکی برای مدلهای هوش مصنوعی بدون نیاز به کدنویسی پیچیده ممکن میشود.
سختافزار
راهنمای بهینهسازی هوش مصنوعی: افزایش کارایی مدل BERT روی CPU
در دنیای هوش مصنوعی، اجرای مدلهای زبانی روی CPU نیازمند بهینهسازی است. این مقاله از Hugging Face روشهای افزایش توان عملیاتی و کاهش تأخیر را بررسی میکند.
اخبار
همکاری استراتژیک آمازون و هافینگ فیس برای سادهسازی هوش مصنوعی
همکاری جدید آمازون و هافینگ فیس، آموزش و استقرار مدلهای پیشرفته هوش مصنوعی را با ساگمیکر سادهتر میکند. مزایای این مشارکت و امکانات آن را بخوانید.
پژوهش
هوش مصنوعی در خواندن متنهای طولانی: معرفی ترنسفورمهای بلنددامنه
در این مقاله از سری خواندنیهای هوش مصنوعی، به معرفی ترنسفورمهای بلنددامنه و راهکارهای کاهش پیچیدگی محاسباتی برای پردازش متنهای طولانی میپردازیم.
مدلها
هوش مصنوعی با RAG و Ray: افزایش سرعت بازیابی متن تا ۲ برابر
با ترکیب RAG و Ray، سرعت بازیابی اسناد در مدلهای زبانی هوش مصنوعی تا ۲ برابر افزایش یافته و مقیاسپذیری تنظیم دقیق توزیعشده نیز بهطور چشمگیری بهبود مییابد.
پژوهش
گرمآغاز کردن مدلهای Encoder-Decoder با هوش مصنوعی؛ راهکاری برای بهبود عملکرد
در این مقاله از وبلاگ هوما، روش گرمآغاز کردن مدلهای زبانی Encoder-Decoder با استفاده از checkpointهای BERT و GPT2 بررسی میشود. این تکنیک در ترجمه ماشینی، خلاصهسازی و سایر وظایف seq2seq عملکرد بهتری به ارمغان میآورد.
مدلها
مدلهای Encoder-Decoder مبتنی بر ترنسفورمر؛ چگونه هوش مصنوعی متن میفهمد؟
در این مقاله به بررسی عمیق معماری ترنسفورمری Encoder-Decoder میپردازیم؛ مدلی که پایهگذار نسل جدید سیستمهای هوش مصنوعی در پردازش زبان طبیعی و تولید محتوا است.
مدلها
بهینهسازی مدلهای زبانی با ماتریسهای اسپارس بلوکی در هوش مصنوعی
آشنایی با pytorch_block_sparse، ابزار جدید Hugging Face برای کاهش حجم و افزایش سرعت مدلهای زبانی با بهرهگیری از ماتریسهای اسپارس بلوکی.