M.AminDehmolaee

ریلز زیر رو ببینید لینک خواستم ببینم میشه تبلیغاتی که گرافیست ها و متخصص های تبلیغ حاضر میکنن رو میشه با AI ساخت یا نه و برام به شدت جالب بود که بدون هیچ ابزار عجیب غریبی میشه این کارو کرد

این تصویر هم جذاب بودش 😅

این جمعه های هوش مصنوعی خیلی جالبه کاریرد هوش مصنوعی در امنیت غذایی در این تصویر آنالیز استراحت گاو رو میبینیم

کمیته آموزش انجمن ملی هوش مصنوعی ایران رویداد جمعه‌های هوش مصنوعی را برگزار می‌کند: https://www.skyroom.online/ch/isiraninstitute/ai-meeting

یه آپشن خوبی که کانکشن‌های خوب و موثر دارن اینه که بعضی وقت‌ها غافلگیرت میکنن، مثلا صبح پا میشی میبینی خودجوش با AI برات همچین چیزی ساختن و روزتو میسازن 🤩 آقای زرونده از اون کانکشن‌های خوبه که من تقریبا ۲ ۳ ساله میشناسمشون و هر چقدر تلاش می‌کنیم فرصت همکاری پیش بیاد یه مشکلی پیش میادش 😅 انشاءالله سال 2026 برای همه پر از فرصت و پر از توسعه فردی برای هدف گیری اون فرصت ها باشه.

یا AI ترسناک شده یا هوش انسانی به شدت قویه 😂. مرسی از آقای زرونده و احتمالا دستیارشون این سروده در وصف این پست هست https://t.me/MAminDehmolaee/152

برای چه هدفی چه GPU ای انتخاب کنیم؟! این مقاله رو خودم قراره خیلی برگردم دوباره بخونمش البته اگه یه دفه ای کامپیوتر کوانتمی نیادش فردا. اگه حوصله خوندن نداشتید اکسل آخرشو چک کنید ✌️ لینک

ایده از کجا بیارم؟! پاسخ ببین پول کجا حرکت میکنه و معمولا یونیکورن ها بهترین گراهارو برای ایده یابی بهت میدن. 50 یونیکورن سال 2025 برای بررسی و تعمیق ⚙️ AI Infra & DevTools – سوختِ پشت بقیه Lovable – ساخت فرانت‌اند و UI با مدل کدنویس ویرایشی Modal – سرورلس مخصوص jobهای سنگین و مدل‌های AI n8n – اتوماسیون گرافیکی، چسب بین LLMها و سرویس‌های دنیا poolside – مدل بنیادی برای کدنویسی و تبدیل متن به کد Cursor – ادیتور کد با pair-programmer مبتنی بر LLM Supabase – بک‌اند متن‌باز با دیتابیس، auth و ابزارهای AI Coralogix – لاگینگ و observability با تحلیل خودکار مبتنی بر AI Fireworks – اینفرنس سریع برای مدل‌های متن‌باز و اختصاصی Baseten – هاستینگ و سِروینگ مدل بدون ساختن MLOps از صفر LangChain – فریم‌ورک ساخت اپ‌های چندابزاری و agentic Linear – مدیریت تسک و issue با پیشنهادهای هوشمند Posthog – آنالیتیکس محصول با insightهای AI روی رفتار کاربر Nscale – دیتاسنتر و کلود مخصوص workloadهای AI Peregrine – یکپارچه‌سازی و حرکت داده برای اپ‌های تحلیلی Thinking Machines – استودیوی داده و محصول‌های AI-محور fal – اینفرنس real-time تصویر/ویدیو/صدا برای تجربه‌های تعاملی «شش ببر» چین – Zhipu, Moonshot, MiniMax, Baichuan, StepFun, 01.AI؛ مدل‌سازهای بنیادی در مقیاس قاره‌ای Krutrim – استک کامل مدل و اینفرای بومی برای هند Sakana AI – مدل‌ساز ژاپنی با رویکرد الهام‌گرفته از طبیعت و کلکتیو تحلیل: هزینه ساخت محصول AI-محور به‌واسطه این زیرساخت‌ها به‌شدت پایین اومده و مزیت رقابتی از «دسترسی به مدل» داره می‌ره سمت «داده، توزیع و اجرا». ادامه

💥 لطفا با RAG رگ به رگ نشید... این روزها همه درباره‌ی Retrieval-Augmented Generation حرف می‌زنن: «یه بردار می‌سازیم، می‌ذاریم تو FAISS/Qdrant، بعد هر سؤال، چندتا داک میاد و مدل جواب می‌ده.» روی کاغذ عالیه ام‌ما در عمل، این‌طوری نیست. چند تا چیز کوچیک که فراموش می‌شن اما کل سیستم رو می‌ترکونن: چانکینگ اشتباه → هم هزینه‌ی embedding می‌ره بالا، هم جواب‌ها مبهم و ترکیبی می‌شن. ایندکس‌کردن «یک‌جای» همه‌چیز → مخصوصاً روی لپ‌تاپ یا Docker، رم و دیسک رو نابود می‌کنه. نداشتن استراتژی incremental برای FAISS/Qdrant → هر بار ایندکس = هر بار شکنجه‌ی منابع. بی‌توجهی به context window و کیفیت prompt → مدل عملاً غرق در نویز می‌شه. 🔧 جایی که RAG از «دموی کنفرانسی» تبدیل می‌شه به «مهندسی واقعی»، دقیقاً این‌جاست: طراحی چانکینگ به‌اندازه (نه خیلی ریز، نه خیلی غول‌آسا) در batch کردن هوشمندِ embedding برای کنترل هزینه و RAM ایندکس قابل ذخیره و incremental مانیتورینگ کیفیت ریتریوال، نه فقط کیفیت جواب مدل پس ،RAG ابزار جادویی نیست؛ یک سیستم داده‌محور و مهندسی‌شده است. سیستمی که عالی‌ترین جواب‌ها رو می‌سازه، بدون طراحی درست retrieval، نهایتاً روی حافظه‌ی کوتاه خودش گیر می‌کنه. ❓ توی پیاده‌سازی RAG، بزرگ‌ترین چالشی که دیدی چی بوده: چانکینگ، ایندکس، هزینه، یا کیفیت جواب‌ها؟

اولین مقاله من در New Letters لینکدین ببینید و نظرتونو بگید ببینم ادامه بدم یا چی . مربوط به این آهنگه استاد معین هم هست. Link

شاید برای شما اتفاق بیفتد..‌. داشتن GPU همه چیز نیست یه مهندس هوش مصنوعی داشت تلاش می‌کرد RexOmni رو روی یه سرور تازه‌نفس با RTX 5090 بالا بیاره. همه چی روی RTX 4090 خوب بود؛ ولی روی 5090 انگار مدل لج کرده بود: کرش، ارور، هیچ خروجی‌ای 😅 اول حدس کلاسیک: حتماً OOM شده! این OOM = Out Of Memory یعنی حافظه‌ی GPU کم آورده. بعد FlashAttention رو فعال، تنظیمات رو دستکاری، مدل سبک‌تر… اما ماجرا عوض نشد؛ این‌جا بود که فهمید داستان، داستانِ حافظه نیست، داستانِ معماری GPU ـه. 🔍 بعد از کمی کندوکاو فهمید: دستگاه RTX 4090 روی معماری Ada Lovelace با قابلیت محاسباتی 8.9 (معروف به sm_89) کار می‌کنه. دستگاه‌های RTX 5090 / 5080 نسل جدید Blackwell هستن با قابلیت محاسباتی 12.0 یعنی sm_120. حالا مشکل کجا بود؟ کتابخونه PyTorch و بقیه پکیج‌هاش برای معماری‌های قدیمی‌تر build شده بودن؛ پس روی 5090 کرنلی برای sm_120 وجود نداشت و ارور معروف می‌اومد: no kernel image is available for execution on the device (یعنی: «برای این GPU اصلاً کدی کامپایل نکردم!») 🛠 راه‌حل مهندس چی شد؟ به‌جای جنگیدن با تنظیمات حافظه، تمرکزش رو گذاشت روی معماری: نسخه‌ی PyTorch / CUDA / FlashAttention رو برد روی ریلیزهای سازگار با Blackwell موقع build، معماری‌ها رو صریح ست کرد: RTX 4090 → sm_89 (Ada 8.9) RTX 5080/5090 → sm_120 (Blackwell 12.0) و برای ترکیب چند GPU، TORCH_CUDA_ARCH_LIST="8.9;12.0" گذاشت تا برای هر دو نسل کد تولید بشه. نتیجه؟ RexOmni بدون OOM و بدون کرش، روی RTX 5090 هم مثل 4090 صاف و تمیز بالا اومد 😎 🎯 درس این داستان برای بقیه مهندس‌ها: هر ارور روی GPU الزاماً «کمبود حافظه» نیست. گاهی مشکل اینه که اصلاً برای معماری GPU فعلی کرنل کامپایل نکردی. قبل از این‌که مدل رو متهم کنی، یه نگاه جدی به این سه‌تا بنداز: 1. نسخه‌های PyTorch / CUDA 2. مقدارهای sm-* (SM = Streaming Multiprocessor، معماری هسته‌های GPU) 3. متغیرهایی مثل TORCH_CUDA_ARCH_LIST شما روی RTX 4090 / 5080 / 5090 چی تجربه کردید؟ بیشتر درگیر OOM بودید یا همین داستان sm_120 و سازگاری فریم‌ورک‌ها؟ تجربه‌هاتون واقعاً می‌تونه برای بقیه مهندس‌ها نجات‌بخش باشه 👇

این👉یا👈 اون توی خیلی از شرکت‌ها، بین تیم هوش مصنوعی (AI) و تیم فنی سایت/اپ (بک‌اند) همیشه یه سؤال تکراری هست: > «همه‌چی رو بذاریم تو یه جا، یا هر تیم کمد خودش رو داشته باشه؟» (منظور از جا و کمد همون ریپازیتوری (Repository) تو گیت هست) 🔹 حالت اول: همه‌چی تو یک جا توی این مدل، کدهای هوش مصنوعی و بک‌اند، همگی تو یک خونه مشترک زندگی می‌کنن. حسنش چیه؟ آدم‌ها دم‌ِ دست هم‌ان، تغییرات سریع هماهنگ می‌شه، همه می‌دونن چه خبره. ولی از یه جایی به بعد، هر تغییری می‌تونه مثل یک زنجیره انفجاری باشه: یکی یه چیز کوچیک عوض می‌کنه، جای دیگه خراب می‌شه، مرج‌ها (Merge) شلوغ می‌شن، دعوا سر این‌که «کی چی رو شکست؟» زیاد می‌شه. 🔹 حالت دوم: هر تیم کمد خودش را دارد اینجا تیم AI یه ریپو داره، تیم بک‌اند هم یه ریپو جدا. هر تیم قوانین خودش، زمان انتشار خودش (Release)، و روند انتشار خودش (Pipeline) رو داره. هماهنگی سخت‌تره، چون باید با قرارداد مشخص کار کنن: مثلاً: «این آدرس رو صدا بزن، این فرمت رو بهم بده» (همون API و قراردادهای بین سرویس‌ها). اما در عوض، هر تیم آروم‌تر، مستقل‌تر و قابل‌گسترش‌تر کار می‌کنه. 🎯 خلاصه‌ی داستان برای کارهای سریع، MVP و تیم‌های کوچک → یه خونه‌ی مشترک، جواب می‌ده. برای سیستم‌های جدی و بلندمدت → بهتره هر تیم کمد خودش رو داشته باشه، ولی روی قراردادهای بین تیم‌ها (API / مستندات / قرارداد داده) خیلی منظم و حساس باشن. تیم شما بیشتر شبیه کدومه؟ 🧨 «خونه‌ی شلوغ و پرهیجان» یا 🧱 «محله‌ای با خونه‌های جدا و مرزهای مشخص»؟ 👇

تفکر اشتباهی که منجر به ضرر میلیاردی میشه ... تصوّر کنید یه شرکت تازه می‌خواد تیم هوش مصنوعیش رو راه بندازه. جلسه می‌گیرن، بودجه رو می‌بینن، یکی می‌گه: «بچه‌ها، به‌جای کیس و این‌همه شلوغ‌بازی، چند تا لپتاپ RTX 4090 می‌گیریم، اسمش همونه دیگه! هم شیکه، هم قابل حمل.» همه سر تکون می‌دن، تصمیم تأیید می‌شه، خرید انجام می‌شه. ✅ چند هفته می‌گذره… مدل‌ها دیر جواب می‌دن، ترینینگ طولانی می‌شه، فن‌ها مثل موتور جت کار می‌کنن، سیستم داغ می‌کنه. تیم گیج شده: «مگه RTX 4090 نیست؟ چرا این‌قدر زیر بار کم میاره؟» اون‌جا تازه می‌فهمن پشت اون یک خط اسم، چه فرقی خوابیده: دیوایس RTX 4090 دسکتاپ → هیولای ۳۵۰–۴۵۰ واتی، کولینگ عظیم، فرکانس بالا، CUDA بیشتر؛ ساخته شده برای ترینینگ سنگین و کار ۲۴/۷. دیوایس RTX 4090 لپتاپ → نسخه‌ی کم‌مصرف و محدود؛ ۱۵۰–۱۷۵ وات، فضای تنگ، حرارت بالا؛ عالی برای Inference، دمو، سفر، توسعه و کار روزمره، ولی «سرور مخفی توی لپتاپ» نیست. مشکل از GPU «بد» نبود؛ مشکل از این بود که لپتاپ رو برای کاری خواستن که وظیفه‌ی دسکتاپ بود. ✨ خلاصه‌اش؟ اول ببین قراره چی کار کنی (ترینینگ، اینفرنس، دمو، سفر، کار روزمره…) بعد تصمیم بگیر هالک می‌خوای (دسکتاپ)، یا نینجا (لپتاپ) 😉

🤖 چطور یک Agent شخصی بسازیم بدون هزینه‌ی سنگین؟ برای ساخت دستیار شخصی (برنامه‌ریز روزانه، خلاصه‌ساز ایمیل، تحلیل‌گر داده، Research Agent و…) لازم نیست فقط به یک سرویس بچسبی. می‌تونی از ترکیب چند API رایگان استفاده کنی و یک Agent قوی برای خودت بسازی 👇 🧠 مغز اصلی Agent (LLMهای متنی) 1️⃣ Google AI Studio (Gemini) سایت: https://ai.google.dev برای منطق اصلی Agent، چت، استدلال و خلاصه‌سازی عالیه؛ پلن رایگانش برای شروع پروژه شخصی کاملاً کافیه. 2️⃣ OpenRouter سایت: https://openrouter.ai اگر می‌خوای Agentت بین چند مدل (Mistral, Llama, DeepSeek و…) سوئیچ کند، اینجا یک درگاه واحد به ده‌ها مدل داری. 3️⃣ Mistral – La Plateforme سایت: https://console.mistral.ai برای Agentهایی که نیاز به سرعت و هزینه کم دارند؛ مدل‌های سبک و سریع برای پاسخ‌های روزمره. 4️⃣ Groq Cloud سایت: https://console.groq.com اگر سرعت برات مهمه، می‌تونی کارهای «Realtime» Agent (چت زنده، تکمیل سریع متن) رو روی Groq بیاری. 👨‍💻 Agent برای توسعه‌دهنده‌ها و کدنویسی 5️⃣ Mistral – Codestral سایت: https://console.mistral.ai اگر Agentت قرار است برایت کد بنویسد/ریفکتور کند، Codestral را به عنوان «Code Brain» کنارش بگذار. 6️⃣ Cohere سایت: https://cohere.com مناسب برای Agentهایی که روی سرچ معنایی، Chat سازمانی یا کار با اسناد تمرکز دارند. 📊 بینایی، برد بلند و مدل‌های متنوع 7️⃣ Hugging Face Inference سایت: https://lnkd.in/dafZQnEN برای اضافه‌کردن قابلیت‌های تصویری، صوتی یا مدل‌های خاص (مثلاً OCR، ترجمه‌ی خاص‌منظوره) به Agent. 8️⃣ NVIDIA NIM سایت: https://build.nvidia.com اگر می‌خوای Agentت روی مدل‌های سنگین و GPU-Optimized اجرا شود (مثلاً تحلیل عمیق‌تر یا مدل‌های بزرگ‌تر)، اینجا گزینه‌ی خوبی است. 9️⃣ Cerebras Inference سایت: https://lnkd.in/d5pE_9U9 برای تست مدل‌های بزرگ روی سخت‌افزار خاص Cerebras و سناریوهای تحلیلی سنگین. 🔟 Together AI سایت: https://www.together.ai چندین مدل رایگان با پسوند Free؛ می‌تونی از آن‌ها برای بخشی از وظایف Agent (مثلاً فقط خلاصه‌سازی یا ترجمه) استفاده کنی تا هزینه پایین بماند. 💡 ایده‌ی عملی: یک Gemini / Mistral / OpenRouter برای مغز اصلی Agent یک Codestral یا Cohere برای کارهای برنامه‌نویسی و سرچ معنایی یک Hugging Face / Groq برای تصویر و پاسخ‌های خیلی سریع

من یک مهندس هوش مصنوعی هستم گه خجالت نمیکشم از اینکه بگم 😅 پیشرفت هوش‌مصنوعی مثل اینکه اول شغل مهندسین هوش‌مصنوعی رو هدف قرار میده دلیلم هم این سایت‌ها هستن: جایگزین مهندس LLM: chatbot.com intercom.com tedio.com manychat.com botpress.com drift-ai.tech kimi.com جایگزین مهندس avatar: d-id.com heygen.ai invideo.io جایگزین مهندس تولید محتوا تصویری و ویدئویی: invideo.io comfy.org invoke.ai جایگزین مهندس بینایی کامپیوتر: roboflow.com ultralytics.com v7labs.com edgeimpulse.com superannotate.com landing.ai جایگزین مهندس اتوماسیون کارهای سطح بالا (نوشتن ، تحلیل کردن و ...): make.com n8n.io flowiseai.com dify.ai activepieces.com جایگزین مهندسی طراحی صدا: suno.com elevenlabs.io جایگزین آنالیزور ویدئو: twelvelabs.io chat.qwen.ai gemini.google.com این لیست رو به مرور بیشتر پرش میکنم من برم دنبال یک شغل دیگه بگردم 😅✌🏻

نمایشگاه شهر هوشمند به پایان رسید و میتونم بگم یکی دو مورد امیدوار کننده دیدم امیدوارم بیشتر داشته باشیم

قلقلک دادن ذهن مدیران (البته لفظ بخش r&d همراه اول بود) با ساخت ماکت داده و ...

کار دست بچه‌های اسمارترا

امروز اینجام، وقت کردید بیاید تعامل داشته باشیم 😊

به عنوان یک فرد که توی زمینه هوش مصنوعی کارهایی کرده اوایل بهم بر میخورد که به یک نفر که با AI تولید محتوا میکنه میگفتن (یا درست ترش خودش به خودش میگفت) مهندس هوش مصنوعی. اما به مرور پذیرفتمش و باید اعتراف کنم که این افراد سوادی دارن که من ندارم و توش جاهل محسوب میشم. بنابراین، به نظرم ناآگاه بودن در زمینه های حساس میتونه شما رو زمین بزنه حتی اگه توی زمینه‌های دیگه علامه دهر باشید.