آزمایش Gemini Code Assist و Gemini Code Review رایگان در GitHub

/در /توسط

استفاده رایگان از تکنولوژی Gemini Code Assist

Gemini Code Assist اکنون به صورت رایگان برای افراد فراهم شده است، با ارائه کمک کد نویسی با استفاده از هوش مصنوعی. این ابزار توانایی بی‌نهایت در تمام زبان‌های برنامه‌نویسی را دارد و برای کدنویسی بهینه شده است. همچنین امکان مرور کد با استفاده از هوش مصنوعی نیز ارائه شده است.

معرفی Gemini Code Assist

با افزایش استفاده از ابزارهای هوش مصنوعی در زندگی روزمره، بیش از ۷۵٪ از توسعه دهندگان دنیا در کارهای روزانه خود از هوش مصنوعی بهره می‌برند. برای پاسخ به نیازهای کدزنان مبتدی، هوازدگان، آزادانه یا استارت‌آپ‌ها، خدمات هوش مصنوعی باید در دسترس آنها باشد.

قابلیت‌های ویژه Gemini Code Assist

با ارائه بی‌نهایت تکمیل‌کدها تا ۱۸۰,۰۰۰ تکمیل کد در ماه، Gemini Code Assist یک گزینه بسیار خوب برای توسعه دهندگان حرفه‌ای است. همچنین این ابزار امکان مرور کد با هوش مصنوعی را به ارمغان می‌آورد.

استفاده از Gemini Code Assist

با نصب Gemini Code Assist در Visual Studio Code، JetBrains IDEs یا GitHub، توانایی تکمیل کدها، تولید کد و گفتگو را خواهید داشت. با حداکثر تعداد کامل‌کدها ۹۰ برابری نسبت به سایر ابزارهای رایگان کدنویسی محبوب، تمام کدزنان می‌توانند از مزایا و فواید این ابزار بهره‌مند شوند.

نتیجه‌گیری و پیشنهادات پایانی

استفاده از Gemini Code Assist به توسعه دهندگان افرادی امکان دسترسی به هوش مصنوعی در فرآیند کدنویسی برای همه را فراهم می‌کند. با امکانات تنظیم‌پذیر و پشتیبانی از زبان‌های مختلف، این ابزار می‌تواند به بهبود توانایی نوشتن کد و دریافت کمک در فرآیند مرور کد کمک کند.

نظرات و نکات کلیدی

در صنعت توسعه نرم‌افزار، استفاده از ابزارهای هوش مصنوعی برای تسهیل فرآیند کدنویسی و مرور کدها بسیار موثر است. Gemini Code Assist با ارائه خدمات رایگان و تحت پوشش هوش مصنوعی، توانسته است به توسعه‌دهندگان مختلف کمک کند تا کارهایشان را بهتر و سریع‌تر انجام دهند.

منبع:
این مقاله در اصل در https://blog.google/technology/developers/gemini-code-assist-free/ منتشر شده است.

جدیدترین اخبار و به‌روزرسانی‌های Google Developers | وب‌لاگ گوگل

/در /توسط

معرفی ابزارهای جدید برای توسعه‌دهندگان در Google I/O

در این مطلب به معرفی ابزارهای جدیدی که در جشنواره Google I/O معرفی شده‌اند برای کمک به توسعه‌دهندگان در ساخت برنامه‌های هوش مصنوعی می‌پردازیم. این ابزارها به توسعه‌دهندگان کمک می‌کنند تا حدود ممکن صدنظر خود را در ساخت برنامه‌های هوش مصنوعی پیش ببرند.

تمامی آخرین اخبار

پس از معرفی ابزارهای جدید برای توسعه‌دهندگان در Google I/O، در این قسمت مطلب به تمامی آخرین اخبار حوزه توسعه‌ی وب در Google می‌پردازیم.

نظرات ویژه

در پایان، می‌توانیم بگوییم که توسعه‌دهندگان باید همواره به روز با آخرین ابزارها و فناوری‌های Google باقی بمانند تا بتوانند برنامه‌های هوش مصنوعی خود را به بهترین شکل ممکن توسعه دهند.

نکته مهم: هرچه توسعه‌دهندگان به‌روز باشند، موفقیت آن‌ها در ساختن برنامه‌های هوش مصنوعی بیشتر خواهد بود.

—
expert opinion:
این مقاله به خوبی ابزارهای جدیدی که توسط Google برای توسعه‌دهندگان معرفی شده است، روش‌های جدید و نوآورانه‌ای را برای ساخت برنامه‌های هوش مصنوعی ارائه می‌دهد. به عنوان توسعه‌دهنده، همواره باید به تازگی‌ها و به‌روزرسانی‌های صنعت دیجیتال توجه کنیم تا بتوانیم در جامعه توسعه نرم‌افزار پیشرو باشیم.

منبع:
این مقاله در اصل در https://blog.google/technology/developers/ منتشر شده است.

سه روش که هوش مصنوعی به فناوری‌های مفید جهانی می‌رسد

/در /توسط

روندی که به تقدیر اکنون در حال حرکت است، ما را به پیشرفت سریع هوش مصنوعی امروزی رسانده است. امروز سه روش جدیدی را برای بهره‌مندی افراد اعلام می‌کنیم.

### راه اندازی ابزارهای فناوری در 1000 زبان با هوش مصنوعی
#### اهمیت زبان در ارتباطات جهانی
زبان بنیادی برای ارتباط و درک دنیا توسط افراد است. بنابراین خیالی نیست که این همان روش طبیعی‌تر برای ارتباط افراد با فناوری است. اما بیش از 7000 زبان در سراسر جهان صحبت می‌شود و تنها تعداد کمی از آن‌ها امروزه به خوبی آنلاین نمایندگی می‌شوند. این بعنوان مانعی تاریخی در راه حق طلبی ما برای به اشتراک گذاری اطلاعات جهانی و مناسب است.
به همین دلیل امروز ما ابتکار 1000 زبان را معرفی می‌کنیم، یک تعهد جسور به ساخت یک مدل هوش مصنوعی که از 1000 زبان رایج تر حمایت می‌کند و تنوع را به میلیاردها انسان در اقلیاجات محروم سراسر جهان تقدیم می‌کند. این یک پروژه چندین ساله است – برخی از آن را ممکن است یک پروژه بزرگ بنام – اما ما از پیشرفت‌های معنی‌داری در اینجا هستیم و مسیر را روشن می‌بینیم. فناوری در گذر زمان در حال تغییر سریعی بوده است – از روش‌هایی که مردم برای استفاده از آن استفاده می‌کنند تا اینکه چه کاری انجام می‌دهد. بطور نامتناهی، ما مردم را از راه‌هایی مانند تصاویر، ویدیوها و گفتار یافتن و به اشتراک گذاری اطلاعات می‌کنیم. و مدل‌های پیشرفته ترین ما زبان چندمدی – به معنای اینکه قادر به باز کردن اطلاعات در این بسیاری از فرمت‌های مختلف است.
به عنوان بخشی از این ابتکار و تمرکز ما بر چند‌مدی، ما مدل گفتاری یکانی – یا USM – را توسعه داده‌ایم که بر روی بیش از 400 زبان آموزش دیده است که بزرگترین پوشش زبانی را دیدیم. همچنین، می‌خواهیم تکنولوژی تولید تصویر از متن را به کوچه غذا آزمایشگاه هوش مصنوعی وارد کنیم، که روشی برای آموزش دادن، تجربه‌کردن و بازخورد گرفتن از فناوری هوش مصنوعی نوپای فراهم می‌کند. از بازخورد کاربران بر روی این دموها در فصل 2 کارخانه آزمایشگاه هوش مصنوعی خواهیم شنید. شما می‌توانید شهرهای موضوعی را با “بازی حلوانه” بسازید و شخصیت‌های دوست داشتنی هیولا که می‌توانند حرکت، رقص و پرش کنند را با “span” طراحی کنید – همه با استفاده از دموهای متنی.
علاوه بر تصاویر 2D، تبدیل متن به تصویر 3D اکنون حقیقت شده است با DreamFusion، که یک مدل سه بعدی تولید می‌کند که می‌تواند از هر زاویه دیده شود و می‌تواند به هر محیط سه بعدی به 3D بدهد. محققان همچنین در فضای تولید صدا به وفور پیشرفت کرده‌اند با AudioLM، یک مدل که یاد می‌گیرد به صدای واقعی گفتار و موسیقی پیانو تولید کند تنها با گوش دادن به صدا. به همان روشی که یک مدل زبان ممکن است کلمات و جملاتی را که پس از یک متن توهمی می‌آید را پیش‌بینی کند، AudioLM می‌تواند پیش‌بینی کند که چه صداهایی باید پس از چند ثانیه از یک متن صوتی دنبال کند.
همکاری ما با جوامع خلاق در سطح جهان در حال توسعه این ابزارهاست. به عنوان مثال، ما با نویسندگانی که از Wordcraft استفاده می‌کنند، همه بر اینکه حرف زدن به کمک تولید متنی مصنوعی، موجب آزمایشی مستند با زبان مصنوعی Lada توانایی تولید متنی است. می‌توانید اولین جلد این داستان‌ها را در
کارگاه نویسندگان Wordcraft
بخوانید.

### مواجهه با تغییرات آب‌وهوا و چالش‌های بهداشت با هوش مصنوعی
هوش مصنوعی نیز بزرگترین توانایی‌های رسیدگی به اثرات تغییرات آب و هوا، از جمله کمک به افراد برای تطابق با چالش‌های جدید، دارد. یکی از بدترین آن‌ها حریق جنگل‌هاست که امروزه بر صدها هزار نفر اثر گذار است و در فراوانی و مقیاس آزادی دارد.
امروز، خوشحالم که بگویم که به کاربرد تصاویر ماهواره‌ای پیشرو برای آموزش مدل‌های هوش مصنوعی برای شناسایی و پیگیری حریق‌های جنگلی در زمان واقعی پیشرفت داده‌ایم، کمک کرده‌ایم تا پیش‌بینی کنیم که چگونه آن‌ها تکامل خواهند کرد و گسترش خواهند یافت. ما این سیستم ردیابی آتش‌سوزی را در U.S.، Canada، Mexico لانس کرده‌ایم و در بخشی از استرالیا، به طور تدریجی ایجاد شده‌ایم، و از ژوئیه گذشته به اکثر 30 رویداد حریق بزرگ در U.S. و Canada پرداخته‌ایم کمک به کاربران و تیم‌های آتش‌نشانی با بیش از 7 میلیون بازدید در Google Search و Maps.
همچنین به کمک هوش مصنوعی می‌توانیم سیل‌ها را پویش کنیم، یک نمونه دیگر از الگوهای آب‌وهوایی شدید است که به وسیله تغییرات آب‌وهوایی تشدید شده است. ما برای پیش‌بینی زمانی که سیلها حمل می‌کنند و عمقی که آب‌ها به آن خواهد رسید به افراد کمک کرده‌ایم – در سال 2021، 115 میلیون اعلام هشدار سیل به 23 میلیون نفر را از طریق جستجو و نقشه های Google ارسال کرده‌ایم و جان‌ها را نجات داده‌ایم. امروز، می‌خواهیم بگوییم که ما اکنون پوششمان را به کشورهای بیشتر در آمریکای لاتین (برزیل و کلمبیا)، آفریقای جنوبی از صحرا تا آفریقای جنوبی (سریلانکا، نامبیایی، کامرون، چاد، جمهوری دموکراتیک کنگو، کوت دیوار، غنا، گینه، مالاوی، نیجریه، سیرالئون، آنگولا، دموکراتیک جنوبی، نامیبیا، لیبریا و آفریقای جنوبی) و آسیای جنوبی (سری لانکا) گسترش می‌دهیم. ما از یک تکنیک هوش مصنوعی به نام یادگیری انتقال برای عملکرد آن در مناطق کم داده بهره گرفته‌ایم.
و در سرانجام، هوش مصنوعی به گسترش بیش‌تر دسترسی به مراقبت‌های بهداشتی در مناطق کم‌منابع کمک‌کند. به عنوان مثال، ما روش‌هایی را برای کمک به هوش مصنوعی در خواندن و تجزیه و تحلیل خروجی‌ها از دستگاه‌های اولتراسوند با قیمت مناسب پژوهش می‌کنیم تا اطلاعات لازم را به والدین دادهایم تا مشکلاتی را در دوران بارداری زودتر شناسایی کنند. همچنین ما قصد داریم همکاری خود را با مراقبان و آژانس‌های بهداشت عمومی برای گسترش دسترسی به ارزیابی دیابت کمک از طریق ابزار ARDA اتوماتیک تصویب کنیم. از طریق ARDA، ما با موفقیت بیش از 150،000 بیمار را در کشور‌هایی مانند هند، تایلند، آلمان، ایالات متحده و انگلیس بررسی کرده‌ایم – بیش از نیمی از آنها تنها در سال 2022 سنخیته‌شده‌اند. علاوه بر این، ما داریم بررسی می‌کنیم که چگونه هوش مصنوعی می‌تواند به گوشی شما کمک کرده‌تا شناش حمله قلبی و تنفسی را تشخیص دهد. این کار جزئی از دیدگاه چشم انداز عمومی Google Health فعالیت‌ می‌کند، که
می‌خواهد بهداشت را برای هر کسی که دارای یک گوشی هوشمند است، دسترسی‌پذیرتر کند.

### هوش مصنوعی در سال‌های آینده
پیشرفت‌های ما در ساختارهای شبکه‌های عصبی، الگوریتم‌های یادگیری ماشین و رویکردهای جدید برای سخت‌افزار برای یادگیری ماشین به هوش مصنوعی کمک کرده است تا مسائل مهم واقعی‌ دنیا برای میلیاردها نفر را حل کند. بسیاری دیگر خواهد آمد. آنچه امروز به اشتراک گذاری می‌کنیم یک انگیزه امیدوار کننده برای آینده است – هوش مصنوعی به ما اجازه داده است که به دوباره چ

منبع:
این مقاله در اصل در https://blog.google/technology/ai/ways-ai-is-scaling-helpful/ منتشر شده است.

استفاده از شبیه‌سازی‌های مغزی به مقیاس بزرگ برای یادگیری ماشین و هوش مصنوعی

/در /توسط

مقدمه

در دنیای امروزی، احتمالاً در طول روز چندین بار از فناوری یادگیری ماشین استفاده می‌کنید بدون اینکه این موضوع را بدانید. این فناوری یک روش است برای آموزش رایانه‌ها با استفاده از داده‌های واقعی جهان و این امکان را فراهم می‌آورد که تشخیص صدای با کیفیت بالا، از پشتیبانی از تصویری کامپیوتری کاربردی، جلوگیری از ایمیل‌های ناخواسته و حتی خودروهای خودران فراهم شود. اما این فناوری از کمال برخوردار نیست. احتمالاً شما به شکلی طنزآمیز به دیدن متن‌های نادرست ترجمه شده، یا تصاویر اشتباه شناسایی شده، لبخند میزنید. ما باور داریم که یادگیری ماشین می‌تواند بسیار دقیق‌تر باشد و کامپیوترهای هوشمند می‌توانند وظایف روزانه‌ی شما را آسان‌تر کنند. بنابراین تیم تحقیقاتی ما به بررسی روش‌های جدیدی برای یادگیری ماشین به مقیاس بزرگ پرداخته است.

استفاده از داده‌های بدون برچسب

فرضیه جدید از یادگیری خودآموز (PDF) و یادگیری عمیق نشان می‌دهد که ممکن است بتوانیم به جای استفاده از داده‌های دارای برچسب، از داده‌های بدون برچسب – مانند تصاویر تصادفی از وب یا ویدیوهای YouTube – استفاده کنیم. این الگوریتم‌ها با ایجاد شبکه‌های عصبی مصنوعی کار می‌کنند که به طور مشابهی، عملکرد یادگیری نورونالی (یعنی مغز) را شبیه‌سازی می‌کنند.

تشخیص گربه‌ها

یکی از نورون‌ها در شبکه عصبی مصنوعی که از فریم‌های ثابت از ویدیوهای بدون برچسب YouTube آموزش دیده است، یادگیری کرده است که گربه‌ها را تشخیص دهد. این نشان می‌دهد که شبکه ماشینی به طور خودآموز می‌تواند اشیا رایج را در ویدیوها تشخیص دهد بدون اینکه حتی به آن اطلاعی داشته باشد. این مفهوم یادگیری خودآموز نامیده می‌شود.

پیشرفت‌ها و اهداف آینده

با استفاده از این شبکه عصبی به مقیاس بزرگ، ما نیز بهبود قابل توجهی را در عملکرد تست طبقه‌بندی تصویر استاندارد دیدیم، به طوری که دقت 70 درصدی نسبی را مشاهده کردیم. ما این تکنولوژی را به مراتب پررنگتر می‌کنیم و به دنبال توسعه سیستم‌های یادگیری ماشین هستیم که به خوبی مقیاس پذیر باشد، تا بتوانیم از مجموعه‌های گسترده‌ای از داده‌های آموزش بدون برچسب بهره ببریم.

نتیجه و دیدگاه کارشناس

در نهایت، استفاده از شبکه‌های عصبی به مقیاس بزرگ برای یادگیری ماشین و هوش مصنوعی امکانات جدیدی را برای ما فراهم می‌آورد. این امر نه تنها به پردازش تصاویر محدود نمی‌شود، بلکه ما رویکردهای مشابه را برای شناسایی سخنرانی و مدل‌سازی زبان‌های طبیعی نیز در دستور کار قرار داده‌ایم. این تکنولوژی در آینده می‌تواند باعث بهبود عملکرد و سرعت ابزارهایی که روزانه استفاده می‌کنید شود.

Highlights:
1. استفاده از یادگیری خودآموز و یادگیری عمیق در ماشین‌های بزرگ بهبود قابل توجهی در عملکرد دستگاه‌های یادگیری ماشین ایجاد کرده است.
2. شبکه های عصبی مصنوعی به مقیاس بالا می‌توانند اشیا رایج را بدون وجود داده‌های برچسب‌خورده تشخیص دهند.
3. پتانسیل وسیع این تکنولوژی برای توسعه و بهینه‌سازی ابزارهای روزمره کاربران.

منبع:
این مقاله در اصل در https://blog.google/technology/ai/using-large-scale-brain-simulations-for/ منتشر شده است.

پردازش در دستگاه چیست؟ یک مهندس گوگل توضیح می‌دهد

/در /توسط

اگر به‌طور مداوم اخبار در حوزه فناوری را دنبال می‌کنید، ممکن است با اصطلاح “پردازش در دستگاه” آشنا باشید. این اصطلاح بسیار پرکاربرد است و بخش‌های مختلفی از محصولات گوگل از جمله گوشی‌های Pixel و دستگاه‌های Nest از این فناوری برای قدرت بخشیدن به ویژگی‌های جدید و مفید استفاده می‌کنند. اما واقعاً چه معنایی دارد که پردازش روی دستگاه صورت می‌گیرد؟ در این مقاله، با توضیحات یکی از مهندسان گوگل، به بررسی این موضوع می‌پردازیم.

چگونه پردازش در دستگاه واقعاً کار می‌کند؟

پردازش در دستگاه یعنی توانایی یک دستگاه برای انجام وظایف بدون ارسال داده به ابرها. با استفاده از تراشه‌های قدرتمند مانند Tensor G4، امکان‌پذیر می‌شود که مدل‌های زبان بزرگ مانند Gemini Nano اجرا شوند. پردازش در دستگاه نتایج سریعتر، قابلیت بیشتر و قابلیت اعتماد بیشتری ارائه می‌دهد.

چه بخش‌هایی از موارد استفاده پردازش در دستگاه را می‌توان اشاره کرد؟

پردازش در دستگاه فرصت‌های جدیدی را برای ارائه ویژگی‌ها و قابلیت‌های استفاده از قدرت پردازش دستگاه فراهم می‌کند. از جمله موارد استفاده می‌توان به هوش مصنوعی تولیدی، ویرایش ویدیو، ترجمه زبان و … اشاره کرد.

پردازش در دستگاه چگونه با پردازش خارج از دستگاه مقایسه می‌شود؟

پردازش خارج از دستگاه در ابر انجام می‌شود. دستگاه شما به اینترنت متصل می‌شود و درخواست شما را به سرورهای سایر جاها ارسال می‌کند، سپس خروجی را به گوشی شما ارسال می‌کند. با استفاده از تراشه‌های جدید و قدرتمند، این امکان ایجاد مدل‌های کوچکتر و کارآمدتر را فراهم می‌کند تا بتوانند در سیستم عامل و سخت‌افزار دستگاه شما اجرا شوند.

نظر کارشناس:

با توجه به اهمیت روزافزون و کارآمدی پردازش در دستگاه، انتظار می‌رود که در آینده بیشتری از این فناوری در توسعه محصولات استفاده شود. از طرف دیگر، باید به دقت به مزایا و معایب پردازش در دستگاه و خارج از دستگاه توجه کرد تا بتوان موارد استفاده متناسب را برای هرکدام انتخاب کرد.

منبع:
این مقاله در اصل در https://blog.google/technology/ai/on-device-processing/ منتشر شده است.

NotebookLM با پشتیبانی از اسلایدهای گوگل و روش‌های بهتر بررسی واقعیت‌ها به سطح جهانی رسید

/در /توسط

امروز وب‌گاه تکنولوژی Breadcrumb خبری جذاب از به‌روزرسانی بزرگ NotebookLM، دستیار پژوهش و نوشتاری مبتنی بر هوش مصنوعی، ارائه کرده است که به بیش از 200 کشور و منطقه در سراسر جهان گسترش یافته است. این به‌روزرسانی شامل امکان دسترسی به اسلایدهای گوگل و URLs وب به عنوان منابع، امکان بررسی واقعیت‌‌های پاسخ‌های هوش مصنوعی با ارجاع‌های درون خطی، و تبدیل منابع به فرمت‌های مفید مانند سوالات متداول و راهنمای مطالعه است. از NotebookLM تا کنون توسط نویسندگان، دانشجویان و اساتید برای تحقیق و نوشتن استفاده شده است، اما توانایی‌های آن نیز در حکومت‌های محلی، آموزش‌های فروش، و حتی بازی‌های نقشآفرینی مورد استفاده قرار گرفته است. برای شروع، یک دفترچه یادداشت ایجاد کنید، اسناد خود را آپلود کنید، و ویژگی‌های مختلف را برای بهبود فرآیند تحقیق و نوشتار خود بررسی کنید.

امکانات جدید اضافه شده

یکی از امکانات جدیدی که به NotebookLM اضافه شده است، پشتیبانی از اسلایدهای گوگل و URLs وب به عنوان منابع است. همچنین می‌توانید ارجاع‌های درون خطی را بررسی کنید و به آسانی به پاسخ‌های هوش مصنوعی بپردازید و به متن اصلی عمیق‌تر بپردازید. همچنین راهنمای نوت‌بوک به شما درک سطح بالایی از منابع خود را می‌دهد و آن‌ها را به فرمت‌های مفیدی مانند سوالات متداول، سند مختصر یا راهنمای مطالعه تبدیل می‌کند.

استفاده‌های کاربران واقعی

از زمان معرفی تابستانی NotebookLM، ما متعجب شده‌ایم از آنچه که افراد برای آن کشف کرده‌اند. به علت اینکه این محصول با همکاری نویسندگان، دانشجویان و اساتید توسعه یافته است، ما دیده‌ایم که بسیاری از کاربران اوایل به آن ادغام کرده‌اند. ما مواجهه شادمانه‌ای از اساسی‌ترین موراد استفاده‌های محتمل را دیده‌ایم:

  • در حکومت‌های محلی، شهروند پالم بی توماس گام یک خبرنامه هیپرمحلی ایجاد کرد، کدوم آرایش‌های شهر، داده‌های استفاده از اراضی، کد‌های زونینگ و دقایق جلسات شورای شهر را جمع‌آوری کرد. NotebookLM به او قدرت داد تا یک «خبرخانه و ناشر یک نفره» باشد.
  • توانایی NotebookLM در خلاصه کردن و تطابق آوردن گفتگو‌ها به کاربران در شناسایی الگوها و موضوعات در متون پایه، صدها ساعت تجزیه و تحلیل دستی را ذخیره کرده است. برای مثال، مشاور ویکتور آدفوی از NotebookLM برای تحلیل گفتگوی‌های تماس فروش برای آموزش و هدایت هدفمند استفاده می‌کند.
  • سازمان‌های غیرانتفاعی از NotebookLM استفاده کرده‌اند تا به آن‌ها کمک کند تا نیازها در جوامع خدمات نگهداری نشده را تشخیص دهند و اطلاعات را برای پیشنهادات گرفتی، سازماندهی کنند.

آغاز کار

اگر تا به اینجا با NotebookLM آشنا نیستید، شروع کردن بسیار آسان است: زمانی که برای اولین بار به NotebookLM دسترسی پیدا کردید، یک دفترچه یادداشت ایجاد می‌کنید و اسنادی برای یک پروژه خاص یا خروجی خاص آپلود می‌کنید. در این نقطه شما می‌توانید بخوانید، یادداشت‌ها بگیرید، سوالات بپرسید، ایده‌های خود را سازماندهی کرده، یا از NotebookLM بخواهید تا خلاصه‌های خودکار از تمام منابعتان را ایجاد کند – مانند یک راهنمای مطالعه یا یک فهرست محتویات. و با NotebookLM، منابعی که آپلود می‌کنید برای آموزش مدل استفاده نمی‌شود.

نظرات کارشناسی و نکات کلیدی

در نهایت، به عنوان یک بلاگر تکنولوژی با تجربه و توان تحلیل نقدی، من با افتخار اظهار نظر می‌کنم که بهبودهای اعمال شده در NotebookLM، از جمله پشتیبانی از اسلایدهای گوگل، امکان تبدیل منابع به فرمت‌های مفید، و توانایی بررسی واقعیت‌ها، توانایی کاربران در استخراج اطلاعات و تولید دیدگاه از مجموعه‌های بزرگ اسناد را افزایش داده است. از طرف دیگر، کاربران واقعی از این ابزار در زمینه‌های گوناگون مانند تحقیق و نوشتار، حکومت‌های محلی، فروش و حتی بازی‌های نقش‌آفرینی استفاده موثری کرده‌اند. این ابزار قدرتمند به کاربران قدرت ساخت ارتباطات و تولید درک از مجموعه‌های بزرگ اسناد را داده است و امیدواریم ببینیم که متصور دیگر از دنیا با آن چه کرده‌اند است

منبع:
این مقاله در اصل در https://blog.google/technology/ai/notebooklm-goes-global-support-for-websites-slides-fact-check/ منتشر شده است.

امکان گوش دادن به گفتگو در مورد منابع خود را در NotebookLM دارید

/در /توسط

معرفی امکان جدید در NotebookLM

در تاریخ 11 سپتامبر 2024، یک قابلیت جدید به نام “Audio Overview” در ابزار NotebookLM معرفی شد که به کاربران کمک می‌کند تا با گوش کردن به گفتگوهای تولید شده توسط هوش مصنوعی، به درک بهتری از منابع خود برسند. این گفتگوها مطالب را خلاصه کرده، ارتباطات بین موضوعات را برقرار می‌کنند، و می‌توانند برای گوش دادن در حالت روزانه دانلود شوند. این ویژگی هنوز به عنوان یک آزمایشی معرفی شده است و محدودیت‌هایی از قبیل عدم دقت در توضیحات و عدم امکان قطع گوش به راهبرد های هوش مصنوعی وجود دارد. تیم که خود را متشوق معرفی این روش جدید درک اطلاعات معرفی می‌کند.

راهنمایی‌های کلیدی در مورد امکان جدید

  • امکان گوش دادن به گفتگوهای تولید شده توسط هواش مصنوعی در مورد منابع خودر
  • دو میزبان هوش مصنوعی، محتواهای شما را خلاصه کرده و ارتباطات را برقرار می‌کنند، ایجاد یک گفتگوی “عمیق”
  • امکان دانلود و گوش دادن در حالت روزانه برای یادگیری و به یادسپاری مطالب
  • ضروری است که به خاطر داشته باشید که این گفتگوها جامع یا فعالیت های سوژه های موجود اشتباه بابت منابع تهیه شده نیستند.
  • این ویژگی هنوز در حال آزمایش است و محدودیت‌هایی از قبیل زمان طولانی برای تولید برای دفترچه‌های یادداشت بزرگ برخی دقت‌ها در توضیحات وجود دارد.

نظر کارشناس

ویژگی جدید “Audio Overview” که توسط ابزار NotebookLM معرفی شده است، به کاربران امکان می‌دهد تا به طریق گوش‌ دادن به گفتگوهای تولید شده توسط هوش مصنوعی، به بهترین شکل از منابع خود استفاده کنند. این ویژگی می‌تواند به عنوان یک ابزار موثر برای یادگیری و حفظ اطلاعات مفید باشد. اما اهمیت دارد که به محدودیت‌های وجودی این ویژگی، مانند دقت توضیحات و زمان طولانی برای تولید برای دفترچه‌های یادداشت بزرگ توجه داشته شود.

منبع:
این مقاله در اصل در https://blog.google/technology/ai/notebooklm-audio-overviews/ منتشر شده است.

تکنولوژی مکالمه‌ای LaMDA: یک نگاه عمیق

/در /توسط

معرفی تکنولوژی LaMDA

این مقاله در تاریخ ۱۸ مه ۲۰۲۱ به معرفی تکنولوژی LaMDA توسط گوگل می‌پردازد. این تکنولوژی به عنوان یک اختراع جدید در حوزه مکالمه شناخته می‌شود که به دنبال بهبود و توسعه‌ی تکنولوژی‌های مکالمه و ارتباط با کامپیوتر می‌باشد. با اینکه تا کنون تکنولوژی‌ها و مدل‌های زبانی بسیاری مانند BERT و GPT-3 توسط گوگل توسعه یافته‌اند، LaMDA به عنوان یک گام بزرگ به جلو در این حوزه معرفی شده است.

تکنولوژی Transformer و نحوه آموزش LaMDA

همانطور که بیان شد، تکنولوژی LaMDA بر اساس مدل Transformer ساخته شده است که توسط تیم تحقیقاتی گوگل در سال ۲۰۱۷ معرفی شد. LaMDA به روشی جدید برای آموزش مدل‌های زبانی تحت عنوان “لغت‌نامه زبان برای برنامه‌های مکالمه” توسعه یافته و آموزش داده شده است. این تکنولوژی به شیوه‌ای که ما در مکالمات و گفت‌وگوهای تحت عنوان “مکالمه” می‌توانیم تاثیر گذاریم، بهبود آورده است.

مزایای LaMDA و تلاش‌های گوگل برای بهبود آن

گوگل اعلام کرده که طی سال‌های گذشته تلاش‌های زیادی برای توسعه مدل‌های زبانی انجام داده است و LaMDA یکی از نتایج این تلاش‌هاست. این تکنولوژی بهبودهای چشمگیری نسبت به مدل‌های مکالمه‌ای قبلی داشته و امریجدید در امکانات مکالمه با فناوری را به وجود آورده است. گوگل نه تنها به ابعاد مثل “علاقه‌مند کننده” در پاسخ‌های مدل‌های مکالمه اهمیت می‌دهد، بلکه به شیوه اطمینان از دقت و صحت پاسخ‌های این مدل‌ها نیز اهمیت می‌دهد.

اهمیت تأکید بر اصول هوش مصنوعی

گوگل با انتشار مدل LaMDA تأکید بر اصول هوش مصنوعی خود می‌کند و اهمیت آن را مورد توجه قرار می‌دهد. از جمله اصولی که گوگل به آن توجه می‌کند، برطرف کردن بیشترین احتمالات بدیهی و نادرستی که این تکنولوژی‌ها ممکن است داشته باشند است. اولویت بالاتر گوگل هنگام توسعه تکنولوژی‌های جدید، بالغ بر این است که ریسک‌های مرتبط با این تکنولوژی‌ها را حداقل کند.

نکات کلیدی و نظرات اختصاصی

با توجه به اعلام گوگل در مورد تکنولوژی LaMDA، مشخص است که این تکنولوژی گام مهمی در جهت پیشرفت تکنولوژی‌های مکالمه و ارتباط با کامپیوترها است. LaMDA توانایی‌های مکالمه‌ای بسیار بالایی دارد و می‌تواند بهبود چشمگیری در فرایندهای ارتباطی فناوری‌ها به وجود آورد.

نکات کلیدی:
– تکنولوژی LaMDA اخراجی در زمینه مکالمه و گفت‌وگوهای اختصاصی است.
– گوگل به اصول هوش مصنوعی خود در توسعه تکنولوژی‌های مدرن اهمیت می‌دهد.
– LaMDA به عنوان یک نقطه تحولی در جهت فناوری‌های مکالمه‌ای معرفی شده است.

منبع:
این مقاله در اصل در https://blog.google/technology/ai/lamda/ منتشر شده است.

همکاری با iCAD برای بهبود اسکرینینگ سرطان پستان

/در /توسط

مقدمه

در حالی که سرطان پستان یکی از شایع‌ترین انواع سرطان در جهان است، شناسایی زودرس می‌تواند به نجات جان افراد و بهبود نتایج در میان آنها که این بیماری را دارند کمک کند. در Google Health، ما در حال توسعه هوش مصنوعی هستیم تا دقت اسکرینینگ سرطان پستان را بهبود بخشیم و دسترسی بیشتری به آن فراهم کنیم. در طول زمان، اسکرینینگ‌های بهتر بهبود نتایج بهداشتی را ارتقا می‌دهند و تفاوت‌های ذاتی بین افراد را کاهش خواهند داد.

همکاری با iCAD

در اعلام یک همکاری جدید، ما با شرکت iCAD همکاری کرده‌ایم. iCAD یکی از رهبران فناوری پزشکی و شناسایی سرطان است و این اولین بار است که مدل تحقیقاتی هوش مصنوعی مربوط به اسکرینینگ پستان خود را به این شرکت لایسنس می‌دهیم. iCAD به سمت اعتبارسنجی و یادگیری تکنولوژی هوش مصنوعی اسکرینینگ پستان توسط Google Health با هدف بهبود شناسایی سرطان پستان و ارزیابی خطر سرطان شخصی برای بیش از دو میلیون نفری که هر سال به طور جهانی دچار سرطان پستان می‌شوند پی خواهد برد.

در حالی که اسکرینینگ‌های سرطان پستان حیاتی‌اند برای بهبود نتایج، کمبود تخصصیان در سرتاسر جهان معنی دارد که سیستم‌های اسکرینینگ اغلب زیاده‌روی‌شده‌اند، باعث تاخیرهای طولانی و پراز اضطراب برای افرادی که منتظر نتایج هستند می‌شود. در برنامه‌های اسکرینینگ امروزی، چالش‌های مرتبط با دسترسی، دقت، تجربه بیمار و بار کارکنان درمانی وجود دارد. پورتفولیو ابزارهای تصویربرداری پستان شرکت iCAD و تکنولوژی هوش مصنوعی اسکرینینگ پستان Google Health این امکان را به رادیولوژیست‌ها می‌دهد تا بیشتر به بیماران خود تمرکز کنند.

استفاده از زیرساخت امن و قابل مقیاس Google Cloud

علاوه بر لایسنس دادن تکنولوژی هوش مصنوعی ما، iCAD نیز از زیرساخت امن و قابل مقیاس گوگل کلاد استفاده خواهد کرد که به او امکان می‌دهد تا به سرعت راه‌حل‌های قابل مقیاس مبتنی بر ابر را به مناطق جدید گسترش دهد. با انجام این کار، iCAD می‌تواند دسترسی به ابزارهای مبتنی بر هوش مصنوعی در مناطقی که چالش‌های زیرساختی ممکن است توان ارائه اسکرینینگ سرطان پستان را محدود کند، فراهم کند.

توجه به توسعه تکنولوژی

این همکاری تجاری با iCAD به ما نشان می‌دهد که پس از چندین سال سرمایه‌گذاری و تحقیق و آزمایش ارادی، حالا آماده هستیم تا با iCAD همکاری کرده و گام‌های بعدی را به سمت یکپارچه‌سازی این تکنولوژی در یک محیط بالینی واقعی برداریم. این همکاری با iCAD این انتقال مرحله‌ بر مرحله در کار ما در زمینه اسکرینینگ پستان را تأیید می‌کند.

نتیجه‌گیری و نظرات کارشناسی

با گذشت زمان، تکنولوژی هوش مصنوعی در زمینه اسکرینینگ سرطان پستان به خوبی اثرگذار بوده و به ارائه بهترین مشاوره‌ها به بیماران کمک کرده است. همکاری با شرکت‌های معتبر نظیر iCAD این امکان را فراهم می‌کند تا از مزایای این تکنولوژی هوش مصنوعی در محیط‌های بالینی استفاده شود و خطرات مرتبط با سرطان پستان کاهش یابد. این مشارکت و همکاری می‌تواند به بهبود عملکرد سیستم‌های اسکرینینگ سرطان پستان در سراسر جهان، افزایش دسترسی به مراکز تصویربرداری پستان مبتنی بر هوش مصنوعی در مناطق غیرخدماتی و بهتر کردن تجربه بیماران منجر شود.

منبع:
این مقاله در اصل در https://blog.google/technology/ai/icad-partnership-breast-cancer-screening/ منتشر شده است.

شناسایی محتوای ساخته شده با ابزارهای هوش مصنوعی گوگل با استفاده از SynthID Detector

/در /توسط

مقدمه

در دنیای فناوری امروزی، پیشرفت‌های چشمگیر در حوزه هوش مصنوعی، امکان ایجاد محتواهای متنوعی از جمله متن، صداهای با کیفیت بالا، تصاویر و ویدیوها را به طرق کاملاً جدید فراهم کرده است. با پیشرفت این قابلیت‌ها و تبدیل شدن آنها به صورت گسترده‌تر در دسترس عموم، مسائلی از جمله اعتبار، زمینه و تایید مطرح می‌شوند.

معرفی SynthID Detector

در این راستا، باید به تازگی SynthID Detector معرفی شده است، که یک پورتال تاییدی برای شناسایی سریع و کارآمد محتواهای ساخته شده با هوش مصنوعی گوگل است. این پورتال، قابلیت‌های شناسایی در اختیار بخش‌های مختلفی از محتوا را در یک مکان فراهم می‌کند و شفافیت ضروری را در صفحه محتواهای تولیدی در حوزه رسانه‌های تولیدی فراهم می‌کند. همچنین، محتواهایی که بخش‌های آنها احتمالاً با SynthID آب زده شده‌اند را نیز مشخص می‌کند.

چگونگی عملکرد SynthID Detector

به منظور استفاده از SynthID Detector، باید تصویر، پیام صوتی، ویدیو یا متنی را که با استفاده از ابزارهای هوش مصنوعی گوگل ساخته شده باشد، بارگذاری کنید. پس از اینکه پورتال مطلب بارگذاری‌شده را بررسی کند، در صورت وجود آب‌زدگی SynthID، بخش‌های مشخصی از محتوا که احتمال آب‌زده شدن آن را دارند را مشخص می‌کند.

گسترش اکوسیستم SynthID

برای رشد یک اکوسیستم معتبر، ما SynthID را به طور رفتگری منبع‌باز کرده‌ایم، تا هر توسعه‌دهنده‌ای بتواند با این تکنولوژی کار کند و آن را به مدلهای خود ادغام کند. همچنین، در سال‌های اخیر، ما گام اول در ایجاد یک اکوسیستم از شرکای صنعتی برای گسترش استفاده از تکنولوژی SynthID برداشته‌ایم.

نتیجه‌گیری و دیدگاه شخصی

در پایان، لازم است بگوییم که شفافیت محتوا هنوز یک چالش پیچیده است. برای ادامه یاری دادن و قدرت بخشیدن به افرادی که با محتوای تولید شده توسط هوش مصنوعی سر‌وکار دارند، اعتقاد داریم که ادامه همکاری با جامعه هوش مصنوعی و گسترش دسترسی به ابزارهای شفافیت بسیار حیاتی است.

در نهایت، SynthID Detector یک ابزار بسیار مفید است که به افرادی که با محتوای ایجاد شده توسط هوش مصنوعی سر‌وکار دارند، امکان شناسایی آب‌زدگی‌های SynthID را در محتواهایشان می‌دهد. این ابزار به آنها کمک می‌کند تا از اعتبار و شفافیت محتوای خود اطمینان حاصل کنند.

نکات کلیدی

– امکان شناسایی محتوای تولیدی با استفاده از ابزارهای هوش مصنوعی گوگل به وسیله SynthID Detector
– ابزاری کارآمد برای حفظ شفافیت و اعتبار محتوای تولید شده
– توسعه اکوسیستم SynthID از طریق منبع‌باز کردن تکنولوژی آن
– همکاری با شرکای صنعتی و پلت فرمهای تأیید محتوا به منظور گسترش استفاده از تکنولوژی SynthID

—
نظر کارشناس:
SynthID Detector یک ابزار مهم و حیاتی است که به صورت قابل اعتمادی به کاربران اجازه می‌دهد تا محتوای تولید شده با استفاده از هوش مصنوعی را شناسایی و تحقیق کنند. این ابزار نقش مهمی در جلوگیری از گسترش اطلاعات غلط و افزایش شفافیت محتواهای آنتها دارد و می‌تواند به ترسیم منشأ و اعتبار این محتواها کمک کند. به نظر من میزان اعتماد به محتواهای تولیدی با استفاده از هوش مصنوعی با اینگونه ابزارها افزایش پیدا می‌کند ورفاه کاربران و مطالعه‌کنندگان را بهبود می‌بخشد.

منبع:
این مقاله در اصل در https://blog.google/technology/ai/google-synthid-ai-content-detector/ منتشر شده است.