diff --git a/index.html b/index.html index fb9a8cc..1b935c8 100644 --- a/index.html +++ b/index.html @@ -205,7 +205,24 @@

پروژه‌های با محوریت توسعه‌ی مدل (زیربنا)

در فضای هوش‌مصنوعی با وضعیتی روبرو هستیم که اساساً کاربرد‌‌هایی طراحی و ارائه می‌شوند که جز شرکت‌‌های صاحب سرمایه‌‌های بزرگ امکان اجرا و بهره برداری از آن را ندارند و هم چنین تحقیقات نیز در خدمت این پروژه‌‌های بزرگ مقیاس قرار می‌گیرند. صاحبان سرمایه با انحصار در نهاد علم (مانند مراکز تحقیقاتی و جهت‌دهی)، صنعت هوش‌مصنوعی (مانند تولید سخت‌افزار پردازشگر)، منابع (مانند داده و زیربنای شبکه) و اقتصاد (مانند ارائه خدمات دستیار‌های هوشمند زبانی)، آحاد مردم را از تأثیرگذاری بر پیش‌برد و جهت‌دهی این ابزار محروم می‌کنند*. ما تلاش میکنیم تا این خلاء زیربنایی را با تحقیق و توسعه‌ی هوش‌مصنوعی دسترسی‌پذیر جبران کنیم. قدم اول ما در این زمینه توسعه‌ی مدل‌های توزیع‌شده بر روی شبکه است که با استفاده از امکانات اشتراکی بتوانند بازخورد خود را بهینه کنند.

-
+

+

تاثیر رویکرد سرمایه‌دارانه بر روی توسعه و کاربرد هوش‌مصنوعی

+
    +
  1. + کالاسازی داده باعث رقابت در تجمیع و انحصار در اطلاعات شده تا حایی که داده را نفت جدید می‌خوانند. +
    2. +
  2. + شرکت‌های تولید کننده‌ی سخت‌افزار برای ضمانت رشد سود خود محققین را جهت‌دهی می‌کنند که فقط تحت زیربنای محاسباتی آنها توسعه‌ی نرم‌افزاری دهند. مثلاً شرکت NVIDIA با تحت تاثیر قرار دادن جامعه‌ی علمی و تولیدی و پشتیبانی، از فروش سخت‌افزارهای AMD، که معمولاً کارکرد بهتری دارد، جلوگیری می‌کند. +
    3. +
  3. + همچنین با هژمونیک کردن این نگاه، جامعه‌ی علمی به دنبال سخت‌افزارهای روز، که بزرگتر و سریعتر می‌شوند، می‌باشد. در این حین دیدگاه‌های دموکراتیک‌تر، مانند پردازش سیستم‌های توزیع‌شده که می‌تواند از سخت‌افزار‌های کوچک مردم همزمان بهره ببرد، از ادبیات تحقیقی حذف شده‌اند. در نتیجه راه‌کار‌های سرمایه‌دارانه تنها جهت پیشرفت و توسعه دیده می‌شود. البته روش‌های پردازش سیستم‌های توزیع‌شده به کل حذف نشده‌اند. بلکه آنها هم در جهت منافع شرکت‌های چند ملیتی توسعه داده می‌شوند. +
    4. +
+

+ با آمدن کرونا، شرکت NVIDIA از کاربران بازی‌های رایانه‌ای خواست تا سیستمی نصب کنند که به آنها اجازه می‌داد از سیستم کاربران برای توسعه‌ی هوش‌مصنوعی در جهت کشف دارو‌های جدید، استفاده کنند. در نمونه‌ای دیگر، شرکت گوگل از دستگاه‌های تلفن کاربران برای آموزش مدل‌های هوش‌مصنوعی خود بهره می‌برد و آن را باز به مشتریان جدید می‌فروشد. محصولی که با داده‌های مردم و سخت‌افزار آنها درست شده در جهت منافع مالی این شرکت استفاده می‌شود. +

+

+
... @@ -218,8 +235,7 @@
-

*نمونه‌هایی از تاثیر رویکرید سرمایه‌دارانه بر روی توسعه و کاربرد هوش‌مصنوعی: ۱ کالاسازی داده باعث رقابت در تجمیع و انحصار در اطلاعات شده تا حایی که داده را نفت جدید می‌خوانند. ۲ شرکت‌های تولید کننده‌ی سخت‌افزار برای ضمانت رشد سود خود محققین را جهت‌دهی میکنند که فقط تحت زیربنای محاسباتی آنها توسعه‌ی نرم‌افزاری دهند. مثلا شرکت NVIDIA با تحت تاثیر قرار دادن جامعه‌ی علمی و تولیدی و پشتیبانی، از فروش سخت‌افزارهای AMD، که معمولاً کارکرد بهتری دارد، جلوگیری می‌کند. ۳ همچنین با هژمونیک کردن این نگاه، جامعه‌ی علمی به دنبال سخت‌افزارهای روز، که بزرگتر و سریعتر می‌شوند، می‌باشد. در این حین دیدگاه‌های دموکراتیک تر، مانند پردازش سیستم‌های توزیع‌شده که می‌تواند از سخت‌افزار‌های کوچک مردم همزمان بهره ببرد، از ادبیات تحقیقی حذف شده‌اند. در نتیجه راه‌کار‌های سرمایه‌دارانه تنها جهت پیشرفت و توسعه دیده می‌شود. البته روش‌های پردازش سیستم‌های توزیع‌شده به کل حذف نشده‌اند. بلکه آنها هم در جهت منافع شرکت‌های چند ملیتی توسعه داده می‌شوند. با آمدن کرونا شرکت NVIDIA از کاربران بازی‌های رایانه‌ای خواست تا سیستمی نصب کنند که به آنها اجازه می‌داد از سیستم کاربران برای توسعه‌ی هوش‌مصنوعی در جهت کشف دارو‌های جدید، استفاده کنند. در نمونه‌ای دیگر شرکت گوگل از دستگاه‌های تلفن کاربران برای آموزش مدل‌های هوش‌مصنوعی خود بهره می‌برد و آن را باز به مشتریان جدید می‌فروشد. محصولی که با داده‌های مردم و سخت‌افزار آنها درست شده در جهت منافع مالی این شرکت استقاده می‌شود.

-
+
diff --git a/projects/explinability.html b/projects/explinability.html index c6350ac..870691b 100644 --- a/projects/explinability.html +++ b/projects/explinability.html @@ -75,6 +75,9 @@
  • گام نما
    • +
  • + دور نما +
  • ارتباط با ما
    • diff --git a/template/data.html b/template/data.html new file mode 100644 index 0000000..af9269f --- /dev/null +++ b/template/data.html @@ -0,0 +1,262 @@ + + + + + + توضیح‌پذیری هوش‌مصنوعی + + + + + + + + + + +
    +
    +

    توضیح‌پذیری هوش‌مصنوعی

    +

    سیستمی برای افزایش آگاهی و کنترل کاربر در فرآیند استنتاج مدل.

    + بیشتر بدانید +
    +
    + + +
    +
    +

    ویژگی ها

    +
    + +
    +
    + +
    +

    شفافیت در استنتاج

    +

    تولید مدل‌هایی که به صورت پیش‌فرض افزایش اطلاع کاربر از جزئیات فرایند آموزش و استنتاج را در نظر می‌گیرند.

    +
    + +
    +
    + +
    +

    امکان تغییر در فرایند استنتاج

    +

    ایجاد امکان تغییر در ابعاد مختلف تصمیم‌گیری مدل مانند انتخاب داده‌ها یا ویژگی‌های تاثیرگذار در خروجی مدل.

    +
    + +
    +
    + +
    +

    بازده و کارایی بالا

    +

    ارتقا و یا حفظ سرعت و دقت مدل توضیح‌پذیر در عین ایجاد امکان توضیح‌پذیری، و عبور از دوگانه‌ی شفافیت در مقابل کارایی.

    +
    + +
    +
    +
    + + +
    +
    +

    گام‌نمای پروژه

    +
    + +
    +
    +
    +
    هوش‌مصنوعی توضیح‌پذیر بالفعل
    +

    ترکیبی از یادگیری عمیق و یادگیری تنبل به ما اجازه‌ی دخالت در داده‌های تاثیرگذار را میدهد.

    +
    + وضعیت پیشرفت +
    +
    + 80 + +
    +
    +
    +

    +

      + +
    • توضیح‌پذیری با پیدا کردن سهم تاثیر هر نمونه در داده‌های آموزش
      • + +
    • امکان ایجاد تغییر در سهم تاثیر هر نمونه بدون نیاز به آموزش مجدد مدل
      • + +
    • مد‌های پیش‌بینی کننده
      • + +
    +
      + +
    • مدل‌های مولد
      • + +
    +

    + +

    ادرس گیت هاب

    +     +
    +
    +
    + +
    +
    +
    +
    توضیح‌پذیری بالفعل با داده‌های خوشه‌ای
    +

    ترکیب مدل‌های RAG با مدل‌های توضیح‌پذیر بالفعل برای سرعت و شخصی‌سازی.

    +
    + وضعیت پیشرفت +
    +
    + 0 + +
    +
    +
    +

    +

      + +
    +
      + +
    • پیاده سازی الگوریتم جستجوی سریع در پایگاه داده
      • + +
    • توضیح‌پذیری بالفعل با استفاده از داده‌های نزدیک
      • + +
    • استفاده از الگوریتم‌های جستجوی سریع (مانند KNN) در آموزش و استنتاج با در نظر گرفتن سهم اهمیت (و نه لزوماً شباهت و نزدیکی)
      • + +
    +

    + +

    ادرس گیت هاب

    +     +
    +
    +
    + +
    +
    +
    + + +
    +
    +

    دورنمای پروژه

    + +
    +
    + +
    +
    +

    ایا میخواهید در توسعه این پروژه مشارکت کنید؟

    +

    منتظریم

    + ارتباط با ما +
    +
    + + +
    +
    +
    +
    +
    +
    + + + +
    +
    +
    +
    + + + + + \ No newline at end of file diff --git a/template/data.json b/template/data.json new file mode 100644 index 0000000..3dde9d9 --- /dev/null +++ b/template/data.json @@ -0,0 +1,57 @@ +{ + "hero": { + "title": "توضیح‌پذیری هوش‌مصنوعی", + "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": "شفافیت در استنتاج", + "description": "تولید مدل‌هایی که به صورت پیش‌فرض افزایش اطلاع کاربر از جزئیات فرایند آموزش و استنتاج را در نظر می‌گیرند." + }, + { + "icon": "fas fa-pen", + "title": "امکان تغییر در فرایند استنتاج", + "description": "ایجاد امکان تغییر در ابعاد مختلف تصمیم‌گیری مدل مانند انتخاب داده‌ها یا ویژگی‌های تاثیرگذار در خروجی مدل." + }, + { + "icon": "fas fa-gauge-high", + "title": "بازده و کارایی بالا", + "description": "ارتقا و یا حفظ سرعت و دقت مدل توضیح‌پذیر در عین ایجاد امکان توضیح‌پذیری، و عبور از دوگانه‌ی شفافیت در مقابل کارایی." + } + ], + "projects": [ + { + "title": "هوش‌مصنوعی توضیح‌پذیر بالفعل", + "description": "ترکیبی از یادگیری عمیق و یادگیری تنبل به ما اجازه‌ی دخالت در داده‌های تاثیرگذار را میدهد.", + "progress": 80, + "progress_in_persian": "۸۰", + "features": [ + "توضیح‌پذیری با پیدا کردن سهم تاثیر هر نمونه در داده‌های آموزش", + "امکان ایجاد تغییر در سهم تاثیر هر نمونه بدون نیاز به آموزش مجدد مدل", + "مد‌های پیش‌بینی کننده" + ], + "todo": [ + "مدل‌های مولد" + ], + "github_link": "https://github.com/aliakbar1881/IpsofactoModel" + }, + { + "title": "توضیح‌پذیری بالفعل با داده‌های خوشه‌ای", + "description": "ترکیب مدل‌های RAG با مدل‌های توضیح‌پذیر بالفعل برای سرعت و شخصی‌سازی.", + "progress": 0, + "progress_in_persian": "۰", + "todo": [ + "پیاده سازی الگوریتم جستجوی سریع در پایگاه داده", + "توضیح‌پذیری بالفعل با استفاده از داده‌های نزدیک", + "استفاده از الگوریتم‌های جستجوی سریع (مانند KNN) در آموزش و استنتاج با در نظر گرفتن سهم اهمیت (و نه لزوماً شباهت و نزدیکی)" + ], + "github_link": "https://github.com/aliakbar1881/IpsofactoModel" + } + ], + "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. همچنین، امکان ورود اراده‌ی کاربر به جریان استنتاج هوش مصنوعی را فراهم کرده‌ایم، به‌ویژه در مرحله‌ی انتخاب داده‌های تأثیرگذار. این رویکرد در حال گسترش به سایر بخش‌های فرایند استنتاج نیز هست.\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." + } +} diff --git a/template/images/dist_model_bg.png b/template/images/dist_model_bg.png new file mode 100644 index 0000000..5ffdfca Binary files /dev/null and b/template/images/dist_model_bg.png differ diff --git a/template/template.html b/template/template.html new file mode 100644 index 0000000..9776010 --- /dev/null +++ b/template/template.html @@ -0,0 +1,203 @@ + + + + + + {{ data.hero.title }} + + + + + + + + + + +
    +
    +

    {{ data.hero.title }}

    +

    {{ data.hero.description }}

    + {{ data.hero.button_text }} +
    +
    + + +
    +
    +

    ویژگی ها

    +
    + {% for feature in data.features %} +
    +
    + +
    +

    {{ feature.title }}

    +

    {{ feature.description }}

    +
    + {% endfor %} +
    +
    +
    + + +
    +
    +

    گام‌نمای پروژه

    +
    + {% for project in data.projects %} +
    +
    +
    +
    {{ project.title }}
    +

    {{ project.description }}

    +
    + وضعیت پیشرفت +
    +
    + {{ project.progress }} + +
    +
    +
    +

    +

      + {% for feature in project.features %} +
    • {{ feature }}
      • + {% endfor %} +
    +
      + {% for todo in project.todo %} +
    • {{ todo }}
      • + {% endfor %} +
    +

    + +

    ادرس گیت هاب

    +     +
    +
    +
    + {% endfor %} +
    +
    +
    + + +
    +
    +

    دورنمای پروژه

    + +
    +
    + +
    +
    +

    ایا میخواهید در توسعه این پروژه مشارکت کنید؟

    +

    منتظریم

    + ارتباط با ما +
    +
    + + +
    +
    +
    +
    +
    +
    + + + +
    +
    +
    +
    + + + + + \ No newline at end of file diff --git a/template/template_maker.py b/template/template_maker.py new file mode 100644 index 0000000..84f08b3 --- /dev/null +++ b/template/template_maker.py @@ -0,0 +1,27 @@ +from jinja2 import Template +import json +import argparse + +parser = argparse.ArgumentParser( + prog='template_maker', + description='make template', + epilog='be happy!') + +parser.add_argument('-i', '--input') + +args = parser.parse_args() +# خواندن فایل JSON +with open(args.input, 'r', encoding='utf-8') as file: + data = json.load(file) + +# خواندن قالب HTML +with open('template.html', 'r', encoding='utf-8') as file: + template = Template(file.read()) + +# جایگذاری اطلاعات در قالب HTML +result = template.render(data=data) + + +# ذخیره خروجی در یک فایل HTML +with open(f"{args.input.split('.')[0]}.html", 'w', encoding='utf-8') as file: + file.write(result) \ No newline at end of file