SODΞH DΞSIGN

Evidence Clipper: افزونه‌ای برای مستندسازی شواهد پژوهشی ✅ در فرآیند طراحی محصول و خدمت، بخش قابل‌توجهی از زمان صرف جمع‌آوری شواهد پژوهشی می‌شود: نقل‌قول‌های کاربران، ادعاهای رقبا، یافته‌های دسک‌ریسرچ. این اطلاعات معمولاً میان اسکرین‌شات‌ها، بوکمارک‌ها و یادداشت‌های پراکنده گم می‌شوند و ردیابی منشأ یک تصمیم طراحی را دشوار می‌کنند. برای حل این مسئله، افزونه‌ای طراحی کرده‌ام به نام Evidence Clipper. 🟢عملکرد: با یک کلید، هر بخش هایلایت‌شده از هر صفحه‌ی وب ذخیره می‌شود؛ آدرس منبع و زمان ثبت، به‌صورت خودکار ضبط می‌گردد. یک اصل طراحی مشخص، معماری این ابزار را شکل داده است: فرآیند «جمع‌آوری» و «دسته‌بندی» عمداً از هم جدا شده‌اند. لحظه‌ی مطالعه، لحظه‌ی تمرکز است؛ هر پرسشی از قبیل «این را در کدام پروژه دسته‌بندی کنم؟» در همان لحظه، رشته‌ی ذهنی را قطع می‌کند. به همین دلیل، کپچر بدون هیچ پرسشی انجام می‌شود و تگ‌گذاری در مرحله‌ای جداگانه، درون کتابخانه‌ی افزونه، صورت می‌گیرد. این رویکرد با منطق کدگذاری کیفی همخوانی دارد: نخست گردآوری، سپس کدگذاری. 🟢مخاطب: پژوهشگران، طراحان و مدیران محصول و تمام کسانی که نیاز دارند منشأ تصمیمات طراحی خود را با استناد به شواهد مستند ارائه دهند. 🟢 امکانات: 🟡ثبت با یک کلید از هر صفحه 🟡ثبت خودکار منبع و زمان 🟡تگ پایه به‌همراه امکان افزودن تگ اختصاصی، در مرحله‌ای جدا 🟡امکان ثبت نظرات و نکات ما 🟡امکان جستجو و دسته‌بندی 🟡کتابخانه در یک تب مستقل مرورگر 🟡رابط کاربری دوزبانه (فارسی و انگلیسی) 🟡خروجی در قالب CSV، JSON و Markdown ❤️این افزونه رایگان و متن‌باز است؛ بدون نیاز به حساب کاربری، بدون سرور، بدون اشتراک. تمام داده‌ها در همان مرورگر کاربر باقی می‌مانند. 📱 لینک دانلود رایگان از Chrome Web Store 📱 لینک دانلود رایگان و اطلاعات‌ بیشتر در Github ⭕️ امیدوارم این ابزار کوچک که از دل نیاز یک پروژه بیرون آمد برایتان مفید باشد. خوشحال می‌شوم نظرات و پیشنهادهای تکمیلی خود را از طریق ایمیل Sodeh.Abadi@gmail.com با من در میان بگذارید. #افزونه_مرورگر #طراحی_محصول #طراحی_خدمات #پژوهش #ابزار 🫶 @SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

✅ عنوان‌ها در دیزاین عوض شده‌اند، ولی مسئله چیز دیگری است چند سال پیش تخصص‌های ما بر اساس «چه چیزی می‌سازیم» تقسیم می‌شد: وب، موبایل، دسکتاپ. بعد بر اساس «کدام لایه»: UI، UX Research، Service Design. حالا به نظرم یک تقسیم‌بندی تازه در حال شکل‌گیری است، اما این‌بار ریشه‌اش جای دیگری است: جنس سیستمی که طراحی می‌کنیم عوض شده. تا دیروز ما رابط‌های قطعی (deterministic) طراحی می‌کردیم؛ کاربر دکمه را می‌زد و خروجی مشخص بود. امروز روی سیستمی کار می‌کنیم که خروجی‌اش احتمالی است، گاهی اشتباه می‌کند، گاهی خودش تصمیم می‌گیرد و گاهی به‌جای کاربر عمل می‌کند. هر عنوان جدیدی که این روزها (بخصوص در مارکت بین‌المللی) می‌بینیم، در واقع پاسخی به یک وجه از همین تغییر است. اگر دسته‌بندی‌شان کنیم، منطق‌شان روشن‌تر می‌شود: ۱. لایه تعامل: چطور با سیستم حرف می‌زنیم 🟡Multimodal Interaction Design وقتی ورودی و خروجی همزمان متن، صدا، تصویر و اشاره است، «صفحه» دیگر واحد طراحی نیست. 🟡Conversation Design (CxD) طراحی جریان گفت‌وگو، نه چیدمان عناصر. 🟡Voice UX (VUX/VUI) طراحی برای جایی که هیچ چیزی دیده نمی‌شود. 🟡Agent Experience (AX) مهم‌ترین پرسش تازه‌ی این حوزه: عامل کجا خودش اقدام کند، کجا اجازه بگیرد، و کجا کنترل را به آدم برگرداند. ۲. لایه اعتماد: چرا کاربر باید حرف سیستم را باور کند 🟡Human-AI Interaction (HAII) چارچوب علمیِ زیر همه‌ی این حوزه‌ها. 🟡AI Feedback Design بازخورد کاربر دیگر فقط نظرسنجی نیست؛ سوخت بهبود مدل است. 🟡Trust & Explainability Design طراحی برای «اعتماد کالیبره‌شده»؛ نه اعتماد کور، نه بی‌اعتمادی کامل. 🟡Error & Uncertainty Design طراحی برای لحظه‌ای که مدل اشتباه می‌کند. این دیگر یک حالت لبه (edge case) نیست، یک حالت عادی است. ۳. لایه سنجش: از کجا بفهمیم کار می‌کند 🟡AI UX Evaluation معیارها عوض شده‌اند: کیفیت خروجی، نرخ اصلاح توسط کاربر، میزان واگذاری کار به سیستم؛ نه صرفاً نرخ تکمیل تسک. 🟡AI UI Accessibility رابط‌های تولیدشونده و متغیر، دسترس‌پذیری را از یک چک‌لیست ثابت به یک مسئله‌ی پویا تبدیل کرده‌اند. ۴. لایه ساخت: فاصله‌ی طراحی تا محصول 🟡AI Native Product Design محصولی که از روز اول حول قابلیت‌های مدل ساخته شده، نه محصولی که AI بعداً به آن اضافه شده. تفاوت در ظاهر نیست، در معماری تصمیم است: اینجا مدل یکی از اجزای اصلی محصول است، نه یک قابلیت جانبی در گوشه‌ی رابط. 🟡Design Engineer پروتوتایپِ یک تجربه‌ی مبتنی بر مدل، با ابزارهای استاتیک قابل نمایش نیست. باید ساختش. 🟡Context Design فراتر از prompt: تصمیم درباره‌ی اینکه سیستم چه چیزی را، چه زمانی، درباره‌ی کاربر بداند. ۵. لایه سیستم و سازمان: جایی که کمتر درباره‌اش حرف می‌زنیم 🟡AI Service Design وقتی AI در چند نقطه از سفر مشتری / کارکنان می‌نشیند، مسئله سیاست‌گذاریِ تجربه است. 🟡Responsible AI / AI Governance حکمرانی داده و مدل، دارد به یک «محدودیت طراحی» تبدیل می‌شود، درست مثل محدودیت فنی یا بودجه. و دو نکته که فکر می‌کنم مهم‌تر از خودِ فهرست است: ✅اول: این‌ها دوازده شغل مجزا نیستند. دوازده سطح تخصص روی یک پایه‌ی مشترک‌اند: پژوهش، قاب‌بندی درست مسئله و تفکر سیستمی. هر کدام از این عنوان‌ها بدون آن پایه، فقط یک برچسب است. ✅دوم: عنوان جدید بدون تغییر در جنسِ کار، چیزی جز تورم رزومه نیست. تفاوت واقعی آنجاست که شما شروع کنید به طراحی برای رفتار یک سیستم، نه برای ظاهر یک صفحه. ✔️ سؤالی که برای خودم هم باز است: از این فهرست، کدام‌ها را واقعاً در آگهی‌های شغلی بازار ایران دیده‌اید؟ فرض کنیم عنوان‌ها آمدند و تغییر کردند. خودِ سازمان‌ها چقدر برای این تغییر آماده‌اند؟ آیا نیاز واقعی‌شان را شناخته‌اند، یا عنوانی را از بازار جهانی کپی کرده‌اند بدون اینکه بدانند این نقش قرار است چه مسئله‌ای را در سازمانشان حل کند؟ به نظرم اضافه‌کردن «AI» به ابتدای یک عنوان شغلی، ساده‌ترین بخش ماجراست. #بازارکار #طراحی_محصول #هوش_مصنوعی #آینده_دیزاین 🫶 @SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

🚀 دیزاینر بودن، دیگر فقط مهارت نیست؛ سرمایه می‌خواهد امروز در کانال احسان عزتی یک نظرسنجی جالب برگزار شده با این سؤال: «حقوق دریافتی شما از UI/UX در حال حاضر چقدر است؟» البته این آمار فقط بخشی از بازار متخصصان طراحی دیجیتال در ایران را نشان می‌دهد و هنوز داده‌ای از وضعیت Product Design و Service Design نداریم. تا لحظه‌ای که این متن را می‌نویسم، ۷۷۸ نفر در نظرسنجی شرکت کرده‌اند. از این تعداد، ۳۸۵ نفر؛ یعنی تقریباً نیمی از شرکت‌کنندگان، گزینه‌ی «حقوق ندارم» را انتخاب کرده‌اند. از میان نیمه‌ی دیگر که درآمدی دارند، حدود ۵۸ درصد کمتر از ۴۵ میلیون تومان دریافت می‌کنند و تنها ۸۵ نفر از مجموع ۷۷۸ نفر، درآمدی بالاتر از ۷۰ میلیون تومان دارند. حالا این اعداد را کنار هزینه‌های واقعی به‌روز ماندن در این حرفه بگذارید. امروز اگر بخواهید به‌عنوان یک Product Designer یا UI/UX Designer رقابتی بمانید، حداقل باید هزینه‌ی این موارد را ماهانه بپردازید بخصوص اگر فریلنسرید و باید خودتان به تنهایی روی خودتان سرمایه‌گذاری کنید : 🟡اشتراک ابزارهای هوش مصنوعی؛ از Claude و Figma گرفته تا ابزارهای دیگر. هرکدام حدود ۲۰ دلار در ماه و واقعیت این است که کمتر کسی امروز فقط با یک ابزار کار می‌کند. 🟡اینترنت، که عملاً به‌دلیل نیاز دائمی به VPN، چند برابر هزینه‌ی واقعی تمام می‌شود. 🟡خرید اشتراک VPN با IP ثابت، برای جلوگیری از مسدود شدن حساب‌های کاربری. 🟡خرید، ارتقا و استهلاک لپ‌تاپ و تجهیزات. 🟡دوره‌های آموزشی داخلی/ خارجی و گواهینامه‌های بین‌المللی. 🟡کتاب‌ها و سرویس‌های آموزشی و تخصصی مثل Mobbin و Uxcel. 🟡هزینه‌ی برق 🟡و گران‌ترین مورد؛ زمانی که برای مطالعه، آزمایش ابزارهای جدید، دیدن ویدئوها و یادگیری صرف می‌شود. معادله ساده است؛ هزینه‌ی به‌روز ماندن دلاری است، اما درآمد همچنان ریالی. فاصله‌ی این دو هر ماه بیشتر می‌شود. البته این فقط مسئله‌ی هزینه‌ها نیست. جنگ، قطعی‌های اینترنت، تغییر استراتژی کسب‌وکارها، محتاط‌تر شدن سازمان‌ها در سرمایه‌گذاری روی طراحی و توسعه‌ی محصول و کاهش فرصت‌های شغلی، کاهش جذب نیروی متخصص، قراردادهای کوتاه مدت، رقابت بیشتر کارجویان، و یا حتی نابرابری تعداد متخصص با نیاز بازار ایران، مخصوصاً برای کسانی که تازه وارد این مسیر شده‌اند، همگی بخشی از همین تصویر هستند. بزرگ‌ترین نگرانی من، جونیورها هستند. اگر ورودی این حرفه برای مدت طولانی ضعیف بماند، چند سال دیگر دیگر نسل میانی قدرتمندی نخواهیم داشت که جای نسل امروز را بگیرد. این هزینه را فقط افراد پرداخت نمی‌کنند؛ کل صنعت پرداخت خواهد کرد. اما یک نکته را هم باید صریح گفت. اگر این روزها احساس می‌کنید از موج تغییرات عقب مانده‌اید… اگر توان پرداخت اشتراک همه‌ی ابزارهایی را که هر روز در لینکدین درباره‌شان صحبت می‌شود ندارید… اگر فرصت‌های شغلی کمتر شده یا حتی فعلاً درآمدی از این حوزه ندارید… قبل از اینکه همه‌ی تقصیر را گردن خودتان بیندازید، این آمار را دوباره ببینید.مسئله فقط و تنها شما نیستید. این یک مسئله‌ی ساختاری است؛ اقتصادی که هزینه‌هایش جهانی شده اما درآمدهایش نه. وقتی درباره‌ی این واقعیت صحبت نکنیم، هرکس تصور می‌کند تنها کسی است که شکست خورده یا این وضعیت را دارد و همین تصور، فشار روانی را چند برابر می‌کند. (چیزی که به شخصه در جلسات منتورینگ و یا صحبت با همکاران میشنوم) منتظر ماندن برای بهتر شدن شرایط، خودش یک تصمیم است؛ تصمیمی که معمولاً موضوع و چالش‌های اصلی را تغییر نمی‌دهد. ⚡️ما دیزاینریم و خودمان مهم‌ترین محصول زندگی‌مان که باید دیزاین‌اش کنیم. کاری که هر روز برای محصولات دیگران انجام می‌دهیم، دقیقاً همان چیزی است که امروز باید برای زندگی خودمان انجام دهیم؛ دیدن واقعیت، نه آن‌طور که دوست داریم باشد، بلکه آن‌طور که هست. تشخیص مسئله‌ی واقعی، و طراحی بهترین راه‌حل، با منابعی که همین امروز در اختیار داریم، نه منابعی که آرزو می‌کنیم روزی داشته باشیم. اما سخت بودن شرایط، نباید باعث شود مسئله را اشتباه تعریف کنیم. چون اگر مسئله را اشتباه تعریف کنیم، حتی بهترین راه‌حل‌ها هم ما را به مقصد درستی نمی‌رسانند. 🫶 این پست را نوشتم که بدونید تنها نیستید و لازمه کمی واقع‌بینانه به مسائل نگاه کنیم و براش راه‌حل مناسب خودمون رو پیدا کنیم. 🙏 ضمنا جا داره از احسان عزتی @theehsanez عزیز هم برای برگزاری این نظرسنجی‌های دوره‌ای که جامعه آماری خوبی هم داره تشکر کنم، باعث میشه واقعیت‌های بازار کار در ایران در حوزه ما شفاف تر بشه. #بازارکار #طراحی_محصول #هوش_مصنوعی #دیزاین_زندگی 🫶 @SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

⭐️دو رویداد بزرگ حوزه محصول در سال ۲۰۲۶ با امکان حضور رایگان اگر به دنبال یادگیری عمیق و کاربردی در حوزه هوش مصنوعی هستید، این دو کنفرانس را از دست ندهید. هر دو رویداد در بخش آنلاین رایگان هستند و توسط مدرسه محصول (Product School) برگزار می‌شوند. ۱. رویداد…

🚀 بومِ مسئله‌یابی و اولویت‌بندی ایده‌های هوش مصنوعی دیگه وقت هدررفت روی ایده‌های الکی هوش مصنوعی نیست! همه‌ی ما توی تیم‌ها و سازمان‌ها دیدیم که چطور ایده‌های سطحی و پر سر و صدا، جای پروژه‌های ارزشمند رو می‌گیرن و انرژی تیم رو هدر میدن. با این بوم (Canvas) عالی، می‌تونید: ✅ همه‌ی ایده‌هارو با یه معیار واحد بسنجید ✅ به‌سرعت ایده‌های ضعیف رو حذف کنید ✅ ارزش، امکان‌پذیری و ریسک رو شفاف ببینید ✅ تیم رو روی مسیری مشخص و درست همراه کنید به‌جای کلی ایده‌ی مبهم، روی چند فرصت واقعی متمرکز بشید. 📥 فایل The AI Problem Framing Canvas رو همینجا دریافت کنید. #هوش_مصنوعی #بوم #طراحی_کسب‌وکار #مدیریت_محصول 🫶 @SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

📌 در این وبینار، سوده محمدآبادی، طراح محصول و خدمات، درباره یکی از مهم‌ترین موضوعات دنیای امروز فناوری یعنی «طراحی محصولات قابل اعتماد هوش مصنوعی» صحبت کرد. در طول این جلسه، ابعاد مختلف اعتماد در محصولات مبتنی بر هوش مصنوعی بررسی شد و چالش‌ها، فرصت‌ها و راهکارهای عملی طراحی تجربه‌های هوش مصنوعی قابل اعتماد مورد بحث قرار گرفت. بخش اول: نقش و ابزارهای جدید طراح محصول در عصر هوش مصنوعی بررسی شد. بخش دوم: اهمیت اعتماد به‌عنوان مهم‌ترین مزیت رقابتی محصولات هوش مصنوعی و تأثیر آن بر موفقیت این محصولات تشریح شد. بخش سوم: چالش‌های طراحی تجربه کاربری در شرایط عدم قطعیت و راهکارهای مواجهه با آن‌ها مطرح شد. بخش چهارم: مفاهیم شفافیت، اعتبارسنجی و روش‌های تست محصولات هوش مصنوعی در دنیای واقعی مورد بررسی قرار گرفتند. بخش پنجم: موضوعات مرتبط با اخلاق، مسئولیت‌پذیری و آینده طراحی محصولات هوش مصنوعی مورد بحث قرار گرفتند. 🔴 لینک مشاهده در یوتوب 🎯 این وبینار با حضور طراحان محصول، مدیران محصول، توسعه‌دهندگان، طراحان خدمات و پژوهشگران تجربه کاربر برگزار شد و در آن درباره راهکارهای طراحی محصولات هوش مصنوعی قابل‌اعتمادتر، شفاف‌تر و کارآمدتر برای انسان‌ها گفتگو شد. 📄 لینک اسلاید وبینار 🔗 دیزاینرا در شبکه‌های اجتماعی: وبسایت | صفحه لینکدین | کانال تلگرام | صفحه اینستاگرام | کانال یوتوب

🚀 مدل الماس سه‌گانه در عصر هوش مصنوعی آیا متوجه هستید در حال ساختن چه نوع سیستمی هستید؟ اگر «الماس سه‌گانه» (Triple Diamond) را مدلی مفید برای مدیریت فرایندهای انسان‌محور می‌دانستیم، در سازمان‌های AI-First باید نگاه متفاوتی به آن داشته باشیم. در مدل سنتی، انسان‌ها تمام کارهای شناختی را انجام می‌دادند؛ داده جمع‌آوری می‌شد، تحلیل انجام می‌گرفت و در نهایت نتیجه در قالب یک گزارش، نقشه یا سند ثبت می‌شد. اما همان لحظه که خروجی منتشر می‌شد، بخشی از ارزش آن قدیمی شده بود. تلاش زیاد، خروجی‌های مقطعی و دانشی که در یک فایل محبوس می‌ماند. اما در مدل جدید، نقش انسان تغییر می‌کند. انسان دیگر صرفاً تولیدکننده تحلیل نیست؛ بلکه زمینه (Context) را طراحی، سازمان‌دهی و به‌روز نگه می‌دارد و هوش مصنوعی به‌صورت مداوم روی این زمینه کار می‌کند. ارزش دیگر در یک گزارش نهایی نیست، بلکه در یک دارایی زنده و همیشه در حال تکامل قرار دارد که هر زمان می‌توان از آن سؤال پرسید و پاسخ متناسب دریافت کرد. در این مدل، تلاش انسان از تولید بینش به نگهداری و غنی‌سازی Context منتقل می‌شود و بینش، به جای اینکه محصول نهایی باشد، به خروجی دائمی سیستم تبدیل می‌شود. 🟢چند نمونه از این تغییر: • قبلاً برای کشف مسئله، هر بار پروژه‌ای مستقل اجرا می‌شد. امروز یک مدل از سفر مشتری یا Journey Model ساخته می‌شود و به‌صورت مستمر با داده‌های جدید تکامل پیدا می‌کند. • قبلاً برای پاسخ به هر سؤال باید دوباره میان اسناد و تحقیقات جست‌وجو می‌کردیم. امروز داده‌ها یک‌بار ساختاردهی می‌شوند و هر فرد با یک پرسش، پاسخ متناسب خود را دریافت می‌کند. • قبلاً برای ارزیابی نتایج باید دوباره تحلیل و گزارش تهیه می‌شد. امروز Agentهای هوش مصنوعی می‌توانند به‌صورت مداوم عملکرد را پایش کرده و تغییرات را گزارش دهند. ✅ تفاوت اصلی فقط در ابزارها نیست؛ در معماری فرایند است. در مدل قدیمی، فرایند بر پایه تحویل کار بین تیم‌ها (Hand-off) شکل می‌گرفت. هر تیم کارش را تمام می‌کرد، خروجی را تحویل تیم بعدی می‌داد و فرایند دوباره از نو آغاز می‌شد. اما در سازمان‌های AI-First، فرایند به یک چرخه بازخورد (Feedback Loop) تبدیل می‌شود: Context → Intelligence → Impact → Context زمینه، هوش را تغذیه می‌کند؛ هوش، اثر ایجاد می‌کند؛ و نتایج دوباره به زمینه بازمی‌گردند تا سیستم هوشمندتر شود. در چنین سیستمی، بسیاری از فعالیت‌های تکرارشونده انسانی جذب خود سیستم می‌شوند. کار دیگر مجموعه‌ای از پروژه‌های جداگانه نیست؛ بلکه به یک موتور دائماً در حال حرکت تبدیل می‌شود. شاید مهم‌ترین تغییر ذهنیت همین باشد: در عصر هوش مصنوعی، ارزش واقعی دیگر در تولید یک Deliverable نیست؛ بلکه در ساختن سیستمی است که بتواند به‌طور پیوسته یاد بگیرد، خود را به‌روز کند و بینش تولید کند. 📱 یادداشت کامل #تفکردیزاین #دیزاین #هوش_مصنوعی #طراحی_خدمات 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

🚀 مدل‌های Open Weights، پایه رقابت آینده هوش مصنوعی امشب جمعی از شرکت‌ها و سازمان‌های بزرگ فناوری از جمله Meta، Microsoft، NVIDIA، IBM، Hugging Face، Mozilla و Mistral در بیانیه‌ای مشترک تأکید کرده‌اند که آینده رهبری آمریکا در هوش مصنوعی، تنها به ساخت قدرتمندترین مدل‌ها وابسته نیست؛ بلکه به ایجاد یک اکوسیستم باز و رقابتی بستگی دارد. ✅مهم‌ترین نکات این بیانیه: 🟡همان‌طور که نرم‌افزار متن‌باز، زیرساخت اینترنت و نوآوری دیجیتال را شکل داد، مدل‌های Open Weights نیز می‌توانند زیرساخت نسل بعدی هوش مصنوعی باشند. 🟡مدل‌های Open Weights به شرکت‌ها، دانشگاه‌ها و استارتاپ‌ها اجازه می‌دهند بدون وابستگی کامل به ارائه‌دهندگان بزرگ، مدل‌ها را دانلود، اجرا، سفارشی‌سازی و توسعه دهند. 🟡این رویکرد رقابت را افزایش می‌دهد، هزینه توسعه محصولات هوش مصنوعی را کاهش می‌دهد و از انحصار چند شرکت بزرگ جلوگیری می‌کند. 🟡سازمان‌ها کنترل بیشتری بر داده‌ها، دانش و زیرساخت‌های خود خواهند داشت و ریسک وابستگی به یک ارائه‌دهنده کاهش می‌یابد. 🟡اگرچه مدل‌های باز ریسک‌هایی مانند سوءاستفاده یا تغییرات غیرقابل‌کنترل دارند، اما نویسندگان معتقدند شفافیت، بررسی عمومی، Red Teaming و ارزیابی مستقل، امنیت و ایمنی بیشتری نسبت به مدل‌های کاملاً بسته ایجاد می‌کند. 🟡در پایان نیز از سیاست‌گذاران خواسته شده است به‌جای محدود کردن مدل‌های باز، دسترسی به توان پردازشی، داده‌ها و ابزارهای ارزیابی را گسترش دهند تا نوآوری و رقابت حفظ شود. 🟢این بیانیه یک پیام روشن دارد: «رقابت آینده هوش مصنوعی فقط بر سر ساخت بزرگ‌ترین مدل نیست؛ بر سر ساخت بازترین و فراگیرترین اکوسیستم هوش مصنوعی است.» ⭕️یک نکته قابل‌توجه: این بیانیه را عمدتاً شرکت‌هایی امضا کرده‌اند که از اکوسیستم Open Weight یا Open Source منتفع می‌شوند. در مقابل، نام بازیگران اصلی مدل‌های بسته مانند OpenAI، Anthropic، Google DeepMind و xAI در میان امضاکنندگان دیده نمی‌شود. این اختلاف دیدگاه نشان می‌دهد رقابت آینده هوش مصنوعی فقط بر سر فناوری نیست؛ بلکه بر سر سیاست‌گذاری، مقررات و مدل حکمرانی نیز خواهد بود. آپدیت جدید: شرکت‌هایی مثل OpenAI هم به جمع امضا کنندگان این بیانیه پیوستند. ‌+‌ منبع به نظرم در آینده برای ما انتخاب بین Open و Closed Models دیگر یک تصمیم فنی نیست؛ یک تصمیم استراتژیک است که روی تجربه کاربر، هزینه، امنیت، مقیاس‌پذیری و استقلال محصول اثر مستقیم می‌گذارد. #هوش_مصنوعی #اکوسیستم_هوش_مصنوعی 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

🚀 انتشار نتایج یک پژوهش عملی با موضوع اعتماد در طراحی محصولات هوش مصنوعی سال گذشته، افتخار همکاری با شمیم سلوکی عزیز را داشتم؛ شمیم در مقطع کارشناسی‌ارشد University of Europe for Applied Sciences (کشور آلمان) مشغول به تحصیل بود و من به عنوان منتور و مشاور صنعت پروژه‌ی پایان‌نامه‌‌اش همراه بودم. 💬موضوع پایان‌نامه‌ پرسشِ کلیدی و به‌روزی بود: «چگونه طراحی تجربه‌ی کاربری (UX) می‌تواند به افزایش اعتماد مردم به سیستم‌های هوش مصنوعی کمک کند؟» خوشبختانه شمیم نه‌تنها پروژه‌ای باکیفیت و عمیق آماده و دفاع کرد، بلکه در گامی فراتر، یک پروژه‌ی تعاملی مبتنی بر کیس‌استادی‌های واقعی را نیز آماده و منتشر کرد که نشان‌دهنده‌ی تسلط او بر کاربرد عملی این موضوع است. با توجه به وبیناری که هفته‌ی گذشته با محوریت «طراحی محصولات قابل‌اعتماد هوش مصنوعی» برگزار کردم، به نظرم رسید که با کسب اجازه‌ از شمیم یافته‌های ارزشمند پایان‌نامه‌ و توضیحات تکمیلی‌اش را با شما به اشتراک بگذارم. مطمئنم که این مطالب برای شما نیز مفید و یادگیرنده خواهد بود. ☑️توضیحات تکمیلی شمیم: طراحی تجربه کاربری چطور می‌تواند به اعتماد مردم به سیستم‌های هوش مصنوعی کمک کند؟ برای پاسخ به این پرسش، ابتدا سه حوزهٔ پژوهشی مرتبط با هم را بررسی کردم: تجربه کاربری (UX)، تعامل انسان با هوش مصنوعی (HAI) و هوش مصنوعی قابل توضیح (XAI). با تلفیق این سه حوزه، موفق شدم هم یک شکاف تحقیقاتی را شناسایی کنم و هم شش اصل کلیدی برای طراحی رابط‌های کاربری قابل‌اعتماد در سیستم‌های هوش مصنوعی تدوین نمایم. در گام بعد، این اصول را روی پنج نمونهٔ متفاوت از کاربردهای هوش مصنوعی پیاده‌سازی کردم: اسپاتیفای (Spotify)، چت‌جی‌پی‌تی (ChatGPT)، نقشه گوگل (Google Maps)، گرامرلی (Grammarly) و آمازون (Amazon)؛ و هرکدام را از نو طراحی کردم. برای اینکه خروجی این پروژه صرفاً به یک پایان‌نامهٔ مکتوب محدود نشود، یک نمونهٔ اولیهٔ تعاملی دیجیتال (Interactive Digital Prototype) ساختم که تمام این پنج مطالعهٔ موردی (Case Studies) را در یک محیط یکپارچه گرد هم آورده است. آنچه از این مسیر یاد گرفتم این بود که چالش اصلی در اعتمادسازی نسبت به هوش مصنوعی، بیش از آنکه فنی (Technical) باشد، دیزاین است. به نظرم طراحیِ یک هوش مصنوعی قابل‌اعتماد یعنی اینکه به کاربران کمک کنیم از طریق تجربه‌های کاربری شفاف و هوشمندانه، بتوانند سیستم را بهتر درک کنند، با آن کنکاش کنند و آن را به‌دقت ارزیابی نمایند. خوشحالم که حالا این پروژه را با شما به اشتراک می‌گذارم و اگر نظرات یا بازخوردی داشته باشید، استقبال می‌کنم!    برای دیدن و کاوش پروژهٔ تعاملی + سند تکمیلی، روی لینک‌ها زیر کلیک کنید: ✔️ https://talkabouttrust.netlify.app ✔️https://talkabouttrust-projectdocumentation.netlify.app/ 📱 Shamim Solooki #اعتماد #هوش_مصنوعی #طراحی_محصول #پایان_نامه #پژوهش 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

🎞 فیلم Mercy (2026) | فیلمی درباره اعتماد در طراحی محصولات هوش مصنوعی با گسترش محصولات مبتنی بر هوش مصنوعی، مهم‌ترین مزیت رقابتی دیگر فقط دقت، سرعت یا امکانات بیشتر نیست؛ اعتماد است. کاربران باید بتوانند به تصمیم‌ها، پیشنهادها و پاسخ‌های یک سیستم هوش مصنوعی اعتماد کنند. این اعتماد هم اتفاقی شکل نمی‌گیرد؛ نتیجه طراحی درست، شفافیت، قابلیت توضیح، مدیریت خطا و تجربه کاربری مسئولانه است. فیلم Mercy (2026) هم از همین زاویه ارزش تماشا دارد. فارغ از جنبه‌های سینمایی، این فیلم پرسش‌های مهمی درباره اعتماد به سیستم‌های هوش مصنوعی، واگذاری تصمیم‌گیری به ماشین‌ها و مسئولیت انسان در برابر خروجی‌های AI مطرح می‌کند. اگر در حوزه طراحی محصول، تجربه کاربری یا توسعه محصولات هوش مصنوعی فعالیت می‌کنید، Mercy می‌تواند فراتر از یک فیلم علمی‌تخیلی، یک مطالعه موردی درباره اهمیت طراحی برای اعتماد باشد. 🎬معرفی فیلم‌های سینمایی و مستند حوزه دیزاین: ✔️فیلم مستند طراحی برای همه: گامی به سوی دنیای بهتر ✔️مستند قدرت بینش از جول بارکر ( THE POWER OF VISION) ✔️ فیلم Swiped: روایتی از محصول، کارآفرینی و پیچیدگی روابط انسانی ✔️مستند "Eternal You" | اثرات طراحی محصولات مبتنی بر هوش مصنوعی در حوزه مرگ ✔️معرفی مستند Design Disruptors ✔️مستند‌ طراحان تنها، مجموعه‌ای ارزشمند از تاریخ شفاهی طراحی صنعتی در ایران ⭕️ #فیلم_و_دیزاین #سینما_برای_طراحان 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

🚀 معماری AI Agent به زبان ساده این روزها همه درباره AI Agentها صحبت می‌کنند. اما کمتر کسی می‌تواند به زبان ساده توضیح دهد که داخل یک AI Agent واقعا چه اجزایی وجود دارد و چگونه کار می‌کند. این اینفوگرافیک دقیقا همین موضوع را نشان می‌دهد؛ و وقتی اجزای آن را بشناسید، بهتر متوجه می‌شوید که نقاط شکست این سیستم‌ها کجاست. یک AI Agent یک جزء واحد نیست؛ بلکه از بخش‌های مختلف تشکیل شده که در کنار هم کار می‌کنند. ⚡️هسته (Core) 🟡مدل زبانی بزرگ (LLM) مغز سیستم است. درخواست را تحلیل می‌کند، استدلال می‌کند و تصمیم می‌گیرد چه کاری انجام شود. اما یک مغز، بدون حافظه، ابزار و داده، هرچقدر هم قدرتمند باشد، محدود است. ⚡️آنچه مدل را تغذیه می‌کند 🟡 بخش اول RAG: نقش کتابخانه را دارد. پیش از پاسخ‌دادن، اسناد و اطلاعات مرتبط را پیدا می‌کند تا پاسخ بر پایه داده‌های واقعی باشد، نه حدس. 🟡 بخش دوم Memory: دفترچه یادداشت عامل است. تعاملات قبلی، ترجیحات و اطلاعات لازم را به خاطر می‌سپارد تا هر بار از نقطه صفر شروع نکند. ⚡️نحوه عمل کردن 🟡بخش اول Tools: دست‌های عامل هستند. جستجو، ارسال ایمیل، اجرای کد، انجام گردش‌کارها و هر اقدامی که باعث می‌شود عامل فقط پاسخ ندهد، بلکه عمل هم بکند. 🟡 بخش دوم MCP (Model Context Protocol): یک رابط استاندارد برای اتصال عامل به سیستم‌های مختلف است؛ از CRM گرفته تا پایگاه داده و انواع نرم‌افزارها. 🟡بخش سوم A2A (Agent-to-Agent): مسیر ارتباط بین عامل‌هاست. به کمک آن، عامل‌ها می‌توانند وظایف را بین خود تقسیم کنند، نه اینکه یک مدل همه کارها را انجام دهد. ⚡️تیم عامل‌ها / در سیستم‌های پیشرفته، عامل‌ها تخصصی می‌شوند: 🟡عامل پژوهش، اطلاعات را جمع‌آوری می‌کند. 🟡عامل برنامه‌ریزی، تصمیم می‌گیرد. 🟡عامل اجرا، عملیات را انجام می‌دهد. 🟡عامل بازبینی، نتیجه را کنترل می‌کند. چهار نقش متفاوت که به‌صورت موازی برای یک هدف مشترک فعالیت می‌کنند. اینفوگرافیک: Greg Coquillo 👑 نکته مهم: آشنایی با معماری AI Agentها به طراحان محصول و خدمات پیشرو کمک می‌کند تا به‌جای طراحی صرفِ رابط کاربری، سیستم‌های هوشمند قابل اعتماد، قابل کنترل و شفاف طراحی کنند. #ایجنت #هوش_مصنوعی #محصول #طراحی_محصول 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

🚀 درباره lennybot مدت‌ها بود که متخصصان از طریق کتاب، مقاله، خبرنامه و پادکست دانش خود را منتشر می‌کردند. حالا یک قالب جدید به این فهرست اضافه شده است: AI Expert. به نظرم نمونه جالب آن LennyBot است که یک مدل عمومی هوش مصنوعی نیست؛ بلکه بر پایه سال‌ها محتوای Lenny Rachitsky ساخته شده است. صدها مقاله، مصاحبه، خبرنامه و تجربه او به یک پایگاه دانش تبدیل شده تا کاربران بتوانند به‌جای جستجو در آرشیو محتوا، مستقیماً سؤال بپرسند. اگر درباره موضوعاتی مانند: 🟡 Product Strategy 🟡 Product-Market Fit 🟡 Metrics 🟡Growth 🟡Hiring 🟡 Roadmap سؤالی داشته باشید، LennyBot پاسخ را از دل دانش و دیدگاه لنی استخراج می‌کند و در بسیاری از موارد به منبع اصلی نیز ارجاع می‌دهد. به نظرم آنچه این سرویس را جذاب می‌کند، خود چت‌بات نیست؛ بلکه تغییری است که در حال شکل‌گیری است. به نظر می‌رسد در حال حرکت از «تولید محتوا» به سمت «محصول‌سازی از دانش» هستیم. در این مدل، کتاب، دوره آموزشی، خبرنامه و پادکست همچنان ارزشمند هستند، اما دیگر تنها نقطه دسترسی به دانش یک متخصص نیستند. یک AI اختصاصی می‌تواند همان دانش را در قالب یک گفت‌وگوی تعاملی در اختیار مخاطب قرار دهد. داشتم فکر می‌کردم شاید در آینده، یکی از دارایی‌های هر متخصص فقط وب‌سایت، خبرنامه یا دوره آموزشی نباشد؛ بلکه نسخه‌ای هوشمند از دانش و تجربه او نیز باشد که بتوان با آن گفتگو کرد. جای چنین سرویس‌هایی در پلتفرم‌هایی مثل متمم خالیست. 🌐 lennybot.com #مدیریت_دانش #هوش_مصنوعی #محصول #مدیریت_محصول 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

در این وبینار سوده محمدآبادی (طراح محصول و خدمات)، در مورد موضوع کلیدی و حیاتی «طراحی محصولات قابل اعتماد هوش مصنوعی» صحبت خواهد کرد.این وبینار در پنج بخش تخصصی طراحی شده تا شما را با چالش‌ها و راهکارهای عملی در طراحی محصولات قابل اعتماد هوش مصنوعی آشنا کند.…

در این وبینار سوده محمدآبادی (طراح محصول و خدمات)، در مورد موضوع کلیدی و حیاتی «طراحی محصولات قابل اعتماد هوش مصنوعی» صحبت خواهد کرد.این وبینار در پنج بخش تخصصی طراحی شده تا شما را با چالش‌ها و راهکارهای عملی در طراحی محصولات قابل اعتماد هوش مصنوعی آشنا کند. 🎯 مخاطبین اصلی: این وبینار فراتر از دنیای دیزاینرهاست؛ ما از تمام مدیران محصول، توسعه‌دهندگان، طراحان خدمات و پژوهشگران تجربه کاربر دعوت می‌کنیم تا در کنار هم یاد بگیریم چطور محصولات هوش مصنوعی را برای انسان‌ها قابل‌اعتمادتر و کارآمدتر طراحی کنیم. 🎙 معرفی سخنران: سوده محمدآبادی طراح محصول و خدمات | مشاور و منتور تفکر طراحی سازمانی با بیش از ۱۷ سال سابقه فعالیت در صنایع مختلف از جمله یادگیری الکترونیکی، تلکام، فناوری اطلاعات، اکوسیستم نوآوری و… راه‌های ارتباطی | پروفایل لینکدین 📅 دوشنبه ۲۹ تیر ۱۴۰۵ 🕗 ۲۰:۰۰ الی ۲۱:۱۵ 🌐 آنلاین – Google Meet 🎟 رایگان 🔗 لینک ورود به وبینار: DESIGNERA | Google Meet 🔗 لینک اضافه کردن به تقویم گوگل: DESIGNERA | Add to Calendar

🚀 دیزاین یعنی سیستمِ تصمیم‌گیری ۴۸ رفتار که دیزاین را به اهرم کسب‌وکار بدل می‌کند ۱. سیستم‌های تصمیم‌گیری بسازید، نه فقط صفحه‌های نمایشی. ۲. در پاس‌های سریع و منظم، بی‌امان ویرایش کنید. ۳. سرعت را کم کنید تا مشخص شود کسب‌وکار واقعاً چه می‌خواهد. ۴. اطلاعات پراکنده را در قضاوت مشترک تیم ادغام کنید. ۵. حافظهٔ مشترک را تثبیت کنید تا درس‌ها به آینده منتقل شوند. ۶. زمان آماده‌سازی جلسات را به پشتیبانی واقعی از تصمیم‌گیری اختصاص دهید. ۷. سیستم را شکل دهید، نه فقط رابط کاربری را. ۸. برای محافظت از نقشه‌راه، به‌طور استراتژیک «نه» بگویید. ۹. آزمایش‌های سریع مفهومی اجرا کنید تا نشانه‌های اولیه را بگیرید. ۱۰. موانع واقعی کاربران را مطالعه کنید، نه حدس‌زدن. ۱۱. ببینید کاربران چه می‌کنند، نه فقط چه می‌گویند. ۱۲. نیازهای در حال تحول را پیگیری کنید، نه معیارهای خودپسندانه. ۱۳. خواستهٔ خریداران را از نیاز کاربران جدا کنید. ۱۴. ایده‌های خام را زودهنگام نمونه‌سازی کنید تا شفافیت اجباری شود. ۱۵. با هوش مصنوعی مثل یک همکار رفتار کنید، نه یک دستگاه خودکار. ۱۶. مسیر واقعی حرکت کاربران را ترسیم کنید، نه جریان ایده‌آل را. ۱۷. پیش از آنکه به کاربران آسیب برساند، جلوی «هوش‌مصنوعیِ بی‌کیفیت» را بگیرید. ۱۸. معیارها را ترکیب کنید تا ببینید شفافیت، اعتماد یا تلاش در کجا شکسته می‌شود. ۱۹. حدس‌ها را به آزمایش‌های قابل اجرا تبدیل کنید. ۲۰. احساس کاربران را با عملکردشان همراه کنید. ۲۱. الگوهای رفتاری را بخوانید تا نیازهای پنهان را آشکار کنید. ۲۲. مالک داده‌ای باشید که با آن تصمیم می‌گیرید. ۲۳. رقبا را محک بزنید تا خط پایهٔ خود را مستند کنید. ۲۴. درد کاربر را به درآمد و ماندگاری تبدیل کنید. ۲۵. نیت خود را با اهداف ذی‌نفعان هماهنگ کنید. ۲۶. به زبان کسب‌وکار صحبت کنید تا اعتماد مدیران ارشد را جلب کنید. ۲۷. پیشنهاد بیاورید، نه سؤال باز. ۲۸. بازخورد را ساده کنید تا همکاران بتوانند سریع عمل کنند. ۲۹. برای آنچه پس از کلیک رخ می‌دهد راه‌حل بیابید. ۳۰. بازاریابی و محصول را در یک سفر واحد به هم متصل کنید. ۳۱. نفوذ خود را به دست آورید، نه اینکه منتظر جایگاه باشید. ۳۲. پیش از نهایی‌کردن صفحه‌ها، وابستگی‌ها را مشخص کنید. ۳۳. کلِ آشفته را در کنار هم نگه دارید تا چشم‌انداز شکل بگیرد. ۳۴. سرعت هوش مصنوعی را با قضاوت انسانی تلفیق کنید. ۳۵. کشش بین یادگیری و عرضه را متعادل کنید. ۳۶. کار را در چرخه‌های کوتاه و پیوسته عرضه کنید. ۳۷. حدس‌های اولیه را با آزمایش‌های کوچک بررسی کنید. ۳۸. با ترکیب گفتار و رفتار کاربران، دلیل ریزش آن‌ها را آشکار کنید. ۳۹. مسئله را در قالب مفاهیم آزمون‌پذیر بیان کنید. ۴۰. سختی‌های کاربران را کمّی کنید تا مدیران نتوانند نادیده‌شان بگیرند. ۴۱. رفتار پراکنده را به نشانه‌های قابل اقدام تبدیل کنید. ۴۲. پیش از نوشتن کد، محل هدررفت ارزش را شناسایی کنید. ۴۳. درد کاربر را به یک اهرم کسب‌وکار تبدیل کنید. ۴۴. اهداف امروز را به نتایج آیندهٔ کاربران گره بزنید. ۴۵. زبان مشترک ایجاد کنید تا اختلاف‌ها حل شود. ۴۶. برای هدایت تصمیم، با نیاز کاربران پیش بروید. ۴۷. ابتدا مسئله را تعریف کنید تا تیم هم‌جهت شود. ۴۸. ارزش را به گونه‌ای اثبات کنید که سازمان نتواند نادیده بگیرد. #دیزاین #طراحی_کسب_و_کار #طراحی_خدمات 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

پست امروز Lenny Rachitsky در لینکدین جالب بود، به نظرم یه درد مشترکی کل دنیا رو گرفته! 📱 ترجمه ماشینی: «به نظر می‌رسد این روایت غالب دربارهٔ هوش مصنوعی و کار، هنوز هم بر جایگزینی انسان‌ها متمرکز است: که ربات‌ها به زودی می‌آیند و شغل شما را می‌گیرند. اما نتایج نظرسنجی ما نشان می‌دهد که این، آخرین چیزی است که فعالان حوزهٔ فناوری از آن می‌هراسند. در واقع، گزینهٔ «ترس از دست دادن شغل به خاطر هوش مصنوعی» با تنها ۲۲ درصد، در انتهای فهرست ترس‌ها قرار گرفت. نگرانی اصلی جای دیگری است: اینکه با همان حقوق، کار بیشتری از آنها خواسته شود و کیفیت عملکردشان روزبه‌روز تحلیل برود. امروز با نیروی کاری روبه‌روییم که کارآمدتر از همیشه است، اما در سکوت، از آینده‌ای که پیش رو دارد وحشت دارد. سرعتی که هوش مصنوعی در اختیارشان گذاشته، مستقیماً تبدیل به انتظاری تازه از آنها شده؛ هر پیشرفتی، به خط‌پایه‌ای جدید بدل می‌گردد و کسانی که باید خود را به این خط‌پایه برسانند، دیگر به‌سختی نفس‌کشیدن هم جا دارند.» 🟡🟡🟡🟡 من فکر می‌کنم مسئلهٔ عمیق‌تر این نیست که آیا هوش مصنوعی جای انسان‌ها را می‌گیرد یا نه، بلکه این است که ما سیستم‌های پیرامون پذیرش هوش مصنوعی را چگونه طراحی می‌کنیم. از منظر طراحی محصول و خدمات، هر فناوری جدید یک انتخاب پیشِ رو می‌گذارد: آیا از آن برای تقویت توانایی‌های انسانی استفاده می‌کنیم، یا صرفاً برای افزایش توقعات و کاهش هزینه‌ها؟ خطر اینجاست که هوش مصنوعی را صرفاً به‌عنوان یک ضریب‌افزایندهٔ بهره‌وری در نظر بگیریم، بدون آنکه جریان‌های کاری، مشوق‌ها و فرهنگ سازمانی را پیرامون آن بازطراحی کنیم. وقتی هر افزایش کارایی، بلافاصله به انتظاری بالاتر برای حجم کار تبدیل شود، در واقع کارِ بهتر خلق نمی‌کنیم، بلکه مسیری سریع‌تر به سوی فرسودگی شغلی می‌سازیم. نکتهٔ مهم دیگر این است که هوش مصنوعی نباید جایگزین قضاوت انسانی شود. طراحی خوب همیشه دربارهٔ ایجاد تعادل بین اتوماسیون و عاملیت انسانی بوده است. اگر تفکر انتقادی، تصمیم‌گیری و فرایندهای یادگیری را به هوش مصنوعی برون‌سپاری کنیم، ممکن است بهره‌وری کوتاه‌مدت به دست آوریم، اما در عین حال همان توانایی‌هایی را از دست می‌دهیم که اساساً انسان‌ها را ارزشمند می‌کند. آیندهٔ هوش مصنوعی در محیط کار نباید دربارهٔ رقابت انسان‌ها با ماشین‌ها یا تبدیل شدنِ صرفِ انسان‌ها به اپراتورِ ابزارهای هوش مصنوعی باشد. بلکه باید دربارهٔ طراحی سیستم‌های بهتر باشد؛ جایی که هوش مصنوعی وظیفهٔ تقویت و تسهیل را برعهده دارد، در حالی که انسان‌ها همچنان مسئولِ رفتار، همدلی، خلاقیت و تصمیم‌گیری‌های معنادار باقی می‌مانند. 💬شما به این موضوع فکر کنید من نظرم رو روی لینکدین هم منتشر کردم😎 #هوش_مصنوعی #دیزاین_آینده #تفکر_سیستمی #طراحی_خدمات 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

🟢فراخوانی برای طراحان خدمات، متفکران و نوآوران! در همکاری Service Design Pulse و کنفرانس جهانی طراحی خدمات (SDGC) در آستانه برگزاری کنفرانس SDGC26 ،تجربه‌ای مجازی و هیجان‌انگیز از ۱۲ تا ۱۹ سپتامبر ۲۰۲۶ (۲۱ تا ۲۸ شهریور ۱۴۰۵) برگزار خواهد شد. ⚡️ سندباکس SDGC: هم‌طراحیِ جامعه‌ی فردا، یک تجربه‌ی جهانی تصور کنید کشور جدیدی در حال ظهور است و از شما خواسته شده تا آن را طراحی کنید.چگونه می‌توانیم مدل‌های جدیدی از سیستم‌های عامل برای آینده طراحی کنیم؟در این سرزمین منابع چگونه تقسیم می‌شوند و تصمیم‌گیری‌ها چگونه انجام می‌شود؟ در این تجربه طراحی مشارکتی و چندزبانه، شرکت‌کنندگان از سراسر دنیا رویکردهای نوآورانه‌ای را برای سیستم‌های عمومی و تصمیم‌گیری تصور، نمونه‌سازی و بررسی می‌کنند. چه یک طراح خدمات باتجربه باشید، چه پژوهشگر، دانشجو یا فردی کنجکاو برای ایجاد تغییرات سیستمی، می‌توانید به عنوان شرکت‌کننده، منتور، تسهیل‌گر یا هماهنگ‌کننده‌ رویداد به Service Design Pulse بپیوندید. 🗓 آخرین مهلت تکمیل فرم: چهارشنبه، ۱۶ ژوئیه ۲۰۲۶ (۲۵ تیر ۱۴۰۵) 🔗 فرم ابراز علاقه‌مندی: https://forms.gle/mrkCLbBRmgJ3RmSCA 📱 @SDPulse #رویداد #طراحی_مشارکتی #رویداد_جهانی #SDGC26 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

🚀 بزرگ‌ترین درس Atlas: عاشق محصول نباش، عاشق مسئله باش مرورگر هوش مصنوعی Atlas که قرار بود تجربه‌ای متفاوت از وب‌گردی مبتنی بر ChatGPT ارائه دهد، کمتر از یک سال پس از معرفی، به پایان راه رسید. OpenAI اعلام کرده این پروژه تا ۹ آگوست متوقف می‌شود و قابلیت‌های آن به محصولات دیگر این شرکت، از جمله افزونه ChatGPT برای Chrome و اپلیکیشن دسکتاپ ChatGPT، منتقل خواهند شد. ✅لینک خبر ⚡️ به نظرم این داستان چند درس و نکته طلایی برای یادگیری دارد: 🟡 بیشتر از اینکه داستان شکست یک محصول باشد، داستان تغییر استراتژی است. 🟡نباید عاشق محصول شد؛ باید عاشق مسئله بود. اگر همان مسئله در بستری دیگر بهتر حل می‌شود، محصول می‌تواند حذف شود اما راه‌حل باقی بماند. 🟡 یکی از مهم‌ترین مهارت‌های شرکت‌های بزرگ، توانایی کشتن به‌موقع محصول است. ادامه دادن یک پروژه صرفاً به‌خاطر هزینه‌ای که قبلاً صرف شده، معمولاً تصمیم اشتباهی است. 🟡مرورگر کروم فقط یک مرورگر نیست؛ یک اکوسیستم، عادت رفتاری و مزیت شبکه‌ای (Network Effect) است. رقابت با اکوسیستم، بسیار سخت‌تر از رقابت با یک نرم‌افزار است. 🟡یکی از اصول مهم Lean Product Development این است که سریع اعتبارسنجی کن، سریع یاد بگیر و سریع تغییر مسیر بده (Pivot)؛ نه اینکه سال‌ها روی فرضیات اشتباه سرمایه‌گذاری کنی. 🟡 موفقیت یک محصول، فقط به کیفیت تجربه کاربری وابسته نیست؛ بلکه به زمان ورود، اکوسیستم، کانال توزیع، عادت کاربران، مدل کسب‌وکار و اثرات شبکه‌ای نیز وابسته است. 🟡 دیزاین فقط ساختن تجربه خوب نیست؛ طراحی تصمیم‌های استراتژیک درباره این است که چه چیزی را نسازیم، چه زمانی متوقف کنیم و کجا ادغام کنیم. 🌟شاید مهم‌ترین سؤال برای هر تیم محصول این باشد: آیا کاربران واقعاً به یک محصول جدید نیاز دارند، یا فقط به یک قابلیت جدید در محصولی که هر روز استفاده می‌کنند؟ #دیزاین_کسب_و_کار #کارآفرینی #طراحی_محصول #هوش_مصنوعی 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

🚀 آماده‌سازی وب‌سایت‌ها برای عصر عامل‌های هوش مصنوعی این ویدیو کوتاه ۳۰ دقیقه‌ای که توسط تیم Chrome منتشر شده، درباره آماده‌سازی وب‌سایت‌ها برای عصر عامل‌های هوش مصنوعی (Agentic Era)است. دوران جدیدی که کاربران، کارهای آنلاین‌شان را به عامل‌های هوشمندی مثل Gemini در Chrome می‌سپارند و دیگر خودشان کلیک نمی‌کنند . ☑️ چرا برای طراحان محصول دیجیتال مهمه؟ چون قرار است تجربه کاربری (UX) دیگر فقط برای انسان‌ها نباشد! کاربرهای جدید وب، این عامل‌ها هستند که محتوا را می‌خوانند، تصمیم می‌گیرند و کار انجام می‌دهند . پس باید برای این مهمانان جدید هم طراحی کنیم! ☑️ در این ویدیو به سه موضوع مهم می‌پردازد: 🟡آماده‌سازی برای عامل‌ها (Agent-Ready) 🟡معرفی API جدید WebMCP 🟡 ابزارهای جدید برای توسعه‌دهنده‌ها اگه کم کم وب‌سایت‌هایمان رو برای Agentic آماده نکنیم، ممکن است در این عصر جدید برای این کاربرای جدید نامرئی باشیم! پس وقتش رسیده است که به Agent Experience (AX) هم به چشم یه اولویت جدید در طراحی محصول نگاه کنیم😉 📱 مشاهده ویدیو با زیرنویس فارسی #AX #Agent_Experience #طراحی_محصول #هوش_مصنوعی 🫶@SodehDesign ☝️ Sodeh.me ⚙️ https://linktr.ee/irSodeh

🚀 معرفی سرویس رایگان برای کارجویان در اروپا چند وقت پیش در توییتر (X) یه سرویس رایگان دیدم که معرفی شده بود، دیشب دوباره به چشمم خورد و گفتم بد نیست اینجا هم به اشتراک بذارم؛ مخصوصاً برای دوستانی که به‌دنبال فرصت‌های شغلی در اروپا هستن. این سرویس امکانات جالبی داره که می‌تونه خیلی کمک‌کننده باشه، از جمله: ✅ پیشنهادات شخصی‌سازی‌شده برای بهبود رزومه ✅ ترسیم مسیر شغلی متناسب با هدف شما ✅ معرفی شغل‌های فیت‌شده با دقت بالاتر ✅ سیستم نمره‌دهی به پروفایل لینکدین ✅ امکان تمرین مصاحبه با هوش مصنوعی به‌نظرم یکی از نکات قوتش اینه که هدف شغلی (Job Title Target) رو مشخص می‌کنه و بر اساس اون، همه‌چیز رو تنظیم می‌کنه؛ این واقعاً می‌تونه مسیر رو شفاف‌تر کنه. اگر دنبال یه شروع هوشمندانه در مسیر شغلیتون هستی، میتونه یه گزینه رایگان و در دسترس باشه 👉 aicareerspark.com منبع📱 #وبسایت_کاربردی #رزومه #مسیر_شغلی #هوش_مصنوعی 🫶@SodehDesign 🔘 Sodeh.me 👩🏻‍💻 https://linktr.ee/irSodeh