https://virgool.io/feed/@Pandorasbox fa 2026-06-10 20:11:11 https://files.virgool.io/upload/users/8035/avatar/avatar.png?height=120&width=120 https://virgool.io/@Pandorasbox https://virgool.io/@Pandorasbox/%D8%B4%D8%AA%D8%A7%D8%A8-%D8%A7%D8%B3%D8%AA%D9%86%D8%AA%D8%A7%D8%AC-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-cpu-rhgw75i68gg0 گسترش گسترده و پذیرش هوش مصنوعی در دهه گذشته باعث تغییر تقاضای محاسباتی هوش مصنوعی از آموزش به استنتاج شده است. فشار بیشتری برای استفاده از تعداد زیادی از مدل‌های جدید هوش مصنوعی که ما در محیط‌های متنوع از لبه تا ابر ایجاد کرده‌ایم، وجود دارد.استنتاج هوش مصنوعی به فرآیند استفاده از یک مدل شبکه عصبی آموزش دیده برای پیش بینی اشاره دارد. آموزش هوش مصنوعی از سوی دیگر به ایجاد مدل مذکور یا الگوریتم یادگیری ماشین با استفاده از مجموعه داده آموزشی اشاره دارد. استنتاج و آموزش همراه با مهندسی داده، مراحل کلیدی یک گردش کار معمولی هوش مصنوعی است. حجم کاری مرتبط با مراحل مختلف این گردش کار متنوع است و هیچ پردازنده واحدی، اعم از واحد پردازش مرکزی (CPU)، واحد پردازش گرافیک (GPU)، آرایه‌های دروازه قابل برنامه‌ریزی میدانی (FPGA) یا شتاب‌دهنده هوش مصنوعی (AI) بهترین عملکرد را ندارد. برای کل خط لوله شمااجازه دهید در استنباط هوش مصنوعی و کاربردهای آن، نقش بهینه‌سازی نرم‌افزار، و اینکه چگونه CPUها و به‌ویژه پردازنده‌های Intel® با شتاب هوش مصنوعی داخلی، عملکرد بهینه AI Inference را ارائه می‌کنند، و در عین حال به چند مثال کاربردی جالب توجه کنیم.نه تنها کار من در هوش مصنوعی شامل برنامه های کاربردی در تعدادی از زمینه های معنادار از مراقبت های بهداشتی گرفته تا منافع اجتماعی است، بلکه من همچنین توانسته ام هوش مصنوعی را در یکی از بزرگترین علایقم - هنر - به کار ببرم. من واقعاً از ترکیب سرگرمی هایم مانند نقاشی و گلدوزی با هوش مصنوعی لذت می برم. نمونه‌ای از آن جایی است که من توانستم از تکنیک انتقال سبک عصبی برای ترکیب آثار هنری خود با سبک نقاشان معروف، عکس‌های دوستان و حیوانات خانگی‌ام یا حتی یک ریزپردازنده اینتل استفاده کنم. ما فقط ممکن است در پایان مقاله یک نسخه نمایشی جذاب و کاربردی برای انتقال سبک عصبی برای شما داشته باشیم. بیا شروع کنیم!استنتاج هوش مصنوعی به عنوان بخشی از گردش کار انتها به انتها هوش مصنوعیهوش مصنوعی، در اصل، داده‌های خام را از طریق سه مرحله به اطلاعات و بینش‌های عملی تبدیل می‌کند - مهندسی داده، آموزش هوش مصنوعی، و استنتاج/استقرار هوش مصنوعی. اینتل مجموعه‌ای ناهمگن از سخت‌افزار بهینه‌شده با هوش مصنوعی را همراه با مجموعه‌ای جامع از ابزارهای هوش مصنوعی و بهینه‌سازی‌های چارچوب ارائه می‌کند تا هر مرحله از گردش کار AI را تسریع کند.شکل 1: استنتاج به عنوان بخشی از گردش کار هوش مصنوعی End-to-End با توجه به میزان تمرکزی که در طول سال‌ها به طور سنتی به آموزش هوش مصنوعی مدل‌محور داده می‌شود و تمرکز اخیر بر مهندسی داده و هوش مصنوعی داده‌محور، استنباط می‌تواند بیشتر یک فکر بعدی باشد. با این حال، استفاده از آنچه در مرحله آموزش آموخته شده است برای ارائه پاسخ به مشکلات جدید، چه در فضای ابری و چه در لبه، جایی است که ارزش هوش مصنوعی مشتق می شود.استنباط لبه در نظارت هوشمند، ماشین‌های مستقل، و برنامه‌های مختلف IOT بی‌درنگ به رشد خود ادامه می‌دهد، در حالی که استنباط ابری از قبل در تشخیص تقلب، توصیه‌های شخصی‌سازی شده، پیش‌بینی تقاضا و سایر برنامه‌هایی که زمان حیاتی نیستند و ممکن است به موارد بیشتری نیاز داشته باشند، استفاده زیادی دارد. پردازش داده ها.چالش‌های استقرار استنتاج هوش مصنوعیاستقرار یک مدل آموزش دیده برای استنتاج می تواند بی اهمیت به نظر برسد. با این حال، این درست نیست زیرا مدل آموزش‌دیده مستقیماً برای استنتاج استفاده نمی‌شود، بلکه بر اساس جایی که در حال استقرار است، اصلاح، بهینه‌سازی و ساده‌سازی شده است. بهینه سازی ها به الزامات عملکرد و کارایی همراه با ملاحظات محاسباتی، حافظه و تأخیر بستگی دارد.تنوع داده‌ها و مقیاس مدل‌های هوش مصنوعی با گسترش برنامه‌های هوش مصنوعی در سراسر حوزه‌ها و موارد استفاده از جمله در بینایی، گفتار، سیستم‌های توصیه‌کننده و برنامه‌های سری زمانی به رشد خود ادامه می‌دهد. مدل های آموزش دیده امروزه می توانند بزرگ و پیچیده با صدها لایه و میلیاردها یا حتی تریلیون ها پارامتر باشند. با این حال، مورد استفاده از استنتاج ممکن است مستلزم آن باشد که مدل هنوز تأخیر کم داشته باشد (مثلاً برنامه‌های خودرو) یا در محیطی با قدرت محدود اجرا شود (مثلاً ربات‌های با باتری). این امر ساده سازی مدل های آموزش دیده را حتی با هزینه اندک برای دقت پیش بینی ضروری می کند.چند روش محبوب برای بهینه سازی یک مدل آموزش دیده، بدون تلفات قابل توجه دقت، هرس و کوانتیزه کردن است. هرس به حذف کمترین وزن های مدل اشاره دارد که کمترین سهم را در نتایج نهایی در طیف وسیعی از ورودی ها دارند. از طرف دیگر کوانتیزه کردن شامل کاهش دقت عددی وزن‌ها به عنوان مثال از شناور 32 بیتی به عدد صحیح 8 بیتی است.معماری‌های سخت‌افزار هوش مصنوعی اینتل و ابزارهای نرم‌افزار هوش مصنوعی هر آنچه را که برای بهینه‌سازی گردش کار استنتاج هوش مصنوعی خود نیاز دارید در اختیار شما قرار می‌دهند.تسریع استنتاج هوش مصنوعی: سخت افزارمراحل مختلف گردش کار هوش مصنوعی معمولاً نیازهای حافظه، محاسبات و تأخیر متفاوتی دارند. مهندسی داده بالاترین نیاز به حافظه را دارد به طوری که مجموعه داده‌های بزرگ می‌توانند به طور کامل در سیستم‌ها برای پیش‌پردازش کارآمد قرار بگیرند و زمان مورد نیاز برای مرتب‌سازی، فیلتر کردن، برچسب‌گذاری و تبدیل داده‌های شما را به میزان قابل توجهی کوتاه می‌کنند.آموزش معمولاً از نظر محاسباتی شدیدترین مرحله گردش کار است و معمولاً به چندین ساعت یا بیشتر برای تکمیل بر اساس اندازه مجموعه داده نیاز دارد.استنتاج در طرف دیگر سخت‌ترین نیاز تأخیر را دارد، که اغلب به نتایج در میلی‌ثانیه یا کمتر نیاز دارد. نکته قابل توجه در اینجا این است که در حالی که شدت محاسبات استنتاج بسیار کمتر از آموزش است، استنتاج اغلب بر روی یک مجموعه داده بسیار بزرگتر انجام می شود که منجر به استفاده از کل منابع محاسباتی بیشتر برای استنتاج در مقابل آموزش می شود.از سخت‌افزاری که در آموزش مجموعه‌های داده‌های بزرگ و بدون ساختار برتر است، تا سیلیکون کم‌مصرف برای استنتاج بهینه‌شده روی دستگاه، هوش مصنوعی اینتل از ارائه‌دهندگان خدمات ابری، شرکت‌ها و تیم‌های تحقیقاتی با مجموعه‌ای از مجموعه‌ای از همه‌کاره، هدف‌ساز، قابل تنظیم و برنامه‌های کاربردی پشتیبانی می‌کند. -سخت افزار هوش مصنوعی خاص که هوش مصنوعی را به واقعیت تبدیل می کند.نقش CPUS در هوش مصنوعیپردازنده Intel® Xeon® Scalable، با قابلیت برنامه‌ریزی عمومی بی‌نظیر خود، پرکاربردترین پلتفرم سرور از ابر تا لبه برای هوش مصنوعی است. پردازنده‌ها به‌طور گسترده در مراحل مهندسی داده و استنتاج استفاده می‌شوند، در حالی که آموزش علاوه بر CPU، از ترکیب متنوع‌تری از GPU و شتاب‌دهنده‌های هوش مصنوعی استفاده می‌کند. پردازنده‌های گرافیکی جای خود را در جعبه ابزار هوش مصنوعی دارند و اینتل در حال توسعه یک خانواده GPU بر اساس معماری Xe ما است.با این حال، CPU ها برای اکثر نیازهای استنتاج ML بهینه باقی می مانند، و ما همچنین صنعت را در پیشبرد نوآوری های فناوری برای تسریع عملکرد استنتاج در پرکاربردترین CPU های صنعت پیشرو هستیم. ما به گسترش قابلیت‌های شتاب داخلی Intel® DL Boost در پردازنده‌های مقیاس‌پذیر Intel® Xeon® ادامه می‌دهیم. بر اساس Intel® Advanced Vector Extensions 512 (Intel® AVX-512)، Intel® DL Boost Vector Neural Instructions (VNNI) با ترکیب سه دستورالعمل در یک دستورالعمل، بهبود عملکرد قابل توجهی را ارائه می دهد - در نتیجه استفاده از منابع محاسباتی و استفاده از حافظه پنهان را به حداکثر می رساند. بهتر است و از تنگناهای پهنای باند بالقوه جلوگیری می کند.اخیراً، Intel® AMX (Intel® Advanced Matrix Extensions) را معرفی کردیم، یک معماری شتاب‌دهنده توسعه‌یافته در پردازنده‌های Sapphire Rapids آینده، که با ارائه یک پوشش ریاضی ماتریسی برای AVX-512، عملکرد محاسباتی یادگیری ماشین بالاتری را برای آموزش و استنتاج امکان‌پذیر می‌سازد. بردار واحدهای ریاضیتسریع استنتاج هوش مصنوعی: نرم افزاراینتل قابلیت‌های شتاب هوش مصنوعی تعبیه‌شده در معماری‌های سخت‌افزاری ما را با نسخه‌های بهینه‌شده چارچوب‌های هوش مصنوعی محبوب و مجموعه‌ای غنی از کتابخانه‌ها و ابزارها برای توسعه هوش مصنوعی سرتاسر، از جمله برای استنتاج، تکمیل می‌کند.تمام چارچوب‌های اصلی هوش مصنوعی برای یادگیری عمیق (مانند TensorFlow، PyTorch، MXNet، و Paddle Paddle) و یادگیری ماشین کلاسیک (مانند Scikit-learn و XGBoost) با استفاده از کتابخانه‌های oneAPI بهینه‌سازی شده‌اند (oneAPI یک برنامه‌نویسی یکپارچه و مبتنی بر استاندارد است. مدلی که یک تجربه توسعه‌دهنده مشترک را در معماری‌های سخت‌افزاری متنوع ارائه می‌کند) که عملکرد بهینه را در بین CPUها و XPUهای Intel® ارائه می‌کند.این بهینه‌سازی‌های نرم‌افزار اینتل، که به عنوان شتاب‌دهنده‌های هوش مصنوعی نرم‌افزاری شناخته می‌شوند، به ارائه سفارش‌های عالی عملکرد نسبت به پیاده‌سازی‌های موجود در چارچوب‌های مشابه کمک می‌کنند. به عنوان یک کاربر فریمورک، می‌توانید بدون نیاز به یادگیری APIهای جدید یا کتابخانه‌های پایه سطح پایین، از تمام مزایای عملکرد و بهره‌وری از طریق شتاب‌دهی در حال بهره‌برداری بهره‌مند شوید. همراه با توسعه توزیع‌های بهینه شده اینتل برای چارچوب‌های هوش مصنوعی پیشرو، اینتل همچنین بهینه‌سازی‌های ما را در نسخه‌های اصلی این چارچوب‌ها ارتقا می‌دهد و به ارائه حداکثر کارایی و بهره‌وری به برنامه‌های استنتاج شما در هنگام استفاده از نسخه‌های پیش‌فرض این چارچوب‌ها کمک می‌کند.شبکه‌های عصبی عمیق (DNN) دقت پیشرفته‌ای را برای طیف گسترده‌ای از وظایف محاسباتی نشان می‌دهند، اما همچنان به دلیل پیچیدگی محاسباتی بالا، در طول استقرار استنتاج با چالش‌هایی مواجه هستند. یک راه حل کاهش بالقوه بهینه سازی با دقت پایین است. با پشتیبانی از شتاب سخت‌افزاری، استنتاج با دقت پایین می‌تواند عملیات بیشتری را در ثانیه محاسبه کند، فشار دسترسی به حافظه را کاهش دهد و از حافظه پنهان برای ارائه توان عملیاتی بالاتر و تأخیر کمتر استفاده کند.کمپرسور عصبی اینتلهدف ابزار Intel® Neural Compressor این است که به پزشکان کمک کند تا به راحتی و به سرعت راه حل های استنتاج با دقت پایین را در بسیاری از چارچوب های یادگیری عمیق محبوب از جمله TensorFlow، PyTorch، MXNet و ONNX اجرا کنند. API های یکپارچه برای فناوری های فشرده سازی شبکه های عصبی مانند کمی سازی با دقت کم، پراکندگی، هرس و تقطیر دانش ارائه شده اند. این APIهای استنتاج با دقت پایین یکپارچه را با دقت ترکیبی، توسعه‌پذیری آسان و تنظیم خودکار مبتنی بر دقت پیاده‌سازی می‌کند در حالی که برای عملکرد، اندازه مدل و ردپای حافظه بهینه شده است.شکل 2: زیرساخت کمپرسور عصبی Intel®ترانسفورماتورها مدل های یادگیری عمیق هستند که به طور فزاینده ای برای پردازش زبان طبیعی (NLP) استفاده می شوند. پلتفرم یادگیری ماشینی سرتاسر علی‌بابا برای هوش مصنوعی (PAI) از ترانسفورماتورهای PyTorch بهینه‌سازی شده اینتل برای پردازش وظایف پردازشی در دنیای واقعی برای میلیون‌ها کاربر خود استفاده می‌کند.تأخیر کم و توان عملیاتی بالا کلید موفقیت یک مدل ترانسفورماتور است و دقت کم 8 بیت تکنیکی امیدوارکننده برای برآورده کردن چنین الزاماتی است. Intel® DL Boost قابلیت های قدرتمندی را برای استنتاج 8 بیتی با دقت کم در بارهای کاری هوش مصنوعی ارائه می دهد. با پشتیبانی از Intel® Neural Compressor (که قبلاً Intel® Low Precision Optimization Tool نامیده می شد)، می توانیم عملکرد استنتاج 8 بیتی را بهینه کنیم و در عین حال از دست رفتن دقت را به میزان قابل توجهی کاهش دهیم. در اینجا می‌توانید درباره مشارکت با علی‌بابا و اینکه چگونه آخرین CPUهای اینتل و ابزار کمپرسور عصبی اینتل به افزایش عملکرد 3 برابری در جعبه ابزار استنتاج تیغه PAI علی‌بابا کمک کرده‌اند، بیشتر بخوانید.کمپرسور عصبی اینتل همچنین بخشی جدایی ناپذیر از جعبه ابزار Optimum ML Optimization از HuggingFace است که هدف آن فعال کردن حداکثر کارایی و عملکرد تولید برای اجرای مدل‌های ترانسفورماتور است. کمپرسور عصبی اینتل مدل‌ها را سریع‌تر می‌کند و کمترین تأثیر را بر دقت دارد، و از کمی‌سازی پس از آموزش، آموزش‌های آگاه از کوانتیزاسیون و کوانتیزه‌سازی پویا استفاده می‌کند. همچنین با استفاده از تنظیمات آسان برای حذف وزن مدل، به کوچکتر کردن آنها با حداقل تأثیر بر دقت کمک می کند. در اینجا بیشتر در مورد اینکه چگونه می توان مدل BERT را برای پردازنده های Intel® Xeon® کوانتیزه کرد، بخوانید.کمپرسور عصبی Intel® به عنوان بخشی از Intel® oneAPI AI Analytics Toolkit در دسترس است که APIهای با کارایی بالا و بسته‌های پایتون را برای تسریع خطوط لوله یادگیری ماشینی و علوم داده سرتاسر یا به عنوان یک مؤلفه مستقل ارائه می‌کند.نسخه ی نمایشی برنامه استنتاج هوش مصنوعی - انتقال سبک عصبیامیدواریم بحث امروز ما به شما کمک کرده باشد که درک بهتری از مرحله استنتاج گردش کار هوش مصنوعی، اهمیت و کاربردهای آن، و چگونگی تسریع آن از طریق معماری سخت افزاری و ابزار نرم افزاری بهینه شده با هوش مصنوعی داشته باشید. چیزی که همیشه به من کمک کرده تا مفاهیم را متبلور کنم، استفاده از آنها در برنامه های کاربردی عملی است. همانطور که قبلا ذکر شد، من عاشق هوش مصنوعی هستم و عاشق نقاشی هستم. می‌خواهم شما را با یک نسخه نمایشی سریع در Neural Style Transfer بگذارم که در آن از پردازنده‌های Intel® و TensorFlow بهینه‌سازی شده اینتل استفاده می‌کنم تا نقاشی‌هایم را به سبک‌های مختلف تبدیل کنم، از شب پرستاره ون گوگ گرفته تا طراحی یک تراشه اینتل و بسیاری موارد دیگر!شکل 2: انتقال سبک عصبیانتقال سبک عصبی یک تکنیک بهینه سازی هوش مصنوعی است که تصویر اصلی شما را با سبک هنری یک تصویر مرجع ترکیب می کند. در اینجا پیوندی به همه فایل‌ها، از جمله کد و تصاویر، وجود دارد که برای اجرای آزمایش انتقال سبک عصبی خود به همراه یک ویدیوی کوتاه که شما را در تمام مراحل راهنمایی می‌کند، نیاز دارید. Pandora's box Pandora's box Sat, 19 Feb 2022 00:22:29 +0330 https://virgool.io/@Pandorasbox/%D9%86%D8%AD%D9%88%D9%87-%D8%A7%D8%B1%D8%A7%D8%A6%D9%87-%D8%B1%D8%A7%D9%87-%D8%AD%D9%84-%D9%87%D8%A7-%D8%AA%DA%A9%D9%86%DB%8C%DA%A9-%D9%87%D8%A7-%D8%AF%D8%B1-%D9%85%D8%B3%D8%A7%D8%A6%D9%84-%D8%A8%D8%B1%D9%86%D8%A7%D9%85%D9%87-%D9%86%D9%88%DB%8C%D8%B3%DB%8C-auuihwhxrzse زمانی که با دانش آموزان کار می کنم، اغلب با این موقعیت مواجه می شوم که اگر مسئله ای در نگاه اول برای دانش آموز واضح به نظر نمی رسد، باعث می شود نتوانند آن را حل کنند. در واقع، شما همیشه در مورد روش ها و تکنیک های خاص می شنوید. اما شما در مورد چگونگی فکر کردن برای به کار بردن آنها نمی شنوید. در این یادداشت سعی می کنم تجربیات خود را از حل مسائل برنامه نویسی خلاصه کنم. با این حال، برخی از توصیه ها برای المپیادهای ریاضی و اولین قدم های شما در تحقیقات دانشگاهی نیز قابل اجرا خواهد بود.بنابراین شما یک مسئله را خوانده اید و نمی دانید چگونه آن را حل کنید. تکنیک های زیر را امتحان کنید، برخی از آنها اغلب می توانند مفید باشند.تکنیک 1: "یادآوری کامل"سعی کنید مسیله مشابهی را که باید حل می کردید به خاطر بسپارید. بسیاری از مسیله ها یک ایده کاملاً جدید ندارند. بنابراین احتمالاً می توانید از تجربه خود در حل یک مسیله مشابه برای حل این مسیله استفاده کنید.تکنیک 2: "از خاص به عمومی"فرض کنید راه حل مسیله را پیدا کرده اید (عجله کنید!). بیایید یک مورد خاص از یک مسیله را در نظر بگیریم. البته می توانید الگوریتم/راه حل را روی آن اعمال کنید. به همین دلیل است که برای حل یک مسیله کلی، باید تمام موارد خاص آن را حل کنید. سعی کنید چند مورد خاص (یا چندگانه) را حل کنید و سپس سعی کنید آنها را به حل مشکل اصلی تعمیم دهید. چنین موارد خاصی را می توان به عنوان ساده سازی مسئله در نظر گرفت، یعنی می توان با این اصل استدلال کرد: «اگر ندانم یک مسئله پیچیده را چگونه حل کنم، فکر می کنم آن را ساده می کنم و راه حل های ساده شده را پیدا می کنم. نسخه".نمونه های رایج ساده سازی ها (موارد خاص):شما برای یک درخت مسیله دارید. نوع آن را در نظر بگیرید که در آن درخت به یک مسیر منحط می شود.مشکل وزن دارد؟ گونه‌ای را در نظر بگیرید که در آن همه وزن‌ها برابر با یک یا یک عدد دلخواه هستند، یا فقط دو وزن متمایز وجود دارد (و غیره).توجه داشته باشید که حل یک مورد خاص تقریباً همیشه ساده تر از حل یک مورد عمومی نیست، بنابراین باید سعی کنید راه حلی بیابید که تا حد امکان آسان و مؤثر باشد.تکنیک 3: "فرضیه جسورانه"از طرح فرضیه های جسورانه ای که به نظر شما درست به نظر می رسد خجالت نکشید. شما مجبور نیستید راه حل های خود را در طول مسابقات ثابت کنید، به شهود درونی خود ضربه بزنید. وقتی فرضیه خود را مطرح کردید، سعی کنید آن را ثابت کنید - ممکن است به خوبی کار کند یا به شما ایده دهد که چگونه آن را رد کنید. فرضیه را بر روی مجموعه وسیعی از آزمون‌ها آزمایش کنید، زیرا اتلاف وقت برای اجرای یک راه‌حل مبتنی بر یک فرضیه دردناک است و تنها پس از آن فرضیه را رد کنید.مثال ها:راه حل همیشه وجود دارد؛مورد تعداد ایالت ها زیاد نیست.تکنیک 4: "برای حل یک مسیله ، باید مانند یک مسیله فکر کنید"من جدی می گویم، خود را به جای شخصیت مسیله قرار دهید، تصور کنید که این وظیفه شماست که مجموعه های ورودی را مدیریت کنید. به این فکر کنید که در این مورد چگونه عمل می کنید. سعی کنید چند نمونه کوچک را به تنهایی پردازش کنید. اگر مشکل از یک بازی است، آن را بازی کنید. گاهی اوقات سعی می کنم برای درک بهتر یک فرآیند یا مدل را تجسم کنم. این کمی شبیه این است که چگونه فیلم ها طرز فکر دانشمندان را نشان می دهند. سعی کنید در تصاویر فکر کنید، راه حل را تصور کنید، آن را در حال آشکار شدن ببینید.تکنیک 5: "با هم فکر کنید"این تکنیک فقط برای مسابقات تیمی کاربرد دارد. در یک گروه دو یا سه نفره شروع به گفتن برخی از حقایق روشن در مورد مشکل می کنند. به عنوان مثال: "اگر n زوج باشد، پاسخ همیشه 0 است"، "اگر n اول باشد، پس جواب باید به این صورت باشد" و غیره. گاهی اوقات هم تیمی های شما ایده هایی را انتخاب می کنند و آنها را توسعه می دهند و این استراتژی می تواند شما را از مشکل عبور دهد.تکنیک 6: "یک روش را انتخاب کنید"سعی کنید از الگوریتم‌ها یا روش‌های رایج استفاده کنید که می‌توانند به هر نحوی برای مشکل اعمال شوند. دیدن محدودیت های مشکل مفید است. پس از انتخاب یک روش، سعی کنید روی راه حل فکر کنید با این فرض که مشکل با استفاده از این روش حل شده است. استدلال شما باید تا حدودی اینگونه باشد: "بیایید فرض کنیم که مشکل با تقسیم و غلبه حل می شود. سپس اجازه دهید این مشکل را به صورت بازگشتی برای نیمه چپ و راست حل کنیم. اکنون تنها چیزی که باقی مانده است یافتن راهی برای متحد کردن این راه حل ها است. من. تعجب می کنم که چگونه می توانیم این کار را انجام دهیم..."تکنیک 7: "چاپ و نگاه کنید"اغلب (به ویژه در مسائل با ورودی کوچک: یک یا دو عدد) الگوهایی در ترکیب راه حل وجود دارد. برای دیدن یک الگو، گاهی اوقات نیاز دارید که روش ساده‌ای برای حل یک مسئله بنویسید، برای تعداد زیادی تست در محدوده‌های بزرگ پاسخ ایجاد کنید و برای مدتی روی پاسخ‌های خود تعمق کنید. برای اینکه کامپیوتر را مشغول نکنید، یک استراتژی خوب این است که نتایج به دست آمده را چاپ کنید و این بار روی نسخه های چاپی مدیتیشن کنید.گاهی اوقات ایده خوبی است که نه تنها پاسخ، بلکه برخی اطلاعات اضافی، مانند نحوه به دست آوردن یک راه حل، چاپ کنید.تکنیک 8: "گوگل"این تکنیک تنها در صورتی قابل استفاده است که قوانین دور/مسابقه اجازه دهد. اگر مشکل مربوط به دنباله هاست، می توانید در سایت https://oeis.org/ به دنبال راه حل باشید (به تکنیک 7 مراجعه کنید). این به درک مدل رسمی مسئله و جستجوی اصطلاحات ریاضی صحیح در گوگل کمک می کند. Pandora's box Pandora's box Fri, 18 Feb 2022 00:16:15 +0330 https://virgool.io/@Pandorasbox/%DA%86%D9%87%D8%A7%D8%B1-%D8%AF%D8%B1%D8%B3%DB%8C-%DA%A9%D9%87-%D8%A8%D8%B9%D8%AF-%D8%A7%D8%B2-%D8%A7%D9%88%D9%84%DB%8C%D9%86-%DA%A9%D8%A7%D8%B1-%D8%AA%D9%85%D8%A7%D9%85-%D9%88%D9%82%D8%AA%D9%85-%D8%A8%D8%B9%D8%AF-%D8%A7%D8%B2-%DA%A9%D8%A7%D9%84%D8%AC-%D8%A2%D9%85%D9%88%D8%AE%D8%AA%D9%85-dhcyboqrpfgz سال گذشته، برای فارغ‌التحصیلان اخیر علوم کامپیوتر، توصیه‌های شغلی درباره فرآیند تصمیم‌گیری که هنگام انتخاب اولین شغل تمام وقتم بعد از کالج انجام دادم، نوشتم. اکنون که اولین کار را ترک کردم، می‌خواهم درس‌هایی را به اشتراک بگذارم که آرزو می‌کردم وقتی شروع کردم می‌دانستم.1. همه چیز مربوط به مردم استقبل از شروع به کار، انتظار ساده‌لوحانه‌ای داشتم که زندگی اجتماعی من از دانشگاه به دنیای واقعی ادامه یابد - همه دوستانی که در مدرسه بدیهی می‌گرفتم به زندگی خود در ۵ دقیقه پیاده‌روی از من ادامه می‌دادند و هر زمان که به آنها نیاز داشتم در دسترس بودند. .انتقال سخت بود. بسیاری از نزدیکترین دوستانم از آنجا کوچ کردند. برخی در اطراف گیر کرده بودند، اما رفت و آمد و کار و بزرگسالی مانع شد و به نظر می رسد که ما هرگز نمی توانیم زمانی برای دیدن یکدیگر پیدا کنیم.در ناامیدی از همه اینها، همکارانم وارد عمل شدند و این شکاف را پر کردند.من هنگام انتخاب تیم به آن فکر نکردم - زندگی حرفه ای قرار است متعامد با زندگی شخصی باشد، درست است؟ - اما من شانس آوردم. من در تیمم دو چیز را پیدا کردم که در دانشگاه از همه مهمتر است: دوستی و مربیگری.1.1 دوستیوقتی برای اولین بار به تیم ملحق شدم، همه اعضای تیم من قبلاً ازدواج کرده بودند و بچه داشتند. افرادی که بچه دارند، زمانی برای مقابله با اضطراب من پس از دانشگاه ندارند. با این حال، با رشد تیم، گروهی از همکاران را پیدا کردم که آنها نیز در حال گذراندن همان انتقال بودند. هر روز در محل کار با هم ناهار می خوردیم. آخر هفته‌ها، شب‌های بازی روی تخته، باربیکیو، پاتلاک انجام می‌دادیم. حتی یک آخر هفته را در مونتری با هم گذراندیم.برخی از همکارانم بیشتر از همکارها دوست شدند. نمی توانم وانمود کنم که هیچ لحظه ای در کار ناامید شده ام، چه به خاطر خود کار یا اتفاق دیگری در زندگی ام. داشتن دوستی در این نزدیکی که می توانستم با اعتماد کامل با او صحبت کنم تفاوت بزرگی ایجاد کرد.1.2 مربیگرییکی از اعضای ارشد تیم ما مرا زیر بال خود گرفت. او به بزرگترین مدافع من تبدیل شد و چیزهای زیادی به من آموخت، از نوشتن مقالات گرفته تا رسیدگی به سیاست های شرکتی - که در هر شرکت بزرگی اجتناب ناپذیر است - تا انتخاب کفش ضد آب برای خرید. ای کاش در یادگیری از او فعال تر بودم.من تعجب می کنم که بسیاری از آنها برای اولین کار خود مربی ندارند. اینطور نیست که آنها یکی را نمی خواهند. آنها فقط هرگز نمی پرسند. هنگام شروع یک کار جدید، باید یک همکار را انتخاب کنید که با او کنار بیایید و از او بخواهید که راهنمای شما باشد. اگر جواب منفی دادند، دوباره با شخص دیگری تلاش کنید. اکثر مردم پذیرا هستند که یک مربی باشند - این درخواست از شما متملقانه است. هر ماه یک بار با آنها تماس بگیرید تا در مورد آنچه که روی آن کار می کنید صحبت کنید، متوجه شوید که روی چه چیزی کار می کنند و نظرات آنها را در مورد پیشرفت خود دریافت کنید. مدیران شما نیز می توانند مربیان شما باشند، اما داشتن نظر دوم خوب است.من اولین بار این درس را در ابتدای دهه در طول سفرهایم آموختم: "سفر به این نیست که کجا هستید، بلکه این است که با چه کسی هستید." در پایان دهه دوباره این درس را یاد گرفتم. این مربوط به شرکت نیست. این در مورد محصول نیست. حتی به پول هم مربوط نیست همه چیز مربوط به افرادی است که با آنها کار می کنید.غذای آمادهتیمی را پیدا کنید که دارای افرادی باشد که در همان مرحله زندگی شما هستند.از یک همکار بخواهید که مربی شما باشد.2. اندازه گیری پیشرفت مهم استدر مدرسه، ما می دانیم که چگونه باید پیشرفت کنیم: یک سال را تمام می کنیم و به سال دیگر می رویم. اگر به طور غیرمنتظره در یک امتحان مردود شوید، می دانید که باید اولویت های خود را دوباره ارزیابی کنید. بعد از فارغ التحصیلی، این ترس را داشتم که به انتخاب های بد زندگی ادامه دهم و تا دیر نشده راهی برای فهمیدن آن نداشته باشم.برای اجتناب از آن، تصمیم گرفتم که به سه چیز نیاز دارم:اهداف به خوبی تعریف شدهراهی برای ارزیابی اینکه آیا به آن اهداف دست یافته ام یا خیریک سیستم هشدار اولیه که به من اطلاع دهد وقتی از مسیر منحرف می شوماهداف و معیارهای خاص من برای به اشتراک گذاشتن بیش از حد شخصی هستند، اما اهداف من در سه محور اصلی قرار دارند: تبدیل شدن به یک مهندس بهتر، تبدیل شدن به یک نویسنده بهتر، و به حداکثر رساندن گزینه‌های شغلی آینده‌ام.در زندگی حرفه ای خود، یکی از معیارهایی که استفاده کردم ساختار سطح داخلی و حلقه بازخورد NVIDIA بود. مدیرم به اندازه کافی مهربان بود تا توضیح دهد که چه چیزی از من باید ببیند تا من را به سطح بعدی برساند. اگر مدیرتان آن را مطرح نکرد، باید با آنها یک 1:1 برنامه ریزی کنید تا در مورد آن صحبت کنند. با آنها در مورد مسیرهای شغلی احتمالی خود در داخل و خارج سازمان بحث کنید، اینکه معمولاً چقدر طول می کشد تا شخصی با سابقه شما به سطح بعدی برود.من همچنین از مدیرم پرسیدم که به نظر او باید روی چه شکاف هایی در مهارت ها و دانش من تمرکز کنم. اکثر مردم طوری آموزش دیده اند که همیشه به شما بگویند که دارید کار عالی انجام می دهید، بنابراین باید سوالات و نگرش خود را به گونه ای تنظیم کنید که بازخورد صادقانه را تشویق کند. دادن بازخورد انتقادی به شجاعت نیاز دارد. وقتی مقداری دریافت می‌کنید، آن را با لطف بپذیرید، حتی اگر چیزی باشد که نمی‌خواهید بشنوید.در زندگی شخصی‌ام، با پل وارن، یکی از نزدیک‌ترین دوستانم، پیمان مسئولیت پذیری داشتم. ژوئن گذشته، به او گفتم چه کار کرده ام و او به من گفت: "همسایه، من پنج سال است که تو را می شناسم و هرگز تو را اینقدر بی ثمر ندیده ام." ممکن است برخی آن را خشن بدانند، اما این همان چیزی بود که من باید می شنیدم. این مکالمه مرا بر آن داشت تا نحوه گذراندن وقتم را دوباره بررسی کنم، اولویت هایم را دوباره ارزیابی کنم و روی عادت های بدم کار کنم.من و پل با درک اینکه چقدر این گفتگو برای هر دوی ما مفید بود، تصمیم گرفتیم هر دو هفته یکبار بررسی کنیم تا مطمئن شویم آنچه را که می‌گوییم انجام می‌دهیم. ما می خواهیم به یکدیگر کمک کنیم بهتر زندگی کنیم، نه اینکه فقط بهتر کار کنیم، بنابراین در مورد همه چیز از کار گرفته تا روابط صحبت می کنیم. داشتن فردی که به او اعتماد دارید، پیشرفت شما را در زندگی دنبال کند تا مطمئن شود که در مسیر درستی قرار دارید، اطمینان بخش است. من همچنین خوشحالم که پل را به عنوان یک چهره باثبات در زندگی ام بازگردانم.غذای آمادهاهداف مشخصی داشته باشید.با مدیر خود در مورد مسیرهای شغلی خود صحبت کنید، معمولاً چقدر طول می کشد تا یک نفر به سطح بعدی برود و چه چیزی باید از شما ببیند تا شما را به سطح بعدی برساند.یک دوست پاسخگو داشته باشید. برنامه ریزی کنید تا یک یا دو بار در ماه با آنها تماس بگیرید.3. ساختار خوب استدر مدرسه، من از ساختاری بودن زمانم متنفر بودم. برنامه هفتگی من همیشه یکسان بود. محل اقامت من حول محور امتحانات و ضرب الاجل برنامه ریزی شده بود. نمی‌توانستم صبر کنم تا دیگر کلاس نداشته باشم تا هر وقت خواستم بخوابم.به عنوان یک مهندس نرم افزار معمولی در یک فناوری بزرگ معمولی، آزادی زیادی در برنامه ریزی روزهایم داشتم. اکثر شرکت‌های فناوری در خلیج اهمیتی نمی‌دهند که کار خود را کجا و چه زمانی انجام می‌دهید، تا زمانی که آن را انجام دهید. وقتی شروع کردم از آن نهایت استفاده را بردم. اگر می‌خواستم در خانه بخوابم، می‌خوابیدم و چند ساعت کار اضافی به پایان روزم اضافه می‌کردم. اگر نمی خواستم لباس خوابم را عوض کنم، از خانه کار می کردم.از آن خوشم آمد، اما نتوانستم کاری انجام دهم. هرچه گزینه های بیشتری داشته باشم، زمان بیشتری را برای ارزیابی آنها صرف می کنم. برای همیشه طول کشید تا هر چیزی را برنامه ریزی کنم. هر زمان که حوصله‌ام سر می‌رفت، از کاری به کار دیگر تغییر می‌دادم و زمان را برای تغییر متن تلف می‌کردم. برنامه خواب من آنقدر نامنظم بود که به سختی به خواب می رفتم و همیشه خسته بودم.سپس تصمیم گرفتم خودم را در معرض چیزی قرار دهم که هرگز فکر نمی کردم انجام دهم: روتین های روزانه. من هر روز سر کار می روم، کار را ترک می کنم و هر روز سر یک ساعت می خوابم. برنامه ریزی جلسات بسیار آسان تر می شود. خوابم بهتر میشه من منظم تر و سازنده تر شدم. من حتی موفق شدم هر روز 40 دقیقه - در طول رفت و آمدم - برای خواندن کتاب اختصاص دهم. بدون ایمیل، بدون رسانه اجتماعی، بدون کد بازبینی. تمام دنیا با همه مشکلاتش دیگر وجود ندارد. تنها چیزی که در آن دقایق گرانبها اهمیت دارد، جهان کوچک خودم است.همانطور که با مردم درباره این تغییر صحبت می کردم، بسیاری نیز به من گفتند که از داشتن ساختاری در زندگی خود قدردانی کرده اند. دوستی تصمیم گرفت به اندازه کافی دور از اداره زندگی کند، به طوری که مجبور شد هر روز در ساعت مشخصی با همان شاتل به محل کار رفته و برگردد. دیگری به من گفت که پیروی از یک روال به او آرامش می دهد - تا زمانی که او هنوز هم می تواند لاته خود را در ساعت 9 صبح میل کند، جهان نمی تواند از هم بپاشد. روتین ها به ما این امکان را می دهند که برای بسیاری از کارهای روزانه با خلبان خودکار برویم و انرژی ذهنی خود را برای چیزهای مهم آزاد کنیم.غذای آمادهدر همان زمان بخوابید.برای کارهایی که از انجام دادنشان لذت می برید زمانی اختصاص دهید تا هر روز منتظر چیزی باشید.ورزش را فراموش نکنید4. شغل شما ارزش خود را تعیین نمی کنداخیراً با کسی که در یک شام گروهی ملاقات کردم، گفتگوی خوبی داشتم. وقتی موضوع را به دوستم گفتم، او پرسید: "او چه کار می کند؟" هیچ نظری ندارم. من هرگز نپرسیدم.من را آزار می دهد که اولین چیزی که هنگام ملاقات با کسی می پرسیم شغل اوست و اولین چیزی که به دیگران درباره خودمان می گوییم این است که کجا کار می کنیم. در عرض دو دقیقه پس از ملاقات با کسی، کل سابقه شغلی او را می‌یابیم: الان کجا هستند، قبلاً چه کار می‌کردند، کجا به مدرسه می‌رفتند.این باعث می شود ارزش شخصی هر فرد در رزومه خود کاهش یابد. این باعث تنبلی ما می شود - اکنون نیازی به شناختن کسی نداریم که بتوانیم تصویر گمشده را با کلیشه هایی که قبلاً در مورد شغل او ایجاد کرده ایم پر کنیم.علاوه بر این، اگر به معرفی خودمان با شغل‌هایمان ادامه دهیم، اجازه می‌دهیم شغل‌هایمان خودمان را تعریف کنند. وقتی کارمان خوب پیش نمی رود یا نداریم، احساس می کنیم هیچ نیستیم.مردم از من می پرسند که اگر در مورد شغل صحبت نکنم، در مورد چه چیزی صحبت کنم؟ همه چیز دیگر. من دوست دارم بدانم مردم به چه چیزی فکر می کنند، چه مشکلاتی را می بینند که هنوز راه حلی برای آنها وجود ندارد، چه چیزی را دست کم گرفته اند، چه فناوری / کتاب / فیلم / موسیقی / و غیره. دیدگاه آنها را تغییر داد. هدف من از ملاقات با شخص جدید این است که بفهمم او چه چیزی را می داند که من نمی دانم.همچنین از این فرصت استفاده می‌کنم تا دیدگاه جدیدی در مورد آنچه به آن فکر می‌کردم به دست بیاورم. اگر به مصاحبه‌های یادگیری ماشین فکر می‌کردم، از آنها در مورد تجربیات مصاحبه‌شان، هم به‌عنوان نامزد و هم به‌عنوان مصاحبه‌گر می‌پرسیدم. اگر در مورد نگارش فنی می نویسم، در مورد روند نوشتن آنها و اینکه آیا نوشته ای فنی وجود دارد که آنها را نمونه می دانند، می پرسم.سخت است که مردم را فوراً باز کنند، بنابراین باید سؤالات درستی بپرسید تا آنها را گرم کنید. این مهارتی است که هنوز در حال یادگیری و تمرین آن هستم. گاهی اوقات شکست می خورم و مردم فکر می کنند من یک آدم عجیب و غریب هستم. اما وقتی موفق می شوم، اوقات خوبی را سپری می کنم، چیز جدیدی یاد می گیرم، حتی یک دوست جدید پیدا می کنم.من می خواهم یادآوری کنم که شغل شما نباید فقط شغل شما باشد. بسیاری از فرصت‌ها از کارهایی که خارج از شغلم انجام می‌دهم به دست می‌آیند - مردم من را از پروژه‌های جانبی‌ام می‌شناسند، شرکت‌ها از من دعوت می‌کنند تا درباره موضوعی که درباره آن نوشته‌ام صحبت کنم. من کاری را که برای شغلم انجام می‌دهم از کاری که برای خودم انجام می‌دهم جدا می‌کنم، و از زمانی که هنوز به کارفرمایم نفروخته‌ام استفاده می‌کنم تا روی چیزهایی که به من علاقه دارد کار کنم. وقتی شغلی خارج از شغل خود دارید، اهرم بیشتری در کار دارید که به انعطاف پذیری شغلی بیشتری اجازه می دهد.غذای آمادهمردم را همان طور که هستند بشناسید، نه فقط شغلشان. دوست بسازید نه ارتباط.مهم نیست که شغل شما چقدر درآمد دارد، باز هم زمان خود را به کمتر از ارزش آن می فروشید. وقت خود را برای کار کردن برای خود حفظ کنید.انجام پروژه های جانبیشغلی خارج از شغل خود داشته باشید.بعدش چی؟سال گذشته، من تصمیم گرفتم به NVIDIA بپیوندم، زیرا فکر می کردم شرکت بزرگی است. زمان من در آنجا این تصور را تقویت کرد. از اینکه این شانس را دارم که با افراد فوق العاده زیادی در پروژه های چالش برانگیز کار کنم سپاسگزارم.می دانستم خداحافظی سخت است، اما انتظار نداشتم اینقدر سخت باشد. وقتی نشانم را تحویل دادم، احساس از دست دادن بر من غلبه کرد. یکی از همکارانم اشک در چشمانش حلقه زده بود. دیگری باور نکرد که من دارم می روم. جنسن هوانگ در مهمانی خداحافظی من (به طور اتفاقی) حضور داشت و در مورد آن واقعاً خوب بود. وقتی هم تیمی هایم پرسیدند: "آیا به این دلیل که ما را دوست ندارید می روید؟"من عاشق هم تیمی هایم هستم. ای کاش زمان بیشتری برای کار با آنها داشتم. با این حال، از آنجایی که هنوز سعی می کنم تا جایی که می توانم یاد بگیرم، به محیط متفاوتی برای یادگیری مجموعه ای از مهارت ها نیاز دارم.من در حال پیوستن به یک استارتاپ در مراحل اولیه هستم که بر خط لوله تولید یادگیری ماشین تمرکز دارد. ما هنوز در مخفی کاری هستیم، بنابراین چیز زیادی نمی توانم بگویم، به جز اینکه تیم در سطحی است که من هرگز در یک استارت آپ ندیده ام. آنها یک نژاد نادر از محققان با مهارت های مهندسی عالی هستند. افتخار و هیجان دارم که بخشی از تیم هستم. من نمی توانم صبر کنم تا به شما نشان دهم روی چه چیزی کار کرده ایم!P.S. بله، ما استخدام می کنیم. اگه میخوای چت کنی بهم سر بزن :-) Pandora's box Pandora's box Wed, 16 Feb 2022 17:57:50 +0330 https://virgool.io/@Pandorasbox/%DA%86%DA%AF%D9%88%D9%86%D9%87-%D8%A8%D8%B9%D8%AF-%D8%A7%D8%B2-%D8%AF%D8%A7%D9%86%D8%B4%DA%AF%D8%A7%D9%87-%D8%B1%D9%88%D8%A7%D8%A8%D8%B7-%D9%85%D8%B9%D9%86%D8%A7%D8%AF%D8%A7%D8%B1%DB%8C-%D8%A7%DB%8C%D8%AC%D8%A7%D8%AF-%DA%A9%D9%86%DB%8C%D9%85-rdonsng7tfpc از زمان فارغ التحصیلی، هر زمان که با دوستانم رفت و آمد می کنم، صحبت های ما در نهایت به این می شود: "چگونه با افراد جدید آشنا می شوید؟" وقتی از کسی می پرسم حالش چطور است، پاسخ او همیشه «خوب است، اما دلم برای حضور دوستانم تنگ شده است».دوست یابی سخت است. در دانشگاه، شما می توانید با کسی دوست شوید فقط به خاطر دوست بودن. بعد از کالج، روابط ناگهان تبدیل به معامله می شود. برای ملاقات با کسی به دلیل نیاز دارید. آنها به نوبه خود دائماً آنچه را که می توانید روی میز بیاورید ارزیابی می کنند. وقتی با کسی ملاقات می‌کنم، تجربیات ناامیدکننده زیادی داشته‌ام، او می‌پرسد من چه کار می‌کنم، و به محض اینکه پاسخی می‌دهم که به کسب‌وکارشان بی‌ربط است، چشمانش خیره می‌شود.وقتی یک مکالمه تراکنشی نیست، اغلب با یک تلاش عاشقانه اشتباه گرفته می شود. وقتی مردی که به سختی می شناسم می خواهد ملاقات کند، گاهی فکر می کنم که آیا این یک قرار است. این ذهنیت همچنین باعث می‌شود از تماس با پسرها بترسم، زیرا می‌ترسم فکر کنند که من به آنها ضربه می‌زنم.فهرست زیر بر اساس بسیاری از مکالمات من طراحی شده است. اگر نکات دیگری دارید، خوشحال می شوم آنها را بشنوم.1. کارهای جالب انجام دهیدوقتی از یکی از دوستان تیل پرسیدم که چگونه افراد جالب زیادی را می شناسد، او شانه بالا انداخت: "من کارهای جالبی انجام می دهم." کریس لنگریچ که به تازگی شش ماه کارآفرینی خود را در خوسلا به پایان رسانده تا شرکت خود را راه اندازی کند، همین را به من گفت. «به خاطر ایجاد ارتباط سعی نکنید ارتباط برقرار کنید. سطحی نگر هستند کارهای جالبی انجام دهید تا مردم جذب شما شوند.» اگر کار جالبی انجام نمی دهید، قرار است با فردی که به تازگی در موردش ملاقات کرده اید، چه صحبتی داشته باشید؟بیشتر روابطی که من در خارج از مدارس ایجاد کرده‌ام، از انجام کارهایی است که به آن‌ها اهمیت می‌دهم: از طریق آموزش دوره TensorFlow، از طریق نوشتن، از طریق سفر، و از طریق انجام تحقیقات هوش مصنوعی.Debnil Sur، دوست من در Interstellar، پرسید: "از کجا می دانید که کاری که انجام می دهید جالب است؟" من متوجه می‌شوم که تقریباً هر زمان که سعی می‌کنم کاری را انجام دهم، زیرا فکر می‌کنم دیگران فکر می‌کنند کار خوبی است، شکست می‌خورم. در حالی که اگر کاری را انجام دهم که واقعاً به آن اهمیت می دهم، اشتیاق من مردم را جذب می کند. چیزهای زیادی وجود دارد که فکر نمی‌کردم خوب باشند تا زمانی که با کسی آشنا شدم که به آن علاقه داشت.2. ارزش ارائه کنیدجری لو، یک کاندیدای MBA در وارتون و از همکاران در Lux Capital، به من گفت که استراتژی او برای ایجاد روابط معنادار، ارائه ارزش‌ها است: «وقتی با شخصی جدید ملاقات می‌کنم، سعی می‌کنم بفهمم چه کاری می‌توانم برای آن شخص انجام دهم.» این علم موشکی نیست که اگر آن شخص بتواند ارزش خالص مثبتی را اضافه کند، تمایل بیشتری به اضافه کردن کسی به زندگی خود داریم. با این حال، من مقصر هستم که به سراغ افرادی رفتم که می توانند کاری برای من انجام دهند، در حالی که باید از خودم بپرسم که برای آن شخص چه کاری می توانم انجام دهم.برای اینکه بتوانیم ارزش هایی را به افراد دیگر ارائه کنیم، ابتدا باید ارزش هایی برای ارائه داشته باشیم. برای جری، او رویدادهایی را سازماندهی می کند تا با افراد همفکر ارتباط برقرار کند. وقتی به چیزی برخورد می کند که می داند من به آن علاقه دارم، آن را برای من ارسال می کند.استراتژی شخصی برای ارائه ارزش‌های همکار تیل نور صدیقی، طناب زدن به دوستانش است در حالی که اقلام موجود در فهرست سطل خودش را خط می‌کشد: «اگر واقعاً در مورد بالا رفتن از کوه یا اجرای هنر خیابانی هیجان‌زده باشم، دوستی را به همراه خواهم آورد. یا دو تا که ممکن است از آن نیز لذت ببرند.»این آسان نیست که نیازهای دیگران را بر نیازهای خودم ترجیح دهم. من باید مدام به خودم یادآوری کنم: قبل از اینکه از او خواهش کنم به کسی لطفی بکن. من همچنین شروع به کپی کردن از دوستم Lucio Dery کردم تا پیام‌هایم را با «لطفاً به من اطلاع دهید اگر چیزی می‌توانم به شما کمک کنم» پایان دهم، و اگر کسی این پیشنهاد را قبول کرد، آن را بررسی کنم.3. از شبکه های اجتماعی استفاده کنیدمن می دانم که این چیز ذن در حال وقوع است که مردم را تشویق می کند تا از رسانه های اجتماعی دور شوند. گاهی اوقات برای تمرکز روی خودم نیاز به قطع ارتباط با کانال های آنلاین را احساس می کنم. اما به طور کلی، رسانه های اجتماعی بسیار بیشتر از آنچه که از دست داده اند به من داده اند.رسانه های اجتماعی یک ابزار هستند: خوب یا بد بودن آن بستگی به نحوه استفاده ما از آن دارد. برای من، این راهی برای گسترش ایده‌هایم، توضیح کارم و مهم‌تر از همه، فروش خودم است. افرادی وجود دارند که آنقدر خوب هستند که دنیا بدون توجه به آنها به دنبال آنهاست. اما من از آن نابغه ها نیستم. اکثر مردم نیستند. اگر وارد شبکه های اجتماعی نشوم، نامرئی می شوم.یکی از کانال هایی که من به شدت توصیه می کنم توییتر است. من با افراد جالب زیادی آشنا شده ام که با من دوست شده اند (برای دیوید دائو، مایلز براندیج، جاشوا برودر فریاد بزنید). وقتی کارم را در توییتر به اشتراک می‌گذارم و بازتوییت می‌شود، تقریباً شبیه تقلب به نظر می‌رسد - من افرادی را می‌شناسم که کار بسیار بهتری انجام می‌دهند اما به رسمیت شناخته نمی‌شوند.پست های وبلاگ متفکرانه نیز راهی عالی برای نشان دادن تفکر انتقادی شما و دستیابی به مخاطبان بیشتر است. من از هر پستی که نشان می دهد نویسنده عمیقاً روی موضوع فکر کرده است و می تواند دیدگاه جدیدی به من بدهد یا چیز جدیدی به من بیاموزد لذت می برم. من به خصوص پست های وبلاگ فنی را دوست دارم که مفاهیم فنی دشوار را به علم رایج تبدیل می کند - این پست ها نشان می دهد که نویسنده نه تنها مفهوم را درک می کند بلکه مهارت های ارتباطی بالایی نیز دارد.خبرنامه ها در حال بازگشت هستند. جان لوتیگ، یکی از همکاران Founders Fund، اخیراً یک خبرنامه هفتگی راه اندازی کرده است تا یک چیز را که یاد گرفته است و یک سؤال را که در مورد آن فکر می کند به اشتراک بگذارد. "وقتی مردم هر هفته از شما می شنوند، شما در ذهن خود هستید و بیشتر اوقات شما را در جریان مسائل قرار می دهند. مردم معاملات بیشتری برای من ارسال می‌کنند و از من می‌خواهند که با هم معاشرت کنم.» او به من گفت.یکی از مشکلات رسانه‌های اجتماعی این است که برای ایجاد مخاطب زمان می‌برد. سخت ترین قسمت این است که از 0 به 1000 فالوور اول برسیم. خوشبختانه، مقالات زیادی به صورت آنلاین در مورد چگونگی افزایش مخاطبان خود وجود دارد.4. سعی نکنید افراد را به طور سطحی تحت تاثیر قرار دهیدیک اشتباهی که در ابتدا مرتکب شدم (و هنوز هم گاهی اوقات) این است که خیلی تلاش می کنم تا با افرادی که به آنها نگاه می کنم دوست شوم. که هرگز خوب از آب در نیامده است.با صدای بلند نوشتن بد به نظر می‌رسد و می‌دانم که برخی سریعاً آن را به خاطر ناامنی من سرزنش می‌کنند، اما من یاد گرفته‌ام که در مورد اینکه با چه کسی باید دوست شوم واقع‌بین باشم. من نمی گویم همه افراد موفق اسنوب هستند، فقط به اندازه کافی برای علاقه مندی آنها انجام نداده ام.عمر رضوان، یکی دیگر از همکاران Thiel، آن را به خوبی در میان وعده غذایی ما خلاصه کرد: "من ترجیح می دهم با همسالان دوست شوم، افرادی که در همان مرحله زندگی با من هستند و برای همان کار تلاش می کنند. دوستی با افرادی که جلوتر از من هستند سخت است زیرا چیزی برای ارائه ندارم.»قانون کلی من هنگام ملاقات با شخصی جدید: اگر احساس می کنم باید او را تحت تأثیر قرار دهم، باید خداحافظی کنم و دور شوم.5. برای هر جلسه یک استراتژی داشته باشیدهم اتاقی من رکس فکر کرد برای من عجیب است که با غریبه ها تماس بگیرم: "نمی دانستم در مورد چه چیزی با آنها صحبت کنم." شنیدن این جمله برای من هم عجیب بود: «چرا می‌خواهم کسی را ملاقات کنم، اگر نمی‌دانم درباره چه چیزی با آن شخص صحبت کنم؟»من فقط زمانی با مردم ارتباط برقرار می کنم که چیزهایی وجود داشته باشد که می خواهم در مورد آنها صحبت کنم. این می تواند در مورد کار فعلی آنها، کاری که انجام داده اند یا برخی بینش های خاص باشد. اگر کلیک کنیم و دوست شویم، عالی است. اگر این کار را نکنیم، چیز جدیدی یاد می‌گیرم و امیدوارم آنها هم از آن چیزی بگیرند.دوون زوگل، که در حال حاضر میزبان نمایشی در مورد کریپتو برای a16z است، آن را به زیبایی در توییتی بیان کرد:استراتژی شما برای داشتن مکالمات عالی چیست؟ چند تا از من:سوالات خوب را جمع آوری کنید و یک لیست مکتوب داشته باشیدبه سکوت های طولانی مدت تقریباً ناخوشایند اجازه دهید. شخص دیگری آنها را با چیز جالبی پر می کندبه کلمات/مدل هایی که مدام استفاده می کنند و غیر معمول هستند گوش دهید6. فهرستی از سوالات برای شناختن کسیشناختن یک نفر به همان اندازه که یک هنر است علم است. این موضوع به شدت مورد مطالعه قرار گرفته است و شما می توانید هزاران لیست از سوالاتی را بیابید که ادعا می کنند به شما کمک می کنند با کسی آشنا شوید.من عاشق پست وبلاگ نور چگونه کسی را بشناسیم. به نقل از نور:دریافته‌ام که مکالمات خوب از سؤالاتی شروع می‌شوند که دوست (آینده) شما را به این سؤالات سوق می‌دهد:یادآوری یک خاطره بار عاطفی (مثبت یا منفی)یادآوری خاطره ای که به ندرت قابل دسترسی است (نوستالژی)پاسخ جدیدی ایجاد کنید (به چیزی فکر کنید که قبلاً به آن فکر نکرده بودند).مکالمات بد زمانی رخ می دهد که فردی که با او صحبت می کنید:ارائه پاسخ های آماده به سوالات، گفت و گو با شما که لحظاتی پیش با شخص دیگری داشته اندچیزی در مورد خود یاد نمی گیرنداحساس نمی کنم توسط شما درک می شوداو لیستی از سؤالات دارد که از آسان (چه چیزی با قیمت کمتر از 50 دلار خریدید که بیشترین لذت / راحتی / مفید را برای شما به ارمغان آورد؟) به سخت (مهمترین چیزی که در گذشته نظر خود را تغییر داده اید چیست؟ سال؟) به چالش کشیدن (رادیکال ترین باور شما چیست؟).با این روحیه، من همچنین فهرستی از سوالاتی را تهیه کرده ام که وقتی چیزهای ارگانیک برای صحبت کردن تمام می شود از آنها استفاده می کنم. این سؤالات بستگی زیادی به شرایطی دارد که با آن روبرو می شویم. من به ندرت مجبور می شوم از آنها استفاده کنم، زیرا متوجه شده ام که گوش دادن و بازتاب دادن به طرف مقابل بسیار مؤثرتر است.در ماه گذشته چه چیزی شما را واقعا خوشحال کرده است؟چی میخونی؟چه چیزی اخیراً آموخته اید که شما را شگفت زده کرده است؟داستان شما چیست؟ [هنوز در تجربه من هر کس داستانی دارد، تقریباً از همه کسانی که برای اولین بار این سوال پرسیده می شود کمی متحیر شده اند. با این حال، اگر نشان دهید که واقعاً برایتان مهم است، ممکن است داستانی را برای شما تعریف کنند که قبلاً به افراد زیادی نگفته‌اند.]آیا خود [10 18 20 ..] ساله شما از اینکه امروز کجا/چه کسی هستید شگفت زده می شود؟بهترین تصمیم شغلی که تا به حال گرفته اید چیست؟ بدترین چیست؟حلقه های دوستان خود را چگونه توصیف می کنید؟کدام ویژگی را در یک دوست بیشتر از همه ارزش قائل هستید؟اولین برداشتی که مردم اغلب از شما دارند که درست نیست چیست؟نظر شما در مورد کلیشه [حرفه ای که در آن هستند] چیست؟ برای این سوال، آنها ممکن است بپرسند: کلیشه چیست؟ شما می توانید از پاسخ دادن به این سوال با این جمله اجتناب کنید: "شما باید این را بهتر از من بدانید!"خطرناک ترین کاری که انجام داده اید چیست؟با ارزش ترین مهارتی که شما را به جایی که امروز هستید رسانده است؟ [مکمل خفیف]پدر و مادرت باید به تو افتخار کنند!بزرگترین مشکلی که با آن روبرو هستید چیست؟در حال حاضر می خواهید چه چیزی را در زندگی خود تغییر دهید؟ [نسخه سبک تر: می خواهید زمان بیشتری/کمتری را برای چه چیزی صرف کنید؟]آیا چیزی هست که بتوانم به شما کمک کنم؟بستن افکارهمانطور که نمی توانید قرار ملاقات را هک کنید، نمی توانید روابط معنی دار را هک کنید. مهم نیست چقدر از نکات استفاده می کنید، در نهایت به این بستگی دارد که آیا در کنار یکدیگر راحت هستید یا خیر. آیا ارزش هایی به زندگی یکدیگر اضافه می کنید؟ آیا محیطی ایجاد می کنید که دیگران خودشان باشند؟ آیا زندگی هیجان انگیزی دارید که دیگران دوست دارند بخشی از آن باشند؟من به هیچ وجه به یک متخصص در این موضوع نزدیک نیستم. من ممکن است گاهی اوقات به طرز دردناکی بی دست و پا باشم، که منجر به تعاملات اجتماعی با ارزش می شود، که این باور خودساخته را تقویت می کند که باید در پوسته محافظ خود بمانم. اما دو چیز وجود دارد که من را نگه می‌دارد، و امیدوارم که آنها نیز به شما کمک کنند: 1) دیگران نیز مانند ما از آسیب دیدن می‌ترسند. 2) هر دوستی که الان داریم زمانی غریبه بود. پس حرف خود را باز کنید و خودتان را بیرون بگذارید. این همه در پایان ارزش آن را خواهد داشت. [یا نه.]قدردانی: از ادوارد لو، ریموند نی، جان لوتیگ، نور صدیقی، جری لو، کریس لنگریچ برای خواندن پیش نویس و ارائه بازخورد فوق العاده مفید تشکر می کنم. Pandora's box Pandora's box Tue, 15 Feb 2022 23:47:28 +0330 https://virgool.io/@Pandorasbox/%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D8%AF%D8%B1-real-time-%D8%A7%D9%86%D8%AC%D8%A7%D9%85-%D9%85%DB%8C-%D8%B4%D9%88%D8%AF-c6ogweykajgl پس از صحبت با مهندسین یادگیری ماشین و زیرساخت در شرکت‌های بزرگ اینترنتی در سراسر ایالات متحده، اروپا و چین، متوجه دو گروه از شرکت‌ها شدم. یک گروه سرمایه گذاری قابل توجهی (صدها میلیون دلار) در زیرساخت انجام داده است تا امکان یادگیری ماشین در زمان واقعی را فراهم کند و قبلاً بازده سرمایه گذاری خود را دیده است. گروهی دیگر هنوز در تعجب هستند که آیا ML بلادرنگ ارزشی دارد یا خیر.به نظر می رسد در مورد معنای واقعی ML اتفاق نظر کمی وجود دارد، و بحث عمیق زیادی در مورد نحوه انجام آن در صنعت وجود ندارد. در این پست، می‌خواهم آنچه را که پس از صحبت با ده‌ها شرکتی که این کار را انجام می‌دهند، آموخته‌ام به اشتراک بگذارم.دو سطح یادگیری ماشین بلادرنگ یا Real time وجود دارد که در این پست به آنها می پردازم.سطح 1: سیستم ML شما پیش بینی ها را در زمان واقعی انجام می دهد (پیش بینی های آنلاین).سطح 2: سیستم شما می تواند داده های جدید را ترکیب کند و مدل شما را در زمان واقعی به روز کند (یادگیری مستمر).من از «مدل» برای اشاره به مدل یادگیری ماشین و «سیستم» برای اشاره به زیرساخت اطراف آن، از جمله خط لوله داده و سیستم‌های نظارت استفاده می‌کنم.سطح 1: پیش بینی های آنلاین - سیستم شما می تواند پیش بینی ها را در زمان واقعی انجام دهدزمان واقعی در اینجا به ترتیب میلی ثانیه تا ثانیه تعریف شده است. Use case برای برنامه های کاربردی تأخیر اهمیت دارد. در سال 2009، آزمایش‌های گوگل نشان داد که افزایش تأخیر جستجوی وب 100 تا 400 میلی‌ثانیه، تعداد جستجوهای روزانه به ازای هر کاربر را 0.2 درصد به 0.6 درصد کاهش می‌دهد. در سال 2019، Booking.com دریافت که افزایش 30 درصدی تأخیر حدود 0.5 درصد در نرخ تبدیل هزینه دارد - «هزینه ای مرتبط برای کسب و کار ما».مهم نیست که مدل‌های ML شما چقدر عالی هستند، اگر پیش‌بینی‌ها فقط میلی‌ثانیه طول بکشد، کاربران روی چیز دیگری کلیک می‌کنند.مشکلات پیش بینی دسته اییکی از راه حل ها اجتناب از انجام پیش بینی های آنلاین است. می‌توانید پیش‌بینی‌ها را به صورت دسته‌ای آفلاین ایجاد کنید، آنها را ذخیره کنید (مثلاً در جداول SQL)، و در صورت نیاز پیش‌بینی‌های از پیش محاسبه‌شده را بیرون بکشید.این می تواند زمانی کار کند که فضای ورودی محدود باشد - شما دقیقاً می دانید که برای چند ورودی ممکن پیش بینی کنید. یک مثال زمانی است که باید برای کاربران خود توصیه هایی برای فیلم ایجاد کنید - دقیقاً می دانید تعداد کاربران چقدر است. بنابراین شما مجموعه ای از توصیه ها را برای هر کاربر به صورت دوره ای، مانند هر چند ساعت یکبار، پیش بینی می کنید.بسیاری از برنامه‌ها برای محدود کردن فضای ورودی کاربر خود، کاربران خود را مجبور می‌کنند به جای وارد کردن پرس و جوهای وحشی، از بین دسته‌ها انتخاب کنند. به عنوان مثال، اگر به تریپ ادوایزر بروید، به جای اینکه بتوانید وارد هر مکانی شوید، ابتدا باید یک منطقه شهری از پیش تعریف شده را انتخاب کنید.این رویکرد محدودیت های زیادی دارد. نتایج تریپ‌ادوایزر در دسته‌های از پیش تعریف‌شده‌شان، مانند «رستوران‌ها» در «سان‌فرانسیسکو» خوب است، اما وقتی سعی می‌کنید سؤالات عجیبی مانند «رستوران‌های تایلندی با رتبه بالا در دره هایس» را وارد کنید، بسیار بد هستند.محدودیت‌های ناشی از پیش‌بینی‌های دسته‌ای حتی در شرکت‌های پیشرفته‌تر از نظر فناوری مانند نتفلیکس وجود دارد. بگویید، اخیراً فیلم‌های ترسناک زیادی تماشا کرده‌اید، بنابراین وقتی برای اولین بار وارد نتفلیکس می‌شوید، فیلم‌های ترسناک بر توصیه‌ها غالب می‌شوند. اما امروز احساس خوبی دارید، بنابراین «کمدی» را جستجو می‌کنید و شروع به مرور دسته‌بندی کمدی می‌کنید. نتفلیکس باید کمدی های بیشتری را در لیست توصیه های خود به شما نشان دهد، درست است؟ اما تا دفعه بعدی که توصیه‌های دسته‌ای ایجاد نشود، نمی‌تواند فهرست را به‌روزرسانی کند.در دو مثال بالا، پیش‌بینی‌های دسته‌ای منجر به کاهش تجربه کاربر (که به شدت با تعامل/حفظ کاربر همراه است)، و نه شکست‌های فاجعه‌بار منجر می‌شود. نمونه‌های دیگر عبارتند از رتبه‌بندی تبلیغات، رتبه‌بندی هشتگ پرطرفدار توییتر، رتبه‌بندی اخبار فیسبوک، تخمین زمان ورود و غیره.همچنین برنامه های بسیاری وجود دارند که بدون پیش بینی های آنلاین، منجر به شکست های فاجعه آمیز می شوند یا فقط کار نمی کنند. به عنوان مثال می توان به تجارت با فرکانس بالا، وسایل نقلیه خودران، دستیارهای صوتی، باز کردن قفل تلفن با استفاده از صورت/اثرانگشت، تشخیص سقوط برای مراقبت از سالمندان، تشخیص تقلب و غیره اشاره کرد. شناسایی یک تراکنش تقلبی که 3 ساعت پیش اتفاق افتاده است هنوز بهتر از عدم شناسایی آن است. به هیچ وجه، اما توانایی تشخیص آن در زمان واقعی می تواند از بروز آن جلوگیری کند.تغییر از پیش‌بینی‌های دسته‌ای به پیش‌بینی‌های زمان واقعی به شما امکان می‌دهد از ویژگی‌های پویا برای پیش‌بینی‌های مرتبط‌تر استفاده کنید. ویژگی‌های استاتیک اطلاعاتی هستند که به آرامی یا به ندرت تغییر می‌کنند - سن، جنسیت، شغل، محله، و غیره. ویژگی‌های پویا ویژگی‌هایی هستند که بر اساس آنچه در حال حاضر اتفاق می‌افتد - آنچه در حال تماشای آن هستید، چیزی که دوست داشته‌اید، و غیره. دانستن علایق کاربر در حال حاضر به سیستم‌های شما اجازه می‌دهد تا توصیه‌هایی بسیار مرتبط‌تر با آنها ارائه کنند.راه حل هابرای اینکه سیستم شما بتواند به صورت آنلاین پیش بینی کند، باید دو جزء داشته باشد:استنتاج سریع: مدلی که می تواند پیش بینی هایی به ترتیب میلی ثانیه انجام دهدخط لوله بلادرنگ: خط لوله ای که می تواند داده ها را پردازش کند، آن را در مدل وارد کند و پیش بینی را در زمان واقعی برگرداند.استنتاج (inference )سریعهنگامی که یک مدل خیلی بزرگ است و برای پیش‌بینی خیلی طول می‌کشد، سه رویکرد وجود دارد:1. مدل‌ها را سریع‌تر کنید (بهینه‌سازی استنتاج)به عنوان مثال. عملیات ادغام، توزیع محاسبات، بهینه سازی ردپای حافظه، نوشتن هسته های با کارایی بالا با هدف قرار دادن سخت افزارهای خاص و غیره.2. مدل ها را کوچکتر کنید (فشرده سازی مدل)در اصل، این خانواده از تکنیک‌ها، کوچک‌تر کردن مدل‌ها برای جا دادن آن‌ها بر روی دستگاه‌های لبه است. کوچک‌تر کردن مدل‌ها اغلب باعث می‌شود آنها سریع‌تر کار کنند. رایج‌ترین و عمومی‌ترین تکنیک برای فشرده‌سازی مدل، کوانتیزاسیون است، به عنوان مثال. استفاده از شناورهای 16 بیتی (نیم دقت) یا اعداد صحیح 8 بیتی (نقطه ثابت) به جای شناورهای 32 بیتی (دقت کامل) برای نمایش وزن مدل شما. در حالت شدید، برخی از نمایش 1 بیتی (شبکه های عصبی وزن دودویی)، به عنوان مثال، تلاش کرده اند. BinaryConnect و Xnor-Net. نویسندگان Xnor-Net از Xnor.ai، استارت‌آپ متمرکز بر فشرده‌سازی مدل که توسط اپل به قیمت 200 میلیون دلار خریداری شده بود، منصرف شدند.یکی دیگر از تکنیک های محبوب تقطیر دانش () است - یک مدل کوچک (دانشجو) برای تقلید از یک مدل بزرگتر یا مجموعه ای از مدل ها (معلم) آموزش می بیند. حتی اگر دانش آموز اغلب با یک معلم از پیش آموزش دیده آموزش می بیند، ممکن است هر دو نیز همزمان آموزش ببینند. یکی از نمونه‌های شبکه مقطری (distilled network) که در تولید استفاده می‌شود DistilBERT است که اندازه مدل BERT را تا 40 درصد کاهش می‌دهد در حالی که 97 درصد از قابلیت‌های درک زبان خود را حفظ می‌کند و 60 درصد سریع‌تر است.تکنیک‌های دیگر عبارتند از هرس (پیدا کردن پارامترهایی که کمترین فایده را برای پیش‌بینی‌ها دارند و آنها را روی 0 قرار می‌دهیم) و فاکتورسازی با رتبه پایین (تعویض فیلترهای پیچشی بیش از حد پارامتریک با بلوک‌های فشرده برای کاهش تعداد پارامترها و افزایش سرعت). برای تجزیه و تحلیل دقیق به بررسی فشرده سازی و شتاب مدل برای شبکه های عصبی عمیق (چنگ و همکاران 2017) مراجعه کنید.تعداد مقالات تحقیقاتی در مورد فشرده سازی مدل در حال افزایش است. تاسیسات خارج از قفسه در حال گسترش هستند. Awesome Open Source فهرستی از 121 مدل برتر پروژه متن باز فشرده سازی دارد.3. سخت افزار را سریعتر بسازیداین یکی دیگر از حوزه های تحقیقاتی است که در حال رونق است. شرکت‌های بزرگ و استارت‌آپ‌ها به طور یکسان در حال رقابت برای توسعه سخت‌افزاری هستند که به مدل‌های ML بزرگ اجازه می‌دهد استنباط، حتی آموزش را سریع‌تر هم در فضای ابری و به‌ویژه در دستگاه‌ها انجام دهند. IDC پیش‌بینی می‌کند که تا سال 2020، ترکیب دستگاه‌های لبه و تلفن همراه که استنتاج انجام می‌دهند، در مجموع به 3.7 میلیارد واحد خواهد رسید و 116 میلیون واحد دیگر نیز آموزش را انجام می‌دهند.خط لوله بلادرنگفرض کنید یک برنامه اشتراک گذاری سواری دارید و می خواهید تراکنش های تقلبی را شناسایی کنید. پرداخت با استفاده از کارت های اعتباری سرقت شده وقتی صاحب اعتبار واقعی پرداخت‌های غیرمجاز را کشف می‌کند، با بانک خود اختلاف پیدا می‌کند و شما باید هزینه‌ها را بازپرداخت کنید. برای به حداکثر رساندن سود، کلاهبرداران ممکن است چندین سواری را پشت سر هم یا از چندین حساب فراخوانی کنند. در سال 2019، تاجران تخمین می زنند که تراکنش های تقلبی به طور متوسط ​​27 درصد از فروش آنلاین سالانه آنها را تشکیل می دهد. هرچه شناسایی کارت اعتباری دزدیده شده بیشتر طول بکشد، پول بیشتری از دست خواهید داد.برای تشخیص تقلبی بودن یک تراکنش، بررسی آن تراکنش به تنهایی کافی نیست. شما باید حداقل به تاریخچه اخیر کاربر درگیر در آن تراکنش، سفرها و فعالیت‌های اخیر درون برنامه‌ای، تراکنش‌های اخیر کارت اعتباری و سایر تراکنش‌هایی که در همان زمان اتفاق می‌افتند، نگاهی بیندازید.برای دسترسی سریع به این نوع اطلاعات، می‌خواهید تا حد امکان آن‌ها را در حافظه نگه دارید. هر بار که رویدادی که برای شما مهم است رخ می‌دهد - کاربر مکانی را انتخاب می‌کند، سفری را رزرو می‌کند، با راننده تماس می‌گیرد، سفر را لغو می‌کند، کارت اعتباری اضافه می‌کند، کارت اعتباری را حذف می‌کند و غیره - اطلاعات مربوط به آن رویداد به حافظه شما می‌رود. ذخیره سازی. تا زمانی که مفید هستند (معمولاً به ترتیب روز) در آنجا می ماند و سپس یا به ذخیره سازی دائمی می رود (مثلاً S3) یا دور انداخته می شود. رایج ترین ابزار برای این کار آپاچی کافکا با جایگزین هایی مانند Amazon Kinesis است. کافکا یک ذخیره‌سازی جریان است: داده‌ها را همانطور که جریان می‌یابد ذخیره می‌کند.داده‌های جریانی با داده‌های ثابت متفاوت است - داده‌هایی که قبلاً در جایی به طور کامل وجود دارند، مانند فایل‌های CSV. هنگام خواندن از فایل‌های CSV، می‌دانید که کار چه زمانی تمام شده است. جریان داده هرگز تمام نمی شود.هنگامی که راهی برای مدیریت داده های جریان یافتید، می خواهید ویژگی هایی را برای ورودی مدل های ML خود استخراج کنید. علاوه بر ویژگی‌های داده‌های جریانی، ممکن است به ویژگی‌هایی از داده‌های استاتیک نیز نیاز داشته باشید (این حساب چه زمانی ایجاد شده است، رتبه‌بندی کاربر چیست و غیره). شما به ابزاری نیاز دارید که به شما امکان می دهد داده های جریانی و همچنین داده های استاتیک را پردازش کرده و آنها را از منابع داده های مختلف به یکدیگر بپیوندید.پردازش جریانی در مقابل پردازش دسته ایمردم معمولاً از "پردازش دسته ای" برای اشاره به پردازش داده های ایستا استفاده می کنند زیرا می توانید آنها را به صورت دسته ای پردازش کنید. این با «پردازش جریانی» که هر رویداد را هنگام ورود پردازش می‌کند، مخالف است. پردازش دسته ای کارآمد است - می توانید از ابزارهایی مانند MapReduce برای پردازش مقادیر زیادی داده استفاده کنید. پردازش جریانی سریع است زیرا می‌توانید هر قطعه داده را به محض رسیدن پردازش کنید. رابرت متزگر، یکی از اعضای PMC در Apache Flink، مخالفت کرد که پردازش جریان می‌تواند به اندازه پردازش دسته‌ای کارآمد باشد، زیرا دسته‌ای یک مورد خاص از جریان است.پردازش داده‌های جریانی دشوارتر است زیرا حجم داده‌ها نامحدود است و داده‌ها با نرخ‌ها و سرعت‌های متغیر وارد می‌شوند. وادار کردن یک پردازنده جریانی برای پردازش دسته ای آسان تر از انجام پردازشگر دسته ای است.آپاچی کافکا مقداری ظرفیت برای پردازش جریانی دارد و برخی از شرکت ها از این ظرفیت در بالای ذخیره سازی جریان کافکا خود استفاده می کنند، اما پردازش جریان کافکا در توانایی خود برای مقابله با منابع داده های مختلف محدود است. تلاش هایی برای گسترش SQL، زبان پرس و جوی محبوبی که برای جداول داده های ایستا در نظر گرفته شده است، برای مدیریت جریان های داده انجام شده است [1، 2]. با این حال، محبوب ترین ابزار برای پردازش جریان، Apache Flink با پشتیبانی بومی برای پردازش دسته ای است.در روزهای اولیه تولید یادگیری ماشینی، بسیاری از شرکت‌ها سیستم‌های ML خود را بر روی خط لوله داده MapReduce/Spark/Hadoop موجود ساختند. وقتی این شرکت‌ها می‌خواهند استنتاج بلادرنگ انجام دهند، باید خط لوله جداگانه‌ای برای جریان داده ایجاد کنند.داشتن دو خط لوله مختلف برای پردازش داده‌های شما یکی از دلایل رایج ایجاد اشکال در تولید ML است، به عنوان مثال. تغییرات در یک خط لوله به درستی در خط لوله دیگر تکرار نمی شود و منجر به استخراج دو مجموعه از ویژگی های مختلف توسط دو خط لوله می شود. این امر به ویژه در صورتی رایج است که دو خط لوله توسط دو تیم مختلف نگهداری شوند، به عنوان مثال. تیم توسعه خط لوله دسته ای را برای آموزش حفظ می کند در حالی که تیم استقرار خط لوله جریان را برای استنباط حفظ می کند. شرکت هایی از جمله Uber و Weibo تعمیرات اساسی زیرساخت ها را انجام داده اند تا خطوط لوله پردازش دسته ای و جریانی خود را با Flink یکسان کنند.رویداد محور در مقابل درخواست محوردنیای نرم افزار در دهه گذشته به سمت میکروسرویس ها رفته است. ایده این است که منطق کسب و کار خود را به اجزای کوچک تقسیم کنید - هر جزء یک سرویس مستقل است - که می تواند به طور مستقل نگهداری شود. صاحب هر مؤلفه می تواند بدون نیاز به مشورت با بقیه سیستم، آن مؤلفه را به سرعت به روز کرده و آزمایش کند.میکروسرویس‌ها اغلب با REST، مجموعه‌ای از روش‌ها که به این میکروسرویس‌ها امکان برقراری ارتباط را می‌دهد، دست به دست می‌شوند. REST APIهای درخواست محور هستند. یک سرویس گیرنده (سرویس) درخواست هایی را ارسال می کند تا به سرور خود از طریق روش هایی مانند POST و GET دقیقاً بگوید چه کاری انجام دهد و سرور آن با نتایج پاسخ می دهد. یک سرور باید به درخواست برای ثبت نام گوش دهد.از آنجایی که در دنیای درخواست محور، داده ها از طریق درخواست ها به سرویس های مختلف مدیریت می شوند، هیچ کس دید کلی از نحوه جریان داده ها در کل سیستم ندارد. یک سیستم ساده با 3 سرویس را در نظر بگیرید:A در دسترس بودن درایورها را مدیریت می کندB تقاضای سواری را مدیریت می کندC بهترین قیمت ممکن را پیش بینی می کند تا هر بار که مشتریان درخواست سواری می کنند نشان دهداز آنجایی که قیمت ها به در دسترس بودن و تقاضا بستگی دارد، خروجی سرویس C به خروجی های سرویس A و B بستگی دارد. اول، این سیستم به ارتباطات بین سرویسی نیاز دارد: C برای پیش بینی ها باید پینگ A و B را انجام دهد، A باید پینگ B را انجام دهد تا بداند آیا رانندگان بیشتری را بسیج کنید و پینگ C کنید تا بدانید چه انگیزه ای به آنها بدهید. دوم، هیچ راه آسانی برای نظارت بر اینکه چگونه تغییرات در منطق A یا B بر عملکرد سرویس C تأثیر می‌گذارد، یا ترسیم جریان داده برای اشکال‌زدایی در صورت کاهش ناگهانی عملکرد سرویس C وجود ندارد.با تنها 3 سرویس، همه چیز در حال پیچیده شدن است. تصور کنید که صدها، اگر نه هزاران سرویس مانند آنچه شرکت های بزرگ اینترنتی دارند، داشته باشید. ارتباطات بین سرویسی منفجر می شود. ارسال داده‌ها به‌صورت حباب‌های JSON از طریق HTTP - روشی که معمولاً درخواست‌های REST انجام می‌شود - نیز کند است. انتقال داده بین سرویس می تواند به یک گلوگاه تبدیل شود و کل سیستم را کند کند.به جای داشتن 20 سرویس پینگ سرویس A برای داده، چه می شود اگر هر زمان که رویدادی در سرویس A رخ می دهد، این رویداد به یک جریان پخش می شود، و هر سرویسی که از A داده می خواهد می تواند در آن جریان مشترک شود و آنچه را که نیاز دارد انتخاب کند؟ اگر جریانی وجود داشته باشد، همه سرویس‌ها بتوانند رویدادهای خود را پخش کنند و مشترک شوند؟ این مدل pub/sub: public & subscribe نام دارد. این همان چیزی است که راه حل هایی مانند کافکا به شما اجازه می دهد. از آنجایی که تمام داده ها از طریق یک جریان جریان می یابد، می توانید یک داشبورد برای نظارت بر داده های خود و تغییر آن در سراسر سیستم خود راه اندازی کنید. از آنجایی که بر اساس رویدادهایی است که توسط سرویس‌ها پخش می‌شوند، این معماری رویداد محور است.معماری مبتنی بر درخواست برای سیستم‌هایی که بیشتر به منطق متکی هستند تا داده به خوبی کار می‌کند. معماری رویداد محور برای سیستم هایی که داده های سنگینی دارند بهتر عمل می کند.چالش هابسیاری از شرکت‌ها از پردازش دسته‌ای به پردازش جریانی، از معماری درخواست محور به معماری رویداد محور تغییر می‌کنند. برداشت من از صحبت با شرکت های بزرگ اینترنتی در ایالات متحده و چین این است که این تغییر در ایالات متحده هنوز کند است، اما در چین بسیار سریعتر است. پذیرش معماری استریم با محبوبیت کافکا و فلینک گره خورده است. رابرت متزگر به من گفت که بارهای کار یادگیری ماشینی بیشتری را با Flink در آسیا نسبت به ایالات متحده مشاهده کرده است. Google Trends برای "Apache Flink" با این مشاهدات سازگار است.دلایل زیادی وجود دارد که چرا پخش جریانی محبوب‌تر نیست.شرکت ها مزایای پخش جریانی را نمی بینندسیستم آنها در مقیاسی نیست که ارتباطات بین خدماتی یک گلوگاه باشد.آنها برنامه هایی ندارند که از پیش بینی های آنلاین بهره مند شوند.آنها برنامه هایی دارند که ممکن است از پیش بینی های آنلاین سود ببرند، اما هنوز این را نمی دانند زیرا قبلاً هرگز پیش بینی آنلاین انجام نداده اند.سرمایه گذاری اولیه بالا در زیرساختبه روز رسانی زیرساخت گران است و می تواند برنامه های موجود را به خطر بیندازد. مدیران ممکن است تمایلی به سرمایه گذاری برای ارتقای زیرساخت های خود نداشته باشند تا امکان پیش بینی آنلاین فراهم شود.تغییر ذهنیتغییر از پردازش دسته ای به پردازش جریانی نیاز به یک تغییر ذهنی دارد. با پردازش دسته ای، می دانید که چه زمانی یک کار انجام می شود. با پردازش جریانی، هرگز انجام نمی شود. شما می توانید قوانینی مانند دریافت میانگین تمام نقاط داده در 2 دقیقه گذشته ایجاد کنید، اما اگر رویدادی که 2 دقیقه پیش رخ داده است با تأخیر مواجه شود و هنوز وارد جریان نشده باشد، چه؟ با پردازش دسته ای می توانید جداول کاملاً مشخصی داشته باشید و به آنها بپیوندید، اما در استریم جدولی برای پیوستن وجود ندارد، پس انجام عملیات اتصال روی دو جریان به چه معناست؟ناسازگاری پایتونپایتون زبان یادگیری ماشینی است در حالی که کافکا و فلینک روی جاوا و اسکالا اجرا می شوند. معرفی استریم ممکن است ناسازگاری زبان را در جریان کار ایجاد کند. Apache Beam یک رابط پایتون در بالای Flink برای برقراری ارتباط با جریان‌ها ارائه می‌کند، اما همچنان به افرادی نیاز دارید که بتوانند با جاوا/اسکالا کار کنند.هزینه پردازش بالاترپردازش دسته ای به این معنی است که می توانید از منابع محاسباتی خود به نحو احسن استفاده کنید. اگر سخت افزار شما قادر به پردازش 1000 نقطه داده در یک زمان است، استفاده از آن برای پردازش تنها 1 نقطه داده در یک زمان بیهوده است.سطح 2: یادگیری مستمر - سیستم شما می تواند داده های جدید را ترکیب کرده و در زمان واقعی به روز رسانی کندزمان واقعی در اینجا به ترتیب دقیقه تعریف شده استتعریف "یادگیری مستمر"من از «یادگیری مستمر» به جای «آموزش آنلاین» یا «یادگیری آنلاین» استفاده کردم، زیرا دو عبارت اخیر باعث می‌شود مردم به یادگیری از هر نقطه داده‌ای ورودی فکر کنند. شرکت های بسیار بسیار کمی واقعاً این کار را انجام می دهند زیرا:این روش از فراموشی فاجعه‌بار رنج می‌برد - شبکه‌های عصبی با یادگیری اطلاعات جدید، ناگهان اطلاعات آموخته‌شده قبلی را فراموش می‌کنند.اجرای یک مرحله یادگیری تنها در یک نقطه داده می‌تواند گران‌تر از یک دسته داده باشد (این را می‌توان با داشتن سخت‌افزار به اندازه کافی قدرتمند برای پردازش دقیقاً یک نقطه داده کاهش داد).حتی اگر یک مدل با هر نقطه داده ورودی در حال یادگیری باشد، به این معنی نیست که وزن‌های جدید بعد از هر نقطه داده مستقر می‌شوند. با درک محدود فعلی ما از نحوه یادگیری الگوریتم های ML، مدل به روز شده باید ابتدا ارزیابی شود تا ببینیم چقدر خوب عمل می کند.برای اکثر شرکت‌هایی که به اصطلاح آموزش آنلاین یا یادگیری آنلاین انجام می‌دهند، مدل‌های آن‌ها به صورت میکرو دسته‌ای یاد می‌گیرند و پس از مدت زمان مشخصی ارزیابی می‌شوند. تنها پس از ارزیابی عملکرد آن به عنوان رضایت بخش، مدل به طور گسترده تر گسترش می یابد. برای Weibo، چرخه تکرار آنها از یادگیری تا استقرار به روز رسانی مدل 10 دقیقه است.یادگیری ماشین با Flink در Weibo (Qian Yu، Flink Forward 2020)با این حال، یادگیری مستمر در مورد فرکانس بازآموزی نیست، بلکه نحوه آموزش مجدد مدل است.اکثر شرکت‌ها آموزش مجدد بدون تابعیت انجام می‌دهند – این مدل هر بار از ابتدا آموزش داده می‌شود. یادگیری مستمر به معنای اجازه دادن به آموزش حالتی است - مدل به آموزش بر روی داده های جدید (تنظیم دقیق) ادامه می دهد.هنگامی که زیرساخت شما برای انجام تمرینات حالت دار تنظیم شد، فرکانس تمرین فقط یک دکمه برای چرخاندن است. می‌توانید مدل‌های خود را هر ساعت یک‌بار، روزی یک‌بار به‌روزرسانی کنید، یا هر زمان که سیستم شما تغییر توزیع را تشخیص داد، می‌توانید مدل‌های خود را به‌روزرسانی کنید.از Use casesاستفاده کنیدTikTok فوق العاده اعتیاد آور است. راز آن در سیستم‌های توصیه آن نهفته است که می‌توانند تنظیمات برگزیده شما را به سرعت یاد بگیرند و ویدیوهایی را که احتمالاً در آینده تماشا خواهید کرد، پیشنهاد می‌کنند، و به کاربرانش تجربه اسکرول باورنکردنی می‌دهند. این امکان وجود دارد زیرا ByteDance، شرکت پشتیبان TikTok، زیرساخت کاملی را راه‌اندازی کرده است که به سیستم‌های توصیه‌کننده آنها اجازه می‌دهد تنظیمات برگزیده کاربر («نمایه‌های کاربر» در زبان خود) را در زمان واقعی بیاموزند.سیستم های توصیه کاندیدای عالی برای یادگیری مداوم هستند. آنها برچسب های طبیعی دارند - اگر کاربر روی توصیه ای کلیک کند، پیش بینی درستی است. همه سیستم های توصیه به یادگیری مستمر نیاز ندارند. ترجیحات کاربر برای مواردی مانند خانه‌ها، اتومبیل‌ها، پروازها، هتل‌ها بعید است از دقیقه‌ای به دقیقه دیگر تغییر کند، بنابراین یادگیری مداوم سیستم‌ها منطقی نیست. با این حال، ترجیحات کاربر برای محتوای آنلاین - ویدئوها، مقالات، اخبار، توییت‌ها، پست‌ها، میم‌ها - می‌تواند خیلی سریع تغییر کند ("من فقط خواندم که اختاپی گاهی اوقات بدون دلیل ماهی را مشت می‌کند و اکنون می‌خواهم ویدیویی از آن ببینم"). از آنجایی که اولویت‌ها برای محتوای آنلاین در زمان واقعی تغییر می‌کنند، سیستم‌های تبلیغاتی نیز برای نمایش تبلیغات مرتبط باید در زمان واقعی به‌روزرسانی شوند.یادگیری مداوم برای سازگاری سیستم ها با رویدادهای نادر بسیار مهم است. خرید آنلاین در جمعه سیاه را در نظر بگیرید. از آنجایی که جمعه سیاه تنها یک بار در سال اتفاق می‌افتد، به هیچ وجه آمازون یا سایر سایت‌های تجارت الکترونیک نمی‌توانند داده‌های تاریخی کافی برای یادگیری نحوه رفتار کاربران در آن روز به دست آورند، بنابراین سیستم‌های آن‌ها باید به طور مداوم در آن روز بیاموزند تا سازگار شوند.یا زمانی که شخصی معروف چیزی احمقانه را توییت می کند، جستجوی توییتر را در نظر بگیرید. به عنوان مثال، به محض انتشار خبر "محوطه سازی کل چهار فصل"، بسیاری از مردم به جستجوی "محوطه سازی کل" می پردازند. اگر سیستم شما بلافاصله یاد نگیرد که "محوطه سازی کلی" در اینجا به کنفرانس مطبوعاتی اشاره دارد، کاربران شما توصیه های باغبانی زیادی دریافت خواهند کرد.یادگیری مداوم همچنین می تواند به مشکل شروع سرد کمک کند. کاربری به تازگی به برنامه شما ملحق شده است و شما هنوز هیچ اطلاعاتی در مورد او ندارید. اگر ظرفیت هر شکلی از یادگیری مداوم را ندارید، باید تا دفعه بعدی که مدل شما به صورت آفلاین آموزش داده شود، توصیه های عمومی را به کاربران ارائه دهید.راه حل هااز آنجایی که یادگیری مستمر هنوز نسبتاً جدید است و اکثر شرکت هایی که این کار را انجام می دهند هنوز به طور عمومی در مورد آن با جزئیات صحبت نمی کنند، هیچ راه حل استانداردی وجود ندارد.یادگیری مستمر به معنای "بدون آموزش دسته ای" نیست. شرکت هایی که با موفقیت از یادگیری مستمر استفاده کرده اند نیز مدل های خود را به صورت آفلاین به صورت موازی آموزش می دهند و سپس نسخه آنلاین را با نسخه آفلاین ترکیب می کنند.چالش هایادگیری مستمر با چالش های زیادی مواجه است، هم از نظر نظری و هم عملی.نظرییادگیری مستمر بسیاری از چیزهایی را که در مورد یادگیری ماشینی یاد گرفته‌ایم در ذهن خود تغییر می‌دهد. در کلاس‌های یادگیری ماشین مقدماتی، احتمالاً به دانش‌آموزان نسخه‌های مختلفی از «مدل خود را با تعداد کافی دوره تا زمان همگرایی آموزش دهید» آموزش داده می‌شود. در یادگیری مستمر، هیچ دوره ای وجود ندارد - مدل شما هر نقطه داده را فقط یک بار می بیند. چیزی به نام همگرایی هم وجود ندارد. توزیع داده های اساسی شما همچنان در حال تغییر است. هیچ چیز ثابتی برای همگرایی وجود ندارد.چالش نظری دیگر برای یادگیری مستمر، ارزیابی مدل است. در آموزش دسته‌ای سنتی، مدل‌های خود را بر روی مجموعه‌های تست ثابت ارزیابی می‌کنید. اگر یک مدل جدید در همان مجموعه آزمایشی بهتر از مدل موجود عمل کند، می گوییم مدل جدید بهتر است. با این حال، هدف از یادگیری مستمر این است که مدل خود را با داده های دائما در حال تغییر تطبیق دهید. اگر مدل به‌روزرسانی‌شده شما اکنون برای سازگاری با داده‌ها آموزش دیده است، و می‌دانیم که داده‌های اکنون با داده‌های گذشته متفاوت است، استفاده از داده‌های قدیمی برای آزمایش مدل به‌روزرسانی‌شده‌تان منطقی نیست.سپس چگونه بفهمیم که مدل آموزش داده شده بر روی داده های 10 دقیقه گذشته بهتر از مدل آموزش داده شده بر روی داده های 20 دقیقه قبل است؟ ما باید این دو مدل را بر اساس داده های فعلی مقایسه کنیم. آموزش آنلاین نیاز به ارزیابی آنلاین دارد، اما ارائه مدلی که برای کاربران آزمایش نشده است مانند دستور العملی برای فاجعه به نظر می رسد.به هر حال بسیاری از شرکت ها این کار را انجام می دهند. مدل‌های جدید ابتدا تحت آزمایش‌های آفلاین قرار می‌گیرند تا مطمئن شوند که فاجعه‌بار نیستند، سپس به‌صورت آنلاین به موازات مدل‌های موجود از طریق یک سیستم آزمایش پیچیده A/B ارزیابی می‌شوند. تنها زمانی که یک مدل در برخی معیارها بهتر از یک مدل موجود نشان داده شود، شرکت به آن اهمیت می دهد که می تواند گسترده تر استقرار یابد. (من را در انتخاب یک معیار برای ارزیابی آنلاین شروع نکنید).کاربردیهنوز زیرساخت های استانداردی برای آموزش آنلاین وجود ندارد. برخی از شرکت‌ها به معماری استریم با سرورهای پارامتری همگرا شده‌اند، اما به غیر از آن، شرکت‌هایی که آموزش آنلاین انجام می‌دهند که من با آنها صحبت کرده‌ام، مجبورند بسیاری از زیرساخت‌های خود را در خانه بسازند. من تمایلی به بحث آنلاین درباره این موضوع ندارم زیرا برخی از شرکت‌ها از من خواستند که این اطلاعات را محرمانه نگه دارم زیرا آنها در حال ساخت راه‌حل‌هایی برای آنها هستند - این مزیت رقابتی آنهاست.مسابقه MLOps بین ایالات متحده و چینمن در مورد مسابقه هوش مصنوعی بین ایالات متحده و چین مطالب زیادی خوانده ام، اما به نظر می رسد بیشتر مقایسه ها بر روی تعداد مقالات تحقیقاتی، پتنت ها، استنادات و بودجه متمرکز است. تنها پس از اینکه شروع به صحبت با شرکت های آمریکایی و چینی در مورد یادگیری ماشینی بلادرنگ کردم، متوجه تفاوت خیره کننده ای در زیرساخت های MLOps آنها شدم.تعداد کمی از شرکت های اینترنتی آمریکایی اقدام به یادگیری مستمر کرده اند و حتی در بین این شرکت ها، یادگیری مستمر برای مدل های ساده ای مانند رگرسیون لجستیک استفاده می شود. برداشت من از صحبت مستقیم با شرکت‌های چینی و صحبت با افرادی که با شرکت‌های هر دو کشور کار کرده‌اند این است که یادگیری مداوم در چین رایج‌تر است و مهندسان چینی مشتاق‌تر برای انجام این پرش هستند. می توانید برخی از گفتگوها را اینجا و اینجا ببینیدنتیجهیادگیری ماشینی در زمان واقعی انجام می شود، چه آماده باشید چه نباشید. در حالی که اکثر شرکت‌ها هنوز در حال بحث هستند که آیا استنتاج آنلاین و یادگیری مستمر ارزش دارد، برخی از کسانی که این کار را به درستی انجام می‌دهند قبلاً بازده سرمایه‌گذاری را مشاهده کرده‌اند و الگوریتم‌های بلادرنگ آنها ممکن است عامل اصلی کمک‌کننده باشد که به آن‌ها کمک می‌کند جلوتر باشند. رقبای آنهامن افکار بسیار بیشتری در مورد یادگیری ماشین بلادرنگ دارم، اما این پست در حال حاضر طولانی است. اگر علاقه مند به گپ زدن در این مورد هستید، تماس بگیرید!قدردانیاین پست ترکیبی از گفتگوهای بسیاری با مهندسان و دانشگاهیان فوق العاده زیر است. مایلم از رابرت متزگر، نیل لارنس، ساوین گویال، ژنژونگ ژو، ویل تولوس، دات تران، هان شیائو، هین لو، لدیو آگو، پیتر اسکوموروچ، پیرو مولینو، دانیل یائو، جیسون اسلایت، بکت کین، تین لی تشکر کنم. ، آبراهام استاروستا، ویل دیدریک، کالب کایزر، میگل راموس.چندین نفر دیگر هم هستند که انتخاب کرده اند ناشناس بمانند. بدون آنها، این پست ناقص خواهد بود.با تشکر از لوک متز برای اولین خواننده شگفت انگیز!من می خواهم زمان زیادی را به یادگیری اختصاص دهم. من امیدوارم که گروهی از افراد با علایق مشابه را پیدا کنم و با هم یاد بگیریم. در اینجا برخی از موضوعاتی است که می خواهم یاد بگیرم:ML در لبه (تلفن، تبلت، مرورگر)پیش بینی های آنلاین و یادگیری مستمر برای یادگیری ماشینMLO ها به طور کلی Pandora's box Pandora's box Mon, 14 Feb 2022 18:12:57 +0330 https://virgool.io/@Pandorasbox/%D9%85%D9%82%D8%AF%D9%85%D9%87-%D8%A7%DB%8C-%D8%A7%D8%B2-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-zndttvl20k7k آنالاتیکس (Analytics )مجموعه ای از تکنیک ها و ابزارهایی است که برای ایجاد مقدار یا Value ای از داده ها استفاده می شود. تکنیک ها عبارتند از:مفاهیمی همچون هوش مصنوعی ( Artificial Intelligence)(AI) ، یادگیری ماشین Machine learning یا (ML) و الگوریتم های دیپ لرنینگ (DL) یا Deep learning .تعاریفی از یادگیری ماشین ، دیپ لرنینگ، هوش مصنوعی به شرح زیر است .1. هوش مصنوعی: الگوریتم ها و سیستم هایی که دارای هوش -شبیه -انسان هستند.2. یادگیری ماشین: زیر مجموعه از هوش مصنوعی است که می تواند یک کار یا Task ی را با داده های استخراج شده و یا از طریق مدل ها یاد بگیرد . 3. دیپ لرنینگ : زیر مجموعه ای از یادگیری ماشین است که از عملکرد مغز انسان برای حل مسائل تقلید می کند.رابطه AI ، ML و DL را می توان همانطور که در شکل زیر نشان داده شده تجسم کنیم .شکل تفاوت هوش مصنوعی یادگیری ماشین رابطه AI ، ML و DL که در شکل بالا نشان داده شده است توسط همه پذیرفته نیست. افراد دیگه ای تفکر دیگری دارند و معتقد هستند AI و ML با یکدیگر متفاوت هستند (ML زیر مجموعه ای از AI نیست) هر چند که همپوشانی داشته باشند .نکته مهم این است که همه آنها الگوریتم هایی هستند که چیزی جز مجموعه دستورالعمل های مورد استفاده برای حل مسائل تجاری و اجتماعی نیستند.یادگیری ماشینی مجموعه ای از الگوریتم ها است که توانایی یادگیری برای انجام وظایفی از قبیل پیش بینی و طبقه بندی یا کلاسیفکیشن موثر با استفاده از داده ها را دارد. یادگیری با استفاده از داده های اضافی و یا مدل های اضافی حاصل می شود. یک الگوریتم را می توان الگوریتم یادگیری یا learning نامید وقتی که هنگام انجام یک کار بر روی یک متریک عملکردش بهبود یابد، به عنوان مثال ، دقت طبقه بندی مانند کلاهبرداری ، افزایش یا کاهش مشتری و غیره.الگوریتم های یادگیری ماشین طبق تعریف به چهار دسته تقسیم می شوند:1. الگوریتم های یادگیری نظارت شده یا Supervised Learning Algorithms : این الگوریتم ها به دانش متغیر نتیجه (متغیر وابسته) و ویژگی ها (متغیر مستقل یا متغیرهای ورودی) نیاز دارند. الگوریتم یاد می گیرد (یعنی مقادیر پارامترهای مدل یا وزن ویژگی را تخمین می زند) با تعریف یک تابع هزینه یا loss function که معمولاً تابعی از تفاوت بین مقدار پیش بینی شده و مقدار واقعی متغیر نتیجه است. الگوریتم هایی مانند رگرسیون خطی ، رگرسیون لجستیک ، تجزیه و تحلیل مولفه ها یا discriminant analysis نمونه هایی از الگوریتم های یادگیری نظارت شده هستند.در مورد رگرسیون خطی چندگانه ، پارامترهای رگرسیون با به حداقل رساندن مجموع خطاهای مربع ، که توسط فرمول زیر محاسبه می شود در فرمول بالا n تعداد کل نمونه یا داده و متغییر Yi مقدار واقعی از متغییر نتیجه است و Y^i مقدار پیش بینی شده متعییر نتیجه است .در اینجا مقدار پیش بینی شده یک تابع خطی یا غیرخطی از ویژگی ها (یا متغیرهای مستقل) در داده ها است.پیش بینی با آگاهی از مقادیر واقعی متغیرهای نتیجه (با تخمین وزن ویژگی) الگوریتم های یادگیری نظارت شده نامیده میشود حاصل میشود . یعنی نظارت با استفاده از دانش مقادیر متغیر نتیجه حاصل می شود.2. الگوریتم های یادگیری بدون نظارت یا Unsupervised Learning Algorithms: این الگوریتم ها مجموعه ای از الگوریتم ها هستند که دانش مربوط به متغیر نتیجه در مجموعه داده ندارند. الگوریتم هایی مانند خوشه بندی ، تجزیه و تحلیل مؤلفه های اصلی نمونه هایی از الگوریتم های یادگیری بدون نظارت هستند. از آنجا که مقادیر متغیر نتیجه در داده های آموزش ناشناخته است ، نظارت بر استفاده از آن دانش امکان پذیر نیست.3. الگوریتم های یادگیری تقویتی یا Reinforcement Learning Algorithms: در بسیاری از مجموعه داده ها ، ممکن است عدم اطمینان در مورد متغیرهای ورودی و متغیرهای خروجی وجود داشته باشد. به عنوان مثال ، نگارش املایی در ویرایشگرهای متن مختلف در نظر بگیرید. اگر شخصی در نرم افزار مایکروسافت ورد کلمه buutiful تایپ کند ، در Microsoft Word بلافاصله این را به عنوان یک اشتباه املایی تشخیص داده و گزینه هایی مانند "beautiful" ، "bountiful" و "dutiful" را ارائه می دهد.در اینجا پیش بینی یک مقدار واحد نیست بلکه مجموعه ای از مقادیر است. تعریف دیگر این است: الگوریتم های یادگیری تقویتی الگوریتم هایی هستند که برای به حداکثر رساندن پاداش تجمعی باید اقدامات پی در پی (تصمیم گیری) انجام دهند. تکنیک هایی مانند زنجیره مارکوف و روند تصمیم گیری مارکوف یا Markov decision process نمونه هایی از الگوریتم های یادگیری تقویتی هستند.4. الگوریتم های یادگیری تکاملی یا Evolutionary Learning Algorithms: الگوریتم های تکاملی الگوریتم هایی هستند که از تکامل طبیعی برای حل یک مسئله تقلید میکند . تکنیک هایی مانند الگوریتم ژنتیک و بهینه سازی کلونی مورچه ها در زیر مجموعه الگوریتم های یادگیری تکاملی قرار می گیرند در بخش های بعدی در مورد الگوریتم های مختلف یادگیری ماشین و چگونگی حل یک مسئله با استفاده از الگوریتم های ML توضیح خواهم داد.#یادگیری_ماشین #هوش_مصنوعی Pandora's box Pandora's box Sat, 27 Jun 2020 20:44:24 +0430 https://virgool.io/@Pandorasbox/%DA%86%DA%AF%D9%88%D9%86%D9%87-%D8%AF%D8%B1-6-%D9%85%D8%A7%D9%87-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%B9%D9%85%DB%8C%D9%82-%DB%8C%D8%A7-deep-learning-%DB%8C%D8%A7%D8%AF-%D8%A8%DA%AF%DB%8C%D8%B1%DB%8C%D9%85-omtdfjppyydb نقشه راه : #مسیر_مطالعاتی و #منابع برای شروع یادگیری عمیق یا deep learning در شش ماه خیلی از دوستان سوال می پرسندکه برای شروع یادگیری عمیق یا deep learning از کجا شروع کنیم در مطلب زیر میتونید مسیر یادگیری و منابعی که لازم هستش طی کنید را ببینید .شما می توانید در عرض شش ماه مدرن ترین کارها در زمینه یادگیری عمیق را فرا بگیرید. این مقاله جزئیات مراحل رسیدن به آن را مشخص می کند.پیش نیازها-آیا شما مایل هستید که برای 6 ماه آینده 10-20 ساعت در هفته وقت صرف کنید.- شما بعضی مهارت های پایه برنامه نویسی را دارید. شما باید مهارت های پایتون و مهارت های ابری را راحت تر برداشته و بگذرانید. (فرض شده شما هیچگونه مهارتی در زمینه پایتون و فضای ابری ندارید )- برخی از آموزش های ریاضی در گذشته (جبر، هندسه و غیره).- دسترسی به اینترنت و کامپیوترگام اول ما رانندگی ماشین را با رانندگی کردن یاد می‌گیریم؛ نه با یادگیری نحوه‌ی عملکرد کلاچ و موتور (حداقل نه در ابتدای کار). در یادگیری عمیق، همین رویکرد بالا به پایین را سر مشق قرار می‌دهیم.قسمت اول دوره fast.ai - آموزش کاربردی یادگیری عمیق برای Coders ها یا (Practical Deep Learning for Coders ) را ببینید این دوره حدود 4 تا 6 هفته طول می کشد. یک جلسه از این کورس‌ به اجرای کد درفضای ابر میپردازد. سیستم گوگل کلوب ( Google Colaboratory )دارای دسترسی رایگان به GPU است .با این دوره شروع کنید، گزینه های دیگر شامل Paperspace, AWS, GCP, Crestle and Floydhub هم هستند. همگی اینهایی که نامبرده شده عالی هستند . اما دست کم الان تلاش نکنید که ماشین خودتون (منظور از ماشین همون سیستم کامپیوتری هست که در عرف رایانه ماشین هم خطاب میشه) را بسازید.گام دوماکنون زمانی برای دانستن برخی از اصول پایه است در این دوره درمورد ریاضی و جبرخطی یاد میگیرید .برای ریاضایت میتونید به big picture of calculus رجوع کنید و برای درس جبر خطی هم در سایت opencourseWare برید و دوره هایی راکه Gilbert Strang گذاشته است را ببینیدوقتی شما این دوتای بالا رو تمام کردید, Matrix Calculus for Deep Learning را بخوانید گام سوماکنون زمان فهمیدن "رویکرد پایین به بالا" یادگیری عمیق است. همه 5 دوره تخصصی یادگیری عمیق( deep learning specialisation ) در کورسرا را بگذرانید. برای دریافت تکالیف باید هزینه دوره را پرداخت کنید. اما تلاش واقعا ارزشمند است. در حالت ایده آل، با توجه به پس زمینه ای که تا به حال به دست آورده اید، باید هر هفته یک کورس را کامل کنید.گام چهارمدر زندگی(کار) تفریح هم لازمهیک پروژه تحقیقاتی انجام بدید. الان زمانیِ که در عمق یک کتابخونه دیپ لرنینگ(یادگیری عمیق) (مثلا Tensorflow, PyTorch, MXNet : )وارد میشوید و یک معماری از پایه برای یک مسئله که به آن علاقه مندید را توسعه ( انجام) میدهید.سه مرحله اول (سه گام ابتدایی) در مورد درک چگونگی و جایگاه استفاده از یادگیری عمیق و رسیدن به بنیه ای قوی در اینباره است. این مرحله تمام چیزهایی که از ابتدا برای انجام یک پروژه نیاز دارید بوده و توسعه یک پایه قوی بر روی ابزار می باشد.گام پنجم حالا بروید کورس قسمت دوم fast.ai یعنی Cutting Edge Deep Learning for Coders را بینید این دوره موضوع های پیشرفته را بررسی کرده و یاد میگیرید که مقالات جدید را مطالعه کنید و انهارا درک کنید هرگام بین ۴ تا ۶ هفته زمان میبرد .تقریبا این دوره ۲۶ هفته طول می کشد. و اگه با جدیت مباحث رو دنبال کنید درک بسیار خوبی از دیپ لرنینگ بدست خواهید اورددفعه بعد كجا بريم ؟دوره های CS231n و CS224d استنفورد را انجام دهید. این دو ،دوره های آموزشی شگفت انگیز با عمق زیاد برای بینایی ( vision) و NLP یا پردازش طبیعی زبان هستند. آنها آخرین دانش روز را پوشش می دهند. و کتاب یادگیری عمیق گود فلو ( Ian Goodfellow )را بخوانید. این کتاب درک شما را تقویت خواهد کرد.منبع : https://towardsdatascience.com/how-to-learn-deep-learning-in-6-months-e45e40ef7d48 Pandora's box Pandora's box Wed, 18 Jul 2018 21:49:13 +0430