diff --git a/index.html b/index.html index a3fcd40..c337563 100644 --- a/index.html +++ b/index.html @@ -199,50 +199,6 @@ -
-
- ... -
-
توضیح‌پذیری بالفعل با داده‌های خوشه‌ای
-

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

- مشاهده جزئیات -
-
-
-
-
- ... -
-
مدل‌های عمیق با یادگیری تنبل
-

پیاده‌سازی یادگیری تنبل با شبکه‌های عصبی عمیق و جداسازی اطلاعات از - پردازش شبکه.

- مشاهده جزئیات -
-
-
-
-
- ... -
-
توضیح بالفعل بر روی ویژگی‌های ورودی
-

تبدیل مدل‌های بالفعل به مدل‌هایی با قابلیت تشخیص و تغییر در سطح تاثیر - ویژگی‌های داده‌ی ورودی. مثلاَ با الهام گیری از مدل ViT بر روی داده‌های تصویری.

- مشاهده جزئیات -
-
-
-
-
- ... -
-
شرطی خلاف واقع برای افزایش سهم تأثیر
-

استفاده از مشتقات سهم تأثیر برای نمونه‌ی خلاف واقع با کاربرد‌های - poisonning، re-biassing، dataset summaries.

- مشاهده جزئیات -
-
-
... @@ -276,17 +232,6 @@
-
-
- ... -
-
شرطی خلاف واقع برای افزایش سهم تأثیر
-

استفاده از مشتقات سهم تأثیر برای نمونه‌ی خلاف واقع با کاربرد‌های - poisonning، re-biassing، dataset summaries.

- مشاهده جزئیات -
-
-
diff --git a/projects/dist_llm.html b/projects/dist_llm.html index 77ce620..f489ae3 100644 --- a/projects/dist_llm.html +++ b/projects/dist_llm.html @@ -3,16 +3,33 @@ - مدل توزیع شده + موازی‌سازی پردازش مدل‌ها - - - - - -
-
-

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 index 3dde9d9..15e588b 100644 --- a/template/data.json +++ b/template/data.json @@ -1,6 +1,6 @@ { "hero": { - "title": "توضیح‌پذیری هوش‌مصنوعی", + "title": "موازی‌سازی پردازش مدل‌ها ", "description": "سیستمی برای افزایش آگاهی و کنترل کاربر در فرآیند استنتاج مدل.", "button_text": "بیشتر بدانید", "button_link": "#features" @@ -8,30 +8,28 @@ "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." + "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": "امکان تغییر در فرایند استنتاج", - "description": "ایجاد امکان تغییر در ابعاد مختلف تصمیم‌گیری مدل مانند انتخاب داده‌ها یا ویژگی‌های تاثیرگذار در خروجی مدل." + "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": "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." + "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": "هوش‌مصنوعی توضیح‌پذیر بالفعل", - "description": "ترکیبی از یادگیری عمیق و یادگیری تنبل به ما اجازه‌ی دخالت در داده‌های تاثیرگذار را میدهد.", + "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": [ - "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" + "موازی سازی پردازش مدل ها" ], "todo": [ "مدل‌های مولد" @@ -39,19 +37,38 @@ "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.", + "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 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)" + "پیاده سازی پلتفرمی برای توسعه آموزش مدل های توزیع شده" ], - "github_link": "https://github.com/aliakbar1881/IpsofactoModel" + "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. 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." + "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." } }