الکتروهایو

هوش مصنوعی / الکترونیک / برنامه‌نویسی

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

مدل زبانی بزرگ (LLM) در هوش مصنوعی چیست؟

مدل زبانی بزرگ (LLM) در هوش مصنوعی چیست؟ - سایت الکتروهایو
در این مقاله می‌خوانید:

زمان تخمینی مطالعه: 13 دقیقه

یک مدل زبانی بزرگ (Large Language Model) یک الگوریتم یادگیری عمیق است که می‌تواند انواع وظایف پردازش زبان طبیعی (NLP) را انجام دهد. مدل‌های زبانی بزرگ(LLM) از مدل‌های ترانسفورماتور استفاده می‌کنند و با استفاده از مجموعه داده‌های عظیم آموزش داده می‌شوند بنابراین ذاتا بزرگ هستند. این موضوع به آنها امکان می‌دهد متن یا محتوای مختلف را تشخیص داده، ترجمه کنند، پیش بینی کنند و یا دست به تولید آن بزنند.به مدل‌های زبانی بزرگ، شبکه‌های عصبی (NN) نیز گفته می‌شود که سیستم‌های محاسباتی الهام گرفته از مغز انسان هستند. این شبکه‌های عصبی با استفاده از شبکه‌ای از گره‌ها که لایه‌ای هستند، بسیار شبیه به نورون‌های مغز انسان کار می‌کنند.

علاوه بر آموزش زبان‌های انسانی به برنامه‌های هوش مصنوعی (AI)، مدل‌های زبانی بزرگ را نیز می‌توان برای انجام وظایف مختلفی مانند درک ساختارهای پروتئینی، نوشتن کد نرم‌افزار و موارد دیگر آموزش داد. مانند مغز انسان، مدل‌های زبانی بزرگ باید از قبل آموزش داده شده و سپس تنظیم شوند تا بتوانند مشکلات طبقه‌بندی متن، پاسخ به سؤال، خلاصه‌سازی اسناد و مشکلات تولید متن را حل کنند. قابلیت‌های حل مسئله آن‌ها را می‌توان در زمینه‌هایی مانند مراقبت‌های بهداشتی، امور مالی، و سرگرمی که در آن LLM ها به انواع برنامه‌های NLP، مانند ترجمه، ربات‌های گفتگو، دستیاران هوش مصنوعی و غیره خدمت می‌کنند، اعمال کرد. مدل‌های زبانی بزرگ همچنین دارای تعداد زیادی پارامتر هستند که شبیه به خاطراتی است که مدل هنگام یادگیری از آموزش خود جمع‌آوری می‌کند. تصور کنید که این پارامترها در واقع بانک دانش مدل ما را تشکیل می‌دهند.

مدل‌ ترانسفورماتور چیست؟

مدل ترانسفورماتور(Transformer) رایج‌ترین معماری یک مدل زبانی بزرگ است. این مدل از یک رمزگذار و یک رمزگشا تشکیل شده است. یک مدل ترانسفورماتور داده‌ها را با توکن کردن ورودی پردازش می‌کند و سپس معادلات ریاضی را به طور همزمان برای کشف روابط بین توکن‌ها اجرا می‌کند. این مدل، رایانه را قادر به دین الگوهایی می‌کند که یک انسان می‌بیند(تحت شرایط یکسان و پروس و جوهای یکسان). مدل‌های ترانسفورماتور با مکانیسم‌های خودتوجهی کار می‌کنند، که به مدل امکان می‌دهد سریع‌تر از مدل‌های سنتی مانند مدل‌های حافظه کوتاه‌مدت یاد بگیرد. توجه به خود چیزی است که مدل ترانسفورماتور را قادر می‌سازد تا قسمت‌های مختلف دنباله یا کل متن یک جمله را برای تولید پیش‌بینی‌های خود در نظر بگیرد.

اجزای کلیدی مدل زبانی بزرگ LLM

مدل‌های زبانی بزرگ از چندین لایه شبکه عصبی تشکیل شده‌اند. لایه‌های تکرارشونده(Recurrent)، لایه‌های پیش‌خور(feedforward)، لایه‌های تعبیه‌شده(embedding)، و لایه‌های توجه(attention) که پشت سر هم برای پردازش متن ورودی و تولید محتوای خروجی کار می‌کنند.

  • لایه embedding : جاسازی‌هایی(Vector Embedding) را از متن ورودی ایجاد می‌کند. این بخش از مدل زبانی بزرگ، معنای مفهومی و نحوی ورودی را می‌گیرد، بنابراین مدل می‌تواند زمینه(context) را درک کند.
  • لایه پیشخور (FFN): یک مدل زبانی بزرگ از چندین لایه کاملاً متصل ساخته شده است که جاسازی‌های ورودی را تغییر می‌دهند. با انجام این کار، این لایه‌ها مدل را قادر می‌سازند تا انتزاعات سطح بالاتر را جمع‌آوری کند( یعنی درک هدف کاربر با ورودی متنی).
  • لایه تکراری(recurrent): کلمات موجود در متن ورودی را به ترتیب تفسیر می‌کند. و رابطه بین کلمات را در یک جمله نشان می‌دهد.
  • مکانیسم توجه(The attention mechanism): یک مدل زبان را قادر می‌سازد تا بر روی بخش‌های منفرد متن ورودی کار جاری تمرکز کند. این لایه به مدل اجازه می‌دهد تا دقیق‌ترین خروجی‌ها را تولید کند.

انواع مدل زبانی بزرگ

سه نوع اصلی از مدل‌های زبانی بزرگ وجود دارد که در ادامه ذکر شده است:

  • مدل‌های زبانی عمومی یا خام: کلمه بعدی را بر اساس زبان موجود در داده‌های آموزشی پیش‌بینی می‌کنند. این مدل‌های زبانی وظایف بازیابی اطلاعات را انجام می‌دهند.
  • مدل‌های زبانی تنظیم شده توسط دستورالعمل: برای پیش‌بینی پاسخ به دستورالعمل‌های داده شده در ورودی آموزش داده شده‌اند. این کار به آنها اجازه می‌دهد تا تجزیه و تحلیل احساسات را انجام دهند یا متن یا کد تولید کنند.
  • مدل‌های زبانی تنظیم‌شده با دیالوگ: برای داشتن گفتگو با پیش‌بینی پاسخ بعدی آموزش داده می‌شوند. به عنوان نمونه به چت‌بات‌ها یا هوش مصنوعی مکالمه‌ای فکر کنید.

تفاوت بین مدل زبانی بزرگ و هوش مصنوعی مولد چیست؟

هوش مصنوعی مولد اصطلاحی است که به مدل‌های هوش مصنوعی که قابلیت تولید محتوا را دارند، اطلاق می‌شود. هوش مصنوعی مولد می‌تواند متن، کد، تصاویر، ویدئو و موسیقی را تولید کند. نمونه‌هایی از هوش مصنوعی مولد عبارتند از Midjourney، DALL-E و ChatGPT. مدل‌های زبانی بزرگ نوعی هوش مصنوعی مولد هستند که بر روی متن آموزش می‌بینند و محتوای متنی تولید می‌کنند. ChatGPT یک نمونه محبوب از هوش مصنوعی مولد متن است. در واقع تمامی مدل‌های زبانی بزرگ هوش مصنوعی مولد هستند.

مدل‌های زبانی بزرگ چگونه کار می‌کنند؟

یک مدل زبانی بزرگ مبتنی بر یک مدل ترانسفورماتور است و با دریافت یک ورودی، رمزگذاری آن، و سپس رمزگشایی آن برای تولید یک پیش‌بینی خروجی کار می‌کند. اما قبل از اینکه یک مدل زبانی بزرگ بتواند ورودی متن را دریافت کند و یک پیش‌بینی خروجی تولید کند، به آموزش نیاز دارد تا بتواند عملکردهای کلی را انجام دهد، به تنظیم دقیق نیاز دارد که آن را قادر می‌سازد وظایف خاصی را انجام دهد.

  • آموزش: مدل‌های زبانی بزرگ با استفاده از مجموعه داده‌های متنی بزرگ از سایت‌هایی مانند ویکی‌پدیا، گیت‌هاب یا دیگران از قبل آموزش داده می‌شوند. این مجموعه داده‌ها از تریلیون‌ها کلمه تشکیل شده است و کیفیت آنها بر عملکرد مدل زبان تأثیر می‌گذارد. در این مرحله، مدل زبانی بزرگ درگیر یادگیری بدون نظارت می‌شود، به این معنی که مجموعه داده‌های داده شده به آن را بدون دستورالعمل خاصی پردازش می‌کند. در طول این فرآیند، الگوریتم هوش مصنوعی LLM می‌تواند معنای کلمات و روابط بین کلمات را بیاموزد. همچنین یاد می‌گیرد که کلمات را بر اساس زمینه(context) تشخیص دهد. برای مثال، یاد می‌گیرد که بفهمد «راست» به معنای «درست» است یا برعکس کلمه «چپ».
  • تنظیم دقیق: برای اینکه یک مدل زبانی بزرگ بتواند یک کار خاص مانند ترجمه را انجام دهد، باید با آن فعالیت خاص تنظیم شود. تنظیم دقیق عملکرد وظایف خاص را بهینه می‌کند.
  • تنظیم سریع(Prompt-tuning): عملکردی مشابه با تنظیم دقیق را انجام می‌دهد، به موجب آن یک مدل را برای انجام یک کار خاص از طریق درخواست چند شات(few-shot) یا درخواست صفر شات آموزش می‌دهد. یک دستور سریع دستوری است که به یک LLM داده می‌شود. تحریک چند شات به مدل می‌آموزد که خروجی‌ها را از طریق استفاده از مثال‌ها پیش‌بینی کند.

کاربردهای مدل زبانی بزرگ(LLM)

مدل‌های زبانی بزرگ را می‌توان برای چندین هدف مختلف استفاده کرد:

  • بازیابی اطلاعات: به بینگ یا گوگل فکر کنید. هر زمان که از ویژگی جستجوی آنها استفاده می‌کنید، به یک مدل زبانی بزرگ برای تولید اطلاعات در پاسخ به یک پرس و جو متکی هستید. می‌تواند اطلاعات را بازیابی کند، سپس پاسخ را به سبک مکالمه خلاصه کرده و با دیگران ارتباط برقرار کند.
  • تحلیل احساسات: به عنوان کاربردهای پردازش زبان طبیعی، مدل‌های زبانی بزرگ شرکت‌ها را قادر می‌سازد احساسات داده‌های متنی را تجزیه و تحلیل کنند.
  • تولید متن: مدل‌های زبانی بزرگ مانند ChatGPT پشت هوش مصنوعی هستند و می‌توانند متن را بر اساس ورودی‌ها تولید کنند. آنها می‌توانند در صورت درخواست، نمونه‌ای از متن تولید کنند. به عنوان مثال: “شعری در مورد درختان نخل به سبک سعدی بنویس”
  • تولید کد: مانند تولید متن، تولید کد نیز کاربرد هوش مصنوعی مولد است. LLM ها الگوها را درک می‌کنند، که آنها را قادر می‌سازد کد تولید کنند.
  • ربات‌های چت و هوش مصنوعی مکالمه‌ای: مدل‌های زبانی بزرگ، چت‌بات‌های خدمات مشتری یا هوش مصنوعی محاوره‌ای را قادر می‌سازند تا با مشتریان درگیر شوند، معنای پرسش‌ها یا پاسخ‌های آنها را تفسیر کنند و به نوبه خود پاسخ‌هایی را ارائه دهند.

علاوه بر این موارد استفاده، مدل‌های زبانی بزرگ می‌توانند جملات را کامل کنند، به سؤالات پاسخ دهند و متن را خلاصه کنند. با چنین تنوع گسترده‌ای از برنامه‌ها، برنامه‌های کاربردی زبانی بزرگ را می‌توان در بسیاری از زمینه‌ها یافت:

  • فناوری: مدل‌های زبانی بزرگ در هر جایی استفاده می‌شوند، از فعال کردن موتورهای جستجو برای پاسخ دادن به پرسش‌ها گرفته تا کمک به توسعه‌دهندگان با نوشتن کد.
  • حوزه‌های مراقبت های بهداشتی و علمی: مدل‌های زبانی بزرگ توانایی درک پروتئین‌ها، مولکول‌ها، DNA و RNA را دارند. این موقعیت به LLM ها اجازه می‌دهد تا در توسعه واکسن‌ها، یافتن درمان برای بیماری‌ها و بهبود داروهای مراقبت‌های پیشگیرانه کمک کنند. LLM ها همچنین به عنوان چت‌بات‌های پزشکی برای دریافت علائم و مشکلات بیمار یا تشخیص‌های اولیه استفاده می‌شوند.
  • خدمات مشتری: LLM ها در صنایع برای اهداف خدمات مشتری مانند چت‌بات‌ها یا هوش مصنوعی مکالمه‌ای استفاده می‌شوند.
  • بازاریابی: تیم‌های بازاریابی می‌توانند از LLM برای انجام تجزیه و تحلیل احساسات برای تولید سریع ایده‌های کمپین یا متن به عنوان نمونه‌های پیشنهادی و موارد دیگر استفاده کنند.
  • حقوقی: از جستجو در مجموعه داده‌های متنی عظیم گرفته تا تولید قانون، مدل‌های زبانی بزرگ می‌توانند به وکلا، حقوقدانان و کارکنان حقوقی کمک کنند.
  • بانکداری: LLM ها می‌توانند به شرکت‌های کارت اعتباری در کشف تقلب و ارائه خدمات پشتیبانی کمک کنند.

مزایای مدل‌های زبانی بزرگ

با طیف گسترده‌ای از برنامه‌ها، مدل‌های زبانی بزرگ برای حل مسئله بسیار مفید هستند، زیرا آنها اطلاعاتی را به شیوه‌ای واضح و محاوره‌ای ارائه می‌دهند که درک آن برای کاربران آسان است. در ادامه چند مورد از مزایای این تکنولوژی ذکر شده است:

  • مجموعه بزرگی از کاربردها: می‌توان از آنها برای ترجمه زبان، تکمیل جمله، تجزیه و تحلیل احساسات، پاسخ به سؤال، حل معادلات ریاضی و موارد دیگر استفاده کرد.
  • بهبود همیشگی: عملکرد مدل زبانی بزرگ به طور مداوم در حال بهبود است زیرا زمانی که داده‌ها و پارامترهای بیشتری اضافه می‌شود رشد می‌کند. به عبارت دیگر، هر چه بیشتر یاد بگیرد، بهتر می‌شود. علاوه بر این، مدل‌های زبان بزرگ می‌توانند چیزی را به نمایش بگذارند که «یادگیری درون متنی» نامیده می‌شود. هنگامی که یک LLM از قبل آموزش داده شد، ویژگی چند شاتی به مدل این امکان را می‌دهد که بدون هیچ پارامتر اضافی از دستور داده شده یاد بگیرد. به این ترتیب، به طور مستمر در حال یادگیری است.
  • آنها سریع یاد می‌گیرند: هنگام نمایش یادگیری درون متنی، مدل‌های زبانی بزرگ به سرعت یاد می‌گیرند زیرا به وزن، منابع و پارامترهای اضافی برای آموزش نیاز ندارند. همپنین سریع است به این معنا که به مثال‌های زیادی نیاز ندارد.

محدودیت‌ها و چالش‌های مدل‌های زبانی بزرگ

مدل‌های زبانی بزرگ ممکن است این تصور را به ما بدهد که معنی را درک می‌کنند و می‌توانند به دقت به آن پاسخ دهند. با این حال، توجه کنید که آنها فقط یک ابزار تکنولوژیک هستند و به همین دلیل، مدل‌های زبان بزرگ با چالش‌های مختلفی روبرو هستند. در ادامه برخی از چالش‌های این تکنولوژی ذکر شده است:

  • توهم(Hallucinations): توهم زمانی است که یک LLM خروجی نادرست یا مغایر با هدف کاربر تولید می‌کند. مثلاً ادعا می‌کند که انسان است، احساسات دارد یا عاشق کاربر است. از آنجایی که مدل‌های زبانی بزرگ کلمه یا عبارت صحیح بعدی را از نظر نحوی پیش‌بینی می‌کنند، نمی‌توانند معنای انسانی را به طور کامل تفسیر کنند. نتیجه خروجی این مدل‌ها گاهی اوقات می‌تواند چیزی باشد که از آن به عنوان “توهم” تفسیر می‌شود.
  • امنیت: مدل‌های زبانی بزرگ وقتی به درستی مدیریت یا نظارت نمی‌شوند، خطرات امنیتی مهمی را به همراه دارند. آنها می‌توانند اطلاعات خصوصی افراد را فاش کنند، در کلاهبرداری‌های فیشینگ شرکت کنند و هرزنامه تولید کنند. کاربران با نیت مخرب می‌توانند هوش مصنوعی را بر اساس ایدئولوژی‌ها یا تعصبات خود برنامه‌ریزی کنند و به انتشار اطلاعات نادرست کمک کنند. عواقب این اعمال می‌تواند در مقیاس جهانی ویرانگر باشد.
  • تعصب(Bias): داده‌های مورد استفاده برای آموزش مدل‌های زبانی بر خروجی‌هایی که یک مدل خاص تولید می‌کند تأثیر می‌گذارد. به این ترتیب، اگر داده‌ها یک جمعیت شناسی واحد را نشان دهند، یا فاقد تنوع باشند، خروجی‌های تولید شده توسط مدل زبانی بزرگ نیز فاقد تنوع خواهند بود.
  • رضایت(Consent): مدل‌های زبانی بزرگ بر روی تریلیون‌ها مجموعه داده آموزش می‌بینند که برخی از آنها ممکن است با رضایت صاحب آن به دست نیامده باشند. زمانی که داده‌ها را از اینترنت جمع‌آوری می‌کنند، مدل‌های زبانی بزرگ مجوزهای کپی رایت را نادیده می‌گیرند، محتوای نوشته شده را سرقت ادبی می‌کنند و محتوای اختصاصی را بدون کسب اجازه از صاحبان یا هنرمندان اصلی تغییر کاربری می‌دهند. هنگامی که نتایج حاصل می‌شود، هیچ راهی برای ردیابی اصل و نسب داده وجود ندارد، و اغلب اعتباری به خالقین اثر داده نمی‌شود، که می‌تواند کاربران را در معرض مسائل نقض حق مالکیت(copyright) قرار دهد. آنها همچنین ممکن است داده‌های شخصی، مانند نام سوژه‌ها یا عکاسان را از توضیحات عکس‌ها حذف کنند، که می‌تواند حریم خصوصی را به خطر بیندازد.
  • مقیاس‌بندی: مقیاس‌بندی و نگهداری مدل‌های زبانی بزرگ می‌تواند دشوار و زمان‌بر باشد.
  • استقرار: استقرار مدل‌های زبانی بزرگ به یادگیری عمیق، مدل ترانسفورماتور، نرم افزار و سخت افزار توزیع شده و تخصص فنی کلی نیاز دارد.

نمونه‌هایی از مدل‌های محبوب زبانی بزرگ

محبوبیت مدل‌های زبانی بزرگ دنیا را درنوردیده‌ است. بسیاری از آنها توسط مردم در سراسر صنایع پذیرفته شده‌اند. شما بدون شک نام ChatGPT را شنیده‌اید که نوعی چت‌بات مولد هوش مصنوعی است. سایر مدل‌های محبوب LLM عبارتند از:

  • PaLM: مدل زبان مسیرهای گوگل (Google’s Pathways Language Model) یک مدل زبان ترانسفورماتور است که قادر به استدلال منطقی و حسابی، توضیح جوک، تولید کد و ترجمه است.
  • BERT: مدل زبانی بازنمایی رمزگذار دوطرفه از ترانسفورماتورها (BERT) نیز در گوگل توسعه یافته است. این یک مدل مبتنی بر ترانسفورماتور است که می‌تواند زبان طبیعی را درک کند و به سوالات پاسخ دهد.
  • XLNet: یک مدل زبان جایگشت، XLNet پیش‌بینی‌های خروجی را به صورت تصادفی ایجاد می‌کند که آن را از BERT متمایز می‌کند. الگوی کدهای رمزگذاری شده را ارزیابی می‌کند و سپس به جای ترتیب متوالی، توکن‌ها را به ترتیب تصادفی پیش‌بینی می‌کند.
  • GPT: ترانسفورماتورهای از پیش آموزش دیده مولد(Generative pre-trained transformers) شاید شناخته شده ترین مدل‌های زبانی بزرگ باشند. GPT که توسط OpenAI توسعه یافته است، یک مدل پایه محبوب است که تکرارهای شماره‌گذاری شده آن بهبودهایی نسبت به پیشینیان خود (GPT-3، GPT-4، و غیره) است.

مسیر پیش روی مدل‌های زبانی بزرگ

ورود ChatGPT مدل‌های زبانی بزرگ را با شکوه تمام به دنیا معرفی کرد و گمانه‌زنی‌ها و بحث‌های داغی در مورد آینده را فعال کرده است. از آنجایی که مدل‌های زبانی بزرگ به رشد خود ادامه می‌دهند و تسلط خود را به زبان طبیعی بهبود می‌بخشند، نگرانی‌های زیادی در مورد اینکه پیشرفت آنها چه تاثیری بر بازار کار خواهد داشت، وجود دارد. واضح است که مدل‌های زبانی بزرگ توانایی جایگزینی کارگران در زمینه‌های خاص را خواهند داشت. با استفاده درست، مدل‌های زبانی بزرگ توانایی افزایش بهره‌وری و کارایی فرآیند را دارند، اما این موضوع پرسش‌های اخلاقی را برای استفاده از آن در جامعه بشری مطرح کرده است.

لوگو الکتروهایو

الکتروهایو در خدمت مخاطبان عزیز می‌باشد. ما در تیم الکتروهایو در تلاش برای تهیه مقالات و مطالب به روز هستیم. لطفا برای مطالب و مقالات بیشتر با ما همراه باشید.

مطالب مرتبط:

داده‌های اسمی Nominal Data - الکتروهایو

داده‌های اسمی Nominal Data چیست؟

داده‌های اسمی(Nominal Data) یکی از اساسی‌ترین انواع داده‌ها در تجزیه و تحلیل داده‌ها است. شناسایی و تفسیر آن در بسیاری از زمینه‌ها از جمله آمار، علوم کامپیوتر، روانشناسی و بازاریابی ضروری است. این مقاله ویژگی‌ها، کاربردها و تفاوت‌های داده‌های اسمی

ادامه مطلب »
حاشیه‌نویسی متن در هوش مصنوعی - سایت الکتروهایو

حاشیه‌نویسی متن در هوش مصنوعی

حاشیه‌نویسی داده به الگوریتم‌های یادگیری ماشین اجازه می‌دهد تا اطلاعات را درک و تفسیر کنند. حاشیه‌نویسی‌ها برچسب‌هایی هستند که داده‌ها را شناسایی و طبقه‌بندی می‌کنند یا قطعات مختلف اطلاعات را با یکدیگر مرتبط می‌کنند. الگوریتم‌های هوش مصنوعی از آنها به

ادامه مطلب »
هوش مصنوعی در باستان شناسی و کاربردهای آن - سایت الکتروهایو

هوش مصنوعی در باستان شناسی چه کاربردهای می‌تواند داشته باشد؟

مکان‌های باستان‌شناسی ممکن است ثابت باشند، اما فرهنگ‌هایی که آنها را تولید کرده‌اند، پویا و متنوع بودند. برخی از آنها کاملاً عشایری بودند و مرتباً موقعیت خود را تغییر می‌دادند. برخی از آنها فواصل بسیار زیادی را مهاجرت کردند، در

ادامه مطلب »
با الگوریتم تشخیص اشیاء FCOS آشنا شوید - سایت الکتروهایو

با الگوریتم تشخیص اشیاء FCOS آشنا شوید: تشخیص اشیاء تک مرحله‌ای کاملاً کانولوشنال

تشخیص اشیاء یک کار مهم در بینایی کامپیوتر است که با رسم کادرهای محدود کننده در اطراف اشیاء شناسایی شده، مکان یک شی را در یک تصویر شناسایی و مکان‌یابی می‌کند. اهمیت تشخیص اشیاء را نمی‌توان به اندازه کافی بیان

ادامه مطلب »
با سایت Kaggle آشنا شوید! دریچه‌ای رو به دنیای اجتماع متخصصان هوش مصنوعی - سایت الکتروهایو

با سایت Kaggle آشنا شوید! دریچه‌ای رو به دنیای اجتماع متخصصان هوش مصنوعی

یادگیری ماشین (Machine Learning) و علم داده (Data Science) موضوعاتی هستند که در تمامی بخش‌های فناوری اطلاعات در مورد آن بحث و گفتگو وجود دارد. امروزه همه چیز در حال خودکار شدن است، و برنامه‌های کاربردی نیز به سرعت در

ادامه مطلب »
داده‌های اسمی Nominal Data - الکتروهایو

داده‌های اسمی Nominal Data چیست؟

داده‌های اسمی(Nominal Data) یکی از اساسی‌ترین انواع داده‌ها در تجزیه و تحلیل داده‌ها است. شناسایی …

حاشیه‌نویسی متن در هوش مصنوعی - سایت الکتروهایو

حاشیه‌نویسی متن در هوش مصنوعی

حاشیه‌نویسی داده به الگوریتم‌های یادگیری ماشین اجازه می‌دهد تا اطلاعات را درک و تفسیر کنند. …

هوش مصنوعی در باستان شناسی و کاربردهای آن - سایت الکتروهایو

هوش مصنوعی در باستان شناسی چه کاربردهای می‌تواند داشته باشد؟

مکان‌های باستان‌شناسی ممکن است ثابت باشند، اما فرهنگ‌هایی که آنها را تولید کرده‌اند، پویا و …

با الگوریتم تشخیص اشیاء FCOS آشنا شوید - سایت الکتروهایو

با الگوریتم تشخیص اشیاء FCOS آشنا شوید: تشخیص اشیاء تک مرحله‌ای کاملاً کانولوشنال

تشخیص اشیاء یک کار مهم در بینایی کامپیوتر است که با رسم کادرهای محدود کننده …

تصویربرداری چند طیفی، دیدی جدید فراسوی نور مرئی - سایت الکتروهایو

تصویربرداری چند طیفی، دیدی جدید فراسوی نور مرئی

تصویربرداری چند طیفی تکنیکی است که نور را در طیف وسیعی از باندهای طیفی، فراتر …