https://virgool.io/feed/@m_45583319 دانشجوی مهندسی نرم افزار /فعال در حوزه AI fa 2026-06-18 04:59:55 https://files.virgool.io/upload/users/4102874/avatar/SWbxGE.jpg?height=120&width=120 https://virgool.io/@m_45583319 https://virgool.io/@m_45583319/%D8%A2%D8%B2%D9%85%D9%88%D9%86-ab-%D8%A8%D9%87-%D8%B2%D8%A8%D8%A7%D9%86-%D8%B3%D8%A7%D8%AF%D9%87-%DA%86%D8%B7%D9%88%D8%B1-%D8%A8%D9%81%D9%87%D9%85%DB%8C%D9%85-%D8%AA%D8%BA%DB%8C%DB%8C%D8%B1%D8%A7%D8%AA-%D9%85%D8%A7-%D9%88%D8%A7%D9%82%D8%B9%D8%A7%D9%8B-%D9%85%D9%81%DB%8C%D8%AF-%D9%87%D8%B3%D8%AA%D9%86%D8%AF-g4u8sdjsgltk تا حالا برایتان پیش آمده که بخواهید رنگ یک دکمه، تیتر یک ایمیل یا حتی چیدمان یک صفحه در اپلیکیشن‌تان را تغییر دهید، اما ندانید کدام نسخه بهتر جواب می‌دهد؟ آزمون A/B دقیقاً برای همین کار ساخته شده است. این روش مثل یک مسابقه عادلانه بین دو نسخه از محصول شماست تا ببینیم کدام یک در عمل موفق‌تر است.آزمون A/B چیست و چطور کار می‌کند؟تصور کنید می‌خواهید یک ویژگی جدید به محصولتان اضافه کنید. به جای اینکه آن را برای همه کاربران فعال کنید و امیدوار باشید که همه خوششان بیاید، می‌توانید از آزمون A/B استفاده کنید.کاربران را به دو گروه تقسیم می‌کنیم:گروه A (کنترل): همان نسخه قدیمی و همیشگی را می‌بینند.گروه B (آزمایش): نسخه جدیدی که تغییراتی در آن داده‌اید را تجربه می‌کنند.بعد از مدتی، رفتار هر دو گروه را تحلیل می‌کنیم تا ببینیم آیا تغییرات ما واقعاً تأثیر مثبتی داشته‌اند یا نه. برای اینکه این مقایسه درست از آب دربیاید، به چند چیز نیاز داریم: یک زیرساخت خوب برای اجرای آزمایش، تعداد کافی کاربر، زمان مناسب و البته سنجه‌های درست برای اندازه‌گیری موفقیت.یک نکته مهم این است که ما معمولاً داده‌ها را بر اساس هر «کاربر» جمع‌آوری می‌کنیم، نه هر «کلیک» یا «بازدید». این کار باعث می‌شود تحلیل ما دقیق‌تر باشد، چون رفتار یک کاربر در طول زمان به هم مرتبط است و نمی‌توانیم هر کلیک او را یک اتفاق مستقل در نظر بگیریم.سنجه‌ها: با چه معیاری موفقیت را بسنجیم؟ما با دو نوع سنجه سروکار داریم:سنجه‌های ارزشی: چیزهایی که مقدار مطلق دارند، مثل «درآمد کل» یا «تعداد کل سفارش‌ها».سنجه‌های نسبی: چیزهایی که یک نسبت هستند، مثل «نرخ کلیک» (تعداد کلیک به تعداد بازدید) یا «نرخ تبدیل».تحلیل سنجه‌های نسبی کمی پیچیده‌تر است، چون صورت و مخرج کسر به هم وابسته‌اند. برای همین از روش‌های آماری خاصی مثلروش دلتا، خطی‌سازی یا بوت‌استرپ استفاده می‌کنیم تا مطمئن شویم نتیجه‌گیری ما درست است.خطاهای رایج در آزمون و مفهومی به نام MDEدر هر آزمایشی، ممکن است اشتباه کنیم. دو نوع خطای معروف وجود دارد:خطای نوع اول (مثبت کاذب): وقتی است که فکر می‌کنیم تغییر ما تأثیر داشته، اما در واقعیت همه‌چیز تصادفی بوده است. مثل اینکه فکر کنید داروی جدیدی که ساخته‌اید مؤثر است، اما در حقیقت شانسی جواب داده!خطای نوع دوم (منفی کاذب): وقتی است که تغییر ما واقعاً تأثیر مثبتی داشته، اما ما نتوانسته‌ایم آن را تشخیص دهیم. این یعنی یک فرصت خوب را از دست داده‌ایم.اینجاست که حداقل اثر قابل تشخیص (MDE) وارد می‌شود. MDE به ما می‌گوید که آزمایش ما چقدر حساس است و حداقل چقدر باید تغییری ایجاد شود تا بتوانیم آن را با اطمینان تشخیص دهیم.چرا نباید مدام به نتایج سرک بکشیم؟یک وسوسه بزرگ در آزمون A/B این است که هر ساعت نتایج را چک کنیم و به‌محض اینکه دیدیم نسخه جدید برنده شده، آزمایش را تمام کنیم. به این کار «سرک کشیدن» یا «p-hacking» می‌گویند.مشکل کجاست؟ هر بار که نتایج را چک می‌کنید، شانس اینکه به‌صورت تصادفی یک نتیجه مثبت کاذب ببینید، بیشتر می‌شود. درست مثل این است که آنقدر سکه بیندازید تا بالاخره ده بار پشت سر هم «شیر» بیاید و بعد بگویید سکه شما جادویی است!راه حل چیست؟ بهترین کار این است که از قبل حجم نمونه (تعداد کاربران) را مشخص کنید و تا آن زمان صبر کنید. یا از روش‌های پیشرفته‌تری مثلآزمون دنباله‌ای استفاده کنید که به شما اجازه می‌دهد چند بار نتایج را چک کنید، اما با قواعدی خاص که جلوی خطای شما را می‌گیرد.وقتی چند چیز را هم‌زمان آزمایش می‌کنیم چه می‌شود؟فرض کنید هم‌زمان در حال اجرای ۱۰ آزمون A/B مختلف هستید. حتی اگر هیچ‌کدام از تغییرات شما تأثیری نداشته باشند، احتمال اینکه حداقل یکی از آن‌ها به‌صورت تصادفی «موفق» به نظر برسد، بسیار بالاست. به این مشکل،آزمون‌های چندگانه می‌گویند. برای حل این مشکل، از روش‌هایی مثلتصحیح بونفرونی یا کنترل نرخ کشف کاذب (FDR) استفاده می‌کنیم تا سطح معناداری را طوری تنظیم کنیم که گول نتایج تصادفی را نخوریم.CUPED: یک ترفند هوشمندانه برای سریع‌تر نتیجه گرفتنCUPED یک تکنیک جالب برای افزایش حساسیت آزمون است. ایده اصلی این است که از اطلاعاتی که از قبل درباره کاربران داریم (مثلاً رفتارشان در هفته گذشته) استفاده کنیم تا «نویز» داده‌ها را کم کنیم.وقتی نویز کمتر باشد، سیگنالِ واقعی (یعنی تأثیر تغییرات ما) واضح‌تر دیده می‌شود. این یعنی با CUPED می‌توانیم تأثیرات کوچک‌تر را راحت‌تر تشخیص دهیم یا با تعداد کاربران کمتر و در زمان کوتاه‌تر به نتیجه برسیم.دو نگاه متفاوت: فرکانسی در برابر بیزیدو فلسفه اصلی پشت آزمون A/B وجود دارد:نگاه فرکانسی (Frequentist): این همان روش کلاسیک است که با p-value کار می‌کند. به شما می‌گوید: «چقدر احتمال دارد این نتایج را ببینیم،اگر هیچ تفاوتی بین دو نسخه وجود نداشته باشد؟». این روش قدرتمند است اما تفسیر نتایجش گاهی سخت است و مشکل «سرک کشیدن» دارد.نگاه بیزی (Bayesian): این رویکرد جدیدتر و شهودی‌تر است. به جای p-value، مستقیماً به شما می‌گوید: «چقدر احتمال دارد که نسخه B بهتر از نسخه A باشد؟». این همان سؤالی است که مدیران محصول و کسب‌وکارها دنبال جوابش هستند! یکی از بزرگ‌ترین مزیت‌های روش بیزی این است که مشکل «سرک کشیدن» ندارد و می‌توانید هر زمان که خواستید نتایج را بررسی کنید.امیدوارم این توضیحات به شما کمک کرده باشد تا با دیدی بهتر و ساده‌تر به دنیای آزمون A/B نگاه کنید و از این ابزار قدرتمند برای بهبود محصولات خود استفاده کنید. آیدا آقائی نیا آیدا آقائی نیا Wed, 01 Oct 2025 15:44:47 +0330 https://virgool.io/@m_45583319/%D9%81%D8%B1%D8%A7%D8%AA%D8%B1-%D8%A7%D8%B2-%DA%A9%D9%84%D9%85%D8%A7%D8%AA-%DA%86%D8%B1%D8%A7-%D9%87%DB%8C%D8%AC%D8%A7%D9%86-%D8%A7%D9%86%DA%AF%DB%8C%D8%B2%D8%AA%D8%B1%DB%8C%D9%86-%D8%A8%D8%AE%D8%B4-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%B1-%D8%B3%D8%A7%D9%84-%DB%B2%DB%B0%DB%B2%DB%B5-%D8%AF%DB%8C%DA%AF%D8%B1-%D8%AE%D9%88%D8%AF%D9%90-%D9%85%D8%AF%D9%84-%D9%87%D8%A7-%D9%86%DB%8C%D8%B3%D8%AA%D9%86%D8%AF-gkxpfj11dvqf یادتان هست؟ چند سال پیش، وقتی برای اولین بار با مدل‌های زبانی بزرگ مثل نسخه‌های اولیه ChatGPT یا Gemini کار کردیم، یک حس جادویی داشت. انگار با یک ذهن بیگانه طرف بودیم؛ یک جعبه سیاه که به هر سوالی، هرچقدر هم عجیب، یک پاسخ منسجم و خلاقانه می‌داد. ما ساعت‌ها با آن صحبت می‌کردیم، از او می‌خواستیم شعر بگوید، کد بنویسد، ایمیل‌های سخت را برایمان پیش‌نویس کند. آن دوران، دوران شگفتی از "کلمات" بود.امروز، در میانه سال ۲۰۲۵، می‌خواهم بگویم آن جادو در حال تغییر رنگ است. دیگر نفسِ تولید متن، هرچقدر هم که باکیفیت باشد، هیجان‌زده‌ام نمی‌کند. راستش را بخواهید، ما به آن عادت کرده‌ایم. حالا وقتی یک مدل زبانی جدید با چند تریلیون پارامتر بیشتر معرفی می‌شود، واکنش جامعه پژوهشی دیگر آن هیجان انفجاری گذشته نیست، بلکه بیشتر شبیه یک تایید سر است: "خب، انتظارش را داشتیم."هیجان واقعی امروز جای دیگری است. در جایی بسیار کاربردی‌تر، پیچیده‌تر و به نظر من، بسیار انسانی‌تر.دوران «طوطی‌های هوشمند» رو به پایان استمدل‌های نسل قبل، با تمام شگفتی‌شان، "طوطی‌های هوشمندی" بودند. آن‌ها اقیانوس بی‌کران متن و کد اینترنت را بلعیده بودند و در بازتولید الگوهای آن استاد بودند. اما فاقد یک چیز کلیدی بودند: قصد (Intent). آن‌ها نمی‌دانستند "چرا" دارند یک متن را می‌نویسند. آن‌ها دنیا را از طریق پنجره کلمات می‌دیدند، اما هرگز نمی‌توانستند از آن پنجره بیرون بروند و به چیزی در دنیای واقعی دست بزنند.این محدودیت خودش را در "شکنندگی" آن‌ها نشان می‌داد. کافی بود یک سوال کمی خارج از چارچوب بپرسید تا دچار توهم (Hallucination) شوند یا پاسخ‌های بی‌ربط بدهند. آن‌ها ابزارهای قدرتمندی برای "دانستن" بودند، اما ابزارهای ضعیفی برای "انجام دادن".مرز واقعی: حرکت از «دانستن» به «انجام دادن»و اینجاست که به نقطه هیجان‌انگیز سال ۲۰۲۵ می‌رسیم. تمرکز جامعه هوش مصنوعی از ساختن مدل‌های بزرگ‌تر، به ساختن عامل‌های (Agents) توانمندتر تغییر کرده است.تفاوت این دو چیست؟یک مدل زبان، یک "مغز در شیشه" است. شما از او سوالی می‌پرسید و او جوابی می‌دهد. تمام.یک عامل هوشمند، یک "کارآموز دیجیتال" است. او یک مغز دارد (که همان مدل زبان است)، اما به دست و پا هم مجهز شده است. او می‌تواند مرورگر وب را باز کند، روی دکمه‌ها کلیک کند، در فرم‌ها تایپ کند، فایل‌ها را بخواند و بنویسد و از نرم‌افزارهای دیگر استفاده کند.شما به یک مدل زبان می‌گویید: "چطور می‌توانم یک بلیط هواپیما رزرو کنم؟" و او به شما یک راهنما می‌دهد. اما شما به یک عامل هوشمند می‌گویید: "برای من یک بلیط هواپیما به مقصد تهران برای هفته آینده با کمترین قیمت پیدا کن" و او خودش مرورگر را باز می‌کند، وارد سایت‌های مختلف می‌شود، فیلدها را پر می‌کند، نتایج را مقایسه می‌کند و در نهایت، یک لینک پرداخت آماده را به شما تحویل می‌دهد.این دیگر تولید متن نیست؛ این حل مسئله در دنیای واقعی است. این همان چیزی است که ما در مقالاتی مثل "Mantis" که اخیراً دیده‌ایم، دنبال می‌کنیم: ساختن سیستم‌هایی که می‌توانند یک هدف سطح بالا را به یک سری زیرهدف‌های قابل اجرا تجزیه کنند و آن‌ها را قدم به قدم انجام دهند.چرا این کار سخت (و هیجان‌انگیز) است؟چون دنیای دیجیتال، برخلاف متن خالص، یک محیط شلخته و غیرقابل پیش‌بینی است. جای یک دکمه در وب‌سایت ممکن است فردا عوض شود. یک سایت ممکن است ناگهان از شما بخواهد یک کپچا را حل کنید. اینجاست که مفاهیمی مثل برنامه‌ریزی، استدلال، و اصلاح خود (Self-Correction) معنا پیدا می‌کنند. عامل باید بتواند بفهمد که "نقشه‌اش" اشتباه از آب درآمده و یک راه جدید پیدا کند. این چالش اصلی ما به عنوان مهندس در این حوزه است.همکار در افقامروز، وقتی در آزمایشگاه روی این عامل‌ها کار می‌کنم، دیگر حس صحبت با یک "طوطی" را ندارم. حس می‌کنم در حال ساختن یک "همکار" هستم. همکاری که شاید هنوز کمی بی‌تجربه باشد و گاهی اشتباهات خنده‌داری بکند، اما پتانسیل این را دارد که بارهای شناختی تکراری و خسته‌کننده را از روی دوش ما بردارد و به ما اجازه دهد روی خلاقیت و تفکر استراتژیک تمرکز کنیم.ما در حال عبور از عصر "ابزارهای هوشمند" و ورود به عصر "همکارهای هوشمند" هستیم. و این، صادقانه بگویم، بسیار هیجان‌انگیزتر از اضافه کردن چند صد میلیارد پارامتر دیگر به یک مدل زبان است.نظر شما چیست؟ آیا شما هم این تغییر را حس کرده‌اید؟ آیدا آقائی نیا آیدا آقائی نیا Sun, 10 Aug 2025 01:10:53 +0330 https://virgool.io/@m_45583319/%D8%A7%D9%86%D9%82%D9%84%D8%A7%D8%A8-%D8%A8%D8%B9%D8%AF%DB%8C-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%85%D8%AF%D9%84-%D9%87%D8%A7%DB%8C%DB%8C-%DA%A9%D9%87-%D8%AF%D9%86%DB%8C%D8%A7-%D8%B1%D8%A7-%D9%85%D8%AB%D9%84-%D9%85%D8%A7-%D9%85%DB%8C-%D8%A8%DB%8C%D9%86%D9%86%D8%AF-%D9%88-%D9%85%DB%8C-%D8%B4%D9%86%D9%88%D9%86%D8%AF-dumcobgkecpc AIهمین چند سال پیش، اوج کار هوش مصنوعی این بود که یک متن را ترجمه کند یا بگوید در یک عکس، گربه وجود دارد یا سگ. اما امروز در لبه یک انقلاب جدید ایستاده‌ایم؛ انقلابی که توسط مدل‌های هوش مصنوعی چندوجهی (Multimodal AI) رهبری می‌شود. این‌ها دیگر مدل‌های تک‌بُعدی نیستند، بلکه سیستم‌هایی هستند که می‌توانند دنیای دیجیتال را تقریباً مثل ما، با چندین حس مختلف، تجربه کنند. اگر به مقالات جدید و داغ پلتفرم‌هایی مثل arXiv نگاهی بیندازید، می‌بینید که تمام توجهات به این سمت جلب شده است.هوش مصنوعی چندوجهی یعنی چه؟به زبان ساده، یک مدل تک‌وجهی (Single-modal) فقط یک نوع داده را می‌فهمد. مثلاً یک مدل زبانی بزرگ (LLM) مثل نسخه‌های اولیه ChatGPT فقط با متن کار می‌کرد. یک مدل بینایی کامپیوتر (Computer Vision) هم فقط عکس و ویدیو را تحلیل می‌کرد.اما یک مدل چندوجهی، می‌تواند:یک تصویر را ببیند، آن را درک کند و توضیحات متنی برایش بنویسد.یک ویدیوی آموزشی آشپزی را تماشا کند و لیست مواد لازم و مراحل کار را استخراج کند.به یک قطعه موسیقی گوش دهد و حس و حال آن (مثلاً شاد، غمگین، حماسی) را توصیف کند.یا حتی ترکیبی از همه این‌ها: شما یک عکس از محتویات یخچال‌تان به او می‌دهید و با پیام صوتی می‌پرسید: "با اینا چی می‌تونم درست کنم؟" و او با یک دستور پخت متنی و تصویری به شما پاسخ می‌دهد!این مدل‌ها یاد می‌گیرند که بین مفاهیم مختلف در داده‌های گوناگون ارتباط برقرار کنند. مثلاً می‌فهمند که کلمه «سیب» در متن، همان میوه‌ای است که در یک عکس می‌بینند.چرا این موضوع الان اینقدر ترند شده است؟دلیل اصلی، پیشرفت همزمان در چند حوزه کلیدی است:معماری ترنسفورمر (Transformer): این معماری که اساس مدل‌های زبانی مدرن است، نشان داده که می‌تواند برای پردازش انواع دیگر داده‌ها نیز بهینه‌سازی شود.دیتاسِت‌های عظیم: مجموعه‌های داده بسیار بزرگی ساخته شده‌اند که شامل میلیاردها جفتِ داده (مثلاً عکس و توضیحات متنی آن) هستند و به مدل‌ها اجازه می‌دهند این ارتباطات را یاد بگیرند.قدرت پردازشی: سخت‌افزارهای امروزی (GPU ها) آنقدر قدرتمند شده‌اند که می‌توانند این مدل‌های غول‌پیکر و چندوجهی را آموزش دهند.کاربردهای هیجان‌انگیز در دنیای واقعیاین فناوری فقط یک مفهوم آکادمیک و محدود به مقالات arXiv نیست. به‌زودی آن را در همه‌جا خواهیم دید:دستیارهای شخصی هوشمندتر: دستیار صوتی شما می‌تواند صفحه نمایش گوشی‌تان را ببیند، به نموداری که نشانش می‌دهید نگاه کند و به سؤالات شما درباره آن پاسخ دهد.آموزش و یادگیری تعاملی: دانش‌آموزان می‌توانند از یک مسئله ریاضی عکس بگیرند و هوش مصنوعی مرحله به مرحله راه‌حل آن را به صورت ویدیویی یا متنی برایشان توضیح دهد.ابزارهای خلاقیت بی‌نظیر: هنرمندان، طراحان و تولیدکنندگان محتوا می‌توانند با چند کلمه، عکس، و یک قطعه موسیقی، یک ویدیوی کوتاه یا یک انیمیشن منحصر به فرد خلق کنند.رباتیک پیشرفته: ربات‌هایی که در کارخانه‌ها یا خانه‌ها کار می‌کنند، می‌توانند با دیدن محیط اطراف و شنیدن دستورات صوتی، وظایف پیچیده‌تری را با دقت بسیار بالا انجام دهند.چالش‌ها و آینده پیش روالبته هنوز چالش‌هایی وجود دارد. آموزش این مدل‌ها بسیار پرهزینه است، به داده‌های بسیار زیادی نیاز دارند و گاهی اوقات ممکن است دچار "توهم" شوند (یعنی ارتباطات اشتباهی بین داده‌ها برقرار کنند).با این حال، مسیر حرکت مشخص است. آینده هوش مصنوعی، یک آینده چندوجهی است. ما به سمت ساخت سیستم‌هایی حرکت می‌کنیم که درک عمیق‌تر و جامع‌تری از دنیای ما دارند و می‌توانند به شکل طبیعی‌تری با ما انسان‌ها تعامل کنند. دفعه بعدی که از یک هوش مصنوعی خواستید تصویری برایتان بسازد، به یاد داشته باشید که این تنها آغاز راه است. به‌زودی، او می‌تواند درباره آن تصویر با شما گفتگو کند، آن را به یک انیمیشن تبدیل کند و حتی برایش موسیقی متنی مناسب بسازد!شما چه فکر می‌کنید؟ به نظرتان کدام کاربرد هوش مصنوعی چندوجهی از همه جذاب‌تر است؟ ایده‌های خود را در کامنت‌ها با ما در میان بگذارید! آیدا آقائی نیا آیدا آقائی نیا Sun, 29 Jun 2025 00:47:28 +0330