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: معرفی گسترده و رایگان یادگیری تقویت عمیق در هسته و فریم‌ورک‌های متن‌باز
مقالهٔ هاجینگ فیس مروری جامع بر یادگیری تقویت عمیق است؛ مفاهیم پایه، چارچوب RL، سیاست‌ها و ارزش‌ها، و دورهٔ رایگان این حوزه را درآورده؛ راهنمایی برای همه‌گیران
آموزش
هوش مصنوعی در روبات تحویل پیتزا: فاین‌تون یک مدل SemSeg در Hugging Face
در این مقاله، نحوه فاین‌تون کردن مدل Semantic Segmentation SegFormer با دیتاست سفارشی و کاربرد آن برای روبات تحویل پیتزا در Hugging Face را معرفی می‌کنیم.
پژوهش
هوش مصنوعی : چگونه Wav2Vec2 با n‑gram در چارچوب Transformers بهبود می‌یابد
معرفی روش بهبود مدل Wav2Vec2 از طریق ادغام n‑gram در چارچوب 🤗 Transformers، نکات کلیدی، چالش‌ها و نتایج آزمایشی، و راه‌های پیاده‌سازی در پروژه‌های واقعی.
پژوهش
WebGPT: هوش مصنوعی با مرورگر دقیق‌تر و پاسخ‌های حقیقی
OpenAI با WebGPT یک مدل هوش مصنوعی با مرورگر دسترسی به وب را معرفی کرد؛ مدل به‌منظور ارتقای دقت پاسخ‌های تعاملی طراحی شد.
پژوهش
Perceiver IO: هوش مصنوعی چندرشته‌ای که تمام مدیال‌ها را پوشش می‌دهد
پرسِیور ای او، مدل هوش مصنوعی چندرشته‌ای پیشرفته، توانایی تحلیل متن، تصویر، صدا و ویدئو را در یک چارچوب یکپارچه به‌وجود می‌آورد و دسترسی آزاد به آن فراهم می‌کند.
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
اخبار
اسپسی به هاب هاگینگ فیس پیوست؛ گامی نو در اشتراک‌گذاری هوش مصنوعی
کتابخانه محبوب پردازش زبان طبیعی اسپسی به هاب هاگینگ فیس اضافه شد. اکنون پایپلاین‌های خود را با یک دستور آپلود کرده و به اشتراک بگذارید.
اخبار
مقیاس‌پذیری Kubernetes به ۷۵۰۰ گره؛ زیرساخت هوش مصنوعی OpenAI
اوپن‌ای‌آی با مقیاس‌بندی کوبرنیتز به ۷۵۰۰ گره، زیرساختی قدرتمند برای آموزش مدل‌های بزرگ هوش مصنوعی مانند GPT-3 و DALL·E فراهم کرده است.
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.