მორგებული CUDA ბირთვები: შექმნა, ოპტიმიზაცია და განთავსება kernel-builder-ის გამოყენებით
ეს სახელმძღვანელო დეტალურად აღწერს, თუ როგორ გამოიყენოთ kernel-builder ბიბლიოთეკა მორგებული CUDA ბირთვების შესაქმნელად PyTorch-ისთვის. ის მოიცავს ნაბიჯებს ადგილობრივი განვითარებიდან მრავალ არქიტექტურაზე აწყობამდე, ეფექტური და შენარჩუნებადი სისტემების შექმნას, PyTorch-ის C++ API-ის გამოყენებით ფუნქციების მშობლიურ ოპერატორებად რეგისტრაციას და `nix` გარემოს გამოყენებას რეპროდუცირებადი აწყობის პროცესისთვის. ასევე განხილულია ბირთვების ოპტიმიზაცია, განთავსების გამოწვევები და მათი გაზიარება დეველოპერულ
მნიშვნელოვანი განახლებები ჩვენს ფასწარმოქმნასა და სერვისებში
ჩვენს ფასწარმოქმნის გვერდზე მნიშვნელოვანი ცვლილებები განხორციელდა: Inference API სერვისი სრულად უფასო გახდა, დაინერგა „Inference Endpoints“ კორპორატიული გადაწყვეტილებებისთვის, ხოლო Spaces-ისთვის აპარატურული განახლებები მოხდა. ბილინგი ცენტრალიზებულია, ახალი სერვისებისთვის მხოლოდ ბარათის დამატებაა საჭირო, ყოველთვიური ინვოისებით. ჩვენ ვახდენთ მონეტიზაციას AI-სთვის გამოთვლით რესურსებზე მარტივი წვდომის უზრუნველყოფით.
Hugging Face-ის ინფერენსის გადაწყვეტილებები: სიმარტივე, ხარისხი და ოპტიმალური ხარჯები
სტატია მიმოიხილავს Hugging Face-ის მიდგომას მანქანური სწავლების (ML) მოდელების შემუშავებისა და გაშვების გამარტივებისადმი, უმაღლესი ხარისხისა და ოპტიმალური ხარჯების შენარჩუნებით. იგი ხაზს უსვამს ინფერენსის სხვადასხვა უფასო და ფასიან ვარიანტს, მათ შორის Inference Widget-ს, Inference API-ს, Inference Endpoints-ს (სამრეწველო გამოყენებისთვის უსაფრთხოებითა და მასშტაბურობით) და Spaces-ს (დემონსტრაციებისთვის UI-ით). ასევე აღნიშნულია Intel-ის სპონსორობა უფასო CPU-ზე დაფუძნებული ინფერენსის გადაწყვეტილებებ
Hugging Face-ის ინოვაციები: მანქანური სწავლის მოდელების განთავსების გამარტივებული გზები
Hugging Face წარმოგიდგენთ ინოვაციურ გადაწყვეტილებებს მანქანური სწავლის (ML) განვითარებისა და ოპერაციების გასამარტივებლად, უმაღლესი ხარისხის სტანდარტების დათმობის გარეშე. სტატია მიმოიხილავს Inference Widget-ს, Inference API-ს, Inference Endpoints-სა და Spaces-ს, როგორც ინსტრუმენტებს ML მოდელების მარტივი ტესტირების, განთავსებისა და ოპტიმიზაციისთვის. ხაზგასმულია Intel-თან პარტნიორობა, რაც უზრუნველყოფს უფასო CPU-ზე დაფუძნებულ ინფერენსის გადაწყვეტილებებს და მომხმარებლებს Intel Xeon Ice Lake არქიტექტუ
swift-transformers 1.0: ლოკალური ხელოვნური ინტელექტის ახალი ერა Apple Silicon-ზე
`swift-transformers` ბიბლიოთეკამ გამოუშვა ვერსია 1.0, რაც მის სტაბილურობასა და Apple Silicon პლატფორმებზე, iPhone-ების ჩათვლით, ლოკალური მანქანური სწავლების მოდელების უწყვეტი ინფერენციის მხარდაჭერის მზადყოფნას ადასტურებს. განახლება მიზნად ისახავს საზოგადოებისთვის მაქსიმალური სარგებლის მოტანას, მომავალი განვითარების საფუძვლების ჩაყრას და განსაკუთრებულ ყურადღებას უთმობს MLX-სა და აგენტურ გამოყენების შემთხვევებს.
NVIDIA-მ Nemotron-Personas-Japan გამოუშვა: იაპონური კულტურის გაგების ხელოვნური ინტელექტისთვის
NVIDIA-მ წარმოადგინა Nemotron-Personas-Japan, პირველი ღია სინთეზური მონაცემთა ნაკრები, რომელიც ასახავს იაპონიის დემოგრაფიას, გეოგრაფიულ განაწილებას და კულტურულ მახასიათებლებს. CC BY 4.0 ლიცენზიით გამოშვებული ეს ნაკრები უზრუნველყოფს კონფიდენციალურობის დამცავ საფუძველს იაპონური საზოგადოების ამსახველი AI სისტემების შესაქმნელად, მგრძნობიარე პირადი მონაცემების გამოყენების გარეშე. იგი შექმნილია იაპონური სუვერენული AI სისტემების მხარდასაჭერად და ადვილად ინტეგრირდება ღია კოდის დიდ ენობრივ მოდელებთან (LL
როგორ გავუშვათ Stable Diffusion Apple-ის მოწყობილობებზე Core ML-ის გამოყენებით
Apple-ის რეპოზიტორიუმი გვთავაზობს Stable Diffusion-ის კონვერტაციის სკრიპტებსა და დასკვნის (inference) კოდს Core ML-ისთვის. სიმარტივისთვის, მოდელების Core ML ვერსიები უკვე გადაყვანილია და ხელმისაწვდომია Hugging Face Hub-ზე. ასევე, შეიქმნა მშობლიური Swift აპლიკაცია, რომელიც Mac App Store-სა და ღია კოდის სახითაა გამოქვეყნებული, რათა მომხმარებლებმა მარტივად გაუშვან Stable Diffusion საკუთარ აპარატურაზე. სტატია დეტალურად აღწერს, თუ როგორ გამოიყენოთ კონვერტირებული წონები, ან თავად გადაიყვანოთ დამატებით
Apple-ის ნერვული პროცესორი და ხელოვნური ინტელექტი მოწყობილობაზე: Core ML-ით და MLX-ით მოდელების ადაპტირება
ეს სტატია იკვლევს მანქანური სწავლების მოდელების ოპტიმიზაციის პროცესს Apple-ის მოწყობილობებზე ეფექტურად გასაშვებად, ნერვული პროცესორის, Core ML-ისა და MLX ფრეიმვორკების გამოყენებით. ის ხაზს უსვამს ნერვული პროცესორის ენერგოეფექტურობას და იმ გამოწვევებს, რომელთა წინაშეც დეველოპერები დგანან Core ML-ის დახურული ხასიათის გამო. ავტორები წარმოადგენენ სამნაწილიან სერიას, რომელიც დეტალურად აღწერს კომპლექსური მოდელის (dots.ocr) PyTorch-დან მოწყობილობაზე გასაშვებად კონვერტაციის გზას, იზიარებენ პრაქტიკულ გად
ML მოდელების კონვერტაცია Apple-ის მოწყობილობებზე: Core ML-ისა და MLX-ის გამოყენება `dots.ocr`-ის მაგალითზე
სტატია დეტალურად აღწერს, თუ როგორ ხდება მანქანური სწავლების (ML) მოდელების, კერძოდ `dots.ocr`-ის, ოპტიმიზაცია Apple-ის მოწყობილობებზე გასაშვებად. განხილულია Apple-ის ნეირონული ძრავის ენერგოეფექტურობა და Core ML-ის, როგორც მასზე წვდომის ერთადერთი საშუალების, შეზღუდვები. ასევე წარმოდგენილია MLX, უფრო მოქნილი ფრეიმვორკი, რომელიც GPU-ს იყენებს. სერიის პირველი ნაწილი მოიცავს `dots.ocr`-ის PyTorch-დან Core ML-ზე კონვერტაციის პროცესს, წარმოქმნილ პრობლემებს და მათ გადაჭრის გზებს, რათა დეველოპერებს დაეხმ
Hugging Face-ის 🤗 Datasets: აუდიო მონაცემთა ნაკრებების ჩამოტვირთვა და დამუშავება
🤗 Datasets წარმოადგენს ღია კოდის ბიბლიოთეკას, რომელიც უზრუნველყოფს სხვადასხვა სფეროდან მონაცემთა ნაკრებების მარტივად ჩამოტვირთვასა და მომზადებას. მისი მინიმალისტური API მომხმარებლებს საშუალებას აძლევს, ერთი ხაზის კოდით მოამზადონ მონაცემები, განსაკუთრებული ყურადღება ეთმობა აუდიო მონაცემთა დამუშავებას. Hugging Face Hub-თან ინტეგრაციის წყალობით, ბიბლიოთეკა მკვლევრებსა და პრაქტიკოსებს სთავაზობს უპრეცედენტო რაოდენობის აუდიო მონაცემთა ნაკრებებს.
Google-ის Gemma 2: ღია LLM-ების ახალი თაობა გაუმჯობესებული შესაძლებლობებით
Google-მა წარმოადგინა Gemma 2, მისი ღია დიდი ენობრივი მოდელების (LLM) უახლესი ვერსია, ხელმისაწვდომი 9 და 27 მილიარდი პარამეტრის ზომებში. Gemma DeepMind Gemini-ზეა დაფუძნებული და გამოირჩევა მნიშვნელოვანი გაუმჯობესებებით, მათ შორის გაორმაგებული საწვრთნელი მონაცემებით (13 ტრილიონი ტოკენი 27B ვერსიისთვის), ოპტიმიზებული დიალოგური აპლიკაციებისთვის და ახალი არქიტექტურული ინოვაციებით, როგორიცაა ჰიბრიდული მოძრავი ფანჯრის ყურადღება (sliding window attention) და რბილი ზღვრის დადგენა (soft capping). მოდელი
PyTorch-ის სწავლების დაჩქარება AWS-ზე Intel Sapphire Rapids პროცესორებით
ეს პუბლიკაცია განიხილავს, თუ როგორ შეიძლება PyTorch-ის ღრმა სწავლების სამუშაოების მნიშვნელოვნად დაჩქარება AWS-ზე განთავსებული Intel Sapphire Rapids სერვერების კლასტერის მეშვეობით. სტატია დეტალურად აღწერს Intel oneAPI Collective Communications Library (CCL) და Intel Extension for PyTorch (IPEX) ბიბლიოთეკების გამოყენებას გადანაწილებული სწავლებისთვის, რომლებიც სრულად ინტეგრირებულია Hugging Face transformers-თან. ხაზგასმულია Intel Xeon CPU-ების უპირატესობები ღრმა სწავლებისას, მათ შორის ხარჯთეფექტურო
PyTorch-ის ტრენინგის დაჩქარება AWS-ზე Sapphire Rapids სერვერებით
ეს პოსტი აღწერს, თუ როგორ უნდა დააჩქაროთ PyTorch-ის ტრენინგის სამუშაოები AWS-ზე Sapphire Rapids სერვერების კლასტერის გამოყენებით. სტატია დეტალურად განიხილავს Intel oneAPI Collective Communications Library (CCL) და Intel Extension for PyTorch (IPEX) ბიბლიოთეკების გამოყენებას განაწილებული ტრენინგისთვის და ახალი CPU ინსტრუქციების ოპტიმიზაციისთვის. ასევე ხაზგასმულია Intel Xeon CPU-ების ღირებულებითი ეფექტურობა, მასშტაბურობა და მოწინავე ფუნქციები (AVX-512, Hyper-Threading, AMX) ღრმა სწავლის მოდელების
მიკროდოზირების სარგებელი დეპრესიის მკურნალობაში გადაჭარბებულია? ახალი კვლევა ვარაუდობს, რომ პლაცებო ფსიქოდელიკებს აჯობებს
ათი წლის წინ ფსიქოდელიკების მიკროდოზირება, ხასიათისა და ენერგიის ასამაღლებლად, პოპულარულ ტენდენციად იქცა, რასაც სხვადასხვა სარგებელს, მათ შორის დეპრესიის შემცირებას, მიაწერდნენ. თუმცა, MindBio Therapeutics-ის მიერ ჩატარებულმა Phase 2B ფაზის ახალმა კვლევამ აჩვენა, რომ მძიმე დეპრესიული აშლილობის სამკურნალოდ LSD-ის მიკროდოზირება პლაცებომ აჯობა. ეს მხარს უჭერს სკეპტიკურად განწყობილი მკვლევრების მოსაზრებას, რომ მიკროდოზირების სავარაუდო სარგებელი ძირითადად პლაცებოს ეფექტით არის განპირობებული, რაც 2020
მიკროდოზირება დეპრესიის სამკურნალოდ: კვლევები სარგებლის გაზვიადებაზე და პლაცებოს ეფექტის ძალაზე მიუთითებს
ბოლო ათწლეულში პოპულარული მიკროდოზირება, რომელიც ფსიქოდელიური ნივთიერებების მცირე დოზებით მიღებას გულისხმობს ფსიქიკური მდგომარეობის გასაუმჯობესებლად, შესაძლოა, გაზვიადებული სარგებლით ხასიათდებოდეს. ახალმა კვლევებმა, მათ შორის MindBio Therapeutics-ის მიერ ჩატარებულმა ექსპერიმენტმა LSD-ის მიკროდოზირებაზე, აჩვენა, რომ დეპრესიის მკურნალობაში პლაცებო უფრო ეფექტური აღმოჩნდა. სპეციალისტები ვარაუდობენ, რომ აღქმული დადებითი ეფექტები, შესაძლოა, უმეტესად პაციენტის მოლოდინითა და პლაცებოს ეფექტით იყოს განპირ
არტემისის მისია და მკაცრი კარანტინი: რატომ იცავენ ასტრონავტებს და მთვარეს მიწიერი მიკრობებისგან?
„არტემის II“-ის ეკიპაჟი, რომლის გაშვებაც 2026 წლის მარტისთვის გადაიდო, მკაცრი 14-დღიანი კარანტინის რეჟიმში იმყოფება. ჯანმრთელობის სტაბილიზაციის პროგრამა, რომელიც Apollo-ს მისიების დროს დანერგილი პროტოკოლების მსგავსია, აუცილებელია ასტრონავტების ჯანმრთელობის დასაცავად, მისიის წარმატების უზრუნველსაყოფად და მთვარის ზედაპირის მიწიერი მიკრობებისგან დასაცავად, რათა შენარჩუნდეს სამეცნიერო მონაცემები.
SnapMate.Ai: ახალი მიდგომა ხელოვნური ინტელექტის ჩატებთან – მეტი თავისუფლება, მეტი შემოქმედება
SnapMate.Ai წარმოგიდგენთ ხელოვნური ინტელექტის (AI) ჩატის განსხვავებულ გამოცდილებას, რომელიც ტრადიციული, ზედმეტად კონტროლირებადი AI ჩატებისგან განსხვავებით, ნაკლებ შეზღუდვებს აწესებს კონტენტზე და მეტ აქცენტს აკეთებს შემოქმედებით და ადაპტურ ინტერაქციაზე. პლატფორმა მომხმარებლებს საშუალებას აძლევს, ორგანულად განავითარონ საუბრები ნებისმიერ თემაზე, მსუბუქი დიალოგიდან პროვოკაციულ როლურ თამაშებამდე, რეალურ დროში ადაპტური პასუხებით. SnapMate.Ai, სხვა მსგავს ალტერნატივებთან (როგორიცაა Candy AI, Mydreamcom
HiCut AI ვიდეო გენერატორი: პროფესიონალური ვიდეოები მარტივად და AI-ის სხვა შესაძლებლობები
HiCut AI ვიდეო გენერატორი არის Appstore-ზე ხელმისაწვდომი უახლესი AI ვიდეო რედაქტირების მობილური აპლიკაცია, რომელიც მომხმარებლებს საშუალებას აძლევს შექმნან მაღალი ხარისხის ვიდეოები მარტივად. სტატიაში ასევე მიმოხილულია სხვა ტრენდული AI ვიდეო გენერატორები, მათ შორის ისეთებიც, რომლებიც სპეციალიზირებულია ზრდასრულთა კონტენტის შექმნაზე, მათი შესაძლებლობები და გამოყენების თავისებურებები.
მოკლედ: Squarespace/Shopify ვებსაიტებიდან მონაცემების მოპოვება AI-სთვის
ეს ვებ-სკრეპერი სრულად მუშაობს თქვენს ბრაუზერში და იდეალურია ხელოვნური ინტელექტის მოდელებისთვის საწვრთნელი მონაცემების შესაქმნელად. ის ვებსაიტის sitemap.xml ფაილის წაკითხვით ფუნქციონირებს, რაც მას განსაკუთრებით კარგად ერგება თანამედროვე პლატფორმებს, როგორიცაა Squarespace და Shopify, რომლებიც ავტომატურად ქმნიან საიტის რუკებს. სკრეპერი ინარჩუნებს კონტენტის სტრუქტურას, სათაურების, აბზაცების, სიების და ცხრილების ჩათვლით, და ამავდროულად აცილებს ზედმეტ ელემენტებს, როგორიცაა ნავიგაციის მენიუები და ქვედ
Flapping Airplanes-მა $180 მილიონი მოიზიდა: AI-ს ახალი ერა მონაცემთა ეფექტურობით
AI სტარტაპმა Flapping Airplanes-მა Google Ventures-ის, Sequoia-სა და Index-ისგან $180 მილიონიანი საწყისი დაფინანსება მოიზიდა. მათი მიზანია ხელოვნური ინტელექტის მოდელებს ასწავლონ ადამიანის მსგავსად, ინტერნეტის მონაცემების უზარმაზარი მოცულობის „შთანთქმის“ გარეშე.
Apple-ის ხელოვნური ინტელექტის მომავალი: Siri-ს დიდი განახლება ისევ გადაიდო?
Apple-ის მიერ დაპირებული ხელოვნური ინტელექტით გაძლიერებული Siri-ს გამოშვება კვლავ გადაიდო. გაიგეთ, რა სიახლეებს უნდა ველოდოთ და რატომ ჭიანურდება Apple Intelligence-ის დებიუტი iOS-ზე.