یادگیری ماشین و علوم داده
مفاهیم فنی، شبکههای عصبی و یادگیری ماشین
زیرمجموعههای مرتبط
از ایمیجنت تا آلیکسنت: چگونه یک مسابقه تاریخ هوش مصنوعی را بازنویسی کرد
داستان چگونه ایمیجنت و Алекسنت در ۲۰۱۲، یادگیری عمیق را از حاشیه به مرکز علم و صنعت بردند — از ایده فِی-فِی لی برای دادههای بزرگ، تا優勝 تاریخی Алекس کریجِفسکی که آینده هوش مصنوعی را بازنویسی کرد.
نتفلیکس با اتوسکیلر فلیمک ۳۰ هزار جاب استریمینگ را بهینه کرد؛ ۱.۱ میلیون دلار صرفهجویی سالانه
نتفلیکس اتوسکیلر اپنسورس آپاچی فplinک را برای ۳۰ هزار جاب استریمینگ استقرار داد و با تغییر استراتژی از سطح خوشه به سطح اپراتور، هزینه محاسبه را ۵۸٪ کاهش داده و ۱.۱ میلیون دلار سالانه ذخیره کرده است.
Polars 2.0 پیشانتشار: ۵ برابر سریعتر، اما هشدار دربارهٔ ترتیب سطرها
نسخهٔ پیشانتشار Polars 2.0 با موتور استریمینگ پیشفرض تا 5 برابر سریعتر اجرا میشود، اما ممکن است ترتیب سطرها را تغییر دهد؛ راهکارهایی برای کم کردن ریسک ارائه شده است.
بارگذاری مستقیم داده از S3 به GPU با فرمت Vortex
Vortex اجازه میدهد دادهها مستقیم از S3 تا GPU جریان یابند؛ با برش ستونی و فشردهسازیِ قابلاجرای روی GPU، هزینهٔ انتقال و زمان تکرار آموزش بهطور چشمگیری کاهش مییابد.
چگونه Swiggy با 350+ ویژگی مدل پیشبینی ارزش طول عمر مشتری (pLTV) را دقیقتر و 63٪ سبکتر کرد
Swiggy با مدل pLTV داخلی و بیش از 350 ویژگی توانست مدل را 63% کوچکتر کرده و توانایی رتبهبندی مشتریان بر اساس ارزش را بهبود دهد؛ گام بعدی حرکت به پیشبینیهای احتمالمحور است.
نجات 1,800 کتاب نادر اردو با نیکون و شبکه عصبی؛ الگویی عملی برای آرشیو دیجیتال اردو
سه دوست پاکستانی پس از ثبت 902,000 فشردن شاتر و 526,000 عکس دوصفحهای، با ترکیب ویرایش دستی و شبکه عصبی، 1,800 کتاب نادر اُردو را دیجیتال کردند.
الگوی ترکیب مبتنی بر مشخصه در AWS برای پایپلاینهای داده
AWS الگوی «ترکیب مبتنی بر مشخصه» را معرفی کرد؛ رویکردی که قصد جریان کاری را از منطق پردازش جدا میکند تا نگهداری، ردیابی و حاکمیت پایپلاینهای داده سادهتر شود.
چرا هوش مصنوعی بلادرنگ در مقیاس شکست میخورد — علل و راهحلهای عملی
مشکلات تاخیر، کهنگی ویژگیها و فساد شاخصهای برداری اغلب مقصر واقعی افت عملکرد سیستمهای هوش مصنوعی بلادرنگاند. راهکارهای عملی و فنی برای اجتناب از این تلهها.
بازکشفِ «پسانتشار» — الگوریتم پایهٔ یادگیری عمیق
پسانتشار با بهکارگیری هوشمندانهٔ قاعدهٔ زنجیرهای، محاسبات گرادیان را برای شبکههای عصبی عمیق بهینه کرد و مسیر پیشرفت یادگیری عمیق را هموار ساخت.
معماری MoE؛ مقیاسپذیری بزرگ با محاسبهٔ شرطی
معماریهای Mixture-of-Experts (MoE) با فعالسازی شرطی متخصصها، ظرفیت مدلها را افزایش میدهند بدون افزایش متناسب محاسبات؛ مسیر پیش رو ترکیبی از مهندسی مسیردهی و بهینهسازی توزیعشده است.
تکامل شبکههای عصبی کانولوشنی: از LeNet تا ResNet
مروری فنی و زمانی بر تحولات کلیدی شبکههای عصبی کانولوشنی؛ از میدانهای دریافتی محلی در LeNet تا اتصالات باقیمانده در ResNet و پیامدهای مهندسی آنها.
همطراحی نرمافزار-سختافزار برای شتابدهندههای ویژهدامنه: TPU، NPU و تراشههای استنتاج
همطراحی نرمافزار و سختافزار برای TPU، NPU و تراشههای استنتاج کلید اجرای کارآمد مدلهای بزرگ است؛ این مقاله چالشها، ابزارها و معیارهای ارزیابی را بررسی میکند.