علی راشدی - یادداشت‌ها

یه چیزی که بین خیلی از افرادی که به تازگی وارد حوزه دیتا و AI شدند می‌بینم اینه که وقت زیادی می‌ذارن روی چیزهایی که خیلی تعیین‌کننده نیستن. مثلاً: یاد گرفتن ابزارهای زیاد دیدن دوره پشت دوره حفظ کردن سینتکس الگوریتم‌های پیچیده داشبوردهای خیلی شلوغ ولی معمولاً کمتر از چیزی که باید روی اینا کار می‌کنن: فهمیدن درست مسئله SQL کاربردی و واقعی تحلیل کردن، نه فقط گزارش گرفتن توضیح ساده‌ی نتیجه برای بیزینس انجام یک پروژه از دیتای خام تا نتیجه نهایی نهایتا چیزی که تو رو از بقیه جدا می‌کنه اینه که چقدر خوب می‌تونی از یه مسئله‌ی واقعی، یه جواب قابل استفاده دربیاری.

احتمالاً این چند روز اسم Jev رو زیاد دیدید. اما Jev دقیقاً چیه و چرا یه‌دفعه این‌قدر درباره‌ش صحبت میشه؟ 👀 اگر خیلی ساده بخوام بگم LLMها بیشتر برای Generate کردن ساخته شدن. یعنی متن، کد، تحلیل، توضیح و... ولی Jev بیشتر برای Decide کردن ساخته شده. مثلاً فرض کنید یه سیستم پشتیبانی دارید و باید هر تیکت رو سریع بفرستید برای یکی از این تیم‌ها: Billing Technical Account Other با یک LLM معمولاً تیکت رو می‌فرستید، مدل یه جواب متنی تولید می‌کنه و بعد باید خروجی رو بررسی یا Parse کنید. ولی Jev اساساً برای چنین مسئله‌ای طراحی شده: ورودی رو می‌گیره --> بین گزینه‌های مشخص تصمیم می‌گیره --> احتمال و Confidence هم میده. یعنی بیشتر با چیزهایی مثل این سر و کار داریم: Choice انتخاب بین چند گزینه. Score امتیاز دادن به یک گزینه یا وضعیت. Noul یک تصمیم احتمالاتی شبیه Yes / No. همین باعث میشه Jev برای کارهایی مثل: • Classification • Routing • Ranking & Scoring • Moderation • Agent workflows • تصمیم‌های پرتکرار داخل سیستم‌ها جالب باشه. یه Mental Model ساده که فعلاً می‌تونید توی ذهنتون داشته باشید: LLM → Generate Jev → Decide البته قرار نیست Jev جای GPT یا Claude رو بگیره. اتفاقاً سناریوی جالب‌تر اینه که کنار LLMها استفاده بشه؛ مثلاً یک Agent با LLM مسئله رو تحلیل کنه و بخشی از تصمیم‌های سریع و ساختاریافته‌ی workflow توسط مدلی مثل Jev انجام بشه. اگر می‌خواید از صفر شروع کنید، این مسیر کوتاه رو پیشنهاد می‌کنم: 1. اول این مقاله DigitalOcean “What is Jev (2026)? TypeSafe AI's System One model” https://www.digitalocean.com/resources/articles/what-is-jev برای شروع خیلی خوبه و بدون اینکه مستقیم وارد جزئیات فنی بشه، توضیح میده Jev چه مسئله‌ای رو می‌خواد حل کنه. 2. بعد برید سراغ Guides رسمی Jev https://www.typesafeai.org/guides از Mental Model شروع می‌کنه و بعد مرحله‌به‌مرحله میره سراغ: Choice Score Noul Confidence API Python / TypeScript به نظرم این در حال حاضر بهترین مسیر برای یادگیری عملی Jev ـه. 3. برای درک بهتر ایده‌ی System One این مقاله‌ی DataCamp هم خوبه: https://www.datacamp.com/blog/system-one-models-jev کمک می‌کنه بهتر بفهمید چرا اصلاً به این دسته مدل‌ها میگن System One Model و تفاوت فلسفه‌شون با LLMهای معمولی چیه. فعلاً کتاب مستقلی که واقعاً ارزش معرفی برای Jev داشته باشه وجود نداره؛ تکنولوژی خیلی جدیده و بهترین منابعش همین Docs و مقاله‌های فنی تازه‌ان. به نظرم Jev از اون چیزهاییه که حداقل ارزش داره الان مفهومش رو بفهمیم؛ نه لزوماً چون قراره جای LLMها رو بگیره، بلکه چون ممکنه بخشی از معماری نسل بعدی AI Agentها رو تشکیل بده.

🤖 یه دوره خیلی خوب برای کسایی که می‌خوان جدی‌تر وارد دنیای Agentic AI بشن: Complete Agentic AI Course in 10 Hours - Krish Naik چیزی که این دوره رو جذاب می‌کنه اینه که فقط درباره «Agent» حرف نمی‌زنه؛ تقریباً یه مسیر کامل از ابزارها و مفاهیم مهم این حوزه رو کنار هم می‌ذاره: • LangChain • LangGraph • RAG • Vectorless RAG • Deep Agents • Guardrails • LLM Evaluation • LLM Gateways • ساخت Workflowهای Agentic یعنی اگه RAG رو بلدید و الان نمی‌دونید قدم بعدی برای رفتن سمت Agentها چیه، این می‌تونه نقطه شروع خیلی خوبی باشه. https://www.youtube.com/watch?v=rV3HJ4LEZ7k اگه این حوزه رو دنبال می‌کنید، پیشنهاد می‌کنم مخصوصاً بخش‌های LangGraph، Deep Agents و LLM Evaluation رو از دست ندید.

اگه یادتون باشه کوچولوتر که بودیم یه سری کتاب بود به اسم کتاب رنگ‌آمیزی که توش نقاشی های آماده داشت و میتونستیم هرطور بخوایم رنگشون کنیم :)) الان که بزرگتر شدیم بیشتر به اون کتابا نیاز داریم تا هم استرسمون رو کمتر کنیم و هم ذوق و خلاقیتمون رو حفظ کنیم 🥸 وبسایت https://dearcoloringpages.com یه عاااااالمه از این نقاشیا برای رنگ امیزی داره :) که میتونید بصورت pdf یا png رایگان سیو کنید پرینت کنید و لذت ببرید... میتونید پرامپت بدید و براتون نقاشی رو تولید هم بکنه...

یه سوال در ایکس دیدم که پرسیده بودند اگر فقط یک اشتراک از LLM ها بخوام بگیرم کدوم رو پیشنهاد می‌دید؟ پاسخ کوتاه من برای کسی که می‌خواد فقط با یک اشتراک کارهای متنوع بکنه ChatgGPT plus هست ولی در داکیومنت زیر بصورت مفصل تر و به تفکیک کارها مدلهای بهتر رو نوشتم 🫡 @alirashedi1

معمولاً وقتی درباره استارتاپ‌ها می‌خونیم، بیشتر با داستان موفقیت‌ها طرفیم؛ اینکه چطور رشد کردن، سرمایه گرفتن و بزرگ شدن. ولی به‌نظرم بخش خیلی مهم‌تر ماجرا، جاییه که می‌فهمیم چرا بعضی‌ها شکست خوردن. این فایل مجموعه‌ای از ۴۴۲ Startup Post-Mortemـه؛ یعنی روایت و بررسی شکست استارتاپ‌ها در حوزه‌های مختلف مثل AI، سلامت، کریپتو و… از نبود Product-Market Fit و تمام شدن پول گرفته تا رقابت، مدل درآمدی اشتباه، مشکلات تیم و تصمیم‌های بد. ارزش فایل برای من بیشتر از خود ۴۴۲ داستان، دیدن الگوهای تکرارشونده بین شکست‌هاست؛ اینکه بفهمیم شرکت‌های مختلف با ظاهر و بازار متفاوت، چطور ممکنه در نهایت سر مشکلات مشابه زمین بخورن. یه مورد جالب دیگه هم اینکه Arshia زیر توییت این پست سایت loot-drop.io رو معرفی کرد؛ سایتی با ایده مشابه که می‌تونه مکمل خوبی برای خوندن کیس‌های شکست باشه. اگر به استارتاپ، محصول یا بیزینس علاقه دارید، به‌نظرم هر دو ارزش بوکمارک کردن دارن.

بخش جالب بعدی گزارش درباره طلاست. فروش سکه تمام بهار آزادی ۷۳٪ کاهش داشته، ولی در مقابل فروش طلای آب‌شده ۱۱۸٪ رشد کرده. نتیجه‌ای که خود گزارش هم بهش نزدیک می‌شه جالبه: نیاز مردم به حفظ ارزش پول کم نشده، ولی قدرت خرید کمتر شده. یعنی حتی رفتار سرمایه‌گذاری هم داره با کوچک‌تر شدن بودجه‌ها خودش رو تطبیق می‌ده. یه عدد جالب‌تر: سهم طلا از کل فروش دیجیکالا که ابتدای بازه حدود ۷ تا ۹٪ بوده، در پایان ۱۴۰۴ به نزدیک ۱۹٪ رسیده.

یه بخش جالب گزارش سالانه دیجیکالا مربوط به چیزهاییه که مردم سرچ می‌کنن. در سال ۱۴۰۴: «ارزان» ۴۴٪ بیشتر سرچ شده. «دست دوم» ۵۱٪ بیشتر. «تخفیف» هم ۳۱٪ بیشتر. فقط کلمه «ارزان» بیشتر از ۷۴۵ هزار بار جست‌وجو شده. به نظرم از این دیتاها خیلی خوب می‌شه فهمید که فشار اقتصادی فقط مقدار خرید رو تغییر نداده؛ مدل تصمیم‌گیری مردم هم تغییر کرده. قبل از اینکه دنبال «بهترین» گزینه باشیم، بیشتر داریم دنبال گزینه‌ای می‌گردیم که اصلاً بتونیم بخریم.

اگه یه مدت در حوزه Machine Learning کار کرده باشید، احتمالاً یه جایی متوجه می‌شید که ساختن خود مدل فقط بخشی از ماجراست. مسئله اصلی از جایی شروع می‌شه که بخواید مدل رو وارد یک سیستم واقعی کنید؛ جایی که داده دائماً تغییر می‌کنه، مدل باید Deploy بشه، Performance مانیتور بشه و اگر شرایط عوض شد، سیستم بتونه خودش رو با وضعیت جدید تطبیق بده. 📘 Designing Machine Learning Systems ✍️ Chip Huyen این کتاب دقیقاً روی همین بخش تمرکز داره؛ یعنی طراحی سیستم‌های ML واقعی و Production-Ready. موضوعاتی مثل: • طراحی Data Pipeline • Training و Deployment • Data Distribution Shift • Monitoring • Continual Learning • انتخاب معماری مناسب برای سیستم‌های ML اگر الگوریتم‌های ML رو بلدید و می‌خواید یک لایه بالاتر برید و بفهمید Machine Learning در دنیای واقعی چطور ساخته و نگهداری می‌شه، این کتاب واقعاً ارزش خوندن داره. @alirashedi1

🤖 آنتروپیک از Claude Opus 5.5 رونمایی کرد؛ اولین عضو خانواده‌ی جدید Claude 5.5. چیزی که این مدل رو جالب می‌کنه فقط قوی‌تر شدنش نیست؛ آنتروپیک می‌گه Opus 5.5 توی خیلی از کارها در سطح Claude Fable 5.1 ظاهر می‌شه، ولی اجرای کارهای معمول باهاش حدود ۴۰٪ ارزان‌تر از Opus 5 درمیاد. از نظر فنی هم پیشرفت اصلی روی کدنویسی Agentic، کار با کامپیوتر و Knowledge Work بوده. خروجی مدل طبق تست‌های خود آنتروپیک بیشتر از ۳۰٪ سریع‌تر تولید می‌شه و برای انجام یک کار، معمولاً به توکن و منابع محاسباتی کمتری نیاز داره. یه بخش جالب‌تر ماجرا هم ایمنیه. Opus 5.5 قبل از انتشار توسط ارزیاب‌های خارجی از جمله METR و Frontier Design تست شده و آنتروپیک می‌گه در جامع‌ترین تست داخلی هم‌راستایی خودش، بهترین نتیجه‌ای رو گرفته که تا امروز بین مدل‌های این شرکت دیده شده. این انتشار از یه جهت دیگه هم جالبه: آنتروپیک همین چند هفته‌ی اخیر درباره‌ی ایده‌ی «Pacing the Frontier» صحبت کرده بود؛ یعنی اینکه توسعه‌ی مدل‌های مرزی وقتی سرعت با ایمنی در تضاده، باید کنترل‌شده‌تر جلو بره. از نظر تجربه‌ی استفاده هم ظاهراً روی یکی از ضعف‌های همیشگی مدل‌های بزرگ کار شده: جواب‌ها مستقیم‌تر، طبیعی‌تر و کم‌حاشیه‌تر شدن و مدل بهتر از قبل به دستورالعمل‌های نوشتاری پایبند می‌مونه. قیمت API هم فعلاً: • ورودی: ۴ دلار / یک میلیون توکن • خروجی: ۲۰ دلار / یک میلیون توکن و طبق اعلام آنتروپیک، Sonnet 5.5 و Haiku 5.5 هم در هفته‌های آینده منتشر می‌شن. منبع: Anthropic — Introducing Claude Opus 5.5