IT با طعم HIT | مهرداد حسن زاده

«لینکدین» مقدس نیست؛ شبکه سازی هم فقط یک ابزار است! این روزها توی اینستاگرام و لینکدین پر شده از پست‌هایی با این مضمون که: «لینکدین رو جدی بگیرید، آینده‌تون اونجا ساخته می‌شه!» نمی‌خوام بگم این حرف غلطه، اما می‌خوام بگم همه حقیقت هم نیست. وقتی با نگاه «نظریه پیچیدگی» به دنیا نگاه می‌کنیم، می‌بینیم که هیچ فرمول یکسانی برای همه جواب نمی‌ده. ۵ نفر موفق شدن با لینکدین پروژه بگیرن؟ خب، آیا این موفقیت فقط مدیون لینکدینه؟ یا شانس، شخصیت، دانشگاه، مهارت‌های فردی و کلی متغیر پنهان دیگه هم دخیل بودن؟ ما معمولاً برای ساده‌سازی، اون متغیرهای پیچیده رو حذف می‌کنیم و می‌گیم: «لینکدین مساوی است با موفقیت». نتیجه‌اش چی می‌شه؟ تبریک می‌گم؛ شما یک «بت» ساختید. حالا هر کسی که توی این اپلیکیشن فعال نباشه، احساس عقب‌ماندگی و استرس می‌کنه. تجربه شخصی من چی می‌گه؟ من توی مسیرم شبکه سازی کردم، اما نه با پست گذاشتنِ هوش مصنوعی! شبکه سازی من این‌طوری بود: ‌ 🔹 کافه، جای شروع: سه تا از بچه‌های شریف رو توی یه کافه دیدم؛ داشتم می‌شنیدم دارن درباره یک پروژه حرف می‌زنن. خودم رو قاطی بحث کردم، شماره گرفتم و بعداً با همون‌ها پروژه ران کردم. 🔹 استاد و فرصت: در دانشگاه کارشناسی‌ام (که جای تاپی نبود)، وقتی دیدم یک استادِ کاربلد از تهران اومده، به جای اینکه فقط نمره ۲۰ بگیرم، خودم رو بهش پرزنت کردم. نتیجه؟ پروژه‌های مشترک و معرفی شدن به تیم‌های بزرگ‌تر. 🔹 حضور واقعی: داشتن کارت ویزیت، گپ زدن توی سلف دانشگاه، و همکاری رایگان در پروژه‌های سخت؛ این‌ها مسیر من رو ساختن، نه «کانکشن‌ ریکوئست» فرستادنِ صرف. شبکه سازی، مهارت است؛ نه ابزار لینکدین برای یک آدم درون‌گرا که بهتر می‌نویسه تا حرف بزنه، ابزار خوبیه. اما نباید فکر کنیم اگر بلد باشیم با یک ابزار AI کاور طراحی کنیم و یک پست کپی‌پیستی بگذاریم، یعنی داریم «شبکه‌سازی» می‌کنیم. این نگاه ساده‌انگارانه‌ست. شبکه سازی مثل ابزارآلات نجاری می‌مونه: لینکدین فقط یک «انبردست» است. ممکن است با انبردست بشود یک پیچ را باز کرد، اما آیا عاقلانه است که به همه پیشنهاد بدهیم برای باز کردن تمام پیچ‌های زندگی‌شان فقط از انبردست استفاده کنند؟! حرف آخر: دنیا فرموله نیست. برای یکی لینکدین کار می‌کند، برای یکی اینستاگرام، و برای دیگری گفتگو در یک کافه. شبکه سازی یک مهارت اخلاقی و انسانیه که باید یاد بگیرید، نه یک پروفایل آنلاین که بخواهید مقدس‌سازی‌اش کنید. مراقب باشید درگیرِ «بمباران محتوایی» نشوید و مسیر خودتان را با ابزارهای خودتان بسازید. ➖➖➖➖➖➖ 🔺 @hitwithit 🔻 مهرداد حسن زاده

یه چیز دیگه هم هست که دلی می‌نویسم... من واقعاً نمی‌دونم چرا برای آدمایی که حتی نمی‌شناسمشون، این‌قدر وقت می‌ذارم. اونایی که تا حالا بهم پیام دادن، احتمالاً می‌دونن چی می‌گم :)) ویس‌های طولانیِ تقریباً پادکستی، راهنمایی برای مسیر یادگیری، جواب دادن به سؤال‌ها، معرفی منبع، یا حتی بعضی وقتا انجام دادن یه سری کارای کوچیک بدون هیچ چشم‌داشتی... البته شاید یه گوشه‌ش به همون طرحواره ایثار هم ربط داشته باشه 😁 ولی واقعاً فقط اون نیست. فکر می‌کنم من دنیا رو توی آدم‌ها می‌بینم. حس می‌کنم دنیا خودش یه بوم سفیده؛ نسبتاً ثابت، ساکت و بی‌طرف. این ماییم که با رفتارمون، با حرف‌هامون، با برخوردی که با هم داریم، بهش رنگ می‌دیم. یکی فقط سیاه‌قلم بلده و هرجا می‌ره، یه چیزی از انرژی آدم کم می‌کنه. یکی با چند رنگ محدود، ولی قشنگ و واقعی، حال آدم رو بهتر می‌کنه. یکی هم انگار جعبه‌رنگ ۳۲تایی دستشه؛ از یه پیام ساده‌اش، از یه راهنمایی کوچیکش، از اینکه واقعاً گوش می‌ده، یه رنگ تازه به روزت اضافه می‌شه. شاید برای همین وقتی کسی پیام می‌ده و دنبال راهه، یا یه جای مسیر گیر کرده، نمی‌تونم خیلی راحت بی‌تفاوت باشم. نه اینکه همیشه جواب همه‌چیز رو بدونم؛ اصلاً. ولی اگر یه تجربه، یه اشتباه، یه منبع یا حتی یه ویس من بتونه مسیر یه نفر رو یک درصد روشن‌تر کنه، چرا که نه؟ جالبش اینجاست که خودم ذاتاً خیلی اجتماع‌گریزم :)) از شلوغی فراری‌ام، از جمع‌های بی‌دلیل زود خسته می‌شم و خیلی وقت‌ها ترجیح می‌دم توی دنیای خودم باشم. ولی آدم‌ها رو دوست دارم. نه لزوماً همه‌ی جمع‌ها رو؛ خودِ آدم‌ها رو. اون لحظه‌ای که یکی با یه پیام می‌گه «بالاخره شروع کردم»، یا می‌گه «اون ویست باعث شد کمتر سردرگم باشم»، برای من واقعاً ارزشمنده بوده و قدر دان فیدبک های دوستان بودم... شاید نتونیم کل این بوم بزرگ رو رنگی کنیم، ولی حداقل می‌تونیم حواسمون باشه وقتی وارد زندگی کسی می‌شیم، با چه رنگی وارد می‌شیم.... ➖➖➖➖➖ 🔺 @hitwithit 🔻 از اون دلی ها که هیچکس نمی‌فهمه فازتو

### یه جایی فهمیدم یاد گرفتن، خودش خروجی نیست‼️ یه مدت فکر می‌کردم هرچی بیشتر یاد بگیرم، آماده‌تر می‌شم.💯 یه دوره جدید، یه مقاله درباره مدل‌های دیپ‌لرنینگ، چند ساعت آموزش FastAPI یا Flutter، ایده‌های جذاب AI توی پزشکی... همه‌شون هم حس خوبی می‌دادن. حس اینکه خب، دارم پیشرفت می‌کنم دیگه.↗️ ولی یه جایی وسط این مسیر، با خودم گفتم: خب مهرداد، از بین این همه چیزی که یاد گرفتی، کدوماش واقعاً وارد کارت یا زندگیت شدن❓ واقعاً فرق زیادی هست بین اینکه بدونی یه مدل تشخیص تصویر پزشکی چطوری کار می‌کنه، با اینکه خودت بشینی براش دیتا جمع‌وجور کنی، مدل رو train کنی، خطاهاش رو ببینی و سعی کنی ازش یه چیز واقعاً قابل‌استفاده دربیاری. یا مثلاً درباره ساخت محصول با هوش مصنوعی خوندن یه چیزه؛ ولی وقتی می‌خوای یه ایده رو، حتی خیلی ساده و در حد یه نسخه اولیه، بسازی، تازه یادگیری واقعی شروع می‌شه. همون‌جا که باگ‌ها می‌ریزن سرت. همون‌جا که نمی‌دونی دقیقاً از کجا باید شروع کنی. همون‌جا که یه صدایی توی ذهنت می‌گه: «ولش کن، هنوز کامل آماده نیستی.» ولی چیزی که خودم از پروژه‌های AI و حوزه سلامت یاد گرفتم اینه که: آماده شدن معمولاً بعد از شروع کردنه، نه قبلش. دانش خیلی مهمه، شکی توش نیست. ولی تا وقتی تبدیل نشه به یه تصمیم، یه پروژه—even اگه نصفه‌نیمه باشه—یه نمونه اولیه، یه حرف با کاربر، یا حتی یه اشتباه واقعی، هنوز فقط یه سری اطلاعاته که توی ذهنمون جمع شده. این روزا سعی می‌کنم به‌جای اینکه فقط از خودم بپرسم: «خب، حالا چی یاد بگیرم؟» یه سؤال دیگه هم بپرسم: «با چیزایی که همین الان بلدم، امروز چی می‌تونم بسازم یا یه قدم جلو ببرم؟» شاید جوابش خیلی کوچیک باشه؛ مثلاً ساختن یه ریپوی جدید، پیاده‌کردن یه نسخه ساده از یه ایده، پیام دادن به یه هم‌تیمی، یا حتی فقط نوشتن اولین خط کد. ولی معمولاً همین قدم‌های کوچیکن که کم‌کم فاصله بین «می‌دونم» و «می‌تونم انجامش بدم» رو کم می‌کنن. دورو برمم دوستان زیادی دارم که فقط میخونن، دوره میبینن، پست لایک میکنن ولی دریغ از بکارگیری! نکنه بد باشه ها ولی دانش قدرت نیست، دانش پتانسیل قدرته! یعنی دانش زمانی قدرته که بکار گرفته بشه.... اسمشو گذاشتم بمباران اطلاعاتی در عصر هوش مصنوعی... هزاران اطلاعات رو بریز تو مغزت و احتکار کن که شاید یه روزی یه جایی به درد بخوره! فقط پیدا کردن یه شئی تو زیر زمین شلوغ پلوغ کار ساده ای نیستا!!! ➖➖➖➖➖ 🔺 @hitwithit 🔻 از مجموعه فکر های شبانه مهرداد حسن زاده

یه چیزی هست که این چند وقت خیلی ذهنم رو درگیر کرده: گاهی همون چیزی که باعث شده تا اینجای مسیر بیای، می‌تونه جلوی رشد بعدی‌تو بگیره. من معمولاً وقتی با یه مسئله جدید روبه‌رو می‌شم، اولین واکنشم اینه که خودم برم سراغش. نمی‌دونم؟ یاد می‌گیرم. کسی نیست انجامش بده؟ خودم انجام می‌دم. کار پیچیده‌ست؟ بیشتر وقت می‌ذارم تا حلش کنم و خب، واقعاً این مدل خیلی جاها جواب داده. توی پروژه‌ها، یاد گرفتن تکنولوژی‌های جدید، ساختن چیزهایی که اولش حتی نمی‌دونستم از کجا باید شروعشون کنم. ولی یه جایی به بعد، این مدل خودش می‌تونه تبدیل به تله بشه. چون وقتی همه‌چیز قراره با «خودم انجام می‌دم» جلو بره، از یه جایی به بعد خودِ آدم می‌شه گلوگاه کار. همه‌چیز به زمان، انرژی و تمرکز یک نفر وابسته می‌مونه. یعنی شاید کارها جلو برن، ولی رشد خیلی سخت‌تر می‌شه. به این می‌گن «تله موفقیت». یعنی چون یه روش تا امروز جواب داده، هی بیشتر همون روش رو تکرار می‌کنیم. بیشتر کار می‌کنیم، بیشتر کنترل می‌کنیم، بیشتر دنبال بی‌نقص‌بودن می‌ریم… در حالی که شاید برای مرحله بعد، باید یک مدل جدید یاد بگیریم. منظورم از مدل، مدل ذهنیتون هست، همونی که به کنش های شما جهت میده. مثلاً: - به‌جای اینکه همه‌چیز رو خودمون انجام بدیم، یاد بگیریم واگذار کنیم. - به‌جای منتظر موندن برای خروجی بی‌نقص، با یه نسخه خوب و قابل‌استفاده شروع کنیم. - به‌جای اینکه فقط روی چیزهایی که بلدیم عمیق‌تر بشیم، بریم سراغ چیزهایی که هنوز توشون تازه‌کاریم. فکر می‌کنم سخت‌ترین بخش رشد، کنار گذاشتن چیزهایی نیست که جواب نداده‌اند. سخت‌ترین بخش، فاصله گرفتن از چیزهاییه که خیلی هم خوب جواب داده‌اند. من این روزها دارم به این فکر می‌کنم که شاید برای رفتن از یه مرحله به مرحله بعد، همیشه لازم نیست بیشتر تلاش کنم؛ شاید لازم باشه جور دیگری تلاش کنم. شما چی؟ تا حالا شده یه نقطه‌قوت یا عادتی که همیشه بهتون کمک می‌کرده، یه جایی تبدیل به مانع رشدتون بشه؟ گاها خیلی دلم میخواد سمت علوم شناختی و نوروسایکولوژی برم... مقالات این حوزه رو بیشتر علاقه دارم... شاید آینده بیشتر اینطوری بنویسم ➖➖➖➖➖ 🔺 @hitwithit 🔻 مهرداد حسن زاده

برای متن های بالا ویدیو گرفتم بعد دیدم حوصله ادیت ندارم، متن نوشتم، نظرمو درباره ایجنت ها و آینده برنامه نویسی مخصوصا در رشته خودمون رو نوشتم

برای شروع، Gap Code را پیشنهاد می‌کنم؛ نسبت به هزینه‌ای که دارد، به‌صرفه است و می‌تواند خروجی‌های خوبی بدهد. خودم نزدیک به ۵ ماه است که از ابزارها و Agentهای مختلفی مثل Claude، Cursor، Codex، GitHub Copilot، Hermes، Mimo و Gap Code استفاده کرده‌ام. در یک پیام جداگانه، این ابزارها را با هم مقایسه می‌کنم و تجربه و نظرم را دربارهٔ هرکدام می‌گویم. خود من هم برخلاف گذشته، دیگر فقط روی سینتکس تمرکز نمی‌کنم. بیشتر سراغ دوره‌ها و کتاب‌هایی می‌روم که مفاهیم را آموزش می‌دهند. مثلاً به‌جای اینکه فقط کد پیاده‌سازی متدهای ارزیابی را بخوانم، سعی می‌کنم بفهمم تفاوت این متدها چیست، هرکدام کجا باید استفاده شوند، برای دیتاست‌های پزشکی کدام‌ها مناسب‌ترند و در چه پروژه‌هایی بهتر است اصلاً از آن‌ها استفاده نکنیم. اینکه کجا باید چه مدلی ساخت، از چه قابلیتی استفاده کرد، معماری را چطور چید، چگونه هزینه را کاهش داد و Performance را بالاتر برد؛ به نظرم این‌ها همان مهارت‌هایی هستند که در آینده ارزش بیشتری پیدا می‌کنند. ➖➖➖➖➖➖

آیندهٔ برنامه‌نویسی؛ چیزی فراتر از نوشتن سینتکس | به کجا میرویم؟ یکی از موضوعاتی که مدتی است زیاد به آن فکر می‌کنم، آیندهٔ برنامه‌نویسی است. مدت زیادی است که از AI Agentها استفاده می‌کنم و چیزی که برایم واضح شده این است که واقعاً عملکرد خوبی دارند. مخصوصاً در کدنویسی و نوشتن سینتکس، در بسیاری از مواقع از یک برنامه‌نویس Mid-level جلوتر هستند؛ حتی گاهی می‌توانند در سطح یک Senior Developer هم خروجی قابل‌قبولی بدهند. البته این ابزارها بدون مشکل نیستند. هزینه‌بر بودن، وابستگی شدید به آن‌ها و حتی کم شدن انگیزه برای یادگیری عمیق، از چالش‌هایشان هستند. از طرف دیگر، وقتی پروژه از یک مقیاس مشخص بزرگ‌تر می‌شود، حتی Agentهای قدرتمندی مثل Claude و Cursor هم به چالش کشیده می‌شوند. چیزی که به آن رسیده‌ام این است که مهارت‌هایی مثل موارد زیر، از صرفاً کدنویسی مهم‌تر شده‌اند: - اصول پایگاه داده - مهندسی نرم‌افزار - System Design - Clean Architecture - توانایی حل مسئله - شناخت حوزهٔ مسئله یا Domain Knowledge - مقیاس‌پذیری و مدیریت پیچیدگی پروژه به نظرم آینده به این سمت می‌رود؛ هرچند واقعیت این است که هیچ‌کداممان دقیقاً نمی‌دانیم آینده قرار است به کجا برسد. فکر می‌کنم الآن دقیقاً روی لبهٔ یک تغییر تکنولوژیک ایستاده‌ایم. اگر جنگ و بحثی که بین اساتید برنامه‌نویسی در لینکدین و اینستاگرام راه افتاده را دیده باشید، احتمالاً شما هم حس کرده‌اید که خودشان هم دقیقاً نمی‌دانند چه اتفاقی در حال رخ دادن است! اما یک موضوع تقریباً روشن است: تمرکز از روی «سینتکس‌نویسی» در حال برداشته شدن است. در پروژه‌های کوچک و متوسط، مدل می‌تواند پیشنهاد بدهد، مسیر کار را جلو ببرد و حتی در تصمیم‌گیری‌ها نقش یک هم‌تیمی را داشته باشد. می‌توانید با آن مشورت کنید، یک روند بسازید و بخش زیادی از اجرای کار را پیش ببرید. اما بسته به موضوع و مقیاس پروژه، فعلاً هنوز لازم است که دانش حوزه داشته باشید تا بتوانید خروجی درست را از Agent بگیرید و پروژه را واقعاً به نتیجه برسانید. روی «فعلاً» تأکید دارم؛ چون نمی‌دانیم ۵ یا ۶ سال آینده دقیقاً چه شرایطی خواهیم داشت. هم نگاه افراطیِ کسانی که می‌گویند «برنامه‌نویسی کاملاً تمام شده» را اغراق‌آمیز و زرد می‌دانم، و هم نگاه کسانی را که می‌گویند «Agentها بی‌فایده‌اند، جای برنامه‌نویس را نمی‌گیرند و همه‌چیز مثل گذشته می‌ماند». به نظرم کسانی بیشتر با این تغییر دچار چالش می‌شوند که هویت خودشان را صرفاً به «برنامه‌نویس بودن» گره زده‌اند. طبیعی است که آدم بخواهد با روش‌های مختلف از تغییری که هویتش را تهدید می‌کند دوری کند. از طرف دیگر، من تا حدی کدنویسی مبتنی بر Agent و رویکرد جدیدی که شکل گرفته را به نفع بچه‌های رشته‌های دیگر، مخصوصاً حوزهٔ سلامت، می‌دانم. خودم در گذشته تجربه کرده‌ام که پیدا کردن یک تیم برنامه‌نویسی و هماهنگ کردن اهداف، ذهنیت‌ها و زبان مشترک بین افراد از رشته‌های مختلف چقدر انرژی‌گیر و چالش‌برانگیز است. اما الآن، با تشکیل تیم‌های کوچک بین هم‌رشته‌ای‌ها، حتی اگر تخصص عمیقی در برنامه‌نویسی نداشته باشند، می‌شود ایده‌ها را تا سطح نسبتاً خوبی جلو برد. حتی دیده‌ام خیلی از اساتیدی که بیشتر مقاله‌محور بودند، دارند با کمک همین Agentها به سمت اجرای ایده‌هایشان می‌روند. این اتفاق فاصلهٔ بین «ایده داشتن» و «ساختن» را کمتر کرده است. برای بچه‌های حوزهٔ سلامت هم این یک فرصت مهم است؛ چون می‌توانند بدون وابستگی کامل به رشته‌هایی مثل کامپیوتر، ایده‌های خودشان را به نمونهٔ اولیه و حتی محصول تبدیل کنند. به نظرم به‌جای اینکه هویتتان را به برنامه‌نویس بودن گره بزنید، بهتر است برنامه‌نویسی را یک ابزار ببینید؛ ابزاری که قرار است آن را با دانش حوزهٔ سلامت ترکیب کنید و با آن یک مسئلهٔ واقعی را حل کنید. و البته همیشه باید این نکته را هم به آخر صحبت‌ها اضافه کنم: اینجا ایران است و بعضی روندها ممکن است مسیر متفاوت خودشان را داشته باشند. اما من استفاده از Agentها برای کدنویسی را هم در دانشگاه و هم در محیط کار از نزدیک دیده‌ام. اگر در این حوزه فعالیت می‌کنید یا به تکنولوژی علاقه دارید، به نظرم بهتر است حتماً به سمتشان بروید و کار کردن با آن‌ها را یاد بگیرید. کار با Agentها فقط دادن یک Prompt و گرفتن خروجی نیست. جزئیات زیادی دارد که عمدتاً با تجربه به دست می‌آیند: از نحوهٔ تعریف مسئله و شکستن تسک‌ها گرفته تا بررسی خروجی، مدیریت Context و تصمیم‌گیری دربارهٔ معماری. یک نکتهٔ دیگر هم اینکه، فعلاً به نظرم نسخه‌های رایگان Agentها برای یادگیری جدی خیلی مناسب نیستند. اگر واقعاً می‌خواهید تجربهٔ خوبی داشته باشید، احتمالاً لازم است کمی هزینه کنید.

گفتم عکسم بزارم فضای متنم واقعی تر شه😁👍

چرا با بیشتر شدن دسترسی به ایجنت‌های برنامه‌نویسی، کوچک‌تر شدن تیم‌ها، و کم شدن فاصله تخصص، هنوز هم ساختن یک بیزینس مثل GapGPT و امثالهم هنوز چالش برانگیزه ؟ من این سؤال رو وقتی عمیق‌تر فهمیدم که پروژه‌ی عینک نابینایان رو توسعه می‌دادم. اون موقع فکر می‌کردم وقتی محصول تموم بشه، عملاً کار اصلی هم تموم شده و فقط باید بره سمت فروش. اما بعد از اتمام پروژه، وارد مرحله‌ای شدم که تازه فهمیدم چرا هر کسی نمی‌تونه استارتاپ یا بیزینس لانچ کنه. البته واقعیت اینه که شرایط کشورمون خودش این مسیر رو چند برابر سخت‌تر و فرسایشی‌تر می‌کنه؛ چیزی که نمی‌شه انکارش کرد. اما جدا از اون، ساختن یک محصول تازه فقط شروع ماجراست. توی این عصر، که فاصله‌ی بین ایده تا ساخت خیلی کمتر شده، رقابت تازه از جایی شروع می‌شه که محصول آماده می‌شه. چیزی که توی این مسیر برای من پررنگ‌تر شد، این‌ها بود: - مهارت ارائه دادن و پرزنت کردن - شبکه‌سازی واقعی - ادامه دادن و بهتر کردن محصول - مارکتینگ - پیدا کردن مدل فروش مناسب برای بازار هدف - و خلاقیت در فروش بعد از رسانه‌ای شدن محصول، چند رقیب دیگه هم پیدا شدند. و چیزی که باعث شد محصول ما هنوز هم سر پا بایسته، فقط «خوب بودنِ محصول» نبود؛ بلکه نوع پرزنت و اقدام به‌موقع برای فروش بود. از اون طرف، توی این مسیر خیلی زود با یک واقعیت روبه‌رو شدم: شبکه‌سازی، برخلاف چیزی که در ظاهر توی لینکدین و اینستاگرام دیده می‌شه، واقعاً می‌تونه مسیر رو چند برابر کوتاه‌تر کنه. البته بین شبکه‌سازی و پارتی‌بازی تفاوت زیادی هست؛ و من متأسفانه‌ ( و خوشبختانه) هر دو رو از نزدیک لمس کردم و تفاوت‌شون رو کاملاً دیدم. یه جاهایی، زودتر ارائه دادن و اولین بودن، رمز پیروزی بود. یه جاهایی هم، بهتر بودن و یک قابلیت خاص داشتن، مسیر رو باز می‌کرد. یکی از مهم‌ترین چیزهایی که توی این یک سال فهمیدم اینه که بیزینس و کارآفرینی، خیلی پیچیده‌تر از چیزیه که بیرون دیده می‌شه. این مسیر صبر می‌خواد، حوصله‌ی دردسر می‌خواد، تحمل ابهام می‌خواد، و مهم‌تر از همه، تحمل ناپایداری. و راستش محیط واقعی، خیلی با اون فضای گوگولیِ اینستاگرام، کتاب‌های رنگی‌پنگی، و شعارهای خوشگل لینکدینی فرق داره؛ مخصوصاً در بازار ایران. گاهی حمایت‌ها فقط در حد حرف می‌مونن. گاهی دایره‌ی ارتباطات، چیزی نیست که فکر می‌کردی. حتی بعضی آدم‌ها که تصور می‌کردی در شبکه‌ات گاها کلاً جایگاهی برای حساب‌کردن ندارند. و برعکس، گاهی یک آدم خیلی ساده — حتی کسی که اصلاً به چشم نمیاد — می‌تونه یک حلقه مهم از شبکه‌سازی رو برات بسازه. چیزی که برای من کاملاً روشن شد اینه که همه آدم‌ها برای این مسیر ساخته نشدن. این به معنی برتری یک گروه نسبت به گروه دیگه نیست. بیشتر به این برمی‌گرده که هر کسی ارزش زندگیش رو کجا می‌بینه و می‌خواد وقت، انرژی و صبرش رو کجا خرج کنه. یه نکته مهم دیگه‌ای هم که توی این مسیر یاد گرفتم، آشنایی با نظریه اقتضا بود. خیلی از متدها و فرمول‌هایی که از پست‌های اینستاگرامی یا بعضی کتاب‌ها یاد گرفته بودم، با کلی ذوق روی بیزینس پیاده کرده بودم. اما بعد دیدم آدم‌هایی وجود دارن که حتی ذره‌ای از این فرمول‌ها رو بلد نیستن، ولی راحت فروش دارن و خیلی سریع به درآمد بالا می‌رسن. و از اون طرف، بعضی استارتاپ‌ها با اینکه همه‌چیزشون «درست» به نظر می‌رسه، تازه درگیر مذاکره و جذب سرمایه‌گذارند. البته منظورم این نیست که این نکات بی‌فایده‌ان. نه. فقط می‌خوام بگم فرمول ثابت و قطعی‌ای برای موفقیت وجود نداره. چون اگر چنین فرمولی وجود داشت، همه همون مسیر رو می‌رفتن و نتیجه هم معلوم بود. بعضی از فرمول‌های اینستاگرامی و لینکدینی، حتی اگر علمی و مقاله‌محور هم باشند، الزاماً در دنیای واقعی جواب نمی‌دن. و گاهی دقیقاً همون چیزی که فکر می‌کنی برای کارت جواب نمی‌ده، نقطه‌ی رشدت می‌شه. ➖➖➖➖➖➖ 🔺 @hitwithit 🔻 مهرداد حسن زاده

میخوام یکم سبک کانال رو عوض کنم، فکر میکنم آماده ام تا یه سری تجربیاتم، حرفای دلی، روحیات و.... رو اینجا به اشتراک بزارم، قبلا یکم کمالگرایی و ترس قضاوت شدن بود، الان دیگه تقریباً هیچی نیست😀🤝 بنظرم اینکه صرفا یه سری پست با AI تولید بشه یا چندتا ابزار معرفی بشه، ارزشمند نیست، نکه نباشه ها ولی وقتی راحت با یه سرچ و پرسش از چت بات میتونید بهش دست پیدا کنید و اگرم تاحالا نکردین، شاید نیاز نبوده(البته یکم نقد وارده به این موضوع که حوصلش نیست و رد میشم) پس مسلما درستش اینه که سبک فعالیت بصورت تجربه باشه، تجربه از یک پروژه، محیط کاری، مقاله، پرزنت کردن، درس، استاد، کشور، و..... خلاصه تصمیمم اینه برم سمت فعالیت مبتنی بر تجربه و شخصیت 🤝

وقتی مدل فکر می‌کنه هر چیزی شبیه پنومونیه، پس حتماً پنومونیه! 😅 ( تجربه من از یک پروژه مقاله محور) یه مدت قبل روی پروژه‌ای کار می‌کردم برای تشخیص پنومونی از روی تصاویر رادیولوژی قفسه سینه. همه‌چیز از همون مسیر آشنای پروژه‌های دیپ‌لرنینگ شروع شد: دیتاست رو دانلود کردم، تصاویر رو پیش‌پردازش کردم، مدل رو ساختم و آموزش دادم. نتایج اولیه هم واقعاً خوب به نظر می‌رسید. دقت مدل بالا بود و در نگاه اول می‌شد گفت: «خب، ظاهراً مدل پنومونی رو خوب یاد گرفته.» اما اینجا دقیقاً همون جاییه که باید کمی شک کنیم! چون دقت بالا لزوماً به این معنی نیست که مدل واقعاً خود بیماری رو فهمیده. ممکنه مدل فقط یک‌سری شباهت‌های تصویری رو یاد گرفته باشه. مثلاً بعضی تغییراتی که در ریه‌ی بیمار مبتلا به پنومونی دیده می‌شن، ممکنه در بیماری‌های دیگه، مثل کووید-۱۹، هم وجود داشته باشن. در این حالت، وقتی تصویر یک بیمار مبتلا به کووید رو به مدل می‌دیم، مدل ممکنه بگه: 😌این تصویر شبیه چیزهاییه که قبلاً با برچسب پنومونی دیدم؛ پس احتمالاً پنومونیه!در حالی که واقعیت چیز دیگه‌ایه. اینجا بود که برای من یک سؤال جدی شکل گرفت: آیا نباید علاوه بر تصویر، اطلاعات بیشتری از بیمار هم در اختیار مدل بذاریم؟ در دنیای واقعی، پزشک فقط به تصویر نگاه نمی‌کنه. سن بیمار، علائم، سابقه بیماری، نتیجه آزمایش‌ها و توضیحات بالینی هم در تصمیم‌گیری نقش دارن. پس تصمیم گرفتم ایده‌ی استفاده از چند نوع داده رو بررسی کنم. برای این کار رفتم سراغ Functional API در Kerasو یک معماری چندورودی طراحی کردم. در این معماری، مدل دو نوع اطلاعات دریافت می‌کنه: 1. تصویر رادیولوژی قفسه سینه 2. اطلاعات بالینی و متن‌های مرتبط با بیمار این اطلاعات متنی می‌تونن از گزارش رادیولوژی یا فیلدهای متنی موجود در فایل‌های DICOM استخراج بشن. یعنی مدل فقط قرار نیست تصویر رو ببینه؛ بلکه باید بتونه تصویر رو در کنار اطلاعات بالینی تفسیر کنه. در ادامه، ویژگی‌های استخراج‌شده از تصویر و متن در بخشی از شبکه با هم ترکیب می‌شن و مدل بر اساس هر دو منبع داده تصمیم نهایی رو می‌گیره. ایده ساده است: اگر تصویر یک‌سری ویژگی‌های شبیه پنومونی داشته باشه، اما اطلاعات بالینی به بیماری دیگه‌ای اشاره کنن، مدل باید بتونه با احتیاط بیشتری تصمیم بگیره؛ نه اینکه صرفاً به خاطر شباهت تصویری، سریع برچسب پنومونی بزنه. ⁉️اما اینجا یک دام خیلی مهم وجود داره: 🚫Data Leakage🚫 اطلاعات متنی همیشه مفید نیستند. اگر داخل متن DICOM مستقیماً نوشته شده باشه که بیمار پنومونی داره، مدل ممکنه به جای یادگیری الگوی واقعی بیماری، فقط جواب رو از روی متن حفظ کنه! در این حالت، مدل ظاهراً عملکرد فوق‌العاده‌ای داره، اما در واقع تقلب کرده 😄 برای همین باید چند نکته رو جدی بررسی کرد: - آیا این اطلاعات در زمان استفاده‌ی واقعی از مدل هم در دسترس هستند؟ - آیا متن مستقیماً برچسب بیماری را لو می‌دهد؟ - آیا داده‌های آموزش و تست به شکل درستی جدا شده‌اند؟ - آیا تصاویر مربوط به یک بیمار، هم‌زمان در آموزش و تست قرار نگرفته‌اند؟ - آیا مدل روی بیمارستان‌ها، دستگاه‌ها و دیتاست‌های مختلف هم عملکرد قابل‌قبولی دارد؟ - اگر فقط تصویر را به مدل بدهیم چه نتیجه‌ای می‌گیریم؟ - اگر فقط اطلاعات متنی را بدهیم چطور؟ - و ترکیب هر دو ورودی واقعاً چقدر بهتر عمل می‌کند؟ این پروژه برای من یک نکته‌ی مهم داشت: در هوش مصنوعی پزشکی، مدل خوب فقط مدلی نیست که Accuracy بالایی دارد. مدل خوب مدلیه که برای تصمیمش به شواهد درست تکیه کنه. گاهی برای بهتر کردن مدل لازم نیست فقط شبکه رو بزرگ‌تر کنیم، لایه‌های بیشتری اضافه کنیم یا تعداد Epochها رو بالا ببریم. گاهی باید یک قدم عقب‌تر بریم و از خودمون بپرسیم: > آیا مدل واقعاً مسئله‌ی پزشکی رو فهمیده، یا فقط یک میان‌بُر آماری پیدا کرده؟ استفاده از Functional API در Keras فقط برای وصل کردن چند ورودی به هم نیست. این قابلیت می‌تونه کمک کنه مدل‌هایی بسازیم که بیشتر شبیه فرآیند تصمیم‌گیری واقعی در پزشکی هستند؛ یعنی تصمیم‌گیری بر اساس ترکیبی از تصویر، علائم، گزارش و اطلاعات بالینی. چون در پزشکی، هر چیزی که شبیه یک بیماری به نظر می‌رسه، الزاماً همون بیماری نیست. ✒️تجربه من از پروژه تشخص ۵ نوع ناهنجاری و کلاس های پنومونی در ریه کودکان با یادگیری عمیق ➖➖➖➖➖➖ 🔺 @hitwithit

معرفی HAPI — ابزار کنترل ایجنت‌های کدنویسی از گوشی اگه با ایجنت‌های کدنویسی مثل Claude Code، Codex یا Cursor کار می‌کنید، این‌رو از دست ندید. ابزار HAPI یه اپ موبایله که می‌ذاره Sessionهای کدنویسی روی کامپیوترتون رو از گوشی ادامه بدید. دیگه لازم نیست برای هر تأیید یا تغییر کوچیک بدویید سمت لپ‌تاپ! ویژگی ها: 🎤 با صدا دستور بده — توی مسیر، توی تاکسی، هر جا که هستی، فقط حرف بزن! 📂 همه چیز رو ببین — فایل‌ها، ترمینال و تغییرات پروژه‌ت رو مستقیم از گوشی چک کن 🔄 ؛Session رو ادامه بده — روی کامپیوتر شروع کن، توی گوشی تمومش کن (یا برعکس!) ✅ درخواست‌ها رو تأیید کن — وقتی ایجنت ازت مجوز می‌خواد، همون لحظه از گوشی جواب بده 💬 از تلگرام کنترل کن — بله، حتی لازم نیست اپ جدا باز کنی! فقط کافیه بری به hapi.run و اپ رو دانلود کنی. راه‌اندازیش هم خیلی ساده‌ست. ➖➖➖➖➖➖➖➖➖➖ 🔻 @hitwithit ✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

یه سوتی وحشتناک از اپلیکیشنی که یکی از بچه ها با ایجنت نوشته بود دیدم... فایل حاوی کلی API KEY هست! من کد نویسی با ایجنت هارو هیچ وقت بد ندونستم، برای خیلی از مشتری ها خروجی فقط مهمه، خیلی هم سرعت رو زیاد می‌کنه، اینکه فاصله بین ایده و ساخت هم انقدر کم شده رو هم میپذیرم و مثبت میدونم. و خب اپلیکیشنش هم خوب کار میکرد، ولی خب مواظب چنین سوتی هایی باشید. بنظرم هرکاری که میخواید انجام بدید قبلش یه information Gathering جامع و کامل رو موضوع داشته باشید یا حداقل یه پرسش از همون مدل هوش مصنوعی بکنید که باگ های امنیتی مرسوم کدومان و به همون ایجنت بگید رفعش کنه. اگر چنین پروژه هایی با هدف کار صنعتی پابلیک بشه، نتایج فاجعه باری داره، مخصوصا اگر پای نشت اطلاعات کاربر باشه. ➖➖➖➖➖➖ 🔺 @hitwithit

1️⃣ ریپوی Hands-on LLMs: کتابش رو ول کن؛ توش کلی نوت‌بوک هست که همه چی رو پوشش داده، از مقدمات مدل‌های زبانی گرفته، تا آموزش و فاین‌تیون کردنشون. فصل ۷ که درباره دیپلوی و استقرار مدل‌هاست، خیلی به درد بخوره. ➖ ➖ ➖ ➖ ➖ 2️⃣ ریپوی AI for Beginners: اسمش گول‌زنندس؛ اصلاً سطح مبتدی نیست، بیشتر می‌خوره به متوسط رو به بالا. یه ترکیب قشنگ از تئوری و تمرین عملی. درس ۸ که درباره الگوهای حافظه تو ایجنت‌هاست، بی‌نظیره. ➖ ➖ ➖ ➖ ➖ 3️⃣ ریپوی Gen AI Agents: حدود ۹۰٪ش تئوریه، ۱۰٪ش کدی که واقعاً کار می‌کنه. ولی همون ۱۰٪ هم ارزش داره کلونش کنی و نگهش داری. به ساخت ایجنت‌های GenAI و آشنایی با ابزارها و APIهای مرتبط می‌پردازه. ➖ ➖ ➖ ➖ ➖ 4️⃣ ریپوی Made with ML: بخش MLOps که همه معمولاً نادیده می‌گیرن رو پوشش می‌ده. چطور یه اپلیکیشن ML رو طراحی، توسعه، دیپلوی و بعدش بهبود و ارتقا بدی. ➖ ➖ ➖ ➖ ➖ 5️⃣ ریپوی Prompt Engineering Guide: همه شروعش می‌کنن ولی بعد صفحه ۳ دیگه نمی‌خوننش. به‌جاش مستقیم برو سراغ تکنیک‌های پیشرفته‌ش.

✅یه مجموعه‌یِ کامل و پربار برای هر کسی که می‌خواد تو نوشتن پرامپت‌های موثر برای هوش مصنوعی استاد بشه! آموزش‌های عملی و قدم ‌به ‌قدم. مقاله‌ها و منابع تازه و به‌روز. ویدیوهای آموزشی و کاربردی.

➖➖➖➖➖➖➖➖➖➖ 🔻 @hitwithit ✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

دوستان این لینک رو حتما ثبت نام کنید بهتون ۷۰ تا ۸۰ دلار اعتبار API و چت با مدل های هوش مصنوعی میده و میتونید به ایجنت های کدکس و MiMo هم متصلش کنید. لینک ثبت نام: Gorouter

🟢سرویس سلامت‌محور ChatGPT Health برای تمامی کاربران آمریکا منتشر شد 🔹سرویس جدید ChatGPT Health با یکپارچه‌سازی سوابق پزشکی و داده‌های گجت‌های سلامت، امکان ارائه هشدار درباره مشکلات احتمالی و ارائه پاسخ‌های شخصی‌سازی‌شده را فراهم می‌کند. OpenAI مدعی است که قدرت استدلال آن در برخی موارد می‌تواند حتی از پزشکان هم بهتر باشد. 🔹این سرویس مبتنی بر مدل GPT-5.6 Sol است و با وجود عملکرد قوی در برخی آزمون‌های تشخیصی، جایگزین پزشک محسوب نمی‌شود. داده‌های کاربران به‌صورت رمزنگاری‌شده ذخیره شده و هم‌اکنون از طریق وب و اپ iOS با پشتیبانی از سرویس‌هایی مانند اپل Health در دسترس است. ➖➖➖➖➖➖➖➖➖➖ 🔻 @hitwithit ✳️کانال انفورماتیک پزشکی و فناوری اطلاعات سلامت

یه جوری بهت چرتو پرتو تحویل میده که فکر میکنی تو داری اشتباه می‌کنی! هذیان گویی یا hallucinations در مدل های زبانی یه همچین چیزیه. حالا فکر کنید درباره موضوعی که ازش اطلاعات نداریم یا میخوایم برای اولین بار بخونیم و از مدل زبانی ای که اینطوری ریپ میزنه، استفاده کنیم چه شود!، منو باش برای امتحاناتم از تو استفاده میکردم... ➖مدل را مجبور کن اگر مطمئن نیست بگوید «نمی‌دانم». در پرامپت بنویس: «اگر شواهد کافی نداری، حدس نزن و صریح بگو نمی‌دانم.» ➖منبع یا استدلال بخواه. بپرس: «این پاسخ بر چه منبع یا منطقی استوار است؟» اگر نتواند توضیح منطقی بدهد، احتمال هذیان بیشتر است. ➖پاسخ را با چند منبع مستقل بررسی کن. مخصوصاً برای اطلاعات پزشکی، حقوقی یا اخبار، یک منبع کافی نیست. ➖از مدل بخواه میزان اطمینانش را اعلام کند. مثلاً: «برای هر ادعا درصد اطمینان و دلیلش را بنویس.» این قطعی نیست، اما کمک می‌کند ادعاهای ضعیف را راحت‌تر تشخیص دهی. ➖سؤال را دقیق و محدود بپرس. هرچه سؤال مبهم‌تر باشد، احتمال هذیان بیشتر می‌شود. به‌جای «درباره سرطان بگو»، بپرس: «سه عامل خطر سرطان ریه را طبق راهنمای WHO نام ببر.» ➖➖➖➖➖ 🔴 @hitwithit