چانکینگ پویا: انقلاب در بهبود کارایی سیستمهای RAG
اکثر تیمها اندازه چانکها را ثابت در نظر میگیرند و از تنظیمات استانداردی مانند ۵۱۲ توکن با ۵۰ توکن همپوشانی استفاده میکنند. با رشد دادهها و پیچیدهتر شدن پرسوجوها، این انتخاب …
آخرین اخبار RAG
DSPM Proofpoint: راهکاری برای کشف و طبقهبندی دادههای حساس در مقیاس گسترده
راهکار DSPM شرکت Proofpoint برای کشف، طبقهبندی و حاکمیت دادههای حساس در محیطهای SaaS، ابر و محلی طراحی شده است. این راهکار با اسکن پیشرفته مبتنی بر AI و بدون عامل، دادههای ارزش…
Memora: انقلاب Microsoft در حافظه عاملهای هوش مصنوعی
Microsoft ریسرچ سیستم حافظه مقیاسپذیر Memora را برای عاملهای هوش مصنوعی معرفی کرد. این سیستم با جداسازی محتوای غنی از روش بازیابی، تعادل بین انتزاع و جزئیات را برقرار میکند. Mem…
همکاری الاستیک و OpenAI: انقلاب در پردازش دادههای سازمانی
الاستیک و OpenAI همکاری جدیدی را برای ادغام هوش مصنوعی با دادههای ساختاریافته سازمانی آغاز کردند. این همکاری بر سه محور اصلی متمرکز است: عاملهای هوش مصنوعی آگاه از بافت، مشاهدهپ…
AMD با hipVS یک تحلیلگر پژوهشی سازمانی مبتنی بر RAG عاملمحور ساخت
AMD در وبلاگ خود دموی یک سیستم RAG عاملمحور را با استفاده از کتابخانه hipVS معرفی کرد. این دمو که «تحلیلگر پژوهشی سازمانی» نام دارد، توانایی پردازش پرسوجوهای پیچیده را با تجزیه آنه…
آتوس با راهاندازی FMRC، نوآوری را به سطح جدیدی میرساند!
شرکت آتوس جامعه تحقیقاتی سازندگان آینده (FMRC) را راهاندازی کرده است، یک شبکه جهانی از متفکران و رهبران فکری فناوری. اعضای FMRC با هدف پیشبرد نوآوری و ایجاد تأثیر پایدار در صنایع …
گراف دانش: کلید بهبود بازیابی اطلاعات در هوش مصنوعی
مقاله Redis به بررسی استفاده از گراف دانش در معماری RAG برای عاملهای هوش مصنوعی میپردازد. این روش با ساختاری کردن دادهها و ایجاد ارتباطات معنایی، امکان بازیابی دقیقتر اطلاعات ر…
اوراکل معماری جدیدی برای اجرای LLMs با RAG بر روی OKE معرفی کرد
اوراکل معماری مرجع جدیدی برای اجرای مدلهای زبانی بزرگ (LLM) با پشتیبانی GPU و تکنولوژی RAG بر روی Oracle Container Engine for Kubernetes (OKE) معرفی کرده است. این معماری کاملا با …
🚀 میسترال OCR ۴: انقلاب در پردازش اسناد با هوش مصنوعی
میسترال ایآی مدل OCR ۴ را با قابلیتهای جدیدی همچون کادرهای محدوده، طبقهبندی بلوکها و نمرات اعتماد درونخطی معرفی کرد. این مدل از ۱۷۰ زبان پشتیبانی میکند و در یک کانتینر واحد ق…
چرا سازمانها به عاملهای هوش مصنوعی خود اعتماد ندارند؟ بررسی شکاف بافت در AI سازمانی
بررسی VentureBeat از ۱۰۱ سازمان نشان میدهد که زیرساختهای تغذیه بافت تجاری به عاملهای هوش مصنوعی سریعتر از توانایی اعتماد به آنها ساخته میشوند. ۵۷٪ سازمانها گزارش دادهاند که …
انقلاب در بازیابی هوش مصنوعی: Nemotron 3 انویدیا در رتبه اول RTEB
انویدیا مجموعهای از مدلهای جاسازی Nemotron 3 را منتشر کرد که برای بهبود کیفیت بازیابی و استقرار در مقیاس تولید طراحی شدهاند. مدل ۸ میلیارد پارامتری این مجموعه در رتبه اول جدول R…
انقلاب مدولاریته در هوش مصنوعی: معرفی کتابخانههای گرانیت و پروژه گرانیت سوئیچ توسط آیبیام
پژوهشگاه آیبیام کتابخانههای گرانیت و پروژه گرانیت سوئیچ را معرفی کرد تا اصول مدولاریته و دقت مهندسی نرمافزار را به مدلهای زبانی بزرگ (LLM) بیاورد. این ابزارها شامل توابع آداپت…
پایگاه دانش مدیریتشده آمازون بدروک: گامی بزرگ در هوش مصنوعی سازمانی
آمازون وب سرویسز پایگاه دانش مدیریتشده آمازون بدروک را معرفی کرد که به توسعهدهندگان امکان میدهد برنامههای هوش مصنوعی مولد سازمانی را با دادههای اختصاصی خود در مدت کوتاهی بسازند…