المتألق الرقمي

تسريع استنتاج نماذج اللغات الضخمة بخمسة أضعاف: حلٌّ مبتكرٌ يتغلب على التشاؤم في عالم الذكاء الاصطناعي سريع التطور، تُشغّل نماذج اللغات الضخمة (LLMs) مثل GPT-4 و Llama كل شيء، بدءًا من روبوتات الدردشة ووصولاً إلى مساعدي البرمجة. لكن هناك سرًّا مُخبّأ: قد يكون استنتاج نموذج… قراءة المزيد

بناء خط أنابيب تعلّم آلي موثوق به محلياً باستخدام MLE-Agent و Ollama يُقدم هذا البرنامج التعليمي طريقةً لدمج MLE-Agent مع Ollama لإنشاء سير عمل تعلّم آلي محلي بالكامل، وخالٍ من واجهات برمجة التطبيقات الخارجية (APIs). سنقوم بإعداد بيئة قابلة للتكرار في Google Colab، وتوليد مجموعة… قراءة المزيد

مقدمة: GPUs مقابل TPUs في تدريب نماذج المحولات الضخمة تُعدّ كل من وحدات معالجة الرسوميات (GPUs) ووحدات معالجة المصفوفات العصبية (TPUs) عناصر أساسية في تسريع عملية تدريب نماذج المحولات الضخمة. إلا أن اختلافات أساسية في بنيتها الأساسية، وأداءها، وتوافقها مع الأنظمة البيئية المختلفة، تؤدي إلى… قراءة المزيد

مقارنة أداء نماذج اللغات الكبيرة باستخدام تقنية “الساحة كحكم” تُعدّ نماذج اللغات الكبيرة (LLMs) من أهمّ التطوّرات في مجال الذكاء الاصطناعي، إلا أنّ تقييم أدائها يُشكّل تحديًا. تُقدّم هذه المقالة شرحًا عمليًا لطريقة مبتكرة لتقييم هذه النماذج، وهي طريقة “الساحة كحكم” (LLM Arena-as-a-Judge). بدلاً من… قراءة المزيد

بناء أنظمة تنبؤ متعددة النماذج باستخدام GluonTS: دليل شامل مع بيانات اصطناعية وتقييم مرئي متقدم يقدم هذا الدليل الشامل شرحًا عمليًا لاستخدام مكتبة GluonTS للتنبؤ بالمتسلسلات الزمنية، مع التركيز على بناء أنظمة تنبؤ مرنة وقابلة للتطوير. سنتعلم كيفية توليد مجموعات بيانات اصطناعية معقدة، وإعدادها، وتطبيق… قراءة المزيد

مقدمة: فهم عالم قواعد البيانات في عالمنا الذي يعتمد بشكل كبير على البيانات، تُشكل قواعد البيانات العمود الفقري للتطبيقات الحديثة، بدءًا من تطبيقات الهاتف المحمول ووصولاً إلى أنظمة المؤسسات الضخمة. يُعد فهم أنواع قواعد البيانات المختلفة وتطبيقاتها أمراً بالغ الأهمية لاختيار النظام المناسب للاحتياجات المحددة،… قراءة المزيد