بازگشت به چت هما هما وبلاگ
اخبار زنده هوش مصنوعی
۴۶۴ خبر
پژوهش هوش مصنوعی مسئولانه – Margaret Mitchell دربارهٔ اخلاق، تعصب و تنوع در ML Margaret Mitchell در 23 مارس 2022 دربارهٔ چکیدهٔ مسئولیت‌پرداخت در هوش مصنوعی و تأثیر تنوع در تیم‌های یادگیری ماشین صحبت می‌کند. مقاله شامل نکات اخلاقی، تعصب داده و راهکارهای پیشگیری است. پژوهش هوش مصنوعی برقراری تمامی کد و متن با آموزش متضاد: بهبود عمیق در درک متن و کد OpenAI با الگوریتم یادگیری تضاد، درک بهتر کد و متن را فراهم کرده و عملکرد مدل‌های زبانی و کدگذاری را بهبود می‌بخشد. محصولات Stable‑Baselines3 وارد هاب هگینگ فیس شد: گامی نو در حوزه هوش مصنوعی و یادگیری تقویتی وارد شدن Stable‑Baselines3 به هاب هگینگ فیس، دسترسی آسان‌تر به مدل‌های تقویتی و اشتراک‌گذاری منابع باز را برای طراحان AI فراهم می‌کند. 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. پژوهش جنگ برف‌کیک: اولین محیط ML‑Agents برای یادگیری تقویتی در Unity Hugging Face محیطی در Unity تحت نام Snowball Fight را معرفی کرده که با استفاده از ML‑Agents، امکان آزمایش مدل‌های یادگیری تقویتی در یک بازی ساده است. پژوهش OpenAI با برنامهٔ رزیدنس جدید، مسیر شاغلی هوش مصنوعی را باز می‌کند برنامهٔ رزیدنس OpenAI فرصتی بی‌نظیر برای پژوهشگران جوان هوش مصنوعی است؛ شرکت در تیم‌های پیشرفته، دسترسی به منابع برتر و یادگیری کدنویسی پیشرفته. 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 ابزار هوش مصنوعی برای بررسی داده‌ها: معرفی ابزار اندازه‌گیری داده‌های هوش مصنوعی این مقاله به بررسی ابزار Data Measurements Tool از Hugging Face می‌پردازد که با قابلیت تعاملی، اندازه‌گیری و مقایسه‌ی داده‌های یادگیری ماشین را ساده و سریع‌تر می‌کند، بودن 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