کاوش در دنیای هوش مصنوعی

⚠️ فیشینگ با ارسال «ابلاغیه جعلی» 🔹کلاهبردران با استفاده از ظاهری رسمی و اطلاعات هویتی دقیق، ترفند جدیدی برای فیشینگ به‌کار گرفته‌اند. در این سناریو، یک فایل PDF با عنوان «ابلاغیه قضایی» از طریق پیام‌رسان روبیکا برای کاربران ارسال می‌شود. 🔹در این شیوه، حساب کاربری ارسال‌کننده با تصویر پروفایل پستچی طراحی شده تا حس اعتماد ایجاد کند. داخل فایل PDF، اطلاعاتی مانند نام و نام خانوادگی، شماره تماس و کد ملی قربانی بدون غلط و کاملا صحیح درج شده است. 🔹در متن ابلاغیه نیز در دو بخش جداگانه، لینک‌های آبی‌رنگ با عنوان «لینک سامانه ابلاغ» قرار دارد که کاربر را به صفحه‌ای جعلی و فیشینگ هدایت می‌کند. ◾️نکات بسیار مهم : »» ابلاغیه‌های قضایی صرفا از طریق سامانه رسمی ثنا در دسترس هستند. »» هیچ ابلاغیه رسمی قضایی شامل لینک کلیک‌پذیر داخل پیام یا فایل نیست. »» ارسال هرگونه ابلاغیه از طریق پیام‌رسان‌ها، چه داخلی و چه خارجی مانند روبیکا، ایتا، واتساپ یا تلگرام، کاملا جعلی است. »» درج دقیق اطلاعات هویتی نشانه معتبر بودن پیام نیست؛ بلکه می‌تواند نشان‌دهنده نشت یا سوءاستفاده از داده‌های شخصی باشد. »» در مواجهه با چنین پیام‌هایی از باز کردن فایل‌ها و کلیک روی لینک‌ها خودداری کرده و موضوع را یک تهدید امنیتی جدی در نظر بگیرید.

⚠️ فیشینگ با ارسال «ابلاغیه جعلی» کلاهبردران با استفاده از ظاهری رسمی و اطلاعات هویتی دقیق، ترفند جدیدی برای فیشینگ به‌کار گرفته‌اند. در این سناریو، یک فایل PDF با عنوان «ابلاغیه قضایی» از طریق پیام‌رسان روبیکا برای کاربران ارسال می‌شود. در این شیوه، حساب کاربری ارسال‌کننده با تصویر پروفایل پستچی طراحی شده تا حس اعتماد ایجاد کند. داخل فایل PDF، اطلاعاتی مانند نام و نام خانوادگی، شماره تماس و کد ملی قربانی بدون غلط و کاملا صحیح درج شده است. در متن ابلاغیه نیز در دو بخش جداگانه، لینک‌های آبی‌رنگ با عنوان «لینک سامانه ابلاغ» قرار دارد که کاربر را به صفحه‌ای جعلی و فیشینگ هدایت می‌کند. ◾️نکات بسیار مهم : »» ابلاغیه‌های قضایی صرفا از طریق سامانه رسمی ثنا در دسترس هستند. »» هیچ ابلاغیه رسمی قضایی شامل لینک کلیک‌پذیر داخل پیام یا فایل نیست. »» ارسال هرگونه ابلاغیه از طریق پیام‌رسان‌ها، چه داخلی و چه خارجی مانند روبیکا، ایتا، واتساپ یا تلگرام، کاملا جعلی است. »» درج دقیق اطلاعات هویتی نشانه معتبر بودن پیام نیست؛ بلکه می‌تواند نشان‌دهنده نشت یا سوءاستفاده از داده‌های شخصی باشد. »» در مواجهه با چنین پیام‌هایی از باز کردن فایل‌ها و کلیک روی لینک‌ها خودداری کرده و موضوع را یک تهدید امنیتی جدی در نظر بگیرید.

♨️ اثر پنهان ویدیوهای کوتاه و اسکرول بی‌نهایت بر مغز کودکان ▪️ویدیوهای کوتاه در اینستاگرام، تیک‌تاک و یوتیوب حالا بخش ثابتی از زندگی کودکان و نوجوانان شده. محتوای بی‌پایان و شخصی‌سازی‌شده، اگرچه سرگرم‌کننده ، اما روی خواب، تمرکز، خلق‌وخو و روابط اجتماعی کودکان تاثیرات منفی بسیاری گذاشته! ▪️ویدیوهای 15 تا 90 ثانیه‌ای با تحریک مداوم «حس تازگی»، باعث ترشح سریع دوپامین شده و نتیجه‌ای جز کاهش دامنه توجه، سخت‌تر شدن تمرکز طولانی‌مدت و عادت به پاداش فوری نخواهد داشت! ▪️نور صفحه‌نمایش و هیجان محتوای کوتاه، خواب را به‌هم زده و اضطراب را افزایش میدهد. مقایسه مداوم با زندگی‌های نمایشی و اغراق‌شده میتواند باعث تضعیف عزت‌نفس شود. ▪️پخش خودکار و نبود پیش‌زمینه محتوا باعث خواهد شد کودک ناگهان با ویدیوهای نامناسب، خشن یا غیراخلاقی روبه‌رو شود‌ کودکان دارای اضطراب یا ADHD معمولاً بیشتر درگیر این چرخه میشوند

📱 اینستاگرام تعداد هشتگ‌ ها را محدود کرد : حداکثر پنج هشتگ برای هر پست یا Reel / این محدودیت جدید به‌صورت تدریجی برای کاربران فعال میشود

تبدیل کوئن به یک معلم خصوصی مبتنی بر هوش‌مصنوعی چت بات چینی کوئن Qwen یک قابلیت به نام Learn Mode اضافه کرده که در نقش معلم خصوصی ظاهر میشود؛ نه فقط یک چت‌بات خشک و جواب‌گو. 🎓در این حالت: – به‌جای اینکه جواب حاضر و آماده بدهد، با کاربر گفت‌وگو می‌کند تا خودش به پاسخ برسد (سبک سقراطی) – سطح سوالات و توضیح‌ها را بصورت لحظه‌ای با دانش کاربر تنظیم می‌کند – چارچوب‌های ذهنی (Mental Scaffolds) میسازد  تا بتوانید منطق‌های پیچیده را بدون سردرگمی یاد بگیرید - برای تقویت یادگیری‌ دوره‌های آنلاین معرفی کرده و کوییز و تمرین تولید میکند chat.qwenlm.ai

«پینگ بالا» عامل نفوذی کره‌شمالی را لو داد!    ▪️در یک اتفاق جالب و البته عبرت آموز، کارشناسایی امنیتی موفق شده‌اند از روی تاخیر (Delay) یا همان پینگ غیرعادی یک کارمند آمازون که به صورت دورکاری فعالیت می‌کرد، متوجه شوند عامل کره‌شمالی است. ▪️این فرد که خود را به‌عنوان نیروی بخش IT  آمازون جا زده بود، تنها به واسطه پینگ غیرعادی شناسایی شده است. کارشناسان امنیتی متوجه شده‌ بودند تأخیر کیبورد این کارمند به طرز عجیبی ۱۱۰ میلی‌ثانیه بود که برای یک نیروی دورکار مستقر در خاک آمریکا معقول به نظر نمی‌رسید. https://www.shahrsakhtafzar.com/fa/news/security/59001-north-korean-infiltrator-amazon-it-department

واتساپ در معرض تهدیدی جدی / چگونه از حساب خود محافظت کنیم؟ ▪️یک حمله سایبری جدید علیه پیام‌رسان واتساپ کشف شده که به مجرمان اجازه می‌دهد بدون نیاز به رمز عبور یا نفوذ فنی پیچیده، به‌طور کامل به حساب کاربران دسترسی پیدا کنند.   ▪️این حمله که محققان آن را GhostPairing نامیده‌اند، ترکیبی از مهندسی اجتماعی و قابلیت اتصال دستگاه‌ها در واتساپ است. khabaronline.ir/xpmGq

🔻مایکروسافت ۳۷.۵ میلیون خلاصه مکالمه کاربران با هوش مصنوعی Copilot را تحلیل کرده تا بررسی کند آیا «زمان» روی موضوع پرسش ها تأثیر می‌گذارد یا نه؟ 🔹در نسخه موبایل، سوالات مربوط به سلامتی و تناسب اندام در همه ساعت‌ها و همه ماه‌ها رتبه اول بوده. 🔹از دوشنبه تا پایان هفته جستجوها درباره "برنامه نویسی" است؛ اما آخر هفته‌ها "گیم" جای آنرا می‌گیرد مخصوصاً در ماه آگوست. 🔹در طول روز , پرسش ها معمولاً درباره "سفر و گردشگری" است؛ اما آخر شب‌ها، سمت و سوی فلسفی گرفته و مسائل مذهبی بیشتر مورد جستجو قرار میگیرد 🔹مطالعه متن کامل گزارش: https://microsoft.ai/news/its-about-time-the-copilot-usage-report-2025/?utm_source=alphasignal&utm_campaign=2025-12-11&lid=bpzfIvhThUltNeQ9

ادغام NotebookLM با جمینای ▪️این قابلیت که در حال حاضر در نسخه وب جمینای فعال شده به کاربران امکان می‌دهد تا تحقیقات و نگارش خود را با بهره‌گیری از منابع شخصی‌سازی‌شده سرعت بخشند.  ▪️گزینه افزودن نوت‌بوک از طریق آیکون پیوست (دکمه +) در کادر جستجو در دسترس است و کاربران با انتخاب آن می‌توانند نوت‌بوک‌های خود را به چت‌ها متصل و جمینای را برای انجام وظایف با استفاده از اطلاعات موجود در نوت‌بوک‌ها راهنمایی کنند. ▪️این ویژگی اجازه می‌دهد کاربران بدون ترک محیط اصلی اپلیکیشن از مدل‌های استدلالی پیشرفته جمینای بهره‌مند شوند و هم‌زمان با لمس دکمه Sources و مشاهده رابط NotebookLM امکان بازگشت سریع به نوت‌بوک‌ها وجود دارد.

برنامۀ سری چین در نبرد تراشه‌ها 🔹چین در یک آزمایشگاه فوق‌امنیتی در شنژن، موفق شده نمونۀ اولیه ماشینی بسازد که توانایی تولید پیشرفته‌ترین تراشه‌های نیمه‌هادی مورد استفاده در هوش مصنوعی، تلفن‌های هوشمند و تجهیزات نظامی را دارد؛ دستاوردی که آمریکا سال‌ها تلاش کرده از وقوع آن جلوگیری کند. 🔹ظاهرا این نمونۀ اولیه در اوایل سال ۱۴۰۳ تکمیل شده و اکنون در مرحلۀ آزمایش قرار دارد. 🔹این پروژه محرمانه بخشی از تلاش گستردۀ دولت چین برای خودکفایی در صنعت تراشه‌ها است؛ هدفی که در بالاترین سطح اولویت‌های راهبردی این کشور قرار دارد.

یک کاربر یهودیِ پلتفرم ایکس نوشته : کاش هیچوقت به مسلمانان اینترنت نمی‌دادند! کاربر دیگری در پاسخ او نوشته: «همین الگوریتم اصلی که این سایت را مدیریت میکند از یک ریاضیدان مسلمان ایرانی به اسم خوارزمی الهام گرفته شده»

#آموزش_قدم‌به‌قدم_هوش_مصنوعی فصل سوم 🔵 قسمت 6: مفهوم مدل‌سازی در یادگیری ماشین (با کدنویسی واقعی) تا اینجا یاد گرفتیم با پایتون داده بسازیم و تحلیل کنیم 📊 حالا وقتشه به برنامه‌مون قدرت فکر کردن و پیش‌بینی بدیم 🤖🧠 🔸 مدل یعنی چی؟ مدل یعنی برنامه‌ای که: * از داده‌های قبلی یاد می‌گیره * بعد می‌تونه برای داده‌های جدید پیش‌بینی انجام بده مثال ساده: اگر بدونیم: * ۲ ساعت مطالعه → نمره ۱۲ * ۴ ساعت مطالعه → نمره ۱۶ مدل یاد می‌گیره هرچی بیشتر درس بخونیم، نمره بالاتر می‌ره 📈 🔸 ورودی و خروجی مدل در این درس: * ورودی (Input): ساعت مطالعه * خروجی (Output): نمره امتحان 🔸 ساخت اولین مدل هوش مصنوعی با پایتون 1️⃣ وارد کردن کتابخانه‌ها

import numpy as np
from sklearn.linear_model import LinearRegression

2️⃣ ساخت دیتاست آموزشی

# ساعت مطالعه
hours = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)

# نمره‌ها
scores = np.array([10, 12, 14, 16, 18])

print(hours)
print(scores)

3️⃣ ساخت و آموزش مدل

model = LinearRegression()
model.fit(hours, scores)

print("مدل آموزش دید ✅")

اینجا مدل تلاش می‌کنه رابطه بین ساعت مطالعه و نمره رو یاد بگیره. 4️⃣ پیش‌بینی برای داده جدید

new_hours = np.array([[6]])
predicted_score = model.predict(new_hours)

print("نمره پیش‌بینی‌شده برای ۶ ساعت مطالعه:", predicted_score[0])

🎯 یعنی اگر دانش‌آموز ۶ ساعت درس بخونه، مدل نمره حدودی رو حدس می‌زنه. 🔸 دیدن نتیجه مدل به‌صورت تصویری 📊

import matplotlib.pyplot as plt

plt.scatter(hours, scores)
plt.plot(hours, model.predict(hours))
plt.xlabel("ساعت مطالعه")
plt.ylabel("نمره")
plt.title("مدل پیش‌بینی نمره")
plt.show()

🔍 نقطه‌ها داده‌های واقعی هستن 📈 خط، تصمیم مدل هوش مصنوعی 🔥 چرا این درس خیلی مهمه؟ چون: * این اولین مدل واقعی یادگیری ماشین شماست * پایه تمام پروژه‌های بزرگ AI از همین جا ساخته می‌شه * از اینجا به بعد فقط نوع داده و مدل تغییر می‌کنه

چهل هزار ابزار AI در یک کلیک ▪️وب‌سایت «There's An AI For That» به اختصار (TAAFT) یک مرجع و راهنمای جامع برای شناسایی ابزارهای جدید هوش مصنوعی به شمار میرود. ▪️این پلتفرم در واقع بزرگترین و سازمان‌یافته‌ترین کاتالوگ ابزارهای AI در جهان است که ماموریت اصلی آن یافتن ابزار مناسب هوش مصنوعی برای هر کاری است که در ذهن کاربر باشد. ▪️نقطه قوت اصلی TAAFT در مقیاس فعالیت آن نهفته است. این سایت بیش از ۴۳ هزار ابزار هوش مصنوعی را فهرست کرده که در قالب بیش از ۱۱ هزار وظیفه  و بیش از ۵ هزار شغل  دسته‌بندی شده‌اند. ▪️از تولید متن و تصویر و موسیقی گرفته تا بهینه‌سازی موتورهای جستجو، اتوماسیون وظایف اداری و حتی دستیارهای حقوقی و پزشکی، تقریباً برای هر نیازی می‌توان یک راه‌حل در این پایگاه داده پیدا کرد. https://theresanaiforthat.com/

🔻انویدیا، چیپ‌های AI خود را در سراسر جهان «ردیابی» می‌کند 🔹شرکت انویدیا (Nvidia)، تولیدکننده اصلی تراشه‌های هوش مصنوعی، در واکنش به گزارش‌هایی مبنی بر قاچاق این قطعات گران‌قیمت به کشورهایی مانند چین، یک نرم‌افزار آزمایشی برای ردیابی موقعیت مکانی تراشه‌های خود توسعه داده است. 🔹بر اساس گزارش‌ها، این فناوری قادر است از طریق عملکرد محاسباتی و اندازه‌گیری تأخیر (Latency) در ارتباط بین سرورها، کشور میزبان تراشه را شناسایی کند. 🔹 انویدیا گفته تاکنون شواهدی مبنی بر قاچاق تراشه‌های نسل جدید خود (Blackwell) نیافته است

#آموزش_قدم‌به‌قدم_هوش_مصنوعی فصل سوم قسمت 5: آشنایی کامل با کتابخانه‌های مهم هوش مصنوعی + اولین کدنویسی‌های جدی! در دنیای هوش مصنوعی، پایتون یک زبان فوق‌العاده قدرتمند است… اما چیزی که پایتون را تبدیل به سلطان هوش مصنوعی می‌کند، کتابخانه‌های آن هستند! امروز با سه کتابخانه اصلی آشنا می‌شیم و اولین تحلیل داده واقعی‌مون را انجام می‌دیم 🤖🔥 🔸کتابخانه NumPy — قلب محاسبات هوش مصنوعی کتابخانه NumPy مثل یک ماشین‌حساب فوق سریع عمل می‌کنه. هوش مصنوعی پشت صحنه از هزاران عدد (ماتریس) استفاده می‌کنه، و NumPy این محاسبات را برق‌آسا انجام می‌دهد ⚡️ 📌 نصب و وارد کردن NumPy در گوگل کولب فقط کافیه بنویسی: import numpy as np 📌 ساخت آرایه (Array) import numpy as np numbers = np.array([1, 2, 3, 4]) print(numbers) 📌 چند عملیات مهم: print(numbers + 10)      # جمع print(numbers * 2)       # ضرب print(np.mean(numbers))  # میانگین print(np.max(numbers))   # بزرگ‌ترین مقدار ⭐️ چرا مهمه؟ چون تمام مدل‌های هوش مصنوعی روی ماتریس‌ها کار می‌کنن و NumPy استاد ماتریس‌هاست. 🔸کتابخانه Pandas — استاد سامان‌دهی و تحلیل داده‌ها وقتی یک فایل داده داری (مثل نمرات دانش‌آموزان، قد/وزن، قیمت طلا و…)، کتابخانه pandas کمک می‌کنه مثل اکسل سریع‌تر اونو مدیریت کنی 📊🐼 📌 وارد کردن pandas import pandas as pd 📌 ساخت یک دیتاست ساده data = {     "نام": ["علی", "سارا", "مهدی"],     "سن": [15, 16, 15],     "نمره": [18, 19, 17] } df = pd.DataFrame(data) print(df) 📌 خواندن یک فایل CSV df = pd.read_csv("sample.csv") df.head()   # نمایش ۵ ردیف اول 📌 عملیات مهم: print(df.describe())      # خلاصه آماری print(df["نمره"].mean())  # میانگین نمره‌ها print(df[df["سن"] > 15])  # فیلتر کردن 🔸کتابخانه Matplotlib — نقاش داده‌ها قبل از ساخت مدل هوش مصنوعی، باید داده را ببینیم. کتابخانه Matplotlib کمک می‌کند نمودار رسم کنیم و الگوها را بفهمیم 🎨📈 📌 وارد کردن matplotlib import matplotlib.pyplot as plt 📌 رسم یک نمودار ساده x = [1, 2, 3, 4] y = [10, 20, 15, 25] plt.plot(x, y) plt.title("نمودار نمونه") plt.xlabel("X") plt.ylabel("Y") plt.show() 📌 نمودار میله‌ای plt.bar(["علی", "سارا", "مهدی"], [18, 19, 17]) plt.title("نمرات دانش‌آموزان") plt.show() 🔷 تمرین اصلی: تحلیل یک دیتاست واقعی 🔍 این تمرین دانش‌آموز را برای اولین پروژه‌های هوش مصنوعی آماده می‌کند. 📌 دیتاست نمونه (می‌تونی در کولب بسازی) import pandas as pd data = {     "روز": ["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه"],     "دانش‌آموزان حاضر": [28, 30, 27, 29, 31] } df = pd.DataFrame(data) df 📌 تحلیل داده print("میانگین حضور:", df["دانش‌آموزان حاضر"].mean()) print("بیشترین حضور:", df["دانش‌آموزان حاضر"].max()) 📌 رسم نمودار import matplotlib.pyplot as plt plt.plot(df["روز"], df["دانش‌آموزان حاضر"]) plt.title("میزان حضور دانش‌آموزان در هفته") plt.xlabel("روز") plt.ylabel("تعداد") plt.show() 🔥 این بخش برای اولین بار به دانش‌آموز نشون می‌ده که می‌تونه داده‌های واقعی رو بخونه، تحلیل کنه و نتیجه رو به شکل گراف ببینه. این یعنی ورود رسمی به دنیای Data Science 🌟