edit porject files

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."
     }
 }