علم‌سنجی، یکی از رایج‌ترین روش‌های ارزیابی فعالیت‌های علمی است. سامانه‌های علم‌سنجی به‌طور معمول وظیفه جمع‌آوری خودکار اطلاعات پژوهش‌های علمی و ارائه در قالب یک سری گزارش‌های گرافیکی به همراه شاخص‌های پذیرفته‌شده علم‌سنجی را به همراه دارند. با توجه به اهمیت سامانه‌های علم‌سنجی، دانشگاه قم با تکیه بر توان داخلی به راه‌اندازی و استقرار سامانه علم‌سنجی بومی خود پرداخته است. این سامانه توسط آزمایشگاه نرم‌افزارهای هوشمند دانشگاه طراحی و در آدرس sci.qom.ac.ir در اختیار اساتید قرار گرفته است.

@smartsoftlab

رشد و توسعه چارچوب های یادگیری عمیق و مصنوعی استفاده از آنها را ساده کرده است و آن را ابزار مناسبی برای ارائه نوآوری‌ها و محصولات مختلف توسط استارت‌آپ‌ها کرده است. یکی از جذابترین کاربردهای هوش مصنوعی در کشاورزی هوشمند است (داستان یکی از این استارت‌آپ‌ها در حوزه پردازش تصویر و کشاورزی هوشمند را اینجا ببینید). در کشاورزی اغلب روش‌های هوشمند بر پایه پردازش تصاویر گیاهان کار می‌کنند. به عنوان می‌توان به تشخیص مواد معدنی مورد نیاز گیاه، آفات و وضعیت سلامتی گیاه و حتی تنش آبی آن با پردازش تصویر گیاه اشاره کرد. اما چالش اینجا است که در اغلب این روش‌ها، یک مدل ماشینی تنها قادر است روی یک گیاه خاص کار کند. مثلا مدلی که قادر است وضعیت گیاه ذرت را با تصویر آن تشخیص دهد هیچ کاربردی در گیاه گوجه‎‌‌فرنگی ندارند. چالشی که ذهن پژوهشگران را مشغول کرده است یافتن مدلی است که مستقل از گیاه بتواند یک مساله (به عنوان نمونه تشنگی گیاه) را در همه یا حداقل طیف وسیعی از گیاهان تشخیص دهد. در پژوهشی که در آزمایشگاه نرم‌افزارهای هوشمند انجام شده است، نشان داده شد می‌توان با در اختیار داشتن داده کافی و طراحی مناسب به چنین مدلی رسید. در این تحقیقات مدلی طراحی شد که قادر است مساله تنش آبی گیاه را در طیف وسیعی از گیاهان حتی گیاهانی که قبلا توسط مدل دیده نشده اند نیز تشخیص دهد. این مدل با دقت حدود 87% در گیاهانی قبلا آنها را ندیده است توانسته عمل کند.
@smartsoftwarelab
http://ssl.qom.ac.ir/1399/12/26/%d9%87%d9%88%d8%b4-%d9%85%d8%b5%d9%86%d9%88%d8%b9%db%8c-%d8%af%d8%b1-%da%a9%d8%b4%d8%a7%d9%88%d8%b1%d8%b2%db%8c/

مدل GPT-3، گامی در شروع یک اکوسیستم جدید در نرم‌افزارها
مدل GPT-3 در کنار BERT از برترین مدلهای زبانی حال حاضر است. این مدل به واسطه آموزش بر روی حجم بسیاری زیادی از متون، به خوبی روابط و مفاهیم متون و کلمات را یاد گرفته است و از ابن رو به عنوان یک مدل از پیش آموزش دیده در بسیاری از حوزه ها کاربرد دارد. تا کنون بیش از 300 شرکت و برنامه مختلف از این مدل در نرم‌افزارهای خودشان استفاده کرده‌اند. به عنوان نمونه شرکت Viable از این مدل برای ارتباط بهتر با مشتریان استفاده کرده است، Fable Studio برای بهینه کردن ارتباط با شخصیت‌ها در نرم‌افزارهای واقعیت مجازی خود سود جسته و Algolia برای جستجوی معنایی در محصولات خود. این مدل قابلیت‌های مختلفی شامل خلاصه‌سازی متن، درک محتوی، تولید متن از یک سرتیتر، جستجو و طبقه‌بندی متون و بسیاری از فرایندهای مبتنی بر NLP را دارد. حتی در یک آزمایش، یک فرد علاقه‌مند نشان داد که این مدل قادر است تنها با دریافت توصیف سطح بالای برنامه از سمت کاربر، کد آن را تولید کند. در این آزمایش، مدل مشخصات یک برنامه گوشی هوشمند (smartphone app) را به صورت یک متن محاوره‌ای به زبان انگلیسی دریافت کرده و کد ساخت ان برنامه را تولید می‌کند (کد فقط شامل رویه برنامه و در قالب ابزار Figma بوده است). کدهای تولید شده در اکثر موارد تنها با کمی تغییر، دقیق و کاملا منطبق با درخواست کاربر تولید شده است (متن این خبر را اینجا بخوانید). این مدل‌ها چشم‌انداز جدیدی برای بسیار از کاربردها و کسب و کارها ایجاد کرده‌اند.

http://ssl.qom.ac.ir/1400/01/07/%d9%85%d8%af%d9%84-gpt-3%d8%8c-%da%af%d8%a7%d9%85%db%8c-%d8%af%d8%b1-%d8%b4%d8%b1%d9%88%d8%b9-%db%8c%da%a9-%d8%a7%da%a9%d9%88%d8%b3%db%8c%d8%b3%d8%aa%d9%85-%d8%ac%d8%af%db%8c%d8%af-%d8%af%d8%b1-%d9%86/

@smartsoftlab

شاید تصور کنید با استفاده از VPNها، شبکه ToR یا هر شبکه رمزگذاری شده دیگری، حریم خصوصی شما در فضای اینترنت حفظ خواهد شد و ارائه دهندگان بستر اینترنت و دولت‌ها قادر نخواهند بود هویت شما را شناسایی کنند یا سرویس‌ها و سایتهایی که از آنها استفاده می‌کنید را رصد کنند، اما پیشرفت روشهای هوش مصنوعی این تصور را باطل کرده است. پژوهش‌ها نشان داده‌اند حتی روی داده‌های کاملا رمزشده نیز الگوهایی وجود دارد که به واسطه آن هویت کاربر و همچنین سرویس در حال استفاده قابل تشخیص است. به عنوان نمونه، پژوهش‌گران نشان داده‌اند با استفاده از شبکه‌های CNN می‌تواند پروتکل، برنامه و وبسایت در حال استفاده را حتی در ترافیک رمزشده مانند VPN یا ToR شناسایی کرد (برای اطلاعات بیشتر می‌تواند به این مقالات [1] [2] [3] [4] نگاهی بیندازید). در پژوهشی که در آزمایشگاه نرم‌افزارهای هوشمند دانشگاه قم انجام شده است، نشان داده شده است که مشابه با اثرانگشت بیولوژیکی هر فرد، ترافیک هر فرد نیز دارای الگوهای خاص و منحصر به فردی است. این الگو که اثرانگشت ترافیکی نامیده می‌شود، می تواند برای شناسایی افراد استفاده شود. با استفاده از اثرانگشت ترافیکی اگر شما امروز با یک IP به اینترنت متصل شود و فردا با IP دیگر، برای سیستم قابل تشخیص است که شما همان فرد قبلی هستید. این روش می‌‌توانید ابزار دفاعی برای روش‌های تغییر IP و VPN که توسط هکرها استفاده می‌شود باشد. در این حالت کافی بخشی از ترافیک ضبط شده شبکه شما در اختیار باشد و ماشین از طریق آن اثرانگشت ترافیکی شما را استخراج کند، در ادامه هر زمان ترافیکی جدیدی از یک کاربر ناشناس به دست آمد، ماشین با مقایسه اثرانگشت آن با اثرانگشت‌های قبلی ذخیره شده هویت فرد ناشناس را تشخیص می‌دهد. حفظ حریم خصوصی در دنیای هوشند امروزی به کاری بس دشوار تبدیل شده است.
http://ssl.qom.ac.ir/1400/02/10/%d8%a7%d8%ab%d8%b1-%d8%a7%d9%86%da%af%d8%b4%d8%aa-%d8%aa%d8%b1%d8%a7%d9%81%db%8c%da%a9%db%8c/
@smartsoftwarelab

سایت المجیب یکی از مهم‌ترین سایت‌های پاسخگویی به سؤالات شرعی به زبان عربی است. این سایت توانسته با یک رویکرد جمع‌سپاری تا کنون بیش از صد هزار سؤال مختلف در حوزه علوم دینی و مذهبی را پاسخ دهد و یکی از محبوب‌ترین و معروف‌ترین پلتفرم‌ها در نوع خود در بین کشورهای عرب‌زبان است. حجم بالای سؤالات ورودی به این پلتفرم، وجود سازوکارهای ماشینی و هوشمند را اجتناب‌ناپذیر می‌کند. در همکاری شکل‌گرفته بین آزمایشگاه نرم‌افزارهای هوشمند و المجیب امکان‌پذیری هوشمندسازی دو چالش مهم یافتن سؤالات مشابه و برچسب‌زنی خودکار سؤالات مورد توجه و بررسی قرار گرفته است. در این همکاری میکروسرویسهای هوشمندی برای این دو وظیفه با رویکرد یادگیری عمیق طراحی شده است که نتایج اولیه آن نشان‌دهنده صحت بیش از 80% را نشان می‌دهد. مدل‌های RNN و مدل‌های تعبیه زبانی از سازوکارهای استفاده شده در این سرویس‌ها بوده است.

@smartsoftlab

در این ویدئو جالب توضیح داده شده است که چطور ماشین می تواند یاد بگیرد به جای انسان بازی ماریو (در فارسی به قارچ‌خور معروف است) را بازی کند (در صورت عدم دسترسی می‌توانید آن را در دیدئو مشاهده کنید). اساس شیوه یادگیری، سعی و خطا به تعداد بسیار زیاد است. در هر نوبت، ماشین در صورتی که بتواند ماریو را به خوبی پیش ببرد، پاداش دریافت خواهد کرد. در نهایت ماشین تلاش می کند بسته به شرایط بازیکن تصمیمی را پیدا کند که بیشترین پاداش (یعنی برد بازی) را برایش به ارمغان بیاورد. این رویکرد که یادگیری تقویتی عمیق (Deep reinforcement learning) نامیده می‌شود، برخلاف سایر روشهای یادگیری عمیق مناسب برای مسائل تصمیم‌گیری است و در بسیار از حوزه‌ها مانند طراحی روبات‌ها و عامل‌های هوشمند کاربرد دارد. حتی در برخی از پژوهش‌ها نشان داده شده است که با این روش می‌توان به ماشین آموزش داد که چگونه یک سیستم را هک کند. البته این روشها بسیار وابسته به محیط آموزشی هستند و به نحوی که یک مدل هوشمند که در یک بازی آموزش داده شده است، در بازی کاملا با مشابه با آن قابل استفاده نیست.

از وقتی‌ که کامپیوتر دیپ‌بلو، گری کاسپارف را در سال 1993 میلادی شکست داد انسان از بازی شطرنج‌ دست برنداشت، با آن‌که بعد از آن بارها و بارها کامپیوتر انسان را شکست داد. با نگاهی به دنیای شطرنج، جهت حرکت دنیای ما بر ما نمایان می‌شود. از زمان باخت کاسپارف، انسان و کامپیوتر باهم همکاری کردند تیم دو نفره‌ای را شکل دادند و به قدرت بالاتری دست یافتند که بارها هم کامپیوتر و هم انسان را شکست داد، اما دیری نپایید که کامپیوترها و الگوریتم‌های آنها چنان پیشرفت کردند که همکاری انسان در آن بی‌ثمر بود. در سال 2017 اتفاق عجیبی رخ داد. این اتفاق نقطه‌ی عطفی در هوش مصنوعی بود. وقتی برنامه‌ی AlphaZero گوگل، برنامه‌ی Stockfish 8 را در شطرنج مغلوب کرد؛ در مسابقه‌ای بین ربات‌ها که انسان نقشی در آن نداشت. Stockfish 8 برنامه‌ی قهرمان جهانی شطرنج در سال 2016 بود که به قرن‌ها تجربه‌ی انباشه شده‌ی بشری در زمینه‌ی شطرنج دسترسی داشت، به همراه چند دهه از تجاربی که کامپیوترها کسب کرده بودند. این سیستم قادر بود 17 میلیون حالت شطرنج را در هر ثانیه پیش‌بینی و پردازش کنه. در مقابل AlphaZero تنها توانایی انجام 80 هزار مورد از این محاسبات را در ثانیه داشت و هیچ انسان یا برنامه‌نویسی به او شطرنج یاد نداده بود، و حتی حالت‌های استاندارد برای شروع مسابقه را هم نمی‌دانست. اما آلفازیرو به آخرین دستاوردها در یادگیری ماشین مجهز بود که می‌توانست با خودش شطرنج بازی کند و به این شیوه آن را یاد بگیرد و در آن ماهر شود. درنهایت از 100 بازی که بین آلفازیرو و استاک‌فیش انجام شد آلفازیرو در 28 بازی برنده و در 72 مورد مساوی کرد، و حتی در یک بازی هم نباخت. اما نکته مهم اینجاست: از آن‌جا که آلفازیرو هیچ‌چیزی در رابطه با شطرنج از انسان نیاموخته بود بسیاری از حرکات پیروزمندانه و استراتژی‌های موفق‌اش برای چشم انسان غیرمتعارف و عجیب می‌نمود. این حرکت‌ها در شطرنج همان‌هایی بودند که اگر توسط انسان انجام شده بود «اوج خلاقیت و نبوغ» فرد توصیف می‌شدند. ماشینی که جز یادگیری مجهز به هیچ توانایی دیگری نیست. حدس می‌زنید چقدر طول کشید تا آلفازیرو شطرنج را از مرحله‌ی صفر که عدم آگاهی باشد شروع کرد و به مرحله‌ی آمادگی برای شکست استاک‌فیش و توسعه‌ی نبوغ و خلاقیتش در انجام آن رسید؟ چهار ساعت. نه چهار سال. چهار ساعت. برای قرن‌ها شطرنج یکی از تاج‌های شکوهمند عظمت هوش انسان قلمداد می‌شد، اما آلفازیرو از مرحله‌ی عدم آگاهی از وجود این بازی تا تسلطِ خلاقانهِ کامل بر آن به چهار ساعت زمان نیاز داشت، بدون هیچ‌گونه کمک و یا همراهی انسان. آلفازیرو تنها الگوریتم یا برنامه کامپیوتری هوشمند یادگیری نیست. در بسیاری از حوزه‌ها حتی آن‌ها که نیاز به خلاقیت دارد انسان از این الگوریتم‌ها شکست‌خورده است. در مسابقات شطرنج انسانی که بدون وجود هیچ کامپیوتری اجرا می‌شود یکی از مهم‌ترین راه‌ها برای شناسایی این‌که آیا فرد به‌صورت مخفیانه از کامپیوتر کمک گرفته و تقلب کرده است یا نه این است که سطح اورجینال بودن یا خاص بودن شیوه‌ی بازی فرد دائم سنجیده می‌شود، اگر او منحصراً و به شکل بی‌سابقه‌ای از حرکات خلاقانه استفاده ‌کند داورها معمولاً به‌سرعت شک می‌کنند که این سطح از خلاقیت معمولاً کار انسان نیست و بیشتر به حرکت‌های کامپیوتر شباهت دارد پس احتمالا فرد از کامپیوتر کمک می گیرد. به این شکل در شطرنج، خلاقیت بر خلاف تصور انسان ویژگیِ مشخصه‌ی کامپیوترهاست نه انسان‌! هیچ محدودیت ذاتی‌ای وجود ندارد که این موضوع به سطوح دیگر و البته مشاغل و حرفه‌های دیگر سرایت نکند، حتی هنر. خلاقیت معمولاً جزو خصوصیاتی از انسان بود که تصور نمی‌شد کامپیوترها روزی به آن دست یابند. به نظر من این تصور که خلاقیت تنها یک صفت انسانی است، مثل بسیاری دیگر از اشتباهات انسان به این خاطر است که آن ویژگی یا صفت به خوبی شناخته نشده است و نمی‌دانیم در مغز خودِ ما چطور پردازش و تولید می‌شود... چون به همان شکل ممکن است در ماشین دیگری تولید شود و روی دهد. شاید بعد از همه‌ی این‌ها بشود گفت مغز دستگاهی است با هزاران الگوریتم.

✍️نویسنده: رضا چمنی

مقاله‌ی
A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play

رونمایی از سامانه دین دان، سامانه پاسخگویی به سؤالات دینی مبتنی بر هوش مصنوعی


سامانه دین دان ربات هوشمند پاسخگویی سوالات شرعی کاری از آزمایشگاه نرم افزارهای هوشمند دانشگاه قم به سفارش مرکز ملی پاسخگویی به سوالات دینی است. این سامانه مبتنی بر آموزش مدل‌های زبانی بزرگ قادر به پاسخگویی سوالات دینی به صورت خودکار است.
این سامانه روز پنجشنبه یکم آذرماه ۱۴۰۳ از ساعت ۹ با حضور آیت الله سید هاشم حسینی بوشهری، رئیس جامعه مدرسین حوزه علمیه قم، دکتر سیدابوالحسن فیروزآبادی و حجت‌الاسلام واعظی، رئیس دفتر تبلیغات اسلامی رونمایی خواهد شد.

لینک خبر


💠 @smartsoftlab

✳️ نشست‌ تخصصی

🟢 مدل‌های زبانی بزرگ و تحول در کسب‌وکارها

👤 سخنران: دکتر امیر جلالی بیدگلی
(سرپرست آزمایشگاه نرم‌افزارهای هوشمند دانشگاه قم)

در دومین روز بیست‌وچهارمین دوره نمایشگاه الکامپ/تلکام (نمایشگاه تخصصی فناوری اطلاعات در استان قم)

🗓 چهارشنبه ۲۱ آذر ۱۴۰۳
⏰ از ساعت ۱۶ الی ۱۷:۱۵
📍 نمایشگاه بین‌المللی قم
(قم، کیلومتر دو اتوبان قم-تهران)
https://nshn.ir/a5SbszHLQxvEyo


📡 پخش زنده مستقیم رویداد از سایبرنما:
🔗 http://tv.cysp.ir

رونمایی از سامانه فرادید در حضور رییس صندوق شورای عالی علوم،
تحقیقات و فناوری

رونمایی از سامانه فرادید در حضور رییس صندوق شورای عالی علوم، تحقیقات و فناوری برگزار شد. فرادید یک دستیار هوشمند بر اساس مدل‌های زبانی بزرگ است که به مدیران سازمان‌ها امکان دسترسی سریع و دقیق به آمار و اطلاعات سازمانی را می‌دهد. با فرادید، مدیران می‌توانند به راحتی سوالات خود را درباره آخرین وضعیت آمار و اطلاعات موجودیت‌های مختلف در سازمان مطرح کنند. این دستیار هوشمند بلافاصله به سامانه‌های مربوطه متصل شده و اطلاعات مورد نیاز را به صورت خودکار بازیابی و ارائه می‌کند. به این ترتیب، مدیران می‌توانند بدون نیاز به فرآیندهای پیچیده و زمان‌بر به داده‌های حیاتی دسترسی پیدا کنند.

@smartsoftlab

🎥 فایل ضبط شده نشست علمی

🧠 سلسله نشست‌های آشنایی با مدل‌ها و الگوریتم‌های هوش مصنوعی

💠 موضوع جلسه: آشنایی با شبکه‌های Kolmogorov Arnold Network (KAN)

👤 سخنران: علی رهنما
🔹 دانشجوی دکتری فناوری اطلاعات دانشگاه قم

🌐 اگر فرصت حضور در این نشست را نداشتید یا مایل به مرور مطالب هستید، می‌توانید ویدیوی ضبط‌شده را از طریق لینک‌های زیر مشاهده کنید:

🔗 آپارات
🔗 یوتیوب

📣 برای اطلاع از برنامه‌های آینده، ما را در شبکه‌های اجتماعی دنبال کنید.


🔴 Telegram 🔵 LinkedIn