Create w/ Hoor

خروجی صدای Seedance 2.5 🤯

باشه بابا تو اوستای همه‌فن حریف 😃

حل در میدجرنی حل در زیبایی‌هایی که باهم خلق می‌کنیم. می‌تونیم تا سال‌ها بشینیم باهم حرف بزنیم...

از لوپ رسیدیم به گراف اینجینیرینگ. یکی این ترمز AI رو بکشه. خسته شدم نمی‌رسم 😢

📌 اگه اینشتین یه مدل زبانی بود، نسبیت عام رو کشف نمی‌کرد یکی از افراد تیم AlphaProof تو DeepMind مقاله‌ای نوشته به اسم «LLMs can't jump». حرفش اینه که ما آدم‌ها سه جور فکر می‌کنیم، AI دوتاش رو خوب یاد گرفته و سومی رو اصلاً بلد نیست. اون سه تا اینان: • از روی کلی مثال، قاعده کشف کنی. این کاریه که مدل‌های زبانی اصلاً براش ساخته شدن. • قاعده رو داشته باشی و ازش نتیجه دربیاری. AlphaProof با همین مدال نقره‌ی المپیاد ریاضی گرفت. • یه چیز عجیب ببینی و توضیحی براش بسازی که تا حالا وجود نداشته. سومی همون‌جاییه که کار می‌خوابه. نویسنده برای اینکه نشون بده چرا، رفته سراغ اینشتین. ماجرا اینه که وقتی اینشتین رفت سراغ نسبیت عام، اصلاً هیچ مشکلی وجود نداشت. فیزیک نیوتن داشت درست جواب می‌داد، انقدر درست که کسی بهش شک نداشت. تنها چیز عجیب، یه جابه‌جایی خیلی کوچیک تو مدار عطارد بود که همه گفتن حتماً یه سیاره‌ی مخفی اون اطراف قایم شده. حالا فرض کن یه AI بذاری اونجا. کارش اینه که خطا رو کم کنه، ولی خطایی در کار نیست که کمش کنه. پس چرا باید بره کل تعریف فضا و زمان رو بهم بریزه؟ احتمالاً همون کاری رو می‌کرد که بقیه کردن: یه وصله می‌زد به تئوری قبلی و رد می‌شد. پس اینشتین چطور پرید؟ خودش می‌گفت شادترین فکر عمرش این بود: آدمی که داره از پشت‌بوم می‌افته، اصلاً وزنش رو حس نمی‌کنه. بعد یه قدم جلوتر رفت و آدمی رو تصور کرد تو یه اتاق دربسته که وسط فضا داره شتاب می‌گیره و هیچ راهی نداره بفهمه گرانشه یا شتاب. این با فرمول و کلمه جلو نرفت، با حس بدن جلو رفت. و دقیقاً همین قطعه‌ست که مدل زبانی نداره. زبان فیزیک رو بی‌نقص جابه‌جا می‌کنه، ولی هیچ‌وقت خود اون تجربه رو نداشته. پیشنهاد مقاله همینه: مدل‌هایی که به‌جای خوندن، دنیا رو شبیه‌سازی کنن و بشه توشون دست برد. مدل ویدیویی سیب رو درست می‌ندازه پایین، ولی نه چون گرانش رو فهمیده، چون تو دیتاش سیب همیشه می‌افته. برای بازسازی آزمایش اینشتین، مدل باید بتونه خودش کابل آسانسور رو ببره و ببینه چی می‌شه. 👈 نتیجه برای ما: مدل رو بذار برای پیدا کردن الگو و باز کردن نتیجه‌ها، همون‌جا فوق‌العاده‌ست. ولی اینکه اصلاً صورت‌مسئله چیه و کِی باید کلاً از اول نگاه کرد، هنوز کار خودته. مخصوصاً وقتی همه‌ی عددها سبزن و هیچ‌کس حس نمی‌کنه چیزی خرابه. یه چیز رو هم بگم: این مقاله یه موضع‌گیریه، نه نتیجه‌ی آزمایش. خود نویسنده هم گفته اگه کسی سیستمی بسازه که از دل شبیه‌سازی یه ایده‌ی واقعاً نو دربیاره، حرفش باطل می‌شه. 🔗 tomzahavy.com/projects/llms-cant-jump

کار عمیق و تمرکز: https://meet.google.com/vjg-wzhd-sfn استارت زدم

وقتی یه دیزاینر، وایب‌کُد می‌کنه 😌

جلسه این هفته رو نداریم. دارم آپدیتش می‌کنم. هفته‌ی بعد می‌بینمتون.

🔔 یادآوری

یادتونه ۲-۳ هفته پیش از JSI Lab گفتم؟ همون برنامه‌ای که قرار بود یه گروه تو ۱۴ روز با AI یه محصول واقعی بسازن و شیپ کنن. ۱۴ روز تموم شد. ۷ تیم دونفره ساختن، و شنبه ۳ مرداد ساعت ۲۱:۰۰ دموی واقعیشونو زنده می‌ذارن. هر تیم چند دقیقه دمو + پرسش‌وجواب؛ کل میت حدود ۹۰ دقیقه. اگه می‌خواین ببینین ۱۴ روز کار واقعی با AI چی از آب درمیاد، بیاین. لینک میت: meet.google.com/fmz-mptp-ihm شنبه ۳ مرداد، ساعت ۲۱:۰۰

چقدر ازین فلن اینو بزنیم تا بعدهایی که موندگار شدن 😃

برای فارسی حرف زدن هم با ابزاراتون از Handy استفاده کنید. مدل ویسپر رو لوکال نصب می‌کنه رو سیستم و رایگان استفاده می‌کنید.

کارپاتی: ده دقیقه حرف بزن، مدل خودش مرتبش می‌کنه آندره کارپاتی، یکی از اسم‌های بزرگ دنیای هوش مصنوعی، یه عادت داره که خیلی وقت‌ها گره‌ی کارش رو با مدل‌های زبانی باز می‌کنه. ماجرا از یه مشکل آشنا شروع می‌شه: گاهی مدل برای اینکه بفهمه دقیقاً چی می‌خوای به اطلاعات بیشتری نیاز داره، ولی نوشتن اون‌همه توضیح حوصله می‌خواد و تنبلیت میاد. کارپاتی اینجا چی‌کار می‌کنه؟ لم می‌ده، حالت صوتی رو روشن می‌کنه و حدود ده دقیقه بی‌وقفه حرف می‌زنه. کاملاً درهم‌وبرهم، هرچی به ذهنش می‌رسه، یه جریان سیال ذهن واقعی. بعضی وقت‌ها اولش به مدل می‌گه: «دارم با تشخیص گفتار حرف می‌زنم، ببخشید بابت غلط‌های احتمالی.» بعضی وقت‌ها هم کل ماجرا رو تبدیل می‌کنه به یه مصاحبه‌ی کوتاهِ چندمرحله‌ای. اما نکته‌ی اصلی کجاست؟ مدل‌های زبانی به شکل عجیبی توی جمع‌وجور کردن همین حرف‌های پراکنده خوب‌اند. اونقدر که وقتی حرف‌هات رو برات بازگو می‌کنن، خروجی‌شون معمولاً از چیزی که خودت گفتی هم تمیزتر درمیاد. و همین باعث می‌شه ذهن تو و مدل بهتر هماهنگ بشن، و از اون لحظه به بعد خیلی کمتر مجبور می‌شی حرفت رو اصلاح کنی.

کلاود اومد فیبل رو برداشت دیروز گفت باید کردیت بخرید. الان برید تو قسمت یوزیج تنظیماتتون میگه ۱۰۰ دلار بهتون کردیت فیبل ۵ می‌دم. بعدشم باید استفاده بر اساس usage رو روشن کنید تا بتونید استفاده کنید. «می‌خواد عادت ایجاد کنه برای خرید کردیت ولی خب زهی خیال باطل ما ایرانی هستیم این کردیتو claim می‌کنیم بعدشم عمرا بخریم 😁 یه بار بهت ۲۰ دلار دادیم دیگه ماهانه اخه لامصب»

۹ شب یادتون نره 🙂‍↕️

فامیلی این آقائهه رو بعد این همه مدت نمی‌تونم یاد بگیرم. هیچ‌جوره نمیشه تلفظش کرد 😬

پست «مت پریشیگت‌کا» (Matt Przegietka) یکی از پربحث‌ترین و جذاب‌ترین بخش‌های جلسه هشتممون بود. حرف اصلیش این بود که همونطور که برنامه‌نویس‌ها و مدیران محصول دارن با هوش مصنوعی سطح کارشون رو می‌برن بالاتر، دیزاینرها هم نباید منتظر بمونن و باید روی ۵ تا مهارت جدید سرمایه‌گذاری کنن تا تو بازار کار حذف نشن. این ۵ تا مهارت رو خیلی خودمونی و با جزئیاتی که تو جلسه بازش کردیم براتون بشکافم: ۱. حواست به جیب شرکت باشه (هزینه پردازش فیچرهای AI)! 💸 هر فیچر هوش مصنوعی که تو محصول طراحی می‌کنی، داره از جیب یه نفری (شرکت) پول کم می‌کنه و هزینه سرور و توکن داره. مهارت اول اینه که بپرسی «کی قراره پول این فیچر رو بده؟». همیشه باید اولویت رو بذاری روی طراحی «مسیرهای ارزون‌تر»؛ یعنی تا جای ممکن از کش (Cache)، حالت‌های پیش‌فرض و قالب‌های آماده استفاده کنی تا الکی مدل هوش مصنوعی رو برای هر چیز کوچیکی صدا نزنی. یادت باشه: یه خروجی «خوب و سریع» همیشه اولویت داره به یه خروجی «کامل و بی‌نقص ولی کُند». ۲. دیزاین رو به پول و متریک گره بزن! 📈 دیگه گذشت اون زمانی که می‌گفتیم «این دیزاین قشنگ‌تره» یا «۳ هفته وقت گذاشتیم تا ۴۰ تا اسکرین تمیز زدیم». الان هوش مصنوعی همون اسکرین‌ها رو تو چند ساعت و مجانی برات می‌زنه! تنها چیزی که الان برای کسب‌وکارها ارزش داره «تأثیرگذاری» (Impact) روی اعداده. مهارت دوم اینه که دیزاینت بتونه متریک‌های بیزینسی مثل نرخ تبدیل (Conversion)، نرخ فعال‌سازی (Activation)، بازگشت کاربر (Retention)، ریزش (Churn) و ارزش طول عمر مشتری (LTV) رو جابه‌جا کنه. دیزاینی که عددها رو تکون نده، اولین چیزیه که از شرکت حذف میشه. حتی تو کیس‌استادی‌های پورتفولیو هم باید تو همون سکشن اول نشون بدی چه عددی رو تغییر دادی. ۳. طراحی برای ایجنت‌ها و خطاهای هوش مصنوعی! 🤖 الان خیلی از فیچرهای AI تو محصولات باعث گیج شدن کاربرها میشن یا اعتمادشون رو از بین می‌برن. مهارت سوم اینه که بتونی رابط‌های کاربریِ ایجنتیک و مبتنی بر احتمال (Probabilistic) رو دیزاین کنی. یعنی چی؟ یعنی باید برای زمان‌هایی که هوش مصنوعی با اعتمادبه‌نفسِ کامل جوابِ غلط میده، برنامه و دیزاین داشته باشی و ارورها رو هندل کنی. باید پترن‌هایی طراحی کنی که اعتماد کاربر رو جلب کنه (مثل کاری که جمینای می‌کنه و سورس و منبع جواب‌هاش رو پایینش می‌ذاره تا نشون بده توهم نزده) و کاربر بتونه خیلی راحت و بدون گیر کردن به قدم قبلی برگرده. ۴. مهندسی کانتکست (Context Engineering)! 🧠 اینکه مثل سرچ گوگل یه خط پرامپت ساده بنویسی و جواب بگیری دیگه هنر نیست، چون دقیقاً یه خروجی معمولی هم می‌گیری. مهارت چهارم اینه که بدونی چه کانتکست و بستری رو به خورد ماشین بدی. قبل از پرامپت نوشتن، باید برای خودت یه بریف بنویسی: مخاطب کیه؟ هدف چیه؟ محدودیت‌ها کدوماست؟ لحن باید چطور باشه؟. بچه‌ها تو جلسه پیشنهاد دادن که باید فایل‌های مارک‌داون (Markdown) بسازیم که تمام قوانین و پترن‌های دیزاینمون توش باشه؛ یه چیزی مثل «برندبوک AI» تا ماشین دقیقاً طبق استانداردهای ما خروجی بده. تازه، هیچ‌وقت نباید خروجی اول (Draft) رو قبول کنی؛ باید مثل یه کارآموز به چالش بکشیش و نقدش کنی تا جواب بهتری بده. ۵. تعریف کردنِ استانداردِ «خوب بودن» (Evals)! ✅ هوش مصنوعی بهت صدها خروجی میده؛ از کجا می‌فهمی کدومش واقعاً خوبه؟ اگه این معیارِ «خوب بودن» فقط تو ذهن خودت باشه، تو می‌شی مانع (Bottleneck) کار تیمی. مهارت پنجم اینه که سلیقه و تخصصت رو مکتوب کنی و تبدیلش کنی به یه «چک‌لیست». مثلاً بگی هر اسکرینی که ماشین تولید می‌کنه باید این ۵ تا قانون (مثل رعایت فاصله‌های سفید یا تایپ‌اسکیل‌ها) رو داشته باشه تا تایید بشه. اینطوری کل تیم می‌تونن خروجی‌ها رو با اون چک‌لیست و معیارهای شفاف (نه با مود و سلیقه شخصی) ارزیابی کنن و کیفیت محصول همیشه بالا می‌مونه. 🔗 لینک پست مربوطه

این خیلی بحث و پست خوبی بود سر جلسه. یخورده بیشتر بگم در موردش 👇

📌 سیاست‌های محیط کار و تعامل با ذی‌نفعان بخش مهمی از کار دیزاین، مدیریت ارتباطات در محیط کاره؛ چرا که گاهی تصمیمات بدون حضور طراح گرفته می‌شن • وقتی کارفرما بازخوردای کلی یا سلیقه‌ای می‌ده، طراح نباید از گفتگو دوری کنه • حسین اشاره کرد که مواجهه منطقی با این بازخوردها و ریشه‌یابی مسئله، در نهایت باعث شفافیت و صرفه‌جویی در زمان می‌شه • بهداد و فاطمه هم تأکید کردن که گوش دادن فعال، جدا کردن کار از شخصیت فردی و هم‌سویی مستمر با اعضای تیم، کلید حل این تعارضاته • در نهایت، نشون دادن اینکه دغدغه‌های کارفرما برای شما اهمیت داره (you care)، به شکل‌گیری اعتماد کمک زیادی می‌کنه 🔗 لینک پست مربوطه ۱ 🔗 لینک پست مربوطه ۲