diff --git a/index.html b/index.html index d5b60d9..616696b 100644 --- a/index.html +++ b/index.html @@ -203,32 +203,9 @@
...
-
کشف روابط در پایگاه داده به وسیله‌ی مدل
-

پیدا کردن روابط در پایگاه داده؛ مثلاَ استفاده از مدل زبانی برای کشف - رابطه‌ی استناد بین داده‌ها.

- مشاهده جزئیات -
-
- -
-
- ... -
-
خلاصه سازی شرطی در پایگاه داده
-

ایا میتوان به صورت سلسله وار از مدل‌های مولد استفاده کرد و در هر مرحله - با ترکیب خروجی با داده‌های دیگر خلاصه سازی نمود؟‍

- مشاهده جزئیات -
-
-
-
-
- ... -
-
تخمین ارزش‌گذاری متن برا اساس معیار
-

سنجش میزان هماهنگی و شباهت متون با متن‌های معیار که از جانب متخصص آگاه - تعیین شده‌اند.

- مشاهده جزئیات +
توضیح داده‌ها
+

سیستمی برای کشف روابط در پایگاه داده.

+ مشاهده جزئیات
@@ -254,10 +231,8 @@
...
-
موازی‌سازی پردازش مدل‌ها روی شبکه
-

با استفاده از موازی سازی پردازش مدل‌ها روی شبکه میتوان از منابع - معطل زیادی برای استنتاج (inference) مدل‌ها استفاده کرد که دیگر نیازی به مرکز گرا - بودن این فرایند نباشد. مثلاَ شروع با مدل‌های Transformer.

+
مدل توزیع شده
+

سیستمی برای ایجاد ظرفیت هوش‌مصنوعی بواسطه‌ی تعاون زیربنای محاسباتی کاربران.

مشاهده جزئیات
@@ -280,18 +255,8 @@ ...
مدل‌های پرسشگر
-

ساخت مدل‌هایی که تسهیل‌کر خلق ایده‌ی نو توسط کاربر هستند و نه اینکه خود مولد باشند. چگونه کاربر راهنمایی شود بدون اینکه مدل جهت‌دهی خاصی را به او بدهد؟ و چگونه در خلق گمانه‌ی نو میتواند موثر باشد؟

- مشاهده جزئیات -
- - -
-
- ... -
-
طراحی رفتار پرسشگر
-

مدل‌های مولد عموماً در غالب پاسخگو طراحی و استفاده می‌شوند. این امر می‌تواند باعث محدودیت بر خلاقیت انسان در تولید محتوی نو و جدید شود. در این پروژه ما به دنبال طراحی رفتار‌های کاربر (مانند prompt engineering) با محوریت مدل پرسشگر در مقابل انسان پاسخگو هستیم.

- مشاهده جزئیات +

افزایش رفتار خلاق کاربر و سنجش هوش‌مصنوعی.

+ مشاهده جزئیات
@@ -352,7 +317,7 @@
حکمرانی با هوش‌مصنوعی

ابزار هوش‌مصنوعی در کدم امور میتواند به کمک مجری و قانون‌گذار بیاید؟

- مشاهده جزئیات + به زودی
@@ -377,7 +342,7 @@ ۳. افزایش دگرخواهی و تقابل با فردگرایی و منفعت طلبی

- مشاهده جزئیات + به زودی diff --git a/projects/convert_csv_to_html.ipynb b/projects/convert_csv_to_html.ipynb new file mode 100644 index 0000000..406f214 --- /dev/null +++ b/projects/convert_csv_to_html.ipynb @@ -0,0 +1,177 @@ +{ + "cells": [ + { + "cell_type": "code", + "execution_count": 167, + "id": "df07eee0", + "metadata": {}, + "outputs": [], + "source": [ + "list_complete = ''\n", + "list_pending = ''\n", + "title = ''\n", + "perc = ('80', '40', '۸۰٪')\n", + "description = ''\n", + "comment = ''\n", + "link = ''\n", + "link_ref = ''\n", + "\n", + "def get_html(list_complete, list_pending, title, perc, description, comment, link, link_ref):\n", + "\n", + " completed_tasks = ''\n", + " for i in list_complete:\n", + " completed_tasks += '
  • ' + i +'
    • '\n", + "\n", + " pending_task = ''\n", + " for i in list_pending:\n", + " pending_task += '
  • ' + i +'
    • '\n", + "\n", + "\n", + "\n", + " html_1 = \"\"\"\n", + "
    \n", + "
    \n", + "
    \n", + "
    \"\"\"+ title + '

    '\n", + "\n", + " html_1 += description\n", + " html_1 += '

    وضعیت پیشرفت '\n", + " html_1 += '
    ' +perc[2]\n", + " html_1 += '

    '\n", + "\n", + " if len(completed_tasks)>0:\n", + " html_1 +='

      ' + completed_tasks + '
    '\n", + "\n", + " if len(pending_task)>0:\n", + " html_1 +='
      ' + pending_task + '
    '\n", + " html_1 += '

    '\n", + " if type(comment)==str:\n", + " html_1 += str(comment)\n", + "\n", + " if type(link)==str:\n", + " html_1 += ''\n", + " if type(link_ref)==str:\n", + " html_1 += '

    ' + str(link_ref) + '

    '\n", + " else:\n", + " html_1 += '

    آدرس

    '\n", + " html_1 += '    '\n", + "\n", + " html_1 += \"\"\"
    \n", + " \"\"\"\n", + " return html_1" + ] + }, + { + "cell_type": "code", + "execution_count": 189, + "id": "9377c1d5", + "metadata": {}, + "outputs": [], + "source": [ + "import pandas as pd\n", + "csv_file_path = 'proj_data_ex.xlsx'\n", + "csv_file_path = 'distributed_ai.xlsx'\n", + "csv_file_path = 'questionner.xlsx'\n", + "\n", + "xls = pd.read_excel(csv_file_path, sheet_name=None, engine='openpyxl')\n", + "\n" + ] + }, + { + "cell_type": "code", + "execution_count": 190, + "id": "40e3885d", + "metadata": {}, + "outputs": [ + { + "name": "stdout", + "output_type": "stream", + "text": [ + "\n", + "
    \n", + "
    \n", + "
    \n", + "
    مدل‌های پرسشگر

    ساخت مدل‌هایی که تسهیل‌کر خلق ایده‌ی نو توسط کاربر هستند و نه اینکه خود مولد باشند. چگونه کاربر راهنمایی شود بدون اینکه مدل جهت‌دهی خاصی را به او بدهد؟ و چگونه در خلق گمانه‌ی نو میتواند موثر باشد؟

    وضعیت پیشرفت
    ۰٪

    • تولید داده‌ی پرسشگری
    • بازآموزش مدل
    • هدایت تقویتی

    \n", + " \n", + "\n", + "
    \n", + "
    \n", + "
    \n", + "
    طراحی رفتار پرسشگر

    مدل‌های مولد عموماً در غالب پاسخگو طراحی و استفاده می‌شوند. این امر می‌تواند باعث محدودیت بر خلاقیت انسان در تولید محتوی نو و جدید شود. در این پروژه ما به دنبال طراحی رفتار‌های کاربر (مانند prompt engineering) با محوریت مدل پرسشگر در مقابل انسان پاسخگو هستیم.

    وضعیت پیشرفت
    ۱۰۰٪

    • مهندسی پرامپت روی مدل‌های زبانی برای تغییر رفتار مدل

    آدرس گیت هاب

    \n", + " \n" + ] + } + ], + "source": [ + "percentages = [('10', '2', '۰٪'),\n", + " ('15', '5', '۱۰٪'),\n", + " ('20', '10', '۲۰٪'),\n", + " ('30', '15', '۳۰٪'),\n", + " ('40', '20', '۴۰٪'),\n", + " ('50', '25', '۵۰٪'),\n", + " ('60', '30', '۶۰٪'),\n", + " ('70', '35', '۸۰٪'),\n", + " ('80', '40', '۸۰٪'),\n", + " ('90', '45', '۹۰٪'),\n", + " ('100', '50', '۱۰۰٪')]\n", + "for sheet_name, df in xls.items():\n", + " cols = df.columns\n", + " title = df[df.columns[0]][0]\n", + " description = df[df.columns[1]][0]\n", + " p = int(df[df.columns[2]][0])\n", + " perc = percentages[p]\n", + " list_complete = df[df.columns[3]].dropna()\n", + " list_pending = df[df.columns[4]].dropna()\n", + " comment = df[df.columns[5]].dropna()\n", + " link = df[df.columns[6]][0]\n", + " link_ref = df[df.columns[7]][0]\n", + "\n", + " h = get_html(list_complete, list_pending, title, perc, description, comment, link, link_ref)\n", + " print(h)\n", + "\n", + " " + ] + }, + { + "cell_type": "code", + "execution_count": 161, + "id": "8e08cbd6", + "metadata": {}, + "outputs": [ + { + "ename": "TypeError", + "evalue": "object of type 'numpy.float64' has no len()", + "output_type": "error", + "traceback": [ + "\u001b[1;31m\u001b[0m", + "\u001b[1;31mTypeError\u001b[0mTraceback (most recent call last)", + "\u001b[1;32m~\\AppData\\Local\\Temp/ipykernel_37900/3929354373.py\u001b[0m in \u001b[0;36m\u001b[1;34m\u001b[0m\n\u001b[1;32m----> 1\u001b[1;33m \u001b[0mlen\u001b[0m\u001b[1;33m(\u001b[0m\u001b[0mlink\u001b[0m\u001b[1;33m)\u001b[0m\u001b[1;33m\u001b[0m\u001b[1;33m\u001b[0m\u001b[0m\n\u001b[0m", + "\u001b[1;31mTypeError\u001b[0m: object of type 'numpy.float64' has no len()" + ] + } + ], + "source": [] + } + ], + "metadata": { + "kernelspec": { + "display_name": "Python 3 (ipykernel)", + "language": "python", + "name": "python3" + }, + "language_info": { + "codemirror_mode": { + "name": "ipython", + "version": 3 + }, + "file_extension": ".py", + "mimetype": "text/x-python", + "name": "python", + "nbconvert_exporter": "python", + "pygments_lexer": "ipython3", + "version": "3.9.7" + } + }, + "nbformat": 4, + "nbformat_minor": 5 +} diff --git a/projects/data_explinability.html b/projects/data_explinability.html new file mode 100644 index 0000000..7f4c1d0 --- /dev/null +++ b/projects/data_explinability.html @@ -0,0 +1,208 @@ + + + + + + توضیح‌ داده + + + + + + + + + + + + +
    +
    +

    توضیح‌ داده

    +

    سیستمی برای مدل‌سازی داده و ره‌گیری جریان اطلاعات در دادگان.

    + بیشتر بدانید + +
    +
    + + +
    +
    +

    ویژگی ها

    +
    +
    +
    + +
    +

    شفافیت در ارجاع

    +

    ریشه یابی داده‌های تاثیر برای توجیح هر کدام از داده‌ها.

    +
    +
    +
    + +
    +

    ارزش‌گذاری داده

    +

    ایجاد امکان ارزش‌گذاری دادگان به واسطه‌ی معیار‌های مشخص و کنترل جریان داده با در نظر گرفتن ارزش‌ها.

    +
    +
    +
    + +
    +

    بازده و کارایی بالا

    +

    جستجوی معنادار در داده و تناسب سنجی بهینه بین داده‌گان.

    +
    +
    +
    +
    + + +
    +
    +

    گام‌نمای پروژه

    +
    + + +
    +
    +
    +
    کشف روابط در پایگاه داده به وسیله‌ی مدل

    پیدا کردن روابط در پایگاه داده؛ مثلاَ استفاده از مدل زبانی برای کشف رابطه‌ی استناد بین داده‌ها.

    وضعیت پیشرفت
    ۲۰٪

    • نمونه‌ی اولیه کشف تاثیر با داده‌های MNIST.
    • نمونه‌ی اولیه کشف روابط با داده‌های MNIST.
    • توضیح‌پذیری مدل زبانی برای کشف تاثیر اطلاعات دادگان بر یکدیگر
    • جستجوی گراف متون بر اساس روابط تاثیر

    آدرس گیت هاب

    + + +
    +
    +
    +
    خلاصه سازی شرطی در پایگاه داده

    آیا میتوان به صورت سلسله وار از مدل‌های مولد استفاده کرد و در هر مرحله با ترکیب خروجی با داده‌های دیگر خلاصه سازی نمود؟‍

    وضعیت پیشرفت
    ۳۰٪

    • مدل زبانی بر پایه RAG
    • ترکیب داده‌های یک مرحله‌ای
    • ترکیب داده‌های چند مرحله‌ای

    + + +
    +
    +
    +
    تخمین ارزش‌گذاری متن برا اساس معیار

    سنجش میزان هماهنگی و شباهت متون با متن‌های معیار که از جانب متخصص آگاه تعیین شده‌اند.

    وضعیت پیشرفت
    ۵۰٪

    • مهندسی پرامپت برای تخمین ارزش
    • مدل‌های دسته بندی ارزشی
    • مدل‌های بالفعل ارزش سنجی
    • مدل‌های منعطف با ارزش‌های جدید

    آدرس 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/projects/dist_llm.html b/projects/dist_llm.html index 0ac3e04..efa9f34 100644 --- a/projects/dist_llm.html +++ b/projects/dist_llm.html @@ -132,134 +132,31 @@

    گام‌نمای پروژه

    - -
    -
    -
    -
    موازی‌سازی پردازش مدل‌ها روی شبکه
    -

    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.

    -
    - وضعیت پیشرفت -
    -
    - 80 + +
    +
    +
    +
    موازی‌سازی پردازش مدل‌ها روی شبکه

    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.

    وضعیت پیشرفت
    ۸۰٪

    • موازی سازی پردازش مدل ها‌ روی شبکه
    • موازی سازی پردازش مدل ها‌ روی اندروید
    • مدل‌های مولد
    • سرور هماهنگ کننده برای شبکه‌ی موبایلی
    • مدل‌های بسیار کوچک زبانی

    آدرس گیت هاب

    + -
    -
    -
    -

    -

      - -
    • موازی سازی پردازش مدل ها
      • - -
    -
      - -
    • مدل‌های مولد
      • - -
    -

    - -

    ادرس گیت هاب

    -     -
    -
    -
    - -
    -
    -
    -
    استفاده از منابع توزیع شده
    -

    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.

    -
    - وضعیت پیشرفت -
    -
    - 0 +
    +
    +
    +
    استفاده از منابع توزیع شده

    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.

    وضعیت پیشرفت
    ۰٪

    • پیاده سازی پلتفرمی برای توسعه آموزش مدل های توزیع شده

    + -
    -
    -
    -

    -

      - -
    -
      - -
    • پیاده سازی پلتفرمی برای توسعه آموزش مدل های توزیع شده
      • - -
    -

    - -

    ادرس گیت هاب

    -     -
    -
    -
    - -
    -
    -
    -
    بالا بردن ظرفیت خطای ورودی مدل در شبکه متزلزل
    -

    بالا بردن توانایی تعمیم پذیری مناسب و ترکیب مناسب داده‌ها مثلاَ با استفاده‌ی روشی مشابه dropout.

    -
    - وضعیت پیشرفت -
    -
    - 0 +
    +
    +
    +
    بالا بردن ظرفیت خطای ورودی مدل در شبکه متزلزل

    بالا بردن توانایی تعمیم پذیری مناسب و ترکیب مناسب داده‌ها مثلاَ با استفاده‌ی روشی مشابه dropout.

    وضعیت پیشرفت
    ۰٪

    • ترکیب مناسب داده‌ها
    • بالا بردن توانایی تعمیم پذیری

    + -
    -
    -
    -

    -

      - -
    -
      - -
    • ترکیب مناسب داده‌ها
      • - -
    • بالا بردن توانایی تعمیم پذیری
      • - -
    -

    - -

    ادرس گیت هاب

    -     -
    -
    -
    - -
    -
    -
    -
    امنیت داده‌ها با پردازش توزیع‌شده
    -

    آنالیز انکشاف در داده‌های مدل‌های توزیع ‌شده روش شبکه و بررسی امکان بالا بردن سطح خصوصی داده‌ها، مانند روش Differential provacy.

    -
    - وضعیت پیشرفت -
    -
    - 0 - -
    -
    -
    -

    -

      - -
    -
      - -
    • استفاده از روش Differential provacy
      • - -
    -

    - -

    ادرس گیت هاب

    -     -
    -
    -
    +
    +
    +
    +
    امنیت داده‌ها با پردازش توزیع‌شده

    آنالیز انکشاف در داده‌های مدل‌های توزیع ‌شده روش شبکه و بررسی امکان بالا بردن سطح خصوصی داده‌ها، مانند روش Differential privacy.

    وضعیت پیشرفت
    ۰٪

    • استفاده از روش Differential privacy برای داده‌های متنی

    + +
    @@ -275,41 +172,7 @@
    -

    -

    -

    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. -

    -

    -

    + ما در آینده مدل‌هایی خواهیم ساخت که نیاز کمتری به منابع متمرکز داشته باشند. مثلا نمونه‌ی کنونی ما یک مدل زبانی‌ است که بر روی شبکه‌ای از چند تلفن هوشمند اجرا میشود و نیاز به سخت افزار قوی و متمرکز را کم می‌کند.
    diff --git a/projects/distributed_ai.xlsx b/projects/distributed_ai.xlsx new file mode 100644 index 0000000..93bb3c1 Binary files /dev/null and b/projects/distributed_ai.xlsx differ diff --git a/projects/explinability.html b/projects/explinability.html index 870691b..f800dbe 100644 --- a/projects/explinability.html +++ b/projects/explinability.html @@ -157,7 +157,7 @@ میتوانید نمونه‌ی کد این پروژه را در این صفحه ببینید و آزمایش کنید: -

    ادرس گیت هاب

    +

    آدرس گیت هاب

     @@ -307,7 +307,7 @@ با 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/projects/proj_data_ex.xlsx b/projects/proj_data_ex.xlsx new file mode 100644 index 0000000..fb3fa3d Binary files /dev/null and b/projects/proj_data_ex.xlsx differ diff --git a/projects/questionner.html b/projects/questionner.html new file mode 100644 index 0000000..9c24bdb --- /dev/null +++ b/projects/questionner.html @@ -0,0 +1,199 @@ + + + + + + مدل‌های پرسشگر + + + + + + + + + + +
    +
    +

    مدل‌های پرسشگر

    +

    افزایش رفتار خلاق کاربر و سنجش هوش‌مصنوعی.

    + بیشتر بدانید +
    +
    + + +
    +
    +

    ویژگی ها

    +
    + +
    +
    + +
    +

    مدل نظاره‌گر به خواست و هدایت کاربر

    +

    کاربر باید بخش اصلی تولید محتوی خلاقانه را بدست بگیرد و مدل او راجایگزین نکند.

    +
    + +
    +
    + +
    +

    نقد ورودی کاربر

    +

    مدل باید با نسبت سنجی بین خواست کاربر و دادگان گذشته، به نقد و بررسی محتوی کاربر بپردازد و او را مطلع از واقع کند.

    +
    + +
    +
    + +
    +

    بهینگی کاربر خلاق در مقابل کاربر مصرفگر

    +

    ابزار تولیدی باید کمک کند تا انسان با اعمال خلاقیت خود نه تنها از راه‌های جبری عقب نماند، بلمه بتواند کارایی و سرعت بالاتری پیدا کند.

    +
    + +
    +
    +
    + + +
    +
    +

    گام‌نمای پروژه

    +
    + +
    +
    +
    +
    مدل‌های پرسشگر

    ساخت مدل‌هایی که تسهیل‌کر خلق ایده‌ی نو توسط کاربر هستند و نه اینکه خود مولد باشند. چگونه کاربر راهنمایی شود بدون اینکه مدل جهت‌دهی خاصی را به او بدهد؟ و چگونه در خلق گمانه‌ی نو میتواند موثر باشد؟

    وضعیت پیشرفت
    ۰٪

    • تولید داده‌ی پرسشگری
    • بازآموزش مدل
    • هدایت تقویتی

    + + +
    +
    +
    +
    طراحی رفتار پرسشگر

    مدل‌های مولد عموماً در غالب پاسخگو طراحی و استفاده می‌شوند. این امر می‌تواند باعث محدودیت بر خلاقیت انسان در تولید محتوی نو و جدید شود. در این پروژه ما به دنبال طراحی رفتار‌های کاربر (مانند prompt engineering) با محوریت مدل پرسشگر در مقابل انسان پاسخگو هستیم.

    وضعیت پیشرفت
    ۱۰۰٪

    • مهندسی پرامپت روی مدل‌های زبانی برای تغییر رفتار مدل

    آدرس 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/projects/questionner.xlsx b/projects/questionner.xlsx new file mode 100644 index 0000000..af358c6 Binary files /dev/null and b/projects/questionner.xlsx differ