📌هدیه اختصاصی برای اعضای کانال باشگاه فناوران اطلاعات مکانی

سلام دوستان...به نیت همه ی شما عزیزان (اعضای کانال و گروه ) امشب زیارت قبر مطهر پیامبر مهربانی ها حضرت محمد (ص) ❤️ انجام و دو رکعت نماز زیارت به نیابت از شما اقامه شد. امیدوارم به زودی نصیب خودتون بشه.


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

🔴 سومین نسخه از خانواده‌ی مدل‌های زبانی (غیر بزرگ) مایکروسافت (Microsoft Phi-3) منتشر شد.

این مدل زبانی در سه سایز ۳/۸ میلیارد پارامتری (mini)، ۷ میلیارد پارامتری (small) و ۱۴ میلیارد پارامتری (medium) منتشر شده که مدل mini روی ۳/۳ تریلیون توکن و مدل‌های small و medium روی ۴/۸ تریلیون توکن آموزش دیده‌اند

طول متن در مدل mini به‌صورت پیش‌فرض، 4K است اما نسخه‌ی با طول متن 128K نیز با نام phi-mini-128k توسعه داده شده‌ست.

طبق گزارش، عمل‌کرد مدل mini از GPT-3.5 و Mixtral 8x7B به‌تر است.

این مدل‌ها، با توجه به کوچک بودن، به‌شدت مناسب اجرا روی موبایل و هم‌چنین Edge Device ها اند.


بلاگ معرفی:
https://news.microsoft.com/source/features/ai/the-phi-3-small-language-models-with-big-potential/

گزارش فنی:
https://arxiv.org/pdf/2404.14219

دانلود مدل‌ها از هاگینگ‌فیس:
https://huggingface.co/collections/microsoft/phi-3-6626e15e9585a200d2d761e3

دموی مدل روی هاگینگ‌فیس:
https://huggingface.co/chat/models/microsoft/Phi-3-mini-4k-instruct



🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

ربات تلگرامی برای جستجو و دانلود پایان نامه های انگلیسی:
@Reportspdfbot
ربات تلگرامی برای جستجو و دانلود پاورپوینت آماده:
@Pdf96bot
نکته: بهتره به زبان انگلیسی موضوع رو بفرستید

#ربات_تلگرامی #ابزار_پژوهش #پایان_نامه #پاورپینت



🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

🔴 کاربردهایی که LLM میتونن در GIS داشته باشند.،

استخراج بینش از داده های مکانی (Extracting insights from spatial data): LLMs می توانند به تجزیه و تحلیل حجم عظیمی از داده های مکانی که از منابع مختلف و جدا از هم در دسترس هستند، کمک کنند. این داده ها می توانند شامل تصاویر ماهواره ای، هوایی، پهپاد یا لیدار و پایگاه های داده جغرافیایی باشند.

پرس و جوی زبان طبیعی (Natural Language Querying): LLMs این امکان را فراهم می سازند که با استفاده از زبان طبیعی سوالات مکان مبنا پرسید و پاسخ بصری (نقشه) دریافت کرد. برای مثال می توان کل مساحت زیر کشت بادام در ایالت کالیفرنیا را روی نقشه مشاهده کرد.
تشخیص الگو و ناهنجاری (Pattern Recognition and Anomaly detection): LLMs را می توان برای شناسایی الگوها و ناهنجاری ها در داده های مکانی آموزش داد. این امر در پیش بینی تغییرات محیطی، نظارت بر زیرساخت ها و کشف فعالیت های غیرقانونی کاربرد دارد.
مدل سازی پیش بینی کننده (Predictive modeling): LLMs قادر به یادگیری از داده های آموزشی برای پیش بینی مکانی پدیده هایی مانند شیوع بیماری، بلایای طبیعی یا الگوهای ترافیکی روزانه هستند.

https://arxiv.org/abs/2401.14192

🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

شما روی تولید ارزش تمرکز کنید...پول با پای خودش میاد.
این مصاحبه سم آلتمن را حتما ببینید.


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

🔴 واچکانش دانش (Knowledge Distillation) در یادگیری ماشین چیست و چه کاربردی دارد؟

در شرایطی که محدودیت در توان پردازشی داریم (مثلا هنگام توسعه‌ی یک اپلیکیشن موبایل)، دانش موجود در یک مدل یادگیری ماشینِ نسبتا بزرگ، پیچیده و کند (Base Model) را به‌صورت چکیده به یک مدل بسیار ساده‌تر، کوچک‌تر و سریع‌تر (Target Model) منتقل می‌کنیم به‌نحوی که عمل‌کردی مشابه با مدل اصلی را با هزینه‌ی پردازشی بسیار پایین‌تر داشته باشد. به این کار، واچکانش دانش گفته می‌شود.

مثلا فرض کنید در حال توسعه‌ی یک مدل تشخیص شیء (Object Detection) برای پیداکردن ره‌گذرهای پیاده و همچنین خودرو‌های موجود در تصویر یک خیابان هستید. قدیم‌تر، برای انجام این تسک، نیاز به آموزش یک مدل Object Detection برروی یک مجموعه‌داده‌ی برچسب‌خورده داشتیم. امروز اما به‌طورمعمول، از مدل‌های بنیادین (Foundation Models) ازپیش‌آموزش‌دیده استفاده می‌شود که به‌صورت Zero-shot (بدون مشاهده‌ی داده‌ی آموزشی جدید) قابل بهره‌برداری‌اند. مثلا مدل Groundig DINO یا مدل YOLO-World (که به آن‌ها مدل‌های Open Vocabulary Detection هم گفته می‌شود) یک پرامپت متنی از شما دریافت کرده و شیء(های) متناظر با آن را در تصویر شناسایی می‌کند. مثلا کافی‌ست واژه‌هایی هم‌چون vehicle یا sedan car یا bike یا human یا … را به‌عنوان متن ورودی به آن بدهیم و مدل اشیای مورد نظر را تشخیص می‌دهد.
مشکل این‌جاست که مدل‌های Open Vocabulary Detection، دانش نهفته‌ی زیادی در مورد اشیای مختلف (مثلا اسب و هواپیما و …) دارند که در مسئله‌ی ما بی‌اهمیت‌اند. بنابراین، می‌توانیم با ارائه‌ی پرامپت مناسب به مدل Grounding DINO یک مجموعه تصویر را به‌صورت خودکار برچسب زده و از این مجموعه‌داده‌ی حاصل برای آموزش یک مدل شناسایی شیء ساده‌تر مانند YOLO-NAS یا YOLOv8 استفاده کنیم. در این حالت، بخش مور نیاز ما از دانش موجود در Grounding DINO به‌صورت چکیده به مدل YOLO-NAS منتقل (واچکانی) می‌شود و می‌توانیم ازین مدل ساده‌تر در پروژه استفاده کنیم.

برای این کار می‌توانید از پکیج autodistill در پایتون استفاده کنید.


pip install autodistill autodistill-grounding-dino autodistill-yolonas supervision



from autodistill_grounding_dino import GroundingDINO
from autodistill.detection import CaptionOntology
from autodistill_yolonas import YOLONAS


PROMPT = “any vehicle”
CLASS = “vehicle”

IMAGES_DIR_PATH = “path/to/images/dir”
DATASET_PATH = ”path/to/store/dataset”

base_model = GroundingDINO(ontology=CaptionOntology({“PROMPT: CLASS}))
target_model = YOLONAS("yolo_nas_s.pt")

base_model.label(input_folder=IMAGES_DIR_PATH, output_folder=DATASET_PATH")
target_model.train(DATASET_PATH, epochs=20)
pred = target_model.predict(DATASET_PATH+”/train/images/image.jpg", confidence=0.5



🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

دستاورد بی‌سابقه گوگل و هاروارد: تهیه نقشه‌ سه‌بعدی از یک میلی‌مترمکعب مغز انسان با جزییات دقیق

🔹تیمی از دانشمندان هاروارد و گوگل یک نقشه سه‌بعدی و با تفکیک‌پذیری نانو از یک میلیمتر مکعب از مغز انسان تهیه کرده‌اند. گرچه این نقشه بخش کوچکی از مغز را نشان می‌دهد مغز کامل یک میلیون بار بزرگ‌تر است اما بالاترین تفکیک‌پذیری را در بین تصاویر موجود از مغز انسان دارد.
🔹 دانشمندان برای ساخت این نقشه پرجزئیات مجبور شدند نمونه بافت مغز را به ۵٬۰۱۹ برش با ضخامت ۳۳٫۹ نانومتر تقسیم و آن را با یک میکروسکوپ الکترونی پرسرعت اسکن کنند. آن‌ها از یک مدل یادگیری ماشین استفاده کردند تا این تصاویر را به یکدیگر متصل و اجزاء آن را برچسب‌گذاری کنند.
🔹 دانشمندان برای ساخت این نقشه با موانع زیادی روبرو بودند. اولین مسئله یافتن یک نمونه بافت مغز بود. مغز بلافاصله بعد از مرگ فاسد می‌شود، پس بافت مرده‌ها مناسب این کار نبود. دانشمندان تکه‌ای کوچک از مغز یک زن مبتلا به صرع را در حین عمل جراحی برداشتند.


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

🔴 فضای لازم برای نگه‌داری نقشه‌ی سه‌بعدی بخشی از مغز به‌بزرگی نصف یک دانه‌ی برنج، ۱/۴ میلیون گیگابایت!!!

این بخش کوچک از مغز (به‌اندازه‌ی نصف یک دانه‌ی برنج)، هنگام جراحی از ناحیه‌ی Cerebral Cortex یک بیمار مبتلا به صرع برداشته شده‌ست. Cerebral Cortex لایه‌ی نازکی (۲ تا ۴ میلی‌متر) از ماده‌ی خاکستری است که سطح مغز را می پوشاند و مرکز بسیاری از رفتارهای ارادی بدن و همین‌طور مرکز پردازش اطلاعات حسی در مغز است. این بخش کوچک از مغز ابتدا به ۵۰۰۰ برش با ضخامت‌های تقریبی ۳۰ نانومتر تقسیم شده و سپس به‌کمک یک میکروسکوپ الکترونی چندپرتویی، طی ۳۲۶ روز، از این ۵۰۰۰ برش، تصویربرداری با رزولوشن بالا انجام شده‌ست. سپس با به‌کارگیری ابزارهای یادگیری ماشین روی این تصاویر، نوع یاخته‌ها و ساختار سه‌بعدی آن‌ها شامل همه‌ی آکسون‌ها، دندریت‌ها و پیوندهای سیناپسی، بازسازی شده‌اند.

نقشه‌ی بازسازی‌شده در قالب یک مجموعه‌داده با بزرگی ۱/۴ پتابایت شامل اطلاعات حدود ۱۵۰ میلیون سیناپس و ۵۷ هزار یاخته (۱۶ هزار یاخته‌ی عصبی، ۳۲ هزار یاخته‌ی گلیال و ۸۰۰۰ یاخته‌ی رگ‌)، منتشر شده‌ست.
https://h01-release.storage.googleapis.com/gallery.html

🤯🤯 فضای لازم برای نگه‌داری نقشه‌ی سه‌بعدی بخشی از مغز به‌بزرگی نصف یک دانه‌ی برنج، ۱/۴ میلیون گیگابایت!!!

پژوهش‌گران هنگام نقشه‌برداری به یافته‌های جدیدی نیز دست پیدا کردند. مثلا نورون‌هایی وجود دارند که بیش از ۵۰ اتصال سیناپسی با یک‌دیگر دارند و طبق تحلیل‌های داده‌ای انجام‌شده، این اتصال‌های قوی، تصادفی یا بی‌دلیل نیستند و شاید خاطرات مهم را نگه می‌دارند.
کشف بعدی، آکسون‌هایی‌اند که به‌شکل کلاف برروی سطح یاخته‌های دیگر قرار می‌گیرند و عمل‌کرد آن‌ها ناشناخته‌ست و حتی ممکن‌ست از عوارض بیماری صرع یا داروهای درمانی آن باشد.

پژوهش‌‌های آتی متخصصان علوم اعصاب براساس این نقشه درک بهتری از عمل‌کرد مغز و اختلالات عصبی و همچنین چگونگی شکل گیری حافظه را نشان خواهند داد.

بلاگ‌پست معرفی
https://research.google/blog/ten-years-of-neuroscience-at-google-yields-maps-of-human-brain/


مقاله‌ی چاپ‌شده در مجله‌ی Science
https://www.science.org/doi/10.1126/science.adk4858



🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

سلام
دومین دوره کاری آموزی WebGIS در سال جدید با محوریت فریم ورک ها و ابزار های زیر بر گزار میشود:

فریمورک انگولار؛ پایتون و ابزارهای متن باز
فریمورک ریکت پایتون و ابزارهای متن باز
فریمورک Nodejs و ابزار های متن باز

اولویت با افرادی است که تسلط مقدماتی به ابزار های یاد شده داشته باشند.



🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

پوشش لایو مراسم امشب openai در کانال...
اگر پیام ها اذیتتون می‌کنه لطفاً نوتیفیکیشن را خاموش کنید


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

خبر اول اینکه ورژن دسکتاپ ChatGPT منتشر می‌شه.. و ورژن تحت وب هم ظاهر جدیدی پیدا خواهد کرد


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

مدل GPT-4o ورژن سریع GPT4 قرار هست به صورت رایگان در اختیار عموم قرار بگیره. این ورژن کارآمدتر از ورژن قبلی هست و ویژگی‌های بینایی و تحلیل تصاویر رو به صورت رایگان ارائه میده.



🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

خب هوش مصنوعی با قابلیت درک احساسات هم با این نسخه محقق شد.
یکی از جالب ترین پیشرفت‌های در GPT-4o، قابلیت گفتار زنده هست. به جای اینکه اول گفتار رو رونویسی کنه، به صدا گوش می‌ده و نیاز نیست صبر کنی تا حرفاش تموم بشه، میتونی وسط حرفش بپری.


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

اینجا خیلی شبیه فیلم her هست دوربین رو تو مراسم باز کردن، بعد ChatGPT تا مجری رو دید گفت لباسی که پوشیدی رو دوست دارم😍😂



🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

بقیه ش را اینجا ببینید...https://www.youtube.com/live/DQacCB9tDaw


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

https://openai.com/index/hello-gpt-4o/

قابلیت ورودی ترکیبی شامل متن و صوت و تصویر و ... هم اضافه شده..کلا این ورژن خیلی به دستیار هوش مصنوعی که در فیلمher بود نزدیک شده و خبر بهتر اینکه از زبان فارسی هم پشتیبانی می‌کنه...


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

یادتونه پارسال گفتم chatgpt خیلی شبیه فیلم her هست؟ 😂
حالا سم آلتمن با توییت کلمه Her پس از معرفی هوش مصنوعی GPT-4o به این فیلم اشاره کرد.


#OpenAI⁩


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

#Her
#gpt

🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

مشخصه یازده سال پیش این فیلم روی سم آلتمن خیلی تاثیر گذاشته...و روی ایده chatgpt


یک ویدیو در حال اپلوده...


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی

امکان استفاده از تصاویر ماهواره خیام برای شهروندان

🔹👤رئیس سازمان فضایی ایران:
🔹در قدرت ماهواره‌ها، رسیدن به دقت ۱ تا ۲ متر برای ما در دسترس است و تا دقت چند سانتی‌متر هم می‌توانیم دست پیدا کنیم.
🔹تعداد ماهواره ها دارد زیاد می‌شود و داریم برای کشور بازارسازی می‌کنیم تا تصاویر ماهواره خرید و فروش شود.
🔹در سال جاری پرتاب ماهواره‌هایی که ساخت بخش خصوصی است را داریم. امکان خریدن و استفاده از تصاویر ماهواره خیام برای شهروندان وجود دارد.
🔹گام اول ما تثبیت مدارهای پایین است. در سال گذشته پرتاب‌های منحصر به فردی داشتیم و امسال هم این اتفاق باید تکرار شود. با تکرار پذیری بالا باید به پرتابگری برسیم که اجرام با ۱۰۰ تا ۳۰۰ کیلوگرم را به فضا برساند.
🔹در کشور ساخت راکت‌های سنگین را آغاز کردیم تا بتوانیم مثل اتوبوس ماهواره‌ها را در جاهای مختلف پیاده کنیم.


🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی