اکثر برنامه نویس هایی که فکر میکنند با یادگیری فریمورکهای جدید AI، اسکیل ها و ام سی پی های مختلف در امان هستند، تا ۲ سال آینده از بازار کار حذف میشن. دلیلش فنی نیست، بلکه یک کژفهمی بزرگ درباره ارزش واقعی کدنویسیه
یه نسخهی Open Source از Clay برای Agentها ساختن که با Jev + https://t.co/dcqGwxGxls کار میکنه.
ادعای سازنده : 👇🏻
دیگه لازم نیست ماهی حدود ۶۰۰ دلار اشتراک Clay بدی.
هزینهی این سرویس حدود 0.0089 دلار برای هر لیده.
ادعا میکنن حدود ۸۵٪ ارزونتر از Clay در میاد.
برای People Search دقت بالایی داره.
میشه به هر Agent یا Workflow وصلش کرد.
کاملاً Open Sourceـه و میگن ۰٪ markup میگیرن.
لینک تستش هم اینه: https://t.co/GGHFHzSZmq
در عمل یعنی برای پیدا کردن لید و اطلاعات افراد برای Sales / Outreach ساخته شده؛ چیزی شبیه Clay، ولی ارزونتر و Agent-friendly
اگه این مدل ابزارهای جدید AI و Workflowهای خفن به کارت میاد، آموزشها و ابزارهای بیشتری رو تو کانال میذاریم 👇
https://t.co/lq3DUgX0Ww
چرا با ظهور si بازار کار برای data/ai engineers کم که نشد که بیشتر هم شد؟
پاسخش توی پارادوکس جونزه! جونز متوجه شد که پس از معرفی موتور بخار بهینهشده توسط جیمز وات (که زغالسنگ کمتری مصرف میکرد)، مصرف کلی زغالسنگ در انگلستان به جای کاهش، سهبرابر شد!
@ProfBrianKren باشه حالا شما کوتاه بیا 🤣
قاعدتا اگه ندونی چطور خودتو با بازار کار و تکنولوژی وفق بدی حذف میشی. کوچکتر شدن تیم ها لزوما به معنی افزایش بی کاری نیست.
در واقع مپ کردن دادهها به یک فضای ابعادی کوچکتر و فشرده، نویزها حذف میشن. خروجی این فشردهسازی، یک ورودی تر و تمیز، قطعی و ساختاریافته برای مدل میسازه
همونطور که انتظار میرفت Determinism توی هوش مصنوعی دوباره داره جاش رو پیدا میکنه، فعلاً توی لباس Jev. این در واقع همون ایده انکودرها و معماریهای کلاسیکه که سعی میکردن قبل از دیکودینگ یا تصمیمگیری، فضای ویژگی ها رو مپ کنن به فضای پایینتر #Jev#encoders#ai
کمپانی Anthropic میگه حدود ۹۵۰ Agent از Claude، بعد از ۲۱ ساعت کار، به یه سیستم آنزیمی ناشناخته در DNA رسیدن که بعدا در آزمایشگاه تایید شده! 🧬🤖
یعنی AI فقط مقاله نمیخونه؛ داره وارد چرخهی واقعی کشف علمی هم میشه.
طبق این پارادوکس، وقتی کارایی یک ابزار بالا میره و ارزونتر میشه، مصرفش کم نمیشه بلکه به شدت جهش پیدا میکنه. هوش مصنوعی کدنویسی رو ارزون و سریع کرد. نتیجش این شد که شرکتها پروژههای بیشتری تعریف کردن، سیستمها پیچیدهتر شدن و حجم دادهها هزار برابر شد!
گوگل AX رو متنباز کرده؛ یک orchestrator برای اجرای Agentها در مقیاس بالا.
ایدهاش شبیه Kubernetes برای Agentهاست؛ با sandbox، مدیریت state، اجرای طولانیمدت و امکان suspend/resume.
https://t.co/nC04OI0kPn
تازه داشت بحث explainable AI کم کم در مورد مدل های دیپ (سنتی) داغ میشد که یهو سرو کله LLMs پیدا شد. (: با این روند که داریم پیش میریم طی چنسال آینده حتی نمیدونیم کارهای روزمرمونو بر چه اساس و به چه دلیلی داریم انجام میدیم. یه چیزی مثل سریال سایلو
کاربری در ردیت با کمک GPT-6 نسخهای دقیق از فتوشاپ رو به صورت رایگان ساخته.
این کار برای او حدود 2000 دلار هزینه داشت، اما نتیجه ارزش داشت
این نرمافزار با نام Photon تقریباً تمام قابلیتهای نسخه پولی رو داره و روی لینوکس، ویندوز و مک قابل استفاده است.
https://t.co/TeFJ59D3oB
گوگل تونست مشکل کمبود رم و gpu رو حل کنه، برای اینکار ویروسی رو با کریسپر طراحی کرده که میتونه به مگس سرکه حمله کنه و مدلهای هوش مصنوعی رو مغز اونها اجرا کنه، برای اینترفیس هم از نور و سنسورهای خازنی استفاده میکنه اینطوری که توکن ورودی به صورت نور به کلاستر مگسهای سرکه تابونده میشه مگسها برای تولید و حدس توکن خروجی به روی سنسورهای خازنی میشینن و دیتا رو جنریت میکنن، از اونجا که عمر این مگسها کمه کل سیستم شبیه سطل زباله میوه س و توش زباله میوه میریزین و مگسهای جدید متولد میشن و ویروس رو از مگسهای قبلی میگیرن و چرخه ادامه پیدا میکنه.