کد تخفیف:
aiEvents

گروه پژوهشی آموزش ریاضی دانشگاه شهید باهنر کرمان با همکاری پژوهشکده ماهانی و اتحادیه انجمن های علمی و آموزشی معلمان ریاضی کشور
برگزار می کند:

عنوان وبینار :
"چالش‌های آموزش علوم داده"

سخنران: آقای دکتر حسین حاجی ابوالحسن عضو هیئت علمی دانشگاه شهید بهشتی

تاریخ برگزاری: پنجشنبه 26 بهمن ماه ۱۴۰۲

ساعت برگزاری 16 الی 17

لینک شرکت در وبینار:
https://ocvc.uk.ac.ir/merg/

@Ai_Events

هفتمین صبحانه کاری ابرها (تهران)

قهوه، صبحانه، ارائه و گفت‌وگوی کاری در کنار متخصصین

ارائه‌ تجربه‌محور توسط حمید پورجم

زمان: جمعه ۲۷ بهمن ۱۴۰۲، ساعت ۹ تا ۱۲ صبح
مکان: شهرک غرب، هرمزان، پیروزان جنوبی، کوچه پنجم، مرکز همایش‌های رعد


لینک ثبت‌نام
https://abrh.ir/pkv


@Ai_Events

‌ مایکروسافت به باارزش‌ترین شرکت تاریخ تبدیل شد
‌
مایکروسافت حالا به ارزش بازار ۳.۱۲۵ تریلیون دلار رسیده و بالاتر از تمام شرکت‌های تاریخ قرار گرفته. قبل از این، اپل تو مردادماه به بالاترین ارزش خودش، به ارزش بازار ۳.۰۹ تریلیون دلار رسیده بود.

مایکروسافت ارائه محصولات مبتنی بر هوش مصنوعی، قیمت سهامش رو تو ۱۲ ماه گذشته حدود ۶۰ درصد رشد داده.😮


@Ai_Events

تو راه‌اندازی استارتاپ، یکی از مواردی که بسیار بهش تاکید می‌شه، مسیله‌ی برتری مطلق هستش، به این معنی که محصول شما چه ویژگی به‌خصوصی داره که محصول رقیب شما اون ویژگی رو نداره و برای پیاده‌سازیش باید تغییرات اساسی با هزینه بالایی متحمل بشه؟

این نکته برای موفقیت محصول خیلی کمک کننده‌ست که ما ویژگی‌های محصول رو طوری طراحی کنیم که علاوه بر وجود مزیت رقابتی، برتری مطلق رو هم در نظر بگیریم تا به سادگی توسط رقیبی که مشتری جذب کرده و اسمی هم داره، به سادگی شکست نخوریم.

به عنوان مثال در نظر بگیرید بیایم یه دیوار دیگه بسازیم که علاوه بر ویژگی‌های موجود در برنامه‌ی دیوار، قابلیت تولید نوتیفیکیشن روی فیلترهای خاصی که کاربر زده رو هم داشته باشه، در این صورت دیوار که بازار رو در اختیار داره،‌ با اندک هزینه‌ای میاد و همین ویژگی رو در محصولش قرار می‌ده و اگر این تنها مزیت رقابتی ما باشه،‌ محصول ما در همون اوایل شروع به رشدش از بین می‌ره.

این اشکال در طراحی بسیاری از محصولات وجود داره و حتی افرادی که از بزرگان تکنولوژی هستند هم از این مورد غافل می‌شن، برای مثال آقای دکتر ریچارد ساکر، فارغ‌التحصیل از دانشگاه استنفورد و شاگرد دکتر Manning، سایت You.com راه‌اندازی کرده،‌ این محصول ترکیب LLM و موتور جستجو هستش. مزیت رقابتی این محصول نسبت به خانواده‌ی GPT آنلاین بودن اطلاعاتش هست و نسبت به گوگل هم این مزیت رو داره که به جای نشون داده یک سری وب‌سایت،‌ یک خروجی متنی به کاربر میده که جواب نهایی اون هست.

اتفاقی که افتاد این بود که شرکت Openai اومد و GPT4 رو راه‌اندازی کرد که اطلاعاتش آنلاین بود و گوگل هم Gemini رو معرفی کرد که گپ بین LLM و موتور جستوجوش رو پر کرد.

و حالا باید منتظر باشیم که You.com ویژگی دیگه‌ای رو کنه تا روند رو به رشدش رو نگه داره که مستلزم تغییرات زیادی تو بیزینس پلن و تحمیل هزینه تو همین اوایل شروع کارش هست.

@Ai_Events

چالش قانون‌گذاری در توسعه و استفاده از ابزارهای هوش‌مصنوعی

سرعت تکنولوژی‌هایی مثل هوش‌مصنوعی به صورت نمایی بالا رفته و قانون‌گذار هم نمی‌تونه قوانین خودش رو با چنین سرعتی تطبیق بده. از طرفی هم قانون‌گذاری برای هوش‌مصنوعی چالش‌های زیادی داره، مخصوصاً که هر روز که مدل‌های جدیدی هم اضافه میشن و با سرعت غیرقابل تصوری به ترند تبدیل ‌می‌شن.

این چالش تو ایران داستان‌های بیشتری داره، چون هم انکار تکنولوژی وجود داره هم مسايل حقوقی، سیاسی و ... بیشتری هم باید مد نظر گرفته بشه. از طرفی، توسعه هوش مصنوعی باید با حفظ حقوق و آزادی افراد توازن داشته باشه، مثل حفاظت از حریم شخصی و استفاده منصفانه از داده‌های افراد.

کشورهای پیشرفته همیشه به دنبال قوانین جدید برای کنترل هوش مصنوعی هستند تا امنیت و حریم خصوصی مردم را حفظ کنند. آمریکا به عنوان پیشروی در این زمینه، تازه‌ترین قوانین خودش رو اعلام کرده. بر اساس این قوانین، دولت می‌خواد استفاده از هوش مصنوعی رو تو دولت و جامعه کنترل کنه و این‌طوری از سوءاستفاده‌ها جلوگیری کنه. این قوانین شامل ایجاد دستورالعمل‌ها و مقررات جدید برای آموزش مدل‌های هوش مصنوعی هستش و همچنین تشویق به استفاده از هوش مصنوعی در دولت و مدرسه‌ها! اما برخی انتقاد دارند که این اقدامات کافی نیستند و باید یک آژانس دولتی جدید برای نظارت بر هوش مصنوعی ایجاد بشه.

تو اروپا هم توافق حداکثری اتحادیه‌شون تو زمینه قوانین هوش مصنوعی برقرار شده. این توافق روی جزئیات فنی قانون هوش مصنوعی (AI Act) صورت گرفته. اروپا به تصویب قوانین جدیدی که استفاده از هوش مصنوعی رو مدیریت می‌کند، نزدیک‌تر شده. این قوانین شامل استفاده از هوش مصنوعی تو بخش‌های مختلف از جمله بانک‌داری، خرده‌فروشی و حتی خطوط هوایی هستش. همچنین، الزاماتی هم برای استفاده از هوش مصنوعی در اهداف نظامی و امنیتی هم در نظر گرفتن.

در کل به نظر میاد قوانینی که برای هوش مصنوعی تعیین میشن، هم خیلی کارایی ندارن. چرا که این تکنولوژی چنان راحت تغییر می‌کنه که اصلا نمیشه قوانین رو به روز نگه داشت. هوش مصنوعی از وقتی به دنیا اومده، خیلی سریع تغییر کرده و استفاده ازش هم خیلی متنوع شده.

در واقع، تکنولوژی هوش مصنوعی خیلی با تجربیات قبلی ما فرق داره. اینقدر سریع پیشرفت می‌کنه که حقوق و قانون‌گذار نمی‌تونه باهاش رقابت کنه. از زمانی که هوش مصنوعی در دسترس عموم قرار گرفته، فقط یک سال نمی‌گذره ولی در این مدت کوتاه، خیلی تغییر کرده و کاراییش خیلی متفاوت شده.


با این حال، اینکه دولت‌ها بتونن خطرات هوش مصنوعی رو کنترل کنن، خیلی مهمه. برای مثال، قوانینی برای حفظ حریم خصوصی کاربران، امنیت ملی، حق نسخه‌برداری و ارائه محتوای مناسب برای کودکان و نوجوانان باید وضع بشن. ولی تا الان، قوانین مناسبی برای همچین چیزهایی تعیین نشده و دولت‌ها همچنان دارن سعی می‌کنن قوانین مناسبی رو برای هوش مصنوعی پیدا کنن.


هوش مصنوعی واقعاً یه پدیده شگفت‌آوره! انگاری احتیاجه که خودش برای خودش قانون طرح کنه!

کارشناسای حقوقی هم می‌گن تو ایران مشکلاتی تو فرآیند ایجاد قوانین در حوزه هوش مصنوعی وجود داره. از یه طرف، مسئولان کلا منکر تکنولوژی هستند و عجله‌ای برای روبرو شدن باهاش ندارن و فکر می‌کنن سال‌ها طول خواهد کشید تا یک ابزار فراگیر بشه (کلاک ریتشون پایینه!). از طرف دیگه، نظام حقوقی ناکارآمده و این باعث می‌شود که تنظیم قوانین مربوط به فناوری‌های جدید تو ایران دشوار بشه.

رعایت حریم خصوصی کاربران خیلی اهمیت داره و به نظر کسب‌وکارها باید با رعایت خط‌قرمزها فعالیت کنن و در عین حال به حریم خصوصی کاربران را احترام بذارن. دیپ فیک (ابزار تولید محتوای غیرواقعی) هم که این مدت شاهکار کرده حقوقدان‌ها معتقدن این تکنولوژی می‌تونه برای امنیت ملی خطراتی به دنبال داشته باشه اما با سرعت رشد این فناوری، نمیشه از نفوذش به بخش‌های مختلف جلوگیری کرد.

به نظرم قانون‌گذاری در زمینه هوش مصنوعی به چالش بزرگ دوستان در حوزه علوم انسانی تبدیل شده. همون‌طور که سال‌ها پیش یکی از دوستان علوم انسانی ‌می‌گفت مهندسی کور هستش و بدون در نظر گرفتن عواقب کار،‌تکنولوژی رو گسترش می‌ده،‌ به نظرم این بار امکان داره عواقب بسیار نامناسب‌تری برای جامعه داشته باشه و بهتره یه فکر اساسی برای سرعت ایجاد و تصویب قوانین کرد.

@Ai_Events

What Tech Type Am I?

با استفاده از آدرس زیر می‌تونید جواب سوال بالا رو دریافت کنید.

این یه تست روانشناسی هستش که توسط شرکت IBM ارایه میشه و به شما می‌گه تیپ تِک شما چی هستش!

https://www.responsiblenlp.org/application-documents/

من خودم تست رو دادم چیزی نزدیکه به 15 دقیقه زمان گرفت و جوابش هم به صورت زیر در اومد:
Your Tech Type:
Experimental Strategist



@Ai_Events

what is difference between diffusion models and generative models?

Diffusion models are a specific type of generative model, so while they share some similarities, they also have key differences:

Similarities:

* Both aim to generate new data: Both generative models and diffusion models are trained on existing data to learn its underlying patterns and distributions. They then use this knowledge to create new data points that resemble the original data.
* Both involve learning: Both types of models utilize machine learning algorithms to analyze and learn from data. However, the specific learning processes they employ differ.

Differences:

* Generation approach:
* Generative models: Build directly from scratch, often using neural networks to learn a mapping from a latent space (noise) to the data space.
* Diffusion models: Start with the actual data and gradually add noise to it (diffusion process). Then, they learn to reverse this process (denoising) to recover the original data. By manipulating the noise, they can create new data variations.
* Interpretability: Diffusion models can be more interpretable than some generative models due to the clear steps involved in their generation process. This can be helpful in understanding how the model works and what factors influence its outputs.
* Sample quality: Diffusion models have shown impressive results in generating high-quality, realistic images compared to some traditional generative models.
* Computational cost: Training diffusion models can be more computationally expensive than some generative models.

Here's an analogy:

Imagine building a sculpture.

* Generative model: Starts with a block of stone and carves away to create the desired shape.
* Diffusion model: Starts with the finished sculpture and adds layers of clay on top, then learns to remove the clay in the correct way to reveal the original sculpture again. By manipulating the clay differently, it can create variations of the sculpture.

I hope this clarifies the key differences between diffusion models and generative models!

@Ai_Events

حتما تا حالا اسم مدل‌های Diffusion رو شنیدید،‌ متن بالا برای درک بهتر این نوع مدل‌ها و تفاوت اون‌ها با مدل‌های Generative نوشته شده.

پیشنهاد می‌کنم مطالعه کنید و اگر نکته‌ای دارید حتما کامنت بذارید.

@Ai_Events

OOD Generalization Explained:

Out-of-Distribution (OOD) generalization refers to the ability of a machine learning model to perform well on data that differs significantly from the data it was trained on. This is a crucial challenge in real-world applications, where encountering truly unseen data is almost inevitable.

Here's a breakdown of the key aspects:

Traditional ML vs. OOD:

* Imagine training a model to recognize different types of flowers based on pictures from a garden. In traditional machine learning, the model is assumed to encounter similar pictures of flowers from the same garden (similar distribution).
* However, in the real world, the model might be shown pictures of exotic flowers from a rainforest, blurry underwater shots, or even hand-drawn illustrations of flowers (different distribution). These are all examples of out-of-distribution data.

Challenges of OOD Generalization:

* Models trained on specific data distributions often overfit to those patterns, struggling to generalize effectively to data with different characteristics.
* This can lead to misleading predictions on OOD data, potentially causing consequences depending on the application. For example, misdiagnosed medical images or incorrectly flagged emails.

Why is OOD Generalization Important?

* Robustness: Models able to handle OOD data are more reliable and trustworthy in real-world scenarios, adapting to unforeseen situations.
* Safety: In critical applications like self-driving cars or medical diagnosis, OOD detection and handling are crucial for safety and ethical considerations.
* Applicability: By generalizing beyond training data, models become more versatile and adaptable to wider contexts, enhancing their usefulness.

Techniques for OOD Generalization:

* Calibrated uncertainty estimation: Training models to assess their own confidence in predictions allows them to flag potentially OOD data.
* Anomaly detection: Building separate models to identify outlier data points that significantly deviate from the expected distribution.
* Domain adaptation: Adapting models to new domains with subtle differences, bridging the gap between training and OOD data.

@Ai_Events

بچه‌ها تا حالا در مورد Out-of-Distribution Generalization چیزی شنیدید؟ OODG یه مفهوم جالب تو یادگیری ماشین هست و متن بالا کمک زیادی می‌کنه تا بتونید متوجه‌ش بشید.

این ویدیو هم کمک خوبی به متوجه شدن مشکل و راه حل می‌کنه:
https://www.youtube.com/watch?v=NliJwEGwUpA

@Ai_Events

این پست آقای دکتر قدرت آبادی هم جذاب بود.

اینکه ایشون به زبان فارسی پست می‌ذارن بسیار قابل احترام و ستایش هست.

@Ai_Events

معاون حوزه علمیه: حوزه علمیه با سرعت به حوزه هوش‌مصنوعی ورود کرده است

مهدی رستم‌نژاد، معاون حوزه‌های علمیه:

🔹آیت‌الله اعرافی پیش از آنکه مدیر حوزه علمیه شوند، در قالب یک پروژه شخصی، مساله هوش‌مصنوعی را دنبال می‌کردند.

🔹سال گذشته نمایشگاهی در حوزه علمیه داشتیم که مرتبط با همین مباحث هوش‌مصنوعی بود.

🔹 برخی از افراد از وزارتخانه مرتبط دعوت شده بودند که برای آن‌ها هم موجب اعجاب شده بود که حوزه علمیه با این سرعت به این حوزه ورود کرده است./ ایرنا

@Ai_Events