اکثر پیادهسازیهای Text-to-SQL وقتی به پروداکشن میرسند شکست میخورند.
دادن اسکیمای دیتابیس به LLM در دموها جذاب است، اما در سیستمهای واقعی با سه مشکل مواجه میشود:
• محاسبه اشتباه متریکهای بیزینسی
• کوئری زدن روی جدولهای قدیمی و منسوخشده
• تعاریف مبهم و ایجاد گزارشهای نادرست
در جدیدترین مقالهام، دلایل شکست روشهای ساده و نحوه ساخت یک Agentic Data Stack حاکمیتیافته در سه لایه را بررسی کردهام:
۱. لایهی Semantic: ایجنتها به جای دیتابیس خام باید با لایههای سمانتیک (مثل dbt و Cube) کار کنند.
۲. پایش فعال و CI: استفاده از Data Contractها برای جلوگیری از ناهماهنگی اسکیما.
۳. اسکیل های ماجولار/modular skills ایجنت: ساختار چندمرحلهای برای جستجوی متادیتا، فراخوانی API و اعتبارسنجی خروجی.
متن کامل مقاله:
https://t.co/vDHqdbHTpy
کانال تلگرام:
https://t.co/wW5jwFBTIS
بهنظرم آیندهی برنامهنویسی و خیلی رشتهها، حتی و مخصوصاً با وفور هوشمصنوعی، دقیقاً همینه. بهجای حفظیات و مدرک، مهارتهای داینامیک مثل واضح دیدن، کنجکاو موندن، حل مسأله، تفکر نقادانه، بیان و نوشتن واضح، پشتکار، علاقهمندی، و توانایی خودیادگیری، برندهها رو تعیین خواهند کرد.
این مدل جدید خیلی کوچک و سبک که گوگل معرفی کرد به اسم FunctionGemma را دست کم نگیرید. یه مدل فوقالعاده سبک (فقط ۲۷۰ میلیون پارامتر!) دارید که انقدر کوچیکه که روی گوشیهای معمولی هم راحت اجرا میشه، اما تخصصش فقط یک چیزه: تبدیل حرفهای ما به دستورات برنامهنویسی (Function Calling).
میتونید به صورت کاملا رایگان fine tune ش کنید برای کارهای مختلف.
اما این مدل به چه دردی میخوره؟ بیاین چندتا مورد جذاب رو بررسی کنیم:
۱. دستیار شخصی کاملاً آفلاین و امن:
تا حالا شده بخواین با فرمان صوتی چراغ خونه رو خاموش کنید یا یه تایمر بذارید، ولی چون اینترنت قطع بوده کار نکرده؟ با FunctionGemma، اپلیکیشنها میتونن بدون نیاز به سرور و کاملاً روی خود گوشی، حرف شما رو بفهمن و دقیقاً دکمه یا تابع مربوطه رو اجرا کنن. امنیتش هم عالیه چون هیچ دادهای از گوشی خارج نمیشه.
۲. بازیهای تعاملی نسل جدید:
تصور کنید توی یه بازی نقشآفرینی (RPG)، به جای اینکه فقط از بین گزینهها انتخاب کنید، به کاراکتر بگید: «برو از توی صندوقچه اون معجون قرمز رو بردار و بده به سرباز کناری.» این مدل میتونه این جمله رو به کدهای بازی ترجمه کنه و اکشنها رو بلافاصله انجام بده.
۳. اتوماسیون کارهای سیستم:
توسعهدهندهها میتونن ابزارهایی بسازن که کارهای تکراری سیستمعامل رو برامون انجام بده. مثلاً بگید: «فایلهای PDF توی پوشه دانلود رو که حجمشون بالای ۱۰ مگه زیپ کن و بفرست به ایمیل علی.» مدل دقیقاً توابع مربوط به مدیریت فایل و ایمیل رو فراخوانی میکنه.
۴. اینترنت اشیاء (IoT) هوشمندتر:
توی گجتهای هوشمند که رم و پردازنده خیلی محدودی دارن، FunctionGemma مثل یک جادوگر عمل میکنه. چون فقط به ۵۵۰ مگابایت رم نیاز داره، میتونه مستقیم روی سختافزار لوازم خانگی یا ابزارهای صنعتی نصب بشه تا دستورات پیچیده انسانی رو به زبان ماشین ترجمه کنه.
برای fine tune کردنش این بلاگ کامل توضیح میده به همراه کد.
Blog: https://t.co/m4xTWLtOF8
به این میگن نوآوری واقعی: Qwen‑Image‑Layered، همون چیزی که انتظارش رو نداشتیم ولی نیازش داشتیم
مدل Qwen‑Image‑Layered یک مدل جدید هوش مصنوعیه که قابلیت جالبی داره: میتونه یک تصویر ساده رو به چندین RGBA layer تجزیه کنه، یعنی لایههایی که هم رنگ (RGB) و هم شفافیت (alpha) دارن. این کار باعث میشه هر لایه رو جداگانه ویرایش کنی بدون اینکه بقیه تصویر به هم بریزن. وقتی تصویر با این روش decompose میشه، هر لایه بهصورت مستقل واقعی از بقیه جدا میشه و این یعنی میتونی رنگ، اندازه یا جای یک شیء رو تغییر بدی، متن یا عناصر خاصی رو جایگزین کنی، یا بخشهای ناخواسته رو حذف کنی بدون اینکه اثرش روی سایر قسمتهای تصویر باشه.
این مدل بر اساس معماری diffusion ساخته شده و از تکنیکهایی مثل RGBA‑VAE و VLD‑MMDiT استفاده میکنه تا تصویر رو بهصورت دقیق و معنیدار به لایههای مجزا تقسیم کنه. یکی از قابلیتهای مهمش اینه که میتونی تعداد لایهها رو خودت انتخاب کنی، مثلاً ۳، ۴ یا ۸ تا، و حتی هر لایه رو مجدداً به لایههای کوچکتر تقسیم کنی، که بهش میگن recursive decomposition. این ویژگی باعث میشه ویرایشها خیلی منظمتر و حرفهایتر انجام بشه، شبیه کار با ابزارهای گرافیکی مثل Photoshop، اما بهصورت خودکار و مبتنی بر هوش مصنوعی.
در کل، Qwen‑Image‑Layered این امکان رو به کاربران میده که کنترل کامل روی هر بخش تصویر داشته باشن و ویرایشهاشون طبیعی، دقیق و حرفهای باشه، بدون اینکه نیاز باشه زمان زیادی برای تفکیک و اصلاح دستی صرف کنن. این تکنولوژی به خصوص برای طراحها، هنرمندان دیجیتال و کسانی که با تصاویر پیچیده کار میکنن، میتونه بسیار کاربردی و وقتساز باشه.
🔗 صفحه مدل در hf (https://t.co/KM8SY6iPab)
🔗 دمو آنلاین مدل (https://t.co/GRCsatDe4c)
در این ویدئو در مورد تعریف بایاس-واریانس، بیشبرازش-کمبرازش، پیچیدگی مدل یادگیری ماشین و ارتباط اونها با هم صحبت کردم.
https://t.co/FmGACFy7iz
https://t.co/MEOIcdUrle
#هوش_مصنوعی#یادگیری_ماشین
پارت دوم - پاسخ به سوالای شما در باره ی هوش مصنوعی
لینک ویدئو : https://t.co/TmESdNhYs7
در ضمن هر سوالی بپرسید(تو کامنت ها) توی پارت سوم جواب داده می شه.