ایلان ماسک: هوش انسانی بخش خیلی کوچیکی از هوش کلی خواهد بود. هوش دیجیتال بیشتر از ۹۹٪ همه هوش‌ها در آینده خواهد شد. ما با ماشین‌ها ادغام می‌شیم و با مغزهامون به cloudها دسترسی پیدا می‌کنیم.

منبع

@Ai_Events

مفهوم Agent چیست و چگونه کار می‌کنند؟

خانم چیپ هوین بلاگ پست مفصلی راجع به Agent (به قول راسل، هدف غایی هوش مصنوعی) نوشتند. به شدت توصیه می‌کنیم به دور از هایپ بخونید.
این پست ۴ بخش داره: تعاریف، ابزارها، برنامه‌ریزی، ارزیابی و نقاط شکست!

تعاریف. agent هر چیزیه که از محیطش اطلاعات دریافت کنه و روی محیط عملی انجام بده. پس دو مشخصه داره: محیطش و عملگرهاش. محیطش با هدفی که داره تعریف میشه و عملگرهاش با ابزارهایی که در اختیارش قرار دادیم. مثلا یک ایجنت نرم افزاری محیطش میشه ترمینال و فایل سیستم و اکشن‌هاش میشه سرچ کردن و خوندن  و نوشتن در فایلها (عکس ۱). agentها ‌نیاز به مدل قوی‌تری دارند، چون کارهای مهم‌تری می‌کنند و ریسک بالاتری دارند و چون مراحل زیادی طی می‌کنند، خطاها در هم ضرب میشن و مثلا یک مدل با دقت ۹۵٪ در انجام کاری، بعد از ده مرحله، با ۶۰٪ دقت کار نهایی را تحویل میده.

ابزارها. ابزار بیرونی کمک میکنه ورودی بهتر جمع بشه و اکشن‌های بهتری داشته باشیم. اما نباید همه ابزارها را همینجوری در اختیارش بگذاریم چون بعدش فهمیدن و استفاده مفید ازشون سخت میشه. ابزارها سه گروه میشن: knowledge augmentation، capability extension و write actions. دسته‌ی اول ابزارهای تولید محتوا هستند که کمک میکنند بروز باشیم و کمتر هذیون بگیم مثلا سرچ در اینترنت یا API دیتای محصولات فروشگاه. دسته دوم ابزارهای بهبود یهویی توانایی مدل هستند. مثلا مدل‌های زبانی در انجام عملگرهای ساده ریاضی مثل تقسیم هم گاهی گند می‌زنند. پس بهش یه ماشین حساب بدیم یا مثلا از یک مدل تولید عکس جدا استفاده کنیم. دسته سوم. ابزارهایی که تغییر ایجاد میکنند. مثلا ایمیل زدن، انتقال پول.

برنامه‌ریزی. مغز یک agent همون مدلیه که تسک پیچیده را برنامه‌ریزی میکنه. خروجی برنامه یک سری مراحله که باید به ترتیب طی بشه. برنامه‌ریزی باید از اجرا جدا باشه. یعنی از مدل اول میخواهی (مثلا با CoT) برنامه (یا برنامه‌ها) را ارائه بده و بعد از تایید شروع به اجرا کنه. تا اینجا سیستم ما سه قسمت داشت: تولید برنامه، ارزیابش، اجراش (عکس ۲). حالا اگر بیای برای هر کدوم یک agent بذاری، میشه mutli-agent مثلا قبل از هر چیز یه agent تشخیص هدف مشتری (intent) بذاری. راحتترین راه برای تولید برنامه هم پرامپته. مثلا برای آموزش مشتری‌ها راجع به محصولات، به مدل توابع لازم و چند تا مثال از سوالات کاربران و جواب درست را میدیم (عکس ۳‍).
سه تا نکته مهم در تولید برنامه هست: نحوه تعریف و صدا زدن ابزارها، ریزدانگی برنامه، برنامه‌های پیچیده. اولی (نحوه معرفی)، یه سری چارچوب داره که به مدل بفهمونیم لازمه از این ابزارها استفاده کنه یا خودش هر طور صلاح میدونه (عکس ۴). در ریزدانگی باید دقت کنیم که نباید زیاد جزئی (تا اسم تابع) از مدل تولیدکننده بخواهی. چون دوباره تعریف کردن یا فاین تیون کردنشون سخته. خوبه بهشون بگی به زبون طبیعی مراحل را تولید کن. بعد یه مدل ساده‌تر این جملات زبان طبیعی را به اسم توابع تبدیل کنه. برای سومی هم؛ همیشه برنامه‌ها به صورت پشت سر هم نیستند. میتونه موازی یا شرطی باشه یا حلقه داشته باشه (عکس ۵).
در ادامه راجع Reflection صحبت میکنه. agent باید مداوم خودش، خودشو بررسی کنه که از برنامه تا نتیجه همه چی درسته؟ این ارزیابی و اصلاح، میتونه توسط خود agent انجام بشه یا بیرونش. چارچوب‌هایی مثل ReAct هست که یک حلقه متشکل از برنامه، اکشن و ارزیابیه تا وقتی که به جواب برسه (عکس ۶). اگر ارزیاب مدل دیگه‌ای باشه به این Reflexion میگن.
برای نحوه انتخاب ابزارها از مقالاتی مثل Chameleon صحبت میکنه که از ۱۳ تا ابزار استفاده میکنه. هر چی تعداد ابزارها بیشتر باشه، مثل انسان برای مدل سخت‌تره ازشون استفاده کنه. راه‌هایی برای انتخاب مجموعه ابزارها هست؛ مثلا با کدوم ابزارها خطای مدل بیشتره، حذف ابزار چقدر کارایی را کاهش میده، از کدوم‌ها بیشتر استفاده میکنه. مقاله Chameleon نشون داد که تسک‌ها و مدل‌های مختلف ابزارهای مختلفی لازم دارند و نباید همینجوری همه ابزارها رو به مدل بدیم (عکس ۷).

ارزیابی و نقاط شکست. شکست سه عامل داره: برنامه، اجرای ابزارها و بهینگی. در گروه اول برنامه میتونه ابزار اشتباه یا پارامترها و ورودی‌های اشتباه انتخاب کنه، محدودیت را در نظر نگیره و.... در گروه دوم از ابزار درستی استفاده شده اما خود ابزار (مثلا تبدیل متن به کوئری) غلط کار میکنه. در گروه سوم هم همه چیز درسته اما بهینه نیست. مثلا قدم‌های زیادی طی میشه. برای ارزیابی میزان شکست یک agent میشه یه دیتاست از تسک‌ها و ابزارها درست بشه و ازش بخواهیم N تا برنامه درست کنه. بعد ببینیم چندتاشون درست بود، چند تا برنامه باید درست کنه تا به یه برنامه خوب برسیم، چقدر کنده و ....

لینک پست:
https://huyenchip.com/2025/01/07/agents.html

#read
#blog

@nlp_stuff

رادیو جادی ۱۸۸ - موقع خوب هیچوقت نمیاد؛ عمل کن

در رادیوی ۱۸۸ بازم ای آی همه جا هست. از کشف آنتی باکتری تا سرمایه‌گذاری‌ها و خودروهای هوشمند؛ ولی آیا ای آی جای ما برنامه‌نویس‌ها رو می‌گیره؟ ظاهرا نه!

00:00 – رادیو جادی ۱۸۸ که اشتباهی فکر می کنیم ۱۸۹ است
02:36 – حمله سازمان‌های روسی علیه سیگنال
10:26 – سوء استفاده چین از چت جی پی تی، گزارش امنیتی فصلی
13:37 – آیا ای آی شغل ما رو میگیره
18:00 – ایمیل گرگ کرو هارتمن در مورد راست در کرنل لینوکس
27:55 – هوش مصنوعی در دو روز به نتایجی بیشتر از ۱۰ سال تحقیق در مورد سوپر باگ مقاوم به آنتی بیوتیک‌ها رسید
32:59 – آیا تسلا در آمریکا تاکسی راه اندازی می‌کنه؟
34:25 – سرمایه‌گذاری ۵۰۰ میلیارد دلاری اپل در آمریکا
35:38 – تعویض سرمایه‌گذاری اینتل در آمریکا به ۲۰۳۰
37:00 – بخش آخر (شامل راهنمای تلفن‌های کمک در مواقعی مانند خودکشی، آزار، خشونت و اعتیاد)


https://youtu.be/RTgaLe7ky54

@Ai_Events

Join Jakob Foerster’s Talk at Sharif University of Technology

Title: Reinforcement Learning at the Hyperscale!
Speaker: Jakob Foerster (Associate Professor, University of Oxford)
Date: Friday (Mar 7, 2025)
Time: 1:00 PM Iran Time
Sign Up Here: https://forms.gle/HYDizuvMkxVGA5hu7
@DeepRLCourse

@Ai_Events

رادیوجادی ۱۸۹ - مال تو، مال خودته

در رادیوجادی ۱۸۹ دستگاه‌ها رو باز می‌کنیم بی اینکه گارانتی‌شون به مشکلی بخوره، از اطلاعیه اف بی آی می‌گیم و برگشتن دگمه‌های فیزیکی به خودروها و پولی شدن فیچرهایی از نوت پد خوب بی ادعا و فایل اکسل ۲۸ میلیاردی و اومدن لینوکس به موبایل‌های اندروید. با ما باشین که دنیا هکرهای بیشتری می‌خواد.

00:00 - رادیوجادی ۱۸۹
01:10 - اصرار چاپگرهای برادر به استفاده از رنگ‌های رسمی شرکت
03:50 - حق  بازکردن دستگاه برای تعمیر مگنوسون-ماس
08:21 - اطلاعیه اف بی آی در مورد سرقت از صرافی بای‌بیت توسط هکرهای کره شمالی
16:19 - برگشتن دگمه‌های فیزیکی به خودروهای فولکس واگن
19:00 - پولی شدن برخی فیچرهای نوت پد
21:24 - کنترل بودجه ۲۸ میلیارد دلاری بهداشت نیوزلند با یک فایل اکسل
23:09 - لیبره موبایل او اس و آمدن ترمینال دبیانی به تلفن‌های اندرویدی
26:20 - همکاری آکسیوم و ردهت در ساخت اولین دیتاسنتر ابری در ایستگاه فضایی
28:00 - ترامپ و دستور اجرایی ذخیره استراتژیک بیت‌کوین
30:31 - ایمیل‌ها
36:00 - حمایت‌ها و بخش آخر

https://youtu.be/izvmh3BKRTE

@Ai_Events

انجمن علمی نانو دانشگاه یزد و انجمن علمی ژرفا دانشگاه صنعتی شریف برگزار می‌کنند:

«عصر یادگیری ماشین»
  از مجموعه رویدادهای علمی نوروزی در موضوع «هوش مصنوعی»

با حضور جناب آقای سامان هادیان
کارشناس ارشد هوش مصنوعی در کارگزاری مفید
سه‌شنبه ۱۲ فروردین ۱۴۰۴ | ساعت ۲۱
اتاق مجازی ژرفا

@Nano_YazdUni
@Zharfa90


@Ai_Events

Research Position at the Center for Information Systems and Data Science, Sharif University in Collaboration with a Top-Three Global Institution or medical university school in  Bioinformatics.

Projects Descriptions:

1. Utilizing Large Language Models and Retrieval-Augmented Generation (RAG): Applying  knowledge graph  in medicine, inspired by Stanford University's work.

2. Predicting Profiles for Protein Sequences Using Natural Language Processing: Leveraging the performance of transformers in natural languages by treating protein sequences as a language, similar to Microsoft's research.

3. Applying Manifold Learning and Riemannian Geometry in Protein Dynamics Analysis: Designing and predicting the effects of protein dynamics using approaches akin to those from Cambridge University.

✅Requirements:
A bachelor's and master's student with strong implementation skills and clean coding in artificial intelligence, capable of reading and analyzing new Bioinformatics papers, ideating and extensively testing with well-known deep and reinforcement learning architectures, and possessing intermediate Bioinformatics or biology knowledge.

💥This project will be conducted in collaboration with three professors from Sharif University's Computer and Electrical Engineering faculties and supervised by a senior scientist from one of the top three universities in the United States.

🆔To apply and submit your CV, please contact via email:
[email protected]


@Ai_Events

#open_position

We are seeking 2–3 interns/collaborators:
- 2 positions focused primarily on technical aspects 
- 1 position with a 50/50 focus on theoretical and applied Machine Learning 

If you are interested in research on Histopathology Whole Slide Images (WSIs), VLMs, vLLMs, Self-Supervised Learning (SSL), and/or Theoretical Machine Learning—with the goal of submitting papers to conferences such as NeurIPS, ICLR, CVPR, ICASSP, WACV, or journals like IEEE Transactions on Medical Imaging, TMLR, and JMLR—please send your CV to [email protected]

For more context, you can review these relevant papers:
1. https://arxiv.org/abs/2408.08258
2. https://arxiv.org/abs/2306.11207
3. https://ieeexplore.ieee.org/document/10643565


Technical Requirements
- English proficiency at least B2 (preferred) or B1 
- Familiarity with Machine Learning and PyTorch 
- Experience with Git
- Ability to run and interpret academic GitHub repositories 
- Clean coding practices
- Solid understanding of Mathematics; preferably very strong in Probability and Statistics, Stochastic Processes, Information Theory, Machine Learning Theory, and High-Dimensional Statistics [for the theory-focused candidate]

Non-Technical Requirements
- Persistent and “try-hard” attitude 
- Available on-call 
- Enthusiastic about learning new platforms 
- Willing to dedicate significant time 
- Extremely resilient, comfortable with frequent schedule changes, and unafraid of polite rejections [for the theory-focused candidate]

Benefits
- Supportive RIML environment 
- Opportunity to work closely with Dr. Rohban (mainly for the theory-focused position) 
- Possibility of a research-related recommendation letter from Dr. Rohban

Final Thing
Guys, I really mean everything stated above for the Non-Technical Requirements, if you don’t meet them, please do’t email.


@Ai_Events

Research Position at the Center for Information Systems and Data Science, Sharif University in Collaboration with a Top-Three Global Institution or medical university school in  Bioinformatics.

Projects Descriptions:

1. Utilizing Large Language Models and Retrieval-Augmented Generation (RAG): Applying  knowledge graph  in medicine, inspired by Stanford University's work.

2. Predicting Profiles for Protein Sequences Using Natural Language Processing: Leveraging the performance of transformers in natural languages by treating protein sequences as a language, similar to Microsoft's research.

3. Applying Manifold Learning and Riemannian Geometry in Protein Dynamics Analysis: Designing and predicting the effects of protein dynamics using approaches akin to those from Cambridge University.

✅Requirements:
A bachelor's and master's student with strong implementation skills and clean coding in artificial intelligence, capable of reading and analyzing new Bioinformatics papers, ideating and extensively testing with well-known deep and reinforcement learning architectures, and possessing intermediate Bioinformatics or biology knowledge.

💥This project will be conducted in collaboration with three professors from Sharif University's Computer and Electrical Engineering faculties and supervised by a senior scientist from one of the top three universities in the United States.

To apply and submit your CV, please contact via email with the subject line "Research Position in Bioinformatics":
[email protected]


@Ai_Events