پژوهش
بهروزرسانی در آموزش Stable Diffusion با Dreambooth: راهنمای هوش مصنوعی 2023
در این مقاله، راهنمایی جدید برای آموزش Stable Diffusion با Dreambooth در محیط Diffusers بررسی میشود؛ نکات بهینهسازی، نرخ یادگیری، و تکنیکهای جلوگیری از overfitting را پوشش میدهد.
پژوهش
هوش مصنوعی در حالتهای سرعت: بهینهسازی دقت بالا در BLOOM با Hugging Face
در این گزارش، تیمهای Open Source بهینهسازی سرور پیشبینی مدل BLOOM را انجام دادند؛ عملکرد 5 برابر سریعتر و 50 برابر قدرتمندتر بهدست آمد.
پژوهش
SetFit: راهکار هوش مصنوعی کمنمونه بدون prompts، مخصوص تحلیل احساسات
SetFit یک چارچوب هوش مصنوعی کمنمونه بدون prompts است که با تنها 8 نمونه در هر کلاس، دقتی شبیه به RoBERTa Large روی 3k مثال را به دست میدهد.
پژوهش
نشر ViT از Hugging Face در Vertex AI: راهی سریع و مقیاسپذیر
با استفاده از Vertex AI، مدل ViT را به سرعت و با کد کم روی سرویس Google Cloud منتشر کنید، قابلیت سکیلپذیری، مانیتورینگ و هزینهی بهینهسازی را بهرهمند شوید.
پژوهش
هوش مصنوعی در 8‑بیت: بهینهسازی ماتریسی برای ترنسفورمرهای بزرگ
مقاله حاضر به صورت سادهراهنمایی برای کاربرانی است که در بحث 8‑بیتی بازتاب کردن متن و کاهش مصرف حافظه در ترنسفورمرهای بزرگ علاقهمندند؛ مزایای سرعت و بهبود مصرف را بررسی میکنیم.
محصولات
Skops: فریمورک جدید هاجینگ فیس برای میزبانی مدلهای scikit-learn
کتابخانه Skops را معرفی میکنیم؛ فریمورک جدید هاجینگ فیس برای میزبانی مدلهای scikit-learn که با قابلیت کاربری آسان، مستندسازی مدل، و همکاری تیمی، میتواند نحوهی استفاده از یادگیری ماشین را بهطور کاملاً باز و قابل اطمینان تغییر دهد.
محصولات
استقرار هوش مصنوعی: مدل Vision Transformer پیشرفته در Kubernetes
این مقاله نحوه استقرار مدل Vision Transformer (ViT) با هوش مصنوعی در کلاستر Kubernetes و TensorFlow Serving را بهصورت گام به گام توضیح میدهد.
پژوهش
هوش مصنوعی در عمل: Advantage Actor Critic (A2C) و کاربردهایش
مزیت A2C در هوش مصنوعی: یادگیری تقویتی با کاهش واریانس، بهبود عملکرد رباتیک در PyBullet، آموزش عملی، بهینهسازی مدل و کاهش هزینه اجرا و بازدهی بیشتر.
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.