کار جدید OpenAI خلاصه سازی کتاب با توجه به فیدبک خواننده

مدل بر اساس GPT-3

Blog Post

Session base recommendation

اسمش کاملاً توضیح میده که چطور عمل می‌کنه، اگر ریکامندر شما تاریخچه از کاربر نهایی نداشته باشه
یا کاربر تازه‌ای به سیستم اضافه بشه و ....

توی ریکامندرهای قبلی به مشکلات زیادی میخورید
یا حتی وقتی کاربر شما رفتارش عوض می‌شه و تاریخچه قبلیش با سرعت بیشتری تغییر می‌کنه

شاید راهکار retrain مدل باشه ولی همیشه جوابگو نیست (مخصوصاً وقتی تعداد یوزر خیلی خیلی زیاد باشه)

این دست مشکلات رو به کمک
Session base recommender
می‌شه حل کرد، راهکار خیلی ساده اما برای استفاده از این روش :

ابزاری هست که Nvidia بصورت open source در اختیار گذاشته (لازم نیست اشاره کنم که دقت فوق‌العاده ای هم داره)

Github Link

پ.ن :
Production Ready

خواستم بگم
نسخه
Pro +
گوگل کولب حالا A100 هم می‌ده 👌

وقتی داریم هماهنگی‌های نهایی رو انجام می‌دیم تا پروژه لانچ‌ بشه.


فیسبوک، واتساپ و اینستاگرام همگی down شدند :/

و حالا تلگرام، توی ۲۰ دقیقه ۵۰۰ تا ریپورت از عدم دسترسی به cdn های تلگرام ثبت شد

Service down

بخش کامنت هم اکثراً کار نمی‌کنه

دلیل قطع شدن، اینستاگرام، فیسبوک و واتساپ

طبق خبرها :
اشتباه از تیم‌های خود فیسبوک بوده روی آپدیت،

جالبه که توی توییت‌های کارمندا گفته شده خود دولوپرها هم دسترسی‌های ریموت رو از دست دادند و کسانی هم که دسترسی فیزیکی دارند
سطح دسترسی مناسب برای حل مشکل رو ندارند

عجب وضعی شد :/

PP-LCNet

https://arxiv.org/pdf/2109.15099.pdf

مدل بایدو؛ lightweight CPU-CNN
دقت کنید؛ CPU

سورس کد و سمپل و ... در گیت‌هاب بایدو موجود هست.


شرکت ایسوس هم با همکاری گوگل؛ سخت‌افزار Edge Tpu رو چند وقت پیش معرفی کرد.
با این پیشرفتا دیپلوی دردسری کمتری داره قطعا

فهمیدن دیتا از الگوریتم خیلی مهمتره
برای دوستانی که از هوش مصنوعی در حوزه پزشکی استفاده‌ می‌کنند

ممکن هست کاربرد زیادی داشته باشه

LinkedIn Post

#تجربه

من به همه‌ی دوستانی که می‌خوان وارد حوزه هوش مصنوعی بشن می‌گم که به هیچ وجه دوره‌های ایرانی رو شرکت نکنید دوتا دلیل اولیه هم داره :

۱- ۹۸٪ دزدی هست

۲- ۲٪ باقی مانده متاسفانه درآمد دوره با وقت نمی‌خونه ( مجبور میشن سر و تهش رو بزنن) یا اینکه فارسی کردن کلمات تخصصی که شمارو از چاله در میاره میندازه توی چاه

خلاصه اینکه :
Coursera
که هست رایگان بشینید ببینید دیگه.


اما چندتا از تجربیات دوستان :

۱- بوت کمپ هوش مصنوعی شرکت کردند بعد توش
مدرس نشسته، هنر شفاف اندیشیدن رو خلاصه کرده و گفته

۲- دوره NLP بوت کمپی رو شنیدم که کلا؛ ۲ جلسه بوده (جلسات ۳ ساعت)
شما
Advance Regex
رو هم تو یوتیوب سرچ کنید دوره‌اش ۳ ساعت هست
حالا اون همه مباحث
ML / nltk / gensim / spacy / DL
اصن بیخیال

۳- دوره برگذار کردن، با هدف معرفی به استارتاپ های هوش مصنوعی اونم انجام نشده
دقت کنید فقط معرفی بوده ها نه استخدام و ...

گوگل که نیست بابا خودتون ۴ تا استارتاپ تشکیل می‌دادید دیگه بلدید که

۴- بوت کمپ ی شرکتی تشکیل می‌ده بعد حامی ایده برتر هوش مصنوعی می‌شه آخر دوره با کمک ۷۵۰ م تومنی

بعد ایده ۱۵ میلیون دلاری توش رد شده

۵- دوره
Reinforcement Learning
تبلیغ دیدم ۷۰ میلیون تومان


بی‌تعارف بگم ۹۰٪ کسایی که هوش مصنوعی می‌خونند حقوق ۳م در ماه بیشتر درآمد نداشتند

شخصاً اگر قرار باشه ۵ میلیون هزینه دوره‌ای رو بدم باید حداقل ۲۰ برابر ازش درآمد زایی داشته باشم


تورو خدا شرکت نکنید این دوره‌ هارو چون ژرف زده مدیر فلان شرکت یا سنیور هوش مصنوعی
باور نکنید دوره‌اش رو

خلاصه‌اش کنم اگر ی روزی خواستید اشتباه کنید و دوره ایرانی رو شرکت کنید؛ از مدرسش ۴ تا پروژه لایو بخواید

که بتونید دمو اون رو به راحتی باهاش کار کنید و استفاده کنید.

#تجربه_شخصی :

کسی که توی تیم بنده دیتا لیبل می‌زد، هفته پیش لینکدین زده بود

Senior Deep learning engineer

جالبه بدونید ایشون نمی‌تونه توی پایتون Class تعریف کنه.

برای دوستانی که سوال کردند :

کمتر فعالیت کردن این مدت، بخاطر توسعه‌ی یک ابزار هست که لازم بود شخصاً وارد موضوعات جدیدی بشم.

بستگی به تصمیم سرمایه‌گذاران هم خواهد داشت ولی احتمال زیاد
نسخه
Free - OpenSource
هم خواهد داشت برای دولوپر‌ها و بیزینس‌های کوچکتر

توی لیست کتاب‌هایی که باید خوند.

Second Edition 👌

#نظر_شخصی

راجب کتاب باید بگم که بسیار ساده و روان نوشته شده
تمام چیزی که برای کار با کراس لازم هست رو داره (۹۹٪ منبع دیگری برای کراس لازم نخواهید داشت)

ی خوبی که نسبت به کتاب :
Hands On Machine Learning

داره اینه که کدهای اضافه رسم شکل و گراف و ... نداره و همه چیز به دقت و خط به خط توضیح داده شده

متأسفانه توی Hands On ML این مشکل هست که تازه کارها درگیر کد‌های اضافی رسم شکل و .... می‌شوند.

هرچند که Hands On ML جزو بهترین منابع هست.

این خلاصه نویسی از دوره ی Deep learning Specialization مربوط به کورسرا واقعا عالی هست
پیشنهاد می‌‌کنم حتما دانلود کنید.

متاسفانه منبع رو پیدا نکردم

حدودا ۶ ماه از پستی که راجب
Rocky Linux
نوشتم میگذره از همون موقع یکی از سیستمهای شخصی خودم + یکی از سرورهای R&D شرکتی که باهاش کار می‌کنم رو به Rocky سویچ کردیم.

توی هر ۲ حالت مشکلی نداشتیم؛ اوایل ترس از نبود کامیونیتی قوی بود که خب مشکلی نداره چون همه چیز رو میتونید تو فروم های CentOS جستجو کنید

برای استفاده روی سرور هیچ مشکلی نداشتیم تا اینجا؛ البته ی نکته ناراحت کننده حجم آپدیت هاس
که خب ما از اول توقع همچین چیزی رو داشتیم؛ مخصوصا اینکه با نسخه Release Candidate شروع بکار کردیم
و حالا قرار هست سرورهای بیشتری رو به Rocky Linux سویچ کنیم

اما برای سیستم شخصی فعلا نظرم روی همون PopOS هست؛ مخصوصا اگر هوش مصنوعی هم کار می کنید
مشکلی با بخش دولوپری و … نداره Rocky Linux اما با ماژول های مختلف مثلا صدا؛ وای فای؛ بلوتوث و …. ممکنه به مشکل بخورید بعد از آپگریدها و خب تا آپگرید بعدی مجبورید خودتون ماژول هارو ادیت کنید و یا حتی تغییر بدید و load کنید


در هرصورت بنظرم بهترین جایگزین برای CentOS, RedHat با اختلاف همین مورد هست.

بهترین مدل هوش مصنوعی دنیا رویم بزنید تا وقتی deploy نشه و user نداشته باشه بدرد بیزینس نمیخوره.
برای RestAPI توی پایتون ۳تا گزینه محبوب و سریع هست :
FastAPI, Django, Flask
این کتاب اولین و فعلا کاملترین کتاب برای FastAPI هست.

پیشنهاد میکنم دوستان علاقمند به FastAPI این کتاب رو مد نظر داشته باشند.
به خوبی و روان نوشته شده؛ فوق العاده نیست اما شروع بسیار خوبی هست.

چقدر یک همچین پروفایلر دقیقی ‌می‌تونه کمک کننده باشه
اپتیمایز ساده‌تر خواهد شد قطعا

Nvidia Youtube

GANformer: Generative Adversarial Transformers

Github,
Paper

GauGAN2 text-to-image

Nvidia Blog

گیت‌هابم دان میشه
به خودت سخت نگیر

این کدی هست که از یک
Senior Python Developer
به من رسیده برای پروژه‌ی یک دوست، توی همین ایران

متأسفانه نمی‌تونم کد رو به اشتراک بذارم (وگرنه مزخرفترین کد از بدو تولد پایتون بود قطعاً) ، اما نتونستم راجبش چیزی نگم.

من اول پروژه رو زدم و به جاهای خوبی رسیدم بعد که وقتم خالی شد (۲۴ ساعت گذشته نشستم و این کد رو خط به خط دیباگ کردم و خوندم) آمار جالبی توش پیدا شد :
۱- ۷۰ تا متغیر وجود داره که ۲۰ تا ازونا بعد از کلی محاسبه هیچ استفاده‌ای نداره.
۲- برای ساده‌ترین اعمال ریاضی numpy vector شاهد for loop تو در تو هستیم
۳- ۲۰ تا محاسبه سنگین وجود داره که نتایجش هیچ‌کجا استفاده نشده
۴- مورد عکس رو دقت کردید !؟
همه‌ی متغیرها input تعریف شده !؟ حتی خود input !؟
۵- ۵۵ تا عبارت شرطی گذاشته شده که ۴۵ مورد هیچوقت True نمی‌شه و ....

من نمی‌دونم چجوری ی نیرو از طرف شرکت ایرانی تبدیل به سنیور دولوپر می‌شه

نمی‌دونم چطور ی همچین دولوپری خودشو سنیور معرفی می‌کنه

اما الان می‌دونم چرا استارتاپ‌های ایرانی زیادی fail می‌شوند.

برای رفرنس: فیچر اول،
زمان کد قبل : ۲۰ ثانیه
زمان کد من: ۵۰۰ میلی ثانیه