اخبار جعلی که به عنوان اخباری که اطلاعات نادرست، ساختگی یا عمداً گمراه کننده را منتقل می کنند یا ترکیب می کنند، از همان اوایل ظهور چاپخانه وجود داشته است. انتشار سریع اخبار جعلی و اطلاعات نادرست آنلاین نه تنها باعث فریب افکار عمومی می شود، بلکه می تواند تأثیر عمیقی بر جامعه، سیاست، اقتصاد و فرهنگ داشته باشد. مثالها عبارتند از:
- ایجاد بی اعتمادی در رسانه ها
- تضعیف روند دموکراتیک
- انتشار علم دروغین یا بی اعتبار (مثلاً جنبش ضد واکس)
پیشرفت در هوش مصنوعی (AI) و یادگیری ماشین (ML) توسعه ابزارهایی را برای ایجاد و به اشتراک گذاری اخبار جعلی آسان تر کرده است. نمونههای اولیه شامل رباتهای اجتماعی پیشرفته و حسابهای خودکار است که مرحله اولیه انتشار اخبار جعلی را افزایش میدهند. به طور کلی، تعیین اینکه آیا این اکانتها افراد هستند یا رباتها، برای عموم بیاهمیت نیست. علاوه بر این، رباتهای اجتماعی ابزار غیرقانونی نیستند و بسیاری از شرکتها بهعنوان بخشی از استراتژی بازاریابی خود، آنها را به صورت قانونی خریداری میکنند. بنابراین، محدود کردن استفاده سیستماتیک از رباتهای اجتماعی آسان نیست.
اکتشافات اخیر در زمینه هوش مصنوعی تولیدی، تولید محتوای متنی را با سرعتی بی سابقه با کمک مدل های زبان بزرگ (LLM) ممکن می سازد. LLM ها مدل های متنی مولد هوش مصنوعی با بیش از 1 میلیارد پارامتر هستند و در ترکیب متن با کیفیت بالا تسهیل می شوند.
در این پست، چگونگی استفاده از LLM ها را برای مقابله با مشکل رایج تشخیص اخبار جعلی بررسی می کنیم. ما پیشنهاد می کنیم که LLM ها برای این کار به اندازه کافی پیشرفته باشند، به خصوص اگر تکنیک های سریع بهبود یافته مانند زنجیره ای از فکر و واکنش نشان دادن همراه با ابزارهایی برای بازیابی اطلاعات استفاده می شود.
ما این را با ایجاد یک نشان می دهیم LangChain برنامه ای که با دادن یک خبر، با استفاده از زبان طبیعی به کاربر اطلاع می دهد که آیا مقاله واقعی است یا جعلی. راه حل نیز استفاده می کند بستر آمازون، یک سرویس کاملاً مدیریت شده که مدل های پایه (FM) از آمازون و ارائه دهندگان مدل های شخص ثالث را از طریق کنسول مدیریت AWS و API ها
LLM و اخبار جعلی
پدیده اخبار جعلی به سرعت با ظهور اینترنت و به طور خاص رسانه های اجتماعی شروع به تکامل کرد.نیلسن و همکاران ، 2017). در رسانه های اجتماعی، اخبار جعلی را می توان به سرعت در شبکه کاربر به اشتراک گذاشت و باعث می شود که افکار عمومی اشتباه جمعی تشکیل دهند. علاوه بر این، مردم اغلب اخبار جعلی را به صورت تکانشی منتشر می کنند و در صورتی که اخبار با هنجارهای شخصی آنها همخوانی داشته باشد، واقعیت محتوا را نادیده می گیرند.تسیپورسکی و همکاران 2018). تحقیقات در علوم اجتماعی نشان داده است که سوگیری شناختی (سوگیری تایید، اثر باند واگن، و سوگیری حمایت از انتخاب) یکی از محوری ترین عوامل در تصمیم گیری های غیرمنطقی از نظر ایجاد و مصرف اخبار جعلی است.کیم و همکاران، 2021). این همچنین به این معنی است که مصرف کنندگان اخبار فقط در جهت تقویت باورهای خود اطلاعات را به اشتراک می گذارند و مصرف می کنند.
قدرت هوش مصنوعی مولد برای تولید محتوای متنی و غنی با سرعتی بی سابقه مشکل اخبار جعلی را تشدید می کند. یک مثال قابل ذکر، فناوری دیپفیک است - ترکیب تصاویر مختلف در یک ویدیوی اصلی و تولید یک ویدیوی متفاوت. علاوه بر هدف اطلاعات نادرست که بازیگران انسانی به این ترکیب وارد میکنند، LLMها مجموعهای کاملاً جدید از چالشها را اضافه میکنند:
- خطاهای واقعی - LLM ها به دلیل ماهیت آموزش و توانایی خلاقیت در هنگام تولید کلمات بعدی در یک جمله، خطر افزایش خطاهای واقعی را دارند. آموزش LLM مبتنی بر ارائه مکرر یک مدل با ورودی ناقص، سپس استفاده از تکنیک های آموزش ML تا زمانی که به درستی شکاف ها را پر کند، در نتیجه ساختار زبان و یک مدل جهانی مبتنی بر زبان را یاد می گیرد. در نتیجه، اگرچه LLM ها تطبیق و ترکیب کننده های عالی الگو هستند ("طوطی های تصادفی")، اما در تعدادی از کارهای ساده که نیاز به استدلال منطقی یا استنتاج ریاضی دارند شکست می خورند و می توانند پاسخ های توهم را ایجاد کنند. علاوه بر این، دما یکی از پارامترهای ورودی LLM است که رفتار مدل را هنگام تولید کلمه بعدی در یک جمله کنترل می کند. با انتخاب دمای بالاتر، مدل از کلمه ای با احتمال کمتر استفاده می کند که پاسخ تصادفی تری ارائه می دهد.
- طولانی - متون تولید شده طولانی هستند و فاقد جزئیات مشخص شده برای حقایق فردی هستند.
- عدم بررسی واقعیت - هیچ ابزار استانداردی برای بررسی واقعیت در طول فرآیند تولید متن وجود ندارد.
به طور کلی، ترکیب روانشناسی انسان و محدودیتهای سیستمهای هوش مصنوعی طوفانی عالی برای انتشار اخبار جعلی و اطلاعات نادرست آنلاین ایجاد کرده است.
بررسی اجمالی راه حل
LLM ها قابلیت های برجسته ای در تولید زبان، درک و یادگیری چند شات نشان می دهند. آنها بر روی مجموعه گسترده ای از متن از اینترنت آموزش دیده اند، جایی که کیفیت و دقت زبان طبیعی استخراج شده ممکن است تضمین نشود.
در این پست راه حلی برای تشخیص اخبار جعلی بر اساس رویکردهای زنجیره ای فکر و عمل مجدد (استدلال و عمل) ارائه می دهیم. ابتدا، آن دو تکنیک مهندسی سریع را مورد بحث قرار می دهیم، سپس اجرای آنها را با استفاده از LangChain و Amazon Bedrock نشان می دهیم.
نمودار معماری زیر راه حلی را برای آشکارساز اخبار جعلی نشان می دهد.
ما از زیر مجموعه ای استفاده می کنیم مجموعه داده FEVER حاوی یک بیانیه و حقیقت پایه در مورد اظهاراتی که نشان دهنده ادعاهای نادرست، درست یا غیرقابل تأیید است (تورن جی و همکاران، 2018).
گردش کار را می توان به مراحل زیر تقسیم کرد:
- کاربر یکی از عبارات را انتخاب می کند تا جعلی یا درست بودن را بررسی کند.
- بیانیه و وظیفه تشخیص اخبار جعلی در اعلان گنجانده شده است.
- درخواست به LangChain ارسال می شود که FM را در Amazon Bedrock فراخوانی می کند.
- Amazon Bedrock پاسخی به درخواست کاربر با عبارت True یا False برمی گرداند.
در این پست از مدل Claude v2 از Anthrophic (anthropic.claude-v2) استفاده می کنیم. کلود یک LLM مولد مبتنی بر تحقیقات Anthropic برای ایجاد سیستمهای هوش مصنوعی قابل اعتماد، قابل تفسیر و هدایتپذیر است. کلود که با استفاده از تکنیکهایی مانند هوش مصنوعی و آموزش بیضرر ایجاد شده است، در گفتگوهای متفکرانه، ایجاد محتوا، استدلال پیچیده، خلاقیت و کدنویسی برتری دارد. با این حال، با استفاده از Amazon Bedrock و معماری راه حل ما، ما همچنین انعطاف پذیری برای انتخاب از میان سایر FM های ارائه شده توسط آمازون, AI21labs, منسجمو ثبات.ai.
جزئیات پیاده سازی را می توانید در بخش های زیر بیابید. کد منبع در دسترس است مخزن GitHub.
پیش نیازها
برای این آموزش، به یک ترمینال bash با پایتون 3.9 یا بالاتر نیاز دارید که روی لینوکس، مک، یا زیرسیستم ویندوز برای لینوکس و یک حساب AWS نصب شده باشد.
ما همچنین استفاده از هر یک را توصیه می کنیم Amazon SageMaker Studio دفترچه یادداشت، یک AWS Cloud9 نمونه یا یک ابر محاسبه الاستیک آمازون (Amazon EC2) نمونه.
شناسایی اخبار جعلی را با استفاده از Amazon Bedrock API اجرا کنید
این راه حل از Amazon Bedrock API استفاده می کند که با استفاده از آن می توان به آن دسترسی داشت رابط خط فرمان AWS (AWS CLI)، AWS SDK برای پایتون (Boto3)، و یا یک آمازون SageMaker نوت بوک. رجوع به راهنمای کاربری Amazon Bedrock برای اطلاعات بیشتر. برای این پست، ما از Amazon Bedrock API از طریق AWS SDK برای پایتون استفاده می کنیم.
محیط Amazon Bedrock API را تنظیم کنید
برای تنظیم محیط Amazon Bedrock API، مراحل زیر را انجام دهید:
- آخرین Boto3 را دانلود کنید یا آن را ارتقا دهید:
- مطمئن شوید که اعتبارنامه AWS را با استفاده از پیکربندی کنید
aws configure
دستور دهید یا آنها را به مشتری Boto3 ارسال کنید. - آخرین نسخه را نصب کنید LangChain:
اکنون می توانید تنظیمات خود را با استفاده از اسکریپت پوسته پایتون زیر آزمایش کنید. این اسکریپت مشتری Amazon Bedrock را با استفاده از Boto3 مثال میزند. بعد، ما را صدا می کنیم list_foundation_models
API برای دریافت لیستی از مدل های فونداسیون موجود برای استفاده.
پس از اجرای موفقیت آمیز دستور قبلی، باید لیست FM ها را از Amazon Bedrock دریافت کنید.
LangChain به عنوان یک راه حل زنجیره ای سریع
برای تشخیص اخبار جعلی برای یک جمله معین، فرآیند استدلال زنجیرهای از فکر را دنبال میکنیم (وی جی و همکاران، 2022) که از مراحل زیر تشکیل شده است:
- در ابتدا، مدل تلاش میکند تا بیانیهای در مورد اخبار ارائه شده ایجاد کند.
- مدل یک لیست نقطه ای از ادعاها ایجاد می کند.
- برای هر ادعا، مدل درست یا نادرست بودن ادعا را تعیین می کند. توجه داشته باشید که با استفاده از این روش، مدل منحصراً بر دانش درونی خود (وزن های محاسبه شده در مرحله قبل از آموزش) برای رسیدن به یک حکم تکیه می کند. در این مرحله اطلاعات در برابر هیچ داده خارجی تأیید نشده است.
- با توجه به واقعیت ها، مدل برای عبارت داده شده در اعلان، به درستی یا نادرست پاسخ می دهد.
برای دستیابی به این مراحل، ما از LangChain، چارچوبی برای توسعه برنامههای کاربردی با مدلهای زبانی استفاده میکنیم. این چارچوب به ما امکان می دهد FM ها را با زنجیر کردن اجزای مختلف برای ایجاد موارد استفاده پیشرفته تقویت کنیم. در این راه حل از داخلی استفاده می کنیم SimpleSequentialChain در LangChain برای ایجاد یک زنجیره متوالی ساده. این بسیار مفید است، زیرا میتوانیم خروجی یک زنجیره را بگیریم و از آن به عنوان ورودی به زنجیره دیگر استفاده کنیم.
Amazon Bedrock با LangChain یکپارچه شده است، بنابراین شما فقط باید آن را با عبور از model_id
هنگام نمونه برداری از شی بستر آمازون. در صورت نیاز، پارامترهای استنتاج مدل را می توان از طریق ارائه کرد model_kwargs
استدلال، مانند:
- maxTokenCount – حداکثر تعداد توکن در پاسخ تولید شده
- stopSequences - توالی توقف استفاده شده توسط مدل
- درجه حرارت - مقداری که بین 0-1 متغیر است که 0 قطعی ترین و 1 خلاق ترین است.
- بالا - مقداری که بین 0-1 متغیر است و برای کنترل انتخاب های توکن ها بر اساس احتمال انتخاب های بالقوه استفاده می شود.
اگر این اولین باری است که از یک مدل پایه آمازون بستر استفاده می کنید، مطمئن شوید که با انتخاب از لیست مدل های موجود، درخواست دسترسی به مدل را دارید. دسترسی مدل صفحه در کنسول آمازون Bedrock، که در مورد ما claude-v2 از Anthropic است.
تابع زیر زنجیره اعلان Chain-of-Thought را که قبلاً برای تشخیص اخبار جعلی ذکر کردیم، تعریف می کند. تابع، شی Amazon Bedrock (llm) و فرمان کاربر (q) را به عنوان آرگومان می گیرد. لانگ چین PromptTemplate در اینجا از عملکرد برای از پیش تعریف دستور العمل برای تولید اعلان استفاده می شود.
کد زیر تابعی را که قبلا تعریف کرده بودیم فراخوانی می کند و پاسخ را ارائه می دهد. بیانیه این است TRUE
or FALSE
. TRUE
به این معنی است که عبارت ارائه شده حاوی حقایق صحیح است، و FALSE
به این معنی است که عبارت حداقل حاوی یک واقعیت نادرست است.
نمونه ای از یک دستور و پاسخ مدل در خروجی زیر ارائه شده است:
ReAct و ابزارها
در مثال قبل، مدل به درستی تشخیص داد که عبارت نادرست است. با این حال، ارسال مجدد پرس و جو ناتوانی مدل را در تشخیص درستی حقایق نشان می دهد. این مدل ابزاری برای تأیید صحت عبارات فراتر از حافظه آموزشی خود ندارد، بنابراین اجرای بعدی همان اعلان میتواند منجر به برچسب اشتباه عبارات جعلی به عنوان درست شود. در کد زیر، اجرای متفاوتی از همان مثال دارید:
یکی از تکنیک های تضمین صداقت ReAct است. واکنش نشان دهید (یائو اس و همکاران، 2023) یک تکنیک سریع است که مدل پایه را با فضای عمل یک عامل تقویت می کند. در این پست، و همچنین در مقاله ReAct، فضای عمل بازیابی اطلاعات را با استفاده از اقدامات جستجو، جستجو و پایان از یک API وب ساده ویکیپدیا پیادهسازی میکند.
دلیل استفاده از ReAct در مقایسه با Chain-of-Thought، استفاده از بازیابی دانش خارجی برای تقویت مدل پایه برای تشخیص جعلی یا واقعی بودن یک خبر خاص است.
در این پست از پیاده سازی ReAct توسط LangChain از طریق عامل استفاده می کنیم ZERO_SHOT_REACT_DESCRIPTION. ما تابع قبلی را برای پیاده سازی ReAct تغییر می دهیم و با استفاده از تابع load_tools از ویکی پدیا استفاده می کنیم. langchain.agents.
همچنین باید بسته ویکی پدیا را نصب کنیم:
!pip install Wikipedia
در زیر کد جدید آمده است:
خروجی تابع قبلی با همان دستور قبلی که قبلاً استفاده شده است، به صورت زیر است:
پاک کردن
برای صرفه جویی در هزینه ها، تمام منابعی را که به عنوان بخشی از آموزش استفاده کرده اید حذف کنید. اگر AWS Cloud9 یا نمونه EC2 را راه اندازی کرده اید، می توانید آن را از طریق کنسول یا با استفاده از AWS CLI حذف کنید. به طور مشابه، می توانید نوت بوک SageMaker را که ممکن است از طریق کنسول SageMaker ایجاد کرده باشید، حذف کنید.
محدودیت ها و کارهای مرتبط
حوزه تشخیص اخبار جعلی به طور فعال در جامعه علمی تحقیق می شود. در این پست از تکنیکهای Chain-of-Thought و ReAct استفاده کردیم و در ارزیابی تکنیکها فقط بر دقت طبقهبندی تکنیک سریع (در صورت درست یا نادرست بودن یک عبارت داده شده) تمرکز کردیم. بنابراین، ما جنبههای مهم دیگری مانند سرعت پاسخدهی را در نظر نگرفتهایم، و راهحل را علاوه بر ویکیپدیا به منابع دانش اضافی نیز تعمیم ندادهایم.
اگرچه این پست بر دو تکنیک Chain-of-Thought و ReAct متمرکز شده است، مجموعه گستردهای از کار به بررسی این موضوع پرداخته است که چگونه LLM ها میتوانند اخبار جعلی را شناسایی، حذف یا کاهش دهند. لی و همکاران استفاده از یک مدل رمزگذار-رمزگشا با استفاده از NER (تشخیص نهاد نامگذاری شده) برای پوشاندن موجودیتهای نامگذاریشده به منظور اطمینان از اینکه توکن ماسکشده واقعاً از دانش کدگذاریشده در مدل زبان استفاده میکند، پیشنهاد کرده است. چرن و همکاران FacTool را توسعه داده است که از اصول زنجیره فکری برای استخراج ادعاها از اعلانات استفاده می کند و در نتیجه شواهد مربوط به ادعاها را جمع آوری می کند. سپس LLM با توجه به فهرست بازیابی شده شواهد، صحت ادعا را مورد قضاوت قرار می دهد. Du E. et al. یک رویکرد مکمل ارائه میکند که در آن چندین LLM پاسخها و فرآیندهای استدلالی خود را در چندین دور پیشنهاد و بحث میکنند تا به یک پاسخ نهایی مشترک برسند.
بر اساس ادبیات، می بینیم که اثربخشی LLM ها در تشخیص اخبار جعلی زمانی افزایش می یابد که LLM ها با دانش خارجی و قابلیت مکالمه چند عاملی تقویت شوند. با این حال، این رویکردها از نظر محاسباتی پیچیدهتر هستند، زیرا به تماسها و تعاملات چندگانه مدل، درخواستهای طولانیتر و تماسهای لایه شبکه طولانیتر نیاز دارند. در نهایت، این پیچیدگی به افزایش هزینه کلی تبدیل می شود. توصیه می کنیم قبل از بکارگیری راه حل های مشابه در تولید، نسبت هزینه به عملکرد را ارزیابی کنید.
نتیجه
در این پست، به نحوه استفاده از LLM برای مقابله با موضوع شایع اخبار جعلی، که یکی از چالشهای اصلی جامعه امروزی ما است، پرداختیم. ما با تشریح چالشهای ارائه شده توسط اخبار جعلی، با تأکید بر پتانسیل آن برای تحت تأثیر قرار دادن احساسات عمومی و ایجاد اختلالات اجتماعی، شروع کردیم.
سپس مفهوم LLM ها را به عنوان مدل های پیشرفته هوش مصنوعی معرفی کردیم که بر روی مقدار قابل توجهی از داده ها آموزش دیده اند. با توجه به این آموزش گسترده، این مدل ها دارای درک قابل توجهی از زبان هستند که آنها را قادر می سازد متنی شبیه انسان تولید کنند. با این ظرفیت، نشان دادیم که چگونه می توان از LLM ها در نبرد با اخبار جعلی با استفاده از دو تکنیک مختلف، Chain-of-Thought و ReAct استفاده کرد.
ما تأکید کردیم که چگونه LLM ها می توانند خدمات راستی آزمایی را در مقیاسی بی نظیر تسهیل کنند، با توجه به توانایی آنها برای پردازش و تجزیه و تحلیل سریع حجم وسیعی از متن. این پتانسیل برای تجزیه و تحلیل بلادرنگ می تواند منجر به تشخیص زودهنگام و مهار اخبار جعلی شود. ما این را با ایجاد یک اسکریپت پایتون نشان دادیم که با دادن یک عبارت، درست یا جعلی بودن مقاله را با استفاده از زبان طبیعی برای کاربر مشخص میکند.
ما با تأکید بر محدودیتهای رویکرد فعلی به پایان رسیدیم و با یک نکته امیدوارکننده به پایان رسیدیم و تأکید کردیم که با پادمانهای صحیح و بهبود مستمر، LLM میتواند به ابزاری ضروری در مبارزه با اخبار جعلی تبدیل شود.
ما از اینکه ازت خبر داشته باشیم خوشحال میشویم. نظر خود را در بخش نظرات با ما در میان بگذارید یا از انجمن مسائل استفاده کنید مخزن GitHub
سلب مسئولیت: کد ارائه شده در این پست فقط برای اهداف آموزشی و آزمایشی است. برای شناسایی اخبار جعلی یا اطلاعات نادرست در سیستم های تولید دنیای واقعی نباید به آن اعتماد کرد. هیچ تضمینی در مورد صحت یا کامل بودن تشخیص اخبار جعلی با استفاده از این کد وجود ندارد. کاربران باید قبل از استفاده از این تکنیک ها در برنامه های حساس، احتیاط کنند و دقت لازم را انجام دهند.
برای شروع کار با Amazon Bedrock، به سایت مراجعه کنید کنسول بستر آمازون.
درباره نویسندگان
آناماریا تودور یک معمار اصلی راه حل مستقر در کپنهاگ، دانمارک است. او اولین کامپیوتر خود را در 4 سالگی دید و از آن زمان هرگز علم کامپیوتر، بازی های ویدیویی و مهندسی را رها نکرد. او در نقشهای فنی مختلف، از فریلنسر، توسعهدهنده کامل، تا مهندس داده، مدیر فنی و مدیر ارشد فناوری، در شرکتهای مختلف دانمارک، با تمرکز بر صنایع بازی و تبلیغات، کار کرده است. او بیش از 3 سال در AWS بوده است و به عنوان معمار اصلی راه حل ها کار می کند و عمدتاً روی علوم زیستی و هوش مصنوعی تمرکز دارد. Anamaria دارای لیسانس در مهندسی کاربردی و علوم کامپیوتر، مدرک کارشناسی ارشد در علوم کامپیوتر، و بیش از 10 سال تجربه AWS است. زمانی که او کار نمی کند یا بازی های ویدیویی انجام نمی دهد، دختران و زنان حرفه ای را در درک و یافتن مسیر خود از طریق فناوری آموزش می دهد.
مارسل کاسترو یک معمار ارشد راه حل مستقر در اسلو، نروژ است. مارسل در نقش خود به مشتریان در معماری، طراحی و توسعه زیرساختهای بهینهسازی ابری کمک میکند. او یکی از اعضای تیم سفیر هوش مصنوعی AWS با هدف هدایت و حمایت از مشتریان EMEA در سفر هوش مصنوعی مولد آنها است. وی دارای مدرک دکترا در رشته علوم کامپیوتر از سوئد و مدرک کارشناسی ارشد و لیسانس در رشته مهندسی برق و مخابرات از برزیل است.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/harness-large-language-models-in-fake-news-detection/
- : دارد
- :است
- :نه
- :جایی که
- 100 میلیون دلار
- $UP
- 1
- 10
- 100
- 12
- 13
- 14
- 20
- 2022
- 21st
- ٪۱۰۰
- 27
- 32
- 36
- 7
- 9
- a
- توانایی
- درباره ما
- بالاتر
- AC
- دانشگاهی
- تحقیقات دانشگاهی
- دانشگاه
- دسترسی
- قابل دسترسی است
- در دسترس
- حساب
- حساب ها
- دقت
- رسیدن
- دستاوردهای
- در میان
- بازیگری
- عمل
- اقدامات
- فعالانه
- بازیگران
- واقعا
- اضافه کردن
- اضافه
- اضافی
- پیشرفته
- ظهور
- تبلیغات
- از نو
- در برابر
- عامل
- عاملان
- AI
- مدل های هوش مصنوعی
- سیستم های هوش مصنوعی
- AI / ML
- AL
- معرفی
- اجازه می دهد تا
- تنها
- همچنین
- هر چند
- آمازون
- آمازون EC2
- آمازون خدمات وب
- سفیر
- امریکایی
- در میان
- مقدار
- an
- تحلیل
- تحلیل
- باستانی
- و
- سالانه
- دیگر
- پاسخ
- پاسخ
- آنتروپیک
- هر
- API
- رابط های برنامه کاربردی
- ظاهر می شود
- کاربرد
- برنامه های کاربردی
- اعمال می شود
- منصوب
- روش
- رویکردها
- تقریبا
- معماری
- هستند
- استدلال
- استدلال
- دور و بر
- مقاله
- مصنوعی
- هوش مصنوعی
- هوش مصنوعی (AI)
- هنر
- AS
- جنبه
- ارزیابی
- ارزیابی ها
- مفروضات
- مطمئن
- ستاره شناسی
- At
- تلاشها
- تقویت کردن
- افزوده شده
- تقویت می کند
- خودکار
- در دسترس
- اهدا
- AWS
- AWS Cloud9
- پایه
- مستقر
- بر هم زدن
- نبرد
- BE
- زیرا
- شدن
- تبدیل شدن به
- بوده
- قبل از
- رفتار
- پشت سر
- بودن
- باورهای
- در کنار
- میان
- خارج از
- تعصب
- بیلیون
- زیست شناسی
- بیومدیکال
- بدن
- هر دو
- رباتها
- برزیل
- به ارمغان بیاورد
- شکسته
- ساخته شده در
- تاجر
- اما
- by
- صدا
- تماس ها
- CAN
- قابلیت های
- قابلیت
- ظرفیت
- مورد
- موارد
- علت
- احتیاط
- قرن
- زنجیر
- زنجیر
- چالش ها
- چانگ
- بررسی
- شیمی
- چینی
- انتخاب
- را انتخاب کنید
- ادعا
- ادعای
- کلاس
- طبقه بندی
- به وضوح
- مشتری
- نزدیک
- Cloud9
- مربیگری
- رمز
- برنامه نویسی
- شناختی
- جمع آوری
- Collective - Dubai Hills Estate
- کالج
- COLUMBIA
- ترکیب
- نظرات
- مشترک
- عموما
- انجمن
- شرکت
- مقایسه
- مکمل
- کامل
- پیچیده
- پیچیدگی
- اجزاء
- مرکب
- محاسبه
- کامپیوتر
- علم کامپیوتر
- مفهوم
- به این نتیجه رسیدند
- تکرار
- تایید
- پیوستگی
- در نتیجه
- در نظر گرفته
- استوار
- تشکیل شده است
- کنسول
- مصرف
- مصرف کنندگان
- مصرف
- مهار
- شامل
- محتوا
- تولید محتوا
- مداوم
- سهم
- کنترل
- گروه شاهد
- گفتگو
- اصلاح
- به درستی
- هزینه
- هزینه
- میتوانست
- کشور
- کشور
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- ایجاد
- خالق
- خلاقیت
- مجوزها و اعتبارات
- CTO
- فرهنگ
- محدود کردن
- جاری
- مشتریان
- داده ها
- مناظره
- تصمیم گیری
- مشخص
- تعریف می کند
- درجه
- دموکراتیک
- نشان
- نشان می دهد
- نشان دادن
- دانمارک
- بخش
- مستقر
- استقرار
- طرح
- جزئیات
- تشخیص
- کشف
- مشخص کردن
- تعیین می کند
- توسعه
- توسعه دهنده
- در حال توسعه
- پروژه
- تحولات
- گفتگو
- مختلف
- سخت کوشی
- جهت
- بحث و تبادل نظر
- اطلاعات غلط
- نمایش دادن
- اختلالات
- تمیز دادن
- بیاعتمادی
- دکتر
- میکند
- نمی کند
- پایین
- dr
- راندن
- دو
- در طی
- e
- E&T
- هر
- پیش از آن
- در اوایل
- کسب درآمد
- به دست آورده
- زمین
- آسان تر
- ساده
- اقتصاد (Economics)
- اقتصاد
- آموزش
- مربیان
- اثر
- اثر
- هر دو
- از بین بردن
- در جای دیگر
- EMEA
- خروج
- تاکید
- را قادر می سازد
- به پایان رسید
- مهندس
- مهندسی
- پیشرفت ها
- اطمینان حاصل شود
- وارد شدن
- اشخاص
- موجودیت
- محیط
- برابری
- خطاهای
- به خصوص
- تاسیس
- ارزیابی
- حتی
- حوادث
- در حال تحول
- مثال
- مثال ها
- منحصرا
- ورزش
- تجربه
- توضیح دهید
- اکتشاف
- کشف
- وسیع
- خارجی
- عصاره
- تسهیل کردن
- تسهیل
- واقعیت
- عوامل
- حقایق
- FAIL
- جعلی
- اخبار جعلی
- غلط
- معروف
- زن
- رشته
- مبارزه کردن
- پر می کند
- نهایی
- مالی
- پیدا کردن
- پیدا کردن
- پایان
- نام خانوادگی
- بار اول
- انعطاف پذیری
- متمرکز شده است
- تمرکز
- تمرکز
- به دنبال
- پیروی
- برای
- فرم
- رسمی
- انجمن
- پایه
- بنیادین
- تاسیس
- چارچوب
- از جانب
- fu
- کاملا
- تابع
- قابلیت
- بازیها
- بازی
- شکاف
- جنس
- برابری جنسیتی
- سوالات عمومی
- تولید می کنند
- تولید
- مولد
- نسل
- مولد
- هوش مصنوعی مولد
- دریافت کنید
- دختران
- GitHub
- داده
- Go
- هدف
- بزرگ
- زمین
- تضمین می کند
- بود
- دهنه
- آیا
- he
- شنیدن
- کمک
- کمک می کند
- او
- اینجا کلیک نمایید
- با کیفیت بالا
- بالاتر
- های لایت
- خیلی
- خود را
- تاریخ
- دارای
- افتخار
- امیدوار
- مسکن
- چگونه
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- انسان
- i
- آی بی ام
- شناسایی
- if
- غیر مجاز
- نشان دادن
- تصاویر
- تأثیر
- انجام
- پیاده سازی
- پیاده سازی می کند
- واردات
- مهم
- موثر
- بهبود یافته
- in
- عجز
- شامل
- شامل
- از جمله
- ادغام شده
- شامل
- افزایش
- افزایش
- نشان می دهد
- فرد
- لوازم
- اطلاعات
- اطلاع
- شالوده
- اول
- ورودی
- داخل
- نصب
- نصب شده
- نمونه
- موسسه
- موسسات
- یکپارچه
- اطلاعات
- قصد
- فعل و انفعالات
- داخلی
- اینترنت
- به
- معرفی
- فراخوانی میکند
- گرفتار
- موضوع
- مسائل
- IT
- ITS
- سفر
- JPG
- json
- قضات
- کنت
- دانستن
- دانش
- شناخته شده
- عدم
- زبان
- بزرگ
- دیر
- آخرین
- لاتین
- راه اندازی
- لایه
- رهبری
- برجسته
- یادگیری
- کمترین
- قانونا
- اجازه
- زندگی
- علوم زندگی
- پسندیدن
- محدودیت
- لاین
- لینک
- لینک ها
- لینوکس
- فهرست
- ذکر شده
- ادبیات
- LLM
- منطقی
- دیگر
- مراجعه
- عشق
- مک
- دستگاه
- فراگیری ماشین
- ساخته
- عمدتا
- حفظ
- عمده
- ساخت
- باعث می شود
- ساخت
- اداره می شود
- مدیریت
- بسیاری
- بازار یابی (Marketing)
- ماسک
- کارشناسی ارشد
- ریاضی
- ریاضیات
- بیشترین
- ممکن است..
- به معنی
- به معنای
- رسانه ها
- پزشکی
- پزشکی
- عضو
- اعضا
- حافظه
- ذکر شده
- روش شناسی
- میشیگان
- میلیون
- معادن
- اطلاعات غلط
- گمراه کننده
- MIT
- کاهش
- مخلوط
- ML
- مدل
- مدل
- تغییر
- بیش
- اکثر
- جنبش
- چندگانه
- my
- تحت عنوان
- ناسا
- ملی
- طبیعی
- طبیعت
- نیاز
- ضروری
- شبکه
- هرگز
- جدید
- اخبار
- بعد
- نه
- برنده جایزه نوبل
- هنجارها
- نروژ
- قابل توجه
- دفتر یادداشت
- اکنون
- عدد
- هدف
- مشاهده
- اکتبر
- of
- ارائه شده
- غالبا
- قدیمی
- on
- ONE
- آنلاین
- فقط
- عملیات
- نظر
- or
- سفارش
- اصلی
- دیگر
- در غیر این صورت
- ما
- نمای کلی
- طرح کلی
- تولید
- برجسته
- روی
- به طور کلی
- خود
- متعلق به
- سرعت
- بسته
- با ما
- صفحات
- مقاله
- پارامترهای
- بخش
- عبور
- گذشت
- عبور
- اختراعات
- مسیر
- الگو
- مردم
- کامل
- انجام
- شخصی
- فاز
- دکترا
- پدیده
- فلسفه
- فیزیک
- قطعه
- محوری
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- نقطه
- سیاست
- ممکن
- پست
- پتانسیل
- قدرت
- صفحه اصلی
- ارائه شده
- هدیه
- فشار
- شایع
- قبلی
- قبلا
- در درجه اول
- اصلی
- از اصول
- چاپ
- چاپخانه
- قبلا
- جوایز
- مشکل
- روند
- فرآیندهای
- تولید کردن
- تولید
- حرفه ای
- عمیق
- برنامه
- پیشنهادات
- پیشنهاد شده
- ارائه
- ارائه
- ارائه دهندگان
- فراهم می کند
- ارائه
- روانشناسی
- عمومی
- خرید
- اهداف
- پــایتــون
- کیفیت
- مقدار
- به سرعت
- رادیو
- تصادفی
- محدوده ها
- رتبه
- سریع
- سریعا
- نسبت
- رسیدن به
- واکنش نشان می دهند
- دنیای واقعی
- زمان واقعی
- دلیل
- گرفتن
- اخذ شده
- دستور العمل
- به رسمیت شناختن
- توصیه
- مراجعه
- اشاره دارد
- مربوط
- نسبتا
- مربوط
- قابل اعتماد
- به طور مکرر
- مخزن
- درخواست
- نیاز
- ضروری
- تحقیق
- رونق می گیرد
- منابع
- پاسخ
- پاسخ
- پاسخ
- مسئوليت
- برگشت
- بازده
- غنی
- خطر
- نقش
- نقش
- دور
- دویدن
- در حال اجرا
- اجرا می شود
- s
- پادمان
- حکیم ساز
- همان
- ذخیره
- دید
- مقیاس
- مدرسه
- دانشکده فنی و مهندسی
- علم
- علوم
- علمی
- دانشمندان
- خط
- sdk
- جستجو
- بخش
- بخش
- دیدن
- انتخاب
- ارشد
- حساس
- جمله
- احساس
- دنباله
- سرویس
- خدمات
- تنظیم
- برپایی
- اشتراک گذاری
- به اشتراک گذاشته شده
- سهام
- اشتراک
- او
- صدف
- باید
- نشان
- مشابه
- به طور مشابه
- ساده
- پس از
- خواهر
- So
- آگاهی
- رسانه های اجتماعی
- اجتماعی
- جامعه
- راه حل
- مزایا
- برخی از
- منبع
- کد منبع
- منابع
- فضا
- تنش
- به طور خاص
- سرعت
- گسترش
- گسترش
- صحنه
- استاندارد
- استنفورد
- دانشگاه استنفورد
- آغاز شده
- بیانیه
- اظهارات
- ایالات
- مراحل
- توقف
- طوفان
- استراتژی
- تقویت
- ساختار
- دانشجویان
- مهاجرت تحصیلی
- متعاقب
- قابل توجه
- موفقیت
- چنین
- نشان می دهد
- خلاصه
- لبریز شدن
- پشتیبانی
- مطمئن
- نوسان
- سوئد
- به سرعت
- سنتز
- سیستم های
- برخورد با
- گرفتن
- طول می کشد
- کار
- وظایف
- تیم
- فنی
- تکنیک
- تکنیک
- فنی
- پیشرفته
- ارتباط از راه دور
- قالب
- پایانه
- قوانین و مقررات
- آزمون
- متن
- متن
- که
- La
- اطلاعات
- منبع
- جهان
- شان
- آنها
- سپس
- آنجا.
- در نتیجه
- از این رو
- اینها
- آنها
- فکر می کنم
- شخص ثالث
- این
- کسانی که
- فکر
- از طریق
- سراسر
- TIE
- زمان
- جدول زمانی
- به
- با هم
- رمز
- نشانه
- ابزار
- آموزش دیده
- آموزش
- درست
- حقیقت
- آموزش
- دو
- در نهایت
- تأکید شده
- درک
- متحد
- ایالات متحده
- دانشگاه ها
- دانشگاه
- بی نظیر
- بی سابقه
- تا
- ارتقاء
- بر
- us
- استفاده کنید
- استفاده
- کاربر
- کاربران
- استفاده
- با استفاده از
- با استفاده از
- ارزش
- مختلف
- وسیع
- حکم
- تایید
- بررسی
- نسخه
- بسیار
- از طريق
- تصویری
- بازی های ویدئویی
- بازدید
- بود
- we
- وب
- خدمات وب
- خوب
- چی
- چه زمانی
- چه
- که
- در حین
- WHO
- تمام
- چرا
- ویکیپدیا
- اراده
- پنجره
- با
- در داخل
- زن
- زنان
- برنده شد
- کلمه
- کلمات
- مهاجرت کاری
- مشغول به کار
- گردش کار
- کارگر
- جهان
- با ارزش
- اشتباه
- سال
- شما
- شما
- زفیرنت