socia.ai/template/data.json

{
    "hero": {
        "title": "موازی‌سازی پردازش مدل‌ها ",
        "description": "سیستمی برای افزایش آگاهی و کنترل کاربر در فرآیند استنتاج مدل.",
        "button_text": "بیشتر بدانید",
        "button_link": "#features"
    },
    "features": [
        {
            "icon": "fas fa-eye",
            "title": "عدم وابستگی به تجمیع سخت افزار",
            "description": "با توجه به گلوگاه شدن سخت افزار در دنیای کنونی و تحریم کشور های فاقد وجود این تکنولوژی خروج از زمین بازی طراحی شده توسط صاحبان این فناوری این ضرورت را ایجاب میکند"
        },
        {
            "icon": "fas fa-pen",
            "title": "عدم وابستگی به داده های از پیش اموزش دیده مدل",
            "description": "مسیله مهمی که در مدل های زبانی وجود دارد موضوع نبود امکان بروز رسانی دانش نسبت به گذشته است. این مدل این چالش را حل کرده است."
        },
        {
            "icon": "fas fa-gauge-high",
            "title": "توزیع فرایند استنتاج",
            "description": "ارمان ما این است که هر فرد بتواند به اندازه توان خود در فرایند کار های اجتماعی و تعاون در حد توان خود تصرف کند. در اینجا هر موجودیتی در حدی که میتواند میتواند در کارکرد این مدل دخیل باشد."
        }
    ],
    "projects": [
        {
            "title": "موازی‌سازی پردازش مدل‌ها روی شبکه",
            "description": "با استفاده از موازی سازی پردازش مدل‌ها روی شبکه میتوان از منابع  (inference) مدل‌ها استفاده کرد که دیگر نیازی به مرکز گرا بودن این فرایند نباشد. مثلاَ شروع با مدل‌های Transformer.",
            "progress": 80,
            "progress_in_persian": "۸۰",
            "features": [
                "موازی سازی پردازش مدل ها"
            ],
            "todo": [
                "مدل‌های مولد"
            ],
            "github_link": "https://github.com/aliakbar1881/IpsofactoModel"
        },
        {
            "title": "استفاده از منابع توزیع شده",
            "description": "پیاده سازی پلتفرمی برای توسعه آموزش مدل های توزیع شده بر روی شبکه ماند Keras، Torch، SparkML که آموزش در لحظه را در اختیار محققان و کاربران بگذارد. ",
            "progress": 0,
            "progress_in_persian": "۰",
            "todo": [
                "پیاده سازی پلتفرمی برای توسعه آموزش مدل های توزیع شده"
            ],
            "github_link": ""
        },
        {
            "title": "بالا بردن ظرفیت خطای ورودی مدل در شبکه متزلزل",
            "description": "بالا بردن توانایی تعمیم پذیری مناسب و ترکیب مناسب داده‌ها مثلاَ با استفاده‌ی روشی مشابه dropout.",
            "progress": 0,
            "progress_in_persian": "۰",
            "todo": [
                "ترکیب مناسب داده‌ها",
                "بالا بردن توانایی تعمیم پذیری"
            ],
            "github_link": ""
        },
        {
            "title": "امنیت داده‌ها با پردازش توزیع‌شده",
            "description": "آنالیز انکشاف در داده‌های مدل‌های توزیع ‌شده روش شبکه و بررسی امکان بالا بردن سطح خصوصی داده‌ها، مانند روش Differential provacy.",
            "progress": 0,
            "progress_in_persian": "۰",
            "todo": [
                "استفاده از  روش Differential provacy"
            ],
            "github_link": ""
        }
    ],
    "testimonial": {
        "text": "در این پروژه، توانسته‌ایم نشان دهیم که استنتاج مدل نه‌تنها قابل توضیح به کاربر است، بلکه به‌صورت بالفعل می‌توان فرایند آن را شفاف‌سازی کرد. .\n\nهدف ما این است که ابزارهای جدید جایگزین متخصصان انسانی نشوند، بلکه بتوانند از طریق تعامل مؤثر با کاربر، تصمیم‌گیری را بهبود بخشند. برای تحقق این امر، ابزار طراحی‌شده باید بتواند اراده و تصمیمات کاربر را در چارچوبی ساختاریافته مدل‌سازی کرده و در استنتاج لحاظ کند. این امر به لطف شفافیت در استنتاج مدل محقق می‌شود و لازم است که این شفافیت در ابعاد دیگر نیز گسترش یابد، ازجمله در نحوه‌ی تغییرات داده‌های آموزشی و ارزیابی مدل.\n\nبا این رویکرد، به سمت سیستمی حرکت می‌کنیم که نه‌تنها دقت و کارایی استنتاج را بهبود می‌بخشد، بلکه تعامل انسانی را نیز در قلب فرایند تصمیم‌گیری حفظ می‌کند."
    }
}