پژوهش
هوش مصنوعی در میلیثانیه: چطور Hugging Face Infinity با CPUهای مدرن زودترین پاسخ را میدهد
مطالعهٔ موردی از سرعت میلیثانیهای مدلهای هوش مصنوعی با استفاده از Hugging Face Infinity و پردازندههای هوشمند. فناوری، عملکرد و راهکارهای جایگزین
مدلها
چگونه GPT‑J ۶ میلیارد پارامتر را بر روی ساجمارک خودکار بهکارگیری کنید
GPT‑J ۶ میلیارد پارامتر را با استفاده از کتابخانه Transformers و پلتفرم Amazon SageMaker بهصورت سریع و مقیاسپذیر بر روی سرورهای خود در دسترس میآوریم. راهنمای گامبهگام و نکات کلیدی را بررسی میکنیم.
پژوهش
هوش مصنوعی در یادگیری فعال: کاربرد AutoNLP و Prodigy برای بهبود مدلها
پیشتردارین یادگیری فعال در هوش مصنوعی، با ترکیب AutoNLP هشدار گرفت. این راهنما نشان میدهد چگونه پارامترهای خود را با Prodigy ساده و سریع بهینه کنید. باز
کسبوکار
همکاری نوین گرافیو و هوش مصنوعی: بررسی ادغام و تأثیر بر جامعه AI
ادغام گرافیو با هاجفِیس، گامی بزرگ برای دسترسی آسانتر به ابزارهای ساخت و استقرار مدلهای هوش مصنوعی، و تقویت جامعه متنباز AI برای پژوهشگران.
آموزش
تجربهٔ هوش مصنوعی با Optimum و IPU Graphcore – راهنمای شروع برای مبتدیان
مقاله حاضر، گامهای اصلی جهت اجرای مدلهای Transformer بر روی IPU Graphcore با Optimum را توضیح میدهد، تا سرعت پیشبینی و کارایی هوش مصنوعی را بهینه کنیم.
پژوهش
سرعتدادن فرآیند تنظیم دقیق PyTorch با فناوریهای آیندل در هوش مصنوعی
بهخاطر استفاده از سرورهای آیندل و کتابخانههای کارایی، فرآیند آموزش مدلهای PyTorch میتواند با طولانیترین زمانهای یادگیری، به سرعت قابل بهبود برسد
پژوهش
همکاری هوش مصنوعی: بهینهسازی XLSR‑Wav2Vec2 برای تشخیص گفتار چندزبانه
آموزش مدل XLSR‑Wav2Vec2 در کممنابع با 🤗 Transformers، شناسایی گفتار را در زبانهای کمتر مستندسازیشده بهبود میبخشد. کاهش نیاز به دادههای برچسبخورده.