جامعه هوش مصنوعی دانشگاه سمنان

🧠هوش مصنوعی جمله را مثل ما نمیخواند... •مدل AI باکلمات کار نمی کند بلکه با واحد هایی با نام توکن(Token)اقدام می کند. 💢اما توکن چیست؟! •یک کلمه •بخشی از یک کلمه •یک عدد یا حتی علامات نگارشی دیدِ مدل به عبارت داده شده: ورودی : "سلام دوستان" پردازش: [سلام ، دو ، ستان] ⭕️لازم هست اشاره کنیم ک توکنایز کردن مدل های مختلف متفاوت هست . 🔰چرا سبک عملکرد مدل به این شکل است؟ فرض کنیم که قرار بود برای تمام کلمات فارسی یک شناسه جدا تعریف کنیم،مسلما تعداد کلمات بی شمار است..‌. راه بهتر این بود ک آنها به واحد های کوچک تری(Token) تقسیم کند تا با این کار حتی کلماتی ک قبلا ندیده بوده را هم درک کند ⚙بعد از توکن چه اتفاقی می افتد؟ •توکن ها ب اعداد تبدیل می شوند و سپس آن عدد وارد لایه‌ی Embedding می‌شود و به یک بردار (Vector) تبدیل می‌شود. بیشتر بخوانید در ادامه، Transformer روی همین بردارها عملیات انجام می‌دهد و در نهایت توکن بعدی را پیش‌بینی می‌کند. جامعه هوش مصنوعی دانشگاه سمنان 🆔@SUAI_Community

🏆 المپیک فناوری ۲۰۲۶ - فرصتی برای درخشیدن در هوش مصنوعی سومین دورهٔ المپیک فناوری ایران، بزرگ‌ترین رویداد رقابتی-آموزشی کشور در حوزه‌ی فناوری، در حال برگزاریه و فقط حدود 25 روز تا مرحله انتخابی آنلاین فرصت هست که ثبت‌نام کرد 🚀 این رویداد با حمایت معاونت علمی، فناوری و اقتصاد دانش‌بنیان ریاست‌جمهوری برگزار می‌شه و کنار صدها تیم از سراسر کشور، شانس آشنایی مستقیم با شرکت‌های دانش‌بنیان و سرمایه‌گذاران رو هم به شرکت‌کننده‌ها می‌ده. 🧠 حوزه هوش مصنوعی، سه لیگ تخصصی داره: 📝 پردازش متن (NLP) — تحلیل داده‌های متنی با یادگیری ماشین، یادگیری عمیق و NLP 🖼 پردازش تصویر (Computer Vision) — بینایی ماشین، CNN و مدل‌های تشخیص/سگمنتیشن تصویر 📊 پردازش داده — کار با داده‌های جدولی و مدل‌سازی یادگیری ماشین روی اون‌ها این مسابقه فرصت خوبیه که یاد بگیری، روی یه مسئله واقعی کار کنی، رزومه‌ات رو قوی‌تر کنی و با آدم‌های هم‌مسیر خودت آشنا شی. پس اگه علاقه‌مندی، فرصت زیادی نمونده — همین حالا یه هم‌تیمی پیدا کن (تیم‌ها ۲ نفره‌ان) و ثبت‌نام کن! 🗓 زمان‌بندی: ▫️ مرحله انتخابی: آنلاین، در بستر سامانه مسابقات کوئرا برگزار می‌شه (شهریورماه) ▫️ مرحله دوم (فینال): حضوری، ۲۷ تا ۳۰ مهر ۱۴۰۵ در پارک فناوری پردیس. برای تیم‌های راه‌یافته، پیش از فینال یه دوره آموزشی/وبینار پیشرفته هم برگزار می‌شه تا برای چالش‌های نهایی آماده‌تر باشن. توجه داشته باشید که برای حضور در این مرحله، هزینه‌ی بلیط از شرکت‌کننده‌ها دریافت می‌شه. 🎁 جوایز نقدی، مدال، تندیس، تقدیرنامه و معرفی به شرکت‌های دانش‌بنیان و سرمایه‌گذاران، منتظر تیم‌های برتره. اطلاعات تکمیلی: olympics.tech 🔸 لازم به ذکره که المپیک فناوری فقط به هوش مصنوعی محدود نمی‌شه؛ اگه به برنامه‌نویسی، امنیت سایبری، رباتیک، پهپاد یا اینترنت اشیا هم علاقه داری، مسیر مخصوص خودشون رو هم داره. 🔸 اگه سوالی درباره ثبت‌نام یا مسیرهای مختلف داشتید، تو قسمت کامنت بپرسید تا جواب بدیم جامعه هوش مصنوعی دانشگاه سمنان 🆔 @SUAI_Community

💭 اگر ChatGPT بر اساس گفت‌وگوهای شما، یکی از خواب‌های احتمالی‌تان را تصور کند، نتیجه چه خواهد شد؟ Generate a vivid image of a rather peculiar dream you could see me having at night. The aesthetic should be quirky, mildly trippy and whimsical and appear remeniscent of the earlier rudimentary versions of AI image gen. نتایج سوپرایزتون میکنه✨ جامعه هوش مصنوعی دانشگاه سمنان 🆔 @SUAI_Community

🚀 Tech Olympics 2026 Compete in Programming, AI, Cybersecurity, IoT, Drones, and Combat Robots. 🎓 Education 🏆 Competition 🤝 Networking 📍 On-site Finals at Pardis Technology Park 🔗 Register now: olympics.tech/en

رقابت هوش مصنوعی | TechOlympics 2026 هوش مصنوعی یکی از مهم‌ترین حوزه‌های فناوری امروز است و المپیک فناوری فرصتی برای رقابت، یادگیری و نمایش توانمندی متخصصان این حوزه فراهم کرده است. لیگ‌های رقابتی: • پردازش داده • پردازش تصویر • پردازش متن 🎓 دوره‌های آموزشی پیش از مسابقات برگزار خواهد شد. 📅 ثبت‌نام: ۱ خرداد تا ۱ شهریور 🌐 https://olympics.tech/ ━━━━━━━━━━━━━━ Artificial Intelligence Competition | TechOlympics 2026 AI is transforming the future, and TechOlympics provides a platform for talented individuals to compete, learn, and showcase their skills. Competition Tracks: • Data Science • Computer Vision • Natural Language Processing 🎓 Training courses will be offered before the competition. 📅 Registration: May 22 – August 23, 2026 🌐 https://olympics.tech/en

🔔 اطلاعیه جایزه سالانه هوش مصنوعی ایران (iAAA) 🔻آخرین فرصت ثبت‌نام در سومین دوره جایزه سالانه هوش مصنوعی ایران (iAAA) همراهان عزیز iAAA، اگر تاکنون موفق به ثبت‌نام در مسابقه نشده‌اید، این آخرین فرصت شما برای حضور در سومین دوره از مسابقات جایزه سالانه هوش مصنوعی ایران است. با توجه به زمان باقی‌مانده تا آغاز مسابقه، امکان ثبت‌نام و ایجاد یا تکمیل تیم‌ها تا ۲۰ تیرماه فراهم شده است. در این بازه زمانی می‌توانید: ▫️ در مسابقه ثبت‌نام کرده و تیم جدید تشکیل دهید. ▫️ در صورت تمایل، به تیم‌های موجود بپیوندید. ▫️ اعضای تیم خود را گسترش دهید. اگر قصد حضور در مسابقه را دارید، کافی است تا ۲۰ تیرماه از طریق لینک زیر ثبت‌نام خود را نهایی کنید: 🔗 لینک ثبت‌نام 🔻مشتاقانه منتظر حضور پرانرژی شما هستیم و امیدواریم با همراهی شما، سومین دوره جایزه سالانه هوش مصنوعی ایران به تجربه‌ای ارزشمند و به‌یادماندنی برای همه شرکت‌کنندگان تبدیل شود. با احترام تیم iAAA🌱

🧲 وقتی هوش مصنوعی معنای جمله را «می‌فهمد»، نه فقط کلمات را در مقالهٔ قبلی دیدیم که Transformerها معنای هر کلمه را از دل رابطه‌اش با کلمات دیگر استخراج می‌کنند. این کد، همان مفهوم را به‌صورت عملی نشان می‌دهد. یک مدل embedding هر جمله را به یک بردار عددی چندبُعدی تبدیل می‌کند؛ به‌گونه‌ای که جمله‌های هم‌معنا، در فضای ریاضی نیز به هم نزدیک قرار می‌گیرند — حتی اگر هیچ کلمهٔ مشترکی نداشته باشند. همین اصل، پایهٔ موتورهای جست‌وجوی هوشمند، سیستم‌های پیشنهاددهنده و حافظهٔ مدل‌های زبانی بزرگ مانند Claude و ChatGPT است.🦾 پیشنهاد می‌کنیم خودتان این کد را اجرا کنید، جمله‌های خودتان را جای نمونه‌ها قرار دهید و عدد شباهت را مشاهده کنید؛ این بهترین راه برای درک شهودی مفهوم embedding است.💻 جامعه هوش مصنوعی دانشگاه سمنان 🆔 @SUAI_Community

💣🔥 انقلاب در هوش مصنوعی: روزی که معماری قدیمی RNN مرد اگر امروز با ChatGPT یا Claude چت می‌کنید، مدیون یک مقاله تاریخی در سال ۲۰۱۷ از محققان گوگل هستید: مقاله‌ای به نام «Attention Is All You Need». این مقاله دنیای هوش مصنوعی را به قبل و بعد از خود تقسیم کرد. در این پست، دقیقاً بررسی می‌کنیم که این مقاله چه مشکلی را حل کرد، معماری انقلابی ترنسفورمرها (Transformers) چگونه شکل گرفت و چرا یک تحول بزرگ بود. 🛑مسئله اصلی: محدودیت‌های ساختاری RNNها و LSTMها تا قبل از انتشار این مقاله، اگر هوش مصنوعی می‌خواست متن را پردازش کند (مثلاً ترجمه انگلیسی به فارسی)، از شبکه‌های عصبی بازگشتی (RNN) یا LSTM استفاده می‌کرد. اما مشکل اصلی چه بود؟ این مدل‌ها متن را به صورت کلمه به کلمه و ترتیبی (sequentially) پردازش می‌کردند. اگر یک جمله دارای ۵۰ کلمه بود، مدل مجبور بود ابتدا کلمه ۱، سپس کلمه ۲، بعد کلمه ۳ و... را تا کلمه ۵۰ به ترتیب پردازش کند. نقص اصلی (The Flaw): شما نمی‌توانید این فرآیند را روی GPUهای قدرتمند به صورت موازی (parallelize) اجرا کنید؛ در نتیجه سرعت کار فوق‌العاده کند است. مشکل حافظه (The Memory Problem): به دلیل همین ساختار، زمانی که RNN به کلمه ۵۰ می‌رسد، از قبل شروع به فراموش کردن این کرده است که کلمه ۱ اصلاً درباره چه چیزی بود. 🧠 راهکار پیشنهادی: "Attention Is All You Need" نویسندگان این مقاله (Vaswani و همکارانش از گوگل) یک ایده کلیدی مطرح کردند: «چه می‌شود اگر ساختار بازگشتی (recurrence) را به طور کامل کنار بگذاریم؟ چه می‌شود اگر کل جمله را به صورت یک‌جا و هم‌زمان وارد GPU کنیم؟» اما اگر یک جمله را به صورت یک‌جا وارد مدل کنیم، مدل چطور باید ترتیب کلمات یا ارتباط آن‌ها با یکدیگر را متوجه شود؟ آن‌ها دو مفهوم بنیادی را برای حل این مسئله معرفی کردند: 1. مکانیزم Self-Attention (موتور اصلی مدل) به جای نگاه کردن به کلمات به صورت متوالی و ترتیبی، تک‌تک کلمات موجود در جمله در یک لحظه به تمام کلمات دیگر نگاه می‌کنند (attends to) تا محتوا و مفهوم متن را درک کنند. مثال: به تفاوت کلمه "bank" در این دو جمله دقت کنید: "The bank of the river" "The bank approved the loan" در جمله اول، کلمه "bank" توجه شدیدی (attends heavily) به کلمه "river" دارد؛ در نتیجه مدل متوجه می‌شود که منظور ساحل یا حاشیه رودخانه است. در جمله دوم، "bank" به کلمات "loan" و "approved" توجه می‌کند و مفهوم آن در ذهن مدل به یک مؤسسه مالی تغییر می‌یابد. 2. مفهوم Positional Encoding از آنجا که Transformerها متن را کلمه به کلمه نمی‌خوانند، به صورت پیش‌فرض هیچ درک ذاتی از زمان یا ترتیب کلمات ندارند. برای رفع این نقص، نویسندگان مفهومی به نام Positional Encodings (بردارهای ریاضی که نشان‌دهنده موقعیت کلمات هستند) را به لایه ورودی (input embeddings) اضافه کردند. این کار بدون نیاز به پردازش ترتیبی، به شبکه می‌گوید: «این کلمه در موقعیت ۱ قرار دارد و این یکی در موقعیت ۲». 🤖 ۱. سمت چپ: Encoder (مغز متفکر ورودی) وظیفه این بخش، فهمیدن و هضم کردن متن ورودی است. چطور کار می‌کند؟ مثلاً جمله انگلیسی "Hello" وارد Encoder می‌شود. این بخش متن را از لایه‌های Multi-Head Attention عبور می‌دهد تا ارتباط کلمات با یکدیگر را بسنجد و در نهایت یک خروجی ریاضی (یک بردار یا ماتریس مفهومی) از کل جمله می‌سازد. ✍️ ۲. سمت راست: Decoder (بخش خروجی و تولید متن) وظیفه این بخش، تولید کردن متن خروجی به صورت کلمه به کلمه است. چطور کار می‌کند؟ Decoder آن نمایش ریاضیِ ساخته‌شده توسط Encoder را تحویل می‌گیرد تا بفهمد هدف چیست. سپس شروع به پیش‌بینی و تولید کلمه بعدی می‌کند (مثلاً تولید کلمه "سلام"). نکته فنی (Masked Attention): در نمودار یک لایه به نام Masked Multi-Head Attention وجود دارد. کلمه Masked (ماسک‌شده) یک فیلتر ریاضی است؛ این فیلتر به این دلیل گذاشته شده تا Decoder در زمان پیش‌بینی یک کلمه، نتواند به کلماتِ بعدی جمله نگاه کند و مجبور شود کلمه بعدی را فقط بر اساس کلمات قبلی خودش حدس بزند. 📊🏆 نتیجه نهایی و میراث مقاله حذف پردازش کلمه به کلمه (ترتیبی) در این مقاله، بزرگ‌ترین مانع سرعت در هوش مصنوعی را از بین برد. این نوآوری به دانشمندان اجازه داد تا مدل‌هایی با ابعاد میلیاردها پارامتر را روی هزاران GPU به صورت موازی و با سرعت باورنکردنی آموزش دهند. معماری Transformer سنگ بنای تمام غول‌های هوش مصنوعی امروزی (مانند GPT-4o، Claude 3.5 Sonnet و Gemini) است و بدون آن، انقلاب هوش مصنوعی مولد امروزی ممکن نبود. 📖 Attention Is All You Need (2017) جامعه هوش مصنوعی دانشگاه سمنان 🆔 @SUAI_Community

⚠️ وقتی هوش مصنوعی وارد میدان جنگ می‌شود... سیستم Maven شرکت Palantir حالا به یکی از ارکان اصلی زیرساخت دیجیتال ارتش آمریکا تبدیل شده است. این پلتفرم داده‌های طبقه‌بندی‌شده، تصاویر پهپادها، ماهواره‌ها و اطلاعات میدان نبرد را در یک محیط واحد تجمیع می‌کند و سپس با استفاده از هوش مصنوعی: 🎯 تهدیدها و اهداف را شناسایی می‌کند ⚡ گزینه‌های عملیاتی و حمله را پیشنهاد می‌دهد 📡 داده‌های جنگی را در لحظه تحلیل می‌کند 🔗 زنجیره تصمیم‌گیری و اجرای عملیات را به شکل کم‌سابقه‌ای کوتاه می‌کند فرآیندی که پیش‌تر به چندین سامانه، ساعت‌ها تحلیل و تعداد زیادی نیروی انسانی نیاز داشت، اکنون می‌تواند در یک سیستم یکپارچه انجام شود. هوش مصنوعی دیگر یک فناوری آینده نیست؛ همین حالا در حساس‌ترین تصمیم‌های نظامی جهان نقش ایفا می‌کند. ⁉️تحلیل‌گران معتقدند این سیستم ها در جنگ با ایران نقش‌های مهمی داشتند، و کارکردهای آن تست و بررسی می‌شدند حال شما آینده جنگ‌های مبتنی بر هوش مصنوعی را چگونه می‌بینید؟ جامعه هوش مصنوعی دانشگاه سمنان 🆔️ @SUAI_Community

سلام و درود به همه‌ی عزیزان 🌱 پس از روزهایی از خاموشی و سکوت، آرام‌آرام و قدم‌به‌قدم دوباره به روشنایی و زندگی بازمی‌گردیم.  ما نیز، با پشت سر گذاشتن خستگی‌ها و فرازونشیب‌ها، تلاش می‌کنیم چراغ کوچک این جامعه را بار دیگر روشن نگه داریم🙂 چراغی که امید داریم با همراهی و حضور شما عزیزان، هر روز پرفروغ‌تر از گذشته بدرخشد.✨️ با مهر جامعه هوش مصنوعی دانشگاه سمنان 🆔️ @SUAI_Community

🎬 عصر جدید فیلم‌سازی؛ وقتی کلمات به تصویر تبدیل می‌شوند! 🤖 دنیای تولید محتوا با ظهور مدل‌های پیشرفته هوش مصنوعی ویدئوساز مثل Sora 2 ، Veo 3.1 و Kling AI وارد مرحله جدیدی شده است. جامعه هوش مصنوعی دانشگاه سمنان 🆔️ @SUAI_Community

🔥 آیا Python در حال رسیدن به نسخه‌ی «فوق‌سریع» خودش است؟ تا حالا فکر کردید چرا با اینکه Python محبوب‌ترین زبان هوش مصنوعیه، ولی تقریباً همه‌ی فریم‌ورک‌های سنگین AI پشت صحنه‌شون با C++ نوشته شدن؟ 🤔 💥 حالا یک زبان جدید وارد بازی شده : Mojo زبان Mojo اومده تا سادگی Python رو با سرعت C++ ترکیب کنه؛ اون هم مخصوص دنیای هوش مصنوعی، یادگیری ماشین و محاسبات سنگین 🚀 🔹 سینتکسش شبیه Python 🔹 ولی کامپایل میشه و چندین برابر سریع‌تر اجرا میشه 🔹 مستقیماً برای CPU، GPU و شتاب‌دهنده‌های AI طراحی شده 🔹 توسط تیمی ساخته شده که خالق LLVM و Swift هم توش هستن 👀 یعنی چی؟ یعنی شاید در آینده بشه مدل‌های AI رو بدون ترک Python-style، با سرعت زبان‌های سطح پایین نوشت ⚠️ البته Mojo هنوز اول راهه ولی خیلی‌ها میگن: «زبان Mojo ممکنه بزرگ‌ترین تغییر اکوسیستم Python در دنیای AI باشه» 📌 به نظرتون Mojo می‌تونه آینده‌ی برنامه‌نویسی هوش مصنوعی رو تغییر بده؟ 📌 یا Python همون پادشاه بدون رقیب باقی می‌مونه؟ جامعه هوش مصنوعی دانشگاه سمنان 🆔 @SUAI_Community

در ششمین رویداد تک‌وتاک، سلسله رویدادهای تخصصی در حوزه توسعه نرم‌افزار همکاران سیستم که به‌ صورت #رایگان و #آنلاین برگزار می‌شه، به دنیای جذاب هوش مصنوعی و LLM‌ها سر خواهیم زد. سرفصل‌های این رویداد عبارتند از: ✅ مروری بر سیر تحولات LLM‌ها و VLM ها تا به امروز ✅ معرفی تسک‌های مختلف LLM‌ها و VLM‌ها ✅ آشنایی با Benchmark‌ها و Leaderboard‌ها ✅ مقایسه AI Platform های ارائه دهنده سرویس ✅ انتخاب LLM مناسب 🗣️ ارائه‌دهنده: سروش عاشوری‌صفت | Data Scientist همکاران سیستم 📅 پنج‌شنبه ۱۸ دی‌ماه | ساعت ۱۰ تا ۱۲ شرکت در رویداد فقط در صورت ثبت‌نام امکان‌پذیره. اطلاعات بیشتر و لینک ثبت‌نام: https://B2n.ir/qt7421 . Linkedin | Instagram

🤖 هوش مصنوعی در شناسایی حملات سایبری صنعتی با گسترش سیستم‌های صنعتی هوشمند و Industrial IoT، امنیت سایبری به یکی از چالش‌های مهم تبدیل شده است. در این پست، به معرفی یک مقاله علمی می‌پردازیم که از یادگیری عمیق برای تشخیص حملات سایبری در محیط‌های صنعتی استفاده می‌کند. 🔐 اما امنیت سایبری چی هست ؟! به مجموعه روش‌ها و ابزارهایی گفته می‌شود که از سیستم‌ها، شبکه‌ها و داده‌ها در برابر حملاتی مانند بدافزار، فیشینگ و نفوذ محافظت می‌کند. هدف اصلی آن حفظ: • محرمانگی • یکپارچگی • دسترس‌پذیری ⚡️به اختصار به این سه هدف CIA گفته می شود!  🏭 مسئله مقاله شبکه‌های صنعتی و SCADA به دلیل استفاده از پروتکل‌های قدیمی و روش‌های سنتی(مدل LSTM)، آسیب‌پذیر در برابر حملات سایبری هستند و دقت سیستم‌های تشخیص فعلی کافی نیست. 🧠 راهکار پیشنهادی در این پژوهش، مدلی ترکیبی ارائه شده است که شامل: • Pyramidal Recurrent Unit (PRU) • Decision Tree (DT) این ترکیب موجب افزایش دقت، پایداری و اعتمادپذیری در شناسایی حملات شده و توانایی مدل را در تشخیص دقیق‌تر حملات به‌طور قابل‌توجهی بهبود می‌بخشد. درخت تصمیم یا DT یکی از مدل های یادگیری ماشین هست. 📊 نتیجه نهایی روش PRU + Decision Tree عملکرد بهتری در تشخیص حملات هم به‌صورت دودویی و هم چندکلاسه(که منظور همان classification هایی هست که برای مدل تعریف شده) داشته و گزینه‌ای مناسب برای محیط‌های صنعتی معرفی شده است. افراد علاقه مند به این موضوع می توانند اطلاعات بیشتر را از مقاله Trustworthy and Reliable Deep-Learning-Based Cyberattack Detection in Industrial بخوانند. جامعه هوش مصنوعی دانشگاه سمنان 🆔 @SUAI_Community