ایستگاه هوش مصنوعی

سلام. تو این قسمت با یکی دیگه از دوستانم به نام محمدعلی صدرایی در خدمتتون هستم و راجع به موارد زیر با هم حرف زدیم.

از سابقه محمدعلی شروع کردیم و سری به دنیای مدل‌های زبانی بزرگ زدیم و کمی هم راجع به زبان و ویژگی‌های اون صحبت کردیم. بعد از اون راجع به کاری که محمدعلی روی زبان تاجیکی انجام داده صحبت کردیم و به مشکلات و سختی‌های ایران در زمینه سخت‌افزاری اشاره کردیم.

همچنین محمدعلی تجربه کار کردن با مدل‌های زبانی و آموزش اونها رو داشته که راجع بهشون گپ زدیم. تاریخچه جالبی هم از مدل‌های زبانی طبیعی تو ذهنش داشت که برام گفت. در نهایت هم کمی راجع به مسیر شغلی در این حوزه و چالش‌های اون صحبت کردیم.

امیدوارم که براتون مفید باشه.

https://aprd.ir/ai-station-e13-sadraei-nlp/

تو قسمت قبل راجع به چند تا از چالش‌هایی که موقع کارکردن با مدل‌های زبانی بزرگ پیش میاد صحبت کردیم. تو این قسمت می‌خوام بخش دوم این چالش‌ها رو بگم.

علت این که دو قسمت صحبت می‌کنم اینه که به اندازه کافی به مزایای LLMها پرداخته شده و خیلی‌ها راجع بهش حرف زدند. شما الان هر شبکه‌ اجتماعی‌ای رو باز کنید، کلی آدم راجع به مزایای این ابزارها صحبت می‌کنند. چیزی که کمتر راجع بهش صحبت می‌شه ضعف‌ها هست. 

همین هم هست که وقتی می‌خوایم با این مدل‌ها محصول بسازیم؛ چون هیچ درکی از ضعف‌هاش نداریم و صرفاً چند تا کلیپ از قسمت خوب ماجرا رو دیدیم، دچار مشکل میشیم. البته OpenAI وظیفه‌اش هست که اغراق کنه و خودش رو خوب نشون بده. ولی من به شخصه تعهدی نسبت به OpenAI ندارم :) 

پس تو این قسمت هم طبق روال قسمت قبل راجع به ضعف‌های مدل‌های زبانی صحبت می‌کنیم و کم‌کم بحث رو جمع می‌کنیم. 

https://aprd.ir/ai-station-e12-llm-limitations-part2

در این قسمت با مهدی آخی راجع به مدل‌های زبانی بزرگ، صحبت کردم. بحث رو از سابقه مهدی شروع کردیم و کم‌کم راجع به کاربردهای مختلف هوش مصنوعی و به خصوص مدل‌های زبانی بزرگ صحبت کردیم و به بیکار شدن آدم‌ها هم رسیدیم. کمی هم راجع به چالش‌های واقعی کار کردن با این مدل‌ها در صنعت صحبت کردیم و نهایتاً هم مهدی پیشنهادهایی برای ساخت مرحله مرحله محصول با این مدل‌ها میده و بحث رو جمع می‌کنیم.

این قسمت بصورت تصویری ضبط شده و در یوتیوب هم آپلود شده. اگر دوست دارید بصورت تصویری مشاهده کنید، می‌تونید از اینجا ببینید.

https://aprd.ir/ai-station-e11-mahdi-akhi-llm/

سلام. من امیر پورمند هستم و این قسمت دهم از ایستگاه هوش مصنوعیه. تو قسمت قبل مدل‌های زبانی بزرگ رو به دانشجویی تشبیه کردم که تازه از دانشگاه فارغ‌التحصیل شده و حالا می‌خواد وارد بازار کار بشه. قطعاً سواد دانشجوی تازه فارغ‌التحصیل شده با نیازهای صنعت متفاوته. 

حالا می‌خوام راجع به این صحبت کنیم که این دانشجوی ما (یا همون مدل‌های زبانی بزرگ) چه ضعف‌هایی داره و چطوری میشه ضعف‌هاش رو برطرف کرد؟

با این که صحبت‌کردن در مورد نقاط ضعف این مدل‌ها سخت‌تره. به نظرم نقاط ضعف خیلی بهتر می‌تونند مسیر رو بهمون نشون بدن که اگر خواستیم مدل‌های زبانی رو تو صنعت خودمون پیاده‌سازی کنیم، باید حواسمون به چه چیزهایی باشه؟ 

اگر خلاصه کنم دوست دارم در این قسمت راجع به این صحبت کنم که چالش‌های این حوزه چیه و چه راه‌حل‌هایی برای برطرف کردن اون چالش‌ها مطرح شده؟ 

https://aprd.ir/ai-station-e10-llm-limitations-part1

سلام. من امیر پورمند هستم و این قسمت نهم از ایستگاه هوش مصنوعیه. تو قسمت‌های قبل راجع به مدل‌های زبانی بزرگ حرف‌هایی زدیم ولی هرگز نگفتم که مدل زبانی چیه و چطوری درست شده. 

تو این قسمت می‌خوام راجع به این صحبت کنم. واقعاً هم نمی‌خوام بحث تئوری کنم. می‌خوام راجع به این‌ها صحبت کنم که وقتی قسمت‌های بعد راجع به نقاط ضعف و محدویت‌های مدل‌های زبانی صحبت کردم، یه ایده‌ای داشته باشید که چرا این نقاط ضعف بوجود اومدند یا حتی اینطوری خودتون می‌تونید راجع به کاربردهای این مدل‌ها تو صنعت خودتون بهتر فکر کنید. 

در واقع این قسمت معرفی مدل‌های زبانی بزرگ بر مبنای یک داستانه. داستان دانش‌آموزی که میره دبستان، خوندن و نوشتن یاد می‌گیره. بعد تو دبیرستان، یک سری مفاهیم رو از بر می‌کنه و تو دانشگاه نحوه تعامل با آدم‌ها رو یاد می‌گیره. 

همچنین قبلاً هم این پست راجع به مدل‌های زبانی نوشتم و بعضی چیزهایی که میگم رو اون‌جا با شکل توضیح دادم. در واقع یک چیز رو با دو بیان مختلف گفتم:

https://aprd.ir/large-language-models-training/

متن این قسمت رو هم می‌تونید در اینجا بصورت کامل ببینید:

https://aprd.ir/ai-station-e09-llm-training/

تو این قسمت می‌خوام راجع به نکاتی در مورد به کاربردن مدل‌های زبانی بزرگ وجود داره، صحبت کنم و تجربیات خودم و مقالات و وبلاگ‌هایی که تو این زمینه خوندم رو می‌گم. 

به نظرم این قسمت، قسمت خاصی هست چون حتی اگر نخواهید بدونید که مدل های زبانی چطوری درست شدند و چه آینده‌ای براشون متصور میشه، می‌تونید این قسمت رو بصورت مستقل گوش بدید. 

کاربردش هم از این نظر هست که هر کسی تو هر شغلی می‌تونه کاربردهایی از مدل‌های زبانی بزرگ برای خودش پیدا کنه و لازمه که بدونه چطوری با مدل‌ها کار کنه که بتونه مناسب‌ترین خروجی رو ازشون بگیره. 

اگر بخوام خلاصه کنم تو این قسمت کلاً راجع به Prompt Engineering صحبت کردم. 

https://aprd.ir/ai-station-e08-prompt-engineering/

بخشی از این خلاصه توسط هوش‌مصنوعی تولید شده است!‌

سلام، من امیر پورمند هستم و در این قسمت از پادکست ایستگاه هوش مصنوعی، قصد دارم درباره کاربردهای مدل‌های زبانی بزرگ مثل چت‌پی‌تی صحبت کنم. 

از دو سال پیش که این مدل‌ها معرفی شدند، هر روز مدت زمانی را با آن‌ها صرف می‌کنم و می‌خواستم تجربه‌ها و افکارم را با شما به اشتراک بگذارم. در این قسمت به بیان تاثیرات این مدل‌ها در زندگی روزمره و کاربردهای مختلف آن‌ها پرداختم.

تو این قسمت به کاربردهایی که این مدل‌ها برای استفاده شخصی و استفاده صنعتی دارند، اشاره کردم و گفتم که چه ایده‌هایی تا به حال حول این ایده‌ها شکل گرفتند یا قراره شکل بگیرند. 

من خودم این قسمت رو به طور خاص خیلی دوست داشتم. امیدوارم شما هم خوشتون بیاد. 

https://aprd.ir/ai-station-e07-llm-applications/

بخشی از این خلاصه توسط هوش مصنوعی تولید شده است!

سلام. من امیر پورمند هستم و در این قسمت از پادکست ایستگاه هوش مصنوعی، راجع به تفاوت‌های یادگیری عمیق و مدل‌های سنتی یادگیری ماشین صحبت کردم. همچنین به این موضوع پرداختم که چگونه یادگیری عمیق می‌تواند مسائل پیچیده و داده‌های حجیم را با کارایی بسیار بالا بررسی و حل کند. در این جلسه، از مثال‌های واقعی مانند مسئله نتفلیکس و استفاده از جی‌پی‌یوها در ترینینگ مدل‌های عمیق گفتم و اینکه چگونه این فناوری‌ امکان پیش‌بینی‌های دقیق‌تری را فراهم آورده‌اند.

https://aprd.ir/ai-station-e06-deep-learning/

این خلاصه توسط هوش مصنوعی تولید شده است!

سلام دوستان، من امیر پورمندم و این قسمت از پادکست ایستگاه هوش مصنوعی رو به نقش و وظایف دیتا ساینتیست‌ها اختصاص دادیم. از نحوۀ کار با داده‌ها و مدل‌ها گرفته تا چالش‌ها و تخصص‌های لازم برای پیش‌بینی و تحلیل داده‌ها در بازار شغلی امروز توضیح دادم. سپس در مورد چگونگی آموزش و توسعۀ مدل‌های هوش مصنوعی صحبت کردیم.

https://aprd.ir/ai-station-e05-data-scientists-job/

این خلاصه توسط هوش مصنوعی تولید شده است!

سلام دوستان، توی این قسمت از پادکست ایستگاه هوش مصنوعی، تمرکز ما روی یادگیری ماشین و ارتباط اون با یادگیری انسانی بود. ابتدا به توضیح مفهوم یادگیری نظارت شده پرداختیم و با مثال‌هایی توضیح دادیم که چگونه یادگیری ماشین تلاش می‌کنه تا به کمک داده‌ها و برچسب‌های مربوط به اونها، توابعی رو یاد بگیره که بتونه پیش‌بینی‌های دقیقی ارائه دهد.

در ادامه، به بحث‌های پیچیده‌تری پرداختیم و مثالی زدیم که در آن، هم با عدم قطعیت‌ها و نویز مواجه هستیم و هم با تعداد بی‌کران توابع ممکن، که هر کدام می‌توانند برای تخمین یک برآورد استفاده شوند. هدف این بحث این بود که نشون دهیم پیدا کردن فرمول یا تابع “کامل” برای حل مشکلات مختلف، همیشه چالش‌برانگیزه و اینکه فرایند آموزش نهایتا به دنبال یافتن بهترین تابعی است که بتواند به شکل موثری پیش‌بینی‌های ما را بهبود ببخشه.

https://aprd.ir/ai-station-e04-what-is-learning/