علی راشدی - یادداشت‌ها

اگه یه مدت در حوزه Machine Learning کار کرده باشید، احتمالاً یه جایی متوجه می‌شید که ساختن خود مدل فقط بخشی از ماجراست. مسئله اصلی از جایی شروع می‌شه که بخواید مدل رو وارد یک سیستم واقعی کنید؛ جایی که داده دائماً تغییر می‌کنه، مدل باید Deploy بشه، Performance مانیتور بشه و اگر شرایط عوض شد، سیستم بتونه خودش رو با وضعیت جدید تطبیق بده. 📘 Designing Machine Learning Systems ✍️ Chip Huyen این کتاب دقیقاً روی همین بخش تمرکز داره؛ یعنی طراحی سیستم‌های ML واقعی و Production-Ready. موضوعاتی مثل: • طراحی Data Pipeline • Training و Deployment • Data Distribution Shift • Monitoring • Continual Learning • انتخاب معماری مناسب برای سیستم‌های ML اگر الگوریتم‌های ML رو بلدید و می‌خواید یک لایه بالاتر برید و بفهمید Machine Learning در دنیای واقعی چطور ساخته و نگهداری می‌شه، این کتاب واقعاً ارزش خوندن داره. @alirashedi1

🤖 آنتروپیک از Claude Opus 5.5 رونمایی کرد؛ اولین عضو خانواده‌ی جدید Claude 5.5. چیزی که این مدل رو جالب می‌کنه فقط قوی‌تر شدنش نیست؛ آنتروپیک می‌گه Opus 5.5 توی خیلی از کارها در سطح Claude Fable 5.1 ظاهر می‌شه، ولی اجرای کارهای معمول باهاش حدود ۴۰٪ ارزان‌تر از Opus 5 درمیاد. از نظر فنی هم پیشرفت اصلی روی کدنویسی Agentic، کار با کامپیوتر و Knowledge Work بوده. خروجی مدل طبق تست‌های خود آنتروپیک بیشتر از ۳۰٪ سریع‌تر تولید می‌شه و برای انجام یک کار، معمولاً به توکن و منابع محاسباتی کمتری نیاز داره. یه بخش جالب‌تر ماجرا هم ایمنیه. Opus 5.5 قبل از انتشار توسط ارزیاب‌های خارجی از جمله METR و Frontier Design تست شده و آنتروپیک می‌گه در جامع‌ترین تست داخلی هم‌راستایی خودش، بهترین نتیجه‌ای رو گرفته که تا امروز بین مدل‌های این شرکت دیده شده. این انتشار از یه جهت دیگه هم جالبه: آنتروپیک همین چند هفته‌ی اخیر درباره‌ی ایده‌ی «Pacing the Frontier» صحبت کرده بود؛ یعنی اینکه توسعه‌ی مدل‌های مرزی وقتی سرعت با ایمنی در تضاده، باید کنترل‌شده‌تر جلو بره. از نظر تجربه‌ی استفاده هم ظاهراً روی یکی از ضعف‌های همیشگی مدل‌های بزرگ کار شده: جواب‌ها مستقیم‌تر، طبیعی‌تر و کم‌حاشیه‌تر شدن و مدل بهتر از قبل به دستورالعمل‌های نوشتاری پایبند می‌مونه. قیمت API هم فعلاً: • ورودی: ۴ دلار / یک میلیون توکن • خروجی: ۲۰ دلار / یک میلیون توکن و طبق اعلام آنتروپیک، Sonnet 5.5 و Haiku 5.5 هم در هفته‌های آینده منتشر می‌شن. منبع: Anthropic — Introducing Claude Opus 5.5

📘 Vector Databases: A Practical Introduction ✍️ Nitin Borwankar — O’Reilly اگر دارید وارد دنیای LLM، RAG، Semantic Search یا سیستم‌های مبتنی بر Embedding می‌شید، Vector Database یکی از مفاهیمیه که بهتره یک‌بار اصولی یادش بگیرید. این کتاب برای شروع انتخاب خوبیه چون از خود مفهوم Vector و Embedding شروع می‌کنه و قدم‌به‌قدم می‌ره سراغ چیزهایی مثل: • Similarity Search • Vector Indexing • نحوه ذخیره و جست‌وجوی Embeddingها • تفاوت Vector Database با دیتابیس‌های معمولی • استفاده از Vector Search در سیستم‌های RAG • پیاده‌سازی‌های عملی با ابزارهای رایج به نظرم مزیت اصلیش اینه که فقط نمی‌گه «از فلان Vector DB استفاده کن»، بلکه کمک می‌کنه بفهمید پشت این ابزارها دقیقاً چه اتفاقی می‌افته. اگر هدفتون اینه که RAG رو فراتر از چند خط کد آماده بفهمید، این کتاب می‌تونه شروع خوبی باشه. @alirashedi1

If coding gets cheaper, what gets more valuable? ۱. Problem Framing بتونی قبل از حل مسئله، خود مسئله رو درست تعریف کنی. ۲. Domain Knowledge بدونی چیزی که داری می‌سازی در دنیای واقعی چطور استفاده می‌شه. ۳. Product Sense تشخیص بدی چه چیزی واقعاً برای کاربر ارزش ایجاد می‌کنه. ۴. Judgment هر خروجی AI رو صرفاً چون کار می‌کنه، خوب فرض نکنی. ۵. Experimentation سریع بسازی، تست کنی، اندازه بگیری و دور بریزی. ۶. Communication بتونی مسئله، تصمیم و Trade-offها رو برای بقیه توضیح بدی. ۷. Technical Understanding لازم نیست همه‌چیز رو دستی بنویسی؛ ولی باید بفهمی سیستم واقعاً چه کاری انجام می‌ده. هوش مصنوعی شاید قیمت «ساختن» رو پایین بیاره. اما همین اتفاق می‌تونه قیمت خوب فکر کردن رو بالاتر ببره. https://youtu.be/AVvDFsMUxf0?si=r__nXLr3OV9bsP_H

🤯 یه پیام رمزگذاری‌شده از ۱۰۸ سال پیش، بالاخره با کمک هوش مصنوعی خونده شد. ۲۷ نوامبر ۱۹۱۸، چند هفته بعد از آتش‌بس جنگ جهانی اول، یک پیام رادیویی آلمانی با سیستم رمزنگاری ADFGVX مخابره شد؛ سیستمی که اول حروف و اعداد رو به ترکیب‌هایی از A، D، F، G، V و X تبدیل می‌کرد و بعد با یک کلید، ترتیب اون‌ها رو به‌هم می‌ریخت. این پیام جزو مجموعه‌ای از پیام‌های آلمانی بود که با وجود تلاش‌های بعدی برای رمزگشایی، تعدادی از اون‌ها هنوز حل‌نشده باقی مونده بودن. چند روز پیش یک توسعه‌دهنده با نام prinz سراغ یکی از همین پیام‌ها رفت و GPT-6 Astra رو روی اون امتحان کرد. نکته‌ی عجیب داستان اینجاست: کلیدی به اسم TRUPPENVERSCHIEBUNG از قبل در اسناد رمزنگاری آلمان ثبت شده بود؛ اما این کلید با تاریخ ۹ دسامبر ۱۹۱۸ مرتبط بود، در حالی که پیام موردنظر در ۲۷ نوامبر ارسال شده بود. مدل Astra این کلید ظاهراً «نامرتبط» رو روی پیام امتحان کرد و متن آلمانی معناداری ازش بیرون اومد: یک ناو انگلیسی در ۲۴ نوامبر وارد سواستوپول شده و یک اسکادران متفقین هم در ۲۶ نوامبر به اون ملحق می‌شه. بعد ماجرا جالب‌تر شد. برای بررسی نتیجه، سراغ لاگ تاریخی HMS Canterbury رفتند. دفتر ثبت کشتی واقعاً می‌گه Canterbury در ۲۴ نوامبر ۱۹۱۸ وارد بندر سواستوپول شده و در ۲۶ نوامبر هم ورود یک اسکادران متفقین ثبت شده. حتی یک بررسی مستقل هم رمزگشایی رو دوباره با همان ciphertext و کلید اجرا کرده و به همان متن رسیده. فقط یک نکته مهم: Astra کلید رو از صفر «کشف» نکرد؛ کلید از قبل در اسناد تاریخی وجود داشت. چیزی که جالبه اینه که مدلی سراغ کلیدی رفته که تاریخ ثبت‌شده‌ش با پیام جور درنمی‌اومده و با استفاده از اون تونسته یک پیام حل‌نشده رو بخونه. اینکه چرا کلیدی که ظاهراً از ۹ دسامبر استفاده می‌شده در پیامی مربوط به ۲۷ نوامبر جواب می‌ده، هنوز مشخص نیست. منبع اصلی گزارش: [prinz — GPT-6 Astra Solves a WWI German Radio Cipher](https://www.prinzai.com/p/gpt-6-astra-solves-a-wwi-german-radio?utm_source=chatgpt.com) لاگ HMS Canterbury: [Naval History — HMS Canterbury Logs](https://www.naval-history.net/OWShips-WW1-06-HMS_Canterbury.htm?utm_source=chatgpt.com) فهرست پیام‌های حل‌نشده ADFGVX: [Cipherbrain / ScienceBlogs](https://scienceblogs.de/klausis-krypto-kolumne/2017/02/23/the-top-50-unsolved-encrypted-messages-46-unsolved-adfgvx-cryptograms-from-world-war-1/?utm_source=chatgpt.com) بررسی مستقل رمزگشایی: [Cipher Break Verification](https://github.laiyagushi.com/swarm-ai-research/cipher-break-verification?utm_source=chatgpt.com)

🤖افزونه ChatGPT رسما اومد داخل Microsoft Word. یعنی از این به بعد برای نوشتن و ادیت کردن متن لازم نیست مدام بین Word و ChatGPT جابه‌جا بشید. چت به شکل یک نوار کناری داخل Word باز می‌شه و می‌تونید همون‌جا: یادداشت‌های پراکنده‌تون رو تبدیل به متن مرتب کنید، متن‌ها رو خلاصه یا بازنویسی کنید، جمله‌های پیچیده رو ساده‌تر کنید، بخش‌های مختلف سند رو ویرایش کنید و حتی روی ساختار، تیترها و فرمت سند تغییر ایجاد کنید. جالب‌تر اینکه همین افزونه برای Excel و PowerPoint هم کار می‌کنه؛ یعنی با نصب یک Add-in، ChatGPT رو داخل هر سه ابزار دارید. دسترسی هم فقط مخصوص پلن‌های گرون نیست و از Free تا Plus و Pro و همین‌طور پلن‌های سازمانی پشتیبانی می‌شه؛ البته محدودیت مصرف هر پلن همچنان سر جاشه. یه آفر هم برای کاربران Business و Enterprise گذاشتن: از ۲۶ شهریور تا ۸ مهر ۱۴۰۵ می‌تونن GPT-5.6 Sol رو به‌صورت Free Preview داخل Word استفاده کنن. برای نصب هم کافیه توی Microsoft Marketplace دنبال افزونه رسمی ChatGPT از OpenAI بگردید. به نظرم این یکی از اون آپدیت‌هاییه که واقعاً می‌تونه ChatGPT رو وارد جریان روزمره‌ی کار خیلی‌ها کنه.

📚 Protocols: An Operating Manual for the Human Body اگر Huberman Lab رو دنبال کرده باشید، احتمالاً می‌دونید بخش بزرگی از محتوای هیوبرمن درباره‌ی اینه که چطور یافته‌های علوم اعصاب و فیزیولوژی رو تبدیل کنیم به کارهایی که واقعاً بشه توی زندگی روزمره انجام داد. این کتاب دقیقاً روی همین ایده ساخته شده. از خواب و نور صبحگاهی گرفته تا تمرکز، ورزش، مدیریت استرس، تغذیه، انگیزه و نوروپلاستیسیته؛ هیوبرمن سعی کرده مجموعه‌ای از پروتکل‌های عملی رو کنار هم بذاره و توضیح بده چه کاری، چه زمانی و چرا انجام بدیم. اسم کتاب هم دقیقاً همین نگاه رو منتقل می‌کنه: An Operating Manual for the Human Body یک جور راهنمای کار با بدن و مغز انسان. اگر محتوای Huberman رو دوست دارید ولی حوصله ندارید صدها ساعت پادکست رو دنبال کنید، احتمالاً این کتاب یکی از جذاب‌ترین انتشارهای امسال براتونه. @alirashedi1

یه چیزی هست که هرچی بیشتر جلو میرم، بیشتر می‌فهمم چقدر مهمه: هرجا هستید، هرکاری می‌کنید، حل مسئله یاد بگیرید. واقعاً مهم نیست برنامه‌نویس باشی، مهندس باشی یا اصلاً شغلت هیچ ربطی به این چیزها نداشته باشه. حل مسئله فقط برای این نیست که یه باگ رو پیدا کنیم یا یه مسئله‌ی الگوریتمی رو حل کنیم. یه جایی می‌بینی همون طرز فکری که موقع برنامه‌نویسی تمرین کردی، داره توی مهم‌ترین تصمیم‌های زندگی به دادت می‌رسه. پیدا کردن شغل، انتخاب مسیر کاری، ازدواج، بچه‌دار شدن، خرید یه وسیله، مدیریت پول، یا حتی حل یه مشکل شخصی که مدت‌هاست ذهنتو درگیر کرده. حل مسئله بهمون یاد می‌ده وقتی با یه مشکل بزرگ و ترسناک روبه‌رو شدیم، دستپاچه نشیم مسئله رو خرد کنیم بفهمیم دقیقاً مشکل چیه اطلاعات اضافه رو کنار بزنیم چیزهایی که تحت کنترلمونه رو جدا کنیم راه‌حل‌های مختلف بسازیم هزینه و فایده‌شون رو بسنجیم و قدم‌به‌قدم جلو بریم به نظرم یکی از باارزش‌ترین چیزهایی که برنامه‌نویسی به آدم یاد می‌ده، خود کدنویسی نیست؛ طرز فکر کردن به مسئله‌هاست. اینکه بلد باشی یه مسئله‌ی پیچیده رو تجزیه کنی، ساده‌ش کنی و براش راه پیدا کنی، مهارتیه که شاید خیلی بیشتر از چیزی که فکر می‌کنیم توی زندگی نجاتمون بده. پس اگر دارید برنامه‌نویسی، دیتا، ریاضی یا هر چیز مشابهی یاد می‌گیرید، فقط دنبال ابزار و سینتکس نباشید. حل مسئله رو یاد بگیریم. خیلی جاهای زندگی بهش احتیاج پیدا می‌کنیم.

شما چیکار می‌کنید؟

این روزا بیشتر از همیشه دچار پاشیدگی مغزی می‌شم... این سایت برای چند دقیقه آدمو دور می کنه از اورتینک driveandlisten.app توی شهر های مختلف رانندگی می‌کنید و رادیوی محلی گوش می‌دید :) قشنگه...

📘 Fundamentals of Data Engineering — Joe Reis & Matt Housley اگه می‌خواید بفهمید دیتا از لحظه‌ای که تولید می‌شه تا وقتی به دست Analyst، Data Scientist یا سیستم‌های مختلف می‌رسه چه مسیری رو طی می‌کنه، این کتاب یکی از بهترین منابع برای ساختن اون دید کلیه. تمرکزش فقط روی یک ابزار خاص نیست؛ سعی می‌کنه کل چرخه‌ی Data Engineering رو توضیح بده: Data Generation Storage Ingestion Transformation Orchestration Data Serving Governance Security Reliability چیزی که این کتاب رو جذاب می‌کنه اینه که کمک می‌کنه pipeline دیتا رو فقط به‌عنوان چندتا job و table نبینید، بلکه بفهمید هر بخش چه نقشی داره و چه تصمیم‌هایی پشت طراحی یک سیستم داده‌ای درست گرفته می‌شه. برای Data Analystها و Data Scientistهایی هم که می‌خوان دید مهندسی‌تری نسبت به دیتا پیدا کنن، خیلی مفیده؛ چون بعد از خوندنش بهتر متوجه می‌شید داده‌ای که باهاش کار می‌کنید از کجا اومده، چه مراحلی رو رد کرده و کجاها ممکنه مشکل داشته باشه.