پادکست هوش مصنوعی | AI Natives

اطلاعات بیشتر در تلگرام:https://t.me/ai_nativesدر این اپیزود از پادکست AI Natives، به سراغ پوریا رفتیم تا درباره مسیر ورود به AI Engineering از زاویه تجربه واقعی یک مهندس نرم‌افزار صحبت کنیم؛ از تفاوت بین ساخت یک دمو و رساندن یک AI System یا AI Agent به Production گرفته تا مهارت‌هایی که برای ساخت سیستم‌های هوش مصنوعی واقعی لازم است. در این گفتگو درباره AI Agents، Voice Agents، LLM APIها، RAG، Embeddings، Vector Database، Evaluation و Tool Calling صحبت می‌کنیم و تجربه استفاده از تکنولوژی‌هایی مثل APIهای مدل‌های زبانی، مدل‌های Open Source و Closed Source و انتخاب مدل بر اساس کیفیت، سرعت و هزینه را بررسی می‌کنیم. همچنین درباره تفاوت مسیر Software Engineering، Machine Learning و AI Engineering، اهمیت Software Engineering Fundamentals، نحوه یادگیری این مهارت‌ها، تجربه ساخت محصولات AI و چالش‌های انتقال از Prototype به Production صحبت می‌کنیم. اگر به دنبال یادگیری AI Engineering، ساخت AI Agent، مسیر شغلی AI Engineer یا توسعه محصولات مبتنی بر LLM هستید، این گفتگو می‌تواند تصویر واقعی‌تری از مهارت‌ها و چالش‌های این مسیر ارائه دهد.لینک سایت و لینکدین پوریا جهاندیده:pjsofts.github.io  / pouria-jahandideh  مباحث کلیدی این ویدئو:00:00 چرا AI Agentها این‌قدر مهم شده‌اند؟02:30 کاربرد AI در محصولات و Voice Agentها05:20 AI Engineering؛ فراتر از هایپ و ابزارها07:40 اهمیت Software Engineering Fundamentals برای AI Engineer09:50 Embeddings، RAG و Vector Database11:20 Evaluation و ارزیابی سیستم‌های AI12:00 مسیر یادگیری و تجربه ساخت اولین AI Agent15:00 انتخاب مدل؛ Open Source یا Closed Source؟16:50 تفاوت Software Engineer، ML Engineer و AI Engineer18:00 مدل‌های Local، Privacy و محرمانگی داده20:40 AI Agentها، Tool Calling و اتوماسیون فرایندها24:00 از Prompt و RAG تا Fine-tuning و Training28:00 بهینه‌سازی مدل، سرعت، هزینه و مصرف منابع32:40 انتخاب مدل مناسب برای هر Use Case34:50 طراحی Agent و معماری سیستم‌های AI38:00 مدل‌های Local، Fine-tuning و ساخت از صفر40:00 چه زمانی باید از تکنولوژی آماده استفاده کنیم؟41:50 تقویت مهارت‌های مهندسی و یادگیری از پروژه‌های واقعی44:00 Spec-driven Development و آینده توسعه نرم‌افزار46:00 Data-Intensive Applications و منابع یادگیری48:00 چرا Engineering Skills برای همه نقش‌های فنی مهم است؟📌 آدرس شبکه‌های اجتماعی:✅ Telegram Channel: https://t.me/ai_natives✅ Instagram:   / ainatives  #هوش_مصنوعی #مهندسی_هوش_مصنوعی #ایجنت #ایجنت_هوش_مصنوعی #مهندسی_نرم_افزار #یادگیری_ماشین #مهندسی_داده #RAG #LLM #AIEngineering #AIAgents #MachineLearning #SoftwareEngineering #GenerativeAI #DataEngineering #AINatives

اطلاعات بیشتر در تلگرام:https://t.me/ai_nativesدر این اپیزود از پادکست، به سراغ سجاد، مدیر تیم تحلیل داده گروه زر رفتیم تا داستان جذاب تحول دیجیتال و داده‌محور شدن یکی از بزرگترین هلدینگ‌های تولیدی ایران را بشنویم. در این گفتگو، چالش‌های تغییر فرهنگ سازمانی، مهاجرت از سیستم‌های سنتی به Power BI، بهینه‌سازی فرآیندهای ETL با SSIS و پیاده‌سازی معماری Data Mesh بررسی شده است. همچنین به پروژه‌های نوآورانه این تیم از جمله توسعه ابزارهای مبتنی بر هوش مصنوعی (AI) و یادگیری ماشین برای ساخت داشبورد با پرامپت‌های فارسی و تولید بینش‌های متنی (Insights) برای مدیران ارشد پرداخته‌ایم. اگر در حوزه علم داده، هوش تجاری (BI) یا مهندسی داده فعالیت می‌کنید، این انتقال تجربه از پیاده‌سازی سیستم‌های کلان‌داده در صنعت را از دست ندهید.لینک حمایت از ما:https://reymit.ir/ai_nativesآدرس لینکدین سجاد مفوض:https://www.linkedin.com/in/sajjad-mofavaz/مباحث کلیدی این ویدئو:00:00 هایلایت و مقدمه اپیزود01:07 خوش‌آمدگویی و معرفی مهمان (مدیر تحلیل داده گروه زر)02:00 تفاوت فرهنگ داده در شرکت‌های خدماتی (بیمه) و تولیدی04:10 غلبه بر مقاومت سازمانی در پیاده‌سازی هوش تجاری08:40 چالش‌های فنی: انتخاب بین SAP Lumira و Power BI12:20حل مشکل کندی ETL و حجم داده‌ها با SSIS و SQL Server14:50 حجم داده‌ها، ماژول‌های SAP و استراتژی Data Mesh18:20 تاثیر BI در تصمیم‌گیری مدیران ارشد و ایجاد یکپارچگی داده‌ها20:20 پروژه‌های نوآورانه: داشبوردساز با زبان فارسی و بینش‌ساز متنی24:30 کاربرد هوش مصنوعی و مدل‌های یادگیری ماشین در تحلیل داده29:30 مدیریت تیم دیتا: ایجاد فضای امن برای توسعه و نوآوری37:40 نقشه راه ورود به بازار کار علم داده و شرایط کارآموزی📌 آدرس شبکه‌های اجتماعی:✅ Telegram Channel: https://t.me/ai_natives✅ Instagram: https://www.instagram.com/ainatives#علم_داده #هوش_تجاری #هوش_مصنوعی #پاور_بی_آی #تحلیل_داده #مهندسی_داده #پادکست_تکنولوژی #گروه_زر #یادگیری_ماشین #DataScience #BusinessIntelligence #PowerBI #ArtificialIntelligence #DataAnalytics #DataMesh

اطلاعات بیشتر در تلگرام:https://t.me/ai_nativesدر این اپیزود میزبان مجتبی، مدیر تیم دیتا و هوش تجاری (BI) اسنپ کیچن هستیم تا به عمق استفاده از داده‌ها در مدیریت روزانه بیش از ۱۲ هزار سفارش غذا بپردازیم. مجتبی مسیر بلوغ دیتایی اسنپ کیچن را از راه‌اندازی اولیه انبار داده (Data Warehouse) و طراحی داشبوردهای مدیریتی تا رسیدن به اتوماسیون و استفاده از هوش مصنوعی شرح می‌دهد. در بخش جذاب این گفتگو، درباره پروژه‌های نوآورانه‌ای مثل استفاده از مدل‌های زبانی بزرگ (LLMs) برای تحلیل خودکار کامنت‌های مشتریان، تولید محتوای اینستاگرام با هوش مصنوعی و سیستم‌های پروفایلینگ کاربران صحبت می‌کنیم. اگر علاقه‌مندید بدانید در لایه فنی شرکت‌های بزرگ تک ایران چه می‌گذرد و یا به دنبال توصیه‌هایی کاربردی برای ورود حرفه‌ای به بازار کار دیتا هستید، این گفتگو را از دست ندهید.لینک حمایت از ما:https://reymit.ir/ai_nativesآدرس لینکدین مجتبی پرستاری:https://www.linkedin.com/in/mojtaba-parastari-b01b57175/مباحث کلیدی این ویدئو:00:00 مقدمه و آشنایی با مهمان05:00مدل کسب‌وکاره اسنپ کیچن (Cloud Kitchen) و حجم بازار12:00 ساختار تیم دیتا و تعامل BI با Data Science15:00 گام اول: ساخت Data Warehouse و فرهنگ‌سازی استفاده از داشبوردها26:00 پروژه‌های ماشین لرنینگ: پیش‌بینی تقاضا و کاهش دورریز غذا33:00 استفاده از LLM برای تگ‌گذاری و تحلیل کامنت‌های مشتریان36:00 تولید محتوای اینستاگرام با فاین‌تیون کردن مدل‌های زبانی40:00 استراتژی استفاده از APIها در برابر آموزش مدل از صفر41:00 پروژه آینده: مانیتورینگ بهره‌وری پرسنل با بینایی ماشین (YOLO)46:00 مارکتینگ تکنولوژی (MarTech) و پروفایلینگ دقیق کاربران برای تبلیغات54:00 اهمیت مهارت پرامپت نویسی (Prompt Engineering)56:00 توصیه مهم به جونیورها: حل مشکلات بیزینس مقدم بر ابزارگرایی📌 آدرس شبکه‌های اجتماعی:✅ Telegram Channel: https://t.me/ai_natives✅ Instagram: https://www.instagram.com/ainatives#علم_داده #هوش_مصنوعی #اسنپ_کیچن #هوش_تجاری #دیتاساینس #ماشین_لرنینگ #پادکست_دیتا #مدل_زبانی #LLM #DataScience #BusinessIntelligence #SnappKitchen #AI #MachineLearning

اطلاعات بیشتر در تلگرام:https://t.me/ai_nativesآیا تا به حال پروژه‌ای انجام داده‌اید که با وجود تحلیل دقیق داده‌ها، کارفرما یا مدیر از نتیجه راضی نباشد؟ واقعیت این است که مهارت تحلیل داده (Data Analysis) بدون درک عمیق از تحلیل کسب‌وک‌ار (Business Analysis)، اغلب به بن‌بست می‌رسد.در این اپیزود ویژه، به سراغ یکی از حیاتی‌ترین و البته نادیده‌گرفته‌شده‌ترین مهارت‌ها در دنیای دیتا رفته‌ایم. با مهمان برنامه، مجید (متخصص تحلیل کسب‌وک‌ار و داده)، بررسی می‌کنیم که چرا یادگیری مفاهیم BA و استاندارد BABOK برای هر کسی که با داده کار می‌کند، یک "باید" است.ما در این گفتگو به چالش‌های واقعی در سازمان‌های ایرانی، اهمیت مدیریت ذینفعان (Stakeholder Management) و تفاوت نگاه فرآیندی با نگاه ابزاری می‌پردازیم. اگر می‌خواهید بدانید چگونه قبل از شیرجه زدن در دیتابیس، نیاز واقعی کسب‌وک‌ار را کشف کنید و ارزش‌آفرینی کنید، این ویدئو برای شماست.اگر این محتوا برایتان مفید بود، حتماً ویدئو را لایک کنید و نظرات خودتان را درباره تجربه استفاده از مهارت‌های بیزینسی در پروژه‌های دیتا برای ما بنویسید.لینک حمایت از ما:https://reymit.ir/ai_natives

در این ویدیو به سراغ داستان جذاب و واقعی داده‌محور شدن یکی از بزرگترین غول‌های صنعتی ایران، یعنی گروه مپنا رفته‌ایم. برخلاف شرکت‌های نرم‌افزاری و استارتاپ‌ها، پیاده‌سازی هوش تجاری (BI) و علم داده (Data Science) در صنایع تولیدی و کلان، چالش‌های منحصر‌به‌فردی دارد. رضا قاسمی، مدیر تیم Data & BI مپنا، در این گفتگو تجربیات ارزشمند خود را از مسیر بلوغ داده در این سازمان بازگو می‌کند؛ از شروع کار با اکسل و کلیک‌ویو (QlikView) تا استقرار انبار داده (Data Warehouse) و ورود موفق به دنیای ماشین لرنینگ (Machine Learning). اگر می‌خواهید بدانید چگونه می‌توان بر چالش‌هایی مثل مقاومت فرهنگی غلبه کرد، کیفیت داده‌ها را در سیستم‌هایی مثل SAP مدیریت نمود و پروژه‌های هوش مصنوعی را در مقیاس سازمانی اجرا کرد، این گفتگوی تخصصی حاوی نکات کلیدی و کاربردی برای شماست.