SODΞH DΞSIGN

✅درباره نقش AI Native Product Designer در تیم‌های محصول طی یکی دو سال اخیر یک عنوان شغلی جدید در آگهی‌های استخدام شرکت‌های بزرگ )به‌ویژه) زیاد دیده می‌شود: AI Native Product Designer. این فقط یک لیبل تزئینی روی همان کار قدیمی نیست؛ شرح وظایف و انتظارات این نقش واقعاً فرق دارد. این پست تلاش کردم از آنچه در بازار واقعی زیر این عنوان تعریف می‌شود(تا جایی که میدانم) بنویسم. 🌟تفاوت نقش Digital Product Designer و AI Native Product Designer در واقع تفاوت این دو نقش بیشتر در نقطه‌ی شروع و محل تصمیم‌گیری است تا در ابزار. یک Digital Product Designer معمولاً مسئله را در چارچوب رابط و تجربه‌ی کاربر حل می‌کند: کشف نیاز، طراحی جریان کاربری (user flow)، پروتوتایپ در Figma، و هماهنگی با مهندسی برای پیاده‌سازی یک محصول با رفتار قابل‌پیش‌بینی. اما یک AI Native Product Designer روی محصولی کار می‌کند که خودِ رفتارش غیرقطعی و پویاست، چون یک مدل هوش مصنوعی در دل تجربه تصمیم می‌گیرد، پاسخ می‌دهد یا حتی اقدام می‌کند. به همین دلیل مسئولیت او فراتر از چیدمان رابط می‌رود: باید prompt و لحن پاسخ AI را طراحی کند، برای رفتارهای غیرمنتظره‌ی مدل (edge cases) طرح جایگزین بسازد، شفافیت و کنترل کاربر روی تصمیم‌های خودکار را تضمین کند، و سیستم طراحی را طوری مستند کند که هم انسان و هم مدل بتوانند از آن پیروی کنند. به زبان ساده: Digital Product Designer تجربه‌ای برای یک سیستم قابل‌پیش‌بینی طراحی می‌کند؛ AI Native Product Designer تجربه‌ای برای یک سیستم می‌سازد که خودش هم یکی از تصمیم‌گیرندگان تجربه است. 🌟این عنوان دقیقاً یعنی چه؟ طراح AI Native کسی نیست که فقط از ابزارهای هوش مصنوعی (AI tools) در کارش استفاده می‌کند. تفاوت اصلی در نقطه‌ی شروع فرآیند طراحی است: طراح سنتی معمولاً کار را در Figma شروع می‌کند و بعد در جایی از مسیر، AI را وارد می‌کند. طراح AI Native کار را با یک مدل زبانی (LLM) شروع می‌کند، برای شفاف‌سازی مسئله، کشف فرضیات پنهان (assumptions)، و هم‌راستا شدن با تیم محصول (Product) پیش از هر خط طراحی بصری. شرح وظایف واقعی (بر اساس آگهی‌های استخدام) 🌟بر اساس نمونه‌های واقعی بازار، مسئولیت‌های اصلی جدید این نقش معمولاً شامل این‌هاست: در واقع اکثر هسته‌ی وظایف طراح محصول (Digital Product Designer) دست‌نخورده باقی مانده، چیزی که عوض شده لایه‌ای است که رویش اضافه شده، نه جایگزینی آن. چیزی که واقعاً فرق کرده، نقطه‌ی شروع فرآیند و ابزار میانی است، نه ماهیت وظایف، طراح دیجیتال قبلی مسئله را در Figma شروع می‌کرد و در انتها احتمالاً AI را وارد می‌کرد؛ طراح AI Native همان زنجیره‌ی «تحقیق → تعریف مسئله → طراحی → تست» را طی می‌کند، اما مرحله‌ی اول را با یک LLM شروع می‌کند و در میانه هم باید برای Agent UX و سیستم‌های خوانا برای AI طراحی کند. 🟡طراحی رابط برای عامل‌های هوشمند (Agent UX): طراحی تجربه‌هایی که در آن‌ها AI به‌جای منتظر ماندن برای دستور کاربر، خودش اقدام می‌کند. این نیازمند الگوهای جدیدی است: نمایش شفاف اینکه عامل (agent) چه کاری دارد انجام می‌دهد، چرا آن تصمیم را گرفته، امکان override توسط کاربر، و بازیابی روان از خطا (error recovery). 🟡طراحی سیستم‌های طراحی هوشمند (AI-native design systems): توکن‌ها، کامپوننت‌ها، قوانین حرکت (motion)، الزامات دسترسی‌پذیری (accessibility) و لحن محتوا باید در قالبی نوشته شوند که هم انسان و هم مدل‌ها/عامل‌ها بتوانند آن را بخوانند و اجرا کنند. 🟡همکاری عمیق‌تر با مهندسی: مرز کلاسیک «طراح اسپک می‌دهد، مهندس پیاده می‌کند» کم‌رنگ شده. چون AI بخش زیادی از تولید کد را سریع‌تر کرده، طراح باید درک فنی واقعی از state، data flow و معماری داشته باشد تا بتواند در این گفت‌وگو شریک باشد، نه فقط تحویل‌دهنده. 🟡قضاوت و مسئولیت‌پذیری روی خروجی AI: هوش مصنوعی بر اساس الگو تولید می‌کند، نه درک. این طراح است که باید تشخیص دهد خروجی تولیدشده با جهت بلندمدت محصول هم‌خوان است یا نه، یعنی نقش quality gatekeeper پررنگ‌تر شده، نه کم‌رنگ‌تر. 🟡پروتوتایپ سریع و مشارکت در استراتژی محصول: در بسیاری از آگهی‌ها (به‌خصوص در استارتاپ‌ها)، این نقش با GTM و استراتژی محصول هم تلاقی دارد؛ یعنی از طراح انتظار می‌رود در تصمیم‌های محصول هم نقش پررنگ داشته باشد. ⭕️ نکته مهم: ما با اضافه کردن عنوان AI به ابتدای عنوان شغلی‌مان تبدیل به AI Native Product Designer نمی‌شویم. در پست بعدی درباره مهارت‌هایی که باید یادگرفت خواهم نوشت. #عنوان_شغلی #طراحی_محصول #مدیریت _محصول #هوش_مصنوعی 🫶 @SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

✅همکاری چند نفره هوش مصنوعی در سراسر چرخه عمر محصول این ارائه که توسط Head of Product at Miro در رویداد AI Builder Week 2026 که ماه گذشته توسط تیم Product School ارایه شد و به شخصه برای من خیلی جذاب بود، و به طور محوری درباره همکاری چندنفره مبتنی بر هوش مصنوعی (AI Multiplayer Collaboration) در طول چرخه توسعه محصول (PDLC) و چگونگی حل چالش‌های هماهنگی تیمی با استفاده از بسترهای مشترک بصری صحبت می‌کند. . 🌟چالش‌های اساسی معرفی‌شده در این ارائه: رکود بهره‌وری تیمی با وجود افزایش بهره‌وری فردی: آمارهای تحقیقاتی نشان می‌دهد ۷۵٪ از رهبران محصول، مهندسی و طراحی متوجه شده‌اند که ابزارهای هوش مصنوعی فعلی عمدتاً بر کارایی فردی تمرکز دارند. این تمرکز تک‌نفره باعث می‌شود افراد کارهای بسیار صیقل‌خورده اما بدون بافت و زمینه تیمی (مانند یک نمونه اولیه یا استراتژی بدون هماهنگی) تولید کنند، که در نهایت منجر به هدر رفتن کل زمان ذخیره‌شده می‌شود. تشدید و تسریع ناهماهنگی (Misalignment): هوش مصنوعی ناهماهنگی‌های موجود در سازمان را سرعت می‌بخشد و وضعیتی ایجاد می‌کند که اعضا سریع‌تر از همیشه روی یک نقطه می‌دوند بدون اینکه تصمیمی واقعی گرفته شود. گلوگاه شدن فرآیند تصمیم‌گیری: با ورود هوش مصنوعی تولید کارها به شدت مقیاس گرفته، اما فرآیند تصمیم‌گیری مقیاس‌پذیر نشده است و مدیران یا رهبران به گلوگاه‌های سازمانی تبدیل شده و دچار فرسودگی شغلی می‌شوند. 🌟مفاهیم جدید و راه‌حل‌های کلیدی ارائه‌شده: راه‌حل پیشنهادی برای عبور از این چالش‌ها، استفاده از بستر بصری و مشترک «بوم عامل‌محور» (Agentic Canvas) در میرو (Miro) است. سه ابزار و قابلیت محوری در این بستر عبارتند از: ۱. دستیارهای عامل‌محور (Agentic Sidekicks): این عامل‌ها برخلاف ابزارهای دیگر که فایل‌های یک‌بار مصرف تولید می‌کنند، می‌توانند مستقیماً روی بوم مشترک بنویسند و بخوانند و اسلایدها، اسناد یا پروتوتایپ‌ها را جلوی چشم همه اعضا ایجاد کنند. ۲. جریان‌های کاری خودکار (Flows): ابزارهای مبتنی بر نود که به شما اجازه می‌دهند فرآیندهای تکراری مانند تولید نقشه راه، برنامه‌های بهبود و کارهای روتین روزمره را خودکارسازی کنید. ۳. اتصال‌دهنده‌ها (Connectors): قابلیت کشیدن اطلاعات از ابزارهای خارجی نظیر Slack، Google Drive و Confluence به درون میرو و تبدیل سریع و بدون تأخیر آن‌ها به عناصر بصری. 🟢نکات کاربردی و درس‌های مهمی که می‌توان یاد گرفت: این ویدیو با ارائه دو مورد مطالعاتی و عملی، نشان می‌دهد که چطور این تکنولوژی‌ها کار را متحول می‌کنند: 🟡سناریوی اول: خودکارسازی کامل چرخه محصول از بازخورد تا نمونه اولیه: شما یاد می‌گیرید که چگونه داده‌های خام نامنظم (مثل فایل CSV بازخوردهای مشتریان و گزارش‌های PDF تحقیقات کیفی) را همراه با فایل استراتژی و حتی تصویر پروتوتایپ فعلی وب‌سایت به هوش مصنوعی بدهید. هوش مصنوعی با درک بصری پروتوتایپ، یک بک‌لاگ اولویت‌بندی‌شده، یک برنامه بهبود استراتژیک هماهنگ با اهداف شرکت، یک ارائه اسلایدی برای ذینفعان و حتی سه نسخه پروتوتایپ بهبودیافته جدید را به طور مستقیم روی بوم تولید می‌کند. 🟡سناریوی دوم: هم‌راستایی تیمی و ساخت خودکار کارگاه‌ها (Workshops): یاد می‌گیریم چطور با استفاده از اتصال‌دهنده‌ها، پیام‌های پراکنده یک هفته اخیر در Slack و زمان‌بندی‌های موجود در Confluence را در یک جدول و خط زمانی مشترک جمع‌آوری کنیم. سپس هوش مصنوعی با ویژگی «چیدمان بوم» (Board Layout) یک کارگاه تعاملی کامل همراه با برگه‌های چسبان (Stickies) برای هم‌ترازی اعضا، سنجش میزان اطمینان تیم و شناسایی تداخل‌های زمانی پروژه‌ها ایجاد می‌کند. 🌟تغییر نگرش اساسی (Mindset Shift): بزرگ‌ترین درس این ارائه به نظرم تغییر تفکر از هوش مصنوعی تک‌نفره به هوش مصنوعی چندنفره و تیمی است. وقتی روند کار هوش مصنوعی به صورت بصری روی بوم قرار می‌گیرد، ذینفعان مسیر رسیدن به نتایج را می‌بینند که این امر اعتماد تیمی را به شدت افزایش می‌دهد. همچنین همه اعضای تیم (طراح، مهندس و مدیر) می‌توانند به طور مشترک روی خروجی‌های هوش مصنوعی کار کرده و آن‌ها را اصلاح کنند. پیشنهاد میکنم این ویدیو رو از یوتیوب با زیرنویس فارسی و یا با پلاگین (با دوبله فارسی) ببینید. 📱 AI Multiplayer Collaboration Across the Product Lifecycle #مدیریت_محصول #هوش_مصنوعی #گردش_کار #چرخه_محصول #ویدیو 🫶 @SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

✅ اطلاعیه درباره تبلیغات تلگرامی نمایش‌داده‌شده در کانال اگر تبلیغاتی در این کانال نمایش داده می‌شود، این تبلیغات به‌صورت خودکار توسط تلگرام قرار می‌گیرند و من امکان تأیید، انتخاب یا کنترل محتوای آن‌ها را ندارم. بنابراین، نمایش هر تبلیغ به هیچ عنوان به معنی تأیید، توصیه یا سفارش من برای استفاده از خدمات یا محصولات، و افراد شخصی معرفی‌شده در آن تبلیغ نیست. لطفاً در استفاده از خدمات و محصولات تبلیغ‌شده، دقت و بررسی لازم را شخصاً انجام دهید. با تشکر سوده 🫶 @SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

✅طراحی اعتماد؛ چالش بعدی صنعت هوش مصنوعی طبق گزارش جدید TechCrunch، نگرانی عمومی نسبت به هوش مصنوعی از ۳۷٪ در سال ۲۰۲۱ به ۵۲٪ در سال ۲۰۲۶ رسیده، پس یعنی چالش این صنعت دیگر «ساختن» نیست، بلکه «متقاعد کردن مردم» است. به‌عنوان کسی که محصول و خدمات مبتنی بر هوش مصنوعی طراحی می‌کنه، این روزها بیشترین وقتم صرف مدل یا پرامپت نمی‌شه)البته هنوز دارم یاد میگیرم تا همچنان بتونم محصول بسازم و توسعه هم بدم چون بازار از ما این توقع رو هم فعلا داره)؛ اما بیشتر صرف اینه که چطور یک قابلیتِ پیچیده رو تبدیل کنم به تجربه‌ای که کاربر بفهمدش، بهش اعتماد کنه و بدون استرس ازش استفاده کنه. تیم‌های فنی هر روز سریع‌تر و قوی‌تر می‌سازن، ولی اگه کاربر نداند سیستم چرا این تصمیم رو گرفته، یا نتونه کنترلش کنه، همون قدرت فنی توی تجربه گم می‌شه و به بی‌اعتمادی تبدیل می‌شه. به شخصه معتقدم برای منِ دیزاینر، طراحی تجربه‌ی هوش مصنوعی یعنی طراحی اعتماد؛ شفاف کردن مرزهای سیستم، دادن حس کنترل به کاربر، و ساختن لحظه‌هایی که فایده رو ملموس نشون بده، نه فقط ادعا کنه. فکر می‌کنم آینده‌ی این صنعت رو نه مدل‌های بزرگ‌تر، بلکه طراحانی می‌سازن که بتونن این فاصله‌ی بین قابلیت فنی و تجربه‌ی قابل‌اعتماد رو پر کنن. فکر می‌کنم مهارتی که الان بیشتر از هر چیزی بهش نیاز داریم، فهم رفتار و روان‌شناسی اعتماده؛ اینکه کاربر کِی و چرا به یک سیستم اعتماد می‌کنه یا نمی‌کنه. در کنارش، توانایی دیزاین برای عدم‌قطعیت هم حیاتیه؛ چون برخلاف رابط‌های سنتی، خروجی هوش مصنوعی همیشه قابل پیش‌بینی نیست و باید بلد باشیم خطا، ابهام و محدودیت‌های سیستم رو هم بخشی از تجربه طراحی کنیم، نه یه استثنا. همکاری نزدیک با تیم فنی برای فهم منطق مدل هم دیگه یه مهارت جانبی نیست، بلکه پیش‌نیاز طراحی درسته. فکر می‌کنم آینده‌ی این صنعت رو نه الزاما مدل‌های بزرگ‌تر، بلکه طراحانی می‌سازن که بتونن این فاصله‌ی بین قابلیت فنی و تجربه‌ی قابل‌اعتماد رو پر کنن. #آینده_دیزاین #هوش_مصنوعی #طراحی_تجربه #اعتماد 🫶 @SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

✅دیگر فقط کاربر نیست که سیستم را تجربه می‌کند؛ عامل هم تجربه می‌کند. معرفی مرز بعدی دیزاین در ۶ ماه گذشته، عمیقاً درگیر پژوهش، کاوش، و کار عملی در حوزه‌ای بوده‌ام (و همچنان هستم) که باور دارم به‌زودی حوزه ما را دگرگون خواهد کرد: طراحی تجربه‌ی هوش مصنوعی عامل‌محور (Agentic AI Experience Design) و به طور مشخص‌تر طراحی تجربه‌ی عامل (Agent Experience Design یا AX). این اولین پست من برای به‌اشتراک‌گذاری این مسیر با شماست. هم‌زمان با اینکه هوش مصنوعی از یک قابلیت درون محصولات به یک مشارکت‌کننده فعال در جریان‌های کاری تبدیل می‌شود (برنامه‌ریزی می‌کند، تصمیم می‌گیرد، و از طرف ما اقدام می‌کند) پرسش جدیدی برای طراحان در حال شکل‌گیری است: دیگر فقط این نیست که «یک انسان چگونه از این رابط و محصول استفاده می‌کند؟» بلکه این است که «یک عامل یا Agent چگونه این سیستم را تجربه می‌کند، و یک انسان تجربه کار کردن با یک عامل را چگونه دارد؟» 🟡این هسته AX است: طراحی برای اعتماد، شفافیت، و کنترل، زمانی که «کاربر» آن سوی یک تعامل ممکن است یک سیستم خودمختار باشد، و طراحی تجربه انسانیِ همکاری با آن. من واقعاً باور دارم حضور هوش مصنوعی در حال گسترش مرزهای خودِ طراحی است. ما دیگر فقط در حال طراحی صفحه‌نمایش‌ها نیستیم؛ ما در حال طراحی روابط میان انسان‌ها و ایجنت‌ها، و سیستم‌هایی هستیم که این روابط را قابل‌درک، ایمن، و مفید می‌کنند. این تازه آغاز چیزهایی است که می‌خواهم اینجا به‌اشتراک بگذارم. به‌زودی افکار، چارچوب‌ها، و درس‌آموخته‌های بیشتری از این مسیر در راه است. #AgenticAIExperienceDesign #AgentExperienceDesign #AX #هوش_مصنوعی #آینده_دیزاین #طراحی_تجربه_ایجنت 🫶 @SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

✅ چطور در Claude مصرف توکن (token) رو کم کنیم؟ هر پیام، هر فایل آپلودی و هر پاسخی که Claude می‌ده، برحسب توکن حساب می‌شه. مصرف کمتر یعنی مکالمه‌ی سریع‌تر، ارزون‌تر و بدون قطع‌شدن وسط کار. چند نکته‌ی کاربردی 👇 ۱. برای هر موضوع، چت جدید بزن هر پیام توی یک مکالمه، کل تاریخچه‌ی قبلی رو هم با خودش حمل می‌کنه. وقتی موضوع عوض می‌شه ولی همون چت رو ادامه می‌دی، داری بی‌دلیل تاریخچه‌ی قدیمی رو دوباره «پردازش» می‌کنی. ۲. دستورالعمل‌های Project رو کوتاه و دقیق بنویس هر چی توی System Prompt یا Project instructions بذاری، با تک‌تک پیام‌ها ارسال می‌شه. یک دستورالعمل ۵۰۰ توکنیِ متمرکز، بهتر از یک متن ۳۰۰۰ توکنیِ پر از مثال تکراری عمل می‌کنه. ۳. ا Connector هایی که لازم نداری رو خاموش کن اگه Google Drive، Slack یا هر اتصال دیگه‌ای فعاله ولی به کارت مربوط نیست، محتوای اضافه‌ای وارد مکالمه می‌کنه که فقط توکن مصرف می‌کنه بدون این‌که ارزشی اضافه کنه. ۴. فرمت پاسخ رو از اول مشخص کن بگو «فقط bullet point»، «کوتاه»، «زیر ۱۰۰ کلمه». هر چی خروجی دقیق‌تر خواسته بشه، Claude کمتر پرحرفی می‌کنه و توکن کمتری برای پاسخ صرف می‌شه. ۵. به‌جای پیام جدید، پیام قبلی رو ویرایش کن وقتی می‌خوای بگی «نه، منظورم این بود...»، از دکمه‌ی Edit روی همون پیام استفاده کن نه این‌که پیام تازه بفرستی. این کار از انباشته‌شدن تاریخچه‌ی مکالمه جلوگیری می‌کنه. ۶. مدل مناسب کار رو انتخاب کن برای سؤال‌های ساده لازم نیست از قوی‌ترین مدل استفاده کنی؛ مدل‌های سبک‌تر (مثل Haiku) سریع‌تر و کم‌مصرف‌ترن، و مدل‌های قوی‌تر رو برای کارهای پیچیده نگه دار. ۷. فقط بخش مرتبط رو بفرست، نه کل سند اگه داری روی یک متن یا کد ویرایش می‌کنی، فقط همون بخشی که تغییر می‌کنه رو Paste کن، نه کل فایل رو هر بار. ۸. از خلاصه‌سازی و حافظه (memory) به‌جای نگه‌داشتن کل تاریخچه استفاده کن در پایان یک کار طولانی، از Claude بخواه خلاصه‌ی تصمیم‌ها و مراحل بعدی رو بنویسه؛ دفعه‌ی بعد با همون خلاصه شروع کن، نه با بازخوانیِ کل مکالمه. ۹. از آپلود بی‌دلیل فایل و تصویر حجیم پرهیز کن اسکرین‌شات‌ها، فایل‌های Word/PowerPoint و اسناد حجیم، متادیتای زیادی با خودشون میارن و فضای زیادی از context رو اشغال می‌کنن. ۱۰. فشرده‌سازی خروجی ابزارها با RTK وقتی از Claude Code استفاده می‌کنی، خروجی دستورات ترمینال (مثل جست‌وجو توی کد یا اجرای یک فرمان) می‌تونه هزاران خط باشه که مستقیم وارد context می‌شه. ابزارهایی مثل RTK این خروجی‌های شلوغ رو قبل از ورود به مکالمه فشرده می‌کنن؛ مثلاً هزار خط رو به ۲۰۰ خط مفید تبدیل می‌کنن. ۱۱. حالت Caveman برای پاسخ‌های خیلی خلاصه با یک دستورالعمل خاص (system prompt یا skill) می‌شه از Claude خواست مثل «آدم غارنشین» جواب بده: بدون مقدمه، بدون حرف اضافه، فقط اسم و فعل. این روش می‌تونه توکن‌های خروجی رو تا ۷۰ درصد کم کنه، اما نکته‌ی مهم اینه که خودِ دستورالعمل هم چند توکن اضافه به هر پیام تحمیل می‌کنه؛ برای کارهای کوتاه و ساده (مثل خلاصه‌ی یک تابع یا یک پاسخ سریع) به‌صرفه‌ست، ولی برای مکالمه‌های طولانی یا وقتی می‌خوای یک مفهوم رو یاد بگیری، بهتره خاموش بمونه چون کیفیت توضیح رو پایین میاره. ✔️ و این سه ابزار رایگان Headroom / Graphify / CodeBurn ⭕️این موضوع صرفه‌جویی در مصرف توکن در Claude برای من به شخصه یک چالش بزرگ بود(مخصوصا در انجام پروژه‌ها و محدودهایی که حتی در نسخه Pro باهاش مواجه می‌شدم)، امیدوارم با این جمع‌بندی برای شما هم مفید واقع بشه!😎 #هوش_مصنوعی #نکات_آموزشی #توکن 🫶 @SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

Evidence Clipper: افزونه‌ای برای مستندسازی شواهد پژوهشی ✅ در فرآیند طراحی محصول و خدمت، بخش قابل‌توجهی از زمان صرف جمع‌آوری شواهد پژوهشی می‌شود: نقل‌قول‌های کاربران، ادعاهای رقبا، یافته‌های دسک‌ریسرچ. این اطلاعات معمولاً میان اسکرین‌شات‌ها، بوکمارک‌ها و یادداشت‌های پراکنده گم می‌شوند و ردیابی منشأ یک تصمیم طراحی را دشوار می‌کنند. برای حل این مسئله، افزونه‌ای طراحی کرده‌ام به نام Evidence Clipper. 🟢عملکرد: با یک کلید، هر بخش هایلایت‌شده از هر صفحه‌ی وب ذخیره می‌شود؛ آدرس منبع و زمان ثبت، به‌صورت خودکار ضبط می‌گردد. یک اصل طراحی مشخص، معماری این ابزار را شکل داده است: فرآیند «جمع‌آوری» و «دسته‌بندی» عمداً از هم جدا شده‌اند. لحظه‌ی مطالعه، لحظه‌ی تمرکز است؛ هر پرسشی از قبیل «این را در کدام پروژه دسته‌بندی کنم؟» در همان لحظه، رشته‌ی ذهنی را قطع می‌کند. به همین دلیل، کپچر بدون هیچ پرسشی انجام می‌شود و تگ‌گذاری در مرحله‌ای جداگانه، درون کتابخانه‌ی افزونه، صورت می‌گیرد. این رویکرد با منطق کدگذاری کیفی همخوانی دارد: نخست گردآوری، سپس کدگذاری. 🟢مخاطب: پژوهشگران، طراحان و مدیران محصول که نیاز دارند منشأ تصمیمات طراحی خود را با استناد به شواهد مستند ارائه دهند. 🟢 امکانات: 🟡ثبت با یک کلید از هر صفحه 🟡ثبت خودکار منبع و زمان 🟡تگ پایه به‌همراه امکان افزودن تگ اختصاصی، در مرحله‌ای جدا 🟡کتابخانه در یک تب مستقل مرورگر 🟡رابط کاربری دوزبانه (فارسی و انگلیسی) 🟡خروجی در قالب CSV، JSON و Markdown ❤️این افزونه رایگان و متن‌باز است؛ بدون نیاز به حساب کاربری، بدون سرور، بدون اشتراک. تمام داده‌ها در همان مرورگر کاربر باقی می‌مانند. 📱 لینک دانلود رایگان از Chrome Web Store 📱 لینک دانلود رایگان و اطلاعات‌ بیشتر در Github ⭕️ امیدوارم این ابزار کوچک که از دل نیاز یک پروژه بیرون آمد برایتان مفید باشد. خوشحال می‌شوم نظرات و پیشنهادهای تکمیلی خود را از طریق ایمیل Sodeh.Abadi@gmail.com با من در میان بگذارید. #افزونه_مرورگر #طراحی_محصول #طراحی_خدمات #پژوهش #ابزار 🫶 @SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

✅ عنوان‌ها در دیزاین عوض شده‌اند، ولی مسئله چیز دیگری است چند سال پیش تخصص‌های ما بر اساس «چه چیزی می‌سازیم» تقسیم می‌شد: وب، موبایل، دسکتاپ. بعد بر اساس «کدام لایه»: UI، UX Research، Service Design. حالا به نظرم یک تقسیم‌بندی تازه در حال شکل‌گیری است، اما این‌بار ریشه‌اش جای دیگری است: جنس سیستمی که طراحی می‌کنیم عوض شده. تا دیروز ما رابط‌های قطعی (deterministic) طراحی می‌کردیم؛ کاربر دکمه را می‌زد و خروجی مشخص بود. امروز روی سیستمی کار می‌کنیم که خروجی‌اش احتمالی است، گاهی اشتباه می‌کند، گاهی خودش تصمیم می‌گیرد و گاهی به‌جای کاربر عمل می‌کند. هر عنوان جدیدی که این روزها )بخصوص در مارکت بین‌المللی) می‌بینیم، در واقع پاسخی به یک وجه از همین تغییر است. اگر دسته‌بندی‌شان کنیم، منطق‌شان روشن‌تر می‌شود: ۱. لایه تعامل: چطور با سیستم حرف می‌زنیم 🟡Multimodal Interaction Design وقتی ورودی و خروجی همزمان متن، صدا، تصویر و اشاره است، «صفحه» دیگر واحد طراحی نیست. 🟡Conversation Design (CxD) طراحی جریان گفت‌وگو، نه چیدمان عناصر. 🟡Voice UX (VUX/VUI) طراحی برای جایی که هیچ چیزی دیده نمی‌شود. 🟡Agent Experience (AX) مهم‌ترین پرسش تازه‌ی این حوزه: عامل کجا خودش اقدام کند، کجا اجازه بگیرد، و کجا کنترل را به آدم برگرداند. ۲. لایه اعتماد: چرا کاربر باید حرف سیستم را باور کند 🟡Human-AI Interaction (HAII) چارچوب علمیِ زیر همه‌ی این حوزه‌ها. 🟡AI Feedback Design بازخورد کاربر دیگر فقط نظرسنجی نیست؛ سوخت بهبود مدل است. 🟡Trust & Explainability Design طراحی برای «اعتماد کالیبره‌شده»؛ نه اعتماد کور، نه بی‌اعتمادی کامل. 🟡Error & Uncertainty Design طراحی برای لحظه‌ای که مدل اشتباه می‌کند. این دیگر یک حالت لبه (edge case) نیست، یک حالت عادی است. ۳. لایه سنجش: از کجا بفهمیم کار می‌کند 🟡AI UX Evaluation معیارها عوض شده‌اند: کیفیت خروجی، نرخ اصلاح توسط کاربر، میزان واگذاری کار به سیستم؛ نه صرفاً نرخ تکمیل تسک. 🟡AI UI Accessibility رابط‌های تولیدشونده و متغیر، دسترس‌پذیری را از یک چک‌لیست ثابت به یک مسئله‌ی پویا تبدیل کرده‌اند. ۴. لایه ساخت: فاصله‌ی طراحی تا محصول 🟡AI Native Product Design محصولی که از روز اول حول قابلیت‌های مدل ساخته شده، نه محصولی که AI بعداً به آن اضافه شده. تفاوت در ظاهر نیست، در معماری تصمیم است: اینجا مدل یکی از اجزای اصلی محصول است، نه یک قابلیت جانبی در گوشه‌ی رابط. 🟡Design Engineer پروتوتایپِ یک تجربه‌ی مبتنی بر مدل، با ابزارهای استاتیک قابل نمایش نیست. باید ساختش. 🟡Context Design فراتر از prompt: تصمیم درباره‌ی اینکه سیستم چه چیزی را، چه زمانی، درباره‌ی کاربر بداند. ۵. لایه سیستم و سازمان: جایی که کمتر درباره‌اش حرف می‌زنیم 🟡AI Service Design وقتی AI در چند نقطه از سفر مشتری می‌نشیند، مسئله دیگر یک صفحه نیست؛ سیاست‌گذاریِ تجربه است. 🟡Responsible AI / AI Governance حکمرانی داده و مدل، دارد به یک «محدودیت طراحی» تبدیل می‌شود، درست مثل محدودیت فنی یا بودجه. و دو نکته که فکر می‌کنم مهم‌تر از خودِ فهرست است: ✅اول: این‌ها دوازده شغل مجزا نیستند. دوازده سطح تخصص روی یک پایه‌ی مشترک‌اند: پژوهش، قاب‌بندی درست مسئله و تفکر سیستمی. هر کدام از این عنوان‌ها بدون آن پایه، فقط یک برچسب است. ✅دوم: عنوان جدید بدون تغییر در جنسِ کار، چیزی جز تورم رزومه نیست. تفاوت واقعی آنجاست که شما شروع کنید به طراحی برای رفتار یک سیستم، نه برای ظاهر یک صفحه. ✔️ سؤالی که برای خودم هم باز است: از این فهرست، کدام‌ها را واقعاً در آگهی‌های شغلی بازار ایران دیده‌اید؟ فرض کنیم عنوان‌ها آمدند و تغییر کردند. خودِ سازمان‌ها چقدر برای این تغییر آماده‌اند؟ آیا نیاز واقعی‌شان را شناخته‌اند، یا عنوانی را از بازار جهانی کپی کرده‌اند بدون اینکه بدانند این نقش قرار است چه مسئله‌ای را در سازمانشان حل کند؟ به نظرم اضافه‌کردن «AI» به ابتدای یک عنوان شغلی، ساده‌ترین بخش ماجراست. #بازارکار #طراحی_محصول #هوش_مصنوعی #آینده_دیزاین 🫶 @SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

🚀 دیزاینر بودن، دیگر فقط مهارت نیست؛ سرمایه می‌خواهد امروز در کانال احسان عزتی یک نظرسنجی جالب برگزار شده با این سؤال: «حقوق دریافتی شما از UI/UX در حال حاضر چقدر است؟» البته این آمار فقط بخشی از بازار متخصصان طراحی دیجیتال در ایران را نشان می‌دهد و هنوز داده‌ای از وضعیت Product Design و Service Design نداریم. تا لحظه‌ای که این متن را می‌نویسم، ۷۷۸ نفر در نظرسنجی شرکت کرده‌اند. از این تعداد، ۳۸۵ نفر؛ یعنی تقریباً نیمی از شرکت‌کنندگان، گزینه‌ی «حقوق ندارم» را انتخاب کرده‌اند. از میان نیمه‌ی دیگر که درآمدی دارند، حدود ۵۸ درصد کمتر از ۴۵ میلیون تومان دریافت می‌کنند و تنها ۸۵ نفر از مجموع ۷۷۸ نفر، درآمدی بالاتر از ۷۰ میلیون تومان دارند. حالا این اعداد را کنار هزینه‌های واقعی به‌روز ماندن در این حرفه بگذارید. امروز اگر بخواهید به‌عنوان یک Product Designer یا UI/UX Designer رقابتی بمانید، حداقل باید هزینه‌ی این موارد را ماهانه بپردازید بخصوص اگر فریلنسرید و باید خودتان به تنهایی روی خودتان سرمایه‌گذاری کنید : 🟡اشتراک ابزارهای هوش مصنوعی؛ از Claude و Figma گرفته تا ابزارهای دیگر. هرکدام حدود ۲۰ دلار در ماه و واقعیت این است که کمتر کسی امروز فقط با یک ابزار کار می‌کند. 🟡اینترنت، که عملاً به‌دلیل نیاز دائمی به VPN، چند برابر هزینه‌ی واقعی تمام می‌شود. VPN با IP ثابت، برای جلوگیری از مسدود شدن حساب‌های کاربری.🟡 🟡خرید، ارتقا و استهلاک لپ‌تاپ و تجهیزات. 🟡دوره‌ها و گواهینامه‌های بین‌المللی. 🟡کتاب‌ها و سرویس‌های آموزشی و تخصصی مثل Mobbin و Uxcel. 🟡هزینه‌ی برق 🟡و گران‌ترین مورد؛ زمانی که برای مطالعه، آزمایش ابزارهای جدید، دیدن ویدئوها و یادگیری صرف می‌شود. معادله ساده است؛ هزینه‌ی به‌روز ماندن دلاری است، اما درآمد همچنان ریالی. فاصله‌ی این دو هر ماه بیشتر می‌شود. البته این فقط مسئله‌ی هزینه‌ها نیست. جنگ، قطعی‌های اینترنت، تغییر استراتژی کسب‌وکارها، محتاط‌تر شدن سازمان‌ها در سرمایه‌گذاری روی طراحی و توسعه‌ی محصول و کاهش فرصت‌های شغلی، کاهش جذب نیروی متخصص، قراردادهای کوتاه مدت، رقابت بیشتر کارجویان، و یا حتی نابرابری تعداد متخصص با نیاز بازار ایران، مخصوصاً برای کسانی که تازه وارد این مسیر شده‌اند، همگی بخشی از همین تصویر هستند. بزرگ‌ترین نگرانی من، جونیورها هستند. اگر ورودی این حرفه برای مدت طولانی ضعیف بماند، چند سال دیگر دیگر نسل میانی قدرتمندی نخواهیم داشت که جای نسل امروز را بگیرد. این هزینه را فقط افراد پرداخت نمی‌کنند؛ کل صنعت پرداخت خواهد کرد. اما یک نکته را هم باید صریح گفت. اگر این روزها احساس می‌کنید از موج تغییرات عقب مانده‌اید… اگر توان پرداخت اشتراک همه‌ی ابزارهایی را که هر روز در لینکدین درباره‌شان صحبت می‌شود ندارید… اگر فرصت‌های شغلی کمتر شده یا حتی فعلاً درآمدی از این حوزه ندارید… قبل از اینکه همه‌ی تقصیر را گردن خودتان بیندازید، این آمار را دوباره ببینید.مسئله فقط و تنها شما نیستید. این یک مسئله‌ی ساختاری است؛ اقتصادی که هزینه‌هایش جهانی شده اما درآمدهایش نه. وقتی درباره‌ی این واقعیت صحبت نکنیم، هرکس تصور می‌کند تنها کسی است که شکست خورده یا این وضعیت را دارد و همین تصور، فشار روانی را چند برابر می‌کند. (چیزی که به شخصه در جلسات منتورینگ و یا صحبت با همکاران میشنوم) منتظر ماندن برای بهتر شدن شرایط، خودش یک تصمیم است؛ تصمیمی که معمولاً چیزی را تغییر نمی‌دهد. ⚡️ما دیزاینریم و خودمان مهم‌ترین محصول زندگی‌مان که باید دیزاین‌اش کنیم. کاری که هر روز برای محصولات دیگران انجام می‌دهیم، دقیقاً همان چیزی است که امروز باید برای زندگی خودمان انجام دهیم؛ دیدن واقعیت، نه آن‌طور که دوست داریم باشد، بلکه آن‌طور که هست. تشخیص مسئله‌ی واقعی، و طراحی بهترین راه‌حل، با منابعی که همین امروز در اختیار داریم، نه منابعی که آرزو می‌کنیم روزی داشته باشیم. اما سخت بودن شرایط، نباید باعث شود مسئله را اشتباه تعریف کنیم. چون اگر مسئله را اشتباه تعریف کنیم، حتی بهترین راه‌حل‌ها هم ما را به مقصد درستی نمی‌رسانند. 🫶 این پست را نوشتم که بدونید تنها نیستید و لازمه کمی واقع‌بینانه به مسائل نگاه کنیم و براش راه‌حل مناسب خودمون رو پیدا کنیم. 🙏 ضمنا جا داره از احسان عزتی @theehsanez عزیز هم برای برگزاری این نظرسنجی‌های دوره‌ای که میگذاره و جامعه آماری خوبی هم داره تشکر کنم، باعث میشه واقعیت‌های بازار کار در ایران در حوزه ما شفاف تر بشه. #بازارکار #طراحی_محصول #هوش_مصنوعی #دیزاین_زندگی 🫶@SodehDesign 🔘 Sodeh.me 👩🏻‍💻 https://linktr.ee/irSodeh

رویداد آنلاین و رایگان AI Builder Week ۲۰۲۶ از امشب آغاز می‌شود 📅 تاریخ: ۳ تا ۷ آگوست ۲۰۲۶ (۱۲ تا ۱۶ مرداد ۱۴۰۵) 📍 مکان: آنلاین این یک رویداد ۵ روزه کاملاً عملی است، نه یک کنفرانس صرفاً سخنرانی! هدف این است که شما از تماشاگر بودن خارج شوید و خودتان دست به کار شوید. هر روز به یک موضوع خاص می‌پردازد: 🟡روز اول (دوشنبه): اتصال MCP (مدل Claude) به سرویس‌های گوگل (Gmail، Drive، Calendar) 🟡روز دوم (سه‌شنبه): ساخت اولین محصول هوش مصنوعی شما با ابزارهایی مثل Lovable و v0 🟡روز سوم (چهارشنبه): از ایده تا محصول نهایی در ۳۰ دقیقه! 🟡روز چهارم (پنج‌شنبه): روز عامل‌ها و اتوماسیون هوش مصنوعی 🟡روز پنجم (جمعه): ساخت‌وساز کامل با هوش مصنوعی و بررسی نقش مدیر محصول در سال ۲۰۲۶ 📥 کسب اطلاعات بیشتر و ثبت نام #محصول #مدیریت_محصول #هوش_مصنوعی #وبینار #کنفرانس 🫶@SodehDesign 🔘 Sodeh.me 👩🏻‍💻 https://linktr.ee/irSodeh

📌 در این وبینار، سوده محمدآبادی، طراح محصول و خدمات، درباره یکی از مهم‌ترین موضوعات دنیای امروز فناوری یعنی «طراحی محصولات قابل اعتماد هوش مصنوعی» صحبت کرد. در طول این جلسه، ابعاد مختلف اعتماد در محصولات مبتنی بر هوش مصنوعی بررسی شد و چالش‌ها، فرصت‌ها و راهکارهای عملی طراحی تجربه‌های هوش مصنوعی قابل اعتماد مورد بحث قرار گرفت. بخش اول: نقش و ابزارهای جدید طراح محصول در عصر هوش مصنوعی بررسی شد. بخش دوم: اهمیت اعتماد به‌عنوان مهم‌ترین مزیت رقابتی محصولات هوش مصنوعی و تأثیر آن بر موفقیت این محصولات تشریح شد. بخش سوم: چالش‌های طراحی تجربه کاربری در شرایط عدم قطعیت و راهکارهای مواجهه با آن‌ها مطرح شد. بخش چهارم: مفاهیم شفافیت، اعتبارسنجی و روش‌های تست محصولات هوش مصنوعی در دنیای واقعی مورد بررسی قرار گرفتند. بخش پنجم: موضوعات مرتبط با اخلاق، مسئولیت‌پذیری و آینده طراحی محصولات هوش مصنوعی مورد بحث قرار گرفتند. 🔴 لینک مشاهده در یوتوب 🎯 این وبینار با حضور طراحان محصول، مدیران محصول، توسعه‌دهندگان، طراحان خدمات و پژوهشگران تجربه کاربر برگزار شد و در آن درباره راهکارهای طراحی محصولات هوش مصنوعی قابل‌اعتمادتر، شفاف‌تر و کارآمدتر برای انسان‌ها گفتگو شد. 📄 لینک اسلاید وبینار 🔗 دیزاینرا در شبکه‌های اجتماعی: وبسایت | صفحه لینکدین | کانال تلگرام | صفحه اینستاگرام | کانال یوتوب

آیا متوجه هستید در حال ساختن چه نوع سیستمی هستید؟ اگر «الماس سه‌گانه» (Triple Diamond) را مدلی مفید برای مدیریت فرایندهای انسان‌محور می‌دانستیم، در سازمان‌های AI-First باید نگاه متفاوتی به آن داشته باشیم. در مدل سنتی، انسان‌ها تمام کارهای شناختی را انجام می‌دادند؛ داده جمع‌آوری می‌شد، تحلیل انجام می‌گرفت و در نهایت نتیجه در قالب یک گزارش، نقشه یا سند ثبت می‌شد. اما همان لحظه که خروجی منتشر می‌شد، بخشی از ارزش آن قدیمی شده بود. تلاش زیاد، خروجی‌های مقطعی و دانشی که در یک فایل محبوس می‌ماند. اما در مدل جدید، نقش انسان تغییر می‌کند. انسان دیگر صرفاً تولیدکننده تحلیل نیست؛ بلکه زمینه (Context) را طراحی، سازمان‌دهی و به‌روز نگه می‌دارد و هوش مصنوعی به‌صورت مداوم روی این زمینه کار می‌کند. ارزش دیگر در یک گزارش نهایی نیست، بلکه در یک دارایی زنده و همیشه در حال تکامل قرار دارد که هر زمان می‌توان از آن سؤال پرسید و پاسخ متناسب دریافت کرد. در این مدل، تلاش انسان از تولید بینش به نگهداری و غنی‌سازی Context منتقل می‌شود و بینش، به جای اینکه محصول نهایی باشد، به خروجی دائمی سیستم تبدیل می‌شود. 🟢چند نمونه از این تغییر: • قبلاً برای کشف مسئله، هر بار پروژه‌ای مستقل اجرا می‌شد. امروز یک مدل از سفر مشتری یا Journey Model ساخته می‌شود و به‌صورت مستمر با داده‌های جدید تکامل پیدا می‌کند. • قبلاً برای پاسخ به هر سؤال باید دوباره میان اسناد و تحقیقات جست‌وجو می‌کردیم. امروز داده‌ها یک‌بار ساختاردهی می‌شوند و هر فرد با یک پرسش، پاسخ متناسب خود را دریافت می‌کند. • قبلاً برای ارزیابی نتایج باید دوباره تحلیل و گزارش تهیه می‌شد. امروز Agentهای هوش مصنوعی می‌توانند به‌صورت مداوم عملکرد را پایش کرده و تغییرات را گزارش دهند. ✅ تفاوت اصلی فقط در ابزارها نیست؛ در معماری فرایند است. در مدل قدیمی، فرایند بر پایه تحویل کار بین تیم‌ها (Hand-off) شکل می‌گرفت. هر تیم کارش را تمام می‌کرد، خروجی را تحویل تیم بعدی می‌داد و فرایند دوباره از نو آغاز می‌شد. اما در سازمان‌های AI-First، فرایند به یک چرخه بازخورد (Feedback Loop) تبدیل می‌شود: Context → Intelligence → Impact → Context زمینه، هوش را تغذیه می‌کند؛ هوش، اثر ایجاد می‌کند؛ و نتایج دوباره به زمینه بازمی‌گردند تا سیستم هوشمندتر شود. در چنین سیستمی، بسیاری از فعالیت‌های تکرارشونده انسانی جذب خود سیستم می‌شوند. کار دیگر مجموعه‌ای از پروژه‌های جداگانه نیست؛ بلکه به یک موتور دائماً در حال حرکت تبدیل می‌شود. شاید مهم‌ترین تغییر ذهنیت همین باشد: در عصر هوش مصنوعی، ارزش واقعی دیگر در تولید یک Deliverable نیست؛ بلکه در ساختن سیستمی است که بتواند به‌طور پیوسته یاد بگیرد، خود را به‌روز کند و بینش تولید کند. 📱 یادداشت کامل #تفکردیزاین #دیزاین #هوش_مصنوعی #طراحی_خدمات

🚀 انتشار نتایج یک پژوهش عملی با موضوع اعتماد در طراحی محصولات هوش مصنوعی سال گذشته، افتخار همکاری آنلاین با شمیم سلوکی عزیز را داشتم؛ شمیم در مقطع کارشناسی‌ارشد University of Europe for Applied Sciences (کشور آلمان) مشغول به تحصیل بود و من به عنوان منتور و مشاور صنعت پروژه‌ی پایان‌نامه‌‌اش همراه بودم. 💬موضوع پایان‌نامه‌ پرسشِ کلیدی و به‌روزی بود: «چگونه طراحی تجربه‌ی کاربری (UX) می‌تواند به افزایش اعتماد مردم به سیستم‌های هوش مصنوعی کمک کند؟» خوشبختانه شمیم نه‌تنها پروژه‌ای باکیفیت و عمیق آماده و دفاع کرد، بلکه در گامی فراتر، یک پروژه‌ی تعاملی مبتنی بر کیس‌استادی‌های واقعی را نیز آماده و منتشر کرد که نشان‌دهنده‌ی تسلط او بر کاربرد عملی این موضوع است. با توجه به وبیناری که هفته‌ی گذشته با محوریت «طراحی محصولات قابل‌اعتماد هوش مصنوعی» برگزار کردم، به نظرم رسید که با کسب اجازه‌ از شمیم یافته‌های ارزشمند پایان‌نامه‌ و توضیحات تکمیلی‌اش را با شما به اشتراک بگذارم. مطمئنم که این مطالب برای شما نیز مفید و یادگیرنده خواهد بود. ☑️توضیحات تکمیلی شمیم: طراحی تجربه کاربری چطور می‌تواند به اعتماد مردم به سیستم‌های هوش مصنوعی کمک کند؟ برای پاسخ به این پرسش، ابتدا سه حوزهٔ پژوهشی مرتبط با هم را بررسی کردم: تجربه کاربری (UX)، تعامل انسان با هوش مصنوعی (HAI) و هوش مصنوعی قابل توضیح (XAI). با تلفیق این سه حوزه، موفق شدم هم یک شکاف تحقیقاتی را شناسایی کنم و هم شش اصل کلیدی برای طراحی رابط‌های کاربری قابل‌اعتماد در سیستم‌های هوش مصنوعی تدوین نمایم. در گام بعد، این اصول را روی پنج نمونهٔ متفاوت از کاربردهای هوش مصنوعی پیاده‌سازی کردم: اسپاتیفای (Spotify)، چت‌جی‌پی‌تی (ChatGPT)، نقشه گوگل (Google Maps)، گرامرلی (Grammarly) و آمازون (Amazon)؛ و هرکدام را از نو طراحی کردم. برای اینکه خروجی این پروژه صرفاً به یک پایان‌نامهٔ مکتوب محدود نشود، یک نمونهٔ اولیهٔ تعاملی دیجیتال (Interactive Digital Prototype) ساختم که تمام این پنج مطالعهٔ موردی (Case Studies) را در یک محیط یکپارچه گرد هم آورده است. آنچه از این مسیر یاد گرفتم این بود که چالش اصلی در اعتمادسازی نسبت به هوش مصنوعی، بیش از آنکه فنی (Technical) باشد، دیزاین است. به نظرم طراحیِ یک هوش مصنوعی قابل‌اعتماد یعنی اینکه به کاربران کمک کنیم از طریق تجربه‌های کاربری شفاف و هوشمندانه، بتوانند سیستم را بهتر درک کنند، با آن کنکاش کنند و آن را به‌دقت ارزیابی نمایند. خوشحالم که حالا این پروژه را با شما به اشتراک می‌گذارم و اگر نظرات یا بازخوردی داشته باشید، استقبال می‌کنم!    برای دیدن و کاوش پروژهٔ تعاملی + مستند تکمیلی، روی لینک‌ها زیر کلیک کنید: ✔️ https://talkabouttrust.netlify.app ✔️https://talkabouttrust-projectdocumentation.netlify.app/ 📱 Shamim Solooki #اعتماد #هوش_مصنوعی #طراحی_محصول #پایان_نامه #پژوهش 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

🎞 فیلم Mercy (2026) | فیلمی درباره مهم‌ترین چالش طراحی محصولات هوش مصنوعی با گسترش محصولات مبتنی بر هوش مصنوعی، مهم‌ترین مزیت رقابتی دیگر فقط دقت، سرعت یا امکانات بیشتر نیست؛ اعتماد است. کاربران باید بتوانند به تصمیم‌ها، پیشنهادها و پاسخ‌های یک سیستم هوش مصنوعی اعتماد کنند. این اعتماد هم اتفاقی شکل نمی‌گیرد؛ نتیجه طراحی درست، شفافیت، قابلیت توضیح، مدیریت خطا و تجربه کاربری مسئولانه است. فیلم Mercy (2026) هم از همین زاویه ارزش تماشا دارد. فارغ از جنبه‌های سینمایی، این فیلم پرسش‌های مهمی درباره اعتماد به سیستم‌های هوش مصنوعی، واگذاری تصمیم‌گیری به ماشین‌ها و مسئولیت انسان در برابر خروجی‌های AI مطرح می‌کند. اگر در حوزه طراحی محصول، تجربه کاربری یا توسعه محصولات هوش مصنوعی فعالیت می‌کنید، Mercy می‌تواند فراتر از یک فیلم علمی‌تخیلی، یک مطالعه موردی درباره اهمیت طراحی برای اعتماد باشد. 🎬معرفی فیلم‌های سینمایی و مستند حوزه دیزاین: ✔️فیلم مستند طراحی برای همه: گامی به سوی دنیای بهتر ✔️مستند قدرت بینش از جول بارکر ( THE POWER OF VISION) ✔️ فیلم Swiped: روایتی از محصول، کارآفرینی و پیچیدگی روابط انسانی ✔️مستند "Eternal You" | اثرات طراحی محصولات مبتنی بر هوش مصنوعی در حوزه مرگ ✔️معرفی مستند Design Disruptors ✔️مستند‌ طراحان تنها، مجموعه‌ای ارزشمند از تاریخ شفاهی طراحی صنعتی در ایران #فیلم_و_دیزاین #سینما_برای_طراحان 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

🚀 معماری AI Agent به زبان ساده این روزها همه درباره AI Agentها صحبت می‌کنند. اما کمتر کسی می‌تواند توضیح دهد که داخل یک AI Agent واقعا چه اجزایی وجود دارد و چگونه کار می‌کند. این اینفوگرافیک دقیقا همین موضوع را نشان می‌دهد؛ و وقتی اجزای آن را بشناسید، بهتر متوجه می‌شوید که نقاط شکست این سیستم‌ها کجاست. یک AI Agent یک جزء واحد نیست؛ بلکه از بخش‌های مختلف تشکیل شده که در کنار هم کار می‌کنند. ⚡️هسته (Core) 🟡مدل زبانی بزرگ (LLM) مغز سیستم است. درخواست را تحلیل می‌کند، استدلال می‌کند و تصمیم می‌گیرد چه کاری انجام شود. اما یک مغز، بدون حافظه، ابزار و داده، هرچقدر هم قدرتمند باشد، محدود است. ⚡️آنچه مدل را تغذیه می‌کند 🟡 بخش اول RAG: نقش کتابخانه را دارد. پیش از پاسخ‌دادن، اسناد و اطلاعات مرتبط را پیدا می‌کند تا پاسخ بر پایه داده‌های واقعی باشد، نه حدس. 🟡 بخش دوم Memory: دفترچه یادداشت عامل است. تعاملات قبلی، ترجیحات و اطلاعات لازم را به خاطر می‌سپارد تا هر بار از نقطه صفر شروع نکند. ⚡️نحوه عمل کردن 🟡بخش اول Tools: دست‌های عامل هستند. جستجو، ارسال ایمیل، اجرای کد، انجام گردش‌کارها و هر اقدامی که باعث می‌شود عامل فقط پاسخ ندهد، بلکه عمل هم بکند. 🟡 بخش دوم MCP (Model Context Protocol): یک رابط استاندارد برای اتصال عامل به سیستم‌های مختلف است؛ از CRM گرفته تا پایگاه داده و انواع نرم‌افزارها. 🟡بخش سوم A2A (Agent-to-Agent): مسیر ارتباط بین عامل‌هاست. به کمک آن، عامل‌ها می‌توانند وظایف را بین خود تقسیم کنند، نه اینکه یک مدل همه کارها را انجام دهد. ⚡️تیم عامل‌ها / در سیستم‌های پیشرفته، عامل‌ها تخصصی می‌شوند: 🟡عامل پژوهش، اطلاعات را جمع‌آوری می‌کند. 🟡عامل برنامه‌ریزی، تصمیم می‌گیرد. 🟡عامل اجرا، عملیات را انجام می‌دهد. 🟡عامل بازبینی، نتیجه را کنترل می‌کند. چهار نقش متفاوت که به‌صورت موازی برای یک هدف مشترک فعالیت می‌کنند. اینفوگرافیک: Greg Coquillo 👑 نکته مهم: آشنایی با معماری AI Agentها به طراحان محصول و خدمات پیشرو کمک می‌کند تا به‌جای طراحی صرفِ رابط کاربری، سیستم‌های هوشمند قابل اعتماد، قابل کنترل و شفاف طراحی کنند. #ایجنت #هوش_مصنوعی #محصول #طراحی_محصول 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

🚀 درباره lennybot مدت‌ها بود که متخصصان از طریق کتاب، مقاله، خبرنامه و پادکست دانش خود را منتشر می‌کردند. حالا یک قالب جدید به این فهرست اضافه شده است: AI Expert. به نظرم نمونه جالب آن LennyBot است که یک مدل عمومی هوش مصنوعی نیست؛ بلکه بر پایه سال‌ها محتوای Lenny Rachitsky ساخته شده است. صدها مقاله، مصاحبه، خبرنامه و تجربه او به یک پایگاه دانش تبدیل شده تا کاربران بتوانند به‌جای جستجو در آرشیو محتوا، مستقیماً سؤال بپرسند. اگر درباره موضوعاتی مانند: 🟡 Product Strategy 🟡 Product-Market Fit 🟡 Metrics 🟡Growth 🟡Hiring 🟡 Roadmap سؤالی داشته باشید، LennyBot پاسخ را از دل دانش و دیدگاه لنی استخراج می‌کند و در بسیاری از موارد به منبع اصلی نیز ارجاع می‌دهد. به نظرم آنچه این سرویس را جذاب می‌کند، خود چت‌بات نیست؛ بلکه تغییری است که در حال شکل‌گیری است. به نظر می‌رسد در حال حرکت از «تولید محتوا» به سمت «محصول‌سازی از دانش» هستیم. در این مدل، کتاب، دوره آموزشی، خبرنامه و پادکست همچنان ارزشمند هستند، اما دیگر تنها نقطه دسترسی به دانش یک متخصص نیستند. یک AI اختصاصی می‌تواند همان دانش را در قالب یک گفت‌وگوی تعاملی در اختیار مخاطب قرار دهد. داشتم فکر می‌کردم شاید در آینده، یکی از دارایی‌های هر متخصص فقط وب‌سایت، خبرنامه یا دوره آموزشی نباشد؛ بلکه نسخه‌ای هوشمند از دانش و تجربه او نیز باشد که بتوان با آن گفتگو کرد. جای چنین سرویس‌هایی در پلتفرم‌هایی مثل متمم خالیست. 🌐 lennybot.com #مدیریت_دانش #هوش_مصنوعی #محصول #مدیریت_محصول 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh