العلامات الشائعة：
الافتراضية أمان DNS التحقق الرسمي تحليل قابلية الوصول أخطاء المترجم تضارب الماكرو امتدادات الويب إطار عمل تطوير كومودور 64 بياسيك 2.0 جميع العلامات

نظرة عملية من عالم بيانات كبير حول الذكاء الاصطناعي التوليدي

2025-05-05
نظرة عملية من عالم بيانات كبير حول الذكاء الاصطناعي التوليدي

يشارك عالم بيانات كبير في BuzzFeed نهجه العملي في استخدام نماذج اللغات الكبيرة (LLMs). لا ينظر إلى LLMs على أنها حل سحري، بل كأداة لتعزيز الكفاءة، مع تسليط الضوء على أهمية هندسة المطالبات. يبين المقال استخدامه الناجح لـ LLMs في مهام مثل تصنيف البيانات، وتلخيص النص، وإنشاء الرموز، مع الاعتراف في الوقت نفسه بحدودها، خاصة في سيناريوهات علم البيانات المعقدة حيث قد تتأثر الدقة والكفاءة. يُجادل بأن LLMs ليست علاجًا شاملاً، ولكن عند استخدامها بحكمة، يمكن أن تزيد الإنتاجية بشكل كبير. يكمن المفتاح في اختيار الأداة المناسبة للمهمة.

اقرأ المزيد
(minimaxir.com)
الذكاء الاصطناعي

ما وراء قواعد بيانات المتجهات: معالجة فعالة لدمج النصوص باستخدام Parquet وPolars

2025-02-24
ما وراء قواعد بيانات المتجهات: معالجة فعالة لدمج النصوص باستخدام Parquet وPolars

تقدم هذه المقالة طريقة لمعالجة دمج النصوص بكفاءة دون الاعتماد على قواعد بيانات المتجهات. يستخدم الكاتب ملفات Parquet لتخزين البيانات الجدولية التي تحتوي على دمج بطاقات Magic: The Gathering وبياناتها الوصفية، ويستخدم مكتبة Polars للبحث السريع عن التشابه وفلترة البيانات. تُعد ميزة النسخ الصفرية في Polars ودعمها الممتاز للبيانات المتداخلة هذه الطريقة أسرع وأكثر كفاءة من طرق CSV أو Pickle التقليدية، مع الحفاظ على أداء عالٍ حتى عند تصفية مجموعة البيانات. يقارن الكاتب طرق التخزين الأخرى مثل CSV وPickle وNumPy، ويخلص إلى أن Parquet مع Polars هو الخيار الأمثل للتعامل مع دمج النصوص متوسطة الحجم، حيث تصبح قواعد بيانات المتجهات ضرورية فقط لمجموعات البيانات الضخمة للغاية.

اقرأ المزيد
(minimaxir.com)
التطوير دمج النصوص

هل يمكن أن تكتب نماذج اللغات الكبيرة (LLMs) رمزًا أفضل إذا استمررت في مطالبتها بـ "كتابة رمز أفضل"؟

2025-01-03
هل يمكن أن تكتب نماذج اللغات الكبيرة (LLMs) رمزًا أفضل إذا استمررت في مطالبتها بـ

تتناول هذه المدونة تجربةً لاستكشاف ما إذا كانت المطالبة المتكررة بنموذج لغة كبير (LLM) بـ "كتابة رمز أفضل" تُحسّن من جودة الرمز. باستخدام Claude 3.5 Sonnet، يبدأ الكاتب بمشكلة ترميز Python بسيطة ويطلب من LLM بشكل متكرر. يتحسن الأداء بشكل كبير، ويصل إلى تسريع 100 مرة. ومع ذلك، تؤدي المطالبات المتكررة البسيطة إلى هندسة زائدة. تُنتج هندسة المطالبات الدقيقة رمزًا أكثر كفاءة بكثير. تُظهر التجربة أن LLMs يمكن أن تساعد في تحسين الرمز، لكن التدخل البشري والخبرة لا تزالان ضروريتين للجودة والكفاءة.

اقرأ المزيد
(minimaxir.com)
التطوير تحسين الرمز هندسة المطالبات