ایستگاه هوش مصنوعی

تو این قسمت از پادکست می‌خوام به یک سؤال بپردازم. سؤالی که از دوره ارشد برام وجود داشت و بهش فکر می‌کردم. بخش‌های مهم یک سیستم یادگیری عمیق چه چیزهایی هستند؟ یعنی اگر من یک مقاله یا روش جدید هوش‌مصنوعی رو خوندم، چه بخش‌هایی وجود دارند که معمولاً مهم‌ترن؟ کدوم بخش‌ها هستند که میشه ازشون ایده گرفت؟ به یک معنای دیگه اگر بخوام بگم، چطوری میشه به یادگیری عمیق به عنوان یک سیستم نگاه کرد؟ این سیستم چه اجزایی داره و هر جزء چگونه با بقیه بخش‌ها ارتباط برقرار می‌کنه؟ هدف این سیستم چیه و چطوری خودش رو به این هدف نزدیک می‌کنه؟ چطوری می‌فهمیم که به هدف نزدیک شده یا نه؟چطوری می‌تونیم با نگاهی متفاوت توضیح بدیم که یادگیری عمیق چیه؟ و فلان روش جدید یادگیری عمیق چه دستاوردی در چه حوزه‌ای داشته؟ یا این که فلان روش جدید کجای این سیستم قرار می‌گیره و کجا به درد خورده؟اینها سؤالاتی هست که امیدوارم بتونم بهشون پاسخ بدم. https://aprd.ir/ai-station-e16-deep-learning-system

چگونه می‌توان هوش مصنوعی رو در سازمان‌های بزرگ اجرا کرد؟این سوالی هست که این قسمت حولش شکل گرفته و در این قسمت با آقای صفاریان‌زاده حول چالش‌ها و پروسه شکل‌گیری محصول در دنیای هوش مصنوعی صحبت کردیم. از این که با چه چالش‌هایی دست و پنجه نرم‌ کردند و چه راه‌حل‌هایی براش دادند. و فرآیند هشت مرحله‌ای‌شون رو در توسعه یک محصول رو برامون باز کردند. در آخر هم راجع به مسیر شغلی در هوش مصنوعی کمی گپ زدیم. به نظرم به طور خاص این قسمت برای مدیران محصول در زمینه هوش مصنوعی می‌تونه مفید باشه.https://aprd.ir/ai-station-e15-saffarian-apply-ai

سلام. من امیر پورمند هستم و این قسمت چهاردهم از ایستگاه هوش مصنوعیه. تقریباً یک سالی میشه که این پادکست رو درست کردم و فیدبک‌های خوب‌تون رو جاهای مختلف گرفتم و انگیزه‌ای شده برای ادامه کارها. خیلی ممنون که گوش می‌دید و همراهی می‌کنید. لطفاً اگر موضوع یا موضوعاتی هم براتون دغدغه هست بهم بگید که اگر بلد بودم راجع بهش صحبت کنم. تو این قسمت می‌خوام راجع به تفاوت‌های هوش مصنوعی در صنعت و دانشگاه صحبت کنم.این یکی از دوگانه‌هایی هست که زیاد تو دانشگاه با دوستان راجع بهش صحبت کردیم. بعداً هم که وارد صنعت شدم دیدم که همین بحث مجدداً وجود داره. اهمیت این بحث برام از تجربه شخصی میاد. راستش من تو اوایل دوره ارشد درک درستی از کارکرد این دو تا سیستم نداشتم. برای همین خیلی به ارتباط بین صنعت و دانشگاه فکر می‌کردم و اصلاً نمی‌فهمیدم خواسته دانشگاه از یه دانشجوی ارشد چیه. خواسته صنعت از کسی که پروژه انجام میده چیه.همون داستان متداول ما ایرانی‌هاست دیگه. هر جایی قدرت و حوصله انتخاب کردن رو نداریم می‌گیم که یه چیزی بینابینی باشه حتماً بهتره. می‌خواستم هم خدا رو داشته باشم هم خرما. اما میشه گفت هیچ کدوم رو بدست نیاوردم. بخاطر همین می‌خواستم تو این قسمت تفاوت‌ها و اهداف این دو تا سیستم رو بیشتر شفاف کنم. یکی این که فضا باز بشه برای گفتگوی بیشتر و دیگری هم این که شاید کمکی بشه به کسی که می‌خواد با دید صنعتی به حوزه آکادمیک بیاد یا این که کسی بعد فارغ‌التحصیلی وارد بازار کار بشه. یا کسی که می‌خواد تز ارشدش رو تعریف بکنه. https://aprd.ir/ai-station-e14-academia-vs-industry

سلام. تو این قسمت با یکی دیگه از دوستانم به نام محمدعلی صدرایی در خدمتتون هستم و راجع به موارد زیر با هم حرف زدیم.از سابقه محمدعلی شروع کردیم و سری به دنیای مدل‌های زبانی بزرگ زدیم و کمی هم راجع به زبان و ویژگی‌های اون صحبت کردیم. بعد از اون راجع به کاری که محمدعلی روی زبان تاجیکی انجام داده صحبت کردیم و به مشکلات و سختی‌های ایران در زمینه سخت‌افزاری اشاره کردیم.همچنین محمدعلی تجربه کار کردن با مدل‌های زبانی و آموزش اونها رو داشته که راجع بهشون گپ زدیم. تاریخچه جالبی هم از مدل‌های زبانی طبیعی تو ذهنش داشت که برام گفت. در نهایت هم کمی راجع به مسیر شغلی در این حوزه و چالش‌های اون صحبت کردیم.امیدوارم که براتون مفید باشه.https://aprd.ir/ai-station-e13-sadraei-nlp/

تو قسمت قبل راجع به چند تا از چالش‌هایی که موقع کارکردن با مدل‌های زبانی بزرگ پیش میاد صحبت کردیم. تو این قسمت می‌خوام بخش دوم این چالش‌ها رو بگم.علت این که دو قسمت صحبت می‌کنم اینه که به اندازه کافی به مزایای LLMها پرداخته شده و خیلی‌ها راجع بهش حرف زدند. شما الان هر شبکه‌ اجتماعی‌ای رو باز کنید، کلی آدم راجع به مزایای این ابزارها صحبت می‌کنند. چیزی که کمتر راجع بهش صحبت می‌شه ضعف‌ها هست. همین هم هست که وقتی می‌خوایم با این مدل‌ها محصول بسازیم؛ چون هیچ درکی از ضعف‌هاش نداریم و صرفاً چند تا کلیپ از قسمت خوب ماجرا رو دیدیم، دچار مشکل میشیم. البته OpenAI وظیفه‌اش هست که اغراق کنه و خودش رو خوب نشون بده. ولی من به شخصه تعهدی نسبت به OpenAI ندارم :) پس تو این قسمت هم طبق روال قسمت قبل راجع به ضعف‌های مدل‌های زبانی صحبت می‌کنیم و کم‌کم بحث رو جمع می‌کنیم. https://aprd.ir/ai-station-e12-llm-limitations-part2

در این قسمت با مهدی آخی راجع به مدل‌های زبانی بزرگ، صحبت کردم. بحث رو از سابقه مهدی شروع کردیم و کم‌کم راجع به کاربردهای مختلف هوش مصنوعی و به خصوص مدل‌های زبانی بزرگ صحبت کردیم و به بیکار شدن آدم‌ها هم رسیدیم. کمی هم راجع به چالش‌های واقعی کار کردن با این مدل‌ها در صنعت صحبت کردیم و نهایتاً هم مهدی پیشنهادهایی برای ساخت مرحله مرحله محصول با این مدل‌ها میده و بحث رو جمع می‌کنیم.این قسمت بصورت تصویری ضبط شده و در یوتیوب هم آپلود شده. اگر دوست دارید بصورت تصویری مشاهده کنید، می‌تونید از اینجا ببینید.https://aprd.ir/ai-station-e11-mahdi-akhi-llm/

سلام. من امیر پورمند هستم و این قسمت دهم از ایستگاه هوش مصنوعیه. تو قسمت قبل مدل‌های زبانی بزرگ رو به دانشجویی تشبیه کردم که تازه از دانشگاه فارغ‌التحصیل شده و حالا می‌خواد وارد بازار کار بشه. قطعاً سواد دانشجوی تازه فارغ‌التحصیل شده با نیازهای صنعت متفاوته. حالا می‌خوام راجع به این صحبت کنیم که این دانشجوی ما (یا همون مدل‌های زبانی بزرگ) چه ضعف‌هایی داره و چطوری میشه ضعف‌هاش رو برطرف کرد؟با این که صحبت‌کردن در مورد نقاط ضعف این مدل‌ها سخت‌تره. به نظرم نقاط ضعف خیلی بهتر می‌تونند مسیر رو بهمون نشون بدن که اگر خواستیم مدل‌های زبانی رو تو صنعت خودمون پیاده‌سازی کنیم، باید حواسمون به چه چیزهایی باشه؟ اگر خلاصه کنم دوست دارم در این قسمت راجع به این صحبت کنم که چالش‌های این حوزه چیه و چه راه‌حل‌هایی برای برطرف کردن اون چالش‌ها مطرح شده؟ https://aprd.ir/ai-station-e10-llm-limitations-part1

سلام. من امیر پورمند هستم و این قسمت نهم از ایستگاه هوش مصنوعیه. تو قسمت‌های قبل راجع به مدل‌های زبانی بزرگ حرف‌هایی زدیم ولی هرگز نگفتم که مدل زبانی چیه و چطوری درست شده. تو این قسمت می‌خوام راجع به این صحبت کنم. واقعاً هم نمی‌خوام بحث تئوری کنم. می‌خوام راجع به این‌ها صحبت کنم که وقتی قسمت‌های بعد راجع به نقاط ضعف و محدویت‌های مدل‌های زبانی صحبت کردم، یه ایده‌ای داشته باشید که چرا این نقاط ضعف بوجود اومدند یا حتی اینطوری خودتون می‌تونید راجع به کاربردهای این مدل‌ها تو صنعت خودتون بهتر فکر کنید. در واقع این قسمت معرفی مدل‌های زبانی بزرگ بر مبنای یک داستانه. داستان دانش‌آموزی که میره دبستان، خوندن و نوشتن یاد می‌گیره. بعد تو دبیرستان، یک سری مفاهیم رو از بر می‌کنه و تو دانشگاه نحوه تعامل با آدم‌ها رو یاد می‌گیره. همچنین قبلاً هم این پست راجع به مدل‌های زبانی نوشتم و بعضی چیزهایی که میگم رو اون‌جا با شکل توضیح دادم. در واقع یک چیز رو با دو بیان مختلف گفتم:https://aprd.ir/large-language-models-training/متن این قسمت رو هم می‌تونید در اینجا بصورت کامل ببینید:https://aprd.ir/ai-station-e09-llm-training/

تو این قسمت می‌خوام راجع به نکاتی در مورد به کاربردن مدل‌های زبانی بزرگ وجود داره، صحبت کنم و تجربیات خودم و مقالات و وبلاگ‌هایی که تو این زمینه خوندم رو می‌گم. به نظرم این قسمت، قسمت خاصی هست چون حتی اگر نخواهید بدونید که مدل های زبانی چطوری درست شدند و چه آینده‌ای براشون متصور میشه، می‌تونید این قسمت رو بصورت مستقل گوش بدید. کاربردش هم از این نظر هست که هر کسی تو هر شغلی می‌تونه کاربردهایی از مدل‌های زبانی بزرگ برای خودش پیدا کنه و لازمه که بدونه چطوری با مدل‌ها کار کنه که بتونه مناسب‌ترین خروجی رو ازشون بگیره. اگر بخوام خلاصه کنم تو این قسمت کلاً راجع به Prompt Engineering صحبت کردم. https://aprd.ir/ai-station-e08-prompt-engineering/

بخشی از این خلاصه توسط هوش‌مصنوعی تولید شده است!‌سلام، من امیر پورمند هستم و در این قسمت از پادکست ایستگاه هوش مصنوعی، قصد دارم درباره کاربردهای مدل‌های زبانی بزرگ مثل چت‌پی‌تی صحبت کنم. از دو سال پیش که این مدل‌ها معرفی شدند، هر روز مدت زمانی را با آن‌ها صرف می‌کنم و می‌خواستم تجربه‌ها و افکارم را با شما به اشتراک بگذارم. در این قسمت به بیان تاثیرات این مدل‌ها در زندگی روزمره و کاربردهای مختلف آن‌ها پرداختم.تو این قسمت به کاربردهایی که این مدل‌ها برای استفاده شخصی و استفاده صنعتی دارند، اشاره کردم و گفتم که چه ایده‌هایی تا به حال حول این ایده‌ها شکل گرفتند یا قراره شکل بگیرند. من خودم این قسمت رو به طور خاص خیلی دوست داشتم. امیدوارم شما هم خوشتون بیاد. https://aprd.ir/ai-station-e07-llm-applications/

بخشی از این خلاصه توسط هوش مصنوعی تولید شده است!سلام. من امیر پورمند هستم و در این قسمت از پادکست ایستگاه هوش مصنوعی، راجع به تفاوت‌های یادگیری عمیق و مدل‌های سنتی یادگیری ماشین صحبت کردم. همچنین به این موضوع پرداختم که چگونه یادگیری عمیق می‌تواند مسائل پیچیده و داده‌های حجیم را با کارایی بسیار بالا بررسی و حل کند. در این جلسه، از مثال‌های واقعی مانند مسئله نتفلیکس و استفاده از جی‌پی‌یوها در ترینینگ مدل‌های عمیق گفتم و اینکه چگونه این فناوری‌ امکان پیش‌بینی‌های دقیق‌تری را فراهم آورده‌اند.https://aprd.ir/ai-station-e06-deep-learning/

این خلاصه توسط هوش مصنوعی تولید شده است!سلام دوستان، من امیر پورمندم و این قسمت از پادکست ایستگاه هوش مصنوعی رو به نقش و وظایف دیتا ساینتیست‌ها اختصاص دادیم. از نحوۀ کار با داده‌ها و مدل‌ها گرفته تا چالش‌ها و تخصص‌های لازم برای پیش‌بینی و تحلیل داده‌ها در بازار شغلی امروز توضیح دادم. سپس در مورد چگونگی آموزش و توسعۀ مدل‌های هوش مصنوعی صحبت کردیم.https://aprd.ir/ai-station-e05-data-scientists-job/

این خلاصه توسط هوش مصنوعی تولید شده است!سلام دوستان، توی این قسمت از پادکست ایستگاه هوش مصنوعی، تمرکز ما روی یادگیری ماشین و ارتباط اون با یادگیری انسانی بود. ابتدا به توضیح مفهوم یادگیری نظارت شده پرداختیم و با مثال‌هایی توضیح دادیم که چگونه یادگیری ماشین تلاش می‌کنه تا به کمک داده‌ها و برچسب‌های مربوط به اونها، توابعی رو یاد بگیره که بتونه پیش‌بینی‌های دقیقی ارائه دهد.در ادامه، به بحث‌های پیچیده‌تری پرداختیم و مثالی زدیم که در آن، هم با عدم قطعیت‌ها و نویز مواجه هستیم و هم با تعداد بی‌کران توابع ممکن، که هر کدام می‌توانند برای تخمین یک برآورد استفاده شوند. هدف این بحث این بود که نشون دهیم پیدا کردن فرمول یا تابع “کامل” برای حل مشکلات مختلف، همیشه چالش‌برانگیزه و اینکه فرایند آموزش نهایتا به دنبال یافتن بهترین تابعی است که بتواند به شکل موثری پیش‌بینی‌های ما را بهبود ببخشه.https://aprd.ir/ai-station-e04-what-is-learning/

این خلاصه توسط هوش مصنوعی تولید شده است!در قسمت سوم از پادکست ایستگاه هوش مصنوعی، به بررسی و دسته‌بندی روش‌های اصلی یادگیری ماشین پرداختم. از یادگیری نظارتی که نیاز به برچسب‌ها داره تا یادگیری بدون نظارت که در اون برچسب‌ها نقشی ندارن. همچنین، به تفاوت‌ها و کاربردهای این روش‌ها در دنیای واقعی اشاره کردم، مانند تشخیص احساسات از داده‌ها یا پیش‌بینی قیمت خانه‌ها.این جلسه، عمق بیشتری به نحوه‌ی عملکرد این مدل‌ها از خود نشان می‌دهد و اهمیت داده‌های آموزشی را در بهبود دقت این مدل‌ها تبیین کرد. با توجه به اینکه هر یک از این مدل‌ها به نحو خاصی کار می‌کنند، تلاش کردم تا به شما نشان دهم که چگونه هر کدام می‌توانند در شرایط مختلف مفید واقع شوند.https://aprd.ir/ai-station-e03-ai-types/

این خلاصه توسط هوش مصنوعی تولید شده است!در این قسمت از پادکست، من به بررسی کاربردها و محدودیت‌های هوش مصنوعی پرداختم. صحبتم رو با توضیحی درمورد چیستی هوش مصنوعی و اینکه این تکنولوژی چطور می‌تواند در موقعیت‌های مختلف مفید واقع شود یا شاید هم نه، شروع کردم. بعد از اون، نمونه‌هایی از موارد استفاده و عدم استفاده از هوش مصنوعی رو بررسی کردم تا نشان دهم چگونه این فناوری می‌تواند واقعاً موثر باشد یا حتی گاهی اوقات خنثی.تمرکز اصلی من در این بحث بر روی نشان دادن تفاوت‌های بنیادین بین مسائلی که به الگوریتم‌های ساده و قاعده‌مند نیاز دارند در مقابل مسائلی که واقعاً نیاز به توانایی‌های یادگیری و سازگاری هوش مصنوعی دارند، بود. اینکه چطور هوش مصنوعی می‌تونه در مواردی مثل تشخیص تقلب مفید باشه و مواردی استفاده از اون شاید خیلی بهینه نباشه.https://aprd.ir/ai-station-e02-why-not-use-ai/

این خلاصه توسط هوش مصنوعی تولید شده است!سلام دوستان، من امیر هستم و توی این اپیزود از پادکست “ایستگاه هوش مصنوعی” قراره در مورد پایه‌ها و اصول اولیه‌ی هوش مصنوعی صحبت کنیم. خیلی از ما وقتی شروع به یادگیری هوش مصنوعی می‌کنیم، با انبوهی از مفاهیم ریاضی روبرو می‌شیم که ممکنه در ابتدا کمی گیج‌کننده باشه. این پادکست سعی داره با زبانی ساده و قابل فهم، مفاهیم کلیدی رو بیان کنه و نیازی به پیش‌زمینه ریاضی سنگین نیست.در این جلسه، من بیشتر روی توضیح این موضوع تمرکز می‌کنم که هوش مصنوعی چطور می‌تواند بصورت عملی و کاربردی در زندگی روزمره مورد استفاده قرار بگیره. از هوش مصنوعی در پزشکی گرفته تا تشخیص گفتار و تحلیل تصاویر و حتی درک متون پیچیده، همه و همه جایی هستند که ماشین‌ها کمک حال ما می‌شن. بیایید با هم این دنیای شگفت‌انگیز رو کشف کنیم.https://aprd.ir/ai-station-e01-what-is-ai/