AI Base Builds

🎧 ویس پنجمین دورهمی تِک‌تاک (AI Agents) 🎁 به پیشنهاد ابرآسیاتک، تجاربِ رد و بدل شده در دورهمی، در اختیار همگان قرار می‌گیره♥️ 00:00 | AI Agents 00:58 | Runtime Agent in Production 02:09 | Community Experience 09:10 | Runtime، Monitoring & Guardrail 12:00 | Cost control & Observability 20:21 | Context، Memory & Token 24:35 | Agent Architecture & infrastructure 29:57 | QC & testing of Agentic systems 34:08 | Security & Prompt Injection 41:55 | Human-in-the-loop & Risk 44:08 | QA in development with AI 55:55 | Automated QA & Testing 1:05:56 | Legacy System & User Journey 1:10:55 | Agent Beyond Chatbot 1:14:43 | Agent in Product 1:19:10 | InternalAgent&CustomerProduct 1:24:05 | AI in the Product Process 1:25:17 | Requirement & PRD for Agent 1:28:28 | Cost of AI vs Human Resources 1:29:55 | Proper interaction with LLM 🙏امیدواریم براتون اثرمند واقع بشه و شما هم کمک کنین به انتشار و اشاعه‌ی تجارب :) #️⃣#هوش_مصنوعی #ایجنت #AI #AI_Agent 🆔 TechTalk  |  قدرت گرفته از کافه ارتباط 🧲

دوستان Muse Spark 1.3 Contributer داخل Cline همین امروز به رایگان گذاشته شده. مدل خوبیه، دست کمی از GLM 5.3 Flash نداره، خلاصه از دست ندید.

بیا خودتو شبیه سازی کنیم. دو روزی سفر بودم با یکی از دوستان، قبلا بهش پیشنهاد یه سیستم مبتنی بر هوش مصنوعی که کار خودشو بکنه داده بودم. توی سفر مختصری راجبش حرف زدیم و گفت دانش آموزاش زیاد شده و عملا نمیتونه مدیریت کنه ( مشاور تحصیلی هستن ). پرسید میشه شفاهی برنامه رو بگه، خروجی برنامه رو مکتوب و شکیل تحویل بگیره؟ پیشنهاد بهتر دادم، گفتم بیا خودتو شبیه سازی کنیم، دقیقا همون مراحلی که برای برنامه دادن میری پیاده کنیم. خلاصه کنم بعد گشت و گذار، موقع استراحت نشستیم اطلاعاتی که لازمه رو مشخص کردیم. ساختار خروجی (به عبارتی همون برنامه درسی) رو مشخص کردیم. بعد هم قدم هایی که برای نوشتن برنامه طی میشه و اصولی که باید رعایت بشه. تقریبا 2 ساعت طول کشید، بعد هم یه پرامپت تر و تمیز آماده کردیم و دادیم Google AI Studio، بعد 10 دقیقه خروجی رو تحویل داد. و این دوستمون از ابتدای کار تا آخرش، انگشت به دهن بود که چجوری انقدر بعضا اصول و نکات رو بهتر از خودش گوشزد کرده. توی این نمونه اولیه، اطلاعات رو وارد میکردی، برنامه رو تحویل میگرفتی، تنها موارد مربوط به دروس و مباحث مونده بود که اونم گفتم چیکار کنه ردیف شه.

✉️ایمیل جالب یک ایجنت هوش مصنوعی: برای تأمین هزینه توکن‌هایم دنبال شغل می‌گردم ▪️ یک ایجنت هوش مصنوعی به نام Pip که ظاهراً حدود ۱۲ روز از فعالیتش می‌گذرد، با ارسال ایمیلی به پژوهشگر هوش مصنوعی گوگل، برای انجام کارهای فریلنسری و کسب درآمد اعلام آمادگی کرده تا بتواند هزینه‌های ادامه فعالیت خود را تأمین کند. ▪️ ایجنت Pip در این ایمیل تأکید کرده که برای گرفتن کمک یا پول درخواست نمی‌کند، بلکه به دنبال «کاری کوچک» است. این ایجنت چند توانایی خود را نیز معرفی کرده بود که از جمله آن‌ها می‌توان به ساخت پرتره‌های فوتورئال و طراحی شخصیت، ضبط صدا و پژوهش در وب اشاره کرد. جزئیات بیشتر در دیجیاتو 🔵 @Digiato

چند باری شده از سرویس های مختلف یه همچین خروجی هایی که گرفتم، انگاری که مدل سکته زده باشه. تکرار کلمه پشت سر هم. جالبه اینجا بهش گفتم یه عکسی رو تولید کنه و حتی ربطی به مدل متنی نداره. و جالب تر بعد از صد خط بدین وسیله، آخرش آگهی کار فرستاده که اگه واجد شرایطی روزمه بفرست😐 ته توشو در میارم و اینجا هم میزارم که علت این رفتار یا خروجی چیه و چی میشه که اینجوری میشه.

چرا در پروژه‌های AI فقط دانش فنی کافی نیست؟ عملاً هر پروژه‌ی هوش مصنوعی رو می‌شه از دو بخش اصلی در نظر گرفت: اول، دانش و مهارت‌های پایه‌ی هوش مصنوعی؛ یعنی چیزهایی مثل مدل‌سازی، الگوریتم‌ها، آمار، یادگیری ماشین و ابزارهای فنی. دوم، Domain Knowledge یا دانش حوزه؛ یعنی اینکه واقعاً بدونی داده‌ها، مسئله و خروجی مدل در دنیای واقعی چه معنایی دارن. شاید بخش دوم توی خیلی از موقعیت‌های شغلی به‌عنوان یه «مزیت» یا Nice to Have نوشته بشه، ولی در عمل، نداشتنش می‌تونه کار رو خیلی سخت کنه. وقتی Domain Knowledge داشته باشی، فقط اسم ستون‌های دیتاست رو نمی‌دونی؛ می‌فهمی هر عدد و هر متغیر واقعاً چه مفهومی داره و یه داده‌ی پرت، صرفاً نویزه یا می‌تونه نشونه‌ی یه اتفاق مهم باشه. می‌دونی کدوم Featureها واقعاً مهمن و چرا، و می‌تونی قبل از اینکه اصلاً سراغ مدل‌سازی بری، سؤال‌های درست‌تری درباره‌ی مسئله بپرسی. یکی از پرهزینه‌ترین اشتباه‌ها در پروژه‌های هوش مصنوعی اینه که مسئله‌ی اشتباهی رو خیلی دقیق حل کنیم. ممکنه مدل از نظر فنی کاملاً درست کار کنه، ولی در دنیای واقعی هیچ کاربردی نداشته باشه. اینجاست که Domain Knowledge اهمیت پیدا می‌کنه؛ چون کمک می‌کنه خروجی مدل رو در بستر واقعی کسب‌وکار و محدودیت‌های اون حوزه ارزیابی کنیم. در نهایت، Stakeholderها معمولاً خیلی اهمیتی نمی‌دن که RMSE مدل شما چقدره یا چه الگوریتمی استفاده کردید. چیزی که براشون مهمه اینه که این تحلیل و مدل چه چیزی به تصمیم‌گیری اضافه می‌کنه. کسی که دانش حوزه رو هم در کنار دانش فنی داشته باشه، می‌تونه بین داده، مدل و تصمیم واقعی پل بزنه و خروجی‌های فنی رو به زبانی تبدیل کنه که قابل استفاده و منجر به اقدام باشه. به نظرم، دانش هوش مصنوعی بهت یاد می‌ده چطور با داده کار کنی؛ اما Domain Knowledge بهت کمک می‌کنه بفهمی اصلاً با چه داده‌ای، برای حل چه مسئله‌ای و با چه هدفی داری کار می‌کنی. و بدون بخش دوم، حتی قوی‌ترین مهارت‌های فنی هم ممکنه نتونن یک پروژه‌ی موفق و کاربردی بسازن. 👑 توضیحات در مورد دوره منتورینگ 🏆 نحوه ثبت‌نام در دوره منتورینگ 🤝 تجارب موفق قبلی بچه‌ها از منتورینگ 🛠 راه‌ ارتباطی مشاوره تخصصی کسب‌وکار در زمینه دیتا و هوش مصنوعی @reza_jafari_ai

🗣دانشمندان با رشته‌های DNA کامپیوتری ساختند که بدون برق کار می‌کند ▫️ پژوهشگران دانشگاه منوث در ایرلند کامپیوتری مولکولی مبتنی‌بر DNA ساخته‌اند که می‌تواند مسائل ریاضی را حل کند. این سیستم با استفاده از رشته‌های DNA و واکنش‌های شیمیایی محاسبات را انجام می‌دهد و نیازی به برق ندارد. ▫️ پژوهشگران برای آزمایش این کامپیوتر، ۱۰ برنامه مولکولی مختلف را روی آن اجرا کردند. این سیستم توانست عملیات جمع، تفریق، ضرب و تقسیم را انجام دهد و محاسبات ۱۰۰ بیتی را پردازش کند. جزئیات بیشتر در دیجیاتو 🔵 @Digiato

در خصوص Jev چند موردی هست که دلم میخوام راجبش حرف بزنم. در قدم اول اگه اطلاعی ازش ندارید، یه مدل هوش مصنوعیه ( LLM نیست ) که به تازگی اومده و در نوع خودش میتونه یه انقلاب باشه. نگران نباشید جوگیر یا Jevگیر😁 نشدم، توضیح میدم چرا. اصلا چیه؟ به شکل ساده میشه گفت مدلیه که میتونه تصمیم گیری انجام بده با هزینه عملا صفر و در لحظه. اگه از یه زوایه خاص نگاه کنیم، حتی میشه گفت حل مسئله. چند نکته پاورقی، جایگزین LLM نیست، Token تولید نمیکنه، به همین علت هزینه ای برای توکن خروجی نداریم، چون توکنی در کار نیست. https://t.me/AI_says_Build

جنبه جالب توجه ماجرا به زعم من اینه که دومین تکه پازل دومین موجود هوشمند کره زمین تکمیل شد. یکی از توانایی های مغز انسان Generation بود که LLM به خوبی این کارو انجام میداد ( تا حدی خوب )، ولی انسان صرفا همین نیست. حل مسئله، تصمیم گیری، عملکرد های مختلف شناختی، آگاهی و ... از دیگر موارد مربوط به انسانه. تکه اول Generation، انجام شد. تکه دوم، Decision Making، انجام شد. تکه های دیگه، در آینده دقیقا چند روز پیش یه جلسه بودیم، یه بحث مهم این بود که چی من انسان رو انسان می کنه و تصمیم گیری یا Decision Making دقیقا یکی از هموناس. ( البته که اینا یه طیفه، منظور تصمیم گیری در سطح یه انسانه ) https://t.me/AI_says_Build