علی راشدی - یادداشت‌ها

یه قابلیت جدید و جالب از Databricks: "NEAREST BY JOIN" ایده‌ش اینه که برای خیلی از کارهای Vector Search دیگه لازم نیست حتماً Vector DB یا pipeline جدا داشته باشیم و می‌شه مستقیم داخل SQL نزدیک‌ترین رکوردها رو پیدا کرد. مثلاً برای: - Deduplication - Entity Resolution - Recommendation - Semantic Matching به نظرم نکته‌ی جالب‌تر اینه که Vector Search داره کم‌کم از یه قابلیت خاص AI تبدیل می‌شه به یه بخش عادی از Data Stack. منبع: https://www.databricks.com/blog/nearest-join-scaling-vector-search-databricks-runtime?utm_source=chatgpt.comDatabricks

این ویدیو توضیح خیلی خوبی از Jev می‌ده. همونطور که قبل‌تر هم گفتیم Jev برخلاف مدل‌هایی مثل ChatGPT قرار نیست متن تولید کنه. کارش بیشتر اینه که بین چند گزینه تصمیم بگیره، رتبه‌بندی کنه یا بگه کدوم انتخاب بهتره. ویدیو هم کوتاه و جمع‌وجوره و توضیحات خوبی داره: https://youtu.be/YGgNBcIgI4s?si=TtMQQ2lqcUHHTvM6

با خوندن این کتاب تقریبا ۸۰ درصد مطالبی که برای درک AI مدرن لازمه رو می‌شه بدست آورد. AI Engineering — Chip Huyen این کتاب مهم‌ترین بخش‌های درک AI رو یک‌جا پوشش می‌ده: • Foundation Models و LLMها • Prompt و Context Engineering • RAG • Agentها و Tools • Evaluation • Fine-tuning • Inference و Optimization • AI Systems و Monitoring نقطه قوتش اینه که کمک می‌کنه بفهمید این مفاهیم چطور کنار هم قرار می‌گیرن و یک سیستم AI واقعی چطور ساخته می‌شه. برای کسی که می‌خواد تصویر کلی AI مدرن رو بفهمه، بدون اینکه بره توی همه جزئیات، خیلی منبع خوبیه. @alirashedi1

دوستان واقعا اینو از دست ندید :) بدجوری خوبه کلا مهرزاد هر ویدیوش ارزش چند باردیدن داره برای دوستاتون هم بفرستید استفاده کنن 🙌

کاش این ویدیو از مهرزاد رو ۳ سال زودتر می‌دیدم ما سوراخ شدیم تا این چیزایی که گفت رو خودمون بفهمیم :)) اگر مقاله علمی می‌خونید یا تازه وارد فضای پژوهش شدید، این ویدیو واقعا به دردتون می‌خوره. مهرزاد خیلی ساده و کاربردی توضیح می‌ده که اصلا یک مقاله رو از کجا باید شروع کرد، کدوم بخش‌ها مهم‌ترن، چجوری سریع بفهمیم مقاله به درد ما می‌خوره یا نه و چطور بخونیمش که وسط راه خسته و گیج نشیم. به نظرم مخصوصا برای دانشجوهایی که تازه پایان‌نامه یا مقاله خوندن رو شروع کردن خیلی مفیده. https://youtu.be/z6hFMzmDCSM

یکی اکانت ایرانی هارو ببنده زودتر :)

یکی از Skillهای جالب Claude که خیلی کاربردیه data-context-extractorـه. ایده‌ش ساده‌ست: ساختار دیتابیس، تعریف KPIها، اصطلاحات داخلی تیم و Queryها رو به Claude می‌دی و این‌ها رو تبدیل می‌کنه به یک Skill قابل استفاده. برای تیم‌هایی که زیاد با Claude روی SQL و تحلیل دیتا کار می‌کنن، به نظرم یکی از کاربردی‌ترین Skillهاست. https://www.getclaudeskills.com/skills/data-context-extractor-anthropics

یه ویدیوی خیلی خوب درباره‌ی روان‌شناسی Discipline دیدم که برخلاف خیلی از محتواهای این حوزه، کمتر وارد حرف‌های انگیزشی می‌شه. ایده‌ی جالبش اینه: ‌ آدم‌های منضبط لزوماً بیشتر از بقیه خودشون رو مجبور به انجام کارها نمی‌کنن؛ اتفاقاً تحقیقات نشون می‌ده درگیری ذهنی و مقاومت کمتری تجربه می‌کنن. ویدیو توضیح می‌ده که چطور می‌شه رابطه‌ی مغز با «تلاش کردن» رو به مرور تغییر داد. ۵ پیشنهاد عملی هم داره: • به خودِ تلاش پاداش بده، نه فقط نتیجه • پاداش رو به شروع کار نزدیک کن • شروع کار رو تا جای ممکن کوچک کن • محیط رو طوری بچین که کمتر به اراده نیاز داشته باشی • هر Session رو با یک موفقیت کوچک تموم کن کل ویدیو حدود ۱۵ دقیقه‌ست و به نظرم ارزش دیدن داره: https://youtu.be/CkP_8bkjf1E?si=VUM85-iM9uMB7IKJ

یه ویدیوی خیلی خوب درباره‌ی روان‌شناسی Discipline دیدم که برخلاف خیلی از محتواهای این حوزه، کمتر وارد حرف‌های انگیزشی می‌شه. ایده‌ی جالبش اینه: ‌ آدم‌های منضبط لزوماً بیشتر از بقیه خودشون رو مجبور به انجام کارها نمی‌کنن؛ اتفاقاً تحقیقات نشون می‌ده درگیری ذهنی و مقاومت کمتری تجربه می‌کنن. ویدیو توضیح می‌ده که چطور می‌شه رابطه‌ی مغز با «تلاش کردن» رو به مرور تغییر داد. ۵ پیشنهاد عملی هم داره: • به خودِ تلاش پاداش بده، نه فقط نتیجه • پاداش رو به شروع کار نزدیک کن • شروع کار رو تا جای ممکن کوچک کن • محیط رو طوری بچین که کمتر به اراده نیاز داشته باشی • هر Session رو با یک موفقیت کوچک تموم کن کل ویدیو حدود ۱۵ دقیقه‌ست و به نظرم ارزش دیدن داره: https://youtu.be/CkP_8bkjf1E

📚 Becoming a Data Head اگر تازه وارد حوزه‌ی Data شدید، یکی از اشتباه‌های رایج اینه که تمام تمرکزتون بره روی یاد گرفتن SQL، Python و ابزارها. در حالی که بخش مهم‌تری از کار اینه که یاد بگیرید: • مسئله‌ی درست رو تعریف کنید • سؤال درست از دیتا بپرسید • آمار و نتایج مدل‌ها رو درست تفسیر کنید • بفهمید یک تحلیل کجا ممکنه گمراه‌کننده باشه • نتیجه‌ی تحلیل رو به زبان بیزنس توضیح بدید کتاب Becoming a Data Head بیشتر از اینکه یک کتاب فنی باشه، سعی می‌کنه طرز فکر لازم رو توضیح بده. در کنارش مفاهیمی مثل Regression، Classification، Clustering و Machine Learning رو هم در سطحی قابل‌فهم توضیح می‌ده. به نظرم مخصوصاً برای Junior Data Analystها و افرادی که تازه وارد Data Science شدن، کتاب مفیدیه.

وقتی AI شکست می‌خورد این گزارش رو امروز دیدم و به نظرم ارزش خوندن داره، چون به‌جای اینکه دوباره درباره‌ی موفقیت‌های AI حرف بزنه، رفته سراغ جاهایی که واقعاً شکست خورده. ۱۲ کیس واقعی از پروژه‌های AI در کسب‌وکار رو بررسی کرده؛ از IBM Watson و Zillow گرفته تا Amazon، Klarna، McDonald’s و چند نمونه‌ی دیگه. چیزی که برای من جالب بود اینه که در خیلی از این کیس‌ها مشکل لزوماً «ضعیف بودن مدل» نبوده. مشکل از جاهای دیگه شروع شده: • دیتای نامناسب • انتخاب مسئله یا KPI اشتباه • ارزیابی ضعیف قبل از اجرا • فاصله‌ی زیاد بین تست و دنیای واقعی • نبود نظارت انسانی کافی • مشکلات Deployment و پذیرش در سازمان یعنی ممکنه یک مدل روی کاغذ و Benchmark خوب باشه، ولی وقتی وارد کسب‌وکار واقعی می‌شه، شکست بخوره. اگر با AI، دیتا، محصول یا تصمیم‌گیری در کسب‌وکار سروکار دارید، به نظرم این گزارش از خیلی از مطالبی که فقط درباره‌ی «چطور از AI استفاده کنیم» نوشته می‌شن کاربردی‌تره. 📄 When AI Fails — 12 Real-World Cases of High-Profile AI Failures in Business @alirashedi1

قبل از اینکه برید سراغ RAG و Agent و MCP، این ویدیوی ۳۴ دقیقه‌ای از شاهین طالبی رو ببینید. خیلی ساده پایه‌های ML رو مرور می‌کنه؛ از Training و Inference تا Deep Learning و RL. برای کسی که وارد AI شده ولی پایه‌هاش پراکنده‌ست، مرور خیلی خوبیه 👇 https://youtu.be/BUTjcAjfMgY

از اونجایی که می‌دونم کمتر کسی می‌شینه این مقاله رو بخونه و همچنین خوندنش بسیار جذابه خلاصه‌شو براتون با Gemini Notebook پادکست کردم 🤷‍♂ دیگه بهونه نداشته باشید

🧠 وقتی داریم می‌خونیم، دقیقاً چه اتفاقی در مغزمون می‌افته؟ یه مقاله‌ی جالب در سال ۲۰۲۵ منتشر شده که نتایج ۱۶۳ مطالعه‌ی تصویربرداری مغزی روی بیش از ۳۰۰۰ نفر رو کنار هم گذاشته تا بفهمه خواندن واقعا چطور در مغز پردازش می‌شه. چند تا از نتیجه‌های جالبش: • مغز یک «مرکز خواندن» واحد نداره؛ خواندن حاصل همکاری چند شبکه‌ی مختلفه. • نوع چیزی که می‌خونیم مهمه. خواندن حرف، کلمه، جمله و متن الگوهای متفاوتی از فعالیت مغزی ایجاد می‌کنه و بخش زیادی از این پردازش در نیمکره‌ی چپ انجام می‌شه. • کلمه‌ی واقعی و کلمه‌ی ساختگی هم یکسان پردازش نمی‌شن. کلمات واقعی بیشتر با بازیابی معنایی و واژگانی درگیرند، در حالی که pseudowordها وابستگی بیشتری به پردازش واجی و تبدیل نوشتار به صدا دارند. • خواندن با صدای بلند نسبت به خواندن بی‌صدا، بخش‌های حرکتی و شنیداری بیشتری رو فعال می‌کنه. • حتی یک تسک ساده مثل اینکه تشخیص بدیم «این رشته حروف کلمه‌ی واقعی هست یا نه» با خودِ خواندن فرق داره و بخش‌های مربوط به تصمیم‌گیری و کنترل شناختی رو بیشتر وارد ماجرا می‌کنه. چیزی که برای من جذاب بود اینه که این مقاله خیلی خوب نشون می‌ده خواندن یک فرایند ساده و یک‌مرحله‌ای نیست ترکیبیه از پردازش بینایی، زبان، معنا، صدا، حافظه و کنترل شناختی. مقاله: The ‘reading’ brain: Meta-analytic insight into functional activation during reading in adults