معرفی You.com : با قابلیت‌هایی بهتر از Gemini, ChatGPT و Midjourney.


- تولید تصویر
- قابلیت جستجو در وب
- تولید محتوا
- کمک کدنویسی
- پشتیبانی از مکالمه چند زبانه


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

🔴 پارس یک، جدیدترین ماهواره ایرانی آماده پرتاب

ماهواره تحقیقاتی-سنجشی پارس۱، ساخت متخصصین پژوهشگاه فضایی ایران به زودی در مدار خورشید آهنگ با ارتفاع ۵۰۰ کیلومتر از سطح زمین قرار خواهد گرفت.

🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

تیم Jolla یک هوش‌مصنوعی معرفی می‌کند
تو حاشیه نمایشگاه MWC تیم Jolla یه باکس عجیب مشکی رنگ رو به بعضی از خبرنگارها نشون دادن و ماجرا اینه که این یه روتر AI با قابلیت کلاد خصوصی هست، ساده‌تر اینکه یک‌جور سرور شخصی هست ولی جای اینکه داخل دیتاسنتر نگه‌داری بشه میتونید توی خونه یا کیف خودتون بذاریدش.
یعنی داده‌ها و اطلاعاتتون پیش خودتون نگه‌داری میشه.
دارن یه مدل متن‌باز «اپن سورس» توسعه میدن مثل LLama متا که روی این دستگاه هم اجرا میشه.
هدف کلی هم اینه که از مزاایای AI استفاده کنیم ولی حریم خصوصی هم داشته باشیم.
باید دید این جعبه سیاه چقدر میتونی کاربردی باشه و در نهایت با چه قیمتی برای فروش گذاشته میشه.
پ.ن. این تیم همون توسعه دهنده معروف سیستم‌عامل سلفیس هستن
https://techcrunch.com/2024/02/27/jolla-mind2/




🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

🔴 لیستی از کتابهای پرفروش حوزه توسعه بیزنس و استارتاپ براتون تهیه کردم که شاید بخواهید تو ایام نوروز مطالعه کنید.

🟢استراتژی اقیانوس آبی، نوشته وی. چان کیم و رنه موبورن

🔴صفر تا یک، نوشته پیتر تیل

🟢نحوه ساختن محصولی که مردم دوست دارند، نوشته اریک ریس

🔴کتاب سیاه کارآفرینی، نوشته نسیم نیکولاس طالب

🟢اصول، نوشته ری دالیو

🔴هوش هیجانی، نوشته دانیل گلمن

🟢روش ساده برای مدیریت زمان، نوشته برایان تریسی

🔴قانون ۸۰/۲۰، نوشته ریچارد کوخ

🟢مردم را چگونه تحت تأثیر قرار دهیم، نوشته دیل کارنگی

🔴از خوب به عالی، نوشته جیمز کالینز

🟢تفکر سیستمی، نوشته دانلا مدوز

🔴تفکر سریع و کند، نوشته دانیل کانمن

🟢هفت عادت افراد موثر، نوشته استیون کاوی

🔴چرا ما خرید می‌کنیم، نوشته پاکو آندرلی

🟢مدیریت یک دقیقه‌ای، نوشته کن بلانچارد و اسپنسر جانسون

🔴استارتاپ خود را بسازید، نوشته کریس گیلیبو

🟢مدیریت با قلب، نوشته تام پیترز

🔴مدیریت محصول، نوشته مارتین اریکسون

🟢مدیریت پروژه، نوشته هارولد کرزنر

🔴مدیریت تغییر، نوشته جان کاتر

👍 امیدوارم براتون مفید باشه. کتاب خوب تو این حوزه می‌شناسید معرفی کنید.


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

سلام دوستان، اگر در موضوعات زیر تخصص و تجربه دارید برای همکاری پیام بدین.
@fazel_shahcheragh

1️⃣ اکتشاف پتانسیل های معدنی با استفاده از تصاویر ماهواره ای(ENVI وGEE)

2️⃣ آماده سازی داده های مکانی و GIS READY

3️⃣ پیاده سازی WEBGIS با استانداردهایOGC

4️⃣ اجرا و توسعه هوش مصنوعی ( تیونینگ )


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

«پارس ۲» تا ۱۴۰۳ آماده پرتاب می‌شود

رئیس سازمان فضایی ایران:
🔹️ماهواره «پارس ۱» برای تزریق به مدار ۵۰۰ کیلومتری امروز از پایگاه وستوچنی روسیه پرتاب شد.
🔹️این ماهواره با ماهواره‌بر سایوز با ۱۸ محموله پرتاب شد.
🔹️در ساعت ۱۴ اولین ارتباط را با آن خواهیم داشت.
🔹️قرار است در مدت ۳ سال ماموریت تصویربرداری از اراضی ایران را انجام دهد.
🔹️قرارداد ما محرمانه است.
🔹️ماهواره پارس ۲ در اواخر سال آینده یا ابتدی ۱۴۰۴ آماده پرتاب می‌شود.
🔹️این ماهواره با دقت ۸ متر رنگی و ۴ متر سیاه و سفید است./ایسنا


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

اپل و پیشنهاد خرید تسلا
سال ۲۰۱۵ تسلا در آستانه ورشکستگی بود و داشت مدل۳ رو توسعه میداد، ایلان ماسک با تیم کوک تماس میگیره و پیشنهاد میده اپل تسلا رو بخره، ولی کوک این جلسه رو رد میکنه.
چند ماه بعد تیم کوک با ایلان ماسک تماس میگیره تا در مورد خرید تسلا صحبت کنن.
شایعات میگه یکی از شرط‌های ایلان ماسک این بوده که مدیرعامل اپل بشه، البته هنوز در حد شایعات هست. نهایتا اپل تصمیم میگیره جای خرید تسلا و یکپارچه‌سازیش با اپل روی پروژه ساخت خودرو «تایتان» کار کنه، پروژه‌ی ۱۰ میلیارد دلاری که چند روز پیش اپل کنارش گذاشت.
اینه که میگن عدم خرید تسلا توسط اپل تو سال ۲۰۱۵ یکی از بزرگترین اشتباهاتی بود که این شرکت انجام داد،. ارزش هر سهم تسلا از ۲۰۱۵ با قیمت ۱۵ دلار امروز به ۱۸۸ دلار میرسه.
firstpost

🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

گوگل در ۲ بیلیون خط کد نوشته شده است که در یک ریپازیتوری نگهداری می شوند یکی از اعضای گوگل به نام RACHEL POTVIN در کنفرانس سیلیکون ولی، تخمین زد که سورس کد مورد نیاز برای اجرای کلیه سرویسهای شرکت گوگل، از موتور جستجوی گوگل گرفته تا جیمیل، گوگل مپس، یوتیوب، گوگل داکس، کلندر و غیره چیزی در حدود ۲ بیلیون خط کد است.


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

با گسترش استفاده از LLM ها در اپلیکیشن‌های تحت وب، و باتوجه به ماهیت غیرقطعی عمل‌کرد آن‌ها، آسیب‌پذیری‌های امنیتی جدیدی پدید آمده‌اند؛ مانند:
- Prompt Injection
- Data Leakage
- Inadequate Sandboxing
- Unauthorized Code Execution
- Model DoS
- Information Disclosure
و …
بنابراین، نیاز به یک دیواره‌ی آتش مناسب برای قرار گرفتن در جلوی مدل‌ها و بررسی درخواست‌ها برای تشخیص سواستفاده بیشتر از پیش حس می‌شود.


۱۰ آسیب‌پذیری در اپلیکیشن‌های مبتنی بر LLM ها به‌گفته‌ی OWASP
https://owasp.org/www-project-top-10-for-large-language-model-applications/

شرکت Cloudflare که جزو بزرگ‌ترین شرکت‌های ارائه‌دهنده‌ی خدمات ابری، CDN و امنیت سایبری و … است، از محصول جدید خود که یک دیواره‌ی آتش (Firewall) برای قرار گرفتن در جلوی LLM هاست، رونمایی کرد. محصول Firewall for AI در واقع یک WAF است که علاوه بر قابلیت‌های مرسوم مانند کنترل rate limit و جلوگیری از injection، قابلیت تحلیل پرامپت‌ها برای تشخیص سوءنیت را نیز دارد.

https://blog.cloudflare.com/firewall-for-ai/


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

🔴 مدل claude 3 معرفی شد

الان میتونید رایگان با مدل جدید claude 3 یعنی Sonnet چت کنید، البته ظاهرا شاهکارش روی نسخه Opus هست که توی خیلی از گزینه‌ها از GPT-4 بهتره و اشتراک ۱۸ دلاری ماهیانه لازم داره.
https://claude.ai/chats
پ.ن. یه پیشرفتش که در موردش حرف میزنن جواب‌های مطمئن‌تر هست
پ.ن.۲. کسایی که دوست دارن با یه AI کار کنن که بشه بهش پی‌دی‌اف داد و یا فایل داد بعد بر اساس اون فایل سواال کنیم یا بگیم همونو خلاصه کنید الان claude یکی از بهتریناست.
https://www.anthropic.com/news/claude-3-family


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

روش‌های مختلف فاین‌تیون کردن مدل‌های زبانی بزرگ (LLM ها)

همون‌طور که می‌دونید، مدل‌های زبانی بزرگ معمولا از میلیاردها پارامتر قابل آموزش تشکیل شده‌اند که بهینه‌سازی و آموزش کامل همه‌ی آن‌ها نیازمند استفاده از حجم وسیعی داده‌ی متنی و توان پردازشی‌ست که حداقل فعلا از توان عامه‌ی پژوهش‌گرها خارج است و معمولا آزمایشگاه‌های تحقیقاتی بزرگ مانند OpenAI و Google با صرف زمان و هزینه زیاد مدل‌هایی را آموزش می‌دهند که ممکن است برای کاربردهای عمومی مناسب باشند. با این حال برای سفارشی‌سازی این مدل‌ها برای تسک‌های خاص، لازم است که این مدل‌ها روی مجموعه‌داده‌ی مربوط به آن تسک که عموما بسیار کوچک‌تر‌ست، با صرف توان پردازشی به مراتب کمتر، فاین‌تیون (Finetune) شوند.

🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

برای فاین‌تیون کردن شبکه‌های عصبی عمیق معمولی، پارامترهای مربوط به لایه‌های ابتدایی شبکه که ویژگی‌های پایه را یادگرفته‌اند، freeze شده و پارامترهای لایه‌های آخر که بیشتر با تسک مرتبط‌اند، اصلاح می‌شوند. اما فاین‌تیون کردن مدل‌های زبانی، به این سادگی نیست و حتی با یک اشتباه ممکن است مدل، الگوهای زبانی عمومی را نیز فراموش کند (Catastrophic Forgetting).

روش اول) فاین‌تیون کردن کل مدل
یک مدل Pretrained انتخاب شده و همه‌ی پارامترهای آن بر روی دیتاست مربوط به تسک مورد نظر اصلاح می‌شوند. واضح‌ست که این روش از نظر زمان اجرا و حافظه‌‌ی مصرفی، در عمل، کارا نیست.

روش دوم) روش LoRA
این روش (Low-Rank Adaptation) توسط تیم مایکروسافت معرفی شده که در آن به جای اصلاح پارامترهای مدل زبانی، تعداد کمی پارامتر جدید موسوم به LoRA adapter به مدل اضافه می‌شوند و فقط این پارامترهای جدید بر روی دیتاست مربوط به تسک آموزش می‌بینند و پارامترهای خود مدل زبانی بدون تغییر باقی می‌مانند. واضح‌ست که این روش علاوه بر کارایی و مصرف کم‌تر حافظه، جلوی catastrophic forgetting را هم می‌گیرد.
روش‌های بهینه‌تری مانند QLoRA و +LoRA هم معرفی شده‌اند که می‌توانید در موردشان تحقیق کنید.

روش سوم)‌ روش Prompt Engineering
‌در این روش، پارامترهای LLM اصلاح نمی‌شوند. در واقع از LLM فقط برای فهم زبان استفاده می‌شود و داده‌های مربوط به تسک جدید، در قالب یک پرامپت مهندسی شده، قبل از کوئری، به LLM داده می‌شوند. واضح‌ست که تعداد توکن‌های ورودی LLM ها محدود است و این روش فقط برای زمانی کارایی دارد که تعداد نمونه‌های آموزشی، بسیار اندک‌اند (few-shot learning). همچنین، این روش در معرض خطر توهم (hallucinations) قرار دارد و ممکن‌ست با وجود دریافت چند شات دیتای آموزشی باز هم اطلاعات نادرست خروجی دهد.

روش چهارم) روش RAG
روش Retrieval-Augmented Generation تا حدی شبیه به روش Prompt Engineering است، با این تفاوت که در آن، تولید متن (Text Generation) توسط LLM، به کمک اطلاعاتِ مرتبطِ بازیابی‌شده‌ از یک پایگاه دانش (Knowledge base) انجام می‌گیرد.
به عبارت دیگر، در مرحله‌ی اول، یک مدل Embedding موسوم به مدل Retriever (برای انکودکردن مستندات و کوئری‌ها در یک فضای امبدینگ)، آموزش می‌بیند.
سپس در مرحله‌ي دوم، همه‌ی مستندات متنی مربوط به تسک مورد نظر، یک بار برای همیشه از این مدل امبدینگ عبور کرده و به بردار امبدینگ تبدیل می‌شوند.




🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

#زکات_علم
سه ربات تلگرامی برای دانلود مقاله های انگلیسی:
@science_nexus2_bot
@mx_nexus_bot
@IN_Imen_Bot

#ربات_تلگرامی
#ابزار_پژوهش
#مقاله_نویسی
#مقاله

🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

استخدام ثبت اسناد، املاک و نقشه برداری کشور سال 1403



🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

🔴 دهمین جشنواره ملی ارتباطات و فناوری اطلاعات

🔹 وب سایت:
https://festfava.ict.gov.ir


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

در این ویدئو که اخیرا وایرال شده، همکاری شرکت Figure (تولید‌کننده‌ی ربات‌های انسان‌نما) با شرکت OpenAI در زمینه‌ی استفاده از LLM ها در
روبات‌ها را می‌بینید.

شرکت Figure AI اخیرا از مایکروسافت، NVIDIA، جف بزوس، OpenAI و … جذب سرمایه کرده‌ست.

https://www.figure.ai/



🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی