پژوهش
چگونه با Wav2Vec2-BERT هوش مصنوعی را برای تشخیص صدای کم منابع تقویت کنیم
این مقاله به بررسی فاین‑تیون مدل Wav2Vec2‑BERT برای تشخیص صدای کم‑منابع میپردازد و راهنماییهای عملی برای پیادهسازی در پروژههای واقعی ارائه میدهد.
پژوهش
هوش مصنوعی باز: چرا سال ۲۰۲۳ سال انقلابی در LLMها بود بهصورت کامل
در سال ۲۰۲۳، دنیای مدلهای زبانی بزرگ (LLM) بهدنبال بیسابقهای فرو رفت؛ بازسازی کود، داده، و همکاریهای جامعه باعث فروپاشی موانع دسترسی و پیشرفت سریع در هوش مصنوعی شد.
پژوهش
هوش مصنوعی: خوشگذرینه تخصیص منابع برای fine-tuning Llama 2 70B در پایتورچ
Fine‑tuning مدل Llama‑2 70B را با PyTorch FSDP در هستهٔ هوش مصنوعی هدفگذاری کردهایم. از طریق واریسهای سفارشی، چالشهای سختافزاری و الگوریتمهای تقسیم پارامترها بهصورت دقیق در SLURM، بهحرفهای مدل را آموزش میدهیم.
پژوهش
هوش مصنوعی در عمل: Writer و Hugging Face برای ایجاد مدلهای مولد پیشرفته
مقالهای دربارهی چگونگی استفاده Writer از Hugging Face برای ساخت مدلهای مولد پیشرفته، و همکاری با جامعه متنباز و منابع یادگیری ماشین، علاوه بر این.
پژوهش
بررسی تعصب در مدلهای تولید تصویر از متن؛ چالشها و راهکارها
تعصب در مدلهای تولید تصویر از متن یکی از چالشهای جدی هوش مصنوعی است؛ در این مقاله منابع، روشهای شناسایی و راهکارهای مقابله با آن را بررسی میکنیم.
آموزش
وبلاگ جدید هوش مصنوعی برای چینیها: همکاریمان در دنیای علمی
هَوکفِیفِی با راهاندازی وبلاگ مخصوص فارسیزبانان چینی، مجموعهای از مقالات، دورهها و منابع آموزشی را برای جامعه هوش مصنوعی چینی در دسترس قرار داد و امکان همکاری و یادگیری مشترک را تسهیل میکند.
پژوهش
هوش مصنوعی: راهنمای عملی Proximal Policy Optimization (PPO) در یادگیری تقویتی
دستورات کامل Proximal Policy Optimization (PPO) را معرفی میکنیم، مزایای آن در یادگیری تقویتی، و نحوه پیادهسازی توسط Hugging Face و منابع متنباز.
پژوهش
چگونه مدل 176B پارامتر BLOOM با استفاده از تکنیکهای پیشرفته آموزش یافت
BLOOM، مدل زبان ۱۷۶ میلیارد پارامتر، با ترکیبی از معماری Megatron‑DeepSpeed و تکنیکهای دروازه دادهای، توزیعی و حافظه‑بهینه آموزش یافت؛ دقت و سرعت حداکثری را در محیطهای منابع محدود ارائه میدهد.