👉 @ai_python ✍️

انواع منابع پردازشی موجود در Azure Machine Learning :

👉 @ai_python ✍️

1️⃣ Compute instance: Behaves similarly to a virtual machine and is primarily used to run notebooks. It's ideal for experimentation.

2️⃣ Compute clusters: Multi-node clusters of virtual machines that automatically scale up or down to meet demand. A cost-effective way to run noscripts that need to process large volumes of data. Clusters also allow you to use parallel processing to distribute the workload and reduce the time it takes to run a noscript.

3️⃣ Kubernetes clusters: Cluster based on Kubernetes technology, giving you more control over how the compute is configured and managed. You can attach your self-managed Azure Kubernetes (AKS) cluster for cloud compute, or an Arc Kubernetes cluster for on-premises workloads.

4️⃣ Attached compute: Allows you to attach existing compute like Azure virtual machines or Azure Databricks clusters to your workspace.

5️⃣ Serverless compute: A fully managed, on-demand compute you can use for training jobs.

هدف فیلتر بان

👉 @ai_python ✍️

https://youtu.be/TpccDxGGMnk?si=xnSDY54oxVTRrgmy

این ویدیو برای افرادی که قصد دارن در آینده در اکوسیستم مایکروسافت، سرویس های هوش مصنوعی ارائه بدن، بسیار مهم هست. ( یا در حال حاضر ارائه می دن)


👉 @ai_python ✍️

مواردی که پوشش داده شده :
💬 Agent Factory

💭 Model Router

💬 Microsof Defender for AI Services

https://youtu.be/a0byEIaDi8U?si=7f91KCQJucqzVUuj

👉 @ai_python ✍️

اعلام همکاری ان ویدیا و داکلینگ در CES در 7 ژانویه 2026

کلمه Docling رو در کانال سرچ کنید، مطالب زیادی دربارش داریم.

این وویس به معرفی و تبیین مهندسی عامل (Agent Engineering) می‌پردازد و آن را به عنوان یک نظم و انضباط نوین برای تبدیل سیستم‌های هوش مصنوعی غیرقابل‌پیش‌بینی به ابزارهای تجاری قابل‌اطمینان معرفی می‌کند. نویسنده با تأکید بر چرخه‌ی تکرارپذیر «ساخت، آزمایش، عرضه و مشاهده»، توضیح می‌دهد که برخلاف نرم‌افزارهای سنتی، عامل‌های هوشمند به دلیل ماهیت تطبیق‌پذیر و غیرقطعی خود، نیازمند پایش مداوم و اصلاح بر اساس رفتارهای واقعی کاربران هستند.

👉 @navidcasts 🎓

این نوشتار با ترکیب مهارت‌های تفکر محصول، مهندسی زیرساخت و علوم داده، چارچوبی عملی ارائه می‌دهد تا تیم‌ها بتوانند از طریق یادگیری از محیط عملیاتی، بر چالش‌هایی نظیر ورودی‌های پیش‌بینی‌نشده و دیباگینگ دشوار غلبه کنند. در نهایت، هدف اصلی این متن تأکید بر این نکته است که موفقیت در عصر جدید هوش مصنوعی نه در کمال‌گرایی پیش از عرضه، بلکه در توسعه‌ی سیستماتیک و سریع بر اساس داده‌های واقعی نهفته است.

استانداردی که شاید به زودی جایگزین ابزارهایی مثل PortKey بشه (قبلن بارها درباره Portkey و کاربرد آن در چانال صحبت کردیم)

👉 @ai_python ✍️

https://youtu.be/b-BzeHF6WLA?si=VWVgI22OF3yT-Fyk

مدل GPT-5.3-Codex :

👉 @ai_python ✍️

https://openai.com/de-DE/index/introducing-gpt-5-3-codex/

رودمپ DevOps برای سال 2026 :

👉 @ai_python ✍️

https://youtu.be/h-xaWRGBxC4?si=xL0QeDUIVGua_Jf2

FYI

👉 @ai_python ✍️

https://x.com/IntCyberDigest/status/2010063149702287577

مهندسی اجنت ها، شاخه ای بسیار مهم در مهندسی نرم افزار

👉 @ai_python ✍️

این وویس به معرفی و تبیین مهندسی عامل (Agent Engineering) می‌پردازد و آن را به عنوان یک نظم و انضباط نوین برای تبدیل سیستم‌های هوش مصنوعی غیرقابل‌پیش‌بینی به ابزارهای تجاری قابل‌اطمینان معرفی می‌کند. نویسنده با تأکید بر چرخه‌ی تکرارپذیر «ساخت، آزمایش، عرضه و مشاهده»، توضیح می‌دهد که برخلاف نرم‌افزارهای سنتی، عامل‌های هوشمند به دلیل ماهیت تطبیق‌پذیر و غیرقطعی خود، نیازمند پایش مداوم و اصلاح بر اساس رفتارهای واقعی کاربران هستند.

👉 @navidcasts 🎓

این نوشتار با ترکیب مهارت‌های تفکر محصول، مهندسی زیرساخت و علوم داده، چارچوبی عملی ارائه می‌دهد تا تیم‌ها بتوانند از طریق یادگیری از محیط عملیاتی، بر چالش‌هایی نظیر ورودی‌های پیش‌بینی‌نشده و دیباگینگ دشوار غلبه کنند. در نهایت، هدف اصلی این متن تأکید بر این نکته است که موفقیت در عصر جدید هوش مصنوعی نه در کمال‌گرایی پیش از عرضه، بلکه در توسعه‌ی سیستماتیک و سریع بر اساس داده‌های واقعی نهفته است.

وزارت بهداشت و خدمات انسانی آمریکا (HHS) به‌تازگی بزرگ‌ترین دیتاست Medicaid را در تاریخ این نهاد به‌صورت متن‌باز منتشر کرده است. این مجموعه داده شامل اطلاعات تجمیع‌شده و سطح‌ارائه‌دهنده از درخواست‌های پرداخت (claims) برای یک کد مشخص صورتحساب در طول زمان است. چنین داده‌ای امکان مشاهده الگوهای رفتاری ارائه‌دهندگان خدمات درمانی را با دقتی بی‌سابقه فراهم می‌کند.

👉 @ai_python ✍️

اهمیت این دیتاست در آن است که می‌تواند به‌عنوان ابزاری قدرتمند برای شناسایی الگوهای غیرعادی و کشف تقلب در سیستم سلامت مورد استفاده قرار گیرد. خود تیم HHS DOGE اشاره کرده که با همین داده‌ها می‌شد تقلب گسترده در تشخیص اوتیسم در ایالت مینه‌سوتا را خیلی زودتر شناسایی کرد. انتشار عمومی این داده‌ها به پژوهشگران، روزنامه‌نگاران و تحلیلگران مستقل اجازه می‌دهد رفتار سیستم سلامت را شفاف‌تر و دقیق‌تر بررسی کنند.

👉 @ai_python ✍️

این دیتاست توسط تیم HHS DOGE منتشر شده؛ گروهی در وزارت بهداشت آمریکا که مأموریتش افزایش شفافیت، تحلیل داده‌های سلامت و مبارزه داده‌محور با تقلب است. انتشار این مجموعه داده از طریق پورتال رسمی داده‌های باز دولت آمریکا، opendata.hhs.gov، گامی مهم در جهت پاسخ‌گویی عمومی و تقویت اعتماد به سیستم سلامت محسوب می‌شود.

👉 @ai_python ✍️

دانلود در این لینک :

https://opendata.hhs.gov/

برای این که بدونید سرویس جدید MixBoard گوگل که بر پایه هوش مصنوعی هست به چه دردی می خوره، این ویدیو رو ببینید.

👉 @ai_python ✍️

البته هنوز در تمام ریجن ها فعال نیست. برای مثال من سعی کردم از اتریش امتحان کنم و فعلن برای من قابل استفاده نبود. (تا تاریخ اولین انتشار این پست در کانال : 9 ژانویه 2026 )

ابزاری برای بررسی میزان جمعیت در مکان های متفاوت (این ابزار OpenSource است)

👉 @ai_python ✍️|

https://www.mapchecking.com/

نحوه استفاده از Agent Skills ها در Visual Studio Code جهت افزایش کارایی

👉 @ai_python ✍️

https://youtu.be/fabAI1OKKww?si=Wk_hbLjMDG1NVbXx

کمپانی SpaceX یکی از اولین مشتری های Enterprise گروک محسوب می شه.

🖥 @elonfact 🙄

در واقع این نسخه سفارشی سازی شده از گروک با نام Spok بر روی داده های کمپانی های فعال در حوزه صنایع فضایی به خصوص خود SpaceX آموزش داده شده است.

به روزرسانی های 16 ژانویه در آژور که ممکن نشده بود در چانال بذاریم

👉 @ai_python 🦁 ☀️


https://youtu.be/0U9CjXk5o2E?si=JZju3U06nRbBM5tA

به روزرسانی های تا 13 فوریه مایکروسافت آژور

👉 @ai_python 🦁 ☀️


https://youtu.be/gFh0kpFrND8?si=ETTjkew5znNbXxfx