آکادمی ریسرچ هرم ‌| Pyramid

📕 ۵۰۰ دوره مکتبخونه رایگان شده 🚨 زمان مطالعه: ۱ دقیقه 🔗 #آموزش نتیجه طرح خیلی ساده است: مکتبخونه روی حدود ۵۰۰ دوره کد تخفیف ۱۰۰ درصدی گذاشته و با وارد کردن کد IRANMAHER می‌شود یکی از دوره‌های داخل طرح را رایگان به حساب اضافه کرد. 🗯 چه چیزی مهم است؟ این طرح برای همه دوره‌های سایت نیست. باید از صفحه خود طرح وارد شوید، دوره‌های داخل لیست را ببینید، یکی را انتخاب کنید و در مرحله پرداخت کد IRANMAHER را بزنید. چند صفحه تخفیفی نوشته‌اند این فرصت محدود است و بعضی‌ها تاریخ ۶ شهریور را نشان داده‌اند، پس بهتر است قبل از انتخاب دوره، تاریخ فعال بودن طرح را در همان صفحه مکتبخونه چک کنید.

دوره یادگیری ماشین Jadi هم داخل همین طرح آمده. اگر قصد شروع یادگیری ماشین، دیتاساینس، برنامه‌نویسی یا مهارت‌های کاری را داشتید، این یکی از آن فرصت‌هایی است که ارزش دارد همین امروز نگاهش کنید.

فقط یک نکته را حواستان باشد: رایگان بودن دوره به معنی بی‌ارزش بودنش نیست، اما به معنی تمام کردنش هم نیست. اگر دوره‌ای را می‌گیرید، همان روز برایش یک برنامه کوچک بگذارید. وگرنه مثل خیلی از دوره‌های رایگان، فقط وارد اکانت می‌شود و همان‌جا می‌ماند. 💳 https://mktb.me/um8m/ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 الگوریتم X برای هر موضوع یک جور وزن می‌دهد 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #مقاله این مقاله سراغ الگوریتم‌های پیشنهاددهنده شبکه‌های اجتماعی رفته، اما نتیجه‌اش یک بحث کلی درباره «شفافیت» نیست. نویسنده‌ها یک مدل agent-based ساختند، آن را با داده‌های X کالیبره کردند و بعد پرسیدند: الگوریتم برای بالا آوردن محتوا، به کدام سیگنال بیشتر وزن می‌دهد؟ 🗯 نتیجه عددی چه بود؟ مدل توانست رفتار واقعی retweetها را نسبتا خوب بازسازی کند. خطای NRMSE در سه دیتاست بین 0.0509 تا 0.0854 بود، در حالی که مدل قبلی عدد 0.25 داشت. نکته مهم‌تر اینکه این مدل همزمان ۵۰ مسیر انتشار tweet را شبیه‌سازی می‌کرد، نه فقط یک tweet. 💻 سیگنال‌ها چه فرقی کردند؟ در موضوع زلزله ترکیه، وزن الگوریتم تقریبا بین محبوبیت محتوا و هم‌باوری کاربران تقسیم شد: 42.6 درصد برای محبوبیت و 49.8 درصد برای belief-based signal. در موضوع Brits 2023، داستان عوض شد. حدود 50 درصد وزن روی سیگنال تصادفی بود، حدود 35 درصد روی محبوبیت، و کمی بیشتر از 10 درصد روی هم‌باوری. در Balloon Incident، سیگنال هم‌باوری پررنگ‌تر بود و حدود 50 درصد وزن را گرفت. نکته جالب این بود که «تازگی» یا chronological signal در هر سه موضوع وزن خیلی کمی داشت. یعنی در این بازه کوتاه، اینکه یک پست تازه‌تر باشد، لزوما دلیل اصلی بالا آمدنش نبود.

پس نتیجه مقاله این است: الگوریتم فقط یک قانون ثابت ندارد. بسته به موضوع، یک بار محبوبیت مهم‌تر می‌شود، یک بار شباهت موضع کاربران، و یک بار حتی سیگنال‌های تصادفی سهم زیادی می‌گیرند.

خود مقاله هم محتاط است. داده فقط از X آمده، دوره جمع‌آوری کوتاه بوده و مدل فقط چهار سیگنال را بررسی کرده. اما برای فهم عمومی الگوریتم‌ها، همین نتیجه مهم است: شفافیت واقعی یعنی بفهمیم در هر موضوع، سیستم چه چیزی را جلو می‌کشد. 💳 https://link.springer.com/article/10.1007/s43681-024-00527-1 ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 نشانه‌های متن AI Generated 🚨 زمان مطالعه: ۱ دقیقه 🔗 #هوش‌مصنوعی ویکی‌پدیا یه صفحه داره برای نشانه‌های متن AI Generated. نکته‌ی این صفحه این نیست که با دیدن یک کلمه بفهمیم متن حتما با AI نوشته شده. خود صفحه هم می‌گه این‌ها قانون قطعی نیستن. بیشتر شبیه چند رفتار تکراری‌ان که وقتی کنار هم زیاد دیده می‌شن، باید شک کرد. 🗯 چندتاش خیلی آشناست: ۱. متن الکی موضوع رو بزرگ می‌کنه. مثلا یک چیز معمولی ناگهان می‌شه «نقطه عطف»، «نشان‌دهنده یک روند بزرگ‌تر»، «نقش کلیدی در آینده» و از این مدل جمله‌ها. ۲. زیادی مرتب و بی‌خطر حرف می‌زنه. انگار می‌خواد همه چیز رو توضیح بده، ولی چیزی واقعا تیز یا خاص نمی‌گه. ۳. مدام از کلمه‌های کلی استفاده می‌کنه. تاثیر مهم، چشم‌انداز گسترده، اهمیت قابل توجه، بحث‌های گسترده، آینده امیدوارکننده. ۴. به جای اینکه بگه دقیقا چه اتفاقی افتاده، می‌گه «منابع مختلف اشاره کرده‌اند» یا «رسانه‌ها پوشش داده‌اند»، اما معلوم نیست کدوم منبع دقیقا چی رو ثابت می‌کنه. ۵. آخر متن هم معمولا یک جمع‌بندی تمیز و بی‌دردسر میاد. از آن مدل جمع‌بندی‌هایی که انگار برای هر موضوعی می‌شه گذاشت.

جالب‌تر اینکه ویکی‌پدیا می‌گه مشکل اصلی این نشانه‌ها نیست. مشکل اصلی وقتیه که متن منبع درست نداره، ادعای بزرگ می‌کنه، تحلیل سطحی می‌ده و فقط خوش‌فرم به نظر می‌رسه.

یعنی متن AI فقط به خاطر چند کلمه لو نمی‌ره. بیشتر وقتی لو می‌ره که می‌بینی جمله‌ها مرتب هستن، ولی فکر پشتشون نیست. 💳 https://en.wikipedia.org/wiki/Wikipedia:Signs_of_AI_writing ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 متن‌های خسته‌کننده را در ۳ ثانیه به اینفوگرافیک علمی تبدیل کنید 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #هوش‌مصنوعی 🔹 خداحافظی با طراحی دستی ​اگر در حال نوشتن مقاله با استفاده از یک پایان‌نامه قطور هستید، حتما می‌دانید که ژورنال‌های معتبر امروزی (مخصوصا در حوزه‌های علوم پزشکی و پایه) دیگر فقط به یک متن طولانی راضی نمی‌شوند. داشتن Graphical Abstract یا فلوچارت‌های دقیق از متدولوژی، شانس پذیرش مقاله شما را به شدت بالا می‌برد. 👋 ​اما مشکل کجاست؟ طراحی یک چرخه پیچیده‌ی پاتوفیزیولوژی، مسیر سیگنالینگ سلولی، یا فلوچارت ورود و خروج بیماران به مطالعه، به صورت دستی در نرم‌افزارهایی مثل Adobe Illustrator یا حتی پاورپوینت، ساعت‌ها زمان می‌برد، آن هم برای پژوهشگرانی که روزانه شاید بیشتر از ۳ یا ۴ ساعت زمان آزاد برای کار روی مقاله‌شان نداشته باشند. 💳 ​اینجاست که ابزار جادویی Napkin.ai تمام معادلات را به هم می‌ریزد. ​🎯 ابزار Napkin دقیقا چه کاری برای شما انجام می‌دهد؟ ​✔️ ۱. تبدیل مستقیم متن به دیاگرام (بدون نیاز به مهارت طراحی)

کافیست متن خام خود را (مثلا پاراگرافی که در آن مراحل انجام یک آزمایش یا چرخه یک بیماری را توضیح داده‌اید) در نپکین پیست کنید. هوش مصنوعیِ این ابزار، مفاهیم، ترتیب اتفاقات و ارتباطِ بین اجزا را درک می‌کند و بلافاصله چندین مدل فلوچارت، نقشه ذهنی و دیاگرام آماده را به شما پیشنهاد می‌دهد.

​✔️ ۲. ایده‌آل برای نگارش Methodology

یکی از سخت‌ترین بخش‌های داوری مقالات، فهمیدن دقیقِ روش کار شماست. با نپکین می‌توانید کل فرآیند انتخاب نمونه‌ها، معیارهای ورود و خروج و مراحل مداخله را به یک فلوچارتِ بصریِ شفاف تبدیل کنید که هر داوری با یک نگاه آن را متوجه شود.

​ ​✔️ ۳. شخصی‌سازی بی‌نهایت و خروجی‌های باکیفیت

نپکین فقط یک تصویر خشک و ثابت به شما نمی‌دهد. وقتی دیاگرام ساخته شد، می‌توانید روی هر بخش کلیک کنید، رنگ‌ها را تغییر دهید، آیکون‌های علمیِ مرتبط اضافه کنید و در نهایت، خروجی‌های باکیفیت (PNG, SVG یا PDF) بگیرید که کاملا منطبق بر استانداردهای سخت‌گیرانه‌ی ژورنال‌های بین‌المللی باشد.

​✔️ ۴. پویایی در ویرایش (Dynamic Editing)

اگر استاد راهنما یا داورِ ژورنال از شما بخواهد بخشی از مسیر یا متدولوژی را اصلاح کنید، نیازی نیست کل طراحی را از اول انجام دهید. کافیست متن مرجع را در نپکین ادیت کنید تا چارتِ شما به صورت خودکار آپدیت شود.

🔻 به جای اینکه در آخرین روزهای قبل از سابمیت مقاله به فکر ساخت گرافیکال ابسترکت بیفتید، از همان روز اولی که متن مقاله را می‌نویسید، پاراگراف‌های کلیدی و مکانیسم‌های مهم را وارد Napkin کنید. داشتن این تصاویر در طول مسیر، حتی به خودتان هم کمک می‌کند تا انسجام ذهنی بهتری برای ادامه نگارش داشته باشید. 🔗 نویسنده: آرین جزیده ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 پایان کابوس «منبع این پاراگراف کجا بود؟!» 🚨 زمان مطالعه: ۱ دقیقه 🔗 #هوش‌مصنوعی 🔻 ​یک سناریوی به شدت آشنا برای همه ما در حال تبدیل پایان‌نامه به مقاله هستید. یک پاراگراف علمی دقیق و درخشان (مثلا درباره یک مکانیسم پیچیده پاتوفیزیولوژی) نوشته‌اید، اما هرچه می‌گردید، رفرنسی که این ادعا را ثابت کند پیدا نمی‌کنید! ​وقتی در طول روز فقط چند ساعت محدود برای پیشبرد کار پژوهشی و نگارش مقاله فرصت دارید، جستجوی کورکورانه در دیتابیس‌ها برای پیدا کردن یک رفرنس گمشده، یعنی هدر دادنِ خالص زمان و انرژی. ​اینجاست که Sourcely.net به عنوان متخصصِ «منبع‌یابی معکوس» وارد میدان می‌شود. ​🎯 سورسلی چگونه شما را نجات می‌دهد؟ ​✔️ ۱. رفرنس‌دهی با پیست کردنِ متن (Reverse Citation)

به جای سرچ کردن کلمات کلیدی، کافیست همان پاراگرافی که نوشته‌اید (یا حتی یک ادعای علمی که در ذهن دارید) را کپی کرده و در سورسلی پیست کنید. هوش مصنوعی معنای متن شما را می‌فهمد و معتبرترین مقالاتی که دقیقا همان حرف را تایید می‌کنند، برایتان لیست می‌کند.

​✔️ ۲. فیلترهای سخت‌گیرانه برای مقالاتِ به‌روز

ژورنال‌های معتبر روی سالِ انتشار منابع حساس هستند. در سورسلی می‌توانید فیلتر بگذارید که فقط مقالاتِ ۵ سال اخیر را پیدا کند، یا جستجو را به حوزه‌های خاصی محدود کنید تا رفرنس‌های شما در بخش Introduction کاملا به‌روز و قابل دفاع باشند.

​✔️ ۳. جلوگیری از ریجکت شدن به خاطر نقصِ رفرنس

گاهی یک مفهوم را کاملا درک کرده‌ایم و با کلمات خودمان می‌نویسیم، اما فراموش می‌کنیم به منبع اولیه ارجاع دهیم. سورسلی مثل یک بازرسِ دقیق عمل می‌کند و کمک می‌کند قبل از سابمیت، برای هر خط از ادعاهای علمیِ مقاله‌تان، یک پشتوانه محکم پیدا کنید.

🔺 دفعه بعد که در بخش Discussion مقاله متوقف شدید و رفرنس کم آوردید، روند کار را متوقف نکنید. متن خود را بنویسید و در نهایت کل پاراگراف را به سورسلی بسپارید تا در کمتر از ده ثانیه، جای خالیِ رفرنس‌ها را با مقالات معتبر پر کند. 🔗 نویسنده: آرین جزیده ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 پایان محدودیت‌های اکانت دانشگاهی و دیتابیس‌های گران‌قیمت 🚨 زمان مطالعه: ۱ دقیقه 🔗 #هوش‌مصنوعی ​چند بار تا حالا پیش آمده که برای نوشتن بخش Literature Review یا بررسی سابقه یک موضوع علمی، به دلیل اکانت‌های تحریمی یا پولی Scopus و Web of Science گیر کنید؟ وقتی در طول روز زمان محدودی برای پیشبرد کار پژوهشی خود دارید، معطل ماندن برای گرفتن دسترسی دانشگاهی، فقط وقت و انرژی مفید شما را می‌سوزاند. 🔹 ​ابزار OpenAlex.org آمده تا کل شبکه دانش بشری را به صورت کاملاً رایگان، آزاد و بدون سانسور در اختیار شما بگذارد. ​🎯 چرا OpenAlex یک غولِ واقعی در دنیای پژوهش است؟ ​✔️ ۱. آرشیو عظیم با بیش از ۲۵۰ میلیون سند علمی

اوپن‌الکس جایگزین مستقیم دیتابیس‌های انحصاری است. این ابزار اطلاعات بیش از ۲۵۰ میلیون مقاله، کتاب، پایان‌نامه و همایش علمی را از سراسر جهان یک‌جا جمع‌آوری کرده است.

​ ​✔️ ۲. تحلیل شبکه ارتباطی مقالات (Citation Graph)

اوپن‌الکس فقط یک موتور جستجوی ساده نیست، بلکه یک «گراف دانش» است. به شما نشان می‌دهد که چه مقالاتی به هم ارجاع داده‌اند، کدام دانشگاه‌ها و پژوهشگران بیشترین سهم را در موضوع شما داشته‌اند و خط فکری این موضوع چطور رشد کرده است.

​✔️ ۳. میان‌بر برای پیدا کردن متونِ دسترسی آزاد (Open Access)

با فیلترهای دقیق اوپن‌الکس، می‌توانید فورا مقالاتی که Full-text آن‌ها آزاد و رایگان است را جدا کنید تا زمانتان برای دور زدن سدهای دانلود هدر نرود.

📊 اگر در مرحله انتخاب ژورنال برای سابمیت مقاله هستید یا می‌خواهید برجسته‌ترین محققانِ حوزه کاری خود را بشناسید، موضوع پژوهش‌تان را در OpenAlex سرچ کنید. گراف تحلیلیِ آن به شما نشان می‌دهد که چه ژورنال‌هایی بیشترین مقالات را در این زمینه چاپ کرده‌اند. 🔗 نویسنده: آرین جزیده ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 پایان جستجوهای کورکورانه! 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #هوش‌مصنوعی ​شاید یکی از فرسایشی‌ترین مراحل در پروسه تبدیل پایان‌نامه به یک مقاله ژورنالی، پروسه‌ی Literature Review باشد. وقتی روزانه فقط چند ساعت محدود برای پیشبرد مقاله‌تان زمان دارید، باز کردن ده‌ها تب در گوگل اسکالر یا پاب‌مد و خواندن چکیده‌های طولانی برای پیدا کردن یک دیتای کوچک، عملا تمام انرژی شما را می‌گیرد. ⭐️ ​اینجاست که ابزار Elicit به عنوان یک دستیار پژوهشی هوشمند وارد چرخه کار می‌شود. ​🎯 الیسیت دقیقاً چه کار می‌کند؟ ​✔️ ۱. جستجو دقیق و کامل (نه فقط کلمات کلیدی!)

در دیتابیس‌های سنتی باید کلمات کلیدی را با عملگرهای AND و OR ترکیب کنید. اما در الیسیت کافیست سوال خود را کامل بپرسید. مثلا «مکانیسم‌های پاتوفیزیولوژی درگیر در [نام بیماری] چیست؟» یا «تاثیر مکمل X بر کیفیت خواب چگونه است؟»، الیسیت با درک معنایی، مقالاتی را پیدا می‌کند که دقیقاً به این سوال پاسخ داده‌اند.

​✔️ ۲. استخراج داده‌ها در یک جدول آماده

این مهم‌ترین برگ برنده الیسیت است. وقتی مقالات پیدا شدند، این ابزار نتایج را در یک جدول به شما می‌دهد. شما می‌توانید ستون‌های جدول را سفارشی کنید، مثلا از او بخواهید از هر ۵۰ مقاله، «تعداد جامعه آماری»، «متدولوژی تحقیق»، «مداخله انجام شده» و «نتیجه نهایی» را استخراج کرده و در ستون‌های مجزا به شما نشان دهد.

​✔️ ۳. خلاصه‌سازی هوشمند (Abstract Summary)

الیسیت به جای اینکه کل چکیده را جلوی شما بگذارد، فقط همان یک جمله‌ای از مقاله را که مستقیما به سوال شما جواب داده است، جدا کرده و هایلایت می‌کند.

​💡 پیشنهاد نهایی اگر می‌خواهید در زمان صرفه‌جویی کنید، به جای دانلود ده‌ها مقاله نامرتبط، ابتدا سوال اصلی مقاله خود را در الیسیت سرچ کنید. جدول خروجی را بررسی کنید و فقط ۳ تا ۵ مقاله‌ای که دقیقاً به کارتان می‌آید را برای مطالعه عمیق‌تر انتخاب کنید. 🔗 نویسنده: آرین جزیده ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 معرفی Citeprobe | ابزار بررسی صحت رفرنس‌های مقالات 🚨 زمان مطالعه: ۱ دقیقه 🔗 #معرفی

وقتی جست‌وجوی یک ارجاع بی‌نتیجه می‌مونه، این لزوما به معنی جعلی بودن اون ارجاع نیست، ممکنه Meta Data ناقص باشه، API از کار بیفته، یا نسخه preprint با نسخه منتشرشده فرق داشته باشه. ابزار Citeprobe دقیقا برای همین ساخته شده تا این حالت‌ها رو از هم جدا نگه داره و به‌جای قضاوت عجولانه، شواهد رو ثبت و شفاف کنه.

⭐️ ابزار Citeprobe چیکار می‌کنه؟ یک ابزار متن‌باز برای Python و ترمینال که ارجاعات علمی رو به‌صورت evidence-first بررسی می‌کنه. برخلاف خیلی از ابزارهای مشابه، از هیچ LLM استفاده نمی‌کنه، بلکه ثبت می‌کنه که هر منبع دقیقاً چه پاسخی داده، تک‌تک نویسنده‌های ذکرشده رو چک می‌کنه و توضیح می‌ده چرا به یک verdict رسیده. 💬 قابلیت‌های کلیدی 🔽 بررسی DOI، PMID، PMCID و ارجاعات کپی‌شده یا فایل‌های bib/ris/json و حتی PDF 🔽 استخراج ارجاعات از PDF با pypdf، GROBID یا OCR (بدون نیاز به GPU) 🔽 تشخیص جداگانه‌ی truncation نویسنده‌ها، تغییر ترتیب، retraction، duplicate و تعارض بین منابع 🔽 پرس‌وجوی هم‌زمان از Crossref، OpenAlex، Semantic Scholar، DBLP، arXiv، Europe PMC و چند منبع دیگه با کش روی دیسک 📊 نکته‌ی مهم طراحی در این ابزار verdictها شفاف و صادقانه‌ان. verified یعنی شواهد کافی بوده و همه‌ی checkها پاس شدن، problematic یعنی حداقل یک تناقض جدی پیدا شده، و inconclusive یعنی شواهد کافی نبوده. یک خطای شبکه یا جست‌وجوی خالی هرگز به ادعای جعل تبدیل نمی‌شه. همچنین «et al.» به‌عنوان یک نشانگر در نظر گرفته می‌شه، نه اسم نویسنده. 📌 چرا مهمه؟ در دورانی که تولید انبوه متن با AI و ارجاعات جعلی (مثل ماجرای مقالات NeurIPS) به یک نگرانی جدی تبدیل شده، ابزاری که شواهد رو شفاف، تکرارپذیر و قابل replay نگه داره، برای حفظ اعتبار زنجیره‌ی دانش علمی ارزشمنده. 💻 نصب و شروع سریع:

python -m pip install "citeprobe @ git+https://github.com/Imanm02/citeprobe.git"

🔗 لینک ریپازیتوری: 🔗 https://github.com/Imanm02/citeprobe ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 نابغه اصفهانی بر قله علوم کامپیوتر جهان | شایان اویس‌قرن و مدال آباکوس ۲۰۲۶ 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #علوم‌کامپیوتر 🔗 #ریاضیات شایان اویس‌قرن، ریاضی‌دان ایرانی متولد اصفهان و استاد دانشگاه واشنگتن، مدال آباکوس ۲۰۲۶ اتحادیه بین‌المللی ریاضیات (IMU) را دریافت کرد؛ یکی از معتبرترین جوایز جهان در علوم کامپیوتر نظری که هر چهار سال یک‌بار به یک پژوهشگر زیر ۴۰ سال اهدا می‌شود. کمیته داوری، استفاده او از ابزارهای نوین ریاضی از حوزه‌هایی به‌ظاهر بی‌ارتباط با علوم کامپیوتر را دلیل این افتخار عنوان کرد. ⭐️ شکستن رکورد ۴۰ ساله برای بیش از ۴۰ سال، «مسئله فروشنده دوره‌گرد» (پیدا کردن کوتاه‌ترین مسیر برای سرزدن به چندین شهر) توسط الگوریتمی که نیکوس کریستوفیدس در سال ۱۹۷۶ ارائه کرده بود، محدود مانده بود. این الگوریتم همیشه مسیری پیدا می‌کرد که حداکثر ۵۰٪ طولانی‌تر از مسیر بهینه بود و کسی نتوانسته بود آن را بهبود دهد. اویس‌قرن به‌همراه همکارانش (آنا کارلین و ناتان کلاین) در سال ۲۰۱۹ بالاخره این رکورد را شکستند. 💬 راز موفقیت: تفکر متفاوت او به‌جای تکیه صرف بر روش‌های سنتی علوم کامپیوتر، ایده‌هایی از احتمال، جبر، هندسه و شاخه‌های دیگر ریاضیات را ترکیب کرد. کلید کار، بازنویسی مسئله در قالب چندجمله‌ای‌ها (Polynomials) بود؛ روشی که خودش آن را «یک انحراف مسیر» یا detour می‌نامد. یعنی مسئله را به فضایی دیگر می‌برد، آنجا حلش می‌کند و نتیجه را به مسئله اصلی برمی‌گرداند. 📊 انقلاب در الگوریتم‌های نمونه‌گیری دستاورد او فقط به فروشنده دوره‌گرد محدود نمی‌شود. اویس‌قران با پژوهش روی الگوریتم‌های نمونه‌گیری مونت‌کارلوی زنجیره مارکوف و مفهوم «استقلال طیفی» (Spectral Independence)، توانست حدس میهیل-وازیرانی را که ۳۰ سال باز مانده بود اثبات کند و مسیر تازه‌ای در مطالعه الگوریتم‌های تصادفی باز کند. به گفته امش وازیرانی: «این نتیجه‌ای خیره‌کننده بود؛ واقعاً شبیه یک جادو به نظر می‌رسید.» 🎓 از المپیاد تا واشنگتن او متولد ۱۹۸۶ در اصفهان، مدال طلای المپیاد جهانی کامپیوتر ۲۰۰۴، فارغ‌التحصیل دانشگاه صنعتی شریف و سپس استنفورد است. مدال آباکوس شامل یک مدال طلا و ۱۰ هزار یورو جایزه نقدی است که با حمایت مشترک دانشگاه هلسینکی و بنیاد سیمونز تامین می‌شود.

سخت‌ترین مسائل معمولاً با «بیشتر تلاش کردن» حل نمی‌شوند، بلکه با «متفاوت فکر کردن» و جسارت بازتعریف خود مسئله حل می‌شوند.

🔗 https://www.quantamagazine.org/a-master-of-the-traveling-salesperson-problem-finds-his-own-path-20260723/ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 وقتی «اشتراک با لینک» یعنی «پخش در گوگل» | فاجعه ایندکس‌شدن چت‌های Claude 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #هوش‌مصنوعی دیروز معلوم شد با یک ترفند ساده جست‌وجو در گوگل، می‌شه به هزاران مکالمه خصوصیِ کاربران با چت‌بات Claude دسترسی پیدا کرد. ماجرا از این قراره: 🔺 یک کاربر با استفاده از یک Google Dork ساده (چیزی شبیه site:claude.ai/share) نشون داد که تمام چت‌هایی که کاربرها با گزینه «Share» به اشتراک گذاشته بودن، توسط گوگل ایندکس شدن و برای همه قابل سرچ هستن. مشکل اصلی اینجاست: «اشتراک با یک لینک» قرار نبوده به معنی «پخش همگانی روی موتور جست‌وجو» باشه. حالا این یک نقض حریم خصوصی گسترده و اشتباه بزرگ از سمت Anthropic هست. راه‌حل ساده‌ای وجود داشته که رعایت نشده: استفاده از تگ noindex تا موتورهای جست‌وجو این صفحات رو ایندکس نکنن، مخصوصا که OpenAI هم دقیقا همین اشتباه رو سال قبل مرتکب شده بود و درسش گرفته نشده. 📁 چه چیزهایی لو رفت؟ کاربرها بین این چت‌ها به موارد نگران‌کننده‌ای برخوردن: 🔽 ساخت یک crypto wallet همراه با نمایش کامل private keyها 🔽 یک وکیل که می‌پرسید آیا باید تخلف حرفه‌ای خودش را گزارش کنه یا نه 🔽 اطلاعات حساس شخصی مثل رزومه، اسم کامل افراد و حتی شماره‌های شناسایی 🔽 حجم زیادی محتوای کاملا نامناسب که گاهی حتی با برچسب «shared by Anthropic» ظاهر می‌شد

دو مسئله جدا از هم وجود داره. اول اینکه خودِ کاربرها این چت‌ها رو با گزینه Share عمومی کرده بودن (خطای کاربر)، و دوم اینکه Anthropic باید با یک تگ ساده جلوی ایندکس‌شدن این صفحات رو می‌گرفت (خطای شرکت). مسئولیت اصلی متوجه طراحیِ ناقصِ این قابلیته.

✅ واکنش و راه‌حل بعد از وایرال‌شدن ماجرا شرکت Anthropic به‌سرعت مشکل رو در گوگل برطرف کرد و نتایج شروع به ناپدیدشدن کردن. اما کاربرها گزارش دادن که همون چت‌ها برای مدتی هنوز روی Bing و Brave Search در دسترس بودن. پیشنهاد می‌شه همین حالا برید سراغ تنظیمات و چت‌های اشتراکی خودتون رو چک کنید:

Settings → Privacy → Shared Chats

همچنین هیچ‌وقت اطلاعات حساس (کلید رمزارز، داده شخصی، مسائل حقوقی و...) رو حتی در حالت «اشتراک خصوصی» وارد نکنید. 📑 منبع: 🔗 https://www.reddit.com/r/ClaudeAI/comments/1v6fiyj/you_can_view_a_lot_of_shared_conversations_via/ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

🔻 سیاست پلتفرم‌ها درباره جمع‌آوری داده چیست؟ 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #مقاله 🔺 مقاله «No Robots, Spiders, or Scrapers» به یکی از چالش‌های مهم پژوهش در فضای آنلاین می‌پردازد: آیا پژوهشگرها می‌توانند داده‌های شبکه‌های اجتماعی را جمع‌آوری کنند، حتی اگر قوانین پلتفرم این کار را ممنوع کرده باشد؟ 🔹 نویسندگان برای پاسخ به این سوال، شرایط استفاده یا همان Terms of Service مربوط به ۱۱۶ پلتفرم اجتماعی را بررسی کردند. نتیجه جالب بود: ۹۱ پلتفرم درباره جمع‌آوری داده قانون مشخصی داشتند، اما این قوانین معمولا مبهم، ناهماهنگ و بدون توجه به زمینه بودند. یعنی پلتفرم‌ها خیلی وقت‌ها فقط می‌گویند «جمع‌آوری داده ممنوع است»، اما توضیح نمی‌دهند منظورشان چه نوع داده‌ای، چه روشی و برای چه هدفی است. 🔺 سیاست پلتفرم‌ها در این مقاله به چهار دسته اصلی تقسیم شده است: ۶۳ سایت جمع‌آوری خودکار با ابزارهایی مثل bot، scraper، crawler یا spider را ممنوع کرده بودند؛ ۴۷ سایت به شکل کلی جمع‌آوری داده را محدود کرده بودند؛ ۱۴ سایت حتی جمع‌آوری دستی یا کپی کردن اطلاعات را هم ممنوع می‌دانستند؛ و ۲۴ سایت گفته بودند برای جمع‌آوری داده باید از خود پلتفرم یا کاربران اجازه گرفته شود. 🔹 نکته مهم این است که بیشتر این قوانین بین یک پژوهش دانشگاهی، ساختن رقیب تجاری، یا سوءاستفاده از اطلاعات کاربران تفاوتی نمی‌گذارند. برای مثال ممکن است جمع‌آوری داده برای بررسی تبعیض الگوریتمی از نظر اجتماعی مفید باشد، اما همان قانون خشک پلتفرم آن را کنار جمع‌آوری تجاری داده قرار دهد. از طرف دیگر، نبودن ممنوعیت در TOS هم به معنی اخلاقی بودن کار نیست؛ چون پشت هر داده، یک کاربر واقعی قرار دارد.

پیام اصلی مقاله این است که تصمیم‌گیری اخلاقی درباره داده‌های آنلاین نباید فقط با یک چک‌لیست حقوقی انجام شود. باید دید داده از چه کسانی جمع می‌شود، چقدر حساس است، هدف پژوهش چیست، کاربران چه انتظاری از حریم خصوصی دارند و آیا انتشار نتایج می‌تواند به افراد آسیب بزند یا نه. در واقع، قانون پلتفرم فقط یک بخش ماجراست؛ بخش مهم‌تر، زمینه و اثر واقعی استفاده از داده‌هاست.

📑 لینک مقاله: 🔗 https://ojs.aaai.org/index.php/ICWSM/article/view/7290/7144 ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

🔻 چطور درباره هر موضوعی مثل یک دانشجوی PhD تحقیق کنیم؟ 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #پژوهش 🔺 شارلوت فرازا در این آموزش به یک مسئله مهم اشاره می‌کند: تحقیق عمیق فقط سرچ کردن چند کلمه در گوگل نیست. در دنیایی که پر از اطلاعات ناقص، تیترهای اغراق‌آمیز و برداشت‌های سطحی است، توانایی تحقیق کردن می‌تواند به یک مهارت بسیار ارزشمند تبدیل شود. 🔹 قدم اول، تبدیل یک موضوع کلی به یک سوال دقیق است. مثلا «سلامت روان» موضوع خیلی بزرگی است، اما وقتی آن را به سوالی مثل «تاثیر وضعیت اقتصادی پایین در کودکی بر احتمال بروز اختلالات روان‌پزشکی در آینده چیست؟» تبدیل می‌کنیم، مسیر جست‌وجو روشن‌تر می‌شود و منابع بهتری پیدا می‌کنیم. 🔺 بعد از مشخص شدن سوال، باید وارد مرحله «شکار ادبیات علمی» شد؛ یعنی شروع از مقاله‌های مروری معتبر، بررسی منابع آن‌ها، دنبال کردن مقاله‌هایی که به آن‌ها ارجاع داده‌اند و ساختن یک شبکه از مقالات مهم. ابزارهایی مثل Google Scholar، Research Rabbit، Zotero یا Notion می‌توانند کمک کنند تا این مسیر از حالت پراکنده خارج شود و به یک نقشه قابل پیگیری تبدیل شود. 🔹 نکته مهم دیگر، خواندن انتقادی است. هر مقاله‌ای قابل اعتماد نیست و حتی پژوهش‌های خوب هم محدودیت دارند. باید دید چه کسی مقاله را تامین مالی کرده، آیا داده‌ها واقعا با تیتر مقاله همخوانی دارند یا نه، و آیا نویسنده بین همبستگی و رابطه علت‌ومعلولی تفاوت گذاشته است یا خیر. فرازا تاکید می‌کند که اگر یک مقاله در بخش discussion محدودیت‌های خودش را شفاف توضیح دهد، این معمولا نشانه خوبی است. 🔺 در نهایت، تحقیق زمانی عمیق می‌شود که از حالت مصرف اطلاعات خارج شویم. بهتر است برای خودمان یک برنامه یادگیری بسازیم، یادداشت‌های روزانه داشته باشیم، سوال‌های باز را ثبت کنیم و در پایان هر جلسه از خودمان بپرسیم: امروز چه یاد گرفتم؟ چه چیزی هنوز نامشخص است؟ قدم بعدی چیست؟ نوشتن یک مقاله کوتاه، پست وبلاگی یا حتی توضیح دادن موضوع روی وایت‌برد، دانش پراکنده را به فهم واقعی تبدیل می‌کند. 📑 لینک منبع: 🔗 https://www.youtube.com/watch?v=6gjzCrOFETE ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 شبیه‌سازی مغز مگس؛ گام غول‌آسا به سمت درک مغز انسان با پروژه FlyWire 🚨 زمان مطالعه: ۲ دقیقه 🔗 #هوش‌مصنوعی 🔗 #مقاله

یکی از بزرگ‌ترین رویاهای بشر، نقشه‌برداری کامل و شبیه‌سازی مغز انسان است. مغز ما با حدود ۸۶ میلیارد نورون، پیچیده‌ترین ساختار شناخته‌شده در جهان است. برای رسیدن به آن قله، دانشمندان باید از یک نقطه آغاز می‌کردند؛ و چه انتخابی بهتر از مگس سرکه (Drosophila) که با وجود مغز کوچک، رفتارهای بسیار پیچیده‌ای مثل پرواز، مسیریابی و رفتارهای اجتماعی دارد؟

پروژه بین‌المللی FlyWire دقیقاً همین کار را انجام داده است. ⭐️ دستاوردی به نام Connectome پروژه FlyWire موفق شد برای اولین بار، نقشه کامل و سلول‌به‌سلول تمام نورون‌ها و اتصالات سیناپسی مغز یک حشره بالغ را ترسیم کند. 🔽 ابعاد پروژه: این نقشه شامل دقیقاً ۱۳۹,۲۵۵ نورون و بیش از ۵۴.۵ میلیون اتصال سیناپسی است! 🔽 تلفیق هوش مصنوعی و انسان: تصاویر میکروسکوپ الکترونی مغز ابتدا توسط مدل‌های AI بخش‌بندی و بازسازی شدند؛ سپس یک ارتش داوطلب از دانشمندان و بیش از ۱۰۰ شهروند-پژوهشگر با تصحیح خطاهای AI، این پازل سه‌بعدی غول‌آسا را تکمیل کردند. 💬 چرا مگس سرکه برای درک مغز انسان مهم است؟ شاید بپرسید یک مگس کوچک چه ربطی به ما دارد؟ 🔽 شباهت ژنتیکی عجیب: حدود ۷۵٪ از ژن‌های مرتبط با بیماری‌های انسانی در مگس سرکه هم وجود دارند. 🔽 اصول مشترک سیم‌کشی: این پروژه نشان داد که چگونه مدارهای عصبی تصمیم‌گیری می‌کنند یا فرمان توقف حرکت را صادر می‌کنند. کشف این الگوهای پایه‌ای در مغز مگس، به ما در پیدا کردن فرآیندهای مشابه در مغز انسان و توسعه درمان بیماری‌های عصبی کمک می‌کند. 📊 آپدیت جدید ۲۰۲۶: از مغز تا نخاع (پروژه BANC) پس از انتشار نقشه مغز، محققان دانشگاه هاروارد و پرینستون در ژوئن ۲۰۲۶ گام بعدی را برداشتند: اتصال این نقشه به «طناب عصبی» (معادل نخاع انسان). این کار به دانشمندان اجازه می‌دهد ببینند مغز چگونه به صورت فیزیکی بال‌ها، پاها و حسگرهای مگس را کنترل می‌کند. یعنی ما از یک نقشه ایستا، به سمت درک یک سیستم کنترل بدنیِ کامل حرکت کرده‌ایم.

رسانه‌ها گاهی با تیترهای زرد مدعی می‌شوند که «اولین مغز در کامپیوتر آپلود شد!». اما حقیقت این است که کار FlyWire شبیه‌سازی زنده و لحظه‌ای تفکر نیست، بلکه ساخت یک اطلس ساختاری فوق‌دقیق (مثل نقشه گوگل با تمام کوچه‌ها و پلاک‌ها) است. این نقشه ساختاری، زیربنای لازم برای شبیه‌سازی‌های کامپیوتری رفتار و عملکرد نورون‌ها را فراهم می‌کند.

💻 چرا این پروژه آینده هوش مصنوعی را تغییر می‌دهد؟ شبکه‌های عصبی مصنوعی فعلی (مانند LLMها) بسیار تشنه انرژی هستند. با مطالعه نحوه سیم‌کشی مغز مگس که با مصرف انرژی ناچیزی کارهای فوق‌العاده پیچیده انجام می‌دهد، دانشمندان کامپیوتر می‌توانند معماری‌های جدید و بهینه‌تری برای تراشه‌ها و مدل‌های هوش مصنوعی طراحی کنند. 🌐 لینک وب‌سایت پروژه برای گشت‌وگذار در مغز مگس: 🔗 https://flywire.ai/ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 انجام Literature Review دنیای امروز | نقش AI در مطالعه مقالات 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #هوش‌مصنوعی 🔗 #مقاله تا چند سال پیش، پژوهشگرها معمولاً مقاله‌ها را یکی‌یکی می‌خواندند، خلاصه می‌کردند و بعد سعی می‌کردند ارتباط بین آن‌ها را پیدا کنند. اما با پیشرفت LLMها مثل Claude و ChatGPT، روش مطالعه ادبیات پژوهشی (Literature Review) به‌تدریج در حال تغییر است. ⭐️ روند جدید چیست؟ به‌جای تحلیل جداگانه هر مقاله، پژوهشگرها مجموعه‌ای از ده‌ها مقاله را هم‌زمان در اختیار مدل قرار می‌دهند تا ابتدا یک تصویر کلی از حوزه بسازد. سپس AI ارتباط بین مقاله‌ها، شباهت‌ها و تفاوت دیدگاه‌ها، روند تکامل ایده‌ها، روش‌های تحقیق، نقاط توافق و اختلاف، و حتی خلأهای پژوهشی را استخراج می‌کند. 💬 خروجی فقط «خلاصه مقاله‌ها» نیست نسل جدید ابزارهای AI بیشتر از اینکه صرفاً هر مقاله را خلاصه کنند، تلاش می‌کنند دانش موجود در کل مجموعه را سنتز کنند؛ یعنی نشان دهند که جامعه علمی امروز درباره یک موضوع چه می‌داند، روی چه مواردی اختلاف نظر دارد، چه فرض‌هایی بدون بررسی پذیرفته شده‌اند و کدام سؤال‌های مهم هنوز پاسخ روشنی ندارند. 📊 چرا اهمیت دارد؟ در حوزه‌هایی که هر هفته صدها مقاله جدید منتشر می‌شود، مطالعه تک‌تک مقالات تقریباً غیرممکن است. استفاده درست از AI می‌تواند زمان لازم برای درک نقشه کلی یک حوزه را از چندین روز یا حتی چند هفته، به چند ساعت کاهش دهد و به پژوهشگر کمک کند سریع‌تر وارد مرحله تحلیل عمیق و ایده‌پردازی شود. 📌 اما یک نکته مهم هنوز AI جایگزین خواندن دقیق مقالات نیست. مدل‌ها ممکن است برخی جزئیات را اشتباه تفسیر کنند یا ارتباط‌هایی را بیش از حد ساده‌سازی کنند. به همین دلیل، بهترین رویکرد این است که از AI برای ساختن تصویر کلی و پیدا کردن مسیر مطالعه استفاده شود و سپس مقالات کلیدی به‌صورت مستقیم توسط پژوهشگر بررسی شوند. 🔖 نکته جالب اینجاست که در بسیاری از گروه‌های پژوهشی، AI دیگر فقط یک ابزار برای خلاصه‌سازی نیست؛ بلکه به دستیار اصلی پژوهشگران برای تحلیل، مقایسه و سازمان‌دهی حجم عظیم ادبیات علمی تبدیل شده است. ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 معرفی CORE / ICORE Conference Portal | مرجع رتبه‌بندی کنفرانس‌ها 🚨 زمان مطالعه: ۱ دقیقه 🔗 #مقاله اگه تو حوزه علوم کامپیوتر کار می‌کنید و می‌خواید قبل از سابمیت مقاله بفهمید یه کنفرانس واقعاً معتبره یا نه، پورتال CORE (که حالا با اسم بین‌المللی ICORE شناخته می‌شه) دقیقاً همون ابزاریه که لازم دارید. ⭐️ این سایت چیه؟ پورتال ICORE یک پایگاه رتبه‌بندی کنفرانس‌های علمیه که هر کنفرانس رو بر اساس کیفیت و اعتبار به رده‌های مشخص تقسیم می‌کنه. این رتبه‌بندی یک همکاری بین‌المللیه و مرجع خیلی از دانشگاه‌ها برای ارزیابی محل انتشار مقالاته. 💬 رتبه‌بندی چطوریه؟ رده‌بندی کنفرانس‌ها معمولاً به این شکله: رده‌ی A*: کنفرانس‌های سطح اول و پرچمدار هر حوزه رده‌ی A: کنفرانس‌های بسیار معتبر رده‌ی B: کنفرانس‌های خوب و قابل اعتنا رده‌ی C: کنفرانس‌هایی که استانداردهای پایه رو رعایت می‌کنن 📊 چطوری ازش استفاده کنیم؟ اسم کنفرانس یا کلیدواژه رو تو قسمت Search by وارد می‌کنید، با انتخاب Source (مثل ICORE2026) می‌تونید نسخه به‌روز رتبه‌بندی رو ببینید، برای هر کنفرانس، رتبه، حوزه پژوهشی (Fields of Research codes) و جزئیات دیگه نمایش داده می‌شه.

انتخاب کنفرانس درست، هم روی اعتبار رزومه شما اثر می‌ذاره، هم توی ارزیابی‌های دانشگاهی. این پورتال کمک می‌کنه از سابمیت به کنفرانس‌های بی‌اعتبار یا predatory دوری کنید و برنامه‌ریزی بهتری برای انتشار کارتون داشته باشید.

🔗 https://portal.core.edu.au/conf-ranks/ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 دانشمندی با ۵ میلیون Citation یا باگ Google Scholar؟ 🚨 زمان مطالعه: ۱ دقیقه 🔗 #مقاله چند هفته اخیر یک پروفایل Google Scholar در لینکدین و X وایرال شده که بیش از ۵.۴ میلیون Citation و h-index حدود ۱۸۷۰ دارد؛ عددی که از بسیاری از مشهورترین دانشمندان جهان هم بالاتر است. ⭐️ چرا این پروفایل بحث‌برانگیز شده؟ بیش از ۲۵۰۰ اثر در ORCID ثبت شده صدها مقاله و «تئوری» در موضوعات کاملاً متفاوت ده‌ها مقاله سال ۲۰۲۵ که هر کدام بیش از ۱۰۰۰ Citation گرفته‌اند 💬 بسیاری از پژوهشگران علم‌سنجی معتقدند این پرونده بیشتر از آنکه یک رکورد علمی واقعی باشد، نمونه‌ای از ضعف Google Scholar در برابر Citation Spam و شبکه‌های استناد مصنوعی است. 📊 نکته جالب اینجاست که بحث اصلی دیگر درباره این فرد نیست؛ بلکه درباره این سؤال است:

آیا در عصر AI و تولید انبوه محتوا، هنوز می‌توان Citation Count و h-index را معیار قابل اعتمادی برای سنجش کیفیت پژوهش دانست؟

🔖 شاید بزرگ‌ترین درس این ماجرا این باشد که «هر عدد بزرگی لزوماً نشانه تأثیر علمی بزرگ نیست.» ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 شورش در امپراطوری متا | وقتی مهندسان واحد هوش مصنوعی، محل کارشان را «گولاگ» می‌نامند 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #هوش‌مصنوعی در ادامه‌ی ماجرای اخراج‌های گسترده متا که قبلاً درباره‌اش نوشتیم، حالا گزارش جدیدی از Wired نشان می‌دهد که نارضایتی در تیم هوش مصنوعی این شرکت به مرز انفجار رسیده است. ماجرا از این قرار است: ⭐️ جرقه‌ی بحران در یک ارائه‌ی زنده و مخصوص کارمندان، فردی استریم را هایجک کرد و با لحنی پر از فحاشی خواست که حضار به یکی از مدیران ارشد AI متا بگویند او «یک آدم بی‌ارزش» است. گزارش شده که یکی از ارائه‌دهنده‌ها از شرمندگی صورتش را با دست‌هایش پوشاند. این اتفاق، بازتاب خشم فروخورده در واحدی سه‌ماهه با حدود ۶,۵۰۰ مهندس و مدیر محصول است. 💬 سربازان اجباری! بسیاری از کارمندان از طریق یک ایمیل غافلگیرکننده فهمیدند که به این تیم منتقل شده‌اند؛ فرآیندی که یک نفر آن را «کاملاً تصادفی» توصیف کرد. آن‌ها خودشان را «سرباز اجباری» می‌نامند، چون عملاً حق انتخابی جز «بپذیر یا استعفا بده» نداشتند. 📁 چرا این کار را می‌کنند؟ طبق اعلامیه داخلی، مدل‌های AI متا هنوز دانش کافی برای پیشی گرفتن از انسان در کارهای فنی مثل کدنویسی را ندارند. وظیفه‌ی این تیم؟ تولید پازل و مسائل کدنویسی برای آموزش مدل‌ها. یک کارمند به Wired گفت: «این عیناً گولاگ است.» دیگری گفت: «اکثر افراد این کار را روح‌فرسا می‌دانند.» 🖼 منطق زاکربرگ در یک فایل صوتی لو رفته، مارک زاکربرگ دلیل استفاده از کارمندان به جای پیمانکاران بیرونی را توضیح می‌دهد: الکساندر وانگ (که استارتاپ Scale AI را به قیمت ۱۴.۳ میلیارد دلار به متا فروخت) دنیای data-labeling را خوب می‌شناسد، و ضمناً هوش کارمند متوسط متا «به‌طور قابل‌توجهی بالاتر» از پیمانکاران طرف‌سوم است. 📌 فضای سمی فراتر از یک تیم، بیش از ۱,۶۰۰ کارمند متا طوماری را علیه برنامه‌ای امضا کرده‌اند که کلیک‌ها و کلیدهای فشرده‌شده‌ی آن‌ها را برای داده‌های آموزشی AI رصد می‌کند. فضا آن‌قدر تاریک است که مدیر ارشد محصول، Chris Cox، مجبور شد در یک تماس درباره‌ی محیط «بی‌رحم» شرکت صحبت کند. 🍏 زاکربرگ در یادداشت داخلی روز جمعه پذیرفت که تغییرات اخیر «باعث ناراحتی» شده و شرکت اشتباهاتی کرده که قصد اصلاحشان را دارد. او نوشت: «ستاره‌ی شمال متا این است که بهترین مکان برای بااستعدادترین افراد جهان باشد.» اما به‌نظر می‌رسد فاصله‌ی این شعار با واقعیتِ روی زمین، همان چیزی است که مهندسان آن را «گولاگ» می‌نامند. 🔗 https://techcrunch.com/2026/06/12/metas-months-old-ai-unit-is-a-soul-crushing-gulag-say-the-engineers-stuck-inside-it/ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 وقتی بازی Pokémon Go ناخواسته به آموزش هوش مصنوعی نظامی کمک کرد 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #هوش‌مصنوعی تصور کنید سال‌ها فقط برای گرفتن یه پاداش کوچیک توی یه بازی موبایلی، از محیط اطرافتون فیلم و اسکن گرفتید؛ حالا معلوم شده همون داده‌ها پای یک فناوری ناوبری پهپادی به میدون باز کرده. ⭐️ ماجرا از کجا شروع شد؟ بازی Pokémon Go در آپدیت سال ۲۰۲۱، قابلیتی به اسم AR Scan معرفی کرد که از کاربران می‌خواست در ازای پاداش درون‌بازی، از مکان‌های واقعی فیلم بگیرن و اسکن آپلود کنن (با opt-in داوطلبانه). شرکت Niantic این اسکن‌ها رو جمع‌آوری کرد و بعداً، قبل از فروش بخش گیمینگش در ۲۰۲۵، ازشون برای آموزش مدل‌های مکانی هوش مصنوعی استفاده کرد. 💬 ارتباط نظامی کجا پیدا شد؟ شرکت Niantic Spatial (اسپین‌آف Niantic) در دسامبر ۲۰۲۵ با شرکت Vantor، فعال در نرم‌افزار تشخیص فضایی برای پهپادها، از جمله پهپادهای نظامی، وارد همکاری شد. هدف این همکاری: ناوبری دقیق در محیط‌هایی که GPS در دسترس نیست یا دچار jamming و spoofing شده. همین داده‌های اسکن‌شده، پایه سیستم Visual Positioning System (VPS) این شرکت رو ساختن. 📌 نکته مهم درباره صحت خبر اینجا باید دقیق بود و دچار اغراق نشیم. آنچه مستند شده: ۱. داده‌های اسکن Pokémon Go در آموزش مدل‌های پایه (foundation models) ‏Niantic Spatial نقش داشتن. ۲. همچنین ‏Niantic Spatial با شرکت دفاعی Vantor همکاری داره. ۳. این همکاری برای ناوبری در شرایط اختلال GPS طراحی شده. هر دو شرکت تأکید کردن که داده‌های خام بازی مستقیماً به Vantor منتقل نشده، و خود Vantor هم از پاسخ صریح به میزان اتکای سامانه نظامی به این داده‌ها خودداری کرده.

این پرونده یک نمونه از یک نگرانی بزرگ‌تره: استفاده از داده‌های غیرنظامی برای اهداف نظامی. به قول Tom Sulston از Digital Rights Watch، اکثر مردم متن طولانی Terms of Service رو نمی‌خونن و همین باعث می‌شه کاربر، به‌جای «مشتری»، تبدیل به «محصولی برای فروش» بشه. دکتر Rob Nicholls از دانشگاه Sydney هم می‌گه این فقط نوک کوه یخه؛ همون‌طور که قبلاً داده‌های Strava برای شناسایی موقعیت پایگاه‌های نظامی استفاده شد.

📊 عددی که سروصدا کرد گزارش DroneXL (۹ ژوئن ۲۰۲۶) ادعا کرده حدود ۳۰ میلیارد اسکن محیطی توسط کاربران جمع‌آوری شده؛ رقمی که نشون می‌ده ابعاد این دیتاست چقدر عظیمه. 🎙 منبع رسمی: 🔗 https://www.theguardian.com/technology/2026/jun/12/pokemon-go-data-trained-ai-that-could-assist-military-drones-in-war-zones ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»