يعمل الذكاء الاصطناعي على تحويل مختلف القطاعات والسلع والوظائف الأساسية. ومع ذلك، تستهلك الشبكات العصبية العميقة موارد مفرطة من حيث الذاكرة والقدرة الحاسوبية والطاقة. ولضمان اعتماد الذكاء الاصطناعي على نطاق واسع، يجب أن يعمل بكفاءة على أجهزة المستخدم النهائي، مع الالتزام بالقيود الصارمة للطاقة والحرارة. تلعب تقنيات مثل التكميم والضغط دوراً محورياً في التخفيف من هذه التحديات.

في هذه الندوة عبر الويب، سيرشدك مدير منتجات سوني، أمير سيرفي، إلى مجموعة أدوات ضغط النماذج من سوني لتكميم وتسريع نماذج التعلم العميق لنشر الحافة بكفاءة. ستتعلم كيفية القيام بنفس الشيء لنموذجك الخاص! ما ستتعلمه:

- أحدث أبحاثنا في تقنيات التكميم وتطبيقها في منتج عملي

- أهمية الضغط المدرك للأجهزة للاستدلال على الحافة

- كيف يمكن للمهندسين والباحثين تطبيق هذه التقنيات من خلال سوني MCT

لقد تم دفع التطورات الأخيرة في مجال الرؤية الحاسوبية بشكل كبير من خلال إدخال بنية المحولات والتجريدات سهلة الاستخدام للتدريب المسبق والضبط والاستنتاج في مكتبة المحولات 🤗. تقدم هذه المحاضرة نظرة عامة على أحدث نماذج الرؤية القائمة على المحولات، وتستكشف الأدوات المساعدة المتاحة في مكتبة 🤗المحولات، وتقدم رؤى عملية حول الفلسفة الكامنة وراءها.

هل تعبت من الطوابير الطويلة عند الخروج من متاجر التجزئة؟ نظام إدارة قوائم الانتظار الذكي الخاص بنا هو الحل! انضم إلينا في برنامج تعليمي خطوة بخطوة حول كيفية إنشاء مثل هذا النظام باستخدام OpenVINO و YOLOv8. سنرشدك خلال عملية دمج هذه الأدوات القوية مفتوحة المصدر لتطوير حل شامل يمكن نشره في بيئات الدفع بالتجزئة. ستتعلم كيفية تحسين التطبيق لتحقيق أداء متميز. سواء كنت مطورًا متمرسًا أو مطورًا جديدًا في مجال الذكاء الاصطناعي، ستقدم لك هذه الجلسة نصائح عملية وأفضل الممارسات لبناء أنظمة ذكية باستخدام OpenVINO. بنهاية العرض التقديم، ستكون لديك المعرفة والموارد اللازمة لبناء الحل الخاص بك.

في عصر يتسم بالتقدم السريع في مجال الذكاء الاصطناعي (AI)، فإن التعامل مع المشهد الأخلاقي لهذه التكنولوجيا أمر بالغ الأهمية. في هذه الجلسة، ستكشف مونيكا النقاب عن الشبكة المعقدة من المعضلات الأخلاقية التي تصاحب القوة التحويلية للذكاء الاصطناعي. من معالجة التحيز والإنصاف إلى استكشاف الشفافية والمساءلة والتأثير العميق للذكاء الاصطناعي على المجتمع، ستقدم مونيكا رؤى تلقي الضوء على الاعتبارات الأخلاقية المحيطة بالذكاء الاصطناعي.

هذه المحاضرة هي فرصتك لاكتساب فهم أساسي للتحديات والمسؤوليات الأخلاقية المرتبطة بالذكاء الاصطناعي. ستزودك مونيكا بمعرفة ضرورية لأي شخص منخرط في تطوير الذكاء الاصطناعي أو صنع القرار أو وضع السياسات.

يمكن أن تكون النماذج التأسيسية متطلبة من حيث حساب GPU وقد لا تكون مناسبة لتطبيقات الوقت الحقيقي، خاصةً إذا كنت ترغب في توسيع نطاق ملايين نقاط الشراء المستقلة. ولكننا نستفيد من طريقة تسمى التقطير المعرفي، حيث نضع نماذجنا التأسيسية للمهام المعقدة مثل التعليقات التوضيحية وننقل هذه المعرفة إلى نماذج أصغر حجماً وفعالة من حيث التكلفة. وهذا يسمح لنا بتسريع عملية التوضيحات التوضيحية لدينا بما يصل إلى 90 مرة أسرع من عملية وضع العلامات التقليدية البشرية.

بسس. هل تريد أن تسمع سراً؟ ماذا لو أخبرتك أن التعلم النشط لا يجب أن يكون صعباً. ماذا لو كانت هناك... طريقة سهلة؟ أنت محظوظ. سيوضح لك هذا الحديث بالضبط كيفية تنفيذ خط أنابيب التعلم النشط باستخدام محرك بيانات DagsHub. ويمكن تشغيل 90٪ من خط الأنابيب مباشرةً في دفتر ملاحظات Jupyter أو على Google Colab! بنهاية المحاضرة، سيكون لديك المعلومات اللازمة لتحويل مشروعك الحالي إلى مشروع يستخدم التعلم النشط لتحسين مقاييس نماذجك بكفاءة وسرعة!

يمكن أن يساعدك استخدام أدوات مفتوحة المصدر مع YOLOv8 في تشغيل مشروعك القادم للذكاء الاصطناعي البصري بسرعة. هناك مستودعات للصور مفتوحة المصدر، ومكتبات للمساعدة في أتمتة تصنيف البيانات، وأدوات للتتبع أو العد، وخوادم لنشر نماذجك. تعرف على كيفية استخدامها مع YOLOv8 لبناء تطبيقك التالي.

من المتوقع أن يكون للسباق العالمي المستمر على أنظمة ذكاء اصطناعي أكبر وأفضل تأثير مجتمعي وبيئي عميق من خلال تغيير أسواق العمل، وتعطيل نماذج الأعمال، وتمكين هياكل جديدة للحوكمة والرفاهية المجتمعية التي يمكن أن تؤثر على التوافق العالمي لمسارات العمل المناخي. ومع ذلك، يتم تدريب أنظمة الذكاء الاصطناعي الحالية على مجموعات بيانات متحيزة يمكن أن تزعزع استقرار الوكالات السياسية التي تؤثر على قرارات التخفيف من آثار تغير المناخ والتكيف معه وتهدد الاستقرار الاجتماعي، مما قد يؤدي إلى أحداث اجتماعية غير محسوبة. وبالتالي، فإن التصميم المناسب لنظام ذكاء اصطناعي أقل تحيزًا يعكس التأثيرات المباشرة وغير المباشرة على المجتمعات والتحديات الكوكبية مسألة ذات أهمية قصوى.

يمكن أن يؤدي التكميم الكمي لنماذج التعلم الآلي (ML) إلى انخفاض كبير في حجم النموذج بالإضافة إلى تقليل زمن الوصول إلى الاستدلال بسبب انخفاض متطلبات عرض النطاق الترددي. عندما يتم نشرها على خيارات الأجهزة التي تدعم الحسابات الصحيحة بكفاءة، يمكن أن تكون مكاسب الأداء أكثر دراماتيكية. ومع ذلك، يمكن أن يؤدي التكميم في بعض الأحيان إلى تدهور غير مقبول في الدقة. في هذا الحديث، نقدم لمحة عامة عن طرق تكميم نماذج YOLOv8 بكفاءة مما يجعلها خيارًا ممتازًا لمختلف تطبيقات الذكاء الاصطناعي المتطورة في الوقت الحقيقي. كما نقدم أيضًا فئة من نماذج YOLOv8 مع دالة تنشيط ReLU6 التي تُظهر نتائج ممتازة في مرحلة ما بعد التدريب على مجموعة متنوعة من بنيات النماذج ومجموعات البيانات. وأخيرًا، نوضح كيف يمكن نشر النماذج المكمّمة على خيارات أجهزة متعددة مثل وحدات المعالجة المركزية ووحدات المعالجة المركزية ووحدات المعالجة الحافة TPU وOrca (مسرّع الذكاء الاصطناعي للذكاء الاصطناعي من DeGirum) باستخدام واجهات برمجة تطبيقات بسيطة.

Ultralytics هي موطن أحدث نماذج الرؤية الحاسوبية المتطورة والمتقدمة لمهام مثل تصنيف الصور واكتشاف الأجسام وتجزئة الصور وتقدير الوضعية. تُعد Weights & Biases منصة MLOPS الأولى للمطورين والتي عند دمجها مع سير عمل Ultralytics تمكننا من إدارة تجاربنا ونقاط التحقق من النماذج وتصور نتائج تجاربنا بسهولة بطريقة ثاقبة وبديهية. في هذه الجلسة، سنستكشف كيف يمكننا تعزيز سير عمل الرؤية الحاسوبية لدينا بفعالية باستخدام Ultralytics Weights & Biases.

تعلّم كيف أنشأنا PatentPT، وهو حل نموذج لغوي متقدم يعزز بشكل كبير من قدرات البحث عن براءات الاختراع والتفاعل معها. يقدم العرض التقديمي رؤى عملية حول صقل ونشر نماذج لغوية كبيرة والاستفادة من وكلاء الذاكرة على مستوى المؤسسات لإكمال براءات الاختراع تلقائيًا، وإنشاء الملخصات والادعاءات، وإجراء وظائف بحث متقدمة عن براءات الاختراع باستخدام مجموعة براءات الاختراع الغنية. سنرشدك إلى كيفية تطوير حل مماثل باستخدام بحيرة ديب ليك المتطورة من Activeloop، وقاعدة بيانات الذكاء الاصطناعي، ونماذج LLM مفتوحة المصدر، وأجهزة Habana Gaudi HPU، وواجهات برمجة تطبيقات الاستدلال LLM من Amazon Sagemaker.

سنرشدك إلى المخططات المعمارية وجميع الخطوات التي اتخذناها لبناء الحل، بدءاً من تدريب نموذج LLM الخاص بنا وضبطه وإنشاء ميزات مخصصة ونشر واجهات برمجة تطبيقات البحث.

سواء كنت من ممارسي الذكاء الاصطناعي الذين يبحثون عن أدلة عملية حول ضبط تطبيقات LLMs، أو كنت متخصصًا قانونيًا مهتمًا بالاستفادة من الذكاء الاصطناعي في البحث عن براءات الاختراع، أو كنت ببساطة مهتمًا بالفضول حول مستقبل الحلول المعززة بالذكاء الاصطناعي، فإن حديثنا يقدم لمحة عن عملية وإمكانيات استخدام تطبيقات LLMs في مجال متخصص. انضم إلينا ونحن نشاركك رحلتنا في بناء تطبيقات مخصصة مدعومة بالذكاء الاصطناعي LLM مدعومة من Deep Lake، وهي قاعدة بيانات للذكاء الاصطناعي للشركات الكبيرة والصغيرة.