پژوهش
هوش مصنوعی سریعتر؛ Optimum و Pipelineهای Transformers با ONNX
در این مقاله، بررسی میشود چطور با Optimum و ONNX Runtime میتوان اجرای مدلهای Transformer را تسریع کرد؛ تبدیل، بهینهسازی، فشردهسازی و بررسی عملکرد.
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 در همگامی: fastai داکار میشود به هاب Hugging Face برای اشتراکگذاری مدلهای عمیق
fastai حالا میتواند مدلهای خود را با چند خط کد در هاب هافینگ فِی آپلود کند و در جامعهی هوش مصنوعی ماجرای جدیدی آغاز شد؛ امکان اشتراکگذاری مدلهای عمیق را فراهم آورد.
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
مدلها
هوش مصنوعی در مقیاس بزرگ: PyTorch FSDP و Accelerate برای تسریع آموزش مدلهای عظیم
PyTorch FSDP با کتابخانه Accelerate موجب تسریع آموزش مدلهای عظیم میشود؛ بدون تغییر در کد، به راحتی مقیاس معادل Multi‑GPU و یادگیری بهسختافزار دست یابید.
مدلها
کلاسِیشن رأینامهها با هوش مصنوعی در Kili و AutoTrain هوش مصنوعی
Kili و AutoTrain اجازه میدهند رأینامههای متن را طبقهبندی کنید؛ برچسبگذاری سریع، یادگیری ماشین بدون کدنویسی و بروزرسانی مدل برای بهرهوری بالا.
کسبوکار
هوش مصنوعی در صنعت رسانه: دیدگاه مدیر تحقیقات یادگیری ماشین
در این متن به دستاوردهای مدیر تحلیلات یادگیری ماشین هاجینگ فیس پرداخته و توضیح میدهد چگونه پروژههای متنباز هوش مصنوعی بر صنعت رسانه تأثیر میگذارد.
پژوهش
هوش مصنوعی در ابر: راهنمای سریع راهاندازی ترنسفورمرها روی Habana Gaudi
با همکاری Habana Labs و Hugging Face، گامی شگفتانگیز در جهت تسهیل آموزش مدلهای ترنسفورمر بر روی متغیرهای Habana Gaudi برداشته شد. در این آموزش، نکات کلیدی برای راهاندازی و بهرهبرداری سریع و هزینه مؤثر آورده شده است.
پژوهش
هوش مصنوعی در تحول خدمات مشتری: راهنمایی مبتنی بر مدلهای زبانی متنباز
در این مقاله به بررسی گامبهگام استفاده از اکوسیستم Hugging Face برای ایجاد یک سیستم خدمات مشتری هوشمند میپردازیم. میزبان استفاده از مدلهای زبانی، دیتاستهای متنباز و آموزش fine‑tune برای پاسخگویی سریع و دقیق به کاربران است.