data/LLM-Part2_transcript_part2.txt

اول به نظر میاد که کل عکسو می‌داده و استارت توکنو می‌داده اون باید چیکار میکرده تو رو تولید می‌کرد بعد تو رو می‌داده به این به همراه اون ۹ تا پچه باید داگز تولید میکرده ولی آخر می‌رفته تا آخر جلو که این دیگه این شانس رو به وجود آورده که بتونه ویژوال کو انجام بده یعنی عکس بهش بدید یه سوال بپرسی عکس می‌شده بخش پچ اولش سوال جوابی که تولید می‌کرده می‌شده چی به وجود میوم نماد جواب اون سؤاله دیگه درسته و این اولین شانس که براتون به وجود حقه‌ای که میتونستید بزنید تا ویژوال کوسشن حل متوجه شد خب این البته سیم بعدی داره که معلوممه خیلی توقعش بالاست یعنی در واقع سریع

به هم بچسبه یعنی خود تکست رو نیاد درجا بچسبون به خیلی دیگه که خود اینو این کارو بکنیم مثل همون میمونه که دو تا عکس شما را اول دادیم گفتیم همین دوتا عکس دات کنیم اگه بالا شد خودتی اگه نشد خودت نیستی خب ولی به هر حال برای شروع شبکه بعدی شبکه کوکا بود که عرض به حضور شما خدمتتون عارضم که باز از کانت لرنینگ توش استفاده میکرد و این دفعه مثل سین ولی یک حرفه ای تر چیکار می‌کنه مثلاً یه عکس بهش دادی

فضای غنی شده خودش بره اوکی تکستتون چیکار می‌کنید از یک مدل زبانی میگذرونید تا اونم به شما یه ان کد از خود تکست بده ولی تا اینجا تکست هنوز عکس رو ندیده چطوری بود عکس تا یه چیز در حالی که اینجا اینجوریه که تست برای خودش میره بالا یه چند لایه میره بالا ایمیج هم چند لایه میره بالا حالا دو تا چیز غنی شده داره خب بعد چیکار میکنه اینجا یه حقه‌ای می‌زنه که یه شبکه‌هایی هستن به نام گروه وی آی تی نمی‌دونم اسمشو شنیدید یا نه میگه که ببین مثلاً عکسون فرض کنید ۱۶ تا پچ داره خب طبیعتاً باید من ۱۶ تا داشته یا یه

میگه ببین من کاری می‌کنم که همیشه این خروجی عکس‌ها به مثلاً ۱۰ تا در واقع ام بدین طور بشکنه همیشه عددش ۱۰ باشه صرف نظر ویدیوتون چند فریم باشه میگه چیکار کن یه سری توکن لرنb بزار تو شبکه واقعا میشه میره به تمام اون مثلاً فریم چیزهایی که از فریم ها در آمده توجه میزنه خب و با یه مکانیزم یه در واقع چیز میکنه جمع جبریشون رو پیدا میکنه و ترین میشه که مثلا میگم اون ده تا میشه ۱۰ تا عصاره مثلاً اولیش میشه سه برابر فریم اول به علاوه دو برابر دوم به علاوه هفت برابر دهمی

عصاره اول دوم تعداد دایره‌های آبی مثلاً فرض کن ۱۰ تا چیز خوب که عصاره به وجود میاد و فرقشم با قبلی اینه که صرف نظر از که عکستون ویدئوتون چند در چند یا چند فریم باشه چی میشه اینجا همیشه شما چی دارید یه تعداد توکن ثابت دارید مثلاً ۱۰ تا دونه حله که این ۱۰ تا دونه عرض کردم اومده با یه سری توکن های لرنبلی که رفتن به عصاره های اتند کردن توجه کردن و یه سری محاسبه در شدن و یه چیزی خروجی به دست اومده خروجی غنی شده این آبیه رو اینجا دارن حالا وقتی که این آبیه رو که عصاره ایمیجم باشه با شبکه یونی مدالم که از خروجی های شبکه های چیز میاد

چه عکسی می‌خواد حرف بزنه و سوال جواب بده اینجا دیگه شبیه چی میشه اینا کی و ولیو شبکه دیکودره میشن اینجا هم که ورودی‌های دیکودر خودش اومده بالا میاد هر جمله که میخواد بکنه با این آبی ها آبی ها میرن به چیزا ساخته بشه برای لاسش دو تا لاس در نظر میگیره یک لاس کانتراست لرنینگ داره مثل قبلا تو بچش نگاه میکنه مثلا فرض کنید هزار تا عکسه بعد کاری میکنه که نوشته این عکسه به این عکسه نزدیک و از سایرین دور بشه خب یک کلاسش اینه یک کلاسش هم اینه که باز دوباره یک توکن سی الs و یه توکن ببخشید این

دستی به خروجی ایمیجه و خروجی تسته یه توکن دستی به نام cls به نام نارنجی اضافه میکنه کاری میکنه که این دو تا نارنجی خروج‌هاشون برای پیرها به هم نزدیک و برای غیرها چی باشه از هم دور باشه که چی من جمله رو تو ترینینگ دارم تا ته دیگه میدونم وقتی تو داگزه باید بعدیش چیه ظاهر بشه رانینگ کلمه بعدی تولید مثل قبلا که این تلاش کنه خروجی ران تولید کنه درست بعد که رانینگ تولید شد چی بعدی میشه این باید تولید بشه و این دو تا لاس که با همدیگه جمع میزنه شبکه به نام کوکا به وجود میاد که خیلی دقت مناسبی داشته و عرض به حضور شما میتونسته تسک های ایمیج بیس رو انجام بده من جمله و الی آخر حتی فکر میکنم میتونسته انجام بده یعنی که عکس بهش بدید

شما دارید صحبت میکنید خب سه تا آدم تو تصویر آدم قرمز بره اونو ببره بیاره بیرون یه شبکه بتونه فکر میکنم شبکه های از این جنس یا حالا برای نسل بعدی قطعا میتونست فکر میکنم میتون انجام چی کارهای بعدی عرض به حضور شما که کلا ها زمانی که اومدن اینجوری بودن اگه بخوایم خلاصه‌شون کنیم یه عده اینجوری بودن که از ایمیج و از تکست جداگانه هر کدام از رد میکردن تنگ هم میزدند و سریع لاس رو حساب میکردن یعنی

شبکه‌هایی بودند که شبکه‌های فیوژن بهشون می‌گفتن قبل از اینکه در واقع به لاس برسند خروجی ایمیج کد و خروجی تکست ان کد رو با همدیگه فیوز میکردن مثل اینجا که اومدن و اینا و تلفی میکردن بعضی از شبکه بودن ایمیجر و تکست ورودی رو تو ان کد میدادند قاطی میشد تلفیق میشد و در نهایت از تلفیقی تلاش میشد که دیکودر جنریشن انجام بشه و خروجی تولید کنه جواب سؤونو بده توصیف عکس بده مثلاً فرض کنید شما یه عکس گربه و سگ دادید که دارن با هم بازی می‌کنن بعد تو تستش نوشتید که دیسکرایب کن مثلا این عکس مثلاً int

ولی آخرین چیزایی که اومد که یه پله خفه تا اینجا بچه‌ها اسمی از ها نیست درسته مستقیما در مورد چیزا حرف داره میزنم هیچ وقت نگفت که از جی پی تی استفاده کن از لاما استفاده کن نسل آخری که اومده کار میگه آقا برای چی از ال ام های که موجودن استفاده نکنیم اینایی که روی چند ده ترابایت از اینترنت ترین شدن و همه چی رو بلدن یعنی تو تکست دیگه دویدن دیگه همه چی رفتن دیدن و میگه که چیکار کنید شبکه های نوع آخر بهشون میگن ادپت که استراحت میدیم و در موردش صحبت میکنیم اینجوری که بخش ایمیجش که میاد ان کد میشه بخش تکستشو ممکنه وارد یه ال ام بکنند خب و

کانکتورهای بین خروجی عکس و خروجی تکست و چیکار کنم یه کانکتورهایی به وجود بیارن اون کانکتورها چی شد از لاین خودش بره بالا یا با شبکه هایی که من از صفرش میکنه چند صد میلیارد پارامتر داره ولش کن بزار بره فقط خروجی های اینا رو برای اینکه به هم دوخت کنم دستی و اون کانکتور میکنم اد میزدیم فلان و اینا یه همچین چیزی فقط و اساس کارشون اینه و خیلی هم قدرت هاشون زیاد شده این چیزایی که الان صحبت کنیم ۱۰ دقیقه دیگه از این جنس یه دقیقه استراحت بفرمایید ۱۰:۳۵ دقیقه تا ساعت ما ادامه میدیم و بعدشم آقای چیزو

سلام مجدد عرض به حضورتون که نوشته‌ای نداره کجا باید بنویسه که خب عرض به حضور شما که سلام مجدد خدمتتون عارضم که رویای ما افق ما دورنمای ما یه همچین دو تا وویی که روز اول بهتون نشون دادیم دوباره امروز با همدیگه مرور کنیم اینکه چگونه در واقع دنیای مدرن هوش مصنوعی که الان بحث ها داغه

فیلم اینجوریه که به این ربات یک تکست فقط گفته شده برو چیپسو برام بیار برو چیپسو برام بیار خدایا این اتفاقایی که می‌افته اینه که مجموعه کارهایی باید بکنه باید مفهومی بفهمه چی گفته شد بعد بفهمه برای اینکه این تسک رو حل کنه باید چیکار کنه باید چند تا فصل بشکونش خوب برای در واقع چیپس رو بیارم اول اینکه باید چیپس رو پیدا کنن اصلاً چیپس چی هست به سمتش حرکت بعد وقتی نزدیک شدن بگیرمش این گرفتم خودش یه اکشن خب و تازه مطمئن باید باشم که گرفتمس وارد چیزش میکرد اذیتش می‌کرد یه بار دیگه پول رو بیارم پیداش میکنه چیپسه رو میره چیپس رو برداره

داشته خب این نقطه برسه این رویای آدم ولی این فیلم های که دارید میبینید در حضور شما بیشتر کار بچه گوگل درسته اینا خوب اولا خیلی رویاییه اینا فقط در واقع چیزهای موفق سناریو موفق دارن بهتون نشون میدن پیک های مختلفی اومد تو این زمینه ها ارتباط پیدا میکنه کلا به حالا چی بهشون بگو ایجنت های مجهز به ها همچین چیزایی و این کارهایی که بتونن انجام بدن

شما بنویس من میخوم چه کارهایی باید انجام دهم این واقعا الان این کار میکنه شماره مویسه که این کار بکن درسته بعد چیکار میکن حالا برای بقیه چک کنید مثلا فرض کنید میگه به سمت اون حرکت کن چیپس حرکت آره چیکار میکنیم میتونید ابزارهای مختلفی که دم دستتون رو صدا بزنید دمت گرم

آخر و از اون استفاده میکنم چیکار کنه بره این کار را انجام بده خب تو لول اولش تنها کاری که میکردم این بود فقط چیکار کنه تسک ها رو بشکونه به چهار پنج تا کار مختلف و دیگه وقتی انجامش میداد دیگه نداشت یه پله دیدن تسک انجام نشه مشکلی به وجود بیاید هیچ وقت نمیفهمه اومدن فیدبک میدادن یعنی چی یعنی این با ویژن خودش میرفت یه کاری انجام میداد که انجام شده خبر موفقیت انجام دادم که اگه لازم شه اون دوباره ریپ کنه برای شما ها و این پیپر های مختلفی زدن خیلی هم جدید ۲۰۲۱ شروع شده داره میاد جلو و کلا دو سه سال عمرشه و عرض کردم الان به آر تی ایکس رسیده

ببینید چیز میکنه طرف براش تایپ میکنه که نوشابه من ریخته چیکار کنم چی چی همچین چیزی نوشته اون میشکونه اول یک فایند کوک اول میرم مشابه پیدا میکنم دو پیک آپ کو برش میدارم ساب تسک داره میش تری گو توشک سطل آشغال اونجا تا اینجا تا اینجاش انجام چهار میدم اسفنج رو پیدا میکنم

۵ می‌گیرمش یا ۶ پلان برات میارم خب یه همچین چیزی اومد خب که مثلا اولا اولویت بندی چاپ دستگاه چیکار کنه بعد از کجا بدونه که کسی موفق بود یا نبود فکر میکنم اگه اشتباه نکنم با چه احتمالی انجام بده و اینا یه چیزایی بوده که توش لحاظ میکردن و فیدبک می‌دادن به جان اجازه بده من برای خودم یه چیزایی نوشتم ببینم از شما که به این میگن ایجنت ها خوب سیکن از سمتژن هیچ فیدبکی به مدل داده نمیشده

سمت چپیه پایین خالیه بالا راست کنم بالاتر از سیکن باشه چون اون نمودارهای نگاه کن قرمزه که سمت راست تصویرش آورده و ویژنش توشه فکر کنم بالاتر یعنی فکر کنم مونولوگه مطمئن نیست یا مونولوگ بود پس من اشتباه نوشتم اینا دیگه خفن تر شده عرض به حضور شما که این سمت چپیه پس یه الگوریتم به روزتری بود که محمد میگه و اون یکی دیگه سمت راستی بالا ضعیف تری بود بین ارتقاش دادن ولی آخر ببینید اتفاقی که میفته آخر

استفاده کنید برای سه تا اتفاق باید رقم بخوره یکی اینکه شما باید داشته باشید یعنی وقتی یک جمله کوتاهی میگید اون در حد یه انسان بتونه اگه لازم شد به ۱۰ تا ۱۰۰ تا زیر تسک بشکونه قبوله یا نه مثلاً شما به یه آدم وقتی آقا لیوان آب برام بیاد یا مثلاً لیوان قرمز خیلی چیزای دیگه تو خودش نهفته است آقا تو راه میری زمین نخوری لیوانای دیگه روشکونی لیوان آبیه رو برداری برو آب کن اونجا آب و و بیاری دست من برسونی ولی تو همین چند تا جمله چیزه میگ فقط یک ایرانیه که میتونه فرایند نمیدونم برو و این کار را انجام بده و ۱۰۰ هزار اینم بشور و بخر و بعد اینو به من برسون تو یک کلمه بگه اومدیا دقیقا

تعریف کرد باید بدونه که خوب انجامش داده یا نه و کجاش گیر کرده تو چه مرحله گیر کرد یا نتونست انجام بده لازم باشه پلنینگشو عوض کنه فکر اساسی بکنه مثلا گرفتن رها کردن برو به سمتش حرکت کن به مانع نخور درسته میتونه چیزهای ساده ساده باشه که وقتی تسک پیچیده شما میخوید انجام بدید همه این کار کنه حالا برگردیم سر درسمون عرض به خدمت شما که خب ما آخرین ورژنی که میخویم بریم سمتش اینه که واقعا از های قوی استفاده کنیم مدل

فکر می‌کنم که یه همچین چیزی وجود داره نمونه‌های دیگه‌ای که باز ما هست عرض به حضور شما مثلا چیز بدید عکس بهش بدید بگید چند تا سیب تو تصویره یه عکس بهش بدید نمیدونم یه ستون کادر قرمز آورده گفته بگو تو اون ستون قرمز چه اتفاقی افتاده یه عکس بهش داده گفته برو باندینگ باکس بکش دور آدماش و موقعیت دقیقا همون کار لوکالیزیشن برام انجام بده نوشته ها این کار برام بکن همچین و این عکس رو ورودی زده و ایندا

کار می‌کند باز دوباره از ساده‌ترین ایده شروع می‌کنیم که بهترین ایده نیست ولی در واقع را دست ترین ایده بوده مدل فروزن مدل فروزن حرفش این بوده که شما وقتی یه عکس میدی و یه نوشته خب برای نوشتتو برو از یک المان قوی رد کن و در ضمن هم نکن خب ولی یک ویژن اینکودر داشته باش که این عکسه که میره توش به یه چیزی تبدیل بشه که از لحاظ توکنی هم سایز توکن های خروجی المنت بشه و با اون قابل رقابت بشه یعنی یه جورایی اکثر بردی تو اون فضای ۱۰۰۰۰ بعدی المنت که این بره بهش بچسبونه و فقط این بخش تو آپدیت شه مثلا با صورت اول مثلا تولید شود بعد اسمال رد بوت آن حرف حرف تولید شه یا اگه سوالی پرسیدید عکس و سوال به عنوان ورودی شروع

انگار به جمله شما یه چند تا توکنی که از عکس اومدم میچسبونه و اینو میره از یک باز دوباره رد میکنه و براتون تلاش میکنه تولید کنه حالا تو ترینینگ بهش دادید یه سری چیزها را انشالله بگید که چیکار کنه انجام بده این اولین ایده بود که اومد و واقعاً هم همین به ذهن می‌خورد دیگه یعنی شما فضای ۱۰ ۱۲ هزاری خوب دارند تلاش بکنید که چی عکس هم ببری تو همون ۱۲ هزار بعد و انشالله بگی که اون چیزی که من بردار پیدا کردم با این هم سایزه یا این در کنار هم انگار به یک کلمه فکر جمله فکر تولید شده که در کنار همدیگه توکن ها میتونن این مفهوم پیچیده رو با همدیگه براتون پیدا کنن

شبکه قابلیت پردیکشن میکنه در واقع داره به سوال شما جواب میده این بوده که هواپیما رو داده بعد سوال پرسیده که چه کسی این را اختراع کرد جوابش برادران رایت بعد عکس موبایل اپل رو داده گفته چه کسی این را اختراع کرد این وان شات و این انتظار که بنویسه استیو جابز و داده جان تو تستش احتمالا خوبشو گزارش کرده خب بعد نمیدونم سه تا میوه بهش داده دوتا اول بهش گفته چی اند سومی و چیز کرده گفته تو بگو چیه و مثلاً یکی از اون دو تا قبلی بوده و تونسته بگه دیس گو ما دو تا شبکه بعدی داریم اصلا علاقه نداریم الان

ورود کنیم با جزئیات پیچیده هم هستند خب یکی شبکه فلامینگو اینا حرف حسابشون اینه که درسته در عین حال ظاهرهای شلوغی دارند ولی بخش خوبی از شبکه‌شون فریز شده است خب بخش آبی رنگی که می‌بینید فریز شده است یه بخشی داره که وقتی عکس ازش بهش ورودی اول بخش ویژه شبکه فریز میگذره مثلاً یه شبکه خفن تو این حوزه که قبلا ترین شده یا حتی از اینا پیچیده تر و این میره به یه جایی به میرسه قابل بحث که علاقه ندارم صحبت کنم دلتون خواست برید بخونید فلامنکو یه الگو داره الگوی دیگه داره و اینکه چجوری از این که از این الگویی که از عکسه در

دستم نمی‌زنم به خود دست کاری چیزهایی که بین وزن های که بین وزن های فریز شده محاصره میشدند فقط تلاش خوب جواب بده و عرض به حضور شما دسته آخر بودن در مورد برعکس صحبت کردم الان گفتم دو تا رباتی که دیدید بهشون می‌گفتن پله خفن تر میشه میخوید کاری کنید که ربات شبیه زندگی تو زندگی آدم ورود کنه یعنی با دستورات صوت ویدیو از خودتون بگیرید بگید این کار را بکن تمام شد یا حوصله تایپ ندارید یا وقت ندارید یا مثلاً پروگرم

زبان عامیانه انسانی به یک ایجنت بگید این کارو بکن این ایجنت واقعی و مجازی و سر راهش باید از ایده‌های مختلف می‌تونه استفاده بکنه میتونه فقط در حد پلنینگش استفاده کنه بقیه شد تقسیم کار کنه پول‌های مختلف ابزارهای مختلف جدا کنه یا اینکه شبکه‌هایی باشه که اینتگشن و عکس و تصویر از همون اول در هم عجیب بشه هنوز که کار میشه عمر زیادی هم ندارن کلا زیر دو ساله داره کار میشه و فکر میکنم باید در آینده نزدیک ازش خبرهای زیاد و جدیدی بشنوید و ادعاهای مبنی بر تاسیس است های تو سطح جهانی که ما می‌خوایم ربات های بسازیم که همه کار بکنند برای ما و عرض کردم خانم تنسی الان ادعا کرده که

سرمایه جذب کرده که گفته ما می‌خوایم کاری کنیم که هر رباتی هر کاری دلمون بخواد بهش یاد بدیم یعنی نه محدودیتی برای ربات وجود داشته باشه نه محدودیتی برای انجام آقا من تا اینجاشو نگه می‌دارم عرض به حضور شما که دو تا کار ربع ساعت داریم پیشرفت خودتونه و همینطور دعوت کردن که دانشجویان بسیار خوب پارسال درس ما بودند انجام دادن رو ارائه بدم که چجوری از همون دانش ارتباط ندارد که چجوری

خب آقای خدمت شما خوب حالا چیزی که در واقع یکشنبه دیدیم کاری که خیلی شبیه اونه فقط فقط رو