هوش مصنوعی در علوم پزشکی | هوش سبز

🖥 ۶ دوره رایگان برای یادگیری AI Agents 👈 اگه میخوای وارد دنیای هوش مصنوعی مولد و ایجنت ها بشی، این دوره‌های #رایگان می‌تونه شروع خوبی باشه ✔️ دوره Generative AI for Beginners آشنایی با ساخت اپلیکیشن‌های #GenerativeAI (۲۱ درس رایگان و کوتاه) ✔️ دوره Function-Calling & Data Extraction کار با #LLM ها برای اتصال به ابزارها و استخراج داده‌های ساختاریافته ✔️ دوره Database Agent یاد بگیر چطور با SQL/ Python با دیتابیس تعامل داشته باشی ✔️ دوره LangChain for LLM App Development دوره‌ای ساده و جذاب برای ساخت اپ‌های هوش مصنوعی با #LangChain ✔️ ساخت و ارزیابی اپلیکیشن‌های RAG پیشرفته یادگیری جدیدترین متدهای #RAG ؛ نیاز به آشنایی مقدماتی با Python ✔️ ساخت Agentic RAG با LlamaIndex ساخت سریع #AIAgent هایی که اسنادتو تحلیل می‌کنن  @Health_AI 🎖

گوگل لب از Photoshoot، ویژگی جدیدی در Pomelli برای تصاویر بازاریابی محصول مبتنی بر هوش مصنوعی، رونمایی کرده لینک @Health_AI 🎖

یک لیست بسیار پرکاربر از مجموعه سرویس هایی میتوانید API مربوط به Ai را بصورت رایگان یا با اعتبار اولیه را دریافت کنید. - Free API endpoints and providers for AI/LLM testing and prototyping https://xpoury4.github.io/free-ai-api/ گیت هاب : https://github.com/xPOURY4/free-ai-api @Health_AI 🎖

دولت آمریکا پلتفرم Freedom را برای مقابله با فیلترینگ در ایران و چین راه‌اندازی می‌کند وزارت امور خارجه آمریکا پلتفرم جدیدی به‌نام Freedom راه‌اندازی کرده که هدف آن، دسترسی کاربران سراسر جهان، به‌ویژه ساکنین کشورهایی مانند ایران و چین، به اینترنت بدون فیلترینگ است. طبق ادعای مقامات آمریکایی، این پلتفرم به‌صورت متن‌باز طراحی شده و داده‌های کاربر را ذخیره نمی‌کند، ضمن این‌که روی موبایل و دسکتاپ هم در دسترس خواهد بود. به‌گفته دولت آمریکا، ابزار Freedom پاسخی تکنولوژیک به افزایش کنترل دولت‌ها بر فضای آنلاین است. @Health_AI

در ادامه پست قبلی درباره مدل Qwen3.5، باید گفت روند ۲۰۲۶ نشون می‌ده که بازی از «طراحی معماری‌های تئوریک» رسماً رفته سمت system engineering دیگه کسی صرفاً با عدد پارامتر رقابت نمی‌کنه؛ جنگ اصلی سر throughput، مدیریت memory و بهینه‌سازی inference stackهست یعنی یه مدل ۷۰۰B بدون زیرساخت درست برای serving عملاً یه هیچ دردی نمیخوره. معماری Sparse MoE تبدیل شده به انتخاب پیش‌فرض برای اسکیل. همون‌طور که Qwen3.5 با 397B پارامتر ولی فقط 17B active نشون داد، میشه با تعداد زیاد expert و هزینه خیلی کمتر میشع به دقت مدل‌های dense رسید ترکیب Hybrid Linear Attention و Gated DeltaNet هم مشکل انفجار حافظه تو long context رو کنترل کرده. تکنیک مهم دیگه Multi-Token Prediction (MTP) هست که باعث میشه مدل تو هر step چند token رو هم‌زمان پیش‌بینی کنه و سرعت decode تا چندین برابر بالا بره؛ یعنی agentها دیگه معطل پاسخ نمی‌مونن. جمع‌بندی اینکه از عصر «big models» وارد عصر «efficient systems» شدیم. اگه کسی می‌خواد عقب نمونه، باید به جای تمرکز صرف روی مقالات معماری، بره سراغ ابزارهای inference مثل vLLM و SGLang و فریم‌ورک‌های distributed RL. عصر فعلی AI در مورد مهندسی اجرا هست، نه تعداد پارامتر های زیاد @Health_AI

علی‌بابا اومده Qwen3.5 رو بصورت open weights منتشر کرده و مدل Qwen3.5-397B-A17B اولین مدل از سری Qwen3.5 هست که وزن‌هاش عمومی شده. این یه مدل native multimodal هست، یعنی متن، تصویر و ویدیو رو هم‌زمان تو یه سیستم واحد می‌فهمه و لازم نیست جدا جدا پردازش بشن. نکته مهمش اینه که یه مدل 397B-parameter از نوع sparse MoE هست که به ازای هر token فقط 17B active parameters استفاده می‌کنه. همین معماری باعث شده decoding throughputش خیلی بالا بره؛ 🔹تا 8.6× سریع‌تر تو context 32k 🔹تا 19× سریع‌تر تو context 256k نسبت به Qwen3-Max. از نظر بنچمارک هم عددهاش قابل توجهه؛ روی IFBench امتیاز 76.5 گرفته، روی AIME26 شده 91.3 و روی SWE-bench Verified هم 76.4. مدل از 201 زبان و dialect پشتیبانی می‌کنه و یه vocabulary با 250k token داره. @Health_AI

تو آپدیت جدید Chrome تکنولوژی WebMCP اضافه شده که برای دنیای AI خبر خیلی بزرگیه. پروتکل WebMCP به اجنت‌های AI اجازه میده با هر سرویس و سایتی کار کنن و ساختارش رو بفهمن، بدون دخالت انسان. این یعنی هزینه ساخت و استفاده از اجنت‌ها و سرویس‌‌های اونا بسیار پایین میاد. از اون طرف، استارتاپ‌ها و سرویس‌ها هم می‌تونن بدون تخصص بالای AI و دردسر زیاد قابلیت Agentic و اتصال کامل به بقیه ابزارها رو به سرویسشون اضافه کنن. این پروتکل یه استاندارد پیشنهادیه که تو ماه‌های اخیر استفاده ازش خیلی زیاد شده و الان عملاً داره میاد تو لایه زیرساخت وب. یعنی چی در عمل؟ دیگه ساخت integration برای هر سرویس جدا مطرح نیست. دیگه ساخت اجنت اختصاصی برای هر ابزار مطرح نیست. دیگه اسکرپ دیتا و راه‌حل‌های وصله‌پینه‌ای هم مطرح نیست.

#کدبوک دقت بفرمایید گفتیم دیگر نه زبان برنامه نویسی فرقی داره ، نه دیگه بروید دوره هیچ ابلهی را شرکت کنید و هر کسی هم امید الکی می دهد را بلاک کنید برود پی کارش خوب حالا که AI هست ، چه کنیم ؟. پس چرا من کتاب معرفی میکنم ؟ چون وقتی نمی دانی GraphQL چیه ، وقتی نمی دانی کجا WebHook لازم است ، کجا API ، خوب چی میخای از AI - مثل اینه که یکی می تواند تو را هر شهری دوست داری ببرد ، ولی تو اصلا خبر نداری شهری به اسم پاریس هست ! - باید بدانی هست ، ازش درخواست کنی تا ببرد اینجاست که من دیگر تاکیدی بر Syntax ندارم - بحث بر متدولوژی و پیاده سازی است دیگر کسی که Angular تدریس می کند یا دنبال سی شارپ یاد دادن و .... است را ول کنید - درست است دیگر نان نمی تواند بخورد، ولی قرار نیست شما سر کار بروید الکی - واقع بین باشید ، وقت توهم داشتن نیست

🔹استوری تلگرام برای کاربران ایرانی فعال شد به‌روزرسانی جدید تلگرام که دقایقی پیش در دسترس قرار گرفت، تغییراتی در ظاهر این پیام‌رسان ایجاد می‌کند. این تغییرات مبتنی‌بر زبان طراحی شیشه‌ای iOS هستند و ظاهرا در نسخه‌ی اندروید هم دیده می‌شوند. با این‌حال مهم‌ترین تغییر برای ایرانی‌ها، فعال‌شدن ویژگی استوری تلگرام است.

آنچه اخیرا در جهان AI گذشت | بخش اول ‏🔹 Google و Agentic Vision توی Gemini 3 Flash گوگل اومده Agentic Vision رو به Gemini 3 Flash اضافه کرده؛ یعنی مدل دیگه فقط یه نگاه به عکس نمی‌ندازه و جواب بده، بلکه مرحله‌به‌مرحله فکر می‌کنه. به‌جای اینکه فقط image رو ببینه، برنامه‌ریزی می‌کنه، Python code اجرا می‌کنه (مثلاً crop، zoom، count)، دوباره به تصویر نگاه می‌کنه و بعد جواب می‌ده. نتیجه؟ جواب‌ها خیلی کمتر حدسی‌ان و بیشتر به pixel واقعی وصل می‌شن. گوگل می‌گه با این حالت، کیفیت مدل توی benchmarkهای بینایی حدود ۵ تا ۱۰٪ بهتر شده. 🔹 DeepSeek-OCR 2؛ OCR که مثل آدم می‌خونه دیپ سیک نسخه جدید DeepSeek-OCR 2 رو منتشر کرده تا یه مشکل قدیمی OCR رو حل کنه: مدل‌های قدیمی مثل اسکن پیکسل از چپ به راست کار می‌کنن، ولی این یکی با DeepEncoder V2 اول کل صفحه رو می‌فهمه، بعد تصمیم می‌گیره چی رو اول بخونه، چی رو بعد. این برای documentهای واقعی که table، column و form دارن خیلی مهمه. 🔹 Anthropic و MCP Apps؛ UI مستقیم داخل چت آنتروپیک اومده MCP Apps رو معرفی کرده؛ یعنی به‌جای اینکه توی چت فقط متن ببینی، UI واقعی (dashboard، form، workflow) میاد وسط چت.بر پایه Model Context Protocol (MCP) ساخته شده و نکته خفن اینه که UI و مدل state مشترک دارن. دیگه لازم نیست برای هر کلیک و فیلتر، یه prompt جدید بدی. 🔹 Moonshot و Kimi K2.5؛ Agent Swarm واقعی مجموعه Moonshot AI مدل Kimi K2.5 رو داده بیرون؛ یه مدل multimodal open-source که متن، تصویر و ویدیو رو با هم می‌فهمه.مشکل مدل‌های بزرگ اینه که یه agent باید همه کارو خودش بکنه: plan، execute، verify. مدل Kimi K2.5 اینو با Agent Swarm حل کرده. یعنی یه orchestrator میاد task رو می‌شکنه و چندین sub-agent رو موازی اجرا می‌کنه. عملکرد قوی توی HLE، SWE-Bench Verified، BrowseComp داشته 🔹 Alibaba و Qwen3-Max-Thinking؛ غول reasoning علی‌بابا مدل Qwen3-Max-Thinking رو معرفی کرده؛ یه مدل reasoning که مخصوص جاهاییه که جواب یک‌مرحله‌ای جواب نمی‌ده.مدل به‌جای یه حدس، چند راند فکر می‌کنه، خودش رو چک می‌کنه و از tool استفاده می‌کنه. نتیجه: 58.3 توی Humanity’s Last Exam با tools (بالاترین عدد گزارش‌شده).

یکی از اینفلوئنسرهای حوزه Ai بنام Robin Eber سایت پایین رو ساخته که بصورت رایگان، پرامپت شما رو آنالیز میکنه و بهش نمره میده. بهتون میگه که آیا پرامپتتون رو خوب نوشتید یا نه و اگر نه، ایرادش کجاست و چطور میتونید بهترش کنید که بهترین خروجی ممکن رو بگیرید. https://coach.robinebers.com/ @Health_AI 🎖

میلاد با سعادت حضرت علی(ع) و همچنین روز مرد خدمت عزیزان دلم تبریک عرض می کنم. آرزوی بهترین ها رو برای تک تک شما عزیزان از خداوند منان و مهربان خواستارم 🌹❤️

گزارش AI Outlook 2026 استنفورد دوران هیجان‌زدگی و حرف‌های بزرگ درباره AI داره تموم میشه و قراره تمرکز بره روی نتیجه‌ی واقعی که AI توی کار تحویل می‌ده چند سال اخیر پر بوده از مدل‌های جدید و deployهایی که خیلی وقت‌ها توی دمو خوب بودن، ولی توی دنیای واقعی درست کار نکردن. به‌نظر استنفورد، الان وقت یه بازنگری جدیه. یعنی دیگه به‌جای اینکه بپرسیم «این مدل چه کارهایی بلده؟» باید بپرسیم «این مدل واقعاً چه مشکلی رو حل کرده؟». تغییر مهم اینه که ارزیابی‌ها قراره برن روی task-level و به‌صورت ماهانه انجام بشن. یعنی به‌جای ادعاهای کلی، عدد و دیتا داشته باشیم که نشون بده AI توی هر تسک چقدر مفیده، چقدر هزینه داره و چقدر سریع جواب می‌ده. اساتید استنفورد می‌گن سؤال‌هایی مثل آیا AI می‌تونه بنویسه یا reasoning کنه؟ دیگه به درد تیم‌هایی که دارن محصول واقعی می‌سازن نمی‌خوره. مسئله اصلی الان اینه که AI توی workflow واقعی چقدر خوبه، چقدر cost داره و آیا اصلاً به صرفه هست یا نه؟ این نگاه فقط مخصوص مهندس‌ها نیست. اقتصاددان‌ها، پزشک‌ها و وکلا هم باید باید اینطوری فکر کنن. لینک @Health_AI 🎖

یه پروژه جالب برای Agentic RAG نمونه ساده و قابل فهم از سیستم RAG با استفاده از LangGraph. این ریپو به‌صورت قدم‌به‌قدم نشون می‌ده چطور: ایندکس‌سازی سلسله‌مراتبی ا حافظه مکالمه سوال‌های مبهم رو خودش اصلاح کنه https://github.com/GiovanniPasq/agentic-rag-for-dummies گروه هوش سبز هوش مصنوعی در علوم پزشکی @Health_AI 🎖

⭕️ اهمیت سر زدن و نشست با اعضای تیم تحت رهبری #Harvard_business_review 🔸هاروارد بیزینس ریویو در مقاله‌ای با عنوان «بازآفرینی مدیریت عملکرد» به تجربه نوین شرکت خدمات دلوئیت (مستقر در نیویورک با عمر ۱۷۰ ساله و درآمد سالیانه بیش از ۳۴ میلیارد دلار و بیش از ۲۱۰ هزار کارمند) پرداخته است؛ تیم‌ هایی در سازمان دارای بهترین عملکرد هستند که رهبران آن‌ها، با هر یک از اعضای تیم به صورت «حداقل هفتگی» نشست‌های کوتاه بررسی (Check-in) برگزار کنند. رهبران این تیم‌ها در این ارتباطات فعالیت‌های زیر را انجام می‌دهند: 1⃣ شفاف کردن انتظاراتی که از فرد طی هفته آتی دارند. 2⃣ تعیین و یا اصلاح اولویت‌های کاری 3⃣ بازخورد دادن در مورد فعالیت‌های هفته‌ی گذشته کارمند 4⃣ انتقال اطلاعات جدید و مفید در مورد پروژه به فرد 5⃣ هدایت و مربی‌گری دلسوزانه و نشان دادن راههای پیشرفت و بهبود عملکرد به فرد. 🔹مسئولان این شرکت تمامی رهبران تیم‌ها را «موظف» به برگزاری «حداقل یک نشست‌ کوتاه» (Check-in) با تیم خود در هر هفته کرده‌اند و معتقدند در غیر این صورت، ممکن است اولویت‌ کارها فراموش شود و به جای اینکه مکالمه‌ی رهبر و عضو تیم معطوف به آینده‌‌ی نزدیک گردد، به بحث در مورد چرایی عملکرد درگذشته توجه شود. 🔹علاوه بر این طبق بررسی کارشناسان این شرکت، هر اندازه که بسامد این نشست‌های کوتاه بیشتر باشد، احتمال دلبسته ‌شدن/ماندن فرد به سازمان افزایش خواهد یافت. 🔹در پایان این جمله نیز درس‌آموز است؛ جمله‌ ای که به نظر می‌رسد در پاسخ به اعتراض یا دلخوری برخی از رهبران تیم‌ ها (مبنی بر اینکه ما برای انجام فعالیت‌های معمول خود نیز وقت نداریم، چرا کار دیگری برای ما می‌تراشید؟!)‌ عنوان شده باشد: برای [سازمان] ما؛ این نشست‌های بررسی و بازخورد، کاری اضافه بر کارهای رهبر تیم نیست؛ بلکه از مهمترین وظایف رهبر تیم، همین است. @Health_AI 🎖

❖ «راهنمــــای کاربردی» چطــــور یه تیم تحلیــــل‌گر بــــورس با استفاده از ایجنت‌های هوش مصنوعی بسازی؟ اگــــه همیشــــه دنبــــال تحلیــــل بــــازار و سیگنــــال خریــــد و فروش هستی ولــــی نه وقــــتش رو داری، نه اعتمــــاد و نه… ☟ پس ایــــن مقاله رو حتمــــاً مطالعه کن ⟸ مطالعــــه مقاله ◆ Ai.Group™: | LinkedIn | Official | Projects | English ─────────────────────── ❐ برای افراد علاقه‌منــــد هم ارسال کن! ♡⠀   ⎙⠀   ⌲⁣         〇⠀      ˡⁱᵏᵉ   ˢᵃᵛᵉ   ˢʰᵃʳᵉ⁣  ᶜᵒᵐᵐᵉⁿᵗ ─────────────────────── #StockMarket #Investing #InvestmentStrategy #StockAnalysis #MarketAnalysis #FundamentalAnalysis #TechnicalAnalysis #MarketSentiment #MacroAnalysis #RiskManagement #Trading #Traders #SmartInvesting #FinancialMarkets #FinTech #AIinFinance #AgenticAI ───────────────────────

جدیدا ‏Allen AI به یه سوال کلاسیک جواب داده اونم اینه که برای قوی‌تر کردن یک LLM همیشه لازم نیست معماری جدید بسازی یا دنبال ایده‌های عجیب بری. خیلی وقت‌ها مشکل جای دیگه‌ست. مدل‌های open-source معمولاً توی reasoning زیاد، حل مسئله‌های چندمرحله‌ای و instruction following عقب می‌مونن، نه به خاطر معماری ضعیف، بلکه چون بخش reinforcement learning رو زود قطع می‌کنن. دلیلش هم واضحه چون RL هزینه محاسباتی زیادی می‌خواد. کاری که با Olmo 3.1 کردن پیچیده نیست. همون مدل قبلی، همون pipeline قبلی RL، بدون هیچ تغییری در architecture. فقط تصمیم گرفتن RL رو ادامه بدن. همون job رو ۲۱ روز بیشتر، روی ۲۲۴ تا GPU اجرا کردن و مدل رو تا 32B parameters جلو بردن. نتیجه نتیجه نشون داده که وقتی به RL زمان کافی بدی، مدل کم‌کم توی reasoning عمیق‌تر، کدنویسی و حل مسئله‌های پیچیده بهتر میشه. این کار یه پیام خیلی شفاف داره: خیلی از LLMها نه به خاطر سقف معماری، بلکه به خاطر عجله ما به سقف می‌خورن. RL اولش سریع پیشرفت میکنه ولی بعدش ضعیف تر میشه و دقیقاً همون‌جاست که بیشتر تیم‌ها بی‌خیالش میشن. @Health_AI 🎖

اگه لازمه وزن های مدلت خودت یا یه مدل دیگه ای رو رو از hugging face برداری دیگه از wget استفاده نکن، به جاش از huggingface_hub استفاده کن همونطور که تو عکس مشخصه 5 گیگ رو توو 36 ثانیه و 8 گیگ رو توو 50 ثانیه رو کولب دانلود مکینه دستور: from huggingface_hub import hf_hub_download hf_hub_download(repo_id, filename, local_dir) @Health_AI 🎖

مدل جدید GPT-5.2؛ تمرکز روی reasoning قوی‌تر، کدنویسی قابل‌اعتمادتر و long-context واقعی برای agentهای production با معرفی GPT-5.2 شرکت OpenAI گفته: این مدل برای کار واقعی ساخته شده، نه دمو و شوآف! خیلی از تیم‌ها همین الان هم دارن از GPT-5.1 برای code، doc و agent استفاده می‌کنن، ولی وقتی کار جدی میشه به مشکل می‌خورن و تو long context ها می‌لنگن، tool chainها شکننده‌ان و کار با repo-scale code دردسر میشه. مدل GPT-5.2 اومده دقیقاً این مشکل رو حل کنه و توی تسک‌های واقعی knowledge work به سطح human-expert برسه. مدل GPT-5.2 Thinking توی بنچمارک GDPval به عملکرد هم‌سطح متخصص انسانی رسیده. نسبت به کاربرد میتونی با یکی از اینا کار کنی: Instant وقتی جواب سریع یا نوشتن متن می‌خوای Thinking برای codebase، spreadsheet و long document Pro وقتی accuracy مهم‌تر از latency هست لینک @Health_AI 🎖