خرید سورس کد : درست یا اشتباه ؟

خرید سورس کد : درست یا اشتباه ؟

آیا خرید سورس کد کار درستی است یا یک تصمیم اشتباه است ؟ در علوم کامپیوتر، سورس کد ، مجموعه ای از کد ها است که با یا بدون نظر است که با استفاده از یک زبان برنامه نویسی قابل خواندن توسط انسان ، معمولاً به صورت متن ساده ، نوشته شده است. سورس کد یک برنامه به ویژه برای تسهیل کار برنامه نویسان رایانه طراحی شده است که اکثر اقدامات را توسط رایانه با نوشتن سورس کد مشخص می کنند. سورس کد غالباً توسط یک اسمبلر یا کامپایلر به کد ماشین باینری تبدیل می شود که می تواند توسط رایانه اجرا شود. کد ماشین ممکن است بعداً برای اجرا ذخیره شود. متناوباً ، سورس کد ممکن است تفسیر شود و بنابراین بلافاصله اجرا شود.

آیا خرید سورس کد کار درستی است ؟

وقتی شما برای خریدن سورس کد اقدام می کنید و از کد های باز یا به اصطلاح Open Source Code استفاده نمی کنید. به دنبال یک برنامه هستنید که به درستی کار کند اما به یاد داشته باشید که خرید آن به معنی این نیست که شما دیگر نیاز به بهینه سازی آن ندارید. در واقع شما عملکرد اصلی یک برنامه را در اختیار دارید اما برای اینکه بتوانید به درستی از آن استفاده کنید و برنامه مطابق خواسته های خودتان باشد باید به برنامه نویسی مصلط باشید. استفاده از سورس کد باعث می شود که شما در زمان صرفه جویی کنید ولی از طرفی امکان دارد که از نظر خاص بودن به پروژه شما لطمه وارد شود. اما به طور کلی بسیاری از برنامه نویسان از این راهکار استفاده می کنند.

مزایا و معایب برنامه های اپن سورس

مزایای اپن سورس یا منبع باز بسیار زیاد است و در سالهای اخیر محبوبیت زیادی در زمینه IT کسب کرده است. این عمدتا به این دلیل است که یکی از بزرگترین مزایای نرم افزار منبع باز استفاده رایگان از آن است.البته همانطور که توسط یک جامعه غیرانتفاعی توسعه یافته است ، معایبی نیز دارد. نرم افزار منبع باز برای استفاده ، توزیع و اصلاح رایگان است. ایتفاده از این کد ها هزینه کمتری دارد و در بیشتر موارد این تنها کسری از هزینه های مشابه آنها است. نرم افزار منبع آزاد از امنیت بیشتری برخوردار است زیرا کد برای همه قابل دسترسی است. هر کسی می تواند اشکالات را پیدا کند و کاربران لازم نیست منتظر نسخه بعدی باشند. این واقعیت که به طور مداوم توسط یک جامعه بزرگ مورد تجزیه و تحلیل قرار می گیرد ، کدی امن و پایدار تولید می کند. اپن سورس کد ها وابسته به شرکت یا نویسنده ای آن یست که در ابتدا آن را ایجاد کرده است. حتی اگر این شرکت یا فرد دست از کار بکشد ، کد همچنان وجود دارد و توسط کاربران آن توسعه می یابد. همچنین ، از استانداردهای باز قابل دسترسی برای همه استفاده می کند. بنابراین ، این یک مشکل از قالب های ناسازگار است که در نرم افزار اختصاصی وجود ندارد. عیب اصلی نرم افزار منبع باز ، پیچیدگی استفاده از آن است. سیستم عامل های منبع باز مانند لینوکس را نمی توان در یک روز آموخت. قبل از اینکه بتوانید بر آنها مسلط شوید ، احتمالاً نیاز به آموزش دارند. برای سهولت کار ممکن است لازم باشد فردی آموزش دیده استخدام کنید ، اما این کار هزینه های اضافی را متحمل می شود.تصمیم گیری در مورد پذیرش نرم افزار منبع باز نباید فقط بر اساس هزینه پایین انجام شود. این مستلزم تجزیه و تحلیل و درک دقیق نیازها قبل از استفاده از کد های منبع باز برای استفاده کامل از مزایای آن است.

هوش مصنوعی و یادگیری ماشین هنر را متحول میکنند

هوش مصنوعی و یادگیری ماشین هنر را متحول میکنند

هوش مصنوعی و یادگیری ماشین انقلابی در صنایع ، بازارها و خدمات مختلف ایجاد می کند. با این وجود صنایع خلاق و دنیای هنر هنوز نتوانسته اند از پتانسیل کامل این فناوری استفاده کنند. با این حال ، دو کارآفرین شیلیایی بستری را ابداع کردند تا استفاده از هوش منصوعی  را در این صنعت پیش می برند. با استفاده از آخرین فن آوری ، آنها به سازندگان ، فیلمسازان آماتور ، هنرمندان تجسمی ، حتی صنعت فیلم و موسیقی اجازه می دهند تا از الگوریتم های هوش مصنوعی در کارهای خود استفاده کنند. نام این نرم افزارRunway است ، بستری که یادگیری ماشینی و هوش مصنوعی را با دنیای هنر و خلاقیت ادغام می کند.

تلفیق هنر با هوش مصنوعی و یادگیری ماشین ایده چه کسانی بود؟

Runway در پایان سال 2018 توسط کریستوبال والنزوئلا،  ، آلخاندرو ماتمالا و آنستاسیس گرمانیدیس تاسیس شد ، آنها  این پروژه را به عنوان تز در دانشگاه NYU جایی که با هم آشنا شدند  ایجاد کردند.سازندگان این پلتفرم را بخشی از نسل جدید ابزارهای خلاقانه تعریف می کنند. اگر چند دهه پیش فتوشاپ و اّدوب انقلابی در بازار هنر و خلاقیت ایجاد کردند ، Runway برای سالهای آینده به دنبال ایجاد اینچنین تحولی در کار های هنری و خلاقانه است. در این حالت ، ادعا این استارت آپ این است که آنها با نرم افزار خود در فضای ابری می توانند “محتوای مصنوعی” را توسعه دهند ، یعنی به طور خودکار محتوای سمعی و بصری را با الگوریتم های هوش مصنوعی تولید ، اصلاح و ویرایش کنند. والنزوئلا  گفت: “ما به تولید محتوای سمعی و بصری به همان روشی که دهه ها انجام داده ایم ادامه می دهیم و این روند را بی مورد کند ، گران و دشوار می کند. با الگوریتم های هوش مصنوعی هرکسی می تواند در عرض چند ثانیه انیمیشن های بسیار واقعی ایجاد کند و آنها را به طور خودکار ویرایش کند. چیزی که فقط هالیوود یا شرکتهای بزرگ تولیدی و جلوه های ویژه تاکنون توانسته اند این کار را انجام دهند “. در همان زمان ، Runway امکان کوتاه کردن زمان توسعه ، علاوه بر دموکراتیک سازی دسترسی به این فناوری را برای بیشترین سازندگان فراهم می کند. کریستوبال توضیح می دهد: “این فناوری ها به طور بنیادی نحوه تولید محتوا را تغییر می دهند زیرا الگوریتم ها از قبل قادر به تولید تصاویر ، متن ، فیلم و صدا به روشی فوق واقع گرایانه هستند”. که آلخاندرو اضافه می کند “اگر این ابزارها را در دست افرادی قرار دهیم که قبلاً به آنها دسترسی نداشته اند ، آنها به فکر روشهای جدیدی برای تولید هنر ، تولید محتوا و داستان گویی خواهند بود”.

توجه صنعت و سرمایه گذاران به این فناوری

تأثیر این سیستم عامل از زمانی آغاز شد که آنها توئیتی را منتشر کردند و در آن پرسیدند که چه تعداد از مردم از ابزاری مانند آنچه که این تیم در ذهن داشتند استفاده می کنند. در کمتر از 48 ساعت ، آنها از طرف مهندسان فیس بوک ، گوگل ، دانشگاه ها و حتی رسانه ها پاسخ دریافت کردند، که نشان می دارد همه مخاطبان امکان استفاده از یک ابزار خلاقانه برای اشغال الگوریتم های هوش مصنوعی را بسیار جالب می دانند. بلافاصله پس از این ، آنها این شرکت را ایجاد کردند و تا کنون رو به جلو حرکت کردند. مسیری که آنها طی کرده اند بسیار سریع بوده است. در نتیجه کارشان ، آنها توانستند از صندوق های مختلف سرمایه گذاری، سرمایه کسب کنند. در همان سالی که آنها Runway را ایجاد کردند ، آنها یک دور سرمایه گذاری 2 میلیون دلاری را با سرمایه های ایالات متحده متخصص در زمینه راه اندازی تحقیقات فناوری به پایان رساندند:. همچنین در سطح عملی ، آنها پروژه های مهمی مانند همکاری با New Balance برای طراحی کفش را انجام داده اند. همچنین نرم افزاری تولید کردند که گروه راک YACHT با آن بخشی از محتوای سمعی و بصری آخرین آلبوم خود را ایجاد کرده است و  نامزد دریافت جایزه گرمی شدند. آنها در ایجاد فیلم های کوتاه تولید شده توسط IA کار کردند و حتی در حال حاضر با هنرمندان تجسمی و هنر هفتم همکاری می کنند. همراه با این ، پاسخ نرمافزار ابری نیز از سوی دنیای آکادمیک آمده است ، که باعث شده آنها با دانشگاه های مختلف ایالات متحده مانند NYU ، MIT و UCLA همکاری کنند. در حالی که در شیلی از این نرم افزار در دانشگاه آدولفو ایبانس ، دانشگاه د لاس آمریکاس ، و دانشگاه کتاب مقدس Pontificia استفاده شده است.

پردازش و یادگیری زبان طبیعی توسط ماشین ها چگونه است ؟

پردازش و یادگیری زبان طبیعی توسط ماشین ها چگونه است ؟

پردازش و یادگیری زبان طبیعی (NLP) زمینه مطالعه ای است که از سه رشته علوم کامپیوتر ، هوش مصنوعی و زبان شناسی محاسباتی تشکیل شده است. این رایانه را قادر می سازد تا به روشی هوشمندانه و مفید ، معیار را از زبان انسان ارزیابی ، درک و استخراج کند. با استفاده از NLP ، برنامه نویسان راه را برای سازماندهی و انجام وظایفی مانند خلاصه سازی خودکار،  ترجمه ، شناسایی شخص ، تجزیه و تحلیل احساسات ، تشخیص گفتار و تقسیم بندی موضوع ،هموار کرده اند. با استفادهاز پیشرفت های اخیر در دسترسی به داده ها و قدرت محاسباتی ، NLP بسیار بیشتر پیشرفت کرده است و به متخصصین امکان می دهد نتایج قابل توجهی در زمینه هایی مانند مراقبت های بهداشتی ، مالی ، منابع انسانی و سایر موارد بدست آورند.

پردازش زبان و یادگیری طبیعی برای چه چیز هایی استفاده می شود؟

NLP تقریباً در هر صنعت کاربردهای متنوعی دارد. این فناوری توانایی مدیریت خودکار زبانهای طبیعی انسان مانند گفتار یا متن را دارد. همچنین می تواند به یک کارمند ادارات یا شرکت ها در انجام کارهای متعدد کمک کند و در نهایت باعث تقویت عملکرد کار می شود. بسیاری از توسعه دهندگان معمولاً از الگوریتم های NLP برای جمع آوری بلوک های متن برای برداشتن ایده های    ضروری و اصلی استفاده می کنند. ایجاد ربات های چت برای پرس و جو و پاسخ مناسب. تجزیه و تحلیل احساسات و کمک شناختی و موارد دیگر صورت می پذیرد. به عنوان مثال ، شرکت هایی مانند یاهو و گوگل از پردازش زبان طبیعی برای فیلتر کردن و طبقه بندی ایمیل ها و ارزیابی متن ایمیل هایی که از طریق سرورهای کاربران عبور می کند استفاده می کند و از ارسال هرزنامه ، حتی قبل از ورود به صندوق ورودی ایمیل جلوگیری می کند. اکثر اطلاعاتی که سازمان های اطلاعاتی اعم از خصوصی یا عمومی جمع آوری می کنند، متنی بدون ساختار ، از جمله مکالمات شبکه های اجتماعی ، نظرات در وب سایت ها ، گزارش های داستانی و سایر موارد است. دریافت بینش عملی از این داده ها می تواند چالش برانگیز باشد. 

آژانس پروژه های تحقیقاتی پیشرفته دفاعی (DARPA) در تلاش برای کاهش این نوع چالش ها ، برنامه کاوش و فیلتراسیون متن (DEFT) عمیق را ساخت. این برنامه با استفاده از NLP به طور خودکار اطلاعات مربوط به وابسطه را استخراج می کند و به تحلیلگران کمک می کند تا بینش های عملی را از آنها بدست آورند. هدف DEFT پرداختن به شکاف های باقی مانده توانایی مربوط به استنباط ، روابط علی و تشخیص ناهنجاری است.

پیشرفت ها در NPL

NPL توانایی ماشین ها را در تفسیر موثر متن ، گفتار و کلمات تقویت می کند. این امر باعث پیشرفت تجزیه و تحلیل داده ها ، کشف بدافزار و جلوگیری از انتشار اخبار جعلی می شود. با تکامل چت بات های مجهز به هوش مصنوعی مانند الکسا ، سیری ، کورتانا و دستیار Google و غیره ، استفاده از پردازش زبان طبیعی بسیار زیاد شده است. پیشرفت های اخیر در کاربردهای این فناوری به طور قابل توجهی نحوه درک و یادگیری هوش مصنوعی از چیزهای پیرامون آن را تغییر داده است. یکی از مهمترین پیشرفتها در زمینه NLP استفاده از یادگیری انتقالی بود. Fast.ai’s ULMFiT Universal Language Model Fine Tuning مفهوم یادگیری انتقالی را به جامعه NLP معرفی کرد. طبق گفته این شرکت ، ULMFiT یک روش یادگیری انتقالی موثر است که می تواند برای هر کاری در NLP اعمال شود. در سال 2018 ، Google AI مدل جدیدی را برای NLP به نام BERT (نمایندگی های رمزگذار دو طرفه از ترانسفورماتورها) معرفی کرد. این مدل از مفهوم ترانسفورماتور و یادگیری انتقالی استفاده می کند و آموزش کامل دو طرفه ترانسفورماتور را انجام می دهد. 

بعلاوه ، در سال 2018 ، محققان دانشگاه کالج اطلاعات و علوم رایانه ای دانشگاه ماساچوست و Google AI Language ، (LISA) ، یک مدل شبکه عصبی خود-توجه به زبانشناسی را معرفی کردند. این امر یادگیری عمیق و فرم گرایی زبانی را با هم ادغام می کند ، بنابراین از تجزیه نحوی برای دستیابی به معنای دقیق ، به طور موثرتری استفاده می کند.به طور گسترده تر ، قدرت NLP در سال های آینده به تکامل ، درک و زمینه سازی داده هایی ادامه خواهد داد که می تواند منجر به سود بهتر یک تجارت شود.

ردیاب مکان سامسونگ

ردیاب مکان سامسونگ

سامسونگ ویژگی ردیاب مکان را برای رقیب یافتن مزایای Find My iPhone در اپل راه اندازی می کند. سامسونگ الکترونیک، نسخه مخصوص خود از ویژگی Find My Apple را برای یافتن دستگاه ها معرفی کرده است – اگرچه طبیعتاً این ویژگی فقط با دستگاه های Galaxy کار خواهد کرد ، از تلفن های هوشمند گرفته تا تبلت ها، ساعت های هوشمند و هدفون های مختلف گوش. این ویژگی که SmartThings Find نام دارد ، مکان دستگاه ها را با استفاده از بلوتوث کم انرژی (BLE) و Ultra Wideband (UWB) پیدا میکند – یک روش ردیابی بدون WiFi ، مشابه آنچه اپل در حال توسعه دارد. این شرکت در بیانیه مطبوعاتی اعلام کرد SmartThings Find اکنون پس از آزمایش این سرویس توسط 6 میلیون کاربر در کره جنوبی ، ایالات متحده و انگلیس ، در حال حاضر در دستگاه های Galaxy سامسونگ در دسترس است.

فناوری پشت ردیاب مکان سامسونگ

پس از انجام مراحل ثبت نام سریع ، کاربران SmartThings به راحتی می توانند دستگاه های Galaxy خود را از طریق تلفن های هوشمند ، تبلت ها و ساعت های هوشمند ، تا هر گوشی هدفون را جداگانه پیدا کنند. در حالی که این برنامه از فناوری BLE و UWB برای ردیابی دستگاه ها استفاده می کند ، اما مکان آنها را در یک رابط AR نشان می دهد تا به کاربران کمک کند ببینند محصولات گلکسی آنها واقعاً کجاست.جائئئون یونگ ، معاون رئیس جمهور و رئیس تیم SmartThings ، تجارت ارتباطات سیار در سامسونگ الکترونیک. گفت: “SmartThings Find با استفاده از مزیت اضافی استفاده از AR6 همراه با نقشه ها و اصوات برای هدایت شما به دستگاه هایتان ، یک راه حل ساده و بصری است که به شما کمک می کند تا دستگاه های مورد علاقه خود را به راحتی پیدا کنید. این فقط یک نمونه تجاربی است که در تلفن همراه خود دارید که فناوری UWB برای مردم سراسر جهان به ارمغان می آورد” به گفته سامسونگ: هرگاه دستگاهی به مدت 30 دقیقه آفلاین باشد ، سیگنال BLE تولید می کند که می تواند توسط دستگاه های دیگر دریافت شود. اگر دستگاه خود را از دست داده اید از طریق SmartThings Find گزارش کنید ، هر تلفن هوشمند یا تبلت Galaxy که در نزدیکی آن قرار دارد برای یافتن دستگاه های مفقود شده می توانند سرور سامسونگ را در مورد مکان آن مطلع سازد که به نوبه خود به شما اطلاع می دهد. ” این سرویس همچنین قرار است جهت ها و صداهای یکپارچه نقشه خوان را به کاربران ارائه دهد تا بتوانند به سرعت دستگاه گمشده خود را پیدا کنند. هنگامی که به دستگاه خود نزدیک شدید ، می توانید با استفاده از عملکرد جستجوی مبتنی بر واقعیت افزوده در نزدیکی دستگاه خود ، “زنگ” بخورید یا آن را مکان یابی کنید ، که گرافیک های رنگی را نشان می دهد که هنگام نزدیک شدن به دستگاه ، شدت آنها افزایش می یابد. نکته برجسته این سرویس این است که به کاربران امکان می دهد دستگاه های گمشده خود را حتی در صورت آفلاین بودن پیدا کنند.

با ویرا سگال کارو همراه باشید

انقلاب مدرن هوش مصنوعی چگونه آغاز شد؟

انقلاب مدرن هوش مصنوعی چگونه آغاز شد؟

انقلاب مدرن هوش مصنوعی در طی یک مسابقه تحقیقات مبهم آغاز شد. سال 2012، سومین سال مسابقه سالانه ImageNet ، بود، تیم ها را برای ساخت سیستم های بینایی رایانه ای به چالش کشیدند که می بایست  1000 شی از حیوانات گرفته تا مناظر و مردم را تشخیص بدهد. در دو سال اول ، بهترین تیم ها نتوانسته اند حتی به 75٪ دقت برسند. اما در سال سوم ، گروهی متشکل از سه محقق ( یک استاد و دانشجویانش ) ناگهان از این حدعبور کردند. آنها با درصد خیره کننده 10.8 در مسابقه برنده شدند. آن استاد جفری هینتون بود و روشی که آنها به کار برده بودند، یادگیری عمیق نامیده شد.

یادگیری عمیق انقلاب مدرن هوش مصنوعی

هینتون از دهه 1980 در واقع با یادگیری عمیق کار می کرد ، اما اثربخشی آن به دلیل کمبود داده و قدرت محاسباتی محدود شده بود. اعتقاد راسخ وی به این تکنیک در نهایت سودهای کلانی را پی داشت. چهارمین سال مسابقات ImageNet ، تقریباً همه تیم ها از یادگیری عمیق استفاده می کردند و به موفقیت های معجزه آسایی دست یافتند. به زودی یادگیری عمیق در مورد وظایفی فراتر از شناسایی تصویر و همچنین در طیف وسیعی از صنایع نیز اعمال شد. سال گذشته ، به دلیل کمک های بنیادی خود در این زمینه ، هینتون در کنار سایر پیشگامان هوش مصنوعی یان لکون و یوشوا بنگیو جایزه تورینگ را دریافت کرد.

متن زیر مصاحبه کارن هاو با هینتون در تاریخ بیست اکتبر و در کنفرانس سالانه EmTech MIT MIT Technology Review می باشد که البته تدوین شده است.

شما فکر می کنید یادگیری عمیق برای باز سازی تمام جنبه های هوش انسان کافی خواهد بود. چه چیزی باعث می شود که انقدر مطمئن باشید ؟

من معتقدم یادگیری عمیق قادر به انجام همه کارها خواهد بود ، اما فکر می کنم که باید چندین پیشرفت مفهومی داشته باشد. به عنوان مثال ، در سال 2017 Ashish Vaswani و همکاران. ترانسفورماتورهایی را معرفی کرد که بردارهای بسیار خوبی را برای معنی کلمات نشان می دهند. این یک موفقیت مفهومی بود. اکنون تقریباً  این ترانسفورماتور در بهترین پردازش های زبان طبیعی مورد استفاده قرار می گیرد. ما به تعداد  بیشتری از این موقفیت ها نیاز داریم.

و اگر این پیشرفت ها را داشته باشیم ، آیا می توانیم با یادگیری عمیق ،هوشی نزدیک به هوش انسان بسازیم؟

آره. به ویژه پیشرفت هایی که در زمینه دستیابی به ناقلین بزرگ فعالیت عصبی برای پیاده سازی مواردی مانند منطق ایجاد می شود. اما ما همچنین به افزایش گسترده مقیاس نیز نیاز داریم. مغز انسان حدود 100 تریلیون پارامتر یا همان سیناپس دارد. آنچه اکنون ما آن را یک مدل واقعاً بزرگ می نامیم ، مانند GPT-3 ، 175 میلیارد پارامتردارد. هزار برابر کوچکتر از مغز . GPT-3 اکنون می تواند متنی کاملاً قابل قبول تولید کند ولی همچنان در مقایسه با مغز هنوز کوچک است.

وقتی می گویید مقیاس ، منظور شما شبکه های عصبی بزرگتر است یا داده های بیشتر یا هر دو؟

هر دو. نوعی اختلاف بین آنچه در علوم کامپیوتر اتفاق می افتد و آنچه در مورد انسان اتفاق می افتد وجود دارد. انسان در مقایسه با مقدار داده ای که دریافت می کنند ، مقدار زیادی پارامتر دارد. شبکه های عصبی به طرز حیرت انگیزی در پردازش به مقدار کمی داده با تعداد زیادی پارامتر مهارت دارند ، اما انسان ها در این مورد حتی بهتر  ماشین ها هستند.

بسیاری از افراد در این زمینه معتقدند که عقل سلیم توانایی بزرگ بعدی برای ورود به آن است. قبول دارید؟

موافقم که این یکی از موارد بسیار مهم است. من همچنین فکر می کنم کنترل موتور بسیار مهم است و شبکه های عصبی عمیق اکنون در این زمینه مهارت پیدا می کنند. به ویژه ، برخی از کارهای اخیر در Google نشان داده است که شما می توانید کنترل حرکتی خوبی داشته باشید و آن را با زبان ترکیب کنید ، بنابراین می توانید یک کشو را باز کنید و یک بلوک را بیرون بیاورید ، و سیستم می تواند به زبان طبیعی به شما بگوید که چه کاری انجام می دهد. برای مواردی مانند GPT-3 ، که این متن شگفت انگیز را ایجاد می کند ، واضح است که برای تولید آن متن باید چیزهای زیادی درک کند ، اما کاملاً مشخص نیست که چقدر آن را درک می کند. اما اگر چیزی کشو را باز کند و یک بلوک را بیرون بیاورد و بگوید ، “من فقط یک کشو را باز کردم و یک بلوک را بیرون آوردم” ، سخت است بگویم که نمی فهمد چه کاری انجام می دهد.