این با جزئیات‌ترین و کامل‌ترین انیمیشنی بوده که تا حالا از مکانیزم عملکرد LLMها دیدم.

#LLM
#video

🆔 @lifeAsAService

وب‌سایت mlip-cmu.github.io مربوط به یک منبع آموزشی و پژوهشی به نام Machine Learning in Production @ CMU است که توسط دانشگاه Carnegie Mellon University (CMU) توسعه داده شده. این سایت شامل مواد آموزشی، اسلایدها، تمرین‌ها و منابع مرتبط با یک دوره‌ی کامل درباره‌ی ساخت، استقرار و مهندسی سیستم‌های واقعی مبتنی بر یادگیری ماشین (ML) است، نه فقط مدل‌های تئوری یا کدنوت‌بوک‌ها.

۸۰۰ کلاس درس دانشگاهی، عموما از دانشگاه های Ivy League آمریکا و معتبر در زمینه Computer Science. فرصت خوبی برای یادگیری و یا آشنایی با نحوه تدریس و کلاس های دانشگاهی.

bit.ly/3472Iia‎

#منابع #منابع_پیشنهادی #فیلم #کلاس_آموزشی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

چرا به پست های من استار star نمیدید واقعا زحمت میکشم پست هلو میارم براتون بلکه پیشرفت کنید به کانال منم چیزیو روا نمیدارید🚶‍♂😂😡🥹 منتظر starهای شما برای پستهام هستم 🚶‍♂

بعضی دوستان پی وی سوال کردن که میتونن مقاله هایی ک نوشته شده رو برامون توی کانال بزنی یا ن؟ یکی از قوانین گروه ما همینه که بتونین خروجی کارهای تحقیقاتی خودتون رو اینجا منتشر کنید پس اگر پروژه یا مقاله ای هست پی وی برام بفرستید تا در کانال منتشر کنم.

این مقاله به بررسی جامع و نظام‌مند نقش هوش مصنوعی در مدیریت و استخراج «دانش ضمنی» می‌پردازد؛ دانشی که ریشه در تجربه، مهارت‌های فردی و شهود انسانی دارد و به دلیل ماهیت نانوشته‌اش، همواره چالش بزرگی برای سازمان‌ها بوده است. پژوهش حاضر با تحلیل بیش از ۴۰ سال مطالعات آکادمیک، مسیر تحول این حوزه را از سیستم‌های خبره اولیه تا مدل‌های زبانی بزرگ و یادگیری عمیق ترسیم کرده و چارچوبی نوین برای آینده این تعامل ارائه می‌دهد.
خلاصه دستاوردهای محوری این پژوهش در ابعاد زیر قابل تبیین است:
۱. تحول از ابزار به همکار معرفتی: این مطالعه نشان می‌دهد که پارادایم حاکم بر مدیریت دانش از «کدگذاری دستی» و صرفاً ذخیره‌سازی اطلاعات، به سمت ایجاد «همکارهای معرفتی» تغییر یافته است. در این نگاه جدید، هوش مصنوعی دیگر تنها یک ماشین برای استخراج داده نیست، بلکه به عنوان شریکی در فرآیند تفکر و معناسازی عمل می‌کند که پا به پای انسان تکامل می‌یابد.
2. مدل تکامل مشترک هوش مصنوعی و دانش: نوآوری اصلی مقاله، معرفی یک مدل پنج‌لایه‌ای است که تعامل پویا میان انسان و ماشین را تشریح می‌کند. این مدل از لایه‌های زیربنایی فلسفی و معرفت‌شناختی آغاز شده، از زیرساخت‌های فنی (مانند گراف‌های دانش و #یادگیری#ماشین) عبور کرده و به لایه‌های تعاملات اجتماعی-فنی و مسیرهای نوظهور می‌رسد. این چارچوب تبیین می‌کند که چگونه هوش مصنوعی می‌تواند با شناسایی الگوهای پنهان در رفتارهای انسانی، دانش ضمنی را بدون از دست رفتن غنای معنایی، به دارایی‌های راهبردی تبدیل کند.
۳. بازتعریف مدل‌های سنتی مدیریت دانش: پژوهش با بهره‌گیری از مدل مشهور SECI، نشان می‌دهد که فناوری‌های مدرن چگونه فرآیندهای «برونی‌سازی» و «ترکیب» دانش را خودکار و مقیاس‌پذیر کرده‌اند. در حالی که در گذشته انتقال تجربه محدود به تیم‌های کوچک بود، اکنون هوش مصنوعی امکان جریان یافتن این بصیرت‌ها را در ابعاد وسیع سازمانی فراهم کرده است.
4. چالش‌ها و ضرورت #هوش_مصنوعی مسئولانه: علیرغم پیشرفت‌های چشمگیر در مدل‌های زبانی و #یادگیری_عمیق، مقاله بر چالش‌هایی نظیر «جعبه سیاه» بودن الگوریتم‌ها، فقدان درک شهود انسانی و مسائل اخلاقی تأکید دارد. راهکار پیشنهادی پژوهش، حرکت به سمت هوش مصنوعی قابل توضیح (XAI) و مدل‌های ترکیبی است که بتوانند منطق پشت تصمیمات خود را شفاف کرده و اعتماد متخصصان انسانی را جلب کنند.

نتیجه‌گیری راهبردی: در نهایت، این مقاله استدلال می‌کند که موفقیت سازمان‌های آینده در گرو ایجاد یک «اکوسیستم دانشی تطبیق‌پذیر» است. در این اکوسیستم، هدف جایگزینی انسان با ماشین نیست، بلکه ایجاد مسیری است که در آن قدرت تحلیل آماری ماشین و درک شهودی انسان در یک فرآیند تکاملی به هم گره بخورند تا خِرَد سازمانی فراتر از توانمندی‌های فردی رشد کند.


▪️ Unveiling the Unspoken: A Conceptual Framework for AI-Enabled Tacit Knowledge Co-Evolution

#مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

عنوان: همکاری در پروژه پژوهشی حوزه سلامت پزشکی و هوش مصنوعی در دانشگاه علوم پزشکی
با سلام و احترام،  
ما در حال تشکیل یک تیم تحقیقاتی برای کار روی دو پروژه نوآورانه در حوزه تلفیق سلامت پزشکی و هوش مصنوعی هستیم. این پروژه بر استفاده از فناوری‌های هوش مصنوعی برای حل چالش‌های عملی در زمینه سلامت/پزشکی متمرکز است.
اگر:
- در حوزه‌هایی مانند برنامه نویسی، شاخه های پزشکی و داروسازی، بیوانفورماتیک، مهندسی پزشکی، مهندسی نرم‌افزار، داده‌کاوی، یادگیری ماشین یا حوزه‌های مرتبط تخصص دارید،
- به کار تیمی و تحقیقات بین‌رشته‌ای علاقه‌مندید،
- تمایل دارید در یک پروژه کاربردی و آینده‌دار همکاری کنید،
خوشحال می‌شویم به جمع تیم ما بپیوندید.  
لطفاً جهت تبادل اطلاعات بیشتر و بررسی فرصت همکاری، در تلگرام به شناسه زیر پیام ارسال بفرمایید.

با سپاس
@sn_biostat
snorouzibiostatistics@zumc.ac.ir

سلام خیلی دوستان از فیلترشکن سوال دارن که کدوم فیلترشکن و چه فیلترشکنی استفاده کنیم پیشنهاد من اینه، از لینک دعوت من استفاده کنین هم شما ی فیلترشکن مطمین استفاده کنین بدونین هویتی واقعی و پشتیبانی میتونین پیگیری کنین و هم شما به فیلترشکنی قابل پشتیبان دسترسی داشته باشید و هم ی حجم ازشون هدیه میگیرم.

https://news.1rj.ru/str/F14PanelBot?start=invite_56479f968ee3cd3dd92bfa05ebf07fc9

پ.ن: خدماتشون من به شدت راضیم دوستانتون رو دعوت کنید و حجم هدیه بگیرید

استخدام در تیم فناوری اطلاعات سولیکو (کاله)

اگر به دنبال فرصتی هستید که تجربه‌تان را در یک گروه صنعتی بزرگ و پویا به کار بگیرید، تیم فناوری اطلاعات سولیکو کاله آماده همکاری با شماست. فرصتی ارزشمند برای کسانی که به دنبال رشد شغلی پایدار و کار در محیطی چابک هستند.

چه کارهایی انجام می‌دهید؟
🔸توسعه و پشتیبانی سیستم‌های سازمانی
🔹تحلیل داده و ارائه راهکارهای عملی
🔸مدیریت امنیت اطلاعات و زیرساخت‌های IT
🔹همکاری بین تیمی برای بهبود مستمر سرویس‌ها

چرا همکاری با ما؟
✅مزایا و حقوق متناسب با تجربه و سطح تخصص
✅فعالیت در پروژه‌های واقعی و تاثیرگذار
✅مسیر روشن برای رشد حرفه‌ای و توسعه مهارت‌ها

ما به دنبال چه کسانی هستیم؟
📣متخصصان با تجربه (کارشناسی ارشد یا بالاتر) در حوزه‌های IT مانند توسعه نرم‌افزار، امنیت سایبری، تحلیل داده، شبکه و پشتیبانی سیستم‌ها — افرادی با تفکر حل مسئله قوی، روحیه تیمی و اشتیاق به یادگیری مداوم.

چطور اپلای کنید؟
🔛برای ثبت‌نام، ساخت پروفایل و ارسال رزومه:
https://itcareers.solico-group.com
ما رزومه‌ها را سریع بررسی می‌کنیم و با شما تماس خواهیم گرفت.
#فرصت_شغلی
#فناوری_اطلاعات
#سولیکو_کاله

اگر با n8n کار میکنید این ریپو نیازتون میشه
https://github.com/Danitilahun/n8n-workflow-templates/tree/main

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

🏆🏆
I am pleased to share that our team participated in the 9th Sclera Segmentation Benchmarking Competition (SSBC 2025), a challenge focused on privacy-preserving sclera segmentation.
The competition evaluated how well models trained on synthetic data compare to those trained with real-world data, across two tracks:
Synthetic-only training
Mixed training

Our team 😍
Jalil Nourmohammadi Khiarak (team lead), Taher Akbari Saeed, Mahsa Nasehi, Ali Kianfar, Mobina pashazadeh panahi
developed a segmentation approach that achieved results within ~2% of the top-performing team in the best case.
The Paper link:
https://lnkd.in/dzunm2Me
I would like to thank my teammates for their excellent collaboration and the SSBC organizers for hosting a well-designed and impactful benchmarking effort.
#ComputerVision #Biometrics #ScleraSegmentation #SyntheticData #PrivacyPreservingAI #SSBC2025 #DeepLearning

🌹کانالیمیزی دا جانلی یایین 🌹:
https://news.1rj.ru/str/Machinelearning_Kartal

Recursive Language Models.
(short introduction)

http://k-a.in/RLM.html

All-optical synthesis chip for large-scale intelligent semantic vision generation
https://www.science.org/doi/10.1126/science.adv7434

23 research papers from 2025 that hint where AI is heading

▪️ Kosmos: An AI Scientist for Autonomous Discovery
▪️ Paper2Agent
▪️ The Dragon Hatchling
▪️ The Markovian Thinker
▪️ LeJEPA
▪️ Cambrian‑S
▪️ It’s All Connected: A Journey Through Test-Time Memorization, Attentional Bias, Retention, and Online Optimization
▪️ Absolute Zero: Reinforced Self-play Reasoning with Zero Data
▪️ It Takes Two: GRPO is Secretly DPO
▪️ Is In-Context Learning Learning?
▪️ Artificial Hivemind: The Open-Ended Homogeneity of LMs (and Beyond)
▪️ The Illusion of Diminishing Returns: Measuring Long Horizon Execution in LLMs
▪️ Intelligence per Watt
▪️ Less is More: Recursive Reasoning with Tiny Networks
▪️ Towards a Science of Scaling Agent Systems
and more