https://virgool.io/feed/@nimnegah خالق محتوا، کد و هوشمندی! fa 2026-04-15 02:37:57 https://files.virgool.io/upload/users/1226050/avatar/KK6F0H.jpeg?height=120&width=120 https://virgool.io/@nimnegah https://virgool.io/@nimnegah/%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%AA%D9%82%D9%88%DB%8C%D8%AA%DB%8C-%D8%B1%D8%A7%D9%87%DB%8C-%D8%A8%D9%87-%D8%B3%D9%88%DB%8C-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AC%D8%A7%D9%85%D8%B9-njucokkyjduw یادگیری تقویتی در چند دهه گذشته راه پرفرازونشیبی را پیموده است، راهی که امروز هموارتر و چشم‌نوازتر از گذشته به نظر می‌رسد. اما این راه به کدام سو می‌رود و چه مقصدی را می‌توان انتظار داشت؟در سالیان اخیر، یادگیری تقویتی در تکامل مدل‌های زبانی مثل chatGPT سهم اساسی داشته است. در واقع مشکل مدل‌های زبانی اولیه این بود که چندان برای گفتگو با انسان‌ها آماده نبودند. اما با آموزش همین مدل‌ها در قالب یادگیری تقویتی و پاداش‌دهی به پاسخ‌های آن‌ها، زمینه برای مدل‌های سازگارتر با خواسته‌های کاربران فراهم شد.با این اوصاف، آیا یادگیری تقویتی ما را در نهایت به هوش مصنوعی جامع (AGI) خواهد رساند؟ این پرسش دشواری از چند جهت است. اول این که بسیاری باور دارند چیزی تحت عنوان «هوش مصنوعی جامع» نداریم. چالش دیگر آن است که فرآیند پژوهش و توسعه به صورت تکاملی و بدون یک مغز متفکر واحد به پیش می‌رود.در نهایت نباید از خاطر برد که پژوهش همواره این توانایی را دارد که ما را غافل‌گیر سازد و چه بسا فناوری جدیدی ظهور کند، یا یک ایده قدیمی دوباره جان تازه‌ای پیدا کند و یادگیری تقویتی را کنار بگذارد (یا بهتر، آن را تقویت سازد!).متن کامل یادداشت را در لینک زیر بخوانید.https://dgto.ir/3z00 حمیدرضا مازندرانی حمیدرضا مازندرانی Thu, 11 Sep 2025 15:51:41 +0330 https://virgool.io/@nimnegah/%D9%86%DB%8C%D9%85-%D9%86%DA%AF%D8%A7%D9%87%DB%8C-%D8%A8%D9%87-%D9%85%D8%B1%DA%AF-%D8%AA%D8%AE%D8%B5%D8%B5-ctf3n7szxqya کتاب مرگ تخصص رو اگه در یک خط خلاصه بکنیم، از ما مخاطبان درخواست میکنه که نظرات غیرکارشناسی رو دور بریزیم و به متخصصان رجوع بکنیم!من از مطالعه‌ی این کتاب که استاد دانشگاهی محافظه‌کار نوشته، بسیار آموختم: این که جریان فکریِ راست دنیا رو چگونه می‌بینه، و چه ارزش‌هایی در سر داره. در واقع، دیدگاه‌های آقای تام نیکولز یه نمونه عملی بود از محتوای کتاب چپ و راست که اخیراً دکتر آذرخش مکری شرح داد.این کتاب نگرانی‌هایی رو در خصوص سطحی و کم‌ارزش شدن بسیاری مفاهیم مثل مدرک و تحصیلات دانشگاهی، رسانه، جریان اطلاعات و دموکراسی مطرح میکنه. مخاطبش جامعه آمریکاست، ولی اغلب مباحث به چشم خواننده ایرانی کاملاً آشنا به نظر میاد. از جمله چند خطی که در تصویر زیر می‌بینید.یکی از محورهای کتاب، آسیب‌شناسی همین خلاصه یک خطی‌ست که در ابتدای متن نوشتم، یعنی مراجعه به متخصصان چه چالش‌هایی رو میتونه در پی داشته باشه. با این حال، طبق برداشت من دو چالش مهم در کتاب چندان واکاوی نشده: متخصصان به علت رانت اطلاعاتی که در مسیر کسب تخصص و حضور در شبکه ارتباطی ازش برخوردار شدن، بیشتر از غیرمتخصصان به بایاس یا حتی منافع شخصی ممکنه دچار بشن. تخصص یک بُرداره نه متغیر عددی. مثلاً من ممکنه در زمینه هوش مصنوعی متخصص باشم، اما در زمینه‌های دیگه نه. حتی هوش مصنوعی هم خودش شاخه‌های متعدد داره، مثلاً میشه فرض کرد یک مهندسِ کاردرست درکی از فلسفه‌ی هوش و یادگیری نداشته باشه و نظراتش در این زمینه شبیه مردم عادی باشه. کتاب رو که میخونی، احساس می‌کنی دنیا به دو دسته متخصص‌ها و آدم‌های عادی تقسیم شده. حمیدرضا مازندرانی حمیدرضا مازندرانی Thu, 16 Jan 2025 04:33:30 +0330 https://virgool.io/@nimnegah/%D9%82%D9%88%D8%A7%D9%86%DB%8C%D9%86-%DA%A9%D8%A7%D9%85%D9%86%D8%AA-%DA%AF%D8%B0%D8%A7%D8%B1%DB%8C-%D8%AF%D8%B1-%D8%B4%D8%A8%DA%A9%D9%87-%D9%87%D8%A7%DB%8C-%D8%A7%D8%AC%D8%AA%D9%85%D8%A7%D8%B9%DB%8C-gddxcsppmqgo مطابق این قوانین، شما یک شهروند مسئولیت‌پذیر هستید و پست‌گذار نیز کسی است که مورد قضاوت شما قرار می‌گیرد.برداشتی آزاد و خلاصه از: https://lithub.com/rebecca-solnit-how-to-comment-on-social-media 1️⃣ هیچ‌گاه پست را کامل نخوانید؛ چه بسا با این کار پی ببرید ایراد شما در ادامه پاسخ داده شده، یا این که پست‌گذار زندگی خود را وقف ریشه‌یابی همان ایراد کرده. چنین کاری پاسخ شما را رقیق می‌سازد.2️⃣ همه احساسات و ارزش‌های خود را در همان جمله اول بگنجانید. این‌جا صحنه نبرد نیست که سلاح‌های خود را در پادگان‌های مختلف پنهان سازید.3️⃣ اگر پست‌گذار به درستی اشاره کرد که نقد شما نادرست است، از تکنیک "پس‌چه‌ایسم" (Whataboutism) استفاده کنید. برای مثال اگر پست‌گذار درباره حقوق فلان گروه نوشت و بحث به بن‌بست رسید، حقوق هر گروه دیگری را که پست‌گذار به آن اشاره نکرده مطرح کنید.4️⃣ همیشه خوب است که خودتان را به گروهی مرتبط سازید -اگر چه ربطی به شما نداشته باشند-. برای مثال می‌توانید عنوان کنید: این پست شما قلب من و همه آزادی‌خواهان را به درد آورد!5️⃣ اگر پست‌گذار یک خانم است و شما آقا هستید، هر واقعیتی که مطرح می‌کند احساسات او است و هر احساسی از طرف شما واقعیت محسوب می‌شود.6️⃣ به یاد داشته باشید واژه "امتیاز" می‌تواند به صورت تصادفی استفاده شود. برای مثال، اگر پست‌گذار پیشنهاد داد "آدم‌ها باید بیش‌تر دوچرخه‌سواری بکنند"، نسبت به مردم سیبری که در دمای منفی چهل درجه زندگی می‌کنند، یا کسانی که ترومای دوچرخه‌سواری دارند، یا توانایی خرید دوچرخه ندارند، به طرز بی‌شرمانه‌ای امتیاز خود را به رخ کشیده است.7️⃣ برای هر فکتی از پست‌گذار بخواهید مدرک ارائه کند؛ و البته این حق را دارید که مدارک او را نپذیرید.8️⃣ پست‌گذار را به دورویی متهم کنید. برای مثال اگر از حمل و نقل عمومی دفاع می‌کند، پس چرا گاهی ریاکارانه از خودروی شخصی استفاده می‌کند؟!9️⃣ اگر پست‌گذار به موضوعی پرداخته که به آن اهمیت می‌دهد، به یاد داشته باشید شما عمیق‌تر، و جدّی‌تر نگران آن موضوع بوده‌اید. برای مثال اگر پست‌گذار به حقوق مهاجرین توجه داشت، شما از زمانی که کشورها مرزبندی شدند طرفدار حقوق مهاجرین بوده‌اید، پس دستِ بالا را در بحث دارید.🔟 هیچ چیز به جز شبکه اجتماعی وجود ندارد. یک فعال حقوق بشر که بابت تلاش‌هایش هزینه داده، اگر بابت فلان موضوع اظهار نظر نکند خائن است و نظرات بعدی‌اش بی‌ارزش.1️⃣1️⃣ پست‌گذار باید ارزش‌های امروزی‌اش را از زمانی که به دنیا آمده داشته باشد. اگر n سال پیش جور دیگری حرف زده، می‌تواند و باید مواخذه شود. حمیدرضا مازندرانی حمیدرضا مازندرانی Fri, 10 Jan 2025 07:50:24 +0330 https://virgool.io/@nimnegah/%D9%86%DB%8C%D9%85-%D9%86%DA%AF%D8%A7%D9%87%DB%8C-%D8%A8%D9%87-%D8%AA%D9%81%DA%A9%D8%B1-%D8%B3%DB%8C%D8%B3%D8%AA%D9%85%DB%8C-%D8%A7%D8%B2-%D8%AF%D8%B1%DB%8C%DA%86%D9%87-%D8%AA%D8%A7%D8%B1%DB%8C%D8%AE-litj7xyyfe80 مطالعه کتاب تاریخ جهان انگار به اندازه‌ی تاریخ جهان واسه من زمان برد! به گمانم علت اصلی، تجربه ناچیز من در مطالعه کتاب‌های تاریخی بود (هر چند خط یه پادشاه عوض میشد و بهش عادت نداشتم!).دلیل دیگه هم این بود که در خلال مطالعه سعی می‌کردم ارتباطاتی رو با مفاهیم تفکر سیستمی برقرار کنم. در این یادداشت نیز قصد دارم بیش‌تر با هدف نرمش ذهنی، برخی از ارتباطاتی رو که به ذهنم رسیده بیان کنم.نکته یک: همه مطالب مرتبط با تفکر سیستمی در این یادداشت از سایت متمم؛ و مطالب تاریخی از کتاب تاریخ جهان، نوشته ارنست گامبریچ ترجمه علی رامین از نشر نی الهام گرفته شدن (به ویژه جملات داخل گیومه که عیناً نقل شدن).نکته دو: کتاب آقای گامبریچ نثر جذابی داره، اما انتقادهایی از بابت صحت و دقت روایات بهش وارده که لازم میدونم به خواننده هشدار بدم.کتاب قرض‌گرفته شده از برادرم نوید 😊سیستمی از امپراتورها، بازرگانان و حتی مزدوراندر مطالعه تاریخ با سیستم‌های متنوعی روبرو می‌شیم. جوامع انسانی، از یک قبیله گرفته تا تمام انسان‌های روی کره زمین؛ و حتی سیستم‌های حکومتی، فلسفی و فناوری. خوبه که در هر مورد، سیستم رو بر اساس نحوه تعامل اجزا یا مرزهای پیرامون آن تعریف کنیم؛ و از اشتباه کردن هم نترسیم، چرا که در این گونه مسائل حتی کارشناسان هم توافق نظر ندارن (البته قرار نیست نظر افراد عادی با کارشناسان به یه اندازه ارزش داشته باشه!)برای مثال، چند جمله زیر از کتاب رو که مرتبط با آغاز عصر جدید (حدود قرن 16) است با دقت بخونید. در ادامه بارها به این چند جمله ارجاع خواهم داد و اون رو از زوایای مختلف بررسی خواهم کرد.از آنجا که [مزدوران] صرفاً برای پول می‌جنگیدند نه برای کشور خود، به کسی روی می‌آوردند که بیش‌ترین پول را به آن‌ها می‌داد. بنابراین، امپراتور برای این جنگ به پول زیادی نیاز داشت که در اختیارش نبود؛ در نتیجه ناچار شد که از بازرگانان ثروتمند شهرها قرض بگیرد. این امر به نوبه‌ی خود وی را ملزم می‌ساخت که رابطه خوبی را با شهر و شهروندان حفظ کند، واقعیتی که شهسواران [=شوالیه‌هایی] را بر می‌آشفت که بیش از پیش احساس ناخواستنی بودن و بیهودگی می‌کردند.در اینجا با سیستم حکومتی روبرو هستیم، که خود از زیرسیستم‌هایی مثل موارد زیر تشکیل شده:حاکمیت سیاسی (در راس آن امپراتور، پادشاه و یا هر عنوان دیگری)حاکمیت اقتصادی (برای مثال بازرگانان)حاکمیت نظامی (برای مثال شهسواران یا مزدوران)جالبه این زیرسیستم‌ها مرزهای خیلی مبهمی دارن. برای مثال، کلیسا زمانی قدرت سیاسی بوده و زمانی هم در تقابل با آن:پاپ [در حوالی سال 1000 میلادی] می‌گفت: «[انتصاب اسقف برای شهرها]، انتصاب‌های دینی‌اند، و من در راس کلیسا باید درباره‌شان تصمیم بگیرم.» ولی این واقعیت وجود داشت که آن‌ها صرفاً انتصاب‌های دینی نبودند. برای مثال، سراسقف کُلن را در نظر بگیرید: او هم روحانی عظمای آن شهر بود و هم پرنس و فرمانروای آن شهر.هدف سیستم: از شهسواران تا مزدورانمنطق کلان سیستم‌ها با خواهش و نصیحت و توصیه تغییر نمی‌کنه. بر همین اساس بود که شهسواران (شوالیه‌ها) در آغاز عصر جدید احساس بیهودگی می‌کردن، اما مزدوران چنین سرنوشتی نداشتن. هر کدوم از این سیستم‌ها هدف خودشون رو دنبال میکردن:یک راهب با به جا آوردن تکالیف دینی و اَعمال نیک خادم خداوند بود، و یک شهسوار با قدرت و توانایی‌اش، راه خدا را در پیش می‌گرفت.البته در جاهایی از کتاب نیز اشاره شده که در مقاطعی شهسواران هدفشون رو گم میکردن و مثل مزدورها به جان بی‌گناهان می‌افتادن. این فرسایش اهداف از آرکتایپ‌های سیستمی محسوب میشه.به عنوان یه مثال دیگه از فرسایش اهداف، در صفحه 264 نوشته شده:ولی جنگِ [بین کاتولیک‌ها و پروتستان‌ها] دیرزمانی بود که دیگر هدف و انگیزه‌ی دینی نداشت. هر کشور می‌کوشید از آن آشفته‌بازار عمومی، چیزی برای خود به دست آوَرَد.باز یا بسته: خِرد باستان در دست اعرابهیچ آدم عاقلی جنگ و جنایت رو نمی‌پسنده، اما اون چیزی که من در بین سطور کتاب تاریخ جهان به چشمم خورد (و چه بسا نویسنده همین منظور رو داشته) این بود که جنگ‌ها گاهی خودشون منفذی برای ارتباط بین سیستم‌ها بودن. ببینید فتوحات اعراب چه داستانی رو رقم زد:اعراب حتی بیش از ایرانیان، از یونانیانی که در شهرهای تسخیرشده امپراتوری روم شرقی به سر می‌بردند، علم و فرهنگ آموختند. آن‌ها به جای سوزاندن کتاب‌ها، شروع به جمع‌آوری، خواندن و ترجمه آن‌ها کردند. بیش از همه، به نوشته‌های آموزگار معروف اسکندر، یعنی ارسطو، علاقه‌مند شدند و آن‌ها را به عربی ترجمه کردند.البته تفکر سیستمی یعنی نگاه چندبعدی در برابر نگاه تک‌بعدی؛ و قضاوت درباره جنگ‌ها نیز باید این‌چنین باشه. هر جنگی تغییرات زیادی در همه‌ی زیرسیستم‌ها رقم میزنه. ضمن این که، بسیاری از جنگ‌ها نیز به بسته‌تر شدن فضا و در نهایت نابودی مهاجم منجر میشه.المپیک، یادگاری از یونان باستانامپراتوری رو تصور کنید که با هدف تامین مالی جنگ‌ها به بازرگان‌ها پول میده (همان مثال بالا). آیا این پایان داستان بود؟ نه! چون شهسوارانی رو داشتیم که سوار بر اسب و مسلّح، ولی افسرده بودن؛ و این چنین جریانی از مقاومت علیه پادشاه رو شکل دادن.از این نمونه‌ها در کتاب زیاده؛ که نشون میده سیستم‌های پیچیده مثل بازی شطرنج نیستن: یه مهره رو که حرکت میدی، گاهی هزاران مهره حرکت میکنن. از جمله، زمانی یونانیان تصمیم گرفتن که یک مسابقات بزرگ ورزشی راه بیاندازن، و امروز که هزاران سال از آن زمان گذشته دوره‌ای جدید از این مسابقات در شهر پاریس آغاز میشه.هم‌پایانی: همه راه‌های رسیدن به تمدناعتراف میکنم که تازه فهمیدم قبل از "کشف" قاره آمریکا توسط کریستف کلمب، قرن‌ها تمدن و شهرنشینی در این قاره رونق داشته. شکل زیر هرمی رو نشون میده که قوم مایا خلق کردن.این یک مثالِ زیباست، از مفهوم هم‌پایانی (Equifinality). سایت متمم به نقل از برتالانفی (صاحب‌نظر تفکر سیستمی که داستان زندگیِ خودش از عبرت‌های تاریخه)، هم‌پایانی رو اینطور تعریف میکنه:هم پایانی یعنی این که یک سیستم می‌تواند از «مسیرهای مختلف» و با «شرایط اولیهٔ متفاوت» به یک نتیجهٔ یکسان برسد.https://www.britannica.com/topic/Maya-people نباید چنین میشداخیراً درسی در متمم منتشر شد با عنوان فوق، و با درون‌مایه عدم تناسب علّت و معلول. این درس، جمله زیر رو به بحث میذاره: این یادداشت که از نظر گذراندید، در واقع شرح و بسط دیدگاهی بود که برای این درس نوشتم:در مطالعه تاریخ، چنین مثال‌هایی زیاده، چه از جنس مثبت چه منفی. برای مثال شجاعت یک فرد یا گروهی محدود نتیجه جنگ رو تغییر داده، یا پادشاهی که در اوج کشورگشایی با خیانت یک فرد کشته میشه.در چنین شرایطی، شاید همان نگاه خطی این احساسِ نباید چنین میشد رو شکل بده. برای مثال اگه یه پادشاه ۱۰ هزار نیرو داره، باید در یک صحنه حماسی از یه پادشاه دیگه با فرضاً ۱۱ هزار نیرو شکست بخوره، نه این که شباهنگام توسط یکی از خدمه خودش کشته بشه!گاهی نیز ممکنه یه روند وجود داشته باشه که ما تنها یک رویداد از اون روند رو مشاهده بکنیم. در حالی که اگه اون رویداد نبود، رویدادهای مشابهی رخ میداد. در مثال بالا، ممکنه یک روند کلی از رفتارهای نادرست پادشاه وجود داشته باشه، که در نهایت منجر به کشته شدنش میشد، حالا توسط یک زیردست دیگه. حمیدرضا مازندرانی حمیدرضا مازندرانی Fri, 26 Jul 2024 12:08:55 +0330 https://virgool.io/@nimnegah/%D8%A7%D9%90%DB%8C%D8%AC%D9%86%D8%AA-%D9%87%D8%A7-%D8%B1%D8%A7-%D8%AA%D9%82%D9%84%DB%8C%D8%AF%D8%B4%D8%A7%D9%86-%D8%A8%D8%B1-%D8%A8%D8%A7%D8%AF-%D8%AF%D8%A7%D8%AF-gtgfvllzcndj یادگیری تقلیددر هنگام مطالعه یادگیری تقویتی، این سوال احتمالاً به ذهنمون رسیده که آیا نمیشه عامل (agent) خودمون رو به صورت نظارت‌شده (supervised) از روی یک عامل خِبره (expert) آموزش بدیم؟ مثلاً با تصاویری که از یک راننده انسانی گرفته شده، یک خودروی خودران رو به حرکت در بیاریم؟جناب سرگئی لوین به تفصیل پاسخ میده چرا این کار به طور کلی نشدنیه یا چالش‌های اساسی داره. در واقع علت اصلی اینه که با اندکی اشتباه، ما وارد حالت‌هایی میشیم که عامل خبره پاسخی واسش نداره.اگه بخواهیم پلی بزنیم به روانشناسی، آدام گرنت در کتاب توانمندی‌های نهان میگه که:این طور نیست که اطلاعات به راحتی در مغز دیگران نشسته و منتظر استخراج شدن از سوی ما باشند. ... هدف از کمک گرفتن از راهنمایان، پیروی کورکورانه از توصیه‌های آنان نیست بلکه ترسیم مسیری احتمالی برای واکاوی همراه با هم است. نکته به نکته، مو به موفرض کنید تصمیم دارید یک معامله‌گر هوشمند رو بر اساس تاریخچه معاملات بهترین تریدرها آموزش بدین، تا بی‌هیچ اشتباهی از اونا تقلید کنه.اما چرا این کار یعنی تقلیدِ تمام و کمال از عامل خِبره -چه برای هوش طبیعی چه مصنوعی- سخت یا نشدنیه؟یک دلیل مهم اینه که عامل خبره معمولاً فاکتورهای دیگه‌ای رو هم در تصمیمات خودش لحاظ میکنه. در همین مثال بالا، ممکنه معامله‌گر تصمیمات قبلی خودش رو هم در نظر بگیره مثلاً اگه روز گذشته سهام زیادی خریده امروز دست نگه داره.خب در پاسخ میشه گفت همه عوامل احتمالی رو در ورودی مدل قرار بدیم. حتی اگه چنین امکانی فراهم باشه، معلوم نیست مدل بتونه روابط علت و معلولی رو درست شناسایی کنه. چند نفر رو میشناسیم که فکر میکنن مشغله زیادی داشتن یعنی موفقیت؟اما این تنها دلیلی نیست که یادگیری تقلید رو دشوار میکنه. در ادامه یک دلیل دیگه رو هم میگم.در مذمت وسط‌بازیicelandmag.isگاهی عامل خبره در هنگام تصمیم‌گیری یکی از دو سر طیف رو انتخاب میکنه. برای مثال یک راننده در هنگام مواجهه با یه مانع به سمت راست می‌پیچه یا به سمت چپ. اما مدلی که از این راننده الگوبرداری میکنه، اگه میانگین تصمیمات رو در نظر بگیره عاقبتی جز برخورد با مانع نخواهد داشت.محمدرضا شعبانعلی پیرامون این نوع نگاه به سیاست چنین نوشته: ... در [میانه‌روی]، دغدغهٔ شما «حق» نیست. بلکه صرفاً پیدا کردن نقطهٔ وسط است. هر گروه تندرویی که افراطی‌تر شود، شما کمی به سمتش کشیده می‌شوید تا هم‌چنان وسط مانده باشید.درس گرفتن از اشتباهاتپس انگار این رویکرد که مشاهده کنیم عامل خبره چه کرده و همون رو دقیقاً تکرار کنیم خیلی مواقع جواب نمیده. پس چه کنیم؟یه دسته دیگه از راهکارها به این سمت میرن که از اشتباهات عامل خبره هم برای یادگیری الگوریتم استفاده کنن.به نظر من شبکه‌های اجتماعی دیتاست خیلی نامناسبی برای این شیوه از یادگیری هستن، چون به ندرت بهمون یاد میدن که آدما موقع تنهایی، دلمردگی و افسردگی واقعاً چه کار میکنن.***در نوشته‌های بعدی (اگه رغبتی داشتم) به این موضوع و سایر راهکارها بیش‌تر خواهم پرداخت. خلاصه این حرف‌ها در چند خط زیر از اسلایدهای سرگئی لوین قابل مشاهده است. حمیدرضا مازندرانی حمیدرضا مازندرانی Wed, 24 Jan 2024 10:46:51 +0330 https://virgool.io/@nimnegah/%DA%AF%D9%84%DA%86%DB%8C%D9%86%DB%8C-%D8%A7%D8%B2-%D9%BE%D8%B3%D8%AA-%D9%87%D8%A7%DB%8C-%D9%85%D9%86-%D8%AF%D8%B1%D8%A8%D8%A7%D8%B1%D9%87-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-tgfl4sgqakti این نوشته گلچینی از پست‌های فارسی من در لینکدین در زمینه یادگیری ماشین از از دی ماه 99 تاکنون است.هنوز هم مخالفم!به نظرم تشخیص احساسات چهره با استفاده از یادگیری عمیق یکی از کاربردهای هوش مصنوعی است که پتانسیل بسیار بالایی برای سوءاستفاده داره.یک مثال فقط به جهت دادن سرنخ می‌زنم. اخبار مربوط به اعدام افراد در کره شمالی به این دلیل که در جلسات سخنرانی رهبران کشورشان چرت می‌زده‌اند را احتمالاً شنیده‌اید. حال فرض کنید به کمک فناوری تشخیص بدهند افراد در هنگام سخنرانی بیدار ولی خشمگین بوده‌اند…البته این تنها نظر من نیست و بسیاری از چهره‌های حقیقی و حقوقی هم در این زمینه هشدار داده‌اند. کافیه عبارت زیر رو در گوگل سرچ کنید:emotion detection should be bannedنتیجه این که سازمان‌های مقررات‌گذار و رگولاتوری‌ها و نهادهای مدافع حقوق بشر باید کاملاً هوشیار باشند.لینکامیدواری بی‌حاصلامیدوارم در سال جدید [1400] صنایع و دانشگاه‌های کشورمون توجه بیش‌تری به هوشمندسازی فرآیندها و محصولات نشون بدن. این ابراز امیدواری به نوعی یک تلنگر نیز هست، چرا که:سیستم‌های هوشمند از جنس منطق ایستا نیستن که ماهی‌شون رو هر موقع از آب بگیری تازه باشه؛ بلکه به قول قیصر امین‌پور: "چه زود دیر می‌شود"!در واقع سیستم‌های هوشمند ماهیت تکاملی دارن و به سان یک موجود زنده رشد می‌کنن.در همین راستا، یک سخنرانی از آقای اندرو نگ با موضوع مقایسه نگاه مدل-محور و داده-محور در پیاده‌سازی هوش مصنوعی تماشا کردم که بر این موضوع تاکید کرد.در شکل زیر که از ارایه ایشون برداشته‌ام، نرم‌افزارهای سنتی با نرم‌افزارهای هوش مصنوعی مقایسه شده. خطوط بازگشتی در فلوچارت پایین به روشنی ماهیت تکاملی سیستم‌های هوشمند رو نشون میده.لینکدر باب یادگیری تقویتییادگیری تقویتی رو دوست دارم، و یک دلیلش شباهت به فرآیند یادگیری انسان و مباحث روانشناسی و توسعه فردی است.البته این نکته حیاتی رو باید بهش توجه داشته باشیم که با وجود چنین شباهت‌هایی، فرآیندهای زندگی واقعی و نحوه یادگیری انسان بسیار بسیار پیچیده‌تر از سیستم‌های کامپیوتری فعلی است.با این حال نکات آموزنده همچنان وجود داره. برای مثال، این جملات رو از مستندات فریم‌ورک یادگیری تقویتیstable-baselines3 برداشتم. به نظرتون قابل تعمیم به زندگی ما نیست؟داده‌های مورد استفاده برای آموزش عامل [یادگیری تقویتی] از طریق تعاملات با محیط توسط خود عامل جمع‌آوری می‌شود (در مقایسه با یادگیری باناظر که در آن یک مجموعه داده ثابت دارید).این وابستگی می‌تواند به یک دور باطل منجر شود: اگر عامل داده‌های بی‌کیفیت را جمع‌آوری کند (به عنوان مثال، مسیرهای بدون پاداش)، آنگاه بهبود نخواهد یافت و مسیرهای بد را تکرار خواهد نمود.لینکپاداش کافی است!در پست قبلی یک مقاله حوزه شبکه را بررسی کردیم، حالا نوبت یک مقاله هوشه که نویسندگانش پیشگامان یادگیری تقویتی هستن. این کار پژوهشی به تازگی در ژورنال Artificial Intelligence منتشر شده و جالبه که بازتاب خبری هم پیدا کرده.یک مقاله خیلی خاص با عنوان:Reward is Enoughآپدیت 1402: این مقاله در حال حاضر نزدیک به 400 ارجاع داره.همون‌طور که عنوان مقاله با قاطعیت میگه: پاداش کافی است! در خود مقاله هم فرضیه‌ای مطرح شده که طبق اون حداکثرسازی پاداش برای بازآفرینی هر گونه هوش طبیعی از جمله بینایی، استدلال، ارتباط اجتماعی، زبان، توانایی حرکت و … کافی است.در اینجا هوش به طور کلی توانایی دستیابی به اهداف تعریف میشه.در نتیجه، یادگیری تقویتی ابزار دستیابی به هوش مصنوعی جامع (AGI) دونسته شده، با این توضیح که اگه تجربه‌های عامل یادگیر به اندازه کافی غنی باشه، میتونه خود به خود اهدافی در سطوح مختلف رو دنبال کنه.برای مثال، یک ربات با هدف غایی جلوگیری از تمام شدن باتری، میتونه هدف شناسایی اجسام رو برای یافتن شارژر دنبال کنه و بدین شکل قابلیت بینایی خودش رو هم توسعه بده.به نظر خود من، حتی اگه این فرضیه صحیح باشه، الزاماً منجر به ساخت چنین سیستم‌هایی نمیشه. در مقاله هم اشاره شده که این فرضیه صحبتی درباره کارایی نمونه (sample efficiency) نمیکنه. کارایی نمونه در یادگیری تقویتی به تعداد نمونه‌های لازم برای رسیدن به یک حد مشخص از عملکرد گفته میشه.پس به نظر ما همچنان باید تلاشمون رو برای ایجاد سیستم‌های هوشمند محدود ادامه بدیم ?لینکپروتکل‌های هوشمندپروتکل‌های شبکه معمولاً با دقت نظر خاصی از سوی مهندسا و پژوهشگرای این حوزه طراحی میشن، که به طور دقیق سازوکار انتقال اطلاعات در شبکه رو مشخص میکنن.ماهیت این پروتکل‌ها عمدتاً استاتیک هست، چرا که محتوای پیام‌ها و ترتیب ارسالشون ازقبل‌مشخص‌شده است.برای مثال پروتکل TCP در لایه انتقال یا پروتکل CSMA در لایه کنترل دسترسی.از طرفی در این چند سالی که هوشمندسازی شبکه‌های کامپیوتری خیلی مورد توجه قرار گرفته، تمرکزها بیشتر روی الگوریتم‌های تحلیل یا تصمیم‌گیری بوده، یعنی کاری کنیم که روی همین سازوکار موجود کارایی بهتری داشته باشیم.اما تعامل هوش مصنوعی و شبکه وارد فاز جدیدی شده، فازی که در اون پروتکل‌ها هم هوشمندسازی میشن.این شاخه جدید پژوهشی رو میشه ذیل مبحث کلی‌تر Learning to communicate قرار داد.در پروتکل‌های هوشمند خودِ اجزای شبکه یاد میگیرن که چه سازوکاری در شرایط فعلی بهتره. به عنوان یک مثال خیلی ساده، با توجه به سطح نویز و تداخل محیط، فرستنده و گیرنده تصمیم می‌گیرن که از مکانیزم ack یا مکانیزم‌های مشابه استفاده کنن یا خیر.در پایان این رو هم بگم که احتمالاً حدس زدین این رویکرد جدید بیشتر از همه با یادگیری تقویتی سر و کار خواهد داشت!لینکتجربه، تخصص و خِرَد!تجربه را با تخصص اشتباه نگیرید. مواجهه با مشكل تضمین نمی‌کند كه بر راه‌حل مسلط شده باشید.تخصص را با خرد اشتباه نگیرید. داشتن دانش عمیق تضمین نمی‌کند که بدانید چه زمانی [این دانش] کاربرد دارد.آدام گرنتدر دنیای هوش مصنوعی داستان مشابهی با آن‌چه که آدام گرنت برای دنیای انسان‌ها گفته برقراره:اگه یک شبکه عصبی میلیون‌ها رکورد داده مثلاً عکس به عنوان ورودی دریافت کنه ولی نرخ یادگیریش برابر صفر باشه یا بردارهای گرادیانِ وزن‌ها فریز شده باشه* طبیعتاً تخصصی ایجاد نمیشه.اما مشکل اصلی جامعه‌ی هوش مصنوعی، پاراگراف دوم توییت هست.در واقع امروزه با الگوریتم‌های یادگیری مناسب و تنظیم دقیق وزن‌های شبکه عصبی، تجربه به تخصص تبدیل شده.اما چه‌گونه این تخصص رو به خرد ارتقاء بدیم؟ شاید با روش‌های مبتنی بر علیّت، شاید با یادگیری تقویتی که به ما قدرت تصمیم‌گیری میده و یا خلاقیت‌هایی که در آینده رخ خواهد داد.لینکتا با چشم خودت ندیدی باور نکن!اما این روزها دیدن هم جایگاه خودش رو از دست داده و این تا حد زیادی تقصیر شبکه‌های مولّد تخاصمی (به اختصار گَن*) هست که میتونن تصاویر دیپ‌فیک تولید کنن!این شبکه‌ها میتونن تصاویر یا هر اطلاعات معناداری بسازن که در دنیای واقعی وجود نداره.مطالب مفیدی در این زمینه در لینکدین منتشر شده که چند تا لینک رو برای نمونه در کامنت قرار میدم.شما هم اگه مطلب جالبی خوندین لینکش رو بذارین عالی میشه.اما اجازه بدین یه قدم به عقب برگردیم و فلسفه وجودی این شبکه‌ها رو بازگو کنیم.ماجرا ازین‌جا شروع میشه که سیستم‌های یادگیری ماشین به طور معمول بر اساس احتمالات شرطی کار می‌کنن، یعنی با دونستن توزیع یک متغیر، میتونن توزیع یک متغیر دیگه رو به دست بیارن.مثلاً عکس بهشون بدی (متغیر اول) اشیاء داخل اون عکس (متغیر دوم) رو شناسایی کنن؛یا دمای هوای ده روز (متغیر اول) رو بدی دمای هوای روز یازدهم (متغیر دوم) رو تخمین بزنن.اما شبکه‌های مولّد می‌تونن توزیع احتمال مشترک بین چند متغیر رو محاسبه کنن.مثلاً اگه هر پیکسل عکس رو یک متغیر در نظر بگیریم، شبکه‌های مولّد میتونن نمونه‌هایی از این فضای بزرگ احتمالاتی تولید بکنن؛نمونه‌ای که تشخیص جعلی بودنش توسط چشم ما هم گاهی غیرممکن میشه و دوباره باید دست به دامان هوش مصنوعی بشیم که تفاوت‌های ظریف بین واقعیت و مجاز رو تشخیص بده.لینکفراتر از ارسال بیت‌هاآپدیت 1402: خوشحالم که در این حوزه مقاله‌ای در دست داوری داریم.عبارت بالا بخشی از عنوان نسخه ویژه ژورنال معتبر JSAC است که به ارتباطات معنایی* اختصاص داده شده (لینک در انتهای مطلب).داستان ازین قراره حالا که به حد بالای ظرفیت کانال طبق نظریه شانون رسیده‌ایم، نوبت این رسیده که به معنا، محتوا و کارکرد اطلاعاتی که قراره منتقل بشه توجه کنیم.برای مثال، شما با یه نفر که تلفنی صحبت می‌کنید، اگه لحظه‌ای صدا قطع بشه شاید بتونید بر اساس زمینه کلی صحبت‌های طرف مقابل، متوجه منظورش بشید. در واقع نیاز نیست تک‌تک بیت‌های اطلاعات در مقصد بازیابی بشه، بلکه معنا و مفهومه که اهمیت داره.یک ایده جالب در همین زمینه که به ذهن خودم رسیده: (و احتمالاً یکم سرچ کنیم مقاله‌ش هم منتشر شده باشه!)دستاوردهای پردازش زبان طبیعی (NLP) میتونه خیلی برای ارتباطات معنایی کمک‌کننده باشه. در واقع ممکنه در آینده بازیابی خطا در شبکه بر اساس پردازش زبان طبیعی داشته باشیم. ?لینکدیدگاه‌های فعلی من پیرامون مدل‌های زبانی بزرگ مثل chatGPT1.      سال‌های آینده حجم زیادی از چالش‌های علوم انسانی حول مدل‌های زبانی رخ خواهد داد؛ از جمله اعتیاد به استفاده از این مدل‌ها، به ویژه اگه: الف) ویژگی‌های احساسی و عاطفی رو هم یاد بگیرن، مثلاً یاد بگیرن با کاربر لاس بزنن. ب) محدودیت‌های عملیاتی استفاده ازشون کاهش پیدا کنه (برای مثال قابل اجرا به صورت آفلاین باشن).2.     مسئله حریم شخصی تشدید خواهد شد، چرا که همه زندگی خصوصی ما لابلای وزن‌های این مدل‌ها ذخیره میشه. در عین حال، با توجه به ماهیت شبکه‌های عصبی در درون یابی (interpolation) اطلاعات، ممکنه خروجی این مدل‌ها اطلاعات نادرستی از زندگی ما بده. برای مثال، فردی هم‌نام من در ایران زندگی میکنه با تخصص در زمینه فیزیک. محض کنجکاوی یه بار در سرویس چت موتور جستجوی یودات‌کام نوشتم حمیدرضا مازندرانی کیست؟ که اطلاعات زندگی من و ایشون رو ترکیب کرد و به عنوان خروجی تحویل داد!3.     مسئله هک این مدل‌ها که تحت عنوان prompt engineering شناخته میشه، خودش یه بیزینس و تخصص خواهد شد (و البته چالش). برای مثال chatGPT از نوشتن مقاله منع شده، اما خانم مهسا حافظی با تکنیک جالبی تونسته از این مدل یه مقاله سئوشده درباره شکلات خروجی بگیره! (لینک در کامنت).4.     اونایی که از یادگیری تقویتی خوششون نمیاد میتونن برن! درهمین مدل chatGPT هم از یک شیوه خاص تحت عنوان یادگیری تقویتی با فیدبک انسانی (RLHF) استفاده شده. همون طور که آقای سرگئی لوین از مطرح‌ترین چهره‌های این حوزه اعلام کرد (لینک در کامنت)، یادگیری تقویتی با توجه به قدرتی که در زمینه درک مفهوم زمان دارن کاربرد گسترده‌تری پیدا خواهند کرد. برای مثال، در مذاکره ممکنه شما حرفی بزنید که در اون لحظه معنی نداشته باشه اما بعداً به کارتون بیاد و این چیزیه که با یادگیری تقویتی احتمالاً بشه بهش رسید.هر فناوری برهم‌زننده* به سه شکل بر فضای کسب و کار تاثیر میذاره: 1. ایجاد شغل‌های جدید (تاثیر سازنده) 2. از بین بردن شغل‌های موجود (تاثیر مخرّب) 3. افزایش بهره‌روی افراد شاغل (مخرب یا سازنده بسته به تاثیرات بر مکانیزم عرضه تقاضا).در برآیند نهایی، تخمین ضریب تاثیرگذاری هر دسته واقعاً دشواره، به ویژه درباره مدل‌های زبانیِ بزرگ که واقعاً انقلابی محسوب میشن. با این حال من یک سری حدسیات خودم رو مطرح میکنم:1.     برخی شغل‌های مکاتبه‌ای مثل پشتیبان سایت یا اپراتور مرکز تماس واقعاً از بین میرن، یا در محافظه‌کارترین سناریو اکثر درخواست‌ها توسط مدل پاسخ داده میشه و فقط تعداد محدودی به کارشناس انسانی ارجاع داده میشه.2.     همونطوری که نقشه‌های آنلاین به کمک راننده‌ها اومدن، این مدل‌ها به کمک هر کسی که با "نوشتن" سر و کار داره خواهند اومد: از تولیدکنندگان محتوا گرفته تا رمان‌نویس‌ها و حتی برنامه‌نویس‌ها که برای دلِ کامپیوترها می‌نویسن!3.     ماجرای فوق به سادگی ختم بخیر نخواهد شد. اگه این روزها نقشه آنلاین داریم، یه روزی هم خودروی خودران هم خواهیم داشت! به همین ترتیب، در آینده مدل‌هایی خواهیم داشت که خودشون میتونن یک متن یا برنامه رو به صورت خودکار بنویسن. البته، همونطور که انتظار میره تا حداقل یک دهه آینده، راننده انسانی در خودروی خودران حضور داشته باشه تا برخی شرایط دشوار رو مدیریت کنه، برای نوشتن هم به یک عامل انسانی در کنار مدل هوشمند نیاز خواهد بود تا کمی چاشنی منطق، طنز و استعاره به متن اضافه کنه (مثل جمه آخر آیتم قبلی).4.     در این دنیای پر از استرس و بحران‌های وجودی، دسترسی به یک تراپیست یا مشاور ارزون‌قیمت که همیشه هم در دسترسه یه نعمته! البته به گمان من این سرویس رو میتونیم جزو آیتم سه نیز قلمداد کنیم، چرا که مشاور انسانی میتونه با اجازه‌ی مُراجع از چت‌هایی که با مدل هوشمند انجام شده (یا خلاصه‌ای ازش) برای بهبود روند درمان بهره بره.5.     آیتم قبلی برای همه شغل‌های مشاوره (حقوقی، تجاری، درسی و ...) صدق میکنه.6.     چنان‌چه حسام موسوی در پست قبلی اشاره کرد، بسیاری فرصت‌های تحقیقاتی پیرامون این فناوری شکل میگیره، از بهبود و نگهداری این مدل‌ها گرفته تا تحلیل تاثیرات گسترده‌ای که بر روان فردی و جمعی انسان‌ها میذارن.7.      این نکته رو هم باید همیشه مد نظر داشته باشیم: اگه یه فناوری 100 تا شغل ایجاد میکنه و 100 تا شغل از بین میبره، برآیند نهایی‌اش صفر نیست، چرا که معمولاً شغل‌های جدید سطح شناختی بالاتر و مهارت‌های پیچیده‌تری نیاز دارن.ایده‌های اقتصادی این نوشته بر اساس نظریات دانیل ساسکیند، اقتصاددان معروف نوشته شده.لینک یک و دو حمیدرضا مازندرانی حمیدرضا مازندرانی Fri, 04 Aug 2023 08:21:06 +0330 https://virgool.io/@nimnegah/%DA%AF%D9%84%DA%86%DB%8C%D9%86%DB%8C-%D8%A7%D8%B2-%D9%BE%D8%B3%D8%AA-%D9%87%D8%A7%DB%8C-%D9%85%D9%86-%D8%AF%D8%B1-%D8%AD%D9%88%D8%B2%D9%87-%D8%B1%D9%88%D8%A7%D9%86%D8%B4%D9%86%D8%A7%D8%B3%DB%8C-njesc8byxdjb این نوشته گلچینی از پست‌های فارسی من در لینکدین در حوزه روانشناسی و توسعه فردی از دی ماه 99 تاکنون است. البته من روانشناس نیستم و طبیعتاً این‌ها نظر شخصی محسوب میشه. البته در حد توان به مراجع معتبر رفرنس دادم.چرا تصمیم‌گیری و انتخاب دشوار است؟این پرسشی است که اپیزود سی‌و‌دوم پادکست رواق رو به خودش اختصاص داده، پادکستی که به زیبایی آموزه‌های اروین یالوم رو در حوزه روان‌درمانی وجودی (اگزیستانسیال) نشر میده.و امّا خلاصه پاسخ به پرسش فوق:اولین دشواری از این‌جا ناشی میشه که انتخاب هر گزینه، معادل با نه گفتن به انتخاب‌های دیگه‌ست. برای مثال، تصمیم به مهاجرت توسط یک جوانِ دانشجو یعنی نه گفتن به زندگی با خانواده. مشکل اینجاست که با عدم تصمیم‌گیری، زندگی خودش برای ما تصمیم میگیره.و امّا نه گفتن به انتخاب‌های دیگه، یعنی غیرممکن شدن ممکن‌ها! فردی که تصمیم به مهاجرت میگیره، برای همیشه زندگی در وطن رو از دست میده و به نوعی این گزینه رو میکُشه! این واقعیت، اضطراب وجودی مرگ رو در ناخودآگاه انسان برمی‌انگیزه. به بیان دیگه، این به نوعی مواجهه با خرده‌مرگ است که ترس از مرگ و نابودی کامل رو در انسان زنده میکنه.دلیل دیگه برای دشواری تصمیم‌گیری، بروز اضطراب آزادی است (یک مفهوم اساسی در روان‌درمانی وجودی)، اضطرابی ناشی از این که ما واقعاً نویسنده کتاب زندگی خود هستیم و هیچ حامی غیبی وجود ندارد که به او متکی باشیم. باور ناخودآگاه به حامی غیبی، یک مکانیزم دفاعی است که اضطراب‌های وجودی رو خنثی میکنه.و سومین دلیل، احساس گناه ناشی از زندگیِ نزیسته است. برای مثال، فردی که تصمیم به ترک سیگار دارد، اگر در این تصمیم خود موفق شود، معنایش این است که مدت‌ها قبل نیز می‌توانسته ترک کند و این دردناک است.لینکسریال گامبی وزیر به من آموخت که:خطر اسپویلدر شطرنج زندگی وزیر هم که باشی، بی یاری مهره‌های دیگر -به‌ویژه سربازها- نمی‌توانی غول خشم و افسردگی و درماندگی را کیش و مات کنی.قدردانی همیشه خوب است، حتی اگر آن کسی که قدردان او هستی دیگر زنده نباشد. رسم قدردانی در جهان نباید برافتد.در هر نقطه از عمر می‌توان استعداد و علاقه خود را بازشناسی کرد و ادامه مسیر را اصلاح نمود.لینکدر باب دایورسیتیتنوع (?????????) در محیط‌های اجتماعی به خصوص محیط کار خیلی مبحث مهمیه، و البته چالش‌برانگیز!جنبه‌های مختلفی از تنوع وجود داره، که با یک جستجوی ساده قابل ملاحظه است. منتها در این پست من دو جنبه‌ی کمتر توجه‌شده رو بازگو می‌کنم.تنوع در سن:در یک شرکت یا اداره که اغلب کارکنان در دهه دوم تا چهارم زندگی به سر می‌برن، آیا یک کارمند ۶۰ ساله آسایش خواهد داشت یا انگشت‌نما خواهد بود و از آن بدتر مورد تبعیض قرار خواهد گرفت؟ پاسخ به این سوال می‌تونه سطح تنوع‌پذیری یک مجموعه رو نشون بده.در این خصوص مبحث سن‌گرایی (ageism) هم یک کلمه کلیدی مهم محسوب میشه.تنوع جسمی: معلولیت، محدودیت حسی و احساسی، اضافه/کمبود وزنو به طور کلی هر گونه تنوع در جایگاه اجتماعی و اقتصادی، تحصیلات، شخصیت و هر ویژگی ذاتی یا اکتسابی دیگر (در ابتدا فهرست کاملی نوشته بودم اما به نظرم هنوز برخی مباحث صلاح نیست مطرح شود)در پست بعدی اشاره خواهم کرد که از نظر من چرا اکثر ما تنوع رو -حداقل در برخی از انواعش- برنمی‌تابیم!آپدیت 1402: اخیراً خبری خوندم که یک استاد دانشگاه متهم شده بود از هوش مصنوعی برای پاسخ به ایمیل‌ها استفاده می‌کنه، در حالی که ایشون گفته من آسپرگر (نوعی خفیف از اوتیسم) داره.لینک این پست، لینک پست بعدی، لینک پست سوم درباره دایورسیتیدر بدهی غرق شده‌ایم…زیر بار قرض بودن خیلی بده؛ اما قرض و بدهی فقط مالی نیست…گاهی بدهی زمانی داریم، اونم به خودمون یا نزدیکانمون!مطلبی از سایت ترجمان که لینکش رو در انتهای مطلب گذاشته‌ام، تیتر زیبایی داره:"زمانی که ندارید را نفروشید، تا زمانی که دارید را بدهکار نشوید."بدهی به حقیقت رو هم در دیالوگ معروف سریال چرنوبیل شنیده‌ایم:"هر دروغی که میگیم مقروضِ حقیقت میشیم. دیر یا زود، این قرض باید پرداخت بشه."بدهی فنی هم اصطلاح دیگه‌ای هست که خودم اخیراً شنیدم. این بدهی که انگار مخصوص دنیای برنامه‌نویس‌هاست و زمانی پیش میاد که شما کد کثیف و غیراصولی می‌نویسی تا پروژه زودتر تموم بشه، اما خودت یا یه نفر دیگه یه روزی باید اون کد رو از اول بنویسه!فکر می‌کنم مفهوم بدهی فنی رو هم میشه به همه‌ی شغل‌ها تعمیم داد.شما چه بدهی دیگه‌ای رو میشناسید؟لینکدوباره فکر کن!از اثرات کتاب "دوباره فکر کن" این بوده که گاهی دوباره فکر کنم!و تعصب آنچنانی روی باورهایم نداشته باشم و در نگاهم به پدیده‌ها پیچیده‌سازی (complexifying) داشته باشم، اگر چه "منزل بس خطرناک است و مقصد بس بعید"..به عنوان یک نمونه: باور من به این که گسترش فناوری فرهنگ می‌آورد، انگار چندان درست نبوده است.در حقیقت رابطه فرهنگ و فناوری خیلی پیچیده‌تر از این حرف‌هاست. بخشی از ماجرا این است که فناوری‌های نوظهور را بدخواهان هم استفاده می‌کنند و فناوری خود تبدیل به ضدفرهنگ می‌شود!برای مثال در یک ویدیو (که لینک آن را در انتها گذاشته‌ام) یوال نوح هراری مورخ صاحب‌نام توضیح می‌دهد که پس از اختراع چاپ، کتاب‌هایی نوشته شد که حاوی دستورالعمل سوزاندن و شکنجه‌ی ساحره‌ها بود و فناوری چاپ ناخواسته به این عمل شیطانی رسمیت بخشید.در باب اینترنت هم اشاره می‌کند که افسانه و خیال و اخبار جعلی هم اطلاعات محسوب می‌شود، و طبیعتاً هر نوع اطلاعاتی در فضای اینترنت می‌تواند گسترش یابد.این موضوع را می‌توان به هوش مصنوعی، بلاک‌چین و بیت‌کوین، فناوری‌های ارتباط با مغز و هر فناوری دیگر تعمیم داد.آپدیت 1402: کاربردهای هوش مصنوعی در آزار و اذیت مردمان رو کم ندیدیم.لینکبایاسی که ما را از هم جدا می‌کندبر اساس اونچه که من از ارائه [دکتر آذرخش مکری درباره عوامل تعیین‌کننده گرایش سیاسی] فهمیدم (که شاید درست هم نباشه!) هیچ کدام از عوامل زیر ویژگی برتر [و تعیین‌کننده] نیستند:بهره هوشی عقل و خرد ذهن باز فعال*برای مثال ظاهراً اینطور نیست که افراد یک گروه سیاسی به طور میانگین باهوش‌تر یا خردمندتر از افراد گروه دیگه باشن.گویا ویژگی برتر چیزی نیست به جز منافع افراد! منافعی که حتی شاید در قلمرو ناخودآگاه پردازش میشه.منافع میتونه حتی در قالب حس تعلق به گروه شکل بگیره. اینطوری میشه که اغلب افراد جمهوری‌خواه حاضر نیستن حق سقط جنین رو به رسمیت بشناسن (حتی اگه ته دلشون بدون نظرشون اشتباهه)، چون اونها رو از گروهشون دور میکنه (و البته حالت برعکس در حزب مقابل).* این مفهوم تحت عنوان actively open-mindedness شناخته میشه و دوست دارم درباره‌اش مطالعه کنم و بنويسم.لینکهیچ چیز مقدس نیستنقد جادی از کتاب "هنر رندانه‌ی به تخم گرفتن" رو خیلی دوست داشتم. چند نکته در تایید و تکمیل این موضوع:کتاب مقدس نیست.در یکی از پست‌های قبلی اشاره کرده بودم که در اروپای قرون وسطی کتاب‌های آموزش شکار و سوزاندن ساحره منتشر می‌شده. حتی امروزه هم گاهی کتاب‌ها شریک جرم و جنایت هستن: اغلب کتاب‌های خودیاری که شما رو مقصر اصلی وضعیت نامطلوب زندگیتون معرفی می‌کنن، منجر به ایجاد حس شرم میشن که گاهی ویران‌گره.اطلاعات مختصر من نشون میده که شرایط محیطی تاثیر خیلی قوی‌تری در خوشبختی فرد دارن، اگر چه شخصیت و تفکر افراد هم مهمه.خلاصه اینکه به قول جادی اگه کتابی گفت تو تو تو یه جای کارش می‌لنگه!یه موضوع دیگه این‌که برخی کتاب‌ها در اصل یک سخنرانی تد، پست وبلاگ یا ایده کوچیک بوده‌ان که به دلایل مالی و … تبدیل به کتاب شده‌ان.پس باز هم به قول جادی هیچ ایرادی نداره که گاهی کتاب رو نیمه‌کاره بذاریم چرا که احساس کرده‌ایم نویسنده دیگه حرف جدید یا تاثیرگذاری نداره و بدونیم با این کار به قانون زمین برنمی‌خوره!لینکزنده باشیدگاهی اوقات در پاسخ تعارفات روزمره میگم: "زنده باشید."زنده در نگاه من موجودیه که میتونه مرز خودش رو با دنیای بیرون حفظ کنه و خودپایداری داشته باشه.اولین مصداق برای این تعبیر، زنده بودن جسمه؛ که اگه بمیریم بدن کم‌کم تجزیه میشه و با محیط اطراف یکی میشه.اما ذهن آدم هم در یک طیف بین مرگ و زندگی قرار داره. خود من سال‌ها تجربه‌های نزدیک به مرگ داشتم یعنی گاهی ذهنم با یه سری ورودی ساده کاملاً آشفته میشد. بعید میدونم کسی به خودپایداری تمام و کمال رسیده باشه اما اون چیزی که ارزشمنده تلاش ما برای زنده بودنه.در یک سطح بالاتر، یه جامعه هم میتونه در طیف مرگ و زندگی قرار بگیره که خب تکلیف جامعه ما از این نظر مشخصه.تصویر زیر (از ویکی‌پدیا) سرو اَبَرکوه در یزده که پیرترین موجود زنده در ایران محسوب میشه. ?لینکپیش‌نویس‌های ذهنییکی از بازدارنده‌ها (مهارها) در پیش‌نویس‌های ذهنی، مهار "وجود نداشته باش" نامیده شده. این مهار در ناخودآگاه شکل می‌گیره و فرد رو به شکل‌های مختلف به سوی عدم زندگی سوق میدهمهار دیگه، "خودت نباش" هست که فرد رو به سوی رفتارهایی که با ماهیت خودش از جمله جنسیت‌اش در تضاده می‌کشونه.مهار "بزرگ نشو" نیز فرد رو وابسته بار میاره، به طوری که نمی‌تونه آزادانه زندگی کنه و همواره به دیگری یا دیگرانی متکی خواهد بود.به گمان من سردادن شعار زن، زندگی، آزادی تلاشی جمعی و تحسین‌آمیز برای مقابله با بازدارنده‌های بیرونی و همچنین درونی هست که در این سال‌ها به ما تحمیل شده بود.لینکبعد از سلام چه می‌گویید؟حالا که عیددیدنی‌ها داره به پایان می‌رسه، گوش دادن به اپیزود "بعد از سلام چه می‌گویید؟" از پادکست خویشتن نو رو بهتون پیشنهاد می‌کنم (لینک در کامنت).در این اپیزود، هانیه روزبهانی سطوح مختلف ساختار دادن به زمان رو بر اساس یک عیددیدنی فرضی در نوروز شرح میده.ساختار دادن به زمان یکی از مباحث نظریه تحلیل رفتار متقابله. مطابق این نظریه، ما به فرم‌های زیر زمانمون رو در ارتباط با دیگران "می‌سازیم":انزوا. مثال: بازی با گوشی در مهمونی ?آداب و رسوم و تشریفات. مثال: خب فلانی چخبرا؟ کار و بارا خوبه؟وقت‌گذرونی. مثال: قیمت فلان ماشین چقدر بالا رفته، دستور پخت این غذا (که هیچ‌وقت نمی‌پزمش!) چیه؟فعالیت. مثال: مشارکت در پذیرایی مهمونا یا تهیه دسر و سالاد.بازیِ روانی، که یک الگوی رابطه پیچیده‌تره با لایه‌های پنهان.مثال: چقدر ازدواج‌های جدید ناپایدار شدن، که یه نمونه از بازیِ "وحشتناک نیست!؟"، محسوب میشه.صمیمیت، که افراد بر خلاف بازی، خودِ واقعیشون رو نشون میدن.مثال: فلان ماجرایِ زندگیمو شنیدی؟ دوس داری واست تعریف کنم؟هر چه به سطح بالاتری حرکت می‌کنیم، ریسک‌پذیری بالاتر میره. امیدوارم عیدهاتون پر از ریسک‌پذیری باشه، که منجر به شکل‌گیری صمیمیت و روابط اصیل میشه.لینکدر باب اطاعت‌پذیریدر آزمایش معروف میلگرام، شرکت‌کنندگان به بهانه‌ی تست حافظه وادار شدن به فرد دیگری شوک الکتریکی وارد کنن. البته شوک واقعی در کار نبود (هر چند خود شرکت‌کننده‌ها نمی‌دونستن) و هدف تنها این بود که میزان اطاعت و فرمانبرداری آدما رو بسنجن.اگه عبارت آزمایش میلگرام رو جستجو کنید، اطلاعات زیادی درباره‌اش میاد.در این آزمایش حدود دو سوم افراد تا بالاترین درجه از شوک پیش رفتن، که مشخص شد این ویژگی تا چه میزان در ما آدما تعیین‌کننده است.اما نکته جالب، آزمایش‌های تکمیلی بود، برای مثال:اگه شرکت‌کننده افرادی رو می‌دید که از دادن شوک با ولتاژ بالا خودداری می‌کنن، تنها ده درصد احتمال داشت که با روند آزمایش همکاری کنه.پس شجاعت هم مثل ترس و فرمانبرداری تکثیر میشه! ✌اگه دستور افزایش درجه شوک از سوی یک آدم عادی - نه استاد روانشناسی- صادر می‌شد باز هم احتمال کاهش پیدا می‌کرد.یک نشونه از اهمیت ساختارهای تخت در مقابل ساختار سلسله‌مراتبی.مرجع: کورس مقدمه روانشناسی استیو جوردناین کورس رو به همه توصیه می‌کنم، به ویژه که مدرسش واقعاً دوست‌داشتنیه. ?لینک حمیدرضا مازندرانی حمیدرضا مازندرانی Fri, 04 Aug 2023 07:54:08 +0330 https://virgool.io/@nimnegah/%D9%86%DB%8C%D9%85-%D9%86%DA%AF%D8%A7%D9%87%DB%8C-%D8%A8%D9%87-%D8%A2%DB%8C%D9%86%D8%AF%D9%87-%D8%B4%D8%BA%D9%84%DB%8C-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D8%AA%D9%82%D9%88%DB%8C%D8%AA%DB%8C-pto7t3tg6uns مدتی پیش یکی از دوستان درباره آینده شغلی و تحصیلی یادگیری تقویتی از من پرسید. پاسخی رو که به ایشون دادم با توضیحات بیش‌تر در ادامه مطرح می‌کنم.حوزه یادگیری تقویتی هنوز نسبتاً نارسه و به همین جهت از سایر دوستان به ویژه شاغلین و پژوهشگران خارج از کشور درخواست می‌کنم این موارد رو تکمیل/تصحیح بفرمایند.فراتر از الگویابیقبل از هر چیز، باید توجه داشت یادگیری تقویتی کاری فراتر از یافتن الگو در داده‌های موجود انجام میده. پس همین‌طوری یک-هیچ از بقیه روش‌های یادگیری ماشین جلوتره!این پارادایم یادگیری، تصمیم‌های نزدیک‌به‌بهینه رو در مسائل مختلف میتونه استخراج کنه، از تخصیص منابع محدود بین یک سری کاربر گرفته (مثلاً تخصیص ماشین مجازی در پردازش ابری) تا حرکت‌های یک بازوی رباتیک برای گرفتن یک جسم در دست (لینک برای مطالعه بیشتر).(everydayrobots.com/thinking: آموزش ربات‌ها برای برداشتن اجسام (مرجعهنوز نه چندان کارآمد!با این حال، علی‌رغم تلاش‌های فراوانی که انجام شده، الگوریتم‌های فعلی هنوز چندان کارآمد نیستن. به همین جهت، یادگیری تقویتی هنوز به صورت صنعتی در ابعاد گسترده مورد استفاده قرار نگرفته. البته نوشتم هنوز، چرا که این وضعیت احتمال داره دیر یا زود تغییر بکنه.گزاره بالا رو به شکل‌های مختلفی میشه صحت‌سنجی کرد. یک راه، بررسی استارت‌آپ‌های مورد توجه هست و این که چند درصد از این استارت‌آپ‌ها از یادگیری تقویتی برای توسعه محصولشون بهره بردن. برای مثال در لیستی که سایت فوربس از 50 استارت‌آپ برتر سال 2023 منتشر کرده، به نظر نمی‌رسه یادگیری تقویتی ابزار اصلی هیچ یک از این شرکت‌ها باشه. https://www.forbes.com/lists/ai50/ انتخاب ریسک-محوربا توجه به مورد قبل، به نظرم این تصمیم که وارد حوزه شغلی یادگیری تقویتی بشیم یا نه بستگی به ریسک‌پذیر بودن ما داره. اگه میزان ریسک‌پذیری‌مون پایینه شاید بهتر باشه حوزه‌های بهترجواب‌داده مثل تحلیل دیتا یا پردازش تصویر رو دنبال بکنیم.اما اگه ریسک‌پذیری بالایی داریم، می‌تونیم یادگیری تقویتی رو به چشم یک فناوری آینده‌دار ببینیم و بریم سراغش. همون‌طور که الان مدل‌های زبانی یه انقلابی رو دارن تجربه میکنن، دیر یا زود ممکنه این اتفاق برای یادگیری تقویتی هم بیفته و خوبه که اون روز موعود ما در متن حادثه باشیم.یک نکته جانبی: میشه یادگیری تقویتی رو با حوزه‌های دیگه مثل پردازش متن، یادگیری گراف و ... ترکیب کرد. اینطوری ریسک ورود به این حوزه کاهش پیدا میکنه. برای مثال، یادگیری داده‌هایی که از جنس گراف هستن (مثل پروئتین‌ها یا شبکه‌های پیچیده) یه حوزه مستقل محسوب میشه که قابلیت ترکیب شدن با یادگیری تقویتی رو داره. یا چرا راه دور بریم؟ همین مدل‌های زبانی مثل چت‌جی‌پی‌تی هم برای بهبود عملکردشون با یادگیری تقویتی آموزش می‌بینن. اما اگه در نهایت مشخص شد یادگیری تقویتی به درد نمی‌خوره، میشه همون پردازش گراف یا متن رو ادامه داد و به عبارتی همه‌ی سرمایه‌گذاری ما هدر نرفته!پژوهشهمه مواردی که در بالا ذکر شد تمرکز بر شغل و کسب درآمد از یادگیری تقویتی داشت. در حوزه ریسرچ اما، اوضاع خیلی بهتره و من در حال حاضر به همراه یکی از دوستان در حال استفاده از یادگیری تقویتی برای حل مسائل شبکه‌های بیسیم هستیم (کم‌کم خبراش میاد!) و البته خبر دارم خیلی از دوستان از این فناوری در حل مسائل رباتیک، فایننس، مدارهای قدرت و کنترل، بهبود عملکرد ورزشکاران و ... دارن بهره میبرن. چاپ مقاله کمترین پاداش این دوستان خواهد بود، و کمک به شکوفایی این پارادایم یادگیری، پاداش بزرگ‌تر که شما هم می‌تونید در اون سهیم باشید.یک راه برای بررسی وضعیت این حوزه، مراجعه به پایگاه داده DBLP و بررسی تعداد مقالاتی هست که کلیدواژه یادگیری تقویتی رو دارن (لینک). شکل زیر نتیجه رو برای تاریخ 25 مه 2023 (یعنی وسطای سال 2023) نشون میده.رشد تعداد مقالات با کلیدواژه یادگیری تقویتیاز کجا شروع کنیم؟اگه به یادگیری تقویتی علاقه‌مند شدین و اگه مشکل زبان ندارید پیشنهاد من، کورس عالی خانم Emma Brunskill از دانشگاه استنفورده (لینک کورس و لینک ویدیوها روی یوتیوب).یک آموزش فارسی نصفه‌نیمه هم خودم دارم که دوستان مکتب‌خونه اینجا در فصل ۵ قرار دادن و به رایگان قابل تماشاست. اما اگه به دنبال یک کورس رسمی‌تر می‌گردید می‌تونید اینجا در کورس علی قندی ثبت‌نام کنید. https://web.stanford.edu/class/cs234/ سخن آخرمتن رو با یک شعر که از چت‌جی‌پی‌تی خواستم برای Reinforcement Learning بگه به پایان می‌برم:In a world of data and machines, Reinforcement learning reigns supreme.Rewarding the algorithm's deeds, till better decisions it conceives. حمیدرضا مازندرانی حمیدرضا مازندرانی Thu, 25 May 2023 16:42:24 +0330 https://virgool.io/@nimnegah/%D9%86%DB%8C%D9%85-%D9%86%DA%AF%D8%A7%D9%87%DB%8C-%D8%A8%D9%87-%DA%A9%D8%AA%D8%A7%D8%A8-%D8%A2%D8%B1%D8%A7%D9%85%D8%B4-%D8%A7%D8%B2-%D8%A2%D9%84%D9%86-%D8%AF%D9%88%D8%A8%D8%A7%D8%AA%D9%86-kbbvbgx3ij80 عاشق قلّه‌هاکسی که عاشق چیزی است، کسی است که عمیقاً می‌داند چقدر فاقد آن است؛ بنابراین می‌داند که چقدر به آن نیازمند است.جملات بالا از کتاب آرامش نوشته‌ی نویسنده و فیلسوف صاحب‌نام، آلن دوباتن نقل شده که به تازگی مطالعه‌اش رو به پایان رسوندم. با این که کتاب نسبتاً جمع و جوری بود (حدود 150 صفحه) ولی تموم کردنش نزدیک به یک ماه از من زمان برد!از اون‌جایی که قبلاً یادداشت‌هایی درباره کتاب‌های روانشناسی منتشر کرده‌ام (از جمله کتاب فرضیه خوشبختی) تمایل دارم این نکته رو گوشزد کنم که:من خودم رو در زمینه خوشبختی، آرامش و مفاهیم ارزشمند دیگه همچون کسی می‌دونم که در مسیر کوه، محو تماشای قلّه شده و دلش میخواد بقیه رو هم در تماشای این منظره شریک کنه. پس با من همراه باشید!اسپویل: در فصل پایانی، نویسنده‌ی کتاب تاکید می‌کنه که دستیابی به آرامش مطلق ممکن نیست، چون که ما انسان‌ها:از لحاظ جسمانی شکننده هستیم؛اطلاعات کافی برای تصمیم‌گیری نداریم؛تحت تاثیر رسانه‌ها هستیم؛از اندیشناک‌ترین موجودات هستیم (زیاد فکر می‌کنیم!)؛پیشرفت شغلی و مالی در دنیای سرمایه‌داری بیش از حد رقابتی و خشن است؛وابسته به کسانی هستیم که از کنترل ما خارج هستند؛پس سوال اینجاست که با این همه ایراد در طراحی سیستم، چه می‌توان کرد؟ و این چیزیه که کتاب آرامش بهش پرداخته.کلید آرامششاید اگه بخوایم کتاب آرامش رو در یک کلمه خلاصه کنیم (که البته خلاصه کردن یک کتاب در چند صفحه هم شاید کار درستی نباشه، چه برسه به یک کلمه!) اما به هر حال خروجی کار ما واژه‌ی پذیرش خواهد بود. اجازه بدین فصل‌های کتاب رو با این محوریت نام ببرم:فصل یک، روابط: چه روابط عاشقانه، چه روابط خانوادگی، باید این موضوع رو پذیرفت که دیگران، خودِ ما نیستند و مجموعه‌ای از باورها، رفتارها و علائق منحصر به فرد خودشون رو دارن. البته پذیرشِ تنها کافی نیست و نویسنده تلاش برای حل تعارضات رو ارزشمند می‌دونه:جملات طنزآلودِ زیادی مشابه جملات بالا در کتاب هست که خوندن متن رو لذت‌بخش میکنه و همچنین دریچه‌ای هست به چالش‌های زندگیِ روزمره در مغرب‌زمین!فصل دو، افراد دیگر: چه یک گارسون که روی لپ‌تاپ نوی ما نوشیدنی ریخته، چه یک کارمندِ بی‌حوصله که کار ما رو زودتر راه نمی‌اندازه و بسیاری رفتارهای دیگر، همگی این پتانسیل رو دارن که آرامش ما رو به هم بزنن. یکی از پیشنهادهایی که کتاب در این زمینه ارائه میده، یک شیوه‌ی خاص از آموزشه:ما باید در موضوعی تخصصِ آموزش دادن داشته باشیم که موضوعی حیاتی اما عجیب و غریب است: من چه کسی هستم و به چه چیزهایی اهمیت می‌دهم. اما ما در بسیاری از زمینه‌ها از روی برنامه‌ی آموزشی می‌گذریم و مستقیم به مرحله‌ی تنبیه می‌رویم.با این حال، باید بپذیریم که آموزش دادن ما قرار نیست همیشه موثر باشد، و همه شاگردان کلاس نمره قبولی نمی‌گیرن.فصل سه، کار: این فصل رو من خیلی دوس داشتم و اگه تنها یه فصل از کتاب رو بخوام بازنشر بدم همین فصله.همین چند جمله‌ی زیر رو درباره‌ی آرامشی که فرآیند تصمیم‌گیری شغلی حداقل یک بار از ما دزدیده بخونید:همچنین نویسنده جنبه‌های متنوع دیگه‌ای از پذیرش ابهام و دشواری‌های محیط کاری و ارتباطات با همکاران رو مطرح می‌کنه.فصل چهار: سرچشمه‌های آرامش: در حالی که فصل‌های قبل به مهندسی مدل ذهنی اختصاص یافته بود، این فصل رویکرد داده-محور رو در پیش می‌گیره و به مهندسی داده‌های ورودی به ذهن می‌پردازه. البته این برداشت من به عنوان یک مهندس هوش مصنوعیه و جناب آلن دوباتن خودش ماجرا رو این‌گونه باز کرده:نویسنده پنج سرچشمه‌ی آرامش که هر یک به نوعی بر ناخودآگاه ما تاثیر می‌ذارن رو معرفی می‌کنه: نگاه، صدا، مکان، زمان و لمس.اجازه بدین که دیگه به شرح موارد بالا نپردازم و فقط این ابراز امیدواری - یا بهتره بگم پیش‌بینی - رو داشته باشم که در آینده فناوری‌هایی همچون هوش مصنوعی، واقعیت افزوده/مجازی و متاورس نقش موثری در فرآیند دستیابی به آرامش ایفا کنن.https://doi.org/10.1016/j.physbeh.2013.05.023 حمیدرضا مازندرانی حمیدرضا مازندرانی Sat, 27 Aug 2022 09:38:55 +0430 https://virgool.io/@nimnegah/%D9%81%D8%B1%D8%A7%D9%85%D8%AD%D8%AA%D9%88%D8%A7-%D8%B1%D8%A7%D9%87%DA%A9%D8%A7%D8%B1%DB%8C-%D8%A8%D8%B1%D8%A7%DB%8C-%D9%85%D8%A8%D8%A7%D8%B1%D8%B2%D9%87-%D8%A8%D8%A7-%D9%81%D8%B1%D8%A7%D9%85%D9%88%D8%B4%DB%8C-gnllv0jrwlxu خاطره‌ای از دوران دبیرستاندانش‌آموز دبیرستان که بودم (اواسط دهه ۸۰)، یه وبلاگ داشتم به این آدرس:xpwindows dot persianblog dot irالان نه تنها وبلاگ من، بلکه حتی سایت پرشین‌بلاگ هم در دسترس نیست...لطفاً نپرسید که چرا چنین اسمی رو برای وبلاگم انتخاب کرده بودم، که هیچ ایده‌ای ندارم! ?عمده محتوای وبلاگ من معرفی سایت‌ها و وبلاگ‌هایی بود که به نظرم ارزش بازدید داشت. یادمه یکی از سایت‌ها یه دوربین شبانه‌روزی در خیابان آکسفورد لندن بود. ?پادشاه عصر فعلیوبلاگ من یه نمونه خیلی ساده و ابتدایی از محتوا درباره‌ی محتوا بود (یا فرامحتوا)؛ چیزی که میتونه پادشاه عصر فعلی باشه. این رو در مقایسه با اون جمله معروف بیل گیتس میگم که گفته بود: محتوا پادشاه است.مرجع: وبلاگ روزبه بهروزیالبته من وبلاگ خدابیامرزم رو لایق تاج پادشاهی نمی‌دونم که در ادامه علتش رو میگم. ?فرامحتوا یعنی محتوایی که به سایر محتواها ارجاع بده!البته چیزی که من ازش صحبت می‌کنم یه ارجاع‌دهی ساده نیست. این که یه تعداد سایت، نوشته، مقاله و ... رو پشت سر هم ردیف کنی ارزش‌افزوده چندانی ایجاد نمی‌کنه. به همین دلیله که من وبلاگم رو لایق تاج پادشاهی نمی‌دونم، هر چند یه نوجوون که در دهه هشتاد وبلاگ داشته قابل تحسینه. ?اون چیزی که ارزش‌افزوده ایجاد می‌کنه برقراری ارتباط منطقی بین چند محتواس. مثلاً یه نفر درباره مدیتیشن (مراقبه) مطلب آموزنده‌ای نوشته و یه نفر دیگه درباره جایگاه مدیتیشن در سلامت روان. حالا من یه مطلب می‌نویسم به این شکل که: ببینید فلانی ارزش مدیتیشن رو نشون داده و فلانی هم روش انجامش رو توضیح داده.حتی اگه بشه بین این مجموعه از خِرد و جهان‌بینی نویسندگان یک گراف دانش ایجاد کرد که محشر میشه. شکل زیر رو که خودم ساختم ببینید:گراف‌های دانش در وب‌سایت متمم به خوبی استفاده شدن (مثل این شکل) اما همچنان به محتوای تولیدشده در مجموعه‌ی متمم محدود موندن.راستی همه این حرفا درباره محتوای چندرسانه‌ای هم صادقه.حالا بریم سراغ یک موضوع دیگه و در نهایت این دو تا رو به هم ربط میدیم.عصر تاریک دیجیتالبه طور خلاصه از دست رفتن تاریخ بشر در فضای دیجیتال به دلیل تغییر استانداردها، سخت‌افزارها یا پاک شدن فایل‌ها، عصر تاریک دیجیتال رو پدید میاره.یه مثال آشنا: یه دوره‌ای هزاران وبلاگ از جمله همین وبلاگ خودم در پرشین‌بلاگ و بلاگفا فعال بود. حالا دیگه هیچ اثری ازشون نیست. حتی اگه سرورهای این دو تا سایت برای همیشه روشن بود، باز این احتمال وجود داشت که مرورگرها در دهه‌های آتی توانایی نشون دادن محتویات اون‌ها رو نداشته باشن (یه نمونه‌اش عدم پشتیبانی از فلش که در سایت‌های قدیمی خیلی مرسوم بود).صفحه اول پرشین‌بلاگ، که برای خیلی از ما خاطره‌انگیزه.مرگ نهایی محتواعصر تاریک دیجیتال عموماً به جنبه‌ی فنّی از دست رفتن اطلاعات اشاره داره، اما واقعیت اینه که حجم اطلاعات تولیدی توسط بشر اون‌قدر زیاده که حتی اگه این اطلاعات همچنان در دسترس باشه، دیگه کسی بهشون مراجعه نمی‌کنه!‌نمیخوام فضا رو دراماتیزه بکنم، اما یاد دیالوگ هکتور در انیمیشن کوکو افتادم که می‌گفت:او فراموش شده. وقتی کسی در دنیای زنده‌ها باقی نمونده باشه که شما رو به یاد بیاره، از این دنیا ناپدید می‌شین. ما آن را مرگ نهایی می‌نامیم.https://www.pinterest.ru/pin/322711129544616668/پادشاه مبارزه با فراموشیبه گمانم تا به این جا مقصودمو به روشنی رسونده باشم: این که فرامحتوا چطور میتونه مثل یک چتر حمایتی از دستاوردهای فکری نویسندگان جامعه محافظت کنه و یک خِرَد جمعی رو پدید بیاره. ای کاش می‌تونستم بحث رو با یک مثال خوب به پایان ببرم اما مثال‌هایی که به ذهنم میرسه صرفاً مطالبی در سطح معرفی سایر وبلاگ‌ها و پست‌هاست که البته خوندن همونا هم لذت‌بخشه. مثالی از یک فرامحتوای ارزشمند به ذهن شما نمی‌رسه؟ حمیدرضا مازندرانی حمیدرضا مازندرانی Sat, 23 Jul 2022 15:58:25 +0430 https://virgool.io/@nimnegah/%D9%86%DB%8C%D9%85-%D9%86%DA%AF%D8%A7%D9%87%DB%8C-%D8%A8%D9%87-%DA%A9%D8%AA%D8%A7%D8%A8-21-%D8%AF%D8%B1%D8%B3-%D8%A8%D8%B1%D8%A7%DB%8C-%D9%82%D8%B1%D9%86-21-kojs0rr6vznm سخن آغازینکتاب 21 درس برای قرن 21 از یووال نوح هراری (با ترجمه نیک گرگین) رو به تازگی مطالعه کردم. من کتابخون حرفه‌ای نیستم اما از بین کتاب‌هایی که خونده‌ام این یکی واقعاً تامل‌برانگیز بود و مطالعه‌اش رو به همه توصیه می‌کنم.شاید بدونید که این نویسنده دو کتاب معروف انسان خردمند و انسان خداگونه رو نوشته که امیدوارم بتونم نسخه مجوزدار این‌ها رو پیدا کنم و با نگاه نویسنده به گذشته و آینده انسان بیش‌تر آشنا بشم.البته این نوشته نه تنها خلاصه، بلکه حتی شرح مختصری بر کتاب فوق هم نیست، بر خلاف نوشته‌های قبلی‌ام در ویرگول که غنی‌تر بود:کتاب بده و بستان از آدام گرنت درباره آدم‌های بخشندهکتاب آینده ذهن نوشته میچیو کاکوکتاب فرضیه خوشبختی نوشته جاناتان هایتکتاب هنر شفاف اندیشیدن از رولف دوبلیاگه مطالب بالا رو خوندین و دوست داشتین، با معرفی این نوشته به دوستانتون به من روحیه بدین تا این مسیر رو پرانگیزه‌تر ادامه بدم.سلب مسئولیت: معرفی کتاب به معنای قبول داشتن همه افکار و حرفای نویسنده نیست؛ و پیشنهاد می‌کنم در هنگام مطالعه‌ی هر کتابی، ابزار ارزشمند تفکر نقادانه رو همراه خودتون داشته باشین.کار، آزادی و برابری در سایه فناوریبخش اول کتاب به چالش‌هایی می‌پردازه که پیشرفت فناوری در دو بعد علوم داده و فناوری‌های زیستی بر سر راه خوشبختی بشر قرار میده. جالبه کوشیار (فعال حوزه فناوری) در پادکست خودش (لینک) ترکیب این دو حوزه یعنی علوم داده و زیست‌فناوری رو امیدبخش‌ترین و پول‌سازترین حوزه نوآورانه در دهه آینده میدونه.شاید جملات زیر شما رو برای خوندن کتاب 21 درس ترغیب کنه:منبع اقتدار تنها در همين چند سده‌ی اخير از خدايان آسمانی به انسان‌های دارای گوشت و خون منتقل شده است. اقتدار ممکن است به زودی دوباره از انسان‌ها به الگوريتم‌ها انتقال يابد.ممکن است قرن بيست و يکم در حقيقت عصر نابرابرترين جوامع در تمام طول تاريخ باشد. اگرچه جهانی‌سازی و اينترنت شکاف ميان کشورها را هموار می‌کنند، اما شکاف طبقاتی را هم عميق‌تر می‌کنند و درست زمانی که به نظر می‌رسد بشريت به وحدت جهانی دست يافته، گونه انسانی در درون خود به گونه‌های زيستی متفاوت تقسيم می‌شود.پس بهتر است گوشی را برداريم و زنگی به وکلا، سياست‌مداران، فيلسوفان و حتی شاعران بزنيم تا توجه آنها را به اين معما جلب کنيم: چطور می‌توان حد و حدود مالکيت بر اطلاعات را تعيين کرد؟ شايد اين مهم‌ترين سؤال سياسی در عصر ما باشد.روایت‌های شخصی و اجتماعیهر جامعه‌ای واسه خودش داستان‌ها یا روایت‌هایی داره که بهش هویت و معنا میده. این روایت‌ها خیلی گسترده هستن و نویسنده برخی از اون‌ها رو از زاویه دید خودش شرح داده، از جمله مذهب، ناسیونالیسم و لیبرالیسم.روایت‌ها نقش‌های مثبت و منفی زیادی در طول تاریخ به عهده گرفتن و گاهی منجر به جنگ‌هایی شدن که قرن‌ها طول کشیده. حالا سوال اینه که روایت‌های غالب در قرن 21 و قرن‌های بعد چه روایت‌هایی خواهد بود؟یک نکته اضافی که در کتاب مطرح نشده: در بُعد فردی هم ما آدم‌ها داستان‌هایی داریم که به زندگیمون معنا میده. این داستان‌ها حتی ماجرای اختلالات ذهنی ما رو هم روایت میکنه. برای مثال، اگه من تمرکز حواس ندارم، این رو میتونم ناشی از بی‌ارادگی خودم بدونم، یا یک سلسله تغییرات شیمیایی ناسازگار در مغز. چنین روایتی میتونه تاثیر مثبت یا منفی زیادی در بهبودی فرد داشته باشه. یعنی یک روایت غیراصولی میتونه جنگی رو در ذهن فرد برپا کنه که تمام عمرش درگیر اون جنگ باشه. دیدم که میگم!اگه به این جنبه‌ی غیرجمعی از تاثیر روایت بر زندگی انسان علاقه دارین، این سخنرانی از دکتر آذرخش مکری رو دنبال کنید.آموزش: عنصری حیاتی در دوران ماطبیعتاً کتابی که درباره چالش‌های قرن فعلی نوشته میشه، نمیتونه بحث آموزش رو مطرح نکنه. خوشبختانه این مسئله مهم از چشمان تیزبین هراری دور نمونده و بحث آموزش رو در یک فصل به روشنی بیان کرده.اگه بخوام یک خلاصه‌ی تصویری از تغییر جایگاه آموزش در طول تاریخ بر اساس محتوای این فصل رسم کنم، شکل زیر خواهد بود.این شکل نشون میده آموزش (یا اکتشاف دنیا) و بهره‌برداری از آموزش (عمدتاً شغل و کسب درآمد) به تدریج در هم تنیده میشه و در آینده آموزش به صورت تمام‌عمر (Lifelong) خواهد بود. البته این الزاماً چیز خوبی نیست. همه ما دردسرهای مادربزرگ‌ها و پدربزرگ‌های عزیز برای همراه شدن با روند فناوری رو دیده‌ایم. این ماجرا در آینده برای ما هم تکرار خواهد شد.یک راهکار موثر برای قرن 21: مراقبه بدون پس و پیشمراقبه (مدیتیشن) چیزیه که خیلی دوسش دارم و البته خیلی سخت میتونم اجراش کنم (شما چطور؟). در کتاب فرضیه خوشبختی مراقبه به عنوان یکی از ابزارهای رسیدن به خوشبختی معرفی شده. مشخصاً آقای هراری هم دید خیلی مثبتی به این موضوع داره، چرا که فصل آخر کتاب خودش رو به این موضوع اختصاص داده.همه نوشته‌های داخل عکس‌ها از کتاب مرجع برداشته شده.All sentences within images have been taken from the reference:Harari, Yuval Noah. 21 Lessons for the 21st Century. Random House, 2018. حمیدرضا مازندرانی حمیدرضا مازندرانی Sat, 11 Jun 2022 09:55:36 +0430 https://virgool.io/@nimnegah/%D8%A2%DB%8C%D8%A7-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D9%87%D8%A7-%D9%85%D8%A7-%D8%B1%D8%A7-%D8%A7%D8%B2-%DA%A9%D8%A7%D8%B1-%D8%A8%D8%B1%DA%A9%D9%86%D8%A7%D8%B1-%D8%AE%D9%88%D8%A7%D9%87%D9%86%D8%AF-%DA%A9%D8%B1%D8%AF-u9mxdtk2auwc این نوشته نخستین بار در مرداد ماه سال 97 در وب‌سایت شبکه منتشر شده. حالا با اندکی ویرایش و غنی‌سازی تقدیم شما میشه.فصل دوم کتاب 21 درس برای قرن 21 از یووال نوح هراری هم که در حال مطالعه‌اش هستم، به همین موضوع پرداخته که از آن برای دستیابی به نگاهی عمیق‌تر بهره خواهیم برد.Image Credits: Danomyte / Shutterstockجنگ بر سر شغلاگر ویدیوی سخنرانی دانیل ساسکیند در همایش TED را تماشا کرده باشید (لینک)، می‌دانید که پاسخ او به پرسشی که در عنوان این نوشته آمده، مثبت است! دانیل ساسکیند، استاد اقتصاد دانشگاه آکسفورد بر این باور است که ماشین‌ها در جنگ با انسان‌ها بر سر شغل در نهایت پیروز خواهند شد. اما او چگونه به این نتیجه‌ی در ظاهر نگران‌کننده رسیده است؟ماشین در خدمت انسانوی در ابتدای سخنرانی عنوان می‌کند که ماشین‌ها به کمک انسان می‌آیند، از جمله در محیط کار. او یک راننده تاکسی را مثال می‌زند که با سامانه هوشمند مسیریابی می‌تواند مسیرهای بهتری را انتخاب نماید و بر درآمد خود بیافزاید. این همان دیدگاهی است که گری کاسپارف، شطرنج‌باز نام‌آشنا نیز بدان باور دارد.گری‌کاسپارف آن‌گاه که در بازی شطرنج از ابررایانه‌ای به نام دیپ‌بلو شکست خورد، به این نتیجه رسید که شاید بهتر باشد از توانایی پردازش و حافظه کامپیوترها برای کمک به انسان استفاده شود. بازی شطرنج پیشرفته را نیز می‌توان ابداع آقای کاسپارف برای تعامل انسان و ماشین قلمداد کرد. در این سبک بازی شطرنج، بازیکنان انسانی از کامپیوترهایی با توان سخت‌افزاری یکسان بهره می‌برند تا حرکات خود را آنالیز نمایند. اما تعامل انسان و ماشین تمامی ماجرا نیست!ماشین در خدمت ماشیندانیل ساسکیند به آن روی دیگر سکه نیز اشاره می‌کند که پیشرفت ماشین‌ها تنها یاری‌بخش انسان نیست، چرا که به کمک ماشین‌های دیگر نیز می‌آید و آن‌ها را در گرفتن شغل مهارت بیش‌تری می‌بخشد. چگونه؟ او همان سامانه هوشمند مسیریابی را مثال می‌زند که اگر چه راننده‌ها از آن استفاده می‌کنند، اما برای خودروهای خودران نیز قابل استفاده است.مثال جالب دیگر در این زمینه، سیستم AutoML شرکت گوگل است که از یادگیری ماشین برای دستیابی به مدل بهینه‌ی یادگیری ماشین در یک کاربرد خاص نظیر دسته‌بندی تصاویر استفاده می‌کند. بنابراین رشد توان پردازشی ماشین‌ها و نرم‌افزارهایی که از این توان بهره می‌برند، تنها در خدمت انسان نخواهد بود.ماشین در خدمت خود!افزون بر مورد فوق، ماشین‌ها به تدریج وارد عرصه مشاغل غیرروتین خواهند شد. غیرروتین چیست؟ هر کاری که در گذشته به نظر می‌رسید تنها از عهده هوش و خلاقیت انسانی بر می‌آید. دانیل ساسکیند تصریح می‌کند که مرز بین شغل‌های روتین و غیرروتین در حال رنگ باختن است. در واقع اگر روزگاری ماشین‌ها (در قالب روبات) جای کارگران را گرفتند، در آینده روزی می‌رسد که پزشکان و وکلا نیز شغلشان در معرض خطر باشد. در حال حاضر الگوریتم‌های یادگیری ماشین قدرت تشخیص بیماری را بر اساس علائم و اسناد پزشکی دارند، و دقت آن‌ها در گذر زمان بالاتر نیز خواهد رفت.البته وظایفی نیز وجود دارد که تنها از عهده یک پزشک بر می‌آید. برای مثال، برقراری ارتباط عاطفی با بیمار از جمله وظایف یک پزشک است. با این حال، آفرینش درک عاطفی برای ماشین‌ها موضوعی نیست که دانشمندان از خیر آن گذشته باشند!هر چند که بحث فلسفی پیرامون این موضوع پیچیده است، اما این احتمال همیشه وجود دارد که هر آن چه قبلاً در قلمرو انسان بوده است، ماشین در آن سهیم گردد. همین یک قرن پیش کم‌تر کسی پیش‌بینی می‌کرد که بهترین شطرنج‌باز دنیا از کامپیوتر شکست بخورد. قطعاً بینش ما نیز از آینده محدود است.شبکه‌ای از ماشین‌هابحث فوق‌العاده جذابی که یووال نوح هراری در کتاب 21 درس برای قرن 21 بهش پرداخته، اینه که ماشین‌ها خیلی کارآمدتر از ما انسان‌ها با همدیگه هماهنگ میشن و این مفهومیه که دوست دارم حداقل یک مطلب مفصل درباره‌اش بنویسم. فعلاً همین چند جمله رو بخونید.چاره چیست؟دانیل ساسکیند این پرسش را چندان واکاوی نمی‌کند. تنها به ذکر این نکته بسنده می‌کند که اقتصاددان‌ها در پی حل مشکل هستند و به راهکارهایی همچون درآمد پایه (basic income) رسیده‌اند. عبارت درآمد پایه من را به یاد تجربه ناموفق توزیع یارانه در ایران انداخت (هم‌اکنون در سال 1401 هم با ماجرای مشابهی روبرو هستیم!)، اما با کمی جستجو در اینترنت متوجه شدم ابعاد این رویکرد بسیار وسیع و پیچیده است: فقط حدود 33هزار مقاله پژوهشی تاکنون با کلیدواژه درآمد پایه به زبان انگلیسی منتشر شده است (بروزرسانی 1401: بیش از 60 هزار مقاله). درآمد پایه آنچنان که از نامش پیداست، یک میزان پول مشخص است که از سوی دولت به همه شهروندان بی قید و شرط پرداخت می‌شود. در عصر ماشین‌های هوشمند، شاید این یک راهکار برای نشاندن همه انسان‌ها بر سر میز شام اقتصاد باشد!پایه چیست؟ همگانی چیست؟دو پرسش فوق، عنوان دو بخش از فصل دوم کتاب یووال نوح هراری است که در واقع بحث درآمد پایه را به چالش کشیده.نخست این چالش رخ می‌نماید که کدام سطح از هرم نیازهای مازلو به عنوان پایه در نظر گرفته شود:و همچنین برای واژه همگانی:منبع تکمیلی برای مطالعه:کتاب جهان بدون کار از همین آقای دکتر دانیل ساسکیند که دکتر آذرخش مکری هم به زیبایی روایتش کرده (لینک). حمیدرضا مازندرانی حمیدرضا مازندرانی Tue, 17 May 2022 16:25:49 +0430 https://virgool.io/@nimnegah/%D9%86%DB%8C%D9%85-%D9%86%DA%AF%D8%A7%D9%87%DB%8C-%D8%A8%D9%87-%DA%A9%D8%AA%D8%A7%D8%A8-%D8%A8%D8%AF%D9%87-%D9%88-%D8%A8%D8%B3%D8%AA%D8%A7%D9%86-%D8%A8%D8%A7-%D8%B7%D8%B9%D9%85-%D8%B3%D8%B1%DB%8C%D8%A7%D9%84-%D8%A8%D8%A7%D8%B2%DB%8C-%D9%85%D8%B1%DA%A9%D9%91%D8%A8-lamdmfg4p0n1 این نوشته بر اساس چند پست لینکدین از خودم (اینجا) بازنویسی و غنی‌سازی! شده.راستی، بجز بخش آخر، این نوشته سریال بازی مرکب (اسکویید گیم) رو اسپویل نمی‌کنه.ماجرا چیست؟گاهی تقارن‌های بامزه‌ای در زندگی پیش میاد!مثلاً الان که دارم کتاب بده و بستان از آدام گرنت رو می‌خونم و سریال بازی مرکب رو هم تماشا می‌کنم، انگار که یه درس سه‌واحدی برداشتم و یه واحد هم آزمایشگاه عملی همراه با این درس ارائه شده.ماجرای کتاب بده و بستان حول تشریح ویژگی‌های سه گروهِ بخشنده‌ها، برابری‌طلب‌ها و گیرنده‌ها در ابعاد مختلف می‌چرخه. تعریف گیرنده‌ها رو در عکس زیر می‌تونید بخونید، که بر این اساس، تعریف دو گروه دیگه هم تا حد زیادی روشن میشه.متقلب‌های متقاعدکنندهدر جایی از کتاب، تفاوت رفتار گیرنده‌ها در برخورد با بالادستی‌ها و پایین‌دستی‌ها توضیح داده شده که چند خطّش رو در شکل زیر آوردم.جالبه در سخنرانی دکتر آذرخش مکری بر اساس کتاب "حسادت به بالادستی و تمسخر پایین‌دستی" این نظریه مطرح شد که ما آدما نسبت به بالادستی‌ها عمدتاً از ناحیه پیشانی مغزمون استفاده می‌کنیم که بر پایه استنتاج کار می‌کنه (و انرژی بالایی هم مصرف می‌کنه) و برعکس در برخورد با پایین‌دستی‌ها از قسمت‌های شهودی‌ مغزمون بهره می‌بریم.به نظرم خیلی خوب این دو مفهوم با هم جفت و جور میشن. به هر حال متقاعدسازی و ظاهرسازی کالری می‌سوزونه!بخشنده‌های موفق و بخشنده‌های فداکارکتاب بده و بستان با مثال‌های فراوان نشون میده که چطور بخشنده بودن نه فقط یک رفتار اخلاقی، بلکه یک رفتار راهبردی محسوب میشه.یادآوری: در این‌جا بخشنده بودن یعنی کسی که دانش، زمان و سایر منابع خودش رو بی‌چشم‌داشت به دیگران می‌بخشه.اما پرسشی که از ابتدای کتاب در ذهن خواننده شکل می‌گیره اینه که چطور یک بخشنده‌ی شکست‌خورده نباشیم!؟فصل ۶ و فصل‌های بعد به این پرسش پاسخ میده. خلاصه‌اش در یک جمله اینه که یک بخشنده موفق همزمان به خودش هم بها میده. بها دادن به خود حتی میتونه به بخشندگی بیش‌تر منجر بشه. این که چطور چنین اتفاقی میفته، در کتاب شرح داده شده.مفهوم بخشنده‌ی فداکار و غیرموفق شاید با مفهوم مهرطلبی که خانم کارن هورنای در کتاب شخصیت عصبی زمانه ما معرفی کرده تطبیق داشته باشه، یعنی افرادی که بخشندگی رو با این نیت انجام میدن که از گزند بقیه در امان باشن. قاعدتاً یک چنین بخشندگی چندان ارزش تحسین نداره.نقدی جدّی به کتابیک قطعه گمشده در پازل کتاب بده و بستان، عدم توجه به این واقعیتِ پذیرفته‌شده است که محیط به اندازه شخصیت یا حتی بیش‌تر از آن در شکل‌دهی به رفتارهای ما نقش داره.من به عنوان یک خواننده‌ی عادی، پس از خوندن کتاب شاید به این نتیجه برسم که بخشنده یا گیرنده بودن به ذات و شخصیت فرد برمی‌گردد نه محیطی که در آن زندگی می‌کند، یا جایگاهی که در نردبان قدرت دارد.نمونه‌ی خیلی حادّ گیرنده بودن، در برخی مردم در روزهای گذشته که در پی گرون شدن کالاها، به فروشگاه‌ها هجوم برده بودن، دیده شد. آیا در یک اقتصاد مدیریت‌شده و درست‌حسابی هم این چنین رفتارهایی از انسان‌ها سر میزنه؟در واقع اگه بخوام خیلی ساده (و شاید غیر دقیق) بگم، اینطور نیست که فقط بخشندگی (اونم از نوع صحیحش که بالاتر صحبتشو کردیم) منجر به خوشبختی بشه، بلکه انتظار میره سطح خوشبختی هم در میزان بخشندگی تاثیرگذار باشه.این رو هم در نظر داشته باشین که طبق نظریه‌ی کتاب فرضیه خوشبختی (لینک):خوشبختی = ژن + محیط + فعالیت‌های داوطلبانهبده و بستان در بازی مرکبهشدار 1: ادامه این نوشته سریال بازی مرکب رو اسپویل میکنه. اگه سریال رو تماشا کردین، خوندن این بخش میتونه جذّاب باشه. چیز خاصی هم نیست، چند تا نکته است که شاید درست یا کامل هم نباشه.هشدار 2: بازی مرکب یک سریال فانتزی محسوب میشه که میتونه خیلی با دنیای واقعی فاصله داشته باشه. پس تطبیق‌هایی که داده میشه الزاماً تعمیم‌پذیر نیست.این طور نیست که هر فرد در تمام عمر عضو یک گروه باشه، و بسته به تجربیات زندگی ممکنه تغییر استراتژی بده. برای نمونه این سریال یک بخشنده‌ی تمام‌عیار و دوست‌داشتنی داشت که آخرش فهمید باید گاهی ترمز بگیره... (منتظر فصل دو!)برخی گیرنده‌ها مثل اون آقای دکتر یا اون مرد قُلدر تکلیفشون مشخصه (طبق تعریف کتاب: گیرنده‌های ناسازگار). اما گاهی گیرنده‌ها در نقش بخشنده‌های مهربان ظاهر میشن (طبق تعریف کتاب: گیرنده‌های سازگار)؛ این دسته خودخواهی تمام وجودشون رو فرا گرفته که اگه دقت کنیم متوجه این فریب میشیم. میدونین که این فرد کدوم چهره در تصویر بالاست؟اون دختره که شهروند کره شمالی بود، مصداق واقعی یک برابری‌خواه بود. حدس من اینه آدم‌های خوب در یک محیط نامساعد ناخواسته عضو این گروه میشن. (همون نموداری که بالاتر رسم کردم)بخشندگی بی حساب و کتاب چیزیه که کتاب ما رو ازش برحذر داشته. و در این زمینه راهنمایی‌های مفیدی کرده، تا در نهایت یک کیسه سنگ دستمون نمونه! حمیدرضا مازندرانی حمیدرضا مازندرانی Sun, 15 May 2022 09:25:30 +0430 https://virgool.io/@nimnegah/%D9%86%DB%8C%D9%85-%D9%86%DA%AF%D8%A7%D9%87%DB%8C-%D8%B9%D9%84%D9%85%DB%8C-%D8%A8%D9%87-%D8%B0%D9%87%D9%86-%D8%A7%D9%86%D8%B3%D8%A7%D9%86-m8qfpn7snja6 این نوشته نخستین بار در ماهنامه شبکه نسخه دی ماه 1396 منتشر شده. حالا با اندکی ویرایش و غنی‌سازی تقدیم شما میشه.اگه به این نوشته علاقه‌مند شدین، ممنون میشم برای دوستانتون هم ارسال کنید.پیش‌گفتاربرای هر دوستدار علم و دانش، کتابی که پدیده‌های علمی را به گونه‌ای قابل فهم و به دور از خرافات و شبه‌علم شرح داده باشد، یک موهبت به شمار می‌آید. در این میان، کتاب آینده ذهن نوشته میچیو کاکو، فیزیکدان ژاپنی‌تبار، یک چنین موهبتی است. این کتاب، که به فارسی نیز ترجمه شده، خواننده را با رمز و رازهای مغز انسان (و نرم‌افزار آن، ذهن) آشنا می‌سازد و آینده پیش‌روی آن را در سایه پیشرفت‌های علمی بیان می‌کند.خواندن سیگنال‌های ذهن با شیوه‌های گوناگون و رمزگشایی از آن، تزریق خاطره به حافظه انسان، افزایش بهره هوشی و از میان برداشتن بیماری‌های روانی از جمله موضوعاتی هستند که در کتاب آینده ذهن مورد بحث قرار گرفته‌اند.در این نوشتار نگاهی به برخی مباحث کتاب آینده ذهن خواهیم داشت، به این امید که اشتیاق خوانندگان گرامی را برای مطالعه بیش‌تر در خصوص ذهن، این پدیده [ظاهراً] بی‌همتای جهان هستی، برانگیزد.پیشرفت تا کجا؟از میان تلاش‌های فراوانی که برای شناخت، بهسازی و توانمندسازی ذهن انجام شده است، برخی تاکنون به نتیجه رسیده و برخی دیگر ممکن است در آینده دور یا نزدیک نتیجه بدهد. به باور نویسنده کتاب آینده ذهن (نقل به مضمون)،تنها مانع اساسی که بر سر راه انسان در مسیر پیشرفت قرار دارد، محدودیت‌های قوانین علم فیزیک است. برای مثال، یکی از مواردی که پیشرفت‌ها را محدود می‌سازد تضعیف امواج الکترومغناطیسی بر اثر عبور از اجسام است که جزو ماهیت این امواج محسوب می‌شود. در بحث خواندن سیگنال‌های مغزی، جمجمه که مسئولیت محافظت از مغز را بر عهده دارد، سیگنال‌های تولیدشده از ارتباطات عصبی در مغز را تضعیف می‌سازد. بنابراین، سطح انرژی امواج مغز حتی در نزدیکی سر انسان بسیار ناچیز است، و البته تاکنون اثبات نشده که این امواج تاثیری روی کائنات داشته باشند! جالب اینجاست که وجود جمجمه یک کمک بزرگ برای حفظ حریم شخصی به شمار می‌آید: خوشبختانه دیگران از فاصله دور قادر نیستند حتی با برترین فناوری‌ها، اندیشه‌های ما را بدزدند.خلاصه این که اگر یک طرح برای شناخت یا توانمندسازی ذهن قوانین فیزیک را نقض نکند، محدودیت‌های دیگر همچون نداشتن دسترسی به فناوری لازم، عدم توجیه اقتصادی و غیراخلاقی انگاشته‌شدن آن طرح ممکن است روزی برچیده شود. برای هر کدام از مواردی که در کتاب ذکر شده، نویسنده پیش‌بینی‌هایی را در خصوص زمان رسیدن به آن هدف (اگر تاکنون برآورده نشده باشد) انجام داده است که البته مثل هر پیش‌بینی دیگر ممکن است درست از آب درنیاید.image credit: MIT newsبازسازی مغز انسان و آگاهی سیلیسیمیارتباط میان هوش انسانی و هوش مصنوعی یک موضوع واقعاً جالب به حساب می‌آید که در کتاب بدان پرداخته شده است. و حالا یک پرسش اساسی:چه باید کرد تا ماشین‌ها همانند انسان بیاندیشند؟ دیرزمانی است که مشخص شده رویکرد الگوریتم‌وار پاسخ مسئله نیست. به بیان دیگر نمی‌توان به سادگی کارکردهای ذهن را به صورت یک فلوچارت با اجزای مشخص مدل‌سازی کرد. در واقع این شبکه‌های عصبی عمیق و گسترده در مغز انسان است که به ما امکان درک و شناخت دنیا و در یک کلمه آگاهی را داده است. اگر بخواهیم به ماشین‌ها این آگاهی را ببخشیم، یک چنین شیوه پردازشی را باید دنبال نمود، که حاصل پیاده‌سازی آن روی ماشین، آگاهی سیلیسیمی خواهد بود.برای فهم بهتر آگاهی سیلیسیمی، کلیدواژه آگاهی باید به درستی تعریف شود. میچیو کاکو که خود یک فیزیکدان است، آگاهی را این‌گونه تعریف کرده:"آگاهی عبارت است از فرایند آفریدن مدلی از جهان با استفاده از حلقه‌های بازخوردی چندگانه بر حسب پارامترهای گوناگون، برای رسیدن به هدفی". مثلاً اگر هدف من خروج از یک ساختمان باشد، باید نقشه کلی آن را در ذهنم رسم کنم و بر اساس موقعیت فعلی خود به سمت درب خروجی راه بیافتم. این تعریف را می‌توان به اهداف پیچیده‌تر نظیر شروع کسب و کار، تعاملات اجتماعی و ... تعمیم داد که به حلقه‌های بازخوردی بیشتری نیاز دارند.بروزرسانی: سال 96 که این مطلب را نوشتم با مفهوم یادگیری تقویتی چندان آشنا نبودم، اما الان خوشبختانه با این حوزه جذاب علمی و البته یادگیری تقویتی سلسله‌مراتبی آشنایی دارم که با تعریف میچیو کاکو از آگاهی تا حدی مطابقت داره. از این نظر، ماشین‌ها به طور معمول فاقد آگاهی هستند و برای یک هدف خاص (مثلاً دسته‌بندی عکس یا بازی شطرنج) طراحی شده‌اند. برای طراحی ماشینی که آگاهی قابل مقایسه با انسان داشته باشد، یک محدودیت فیزیکی بزرگ وجود دارد و آن انرژی است. پروژه‌هایی در سراسر جهان تعریف شده است که در تلاش هستند مدلی از ذهن انسان را روی تراشه‌ها پیاده‌سازی نمایند. مسئله انرژی و ناشناخته بودن عملکرد مغز، کار را در این زمینه دشوار نموده است. البته بحث‌های فلسفی فراوانی نیز در ارتباط با مفهوم آگاهی قابل طرح است که کتاب آینده ذهن بدان نپرداخته است.به عنوان نکته آخر، موضوع عاطفه که پیش‌تر گمان می‌شد یک قابلیت تجملاتی برای روبات‌های انسان‌نما باشد (مثلاً روباتی که لبخند می‌زند)، امروزه به عنوان یک عنصر اساسی در آگاهی شمرده می‌شود. تلاش‌های بی‌وقفه دانشمندان برای افزودن عاطفه (یا تصویری از آن) روی ذهن روبات‌ها و پیامدهای اجتماعی و حقوقی آن در کتاب مفصلاً شرح داده شده است و ما از طرح آن صرف نظر می‌کنیم.image credit: IMDbاینترنت اشیاء و ذهن انساناین روزها اینترنت اشیاء ورد زبان فعالان صنعت و پژوهش است. اینترنت اشیاء این نوید را می‌دهد که کاربران اینترنت نه فقط انسان‌ها، بلکه اشیاء پیرامون ما خواهند بود. اما دیگر چه چیزی را می‌توان به شبکه جهانی اینترنت افزود؟ یک پاسخ هیجان‌انگیز اتصال بی‌واسطه مغز انسان به اینترنت است. اگر این موضوع به تحقق بپیوندد، آن‌گاه قادر خواهیم بود اندیشه‌ها و تخیلاتمان را به بستر شبکه ارسال نماییم. در این صورت، شبکه‌های اجتماعی پر خواهد شد از اندیشه‌های کاربران و تخیلاتی که در ذهن خود پرورانده‌اند.پرسش بعدی: فناوری لازم چه خواهد بود؟ چندین فناوری برای دریافت اطلاعات از ذهن انسان طراحی شده است که fMRI و EEG مشهورترین آن‌ها هستند. این دو روش به دلیل تهاجمی نبودن (یعنی نیاز نیست جمجمه شکافته شود) محبوب شده‌اند، هر چند که پیشرفت نانوتکنولوژی راه‌هایی را با استفاده از نانوتیوب‌ها برای عبور از جمجمه بدون نیاز به جراحی پیش رو نهاده است. به هر حال، فناوری‌های موجود سیگنال‌های مغزی را در حد توان ثبت می‌کنند. اما این سیگنال‌ها چه اطلاعاتی را در خود نهفته‌اند؟ در این‌جا هوش مصنوعی به یاری می‌آید، تا بتوان الگوهای پیچیده سیگنال‌ها را کشف نمود. تاکنون نیز پیشرفت‌هایی ابتدایی حاصل شده، اما یک رضایت نسبی زمانی حاصل خواهد شد که بتوانیم به همان سادگی که یک عکس را به اشتراک می‌گذاریم، افکار خود را نیز با مخاطبانمان سهیم شویم.سخن آخرمغز انسان همواره یک پدیده ناشناخته بوده است، و حتی روزگاری آن را به عنوان یک عضو اضافی و بی‌فایده در بدن به شمار می‌آورده‌اند. خوشبختانه در این نقطه از تاریخ دیگر اهمیت مغز بر نسل بشر پوشیده نیست. اما با این حال، هنوز شناخت ما از آن بسیار ناچیز است. دانشمندان زیادی در سراسر دنیا در تلاش هستند شناخت ما از جنبه‌های مختلف مغز و کارکردهای آن که ذهن نامیده می‌شود، افزایش دهند. هر چند امکان سوءاستفاده از نتایج پژوهش‌های علمی مثل همیشه وجود دارد، اما به نظر می‌رسد دستاورد اصلی رفاه و آسایش هر چه بیش‌تر مردم باشد. حمیدرضا مازندرانی حمیدرضا مازندرانی Fri, 13 May 2022 19:18:29 +0430 https://virgool.io/@nimnegah/%D9%86%DB%8C%D9%85-%D9%86%DA%AF%D8%A7%D9%87%DB%8C-%D8%A8%D9%87-%DA%A9%D8%A7%D8%B1%DA%A9%D8%B1%D8%AF%D9%87%D8%A7%DB%8C-%D8%B4%D8%A8%DA%A9%D9%87-%D9%85%D9%88%D8%A8%D8%A7%DB%8C%D9%84-%D9%86%D8%B3%D9%84-%D8%B4%D8%B4%D9%85-6g-%D8%AF%D8%B1-%D8%B9%D8%B5%D8%B1-%D8%A7%DB%8C%D9%86%D8%AA%D8%B1%D9%86%D8%AA-%D8%A7%D8%B4%DB%8C%D8%A7%D8%A1-nwxvlwsdj2pr یک پرسش تکرارییادمه سال 97 در مصاحبه‌ای که از طرف ماهنامه شبکه با دکتر مهدی راستی انجام دادیم، از ایشون پرسیدیم که نسل چهارم شبکه موبایل (4G) چه کمبود یا کاستی داشته که باعث شده یک نسل جدید معرفی شود؟پاسخی که ایشون در ارتباط با ظهور 5G ارائه کرد همچنان برای 6G هم معتبره:این‌گونه نیست که هر چندسال یک نسل عوض کنیم. به‌طور مشخص، جواب سوال شما این است: در نیازمندی‌هایی که هم‌اکنون وجود دارد تغییراتی ایجاد شده که باعث شده 4G نتواند آن‌ها را پشتیبانی کند.هر چند که این روزها 5G داره تجاری‌سازی میشه ولی باز هم نیازمندی‌های جدیدتری شکل گرفته که حتی 5G هم نمیتونه ازشون پشتیبانی کنه. در بخش بعدی به این نیازمندی‌ها خواهیم پرداخت.پیشنهاد می‌کنم این مصاحبه رو کامل مطالعه کنید، که مباحث گوناگونی رو از جمله چالش‌های دانشگاه‌ها و کارآفرینی پوشش میده. ریا هم میشه، ولی من دو تا درس خیلی باحال در حوزه شبکه‌های بی‌سیم با دکتر راستی پاس کرده‌ام :)بد نیست کل ماجرای نسل‌های شبکه موبایل رو در یک شکل ببینیم. این شکل از مقاله‌ای برداشته شده که مرجع اصلی این نوشته است و در انتهای متن بهش ارجاع دادیم.چه نیازمندی‌هایی؟یه سری نیازمندی‌ها و کاربردهای شبکه موبایل از جنس عدد و رقمه، مثلاً فلان نسل موبایل برای دانلود چند مگابیت یا گیگابیت بر ثانیه رو پوشش میده؟ این رقم برای 4G در مرتبه چند صد مگابیت بر ثانیه بود، اما در 5G به مرتبه‌ی گیگابیت بر ثانیه رسید. حالا در 6G (که البته هنوز استانداردسازی نشده)، صحبت از ترابیت بر ثانیه است.اما یه سری نیازمندی‌ها دیگه از جنس عدد نیستن و یه مفهوم جدید رو به شبکه اضافه می‌کنن. برای مثال شبکه‌های فعلی همه روی زمینِ گرم قرار دارن، اما الان دیگه با گسترش ارتباطات ماهواره‌ای (از جمله استارلینک)، پهپادها و سایر اشیاء پرنده قراره اینترنت اشیاء هوایی داشته باشیم (اینجا بیشتر توضیح دادم). شکل زیر از مقاله مرجع (که بخشی از یک شکل بزرگتره) چنین محیطی رو به تصویر میکشه.نمایی از اینترنت اشیاء هواییحالا که از عناصر چهارگانه، عنصر خاک و هوا رو فتح کردیم، نوبت به آب میرسه! در واقع اینترنت اشیاء دریایی رو خواهیم داشت که یکی از کاربردهاش میتونه حفاظت از اکوسیستم اقیانوس‌ها باشه. اما باید در نظر داشته باشیم اقیانوس‌ها بسیار وسیع و عمیق هستن و در نتیجه به سادگی نمیشه ارتباطات رو برای این محیط برقرار کرد.حوزه سلامت و درمان هم از اون حوزه‌هایی‌ست که خیلی برای متصل شدن به شبکه دندون تیز کرده و انصافاً انتظارات بالایی هم داره! مثلاً اگه رباتی داشته باشیم که قراره جراحی از راه دور انجام بده، لازمه که تاخیر (یا به اصطلاح، پینگِ) شبکه خیلی ناچیز باشه و از طرف دیگه پهنای باند و ضریب اطمینان هم خیلی بالا باشه.نمایی از اینترنت اشیاء سلامت و درمان نمیشه از اتوماسیون و اینترنت اشیاء گفت و صنعت رو فراموش کرد. اینترنت اشیاء صنعتی از همون اول پای ثابت این مسیر بوده و الزامات خودش رو هم داره. به طور خاص در یک کارخونه ممکنه صدها یا هزاران حسگر و عملگر به شبکه متصل باشن که در برخی موارد لازمه اطلاعاتشون خیلی فوری پردازش بشه.نمایی از اینترنت اشیاء صنعتی حیف که مطلب خیلی طولانی میشه و گرنه دوست داشتم به اینترنت اشیاء خودرویی، اینترنت اشیاء مناطق روستایی (از جمله کشاورزی دقیق) و چندین کاربرد دیگه بپردازم که اون‌ها هم چالش‌های خودشون رو دارن و در عین حال انگیزه‌هایی قوی رو برای حرکت به سوی نسل‌های جدید موبایل ایجاد می‌کنن.چه سرویس‌هایی؟هشدار: این بخش یه ذره فنی‌تره و در صورت تمایل می‌تونید از خوندنش صرف‌نظر کنید.نیازمندی‌ها و کاربردهایی که در بخش قبلی اشاره کردیم، لازمه در قالب یک سری معیار کلیدی قابل اندازه‌گیری بیان بشن. معیارهای کلیدی که دکتر راستی بهش اشاره کرد نرخ تبادل داده، تاخیر، هزینه و مصرف انرژی هست که بر اساس ترکیبی از این‌ها یک سری سرویس تعریف میشه. شاید با سرویس‌های زیر در 5G آشنا باشید:ارتباطات پهن‌باند ارتقاءیافته (دایره آبی در شکل زیر): سرویسی با نرخ تبادل داده‌ی بالا، عمدتاً برای کاربردهای چندرسانه‌ایارتباطات با تاخیر ناچیز و ضریب اطمینان بالا (دایره سبز): برای کاربردهای خیلی حساس مثل ربات‌ها در کارخانهارتباطات اینترنت اشیاء در مقیاس وسیع (دایره صورتی): برای کاربردهایی که تعداد زیادی اشیای معمولاً کوچیک (مثل بردهای آردوینو) در یک محیط محدود مستقر شدن.حالا جالب اینجاست که سرویس‌های 6G رو میشه از تلاقی هر دو دایره تعریف کرد. مثلاً در بخش قبلی، جراحی از راه دور رو مثال زدیم که یک نمونه از سرویس UBLC به شمار میاد. این سرویس از تلاقی ارتباطات پرسرعت و کم‌تاخیر شکل می‌گیره. یا اگه تعداد ربات‌ها در کارخونه زیاد باشه، یک نمونه از سرویس mULC رو خواهیم داشت و ...چه فناوری‌هایی؟طبیعتاً نمیشه با همون فناوری‌های موجود، کاربردها و سرویس‌های جدید رو ارائه کرد (که اگه میشد دیگه چالشی نداشتیم). به بیان دیگه فناوری‌هایی که داریم یا اساساً قابلیت مورد نظر ما رو ندارن؛ یا به اون اندازه که ما نیاز داریم بهره‌وری ندارن.متاسفانه پاسخ به این سوال ساده نیست؛ چرا که تا یک فناوری اختراع نشه نمیتونیم ازش صحبت کنیم. اما این طور هم نیست که دستمون خالی باشه! مقاله مرجع ما در این نوشته به چند مورد اشاره کرده. یکی از اون‌ها هوش مصنوعی در لبه شبکه است که به شبکه‌چی‌ها کمک می‌کنه با کمترین میزان تاخیر، هزینه، مصرف انرژی و احتمال نقض حریم شخصی، سرویس‌های هوشمند رو به کاربرها ارائه بدن. خیلی دوست دارم درباره این موضوع یک مطلب جداگونه بنویسم، تا چه پیش آید!ارتباطات تراهرتزی هم یک مبحث جدیده که به ارسال امواج با فرکانس خیلی بالا (حتی بالاتر از امواج میلی‌متری) می‌پردازه و به گمانم بیش‌تر از هر چیز چالش سخت‌افزاری داشته باشه.سطوح هوشمند هم این روزها حسابی مورد توجه قرار گرفته، که داستانش به طور خلاصه اینه که از بازتاب امواج از سطوح استفاده کنیم تا سیگنال‌ها به شکل بهتری به گیرنده برسه. یعنی چیزی که همیشه مزاحم کارمون بوده رو تبدیل کنیم به یک نقطه قوت!بحث‌های مرتبط با حریم شخصی و امنیت هم قاعدتاً در شبکه‌ی نسل ششم که از قابلیت‌های بیش‌تری نسبت به نسل‌های قبلی برخورداره پررنگ‌تر میشه. میشه تصور کرد که حمله سایبری به یک ربات جراح یا کارخونه‌ای پر از ربات‌های هوشمند چه خسارت‌هایی رو به بار میاره. مقاله مرجع به فناوری بلاک‌چین به عنوان یک راهکار مهم برای این موضوع پرداخته.اگه مثل من زیادی نسبت به فناوری‌های جدید خوش‌بین هستین، سریال بلک میرور بخصوص اپیزود آخر فصل سوم که زنبورهای الکترونیکی برای حمله به آدم‌ها هک شده بودن رو تماشا کنید!سخن آخراین نوشته یک مرجع کامل از کاربردها، سرویس‌ها و فناوری‌های 6G محسوب نمیشه، چرا که هدفم بیش‌تر این بود که یک پیش‌غذا تعارف کنم تا اشتهای خودم و مخاطبان برای صرف غذای اصلی تحریک بشه.اگه این مطلب رو دوست داشتین، خوشحال میشم اینجا یا در صفحه لینکدین بهم فیدبک بدین.همچنین اگه دوست دارین یکم از ارتفاع بالاتری به روندهای شبکه نگاه کنید، مطلب من با عنوان نیم‌نگاهی به دنیای شبکه، به بهانه شروع سال جدید میلادی رو بخونید که خودم خیلی باهاش حال کردم!مرجع:D. C. Nguyen et al., "6G Internet of Things: A Comprehensive Survey," in IEEE Internet of Things Journal, vol. 9, no. 1, pp. 359-383, 1 Jan.1, 2022, doi: 10.1109/JIOT.2021.3103320. حمیدرضا مازندرانی حمیدرضا مازندرانی Wed, 06 Apr 2022 12:51:41 +0430 https://virgool.io/@nimnegah/%D9%86%DB%8C%D9%85-%D9%86%DA%AF%D8%A7%D9%87%DB%8C-%D8%A8%D9%87-%D9%81%D8%B1%D8%B6%DB%8C%D9%87-%D8%AE%D9%88%D8%B4%D8%A8%D8%AE%D8%AA%DB%8C-%D8%AF%D8%B1-%D8%A2%D8%B3%D8%AA%D8%A7%D9%86%D9%87-%D9%86%D9%88%D8%B1%D9%88%D8%B2-uotopkd66stg چه کسی ظرف را شکست؟این نوشته در ادامه مطلب قبلی‌ام با عنوان نیم‌نگاهی به فرضیه خوشبختی: از بوئتیوس تا میرزاخانی منتشر میشه که قرار بود روایت شخصی من باشه از کتاب فرضیه خوشبختی نوشته جاناتان هایت.اما چون که نوروز باستانی در راهه، تصمیم گرفتم این نوشته رو با حال و هوای شروع سال نو بنویسم. به همین جهت، تلاش خواهم کرد که ایده‌هایی از کتاب رو مطرح کنم که میتونه به همه‌ی ما کمک کنه در نوشتن عهدنامه یا طرح کلی سال جدید.قبل از شروع بحث، خوبه که یه مروری بر چهار فصل نخست کتاب داشته باشیم. شاید این چند فصل رو بشه در این چند خط که از صفحه 99 برداشته شده خلاصه کرد:هر کداممان فکر می‌کنیم دنیا را شفاف و بی‌پرده، همان‌طور که واقعاً هست می‌بینیم. بعد باور داریم حقایقی که می‌بینیم برای همه به همان شکل قابل دریافت است، پس بقیه هم باید با ما موافق باشند. اگر هم نباشند، به این معنی است که یا هنوز با حقایق مدنظر ما روبرو نشده‌اند یا علائق و ایدئولوژی‌هایشان، چشمانشان را کور کرده است.جملات بالا به خوبی در این توییت طنز نمود پیدا کرده (ضمن احترام به همه مادرهای عزیز که این روزها زحمت خانه‌تکانی به دوش آن‌هاست):فرمول خوشبختیحالا سوالی که پیش میاد اینه: اگه ما این قدر ناقص و پر از خطا هستیم، هم در فکر و هم در عمل، پس چه حقی داریم که به دنبال خوشبختی و سعادت راه بیفتیم؟به گمانم همه حرف روان‌شناسی مثبت‌گرا در پاسخ به این سوال اینه که ما آدم‌ها، حتی اگر فیل‌سواری باشیم که کنترل فیل خودمون رو به سختی در دست داریم، باز هم حق داریم در جستجوی خوشبختی باشیم.اما فرمول خوشبختی چیست؟فصل پنجم از فرمولی صحبت می‌کنه که فارسی‌شده‌اش میشه:خوشبختی = ژن + محیط + فعالیت‌های داوطلبانهخب اگه این معادله رو قبول کنیم، باید این واقعیت رو هم قبول کنیم که در سال جدید نمی‌تونیم ژن‌هامون رو دستکاری کنیم! اما تغییر محیط و فعالیت‌های داوطلبانه چطور؟مهاجرت بیرونی، مهاجرت درونیتغییر محیط این روزها با مهاجرت به خارج از کشور مترادف شده، اما مهاجرت گاهی میتونه تغییر شغل یا حتی تغییر نگاهمون به شغل و محیط پیرامون باشه.در کتاب از مفهوم پرطرفدار غرقگی صحبت شده، یعنی همون لحظاتی که به اصطلاح غرقِ کار هستیم و گذر زمان رو متوجه نمی‌شیم. اما نکته مهم اینه که غرقگی امتیاز ویژه‌ی برخی مشاغل یا برخی افراد خاص نیست:در مطالعه‌ی کارگرهای بیمارستان متوجه [شدند] مستخدمانی که لگن بیمار را تمیز می‌کنند یا استفراغ را تی می‌کشند و احتمالاً پایین‌ترین رتبه شغل را در بیمارستان دارند گاهی خودشان را جزیی از تیمی می‌بینند که هدفشان شفای مردم است.پس حتی اگه شغلمون پیش پا افتاده به نظر میرسه، همچنان با تغییر نگرش می‌تونیم غرقگی رو تجربه کنیم و در مسیر خوشبختی قدم برداریم.در ارتباط با محیط، به این عوامل استرس‌زا هم اشاره شده: آلودگی صوتی و رفت و آمد طولانی‌مدت به محیط کار.تغییر محیط کار یا سازگاری نسبت بهش می‌تونه جزیی از برنامه ما در سال جدید باشه‌، مخصوصاً اگه در محیط‌های کاری اُپِن‌آفیس (که همه یه جا میشینن) و این روزها مد شده مشغول به کار هستیم.اینو هم بگم که من به شخصه با این رویکرد میانه خوبی ندارم و به نظرم دلیل اصلی روی آوردن به این محیط‌ها کاهش هزینه‌های شرکت‌هاست، به بهای آلودگی صوتی و کُشتن حس غرقگی در کارمندان!چون همسفر عشق شدی مرد سفر باشتغییر محیط و فعالیت‌های داوطلبانه محدود به کار و شغل نمیشه. کیفیت روابط ما نیز نقش بسیار مهمی در تجربه‌ی حس خوشبختی ایفا میکنه. بخش‌های زیادی از کتاب به همین موضوع اختصاص داده شده. برای مثال آزمایش‌هایی که وابستگی بچه میمون‌ها به مادرهاشون رو بررسی کرده، نشون میده اجتماعی بودن جزئی از هویت ما موجودات پیچیده محسوب میشه (همون ماجرای تقسیم‌بندی ذهن در نوشته قبلی).طبیعتاً رابطه عاطفی در صدر روابط انسانی جای داره. با این حال ذات چنین رابطه‌ای چندان با برنامه‌ریزی سازگار نیست، اما میشه نسبت بهش بینش صحیح پیدا کرد. در همین راستا تفاوت دو نوع عشق آتشین و عشق وابسته به یار به زیبایی در کتاب توضیح داده شده. شکل نمادین زیر، شدت این دو نوع عشق رو در یک بازه 60 ساله مقایسه کرده که میتونه راهنمای ما در این مسیر باشه.عکس از صفحه 164 کتابآنچه مرا نکشد، قوی‌ترم می‌کند؟فصل هفتم کتاب، این جمله معروف نیچه (همین جمله بالا بدون علامت سوال) رو سوژه‌ی بحث قرار داده و به این نتیجه رسیده که بدبختی میتونه دری به سوی خوشبختی باشه، ولی نه همیشه!طبق نتیجه‌ای که نویسنده در پایان فصل گرفته، اگه بدبختی در زمان مناسب (جوانی)، برای انسان‌های مناسب (با تفکر رشد) و به میزان مناسب (نه خیلی زیاد) رخ بده میتونه سودمند باشه.پس اگه در سال جدید تصمیم گرفتیم وضعیت شغل یا محیط زندگیمون رو بهبود بدیم، یا روابط بهتری رو در زندگیمون شکل بدیم، باز هم این روزگار دل‌شکن میتونه مثل یه پتک بر سر ما فرود بیاد. اینجاست که باید به ابیات پرقدرت جناب معینی کرمانشاهی رجوع کنیم:ای روزگار دل‌شکن! هر دم مرا سنگی مزن!من سنگ‌ها در لقمه نان، دندان به دندان دیده‌ام.از خود رجزخوانی مکن؛ تصویرگردانی مکن،من گردن گردن‌کشان، ریسمان به ریسمان دیده‌ام.سخن آخرشروع سال یا شروع قرن! بهونه خوبی برای بازنگری در برنامه‌هاست؛اما اون چیزی که من از کتاب برداشت کردم (و همین‌طور منابع متعدد دیگه) اینه که تجربه حس خوشبختی به خیلی چیزا بستگی داره که خارج از اراده‌ی ماست، از جمله:بخش ناخودآگاه ذهن یا همون فیل که خیلی وقتا به دستورهای فیل‌سوار گوش نمی‌کنه و باید با تمرین و آرامش و صبر هدایتش کرد؛محیط اطراف که کنترل آنچنانی نسبت بهش نداریم؛ژن‌هامون؛بدبختی‌هایی که سر راه آدم یهو سبز میشه.برای همین، لزوماً با شروع سال جدید مجبور نیستیم همه زندگیمونو زیر و رو کنیم یا برای تغییر و تحولات انقلابی برنامه‌ریزی کنیم، گاهی وقتا خوبه آدم با جریان زندگی پیش بره و در زمان مناسب خودش که ممکنه اصلاً وسط تیر و مرداد باشه تصمیم به تغییر بگیره.نمودار زیر از جناب آدام گرنت (که امیدوارم در سال جدید یه کتاب جدید ازش بخونم و درباره‌اش مطلب بنویسم) حق مطلب رو ادا می‌کنه.بله، هر یک از ما یکی از مسیرهای مشکی رنگ رو گذر کردیم، ببینیم کدوم مسیر سبز سرنوشت ما در سال جدید خواهد بود.عکس از پیج اینستاگرام آدام گرنت حمیدرضا مازندرانی حمیدرضا مازندرانی Thu, 17 Mar 2022 21:12:28 +0330 https://virgool.io/@nimnegah/%D8%A8%D8%A7-%DB%8C%DA%A9-%D8%AF%DB%8C%D8%AA%D8%A7%D8%B3%D8%AA-%D9%81%D8%B1%D9%88%D8%B4%DA%AF%D8%A7%D9%87%DB%8C-%DA%86%D9%87-%D9%85%DB%8C-%D8%AA%D9%88%D8%A7%D9%86-%DA%A9%D8%B1%D8%AF-%D8%A8%D8%B1%D8%B1%D8%B3%DB%8C-%DB%8C%DA%A9-%D9%86%D9%85%D9%88%D9%86%D9%87-%D8%AA%D8%AC%D8%A7%D8%B1%DB%8C-%D9%82%D8%B3%D9%85%D8%AA-%D8%AF%D9%88%D9%85-%D9%BE%DB%8C%D8%B4-%D8%A8%DB%8C%D9%86%DB%8C-%D8%B3%D8%B1%DB%8C-%D8%B2%D9%85%D8%A7%D9%86%DB%8C-grtfqb8vwvdx آن چه گذشت...در قسمت اول این مجموعه (لینک) یک دیتاست فروشگاهی واقعی رو معرفی کردم و در توضیحاتش گفتم که:تراکنش‌های این فروشگاه اینترنتی ناشناس که ظاهراً هدایای مناسبتی رو به صورت عمده می‌فروشه در بازه سال‌های 2010 تا 2011 انجام شده و حاوی حدوداً 26000 تراکنشه که برای سفارش (یا کنسل کردن سفارش) بیش از 4000 محصول توسط حدود 4300 مشتری ثبت شده.قبل از خوندن این مطلب، پیشنهاد می‌کنم حداقل پیش‌گفتار قسمت اول رو بخونید تا با سطر و ستون‌های این دیتاست آشنا بشین.کدهای این نوشته رو هم در اینجا می‌تونید ببینید.اما اگه نخوندین، خیالتون راحت باشه که برای ادامه این نوشته، عمدتاً با سری زمانی که در شکل زیر رسم شده سر و کار داریم. این شکل روند فروش روزانه فروشگاه (مجموع همه فاکتورهای هر روز) رو نشون میده.سری زمانی فروش روزانه فروشگاه بر حسب دلاراگه ده روز اول سری زمانی رو رسم کنیم، شکل زیر رو خواهیم داشت که نشون میده این فروشگاه در نخستین روز دیتاست (به تاریخ 01-12-2010) حدوداً 46هزار دلار فروش داشته.نمودار فروش ده روز نخست ثبت‌شده در دیتاستهدف چیست؟در مسئله پیش‌بینی سری زمانی هدف اینه که با دونستن مقادیر گذشته، مقادیر آینده رو پیش‌بینی کنیم. تفسیر این حرف برای دیتاست فروشگاهی که ما در اختیار داریم به این صورته: اگه میزان فروش روزهای گذشته رو بدونیم، احتمالاً در روزهای آینده چقدر فروش خواهیم داشت؟دونستن فروش آینده برای ارضای حس کنجکاوی نیست؛ با دونستن این موضوع میشه نقدینگی فروشگاه رو مدیریت کرد و احتمالاً کلی برنامه‌ریزی‌های دیگه.اما در این نوشته، من وارد جزییات آماده‌سازی داده و آموزش مدل یادگیر نمیشم، چرا که مقالات آموزنده زیادی به فارسی و انگلیسی در دسترسه و در ادامه فقط یه سری چالش‌هایی که در این مسیر ممکنه باهاش مواجه بشیم رو مطرح می‌کنم.مروری بر روند حل مسئلهچنان‌چه گفتم، قرار نیست در این نوشته پیش‌بینی سری زمانی رو آموزش بدم؛ فقط اجازه بدین تیتروار مراحل انجام کار رو که در اینجا طی کردم اشاره کنم. اگه تجربه‌ی کار با سری‌های زمانی رو داشتین از این بخش می‌تونید عبور کنید.دانلود و بارگذاری دیتاستپاکسازی داده (مقادیر ثبت‌نشده یا پرت)گشتن درون دیتاست و کشف چیزهای جالب!نرمال‌سازی یا استانداردسازی مقادیرایجاد دیتاست‌های آموزش و تست (این قسمت یکم با دیتاست‌های غیر سری زمانی فرق داره!)آموزش مدل (در اینجا من از LSTM استفاده کردم)نتیجه این شده که مدل من (البته بدون ور رفتن با تنظیمات) تونسته روزهای آخر دیتاست رو به شکل زیر پیش‌بینی کنه، که اصلاً جالب نیست. مشخصه که فقط میانگین رو تشخیص داده!حدس من اینه که دیتاست ما خیلی کوچیکه (حدود 300 سطر داره) و شاید یک مدل عمیق مثل LSTM واسه کار ما جواب نده! پس چه باید کرد؟دیتا را مهندسی کنیم!چند روز پیش یه مطلبی نوشتم درباره اهمیت هوش مصنوعی داده‌محور (لینک). گفته بودم که:ایده اصلی رویکرد هوش مصنوعی داده‌محور اینه که دست از سر مدل‌های یادگیر برداریم و کمی هم به داده‌ها توجه کنیم و حتی مهندسی‌شون بکنیم!در این مسئله که ما نمی‌تونیم دیتای جدید اضافه کنیم (میشه؟)؛ اما شاید با در نظر گرفتن دانش موضوعی یا ساختن ویژگی‌های مناسب بتونیم کار مدل رو یکم ساده کنیم.مثلاً این که...امروز چندمین روز از هفته یا ماهه (اول ماه حقوق میدن شاید حجم خرید بیش‌تر باشه!)؛میانگین فروش هفته قبل نسبت به میانگین فروش در همه زمان‌ها چقدر بوده؛تعداد مشتری‌ها/فاکتورها/کالاهای منحصر به فرد در یک هفته گذشته نسبت به تمام دوره فعالیت فروشگاه چقدر بوده؛و ...من یه سری از این جور ویژگی‌ها اضافه کردم و خروجی پیش‌بینی با یک مدل غیر عمیق به فرم زیر حاصل شد که از خروجی قبلی بهتره (لینک).نتیجه: استفاده از ویژگی‌های خلاقانه عملکرد مدل یادگیر رو بهبود میده!مبارزه با نشتی اطلاعاتدلم نمیاد این نوشته به پایان برسه و از صحنه مبارزه همیشگی با نشتی اطلاعات نگم. نشتی اطلاعات یعنی داده‌های تست هم در فرآیند آموزش یه جوری نقش ایفا کنن، که منجر بشه مدل اونا رو هم حفظ کنه.مطابق معمول ما داده رو به دو بازه آموزش و تست تقسیم‌بندی می‌کنیم. تنها نکته‌اش اینه که یه مقدار بین بازه آموزش و تست فاصله بندازیم، چون گاهی اوقات داده‌های نزدیک به هم همبستگی آماری دارن و این یعنی نشتی اطلاعات.نکته دیگه این که ما داده‌های تست رو هم با مقادیر میانگین و واریانس داده‌های آموزش نرمالیزه می‌کنیم. اگه این کارو نکنیم، انگار داریم داده تست رو با آمارهایی که از آینده اومده حساب می‌کنیم و این هم یعنی نشتی اطلاعات.زمان، زمان، زمان، زمانواقعیت اینه که منم در این شاخه از دانش در حال یادگیری هستم. در نتیجه، اگه ایرادی در انجام هر مرحله از این فرآیند به چشمتون خورد یا به نظرتون راه بهتری واسش وجود داره، خوشحال میشم منو از کامنت خودتون دریغ نکنین.قسمت بعدی این مجموعه به خوشه‌بندی مشتریان می‌پردازه که احتمالاً آخرای سال آماده بشه. همچنین شاید در آینده نیم‌نگاهی به موضوع جذاب تولید سری زمانی بندازیم؛ پس اگه خواستین این مطالب رو از دست ندین این صفحه یا صفحه لینکدین منو دنبال کنید.در پایان، حالا که سمت چپ مغزمون حسابی درگیر شد، چند بیت از شعر پاسخ سروده مهدی اخوان ثالث می‌تونه بازی رو به سمت راست زمین ببره.که بود و کیست دشمنم؟یگانه دشمن جهانهم آشکار، هم نهانهمان روانِ بی امانزمان، زمان، زمان، زمانسپاه بیکران اودقیقه‌ها و لحظه‌هاغروب و بامدادهاگذشته‌ها و یادهارفیق‌ها و خویش‌هاخراش‌ها و ریش‌هاسراب نوش و نیش‌هافریب شاید و اگر حمیدرضا مازندرانی حمیدرضا مازندرانی Sat, 05 Mar 2022 17:37:44 +0330 https://virgool.io/Solidity/%D9%86%DB%8C%D9%85-%D9%86%DA%AF%D8%A7%D9%87%DB%8C-%D8%A8%D9%87-%DB%8C%D8%A7%D8%AF%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%A7%D8%B4%DB%8C%D9%86-%D8%B1%D9%88%DB%8C-%DA%AF%D8%B1%D8%A7%D9%81-wm5kcivvs7kp ماجرا چیست؟یادگیری ماشین کارِش رو با پردازش اعداد و ارقام شروع کرد؛ بعد ما آدم‌های طمع‌کار راضیش کردیم که از ما متن هم قبول کنه (که در نتیجه علم پردازش زبان طبیعی یا NLP جانی تازه یافت)؛ بعد رفتیم سراغ تصویر و ویدیو (که بینایی ماشین رو متحول کرد).اما داستان به اینجا ختم نشد. از عنوان نوشته می‌تونید حدس بزنید که گام بعدی چی بوده. بله، پردازش گراف!البته همون‌طور که بینایی ماشین و پردازش متن پیش از ظهور یادگیری ماشین هم وجود داشتن، گراف‌ها هم دنیای بزرگ خودشونو داشتن و دارن. اما یادگیری ماشین می‌تونه این دنیا رو هم عوض کنه. در این نوشته نیم‌نگاهی به این ماجرا خواهیم داشت.گاهی گراف یک موجود زنده است!چند خط درباره گرافگراف‌ها رو همه جا میشه دید، فقط کافیه بهشون توجه کنیم. هر کجا که چند تا موجودیت با هم ارتباط داشته باشن، یه گراف شکل می‌گیره. اگه این موجودیت‌ها آدم‌ها باشن و ارتباطشون دوستی در شبکه اجتماعی، گراف شبکه اجتماعی رو خواهیم داشت. اگه این موجودیت‌ها کامپیوتر باشن و ارتباطشون لینک‌های شبکه، گراف شبکه کامپیوتری پدید میاد. اگه موجودیت‌ها صفحات وب باشن و ارتباطشون لینک بین این‌ها، گراف وب ایجاد میشه (همون گرافی که گوگل رو پول‌دار کرد) و ...یه نمونه خیلی ساده از گراف وب در شکل زیر رسم شده. این گراف نشون میده این صفحه‌ی ویرگول و لینکدین به همدیگه لینک دادن، و یه لینک یه طرفه هم از ویرگول به ویکی‌پدیا داده شده.اما هر گرافی رو میشه با یه زبان ریاضی مشترک نمایش داد و تحلیل کرد. این زبان ریاضی مشترک، نظریه گراف نامیده میشه که موضوع بحث ما نیست. اما برای ادامه این نوشته، فقط کافیه که بدونیم یک گراف رو میشه با یک ماتریس به اسم ماتریس مجاورت نشون داد. این ماتریس مشخص میکنه که کدوم گره‌ها (موجودیت‌ها) در گراف به هم متصل هستن.به بیان دیگه، ماتریس مجاورت همون گرافه که در قالب اعداد بیان شده و میتونه به عنوان ورودی به یک الگوریتم هوش مصنوعی داده بشه.مثالی برای اهالی وباجازه بدین چند تا از کاربردهای گراف رو هم در قالب همون مثالِ گراف وب مطرح کنم.یادآوری: در گراف وب هر صفحه اینترنتی میشه یک گره (node) و هر لینک بین دو صفحه میشه یک یال (edge).کلاس‌بندی گره‌ها: اگه همون رویه‌ی معمول در یادگیری ماشین رو دنبال کنیم، میشه بر مبنای اطلاعات یک صفحه (متن و عکس) کلاس‌بندی رو انجام داد (مثلاً محتوای آموزشی داره یا نه). اما اگه با عینک گراف به مسئله نگاه کنیم، میشه بر اساس این که کدوم صفحه‌ها به این صفحه لینک دادن، یا این صفحه به کدوم صفحه‌ها لینک داده، خروجی بهتری گرفت. برای نمونه من در این نوشته چند بار به ویکی‌پدیا لینک دادم، که این اطلاعات میتونه در مسئله کلاس‌بندی گره استفاده بشه.پیش‌بینی لینک: این که بین دو گره لینک وجود داره یا نه، بر اساس دانشی که از گره‌های مشابه به دست اومده، مسئله پیش‌بینی لینک رو تعریف می‌کنه. فرض کنید من یک صفحه جدید در بین میلیاردها صفحه وب ایجاد کردم. چقدر احتمال داره فلان سایت به من لینک بده، میشه یه نمونه از همین مسئله.کلاس‌بندی گراف: در این کاربرد نسبت به دو کاربرد قبلی یکم zoom out می‌کنیم و تمام گراف (یا زیرگراف) رو به عنوان یک رکورد دیتا در نظر می‌گیریم. برای مثال بخشی از گراف وب رو جدا می‌کنیم و به مدل میدیم تا بهمون بگه این بخش از گراف ویژگی مورد نظر ما رو داره یا نه.شکل زیر از اسلایدهای کورس آقای Jurij Leskovec از دانشگاه استنفورد برداشته شده که یک دوره عالی برای آشنایی با این حوزه است (لینک).انواع مسائل یادگیری گراف (اسلایدهای کورس دانشگاه استنفورد)در تلاش برای درک فرزنداندانش من از مبحث سیستم‌های پیچیده به کتاب محمدرضا شعبانعلی محدود میشه (لینک معرفی کتاب)، و در نتیجه قصد ندارم به این حوزه ورود کنم. اما دلم نمیاد که از اهمیت نظریه گراف در این جهان‌بینی جدید چیزی نگم. چند خط زیر از مقدمه‌ی فصل نانوشته‌ی شبکه‌ها و توپولوژی برداشته شده، که امیدواریم نویسنده فرصت کنه و این فصل رو هم بنویسه.چند خط از کتاب مقدمه‌ای بر سیستم‌های پیچیدهپس اگه به جملات کتاب استناد کنیم، یادگیری ماشین روی گراف راهی است برای شناخت عمیق‌تر فرزندان پیچیده‌ی ما، از ساختارهای مولکولی و پروتئینی گرفته تا اینترنت و شبکه‌های اجتماعی و زنجیره بلوکی و بی‌‌شمار پدیده جذاب دیگه، بر پایه داده‌هایی که ازشون استخراج کردیم.و اما یادگیری گرافگفتیم که گراف رو میشه با ماتریسی از اعداد نمایش داد. اما اکثر مقادیر این ماتریس صفره! چطور؟ گراف شبکه اجتماعی رو تصور کنید. هر کدوم از ما با بخش کوچکی از شبکه در ارتباط هستیم و در نتیجه تعداد یال‌های این شبکه نسبت به کل تعداد یال‌هایی که میشه رسم کرد، ناچیزه.بنابراین یکی از مهم‌ترین کارهایی که یک مدل یادگیری ماشین برای پردازش گراف باید انجام بده، استخراج یک ماتریس فشرده‌تر از ماتریس مجاورت است که خودِ این فرآیند نیز طبق روال معمول در سایر حوزه‌ها (مثل NLP) بر مبنای داده‌های موجود انجام میشه. شکل زیر یه طرح کلی از این فرآیند رو نشون میده که بهش میگن Node Embedding یا نهفته‌سازی گره‌ها.نهفته‌سازی گره‌ها (اسلایدهای کورس دانشگاه استنفورد)اگه علاقه‌مند به یادگیری این شاخه جذاب از علم هستین، کتاب زیر برای خودِ من خیلی آموزنده بود و مطالعه‌اش رو پیشنهاد می‌کنم. اگه منبع ارزشمند دیگه‌ای میشناسین، ممنون میشم در کامنت‌های این مطلب یا پست مربوطه در صفحه لینکدین من معرفی کنید. حمیدرضا مازندرانی حمیدرضا مازندرانی Tue, 01 Mar 2022 12:43:27 +0330 https://virgool.io/@nimnegah/%D8%AC%D9%87%D8%A7%D9%86%DB%8C-%D9%BE%D8%B1-%D8%A7%D8%B2-%D8%AF%D8%A7%D8%AF%D9%87-%D9%87%D8%A7%DB%8C-%D8%B3%D8%A7%D8%AE%D8%AA%DA%AF%DB%8C-zjugzcdtvra3 ماجرا چیست؟داده‌های ساختگی بخشی از واقعیت تلخ و شیرین بشر امروزی محسوب میشه.شاید فکر کنید جمله بالا رو دانشمندی که در عکس زیر لبخند به لب داره گفته باشه. اما چنین نیست و این جمله از خودمه! عکس زیر هم یه عکس ساختگیه که با یک سرویس آنلاین رایگان درست شده (لینک).در واقع این این نوشته تلاش می‌کنه جمله‌ی بالا رو به نوعی اثبات کنه. اما شاید بپرسید داده ساختگی چیست؟داده ساختگی یعنی هر داده‌ای که از جهان واقعی گرفته نشده. یک نمونه‌اش همون عکس بالا؛ یا هر متن، موزیک، ویدیو، یه سری از اعداد و ... که با الگوریتم‌های هوش مصنوعی ساخته شده.دیتا: دروازه‌ی دانشاهمیت داده (دیتا) بر کسی پوشیده نیست. شاید شکل بامزه‌ی زیر رو دیده باشین که نشون میده چطور از داده و اطلاعات، دانش استخراج می‌کنن و البته چیزهای دیگه‌ای مثل بینش و خرد هم به تدریج بهش اضافه کردن.خلاصه اینکه داده نخستین گام در مسیر رسیدن به بینش، پول، قدرت و کلی چیزهای وسوسه‌انگیز دیگه است.اما داده چطور به دست میاد؟ از اتفاقاتی که در جهان واقعی می‌افته: تعامل کاربران با سایت‌‌ها، مسیر حرکت خودروها در خیابون، سنسورهایی که دما و رطوبت محیط رو ثبت می‌کنن و …خوشبختانه این روزها داده به وفور در دسترسه: شبکه جهانی اینترنت و به طور خاص اینترنت اشیاء (برای مثال سنسورهایی که به شبکه متصل شدن) روزانه حجم باورنکردنی دیتا تولید می‌کنن و با این حساب دور از ذهنه که به دنبال داده ساختگی باشیم.اما چنین نیست و دلایل اهمیت داده ساختگی رو در ادامه میگیم. البته قبلاً در پیش‌بینی روندهای هوش مصنوعی هم به این موضوع اشاره کرده بودم.داده تولید میشه، ...... اما نه برای ما!چند خط بالاتر اشاره کردم که اینترنت و اینترنت اشیاء روزانه حجم باورنکردنی دیتا تولید می‌کنن، اما خیلی از این داده‌ها به جیب ما نخواهد رفت. در واقع این روزها داده یه ارزش تجاری پیدا کرده و حتی مفهومی به اسم بازارچه داده (Data Marketplace) پدید اومده که صاحبان کسب و کار میتونن داده‌های مشتریان خودشون رو به خرید و فروش بذارن.طبیعتاً نگرانی از نقض حریم خصوصی هم وجود داره اما مثل خیلی چیزهای دیگه، قانونی شدن این موضوع ممکنه جلوی تشکیل بازار سیاه دیتا رو بگیره و سطحی از نظارت رو فراهم کنه. البته طبیعتاً پرداختن به جوانب حقوقی و اجتماعی این موضوع در تخصص من نیست.... اما بدون برچسب!بله، باز هم تکرار می‌کنیم که داده زیادی تولید میشه، و احتمالاً با روش‌های یادگیری بدون نظارت و خودنظارت‌شده بتونیم تحلیل‌های ارزشمندی روی این دیتا انجام بدیم که از موضوع بحث ما خارجه. اما در هر حال، برچسب (لیبل) نقش مهمی در هوش مصنوعی ایفا میکنه و خواهد کرد.چند خط زیر از مصاحبه آقای Rev Lebaredian از شرکت انویدیا مفهوم رو به خوبی می‌رسونه. این چند خط درباره طراحی روبات‌هاییه که دومینو می‌چینن.شما می‌توانید گوگل را جستجو کنید و در آن‌جا تصاویر زیادی از دومینوها پیدا خواهید کرد، اما هیچ یک از آنها برچسب‌گذاری نشده‌اند. یک انسان باید برچسب هر دومینو و جهت آن را تعیین کند، و این یک کار کاملاً یدی [دستی] است.ربات dominator که میتونه صدهزار دومینو رو در 24 ساعت بچینه.... اما نه با تنوع لازم!حتی اگه داده کافی در اختیار داشته باشیم و برچسب‌گذاری هم شده باشه، اما گاهی این داده‌ها همه توزیع آماری رو پوشش نمی‌دن، به خصوص اتفاقات نامطلوب و پرهزینه.در ادامه همون مصاحبه بالا، این موضوع مطرح میشه:برای چیزهای پیچیده‌تری مانند خودروهای خودران، مقدار داده‌ای که ما نیاز داریم، و دقت و تنوع آن داده‌ها، به نحوی است که به دست آوردن آن از دنیای واقعی غیرممکن است.برای مثال، خودروهای خودران باید صحنه‌های زیادی از تصادف دیده باشن تا بتونن در چنین شرایطی عملکرد خوبی از خودشون نشون بدن؛ یا مثلاً سیستم‌های تشخیص جنایت.راهکار چیست؟همه‌ی دلایلی که ذکر شد، و شاید دلایل دیگه‌ای که به ذهن من نرسیده، به ما انگیزه میدن که رو به ساختن دیتای مصنوعی بیاریم. اما چگونه؟پاسخ کوتاه: با الگوریتم‌های هوش مصنوعی مولّد!منتها پاسخ بلند یکم نیاز به پیش‌زمینه تخصصی داره:مدل‌های یادگیری ماشین در طول عمرشون که کمتر از یه قرنه،‌ همیشه با این هدف ساخته میشدن که توزیع احتمال شرطی رو بفهمن. یعنی اگه فلان ورودی رو داشته باشیم، خروجی چی میشه: مثلاً ورودی رو میتونین یه عکس تصور کنید و خروجی هم این که آیا این عکس داخلش آدم حضور داره یا نه.اما کمتر از یه دهه است که این تصور به لطف تلاش‌های دانشمندان عوض شده و حالا از مدل‌های یادگیر میخوایم که توزیع احتمال مشترک رو درک کنن. مثلاً چه مجموعه از پیکسل‌های رنگی در یک عکس میتونه چهره یه انسان رو به وجود بیاره. همون شکلی که در ابتدای مطلب قرار دادم یه چنین داستانی داره. به عبارتی، مدل دونه‌دونه پیکسل‌ها رو از اول خودش ساخته.مدل‌هایی که می‌تونن توزیع احتمال مشترک رو یاد بگیرن، مدل‌های مولّد نام دارن که گل سرسبدشون هم در حال حاضر، شبکه‌های مولد تخاصمی (GAN یا به اختصار گن) به شمار میاد.شبکه‌های گن، از دو تا مدل یادگیر تشکیل میشن که:یکیشون دیتای ساختگی تولید میکنه؛اون یکی سعی میکنه تفاوت داده‌های ساختگی رو با داده واقعی تشخیص بده.حالا به قول دوستم رامین رحیمی، "این مدل‌ها رو به جون هم می‌اندازیم" که همین باعث شده بهشون صفت تخاصمی رو اطلاق کنیم. این دو مدل در رقابت با همدیگه قدرتمند میشن، اما چیزی که در نهایت مورد نیاز ماست، مدل اولی خواهد بود که دیتای ساختگی تولید میکنه و جهان آینده رو میسازه.کال تو اکشن!اگه علاقه‌مند هستین درباره شبکه‌های مولّد بیش‌تر بدونین، کافیه به من پیغام بدین. من حمیدرضا مازندرانی هستم و سال‌های ساله که در زمینه شبکه‌های کامپیوتری و هوش مصنوعی می‌خونم و می‌نویسم.اگه دست به کد هم هستین، آقای رامین فردوس (دومین رامینی که در این نوشته بهش ارجاع دادم!) مجموعه‌ای از گن‌ها رو در پیج گیت‌هاب خودش طراحی کرده که از گنِ تولید اعداد فرد شروع شده و به ساختن عکس رسیده.اگه این مطلب رو دوست داشتین، شاید از مطلب قبلی‌ام با عنوان نیم‌نگاهی به هوش مصنوعی داده‌محور: یکی دیتای خوب به از صد هزار درباره اهمیت داده در هوش مصنوعی هم بدتون نیاد. حمیدرضا مازندرانی حمیدرضا مازندرانی Sat, 26 Feb 2022 20:11:09 +0330 https://virgool.io/@nimnegah/%D9%86%DB%8C%D9%85-%D9%86%DA%AF%D8%A7%D9%87%DB%8C-%D8%A8%D9%87-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%AF%D8%A7%D8%AF%D9%87-%D9%85%D8%AD%D9%88%D8%B1-%DB%8C%DA%A9%DB%8C-%D8%AF%DB%8C%D8%AA%D8%A7%DB%8C-%D8%AE%D9%88%D8%A8-%D8%A8%D9%87-%D8%A7%D8%B2-%D8%B5%D8%AF-%D9%87%D8%B2%D8%A7%D8%B1-tmwus5bilhvf ماجرا چیست؟در مطلبی که با موضوع روندهای هوش مصنوعی در سال 2022 نوشته بودم، پیش‌بینی کردم که رویکرد هوش مصنوعی داده‌محور کم‌کم جای خودش رو در بین اهالی این حوزه باز خواهد کرد.واژه داده‌محور رو معادل با Data-Centric گرفتم ولی شاید ترجمه دقیقی نباشه. میشه گفت داده‌مرکز ولی اینم خیلی به دل نمی‌شینه. حالا فارغ از این که ترجمه درست چی باشه، ببینیم مفهوم Data-Centric AI چیه؟به طور خلاصه:ایده اصلی رویکرد هوش مصنوعی داده‌محور اینه که دست از سر مدل‌های یادگیر برداریم و کمی هم به داده‌ها توجه کنیم و حتی مهندسی‌شون بکنیم!در این نوشته کوتاه تلاش دارم این موضوع رو تشریح کنم و امیدوارم بتونم این کار رو به خوبی انجام بدم.مهندسیِ دادهدر دانشگاه یه شوخی با بچه‌های ‌هم‌دوره داریم مبنی بر این که هنگام رسم خروجی مقاله باید مهندسی داده انجام بدیم! به هر حال بعضی نمودارا باید یکم جابجا بشن تا باورپذیر بشن (:چشمک). البته ما هیچ‌گاه اعتبار علمی خودمون رو با این کار پایین نیاوردیم و این صرفاً یک شوخی برای تحمل‌پذیر کردن دوره فرسایشی و طاقت‌فرسای دکترا بود.اما اندرو ان‌جی، چهره مشهور دنیای هوش مصنوعی که اصطلاح هوش مصنوعی داده‌محور رو سر زبون‌ها انداخته، باور داره که مهندسی داده کار خوبیه و حتی لازمه (البته نه در خروجی مقاله!). در شکل زیر که از یکی از سخنرانی‌های ایشون برداشتم، مفهوم رو به خوبی روشن میکنه.ردیف بالا مراحل توسعه نرم‌افزارهای سنتی رو نشون میده که در حال حاضر پروژه‌های یادگیری ماشین هم عموماً از همین طرز فکر پیروی می‌کنن: تعریف پروژه، کدنویسی و عرضه محصول.اما ردیف پایین رویکرد صحیح رو برای محصولات هوش مصنوعی نشون میده: گاهی موقعی که داریم مدل یادگیری ماشین رو آموزش میدیم یا حتی اون موقع که محصول پیاده‌سازی شده و دست مشتریه، بهتره برگردیم عقب و با یک نگرش جدید دوباره داده جمع‌آوری کنیم.از Big Data به Good Dataپیشنهاد می‌کنم مصاحبه اخیر اندرو ان‌جی رو که با وب‌سایت IEEE Spectrum انجام شده بخونید.عمده گفتگو به شفاف‌سازی درباره همین مفهوم هوش مصنوعی داده‌محور اختصاص داره. در ادامه بخش‌هایی از صحبت‌های اندرو ان‌جی رو نقل به مضمون می‌کنم:هوش مصنوعی داده‌محور، مهندسی سیستماتیک داده‌هایی است که برای ساخت موفقیت‌آمیز یک سیستم هوش مصنوعی مورد نیازه.برای بسیاری از کاربردهای عملی (حالا که مدل‌ها به توانایی خوبی رسیدن)، ثابت نگه داشتن معماری شبکه عصبی و یافتن راه‌کارهایی برای بهبود داده‌ها مفیدتره.معماری‌هایی که برای صدها میلیون تصویر ساخته شده‌اند با تنها 50 تصویر کار نمی‌کنند. اما به نظر می‌رسد، اگر 50 نمونه‌ی واقعاً خوب داشته باشید، می‌توانید چیزی ارزشمند بسازید. در بسیاری از صنایع که مجموعه‌های داده خیلی بزرگ به سادگی وجود ندارند، فکر می‌کنم تمرکز باید از کلان‌داده به خوب‌داده تغییر کنه. داشتن 50 مثالِ به دقت مهندسی‌شده می‌تواند برای توضیح آنچه می‌خواهید شبکه عصبی بیاموزد کافی باشد.سخن آخرمی‌دونیم که اغلب پروژه‌های یادگیری ماشین با بارگذاری دیتاست شروع میشن. البته در طول اجرای پروژه تغییراتی هم در دیتاست اعمال می‌شه (مثلاً اضافه کردن ویژگی‌های جدید) اما فایل اصلی دیتاست معمولاً دست نمی‌خوره. هوش مصنوعی داده‌محور قراره به شکل اصولی به ما کمک کنه تا بتونیم فایل اصلی رو هم بهبود بدیم. همین!پی‌نوشت: عنوان این نوشته رو از این بیت زیبای منسوب به فردوسی الهام گرفتم:سیاهی لشکر نیاید به کار / یکی مرد جنگی به از صد هزار حمیدرضا مازندرانی حمیدرضا مازندرانی Tue, 15 Feb 2022 11:28:10 +0330