🟣 ترجمه زنده گفتگوها در Google Meet رسماً فعال شده.

✅کافیه طبیعی صحبت کنید تقریباً به‌صورت هم‌زمان ترجمه می‌شه، اونم بدون اینکه لحن، صدا یا حالت بیان‌تون از بین بره.
فعلاً برای زبان‌های انگلیسی و اسپانیایی در دسترسه و بقیه بزودی

😀😀😀😀

Live speech translation in Google Meet is here. Speak naturally—your words are translated in near real time while preserving your tone, voice, and expression. Available in English and Spanish, with more languages coming soon. → https://goo.gle/3S4OIuY


#هوش‌_مصنوعی
🆔 @Ai_Tv

⭐یک ویدیوی جالب دیدم از صحبت‌های دکتر جورج وسترمن از MIT Sloan درباره‌ی «ادغام هوش مصنوعی مولد (GenAI) در استراتژی کسب‌و‌کار».

💡 پر از نکات مهم برای رهبران کسب‌وکار! در ادامه چند تا از نکات کلیدی رو خلاصه می‌کنم ولی حتما ببینید اگه دنبال استفاده از AI در کمپانی/سازمانتون هستید.

➕ چالش اصلی: تحول، نه تکنولوژی!
دکتر وسترمن با یه حقیقت ساده شروع کرد:
«تکنولوژی سریع عوض می‌شه. اما سازمان‌ها خیلی کند تغییر می‌کنن.»
پس مشکل اصلی استفاده از AI نیست، بلکه تغییریه که لازمه اتفاق بیفته. این بیشتر یه چالش رهبریه تا تکنولوژی.

➕ هوش مصنوعی هنوز واقعاً «هوشمند» نیست!
یه نکته مهم:
«هوش مصنوعی واقعاً هوشمند نیست… ولی می‌تونه خیلی هوشمندانه عمل کنه، و این خیلی مفیده.»
یعنی باید بدونیم چی ازش برمیاد و چی نه. ابزار قدرتمندیه، ولی جادو نیست.

➕ ابزار مناسب رو برای کار درست انتخاب کن!
هوش مصنوعی (AI) یه چیز واحد نیست. دکتر وسترمن چهار دسته اصلی از دید مدیریتی معرفی کرد:
a) سیستم‌های قاعده‌محور (Expert Systems)
b) اقتصادسنجی (آمار و مدلسازی)
c) یادگیری عمیق
d) هوش مصنوعی مولد (GenAI)

هر کدوم مزایا و محدودیت‌های خودشون رو دارن. مهم اینه بدونی چه ابزاری واسه چه مسئله‌ای مناسبه. نه اینکه از ابزار شروع کنی.

➕ با مسئله شروع کن، نه با تکنولوژی!
مثل کاری که شرکت‌هایی مثل ایرباس یا هوم‌دیپو می‌کنن، باید اول ببینی چه مشکلی رو داری حل می‌کنی یا چه تجربه‌ای رو می‌خوای خلق کنی. تکنولوژی فقط یه وسیله‌ست، نه نقطه شروع.

➕ برای موفقیت در GenAI، رهبران باید این سوالات کلیدی رو جواب بدن:

⬅️ چی رو اول انجام بدیم؟ چی رو اصلاً انجام ندیم؟
⬅️ ریسک‌ها چیه؟ هزینه‌های اشتباه؟ حریم خصوصی و مالکیت فکری؟
⬅️ آیا سازمان آماده‌ست؟ از نظر:
* سیاست‌گذاری و حکمرانی
* یادگیری و اشتراک‌گذاری نوآوری‌ها
* فرهنگ سازمانی (آیا آمادگی آزمون و خطا، اخلاق‌مداری و فروتنی داریم؟)
* نیروی انسانی (مهارت‌ها و آینده شغلی‌شون چی می‌شه؟)

➕ شیب ریسک GenAI: یه مسیر مرحله‌به‌مرحله برای پیاده‌سازی
سازمان‌ها معمولاً GenAI رو در ۳ سطح استفاده می‌کنن:
⬅️ سطح ۱ (ریسک پایین): افزایش بهره‌وری فردی (خلاصه‌سازی، LLMهای داخلی)
⬅️ سطح ۲ (ریسک متوسط): بهینه‌سازی نقش‌ها یا فرایندها (کدنویسی، داده‌کاوی، پشتیبانی انسان‌در-حلقه)
⬅️ سطح ۳ (ریسک بالا): تعامل با مشتری یا تغییر فرایندهای بزرگ
همزمان با بالا رفتن سطح، باید توانمندی و مدیریت ریسک رو تقویت کرد.

➕ تغییرات کوچک به سمت تحول بزرگ
با یه مثال از H&M گفت:
«مثل اینه که بخوای چرخ ماشین رو ببندی. یه پیچ رو خیلی سفت نمی‌کنی و بعدی رو بزنی. همه رو کم‌کم سفت می‌کنی تا آخرش محکم بشن.»
یعنی تغییرات کوچیک و تدریجی کمک می‌کنن ریسک کم بشه و آماده‌ی تحول بزرگ‌تر بشی.

➕ اول آدم‌ها: نیروی کار رو آماده کن
موفقیت GenAI وابسته‌ست به آدم‌ها.
بهشون نشون بده که AI قراره کمکشون کنه، نه جایگزینشون شه.
روی مهارت‌های انسانی مثل خلاقیت، تفکر انتقادی و همکاری سرمایه‌گذاری کن.
یه فرهنگ یادگیری مداوم و انطباق‌پذیر بساز.


لینک ویدیو
🔽🔽
https://youtu.be/9RvWcXVaAng?si=lgw7RgU9JXuGSu1I
منبع



#هوش‌_مصنوعی
🆔 @Ai_Tv

🔴 گوگل یک سری مدل به اسم MedGemma در اندازه های ۴ و ۲۷ میلیارد پارامتری معرفی کرده برای درک و فهمیدن متن ها و تصویرهای پزشکی. این مدلها روی انواع دیتاها از عکسهای xray گرفته تا دیتاهای مربوط به پوست و ,,, ترین شدند. که میشه برای اپلیکیشن های مختلف توی حوزه پزشکی استفاده کرد.
✅Models: https://huggingface.co/collections/google/medgemma-release-680aade845f90bec6a3f60c4



#هوش‌_مصنوعی
🆔 @Ai_Tv

➕Meet Document AI, our end-to-end document processing solution powered by the world’s best OCR model!

➡️https://mistral.ai/solutions/document-ai



#هوش‌_مصنوعی
🆔 @Ai_Tv

🌟 شرکت میسترال ای‌آی با همکاری All Hands AI، مدل اوپن‌سورس Devstral رو معرفی کردن. مخصوص توسعه نرم‌افزار هست و حتی روی لپ‌تاپ هم اجرا می‌شه. تو بنچمارک SWE-Bench حتی از GPT-۴.۱-mini، بهتر عمل کرده

✔️https://the-decoder.com/mistral-launches-devstral-small-24b-a-new-open-source-llm-for-coding



#هوش‌_مصنوعی
🆔 @Ai_Tv

💡Fine-tune 100+ LLMs directly from a UI!

➡️ LLaMA-Factory lets you train and fine-tune open-source LLMs and VLMs without writing any code.

Supports 100+ models, multimodal fine-tuning, PPO, DPO, experiment tracking, and much more!

✅️100% open-source with 50k stars!



#هوش‌_مصنوعی
🆔 @Ai_Tv

↗️ اگر دنبال استفاده از AI بخصوص مدلهای LLM و سیستم های ایجنتیک درموضوعات مالی مثل سرمایه گذاری، تحقیقات مالی، و تریدینگ هستید این چندتا مقاله را بخونید. کلی مطالب جالب و فریمورک های جالبی را پیشنهاد میده.

🎓 TradingAgents: Multi-Agents LLM Financial Trading Framework
https://arxiv.org/pdf/2412.20138

🎓 From Deep Learning to LLMs: A survey of AI in Quantitative
Investment
https://arxiv.org/pdf/2503.21422

🎓 Enhancing Investment Analysis: Optimizing AI-Agent
Collaboration in Financial Research
https://arxiv.org/pdf/2411.04788

🎓 Are Generative AI Agents Effective Personalized Financial
Advisors?
https://arxiv.org/pdf/2504.05862



#هوش‌_مصنوعی
🆔 @Ai_Tv

💡The OpenAI Codex repo turned into a Knowledge Graph!

🔻If you want to start working on massive codebases and serious projects, you need to use CodeGPT’s Knowledge Graphs.

🔴Here’s a step-by-step guide to create your Codex graph and connect it to VSCode 👇

✔️Fork the repo: https://github.com/openai/codex

✔️Go to http://codegpt.co, create your account, and open the Code Graph section

✔️Select the repository and branch

✔️Wait a few seconds while CodeGPT scans every corner of the repo

✔️Open VSCode and install the CodeGPT extension

✔️Set the repo as your codebase context — and you're all set!

⭐Now you can work with HUGE codebases effortlessly

No special config, rules, or prompt engineering required.


#هوش‌_مصنوعی
🆔 @Ai_Tv

🔹 اگه تو حوزه ماشین لرنینگ کار می کنید یا علاقه دارید به این حوزه ورود کنید پیشنهاد میکنم این ریپوهای کاربردی را حتما مطالعه کنید


✅آموزش طراحی سیستم‌های Machine Learning

https://github.com/mercari/ml-system-design-pattern

✅کدنویسی الگوریتم های Machine learning
https://github.com/TheAlgorithms/Python

✅کتابخانه های پایتون برای Machine learning
https://github.com/ml-tooling/best-of-ml-python

✅پروژه‌های ML در دنیای واقعی
https://github.com/GokuMohandas/Made-With-ML

✅قابل فهم کردن مدل‌های ML
https://christophm.github.io/interpretable-ml-book


#یادگیری_ماشین #Machine_Learning

🆔 @Ai_Tv

⏩Chat with any public GitHub repository

❗️No more endless docs. Why read when you can ask and get answers instantly

🐱با این ابزار رایگان می تونی ریپوهای گیت هاب رو به گفتگوی هدشمند تبدیل کنی و سریع تر به اطلاعاتی که نیاز داری دست پیدا کنی کافیه تو لینک ریپو به جای GitHub بنویسی talktogithub


🆔 @Ai_Tv

🔵 ابزاری برای ارزیابی و تست ایجنت های هوش‌مصنوعی

✅Giving AI teams confidence in every release

LangWatch is an LLM observability and evaluation platform.

Debug, Evaluate & Optimize your entire AI agent lifecycle with LangWatch.

🌐 https://langwatch.ai/

🐱https://github.com/langwatch/langwatch

#هوش_مصنوعی

🆔 @Ai_Tv

↔️ Anthropic released a guide on "Best practices for agentic coding"

🔽🔽

https://www.anthropic.com/engineering/claude-code-best-practices

😍 Anthropic just launched a FREE AI Course – AI Fluency

⏩12 Modules. Generative AI. Prompt Engineering.

💎https://www.anthropic.com/ai-fluency


#هوش_مصنوعی

🆔 @Ai_Tv

✔️اتصال ریپوزیتوری گیت‌هاب به Gemini AI برای ایمپورت کدها

🔹 گر از کاربران Gemini AI با اشتراک Pro هستید، حالا می‌تونید حساب گیت‌هاب‌تون رو به Gemini متصل کنید. این اتصال به Gemini اجازه می‌ده تا مستقیماً به کدهای پروژه‌هاتون در ریپوزیتوری دسترسی پیدا کنه، ساختار کد رو درک کنه.


#هوش_مصنوعی

🆔 @Ai_Tv

✔️This GitHub repo is a gold mine for EVERY data scientist!

⚪️ DS Interactive Python repo has interactive dashboards to learn statistics, ML models, and other DS concepts.

🟣Topics include PCA, bagging & boosting, clustering, neural networks, etc.

⭐Fully open-source and free!

➡️ Repo link: https://github.com/GeostatsGuy/DataScienceInteractivePython.

➡️ Get a free PDF with 150+ AI Engineering chapters (explained visually): https://join.dailydoseofds.com



#هوش_مصنوعی #یادگیری_ماشین #علم_داده

🆔 @Ai_Tv

⏭Anthropic literally dropped the best free masterclass on prompt engineering


https://github.com/anthropics/prompt-eng-interactive-tutorial


#هوش_مصنوعی

🆔 @Ai_Tv

🔰 5 MCP projects for AI engineers (with code):

➡️100% local MCP client

An MCP client is a component in an AI app (like Cursor) that establishes connections to external tools. Learn how to build it 100% locally.

📱 GitHub repo → https://github.com/patchy631/ai-engineering-hub/tree/main/llamaindex-mcp

➡️MCP-powered RAG over complex docs

Learn how to use MCP to power an RAG app over complex documents with tables, charts, images, complex layouts and what not.

📱 GitHub repo → https://github.com/patchy631/ai-engineering-hub/tree/main/eyelevel-mcp-rag

➡️MCP-powered financial analyst

Build an MCP-powered AI agent that fetches, analyzes & generates insights on stock market trends, right from Cursor or Claude Desktop.

📱 GitHub Repo → https://github.com/patchy631/ai-engineering-hub/tree/main/financial-analyst-deepseek


➡️ A unified MCP server

This project builds an MCP server to query and chat with over 200+ data sources using natural language through a unified interface powered by MindsDB and Cursor IDE.

📱 GitHub repo → https://github.com/patchy631/ai-engineering-hub/tree/main/mindsdb-mcp

➡️MCP-powered synthetic data generator

Learn how to build an MCP server that can generate any type of synthetic dataset. It uses Cursor as the MCP host and SDV to generate realistic tabular synthetic data.

📱 GitHub repo → https://github.com/patchy631/ai-engineering-hub/tree/main/sdv-mcp


🆔 @Ai_Tv

⭐اگه دوست دارید یاد بگیرید چطور یک سیستم realtime recommendation درست کنید، این ریپو یک نمونه کامل به همراه کد و معماری و کلیه جزئیات را توضیح میده. از دیزاین تا feature engineering و کارهای MLOps، همه را پوشش میده.

🎯 Github: https://github.com/decodingml/personalized-recommender-course


🆔 @Ai_Tv

⬅️کمپانی Anthropic تو یه بلاگ پست جالب توضیح داده چطوری سیستم تحقیقاتی جدید Claude یا رو با multi-agent research system ساخته. خیلی قشنگ ماجرا را توضیح میده:

1️⃣ یه «ایجنت اصلی» (LeadResearcher) برنامه‌ریزی می‌کنه که چطوری تحقیق انجام بشه.

2️⃣ بعد چند تا «sub agent» (با Claude Sonnet 4) برای بررسی بخش‌های مختلف موضوع فرستاده می‌شن — مثل داشتن چند تا کارآموز خبره در لحظه.

3️⃣ این sub agent ها از ابزارهایی مثل جستجوی وب، Google Docs و غیره استفاده می‌کنن، خلاصه می‌نویسن و می‌فرستن.

4️⃣ ایجن اصلی همشونو ترکیب می‌کنه و یه پاسخ دقیق می‌سازه.
نتیجه؟
این سیستم جدید نسبت به حالت تک‌ ایجنت ای (Claude Opus 4) تا ۹۰٪ بهتر عمل کرده توی تست‌های داخلی. مثلاً اطلاعات اعضای هیئت مدیره‌ی کل شرکت‌های حوزه IT تو S&P 500 رو خیلی سریع جمع کرده.
کمپانی Anthropic کلی روی طراحی پرامپت‌ها کار کرده تا ایجنتها گیج نشن یا بی‌هدف نچرخن. حتی یه ایجنت مخصوص تست ابزارها داشتن که خطاها رو تا ۴۰٪ کاهش داده!

✅ معماری‌ش هم جالبه: : یه Orchestrator (ایجنت اصلی)، چند Worker (ساب ایجنت)، و یه CitationAgent برای ارجاع منابع.
بله، مصرف توکنش زیاده (حدود ۱۵ برابر چت معمولی) ولی واسه تحقیق‌های سنگین واقعاً می‌ارزه.

📥لینک بلاگ
https://www.anthropic.com/engineering/built-multi-agent-research-system


🆔 @Ai_Tv