اختراق كبير هنا! شخص ما أصلح كل عيب كبير في Jupyter Notebooks. صيغة .ipynb عالقة في عام 2014. تم بناؤه لعصر مختلف - لا تعاون سحابي، لا وكلاء الذكاء الاصطناعي، لا تدفقات عمل للفريق. إذا غير خلية واحدة، ستحصل على 50+ سطرا من بيانات تعريف JSON في فرق git الخاص بك. مراجعات الكود تصبح كابوسا. هل ترغب في مشاركة اتصال قاعدة بيانات عبر دفاتر الملاحظات؟ قم بتكوينها بشكل منفصل في كل واحد. هل تحتاج إلى تعليقات أو أذونات؟ سيء جدًا. يعمل جوبيتر في التحليل الفردي لكنه يتوقف للفرق التي تبني أنظمة الذكاء الاصطناعي الإنتاجية. Deepnote فتحت للتو الحل (رخصة Apache 2.0) لقد بنوا معيارا جديدا للحواسيب المحمولة يتناسب فعليا مع سير العمل الحديث: ↳ YAML قابل للقراءة من قبل الإنسان - تظهر اختلافات Git تغييرات فعلية في الكود، وليس ضوضاء JSON. أخيرا نجحت مراجعات الكود. ↳ هيكل المشروع - تشارك عدة دفاتر تكامل وأسرار وإعدادات البيئة. قم بالتكوين مرة واحدة، واستخدم في كل مكان. ↳ 23 كتلة جديدة - SQL، مدخلات تفاعلية، جداول، ومؤشرات أداء رئيسية كمواطنين من الدرجة الأولى. ابن تطبيقات البيانات، وليس فقط دفاتر التحليلات. ↳ دعم اللغات المتعددة - بايثون وSQL في دفتر ملاحظات واحد. العمل الحديث في البيانات لم يعد لغة واحدة. ↳ التوافق الكامل للخلف وللأمام: تحويل أي دفتر ملاحظات لجوبيتر إلى ديب نوت والعكس بأمر واحد. NPX @ DeepNote/Convert Notebook.ipynb ثم افتحها في VS Code أو Cursor، أو WindSurf، أو Antigravity. دفاترك الحالية تنتقل فورا. تضيف نسختهم السحابية تعاونا في الوقت الحقيقي مع التعليقات، والأذونات، والتحرير المباشر. لقد شاركت رابط مستودع GitHub في الردود! إنه مفتوح المصدر بنسبة 100٪.

مايكروسوفت. جوجل. AWS. الجميع يحاول حل نفس المشكلة مع عملاء الذكاء الاصطناعي: كيف يمكن بناء رسوم بيانية معرفية سريعة بما يكفي لتطبيقات نماذج اللغة الكبيرة في الوقت الحقيقي؟ FalkorDB هو قاعدة بيانات رسوم بيانية مفتوحة المصدر تحل هذه المشكلة من خلال إعادة تصور كيفية عمل الرسوم البيانية. يستخدم المصفوفات المتفرقة والجبر الخطي بدلا من العبور التقليدي! دعونا نفهم ما الذي يجعلها سريعة جدا: تخزن قواعد بيانات الرسوم البيانية التقليدية العلاقات كعقد مرتبطة وتعبرها قفزة واحدة في كل مرة. لكن هناك مشكلة: عندما تستفسر عن الاتصالات، تمر قاعدة البيانات عبر العقد والحواف كما تتابع خريطة. بالنسبة للرسوم البيانية المعرفية الضخمة التي تغذي وكلاء الذكاء الاصطناعي، يخلق هذا عنق زجاجة خطير. لكن ماذا لو استطعت تمثيل الرسم البياني بأكمله كهيكل رياضي؟ هنا تأتي دور المصفوفات المتفرقة. المصفوفة المتفرقة تخزن فقط الاتصالات الموجودة. لا مساحة مهدرة، ولا بيانات غير ضرورية. فقط العلاقات التي تهم. وهنا الاختراق: بمجرد أن يصبح الرسم البياني مصفوفة متفرقة، يمكنك الاستعلام عنه باستخدام الجبر الخطي بدلا من التنقل. تصبح استفساراتك عمليات رياضية، وليست خطوات خطوة بخطوة عبر العقد. الرياضيات أسرع من التنقل. أسرع بكثير. بالإضافة إلى ذلك، تجعل المصفوفات المتفرقة التخزين فعالة للغاية. أنت فقط تخزن ما هو موجود، مما يعني أنه يمكنك وضع رسوم بيانية معرفية ضخمة في الذاكرة دون استهلاك الموارد. فلماذا لا تلتزم فقط بالبحث المتجه؟ البحث المتجه سريع، لكنه يلتقط فقط التشابه الساذج. يجدون أنماطا، لكنهم يفتقدون الهيكل. تلتقط الرسوم البيانية العلاقات الدقيقة بين الكيانات. هذا يضمن أن السياق المسترجع لوكيلك دقيق وذو صلة عالية، وليس فقط "مشابها". وهذا ما تحصل عليه مع FalkorDB: ↳ قاعدة بيانات الرسوم البيانية فائقة السرعة متعددة المستأجرين ↳ التخزين الفعال باستخدام تمثيل المصفوفة المتفرقة ↳ متوافق مع OpenCypher (نفس لغة الاستعلام مثل Neo4j) ↳ تم بناؤه خصيصا لتطبيقات نماذج اللغة الكبيرة وذاكرة الوكيل ↳ يعمل على Redis لتسهيل النشر البدء يتطلب أمر دوكر واحد. جربتها مع عميل بايثون الخاص بهم، وكان الفرق في الأداء ملحوظا فورا. إذا كنت تبني وكلاء الذكاء الاصطناعي الذين يحتاجون إلى وصول فوري إلى المعلومات المتصلة، فهذا يستحق الاستكشاف. أفضل جزء أنه مفتوح المصدر بنسبة 100٪! لقد شاركت رابط مستودعهم على GitHub في التغريدة القادمة!

أنت في مقابلة مهندس تعلم آلي في جوجل. المحاور: نحتاج إلى تدريب نموذج اللغة الكبيرة عبر 1000 وحدة معالجة رسوميات. كيف ستتأكد من مشاركة جميع وحدات معالجة الرسوميات ما تتعلمه؟ أنت: استخدم خادم معلمات مركزي لتجميع وإعادة توزيع الأوزان. انتهت المقابلة. إليك ما فاتك: