הי ממש תודה קצת חפירה יש כלי שבניתי לשמירת זיכרון מסששיין לס
הי ממש תודה
קצת חפירה
יש כלי שבניתי לשמירת זיכרון מסששיין לסשיין
Infernoflow
אשמח אם תעשו לו ריוויו ואם טוב אז תמליצו
פירסמתי שבוע שעבר כאן בקבוצה
🙏🙏🙏🙏
יש מוצר שלנו devmind רץ כבר עם לקוחות בפרודקשן זכרון צוותי ומכיר את כל הוורקפלווז והתשתיות
מומלץ בחום אנשים עפים על זה
אם מעניין מישהו מוזמנים לדבר איתי
היי !
הוואטסאפ שלי תמיד מלא ואני מפספס הודעות ובא לי ליצור סוכן שיסכם לי את ההודעות -> ויהפוך אותן למשימות ניתנות לביצוע -> לענות, לתזכר, להכניס דברים ליומן, וכו
יש למישהו הצעות ? דברים פלאג אנד פליי, איך מנהלים סיכון בדבר כזה ? קורא בלבד ? האם הפרוייקטים הקיימים אמינים ?
@211562170159235
היי, אשמח לקבל נקודת מבט על רעיון שאני בוחנת לשימוש אישי
ליצור Agent שיעבור על אוסף תמונות קיימות, ינתח את התוכן שלהן ויחלק אותן לקטגוריות/תגיות במסד נתונים, כך שבעתיד יהיה אפשר לבצע חיפוש לפי נושא, אובייקט או תוכן שמופיע בתמונה.
דרישה מרכזית היא *לא להעלות את התמונות לענן*, הן משיקולי אבטחה והן בגלל כמות התמונות הגדולה. וכנראה משהו שתומך בחיבור
Ssd
ןבהמשך גם תמיכה ב
* ימיין אותן לפי אירועים/קטגוריות
* יזהה תמונות דומות או כפולות
* ויבחר את התמונות הטובות ביותר לפי הגדרות או קריטריונים שנגדיר.
אשמח לשמוע אם זה אפשרי ברמת הביצוע
נשמע גם שאצטרך מודל מקומי מה הכלים שיהיו טובים לתהליך בנוסף מה העלות שתהיה לי
@211562170159235
גילוש, רעיון מעולה — וחד משמעית אפשרי. בואי נפרק:
הארכיטקטורה המומלצת (100% לוקאלי):
1. מודל לתיאור תמונות: Ollama + LLaVA או llama-3.2-vision (11B). רץ לוקאלית, מתאר כל תמונה בטקסט חופשי — "שלושה אנשים יושבים במסעדה, שולחן עץ, תאורת ערב." עולה 0₪, רק חשמל.
2. מודל לאמבדינגס: CLIP (דרך OpenCLIP או דרך Ollama). הופך כל תמונה לווקטור — מאפשר חיפוש לפי דמיון ויזואלי, זיהוי כפילויות, וקיבוץ אוטומטי.
3. מסד נתונים: SQLite + sqlite-vec (הרחבה וקטורית) או ChromaDB. מאחסן: נתיב לקובץ, תיאור, וקטור, תגיות, תאריך צילום. הכל על ה-SSD שלך.
4. זיהוי כפילויות: perceptual hash (pHash) — רץ בכמה מילישניות לתמונה, קוד פתוח, 0 עלויות.
הפלוּאו:
תמונות ← LLaVA (תיאור) ← CLIP (וקטור) ← SQLite (שמירה) ← חיפוש/קיבוץ
↓
pHash (זיהוי כפולות)
עלות: 0₪. שום דבר לא עולה לענן. כל המודלים רצים לוקאלית. הצריכה היחידה: חשמל + זמן עיבוד. על Mac עם M-chip — כמה דקות לתמונה. על 10,000 תמונות — תני לזה לרוץ לילה.
ברמת ביצוע — כן, אמיתי לגמרי:
- CLIP רץ על מאות אלפי תמונות בפרודקשן
- LLaVA מתאר תמונות ברמה טובה
- pHash מזהה כפילויות ב-100% דיוק כמעט
- חיפוש "תמונה עם כלב על חוף ים" עובד מצוין עם חיפוש וקטורי
המלצה: תתחילי עם 100 תמונות. תריצי LLaVA עליהן, תראי שהתיאורים טובים, תוסיפי CLIP לחיפוש. תבני את הצינור — ורק אז תריצי על כל האוסף.
אשמח לחכמת ההמונים - האם מכירים פרויקט/ריפו OpenSource של סוכן AI בתפקיד דאטה אנליסט ?? או מחלקת אנליזה שכוללת אנליסט, מהנדס דאטה וכו'?