ChemEng Resource
رفتن به کانال در Telegram
Process Systems Engineering (PSE) resource hub. A technical repository of modeling, optimization, AI/ML integration, and process design. Channel accepts direct messages. You can also contact with @hadi_aliz
نمایش بیشترکشور مشخص نشده استدسته بندی مشخص نشده است
381
مشترکین
+1524 ساعت
+217 روز
+9930 روز
در حال بارگذاری دادهها
کانالهای مشابه
هیچ دادهای
مشکلی وجود دارد؟ لطفاً صفحه را تازه کنید یا با مدیر پشتیبانی ما تماس بگیرید.
ابر برچسبها
هیچ دادهای
مشکلی وجود دارد؟ لطفاً صفحه را تازه کنید یا با مدیر پشتیبانی ما تماس بگیرید.
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
نوامبر '26نوامبر '26
نوامبر '26
+56
در 1 کانالها
اکتبر '26
+336
در 2 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 20 نوامبر | +5 | |||
| 19 نوامبر | +15 | |||
| 18 نوامبر | 0 | |||
| 17 نوامبر | +1 | |||
| 16 نوامبر | +1 | |||
| 15 نوامبر | +1 | |||
| 14 نوامبر | +3 | |||
| 13 نوامبر | 0 | |||
| 12 نوامبر | +1 | |||
| 11 نوامبر | +2 | |||
| 10 نوامبر | +1 | |||
| 09 نوامبر | +3 | |||
| 08 نوامبر | +2 | |||
| 07 نوامبر | +4 | |||
| 06 نوامبر | 0 | |||
| 05 نوامبر | +2 | |||
| 04 نوامبر | +2 | |||
| 03 نوامبر | +2 | |||
| 02 نوامبر | +9 | |||
| 01 نوامبر | +2 |
پستهای کانال
⚡️ آموزش ساخت نرم افزار user-friendly برای محاسبه قطر برج تقطیر ( روش C-Factor ) با همکاری انسان و AI
#ویژه
در بین ویدیوهایی که تا اینجا ساختم، آماده سازی این یکی بیشتر از همه طول کشید و انرژی گرفت چون واقعا ترکیب ظریفی از مهندسی فرایند و مهندسی نرمافزاره. اما چون بیشترین رای رو آورد گفتم حتما باید انجامش بدم♥️
پیشنهاد میکنم حتما ببینید چون واقعا محتوای مشابه زیادی وجود نداره.
C++/QML
نکات آموزشی ویدیو:
✳️ مروری بر روش مبتنی بر C Factor و الگوریتم محاسبه قطر برج
✳️ استفاده از Automeris WebPlotDigitizer برای digitize کردن نمودار ضریب معادله Souders-Brown
✳️ توضیح فلسفه کد بخش Backend توسعه داده شده توسط مدرس با زبان برنامه نویسی Cpp
✳️ توسعه بخش iterator و رابط کاربری( زبان QML) به کمک عامل خودمختار Antigravity و اتصال به بخش توسعه داده شده توسط مدرس و آزمایش نهایی کل نرم افزار
⭕️ فایل Portable قابل اجرا نرمافزار در این ویدیو در بخش commentهای پست آپلود شده.
#Agentic_AI
برای دیدن لیست ویدیوهای بیشتر در این حوزه اینجا کلیک کنید
✅ اگر مفید بود، لطفا به اشتراک بگذارید😃
@ChemEngResource
19 نوامبر, 06:11
| 2 | به عنوان آموزش بعدی، کدام ویدیو رو ضبط کنم؟ | 164 |
| 3 | به عنوان آموزش بعدی، کدام ویدیوی رو ضبط کنم؟ | 1 |
| 4 | اگر به مدلسازی سیستمهای پیچیده و ترکیب آن با کنترل و بهینهسازی علاقهمند هستید، در نظرسنجی زیر شرکت کنید تا ویدیوهای این سری را نیز start بزنیم.
📊 آیا مجموعه ویدیوهای آموزشی «مهندسی سیستمهای مبتنی بر مدل (MBSE)» را در کنار ویدیو های AI شروع کنیم؟ | 289 |
| 5 | #ویژه
فایل ارائه مقاله پژوهشی ما که حاصل همکاری مشترک سه دانشگاه از ایران، سوئد و ایتالیا (دانشگاه صنعتی امیرکبیر، دانشگاه لینشوپینگ (Linköping) و دانشگاه پلیتکنیک میلان) در سال های 2022 و 2023 برای اولین بار در کانال به اشتراک گذاشته میشود (مقاله در اینترنت موجود بود ولی فایل ارائه را برای اولین بار به اشتراک میگذارم).
این پژوهش در پانزدهمین کنفرانس بینالمللی Modelica در شهر آخن آلمان ارائه شده است؛ رویدادی که با حمایت شرکتهای پیشرو صنعتی و تیمهای توسعهدهنده، یکی از معتبرترین گردهماییهای علمی و صنعتی دنیا در حوزه شبیهسازی سیستمهای پیچیده به شمار میرود.
💡 خلاصه دستاورد فنی این پژوهش:
در این کار، ارتباط میان نرمافزار متنباز OpenModelica و MATLAB (از طریق رابط OMMatlab) برای پیادهسازی کنترل پیشبین مدل مبتنی بر خطیسازی متوالی (SLMPC) بهینهسازی شده است:
🔹 کاهش زمان خطیسازی سیستمهای معادلات دیفرانسیل-جبری (DAE) با حدود ۱۱۰۰ معادله، از ۴۲۰ ثانیه به کسری از ثانیه
🔹 کاهش چشمگیر زمان کل شبیهسازی در مطالعه موردی، از ۷ ساعت به تنها ۲۵ دقیقه
🔗 لینک دسترسی به اصل مقاله
@ChemEngResource | 274 |
| 6 | تو این ویدیو حرف نزدم چون چیزی برای توضیح وجود نداره ( اولش میخواستم کپشن هم ننویسم وبگم بدون شرح)😅
وقتی Agent خودش ماوس و کیبورد رو دستش میگیره و پشت سیستم میشینه!🤯
تو ویدیوهای قبلی دیدیم که چطور میشه با استفاده از سرورهای MCP به شبیهساز وصل شد؛ اما این بار داستان کاملاً فرق میکنه! 🚀
تو این ویدیوی کوتاه، ChatGPT CodeX با قدرت مدل زبانی GPT-6 Luna، بدون هیچ واسط خاصی برای HYSYS، مستقیماً کنترل ماوس و کیبورد ویندوز رو به دست گرفت!
همونطور که میبینید، به این Agent گفتم خودش مثل یک مهندس واقعی با رابط گرافیکی (GUI) ویندوز و محیط Aspen HYSYS تعامل کنه، پنجرهها رو ببینه و تغییرات لازم رو مستقیم روی شبیهسازی اعمال کنه!
🔥 تفاوت مهم این روش با ویدیوهای قبلی:
روش قبلی (MCP): ارتباط از طریق پشت صحنه و پروتکلهای ارتباطی با هسته نرمافزار
این ویدیو (Direct GUI Interaction): دیدن صفحه نمایش، حرکت دادن ماوس، کلیک کردن و تایپ کردن مستقیم توسط خود Agent!
به نظرتون تعامل مستقیم با رابط گرافیکی (Computer Use) کاربردیتره یا اتصال از طریق MCP؟
اگه جالب بود؛مطالب رو به اشتراک بگذارید
🆔 @ChemEngResource | 438 |
| 7 | 🔥 ورود قدرتمند Xiaomi به دنیای مدلهای استدلالگر: معرفی پلتفرم MiMo
شرکت Xiaomi با راهاندازی پلتفرم MiMo و انتشار خانواده مدلهای پیشرفته MiMo-V2.6 (با بیش از ۱ تریلیون پارامتر در نسخه Pro)، یک رقیب تمامعیار و Open-Source (تحت لایسنس MIT) را وارد میدان رقابت با غولهای هوش مصنوعی کرده است.
موتور این پلتفرم از پایه با رویکرد Reasoning-First و معماری Mixture of Experts (MoE) مهندسی شده است. استفاده از الگوریتمهای پیشرفته Reinforcement Learning (GRPO) و تکنیک Multi-Token Prediction باعث شده تا این مدل در حل مسائل پیچیده ریاضی، Code Generation، مدیریت Long-Context (تا ۱ میلیون توکن) و اجرای پایدار Agent Loops و Tool Calling، عملکردی خیرهکننده و همتراز با مدلهای پرچمدار تجاری ارائه دهد.
اگر به دنبال یک محیط وب فوقالعاده سریع با قابلیت Native Omnimodal هستید که سنگینترین تسکهای مهندسی، Debugging و Autonomous Agents شما را با دقت بالا جلو ببرد، همین الان MiMo را تست کنید.
💡 نکته کاربردی: این پلتفرم تحریم نیست و مستقیماً با آیپی ایران و بدون نیاز به VPN میتوانید از آن استفاده کنید.
🌐 ورود مستقیم به پلتفرم: https://mimo.mi.com
📣 @ChemEngResource | 386 |
| 8 | 🚀 معرفی پلتفرم هوش مصنوعی شرکت فرانسوی Mistral AI
این پلتفرم درگاه رسمی دسترسی به خانواده مدلهای قدرتمند Mistral است که توسط شرکت فرانسوی Mistral AI (تاسیسشده توسط پژوهشگران پیشین Meta و Google DeepMind) توسعه یافته است.
این شرکت با بهرهگیری از معماریهای بهینهای همچون Sparse Mixture of Experts (SMoE) و مکانیسمهای Sliding Window Attention، مدلهایی خلق کرده که با مصرف بهینه منابع، در زمینه Reasoning، تولید کدهای تخصصی با مدل Codestral و اجرای Agentic Workflows از طریق Function Calling دقیق، عملکردی در تراز اول جهانی دارند.
اگر برای پروژههای مهندسی، Debugging کد یا تحلیل سریع اسناد علمی به دنبال یک هوش مصنوعی فوقالعاده سریع با قابلیتهای Multimodal، Web Search زنده و Code Interpreter داخلی هستید، حتماً این پلتفرم را در نظر بگیرید.
🔗 دسترسی مستقیم: https://chat.mistral.ai
📣 @ChemEngResource | 355 |
| 9 | 🚀 معرفی پلتفرم هوش مصنوعی Z.ai (chat.z.ai)
پلتفرم chat.z.ai درگاه رسمی و بینالمللی دسترسی به نسل جدید مدلهای پیشرفته GLM است که توسط شرکت Zhipu AI (منشعب از آزمایشگاه مهندسی دانش دانشگاه Tsinghua) توسعه یافته است. این مدلها به لطف معماری ترنسفورمر بهینهسازیشده، آموزشپسینی پیشرفته (Post-training) و قابلیت بومی All-Tools، در استدلال منطقی و ریاضی، کدنویسی تخصصی، اجرای ورکفلوهای Agentic و فراخوانی خودکار ابزارها عملکردی در تراز اول جهانی دارند. اگر برای پروژههای مهندسی، دیباگ کد یا تحلیل اسناد علمی به دنبال یک هوش مصنوعی دقیق، رایگان و با پشتوانه آکادمیک قوی هستید، حتماً این پلتفرم را به جعبه ابزار خود اضافه کنید.
🔗 دسترسی مستقیم: https://chat.z.ai
📣 @ChemEngResource | 416 |
| 10 | Answer To DT question.m4a | 331 |
| 11 | ویدیوهای آموزشی کانال:
بروزرسانی میشود...🔄
⭕️لیست مطالب کانال در حوزه کاربرد عامل های خودمختار در مهندسی فرایند
Autonomous systems, LLMs, and Agentic AI :
ویدیو ها:
✳️ مقدمه ای بر سیستم های autonomous و MCP و مثالی از اتصال Claude Code به HYSYS ( لینک )
✳️ مثال تبدیل متن توصیف فرایند به شبیه سازی HYSYS با کمک عوامل خودمختار ( لینک )
✳️ کاربرد LLM در کنترل فرایند و کنترلر LLM-PID ( لینک )
✳️ابزار تبدیل خودکار PFD به HYSYS Flowsheet( لینک )
✳️ساخت دوقلوی دیجیتال از فایل متنی (رزومه، استاندارد و...) با OpenAI SDK (لینک)
✅متن پاسخ به این سوال که آینده مهندسی شیمی با وجود پیشرفت های اخیر در AI چه خواهد بود ( لینک )
✳️کنترل هوشمند Aspen HYSYS در عامل خودمختار Google Antigravity با پروتکل MCP (لینک)
هشتگ زیر را سرچ کنید تا به سایر محتواها در حوزه سیستم های خودمختار دسترسی پیدا کنید.
#Agentic_AI
⭕️لیست آموزش ها در مورد Ontology در مهندسی شیمی:
✳️ هستی شناسی در مهندسی شیمی قسمت اول ( لینک)
هشتگ زیر را سرچ کنید تا به سایر محتواها در حوزه هستی شناسی در مهندسی شیمی دست پیدا کنید.
#Ontology
🟢اگر این لیست برای یکی از همکارات مفیده، براش بفرست.
سعی میکنیم ادامه این موضوعات و حتی موضوعات دیگر در حوزه Process Systems Engineering، غیر از AI رو هم همینجا منتشر کنیم.
@ChemEngResource | 176 |
| 12 | ⭕️کنترل هوشمند Aspen HYSYS در Google Antigravity با پروتکل MCP
پروتکل MCP یکی از جذابترین استانداردها برای متصل کردن ایجنتهای هوش مصنوعی به نرمافزارهای تخصصی مهندسیه.
توی این ویدیو، بهصورت گامبهگام یاد میگیریم چطور سرور MCP رو برای شبیهساز Aspen HYSYS نصب کنیم و اون رو داخل محیط Google Antigravity بالا بیاریم تا ایجنت بتونه مستقیماً با شبیهساز تعامل داشته باشه.
✅ آنچه در این ویدیو میبینید:
1️⃣ نصب و پیکربندی سرور MCP ویژه HYSYS
2️⃣ اتصال و تعریف سرور در Google Antigravity
3️⃣ اجرای Prompt و تعامل مستقیم ایجنت با محیط شبیهسازی
📤 این پست رو برای دوستان و همکاران علاقهمند به کاربردهای AI در مهندسی فرآیند بفرستید!
#Agentic_AI
#HYSYS #MCP #Antigravity #AI_Agents
@ChemEngResource | 873 |
| 13 | ویدیوهای آموزشی کانال:
بروزرسانی میشود...🔄
⭕️لیست مطالب کانال در حوزه کاربرد عامل های خودمختار در مهندسی فرایند
Autonomous systems, LLMs, and Agentic AI :
ویدیو ها:
✳️ مقدمه ای بر سیستم های autonomous و MCP و مثالی از اتصال Claude Code به HYSYS ( لینک )
✳️ مثال تبدیل متن توصیف فرایند به شبیه سازی HYSYS با کمک عوامل خودمختار ( لینک )
✳️ کاربرد LLM در کنترل فرایند و کنترلر LLM-PID ( لینک )
✳️ابزار تبدیل خودکار PFD به HYSYS Flowsheet( لینک )
✳️ساخت دوقلوی دیجیتال از فایل متنی (رزومه، استاندارد و...) با OpenAI SDK (لینک)
✅متن پاسخ به این سوال که آینده مهندسی شیمی با وجود پیشرفت های اخیر در AI چه خواهد بود ( لینک )
هشتگ زیر را سرچ کنید تا به سایر محتواها در حوزه سیستم های خودمختار دسترسی پیدا کنید.
#Agentic_AI
⭕️لیست آموزش ها در مورد Ontology در مهندسی شیمی:
✳️ هستی شناسی در مهندسی شیمی قسمت اول ( لینک)
هشتگ زیر را سرچ کنید تا به سایر محتواها در حوزه هستی شناسی در مهندسی شیمی دست پیدا کنید.
#Ontology
🟢اگر این لیست برای یکی از همکارات مفیده، براش بفرست.
سعی میکنیم ادامه این موضوعات و حتی موضوعات دیگر در حوزه Process Systems Engineering، غیر از AI رو هم همینجا منتشر کنیم.
@ChemEngResource | 333 |
| 14 | ویدیوهای آموزشی کانال:
بروزرسانی میشود...🔄
⭕️لیست مطالب کانال در حوزه کاربرد عامل های خودمختار در مهندسی فرایند
Autonomous systems, LLMs, and Agentic AI :
ویدیو ها:
✳️ مقدمه ای بر سیستم های autonomous و MCP و مثالی از اتصال Claude Code به HYSYS ( لینک )
✳️ مثال تبدیل متن توصیف فرایند به شبیه سازی HYSYS با کمک عوامل خودمختار ( لینک )
✳️ کاربرد LLM در کنترل فرایند و کنترلر LLM-PID ( لینک )
✳️ابزار تبدیل خودکار PFD به HYSYS Flowsheet( لینک )
✳️ساخت دوقلوی دیجیتال از فایل متنی (رزومه، استاندارد و...) با OpenAI SDK (لینک)
✅متن پاسخ به این سوال که آینده مهندسی شیمی با وجود پیشرفت های اخیر در AI چه خواهد بود ( لینک )
هشتگ زیر را سرچ کنید تا به سایر محتواها در حوزه سیستم های خودمختار دسترسی پیدا کنید.
#Agentic_AI
⭕️لیست آموزش ها در مورد Ontology در مهندسی شیمی:
هستی شناسی دز مهندسی شیمی قسمت اول ( لینک)
هشتگ زیر را سرچ کنید تا به سایر محتواها در حوزه هستی شناسی در مهندسی شیمی دست پیدا کنید.
#Ontology
🟢اگر این لیست برای یکی از همکارات مفیده، براش بفرست.
سعی میکنیم ادامه این موضوعات و حتی موضوعات دیگر در حوزه Process Systems Engineering، غیر از AI رو هم همینجا منتشر کنیم.
@ChemEngResource | 1 |
| 15 | ⭕️ وقتی از حل معادلات فراتر میرویم و به ساختاردهی دانش مهندسی فرایند میرسیم!
Ontology in Chemical Engineering (Part 1)
هستیشناسی در مهندسی شیمی (قسمت ۱)
🧠 آیا میتوان دانش مهندسی فرایند را بهگونهای ساختاردهی کرد که ماشینها نیز مفاهیم، روابط و محدودیتهای فرایند را درک کنند؟
هستیشناسی (Ontology) رویکردی برای تعریف و سازماندهی مفاهیم، ویژگیها و روابط میان موجودیتهای یک حوزه است؛ رویکردی که میتواند پلی میان شبیهسازی فرایند، دانش مهندسی و سیستمهای هوشمند ایجاد کند.
🔹 در این ویدیو بررسی میکنیم:
✅ تفاوت حل معادلات با بازنمایی دانش مهندسی
✅ مفهوم Ontology و نقش آن در ساختاردهی دانش مهندسی شیمی
✅ ارتباط میان مدلهای ریاضی، شبیهسازی فرایند و بازنمایی دانش
✅ نقش هستیشناسی در توسعه سیستمهای هوشمند، تصمیمگیری و عاملهای هوش مصنوعی (AI Agents)
✅ چرا آینده مهندسی فرایند تنها به حل معادلات وابسته نیست و به سازماندهی دانش و روابط میان مفاهیم نیز نیاز دارد؟
📌 از Process Simulation تا Knowledge Representation؛ گامی بهسوی مهندسی فرایند هوشمند
#Ontology
#هستی_شناسی
🆔 @ChemEngResource | 1 229 |
| 16 | ⭕️ وقتی از حل معادلات فراتر میرویم و به ساختاردهی دانش مهندسی فرایند میرسیم!
Ontology in Chemical Engineering (Part 1)
هستیشناسی در مهندسی شیمی (قسمت ۱)
🧠 آیا میتوان دانش مهندسی فرایند را بهگونهای ساختاردهی کرد که ماشینها نیز مفاهیم، روابط و محدودیتهای فرایند را درک کنند؟
هستیشناسی (Ontology) رویکردی برای تعریف و سازماندهی مفاهیم، ویژگیها و روابط میان موجودیتهای یک حوزه است؛ رویکردی که میتواند پلی میان شبیهسازی فرایند، دانش مهندسی و سیستمهای هوشمند ایجاد کند.
🔹 در این ویدیو بررسی میکنیم:
✅ تفاوت حل معادلات با بازنمایی دانش مهندسی
✅ مفهوم Ontology و نقش آن در ساختاردهی دانش مهندسی شیمی
✅ ارتباط میان مدلهای ریاضی، شبیهسازی فرایند و بازنمایی دانش
✅ نقش هستیشناسی در توسعه سیستمهای هوشمند، تصمیمگیری و عاملهای هوش مصنوعی (AI Agents)
✅ چرا آینده مهندسی فرایند تنها به حل معادلات وابسته نیست و به سازماندهی دانش و روابط میان مفاهیم نیز نیاز دارد؟
📌 از Process Simulation تا Knowledge Representation؛ گامی بهسوی مهندسی فرایند هوشمند
#Ontology
#هستی_شناسی
@ChemEngResource | 1 |
| 17 | به زودی...
🧠 از داده تا دانش؛ آینده مهندسی شیمی با آنتولوژی (Ontology)!
در دنیای امروز، صرفاً داشتن داده کافی نیست؛ توانایی سازماندهی، ارتباطدهی و تبدیل دادهها به دانش هوشمند، یک مزیت رقابتی است.
🔬 در دوره آموزشی رایگان آنتولوژی در مهندسی شیمی با یکی از مفاهیم کلیدی تحول دیجیتال و سیستمهای هوشمند آشنا میشوید؛ رویکردی که میتواند شیوه مدلسازی، مدیریت دانش و تحلیل اطلاعات در صنایع فرایندی را متحول کند.
📌 در این دوره چه میآموزید؟
🔹 مفاهیم بنیادی آنتولوژی و مهندسی دانش
🔹 مدلسازی مفاهیم و روابط در فرایندهای شیمیایی
🔹 کاربرد آنتولوژی در یکپارچهسازی دادههای صنعتی
🔹 ارتباط آنتولوژی با هوش مصنوعی و گراف دانش (Knowledge Graph)
🔹 نقش آنتولوژی در توسعه سیستمهای هوشمند و تصمیمیار در صنایع فرایندی
💡 آینده صنعت تنها متعلق به کسانی نیست که داده بیشتری دارند؛ متعلق به کسانی است که دادهها را بهتر میفهمند و هوشمندانهتر برای ماشین ترجمه میکنند.
🔥 یک گام فراتر از مهندسی شیمی کلاسیک؛ به سوی مهندسی دانشمحور!
#هستی_شناسی
#Ontology
🆔 @ChemEngResource | 426 |
| 18 | اولش میخواستم بنویسم: «یکی از اولین شبیهسازهای فرایندی داخلی رو ساختم»؛ اما دیدم توصیف دقیقتر و منصفانهترش اینه: «یکی از اولین شبیهسازهای فرایندی جهان که با همکاری مشترک انسان (بنده) و ایجنتهای خودمختار هوش مصنوعی در طول یک سال ساخته شده و همچنان در حال توسعه است.»
هدف از نوشتن این پست چیه؟ شوآف؟ راستش رو بخواید شاید در اعماق ضمیر ناخودآگاهم رگههایی از ذوقِ این تجربه هم باشه که الان بهش آگاه نیستم! اما بهانه اصلی این نوشته، گپوگفتها و نکات خیلی خوبی بود که در این مدت کوتاه و بعد از انتشار سری ویدیوهای Agentic AI در مهندسی شیمی، از سمت برخی دوستان و اساتید بزرگوار و از سر لطف و دلسوزی مطرح شد. این دغدغهها که شاید سوال خیلی از عزیزان دیگه هم باشه، ذهن خودم رو هم به چالش کشید و فکر کردم بد نیست زاویه دیدم رو بدون تکرار صورت سوالها با شما به اشتراک بذارم تا با هم در موردش فکر کنیم.
واقعیت اینه که دنیای تکنولوژی با شتابی بسیار بیشتر از دهههای گذشته در حال حرکته و هوش مصنوعی منتظر ما نمیمونه تا سر فرصت باهاش آشنا بشیم. وضعیت امروز ما خیلی شبیه به دوران ورود اولین شبیهسازهای تجاری در دهه ۱۹۸۰ میلادیه؛ دورانی که ابزارهای مهندسی شیمی کمکم از خطکش محاسبه و روشهای ترسیم مککیب تیل به سمت اجرای کامپیوتری تغییر مسیر دادن. امروز هم در آستانه یک تحول مشابه هستیم. اگر با این موج همراه نشیم، در آیندهای نزدیک ممکنه حسی شبیه به کسی داشته باشیم که در عصر گوشیهای هوشمند، هنوز برای پیدا کردن یک شماره سراغ دفترچه تلفن کاغذی میره!
حالا تجربه ساخت این شبیهساز چه ربطی به این موضوع داره؟ نکته جالب ماجرا اینجاست که تا چند سال پیش، توسعه یک شبیهساز فرایندی نیازمند یک تیم بزرگ، ده سال زمان و دهها میلیون دلار سرمایه بود. اما امروز به کمک هوش مصنوعی، این معادله تغییر کرده. اگر ما به مفاهیم عمیق مهندسی فرایند و محاسبات عددی (از الگوریتمهای همگرایی جریانهای برشخورده، حلگرهای معادلات (NLE/DAE) و تحلیل حساسیت گرفته تا پکیجهای ترمودینامیکی و ...) مسلط باشیم و در کنارش مفاهیم مهندسی نرمافزار (معماری سیستم، دیتابیس و...) رو هم بشناسیم، میتونیم با کمک ایجنتهای هوش مصنوعی، پروژهای با اون ابعاد رو در عرض چند ماه و با هزینهی چند دلاری جلو ببریم. البته من هنوز بخش های محاسبات عددی و مدلسازی رو خودم توسعه میدم چون خیالم راحت تره!
اما این وسط یک سوال اساسی مطرح میشه: آیا با وجود این ابزارها، نیاز به دانش مهندسی کمتر شده؟ قطعاً نه؛ بلکه خیلی حیاتیتر هم شده! مسئله اصلی اینه که آیا ما سواد مهندسیِ لازم برای صحهگذاری خروجی این محصولات رو داریم؟ چون در نهایت، این «مهندس فرایند» هست که پای مدارک و طراحیها رو امضا میکنه و مسئولیت فنی و ایمنی پلنت رو به عهده میگیره؛ نه یک مدل زبانی که صرفاً متشکل از میلیاردها عدد اعشاری هست!
فرض کنید درآینده نه چندان دور و در یک مصاحبه شغلی از من بپرسن:
«آقای علیزاده! ما یک ایجنت هوش مصنوعی داریم که با تکنولوژی RAG به تمام استانداردهای مهندسی و Design Practiceها وصله و از طریق پروتکل MCP مستقیماً به نرمافزارهای تخصصی دسترسی داره. این ایجنت میتونه طراحی پایه (Basic Design) و شبیهسازیای که شما در چند ماه انجام میدید رو در چند ساعت به نتیجه برسونه. چرا باید به جای استفاده از این ایجنت، به شما حقوق بدیم؟»
دقت بفرمایید که این ربطی به تحریم هم نداره؛ چون همین الان مدلهای متنباز و رایگانی وجود دارن که به صورت محلی قابل دانلود، Fine tuning و استفاده در محصولات هستن و خیلی زود در صنعت کشور ما هم به کار گرفته میشن. سختافزار مورد نیازش هم که در بازار موجوده! اگر هم نباشه، فوقش شرکت میخواد ماهی ۵۰۰ دلار پول API به شرکت چینی DeepSeek بده دیگه! خیلی ارزونتر از حقوق ماهانه ۵۰ تا کارمند درمیاد و ۱۰۰ برابر اونها هم کار راه میاندازه!
در برابر چنین ابزاری، واقعاً مزیت رقابتی ما چیه؟ به نظر من، ارزش واقعی ما زمانی مشخص میشه که اونقدر دانش مهندسی شیمی و فرایند داشته باشیم که بتونیم خطاهای پنهان و نقض قوانین مهندسی رو در خروجیهای هوش مصنوعی تشخیص بدیم و نتایج رو به درستی Verify کنیم. علاوه بر این، میتونیم از نقش «کاربرِ صرفِ نرمافزار» فراتر بریم و خودمون این ایجنتها رو برای کاربردهای تخصصی خودمون به کار بگیریم یا حتی توسعه بدیم که به نظرم این مهم تر هم شاید باشه.
حرف آخرم اینه که در مقابل تغییرات دنیای امروز، نمیشه خودمون رو به ندانستن بزنیم و بگیم «انشاالله که گربه است!». بهترین راه اینه که در کنار تقویت پایههای علمی و مهندسیمون، خودمون رو با این مسیر جدید وفق بدیم و به مزیتهای رقابتی دنیای جدید مسلح بشیم.
ارادتمند؛ برادر کوچک و همیشه شاگردتون، محمدهادی علیزاده
#Agentic_AI
@ChemEngResource | 473 |
| 19 | بدون متن... | 372 |
| 20 | با استفاده از مدل های زبانی (LLMs) برای هر فایل متنی مثل Design Practice، استاندارد های API، یا حتی رزومه خودت یک (Digital Twin) بساز و باهاش چت کن!
با رزومه خودم یک Digital Twin ساختم و با خودم صحبت کردم :)
✅بعد تماشای این ویدیو قادر خواهید بود بدون نصب هیچ نرمافزار خاصی و صرفا با استفاده از سرویس های آنلاین و به صورت کاملا رایگان، از یک فایل متنی یک Digital Twin بسازید.
این ویدیو در راستای آشنایی مقدماتی با نحوه توسعه نرم افزار های مبتنی بر LLM های تجاری ساخته شده است.
نکات آموزشی این ویدیو:
⭕️ استفاده مقدماتی از OpenAi Agents SDK در محیط Google Colab
⭕️ دسترسی و استفاده از مدل های زبانی رایگان Provider ها مانند NVIDIA Nemotron 3 Ultra
⭕️ اضافه کردن و بکارگیری API KEY ها در محیط Colab
⭕️ استفاده از OpenRouter
کد استفاده شده ( لینک)
#Agentic_AI
@ChemEngResource | 1 208 |
