DesAIn

و یک پروژه دیگه در همین مسیر https://github.com/StarTrail-org/PixelRAG فکر کنم این Pixel RAG به زودی عبارت رایجی بشه

ظاهرا به صورت زیر پوستی مدل‌های مشهور و متداول هم دارن به این سمت حرکت می‌کنند https://www.zoomit.ir/ai-articles/462526-pxpipe-reduces-ai-token-costs-by-rendering-text-as-images/

چت جی پی تی:. When software was expensive - thin, horizontal, best-of-breed software stacks extracted rents across every business.  Now that software is cheap - value moves to vertically integrated businesses that deliver opinionated end-to-end experiences.…

چت جی پی تی:. When software was expensive - thin, horizontal, best-of-breed software stacks extracted rents across every business.  Now that software is cheap - value moves to vertically integrated businesses that deliver opinionated end-to-end experiences. ترجمهٔ روان«زمانی که ساخت نرم‌افزار گران بود، ابزارهای نرم‌افزاری محدود و تخصصی که در یک حوزه بهترین بودند و به انواع کسب‌وکارها فروخته می‌شدند، در سراسر اقتصاد سهم بزرگی از سود و ارزش را برای خود برمی‌داشتند.حالا که ساخت نرم‌افزار ارزان شده، ارزش به سمت کسب‌وکارهای یکپارچه‌ای حرکت می‌کند که یک تجربهٔ کامل، هدفمند و از ابتدا تا انتها به مشتری ارائه می‌دهند.» ترجمهٔ ساده‌تر: نوال می‌گوید:قبلاً پول اصلی در فروختن ابزارهای نرم‌افزاری بود؛ اما حالا به‌تدریج پول اصلی در استفاده از نرم‌افزار برای ارائهٔ یک نتیجهٔ کامل به مشتری است.یعنی به‌جای اینکه بگویی:«این نرم‌افزار را بخر و خودت با چند ابزار دیگر ترکیبش کن.»بگویی:«مشکل را به من بسپار؛ کل فرایند را برایت انجام می‌دهم.» https://x.com/i/status/2080052566377763071

خوب ظاهراً Claude قدم اول رو برداشته. نمایش اولیه از ویژگی جدید که بعد از دسترسی کامل به فایل های سیستمتون علاوه بر اسم فایل ها (مثل سیستم عامل های فعلی) می‌تونید در محتوای فایل ها هم گشت و گذار کنید. نکته‌ی جالب در مورد ویدیوی منتشر شده اینه که فعلا کاربران…

چون رصد این مدل‌ها به نظر خیلی مهم میاد یان لکون که ید طولایی در image داره، هم عضو نویسندگان هست و هم حسابی تبلیغش رو کرده https://arxiv.org/abs/2504.01017

تسلیت این داغ بزرگ را به محضر امام زمانمان حضرت ولیعصر علیه السلام عرضه می‌کنیم. معتقدیم که ایشان حاضر و به امور دنیا ناظرند و مثل همیشه ما را تنها نخواهند گذاشت و به ما در ادامه این راه نورانی کمک خواهند کرد. از ایشان می‌خواهیم که به ما کمک کنند راه این رهبر عظیم الشأنمان را به سمت قله‌ها ادامه دهیم و در نهایت به ایشان و به دیگر شهدایمان ملحق شویم. از ایشان می‌خواهیم که ما را در راه مبارزه با شیاطین و جنایتکاران عالم مساعدت و یاری دهند.

هیچ کدام از ۱۱ امام ما به مرگ طبیعی از دنیا نرفتند. همه را کشتند، شهید کردند. چرا؟! چون راه مبارزه با شیاطین را پیمودند. و به خور و خواب و شهوت تن ندادند. با عزت و سربلندی زندگی کردند و مأموریت الهی خود را در طول حضورشان در این دنیا به انجام رساندند و با عزت و به زیباترین شکل، به سوی مرحله بعدی زندگی رهسپار شدند. تک تک ما همینیم. از رهبرانمان تا تک ‌تک ما در این دنیای آلوده همین مأموریت را داریم و همین مسیر را انتخاب کرده‌ایم. زندگی سخت اما با معنا را به زندگی حیوانی و بی‌معنا ترجیح داده‌ایم و این برای شیاطین که قسم خورده‌اند همه را در شهوت و جنایت و رذالت غوطه‌ور کنند سخت و گران است. «با این منطق، هیچ قدرتی نمی‌تواند مقابله کند. جمعیتی که- ملتی که- خود را از خدا می‌دانند و همه چیز خود را از خدا می‌دانند و رفتن از اینجا را به سوی محبوب خود، مطلوب خود می‌دانند، با این ملت نمی‌توانند مقابله کنند.» ‌ از انبیا این راه بوده تا پایان این دنیا هم این راه ادامه دارد... @ninfrance @EMAM_COM

و این داستان حداقل تا سیستم عامل ادامه خواهد داشت.

فَسَوْفَ يَأْتِي اللَّهُ بِقَوْمٍ يُحِبُّهُمْ وَيُحِبُّونَهُ أَذِلَّةٍ عَلَى الْمُؤْمِنِينَ أَعِزَّةٍ عَلَى الْكَافِرِينَ يُجَاهِدُونَ فِي سَبِيلِ اللَّهِ وَلَا يَخَافُونَ لَوْمَةَ لَائِمٍ ۚ ذَٰلِكَ فَضْلُ اللَّهِ يُؤْتِيهِ مَنْ يَشَاءُ ۚ وَاللَّهُ وَاسِعٌ عَلِيمٌ بخشی از سوره مائده آیه ۵۴ خدا به‌زودی گروهی را می‌آورد که آنان را دوست دارد و آنان‌هم خدا را دوست دارند و در برابر مؤمنانْ فروتن‌اند و در برابر کافرانْ سرسخت و قدرتمندند و همواره در راه خدا جهاد می‌کنند و از سرزنش هیچ سرزنش کننده‌ای نمیترسند و این فضل خداست که به هرکس بخواهد می‌دهد و خدا بسیار عطاکننده و داناست/و خدا بزرگ است

اگر میلیونها نفر دوستت داشتند، من از آنها بودم. اگر فقط یک نفر دوستت داشت، او من بودم. و اگر هیچکس دوستت نداشت، بدان که من مُرده‌ام. تا ابد زنده باد ایران و مُرده باد اجنبی پرست

وجود مدل‌های زبانی بار دیگه ثابت کرد که مشکل انسان ها رو رشد علم حل نمی‌کنه وگرنه الان که هر کسی توی خونه‌اش به اندازه‌ی چند تا دانشگاه بزرگ، دانشمند بیست و چهارساعته در اختیار داره نباید مشکلاتش به اندازه‌ی قبل باشه زمان حلش می‌کنه؟ فکر نکنم. احتمالا زمان باعث میشه که بیشتر شرارت کنیم باهاش مثل اون شرورهایی که بمب اتم رو ساختن.

بریم سراغ سناریوهای طراحی محصول با لنز «ماشین شبیه‌سازی». ببینیم چطور می‌تونیم قبل از برخورد با واقعیت، آینده رو تست کنیم: ۱. وقتی مشکل یوزر، «ترس از تصمیمات برگشت‌ناپذیر» است. درد یوزر چیه؟ یوزر می‌خواد موهاش رو رنگ کنه یا یه کاناپه گرون بخره. می‌ترسه بهش نیاد یا توی خونه جا نشه. این «ترس از پشیمانی» مانع خرید می‌شه. تو چطور حلش می‌کنی؟ فیچر Virtual Try-On (پرو مجازی) می‌ذاری. ماشین شبیه‌سازی، قوانین نور و فیزیک رو روی صورت یا اتاق کاربر پیاده می‌کنه. کاربر آینده رو می‌بینه، بعد تصمیم می‌گیره. ۲. وقتی مشکل یوزر، «یادگیری مهارت‌های پرخطر» است. درد یوزر چیه؟ یوزر می‌خواد ترید کردن یاد بگیره یا یه دانشجوی پزشکیه که می‌خواد جراحی تمرین کنه. یه اشتباه یعنی خسارت مالی یا جانی. تو چطور حلش می‌کنی؟ حالت Sandbox (جعبه شنی/محیط امن) می‌سازی. یه محیط که دقیقاً مثل واقعیت عمل می‌کنه (مثلاً نوسان واقعی بازار بورس) ولی پول توش واقعی نیست. کاربر توی شبیه‌ساز «می‌بازه» تا توی واقعیت «برنده بشه». ۳. وقتی مشکل یوزر (یا خودِ طراح)، «دسترسی سخت به کاربران واقعی» است. درد چیه؟ شما یک فیچر جدید طراحی کردید ولی دسترسی به ۱۰۰ نفر کاربر واقعی برای تست کردنش ندارید (یا زمان و بودجه‌اش نیست). می‌خواهید بدانید اگر این پیام را بفرستید، پرسونای «مادران خانه‌دار» چه واکنشی نشان می‌دهند؟ تو چطور حلش می‌کنی؟ شبیه‌سازی «کاربران مصنوعی» (Synthetic Users). به جای چت کردن دستی، شما محصول را به یک مدل که با داده‌های پرسونای هدف کالیبره شده (مثلاً زنی ۳۵ ساله، نگران تغذیه کودک) عرضه می‌کنید. ماشین شبیه‌سازی رفتار احتمالی، اعتراضات و حتی نقاط ابهام او را آشکار می‌کند. این جایگزین تست واقعی نیست، اما ارزان‌ترین راه برای حذف باگ‌های اولیه تجربه کاربری (UX) است. ماشین شبیه‌سازی یعنی دادن دکمه‌ی Ctrl+Z (بازگشت) به زندگی واقعی، قبل از اینکه اتفاقی بیفته. #کاربست

در ایستگاه هفتم #کاربست می‌رسیم به «ماشین شبیه‌سازی». شاید بپرسید مگر ماشین تقلیدگر (پست دوم) هم کارش تقلید واقعیت نبود؟ بله، اما تفاوت بزرگی وجود دارد: ماشین تقلیدگر مثل بازیگری است که ادای یک «شخص» را در می‌آورد. ماشین شبیه‌سازی مثل کارگردانی است که کل «جهان و قوانینش» را بازسازی می‌کند. این ماشین برای ما یک «آزمایشگاه مجازی» یا «دوقلوی دیجیتال» (Digital Twin) می‌سازد. جایی که قوانین فیزیک، اقتصاد یا رفتار جمعی در آن اجرا می‌شود تا بتوانیم بدون ترس از شکست واقعی، آینده را تست کنیم. کلیدواژه این ماشین «اگر… آنگاه…» (What-if Analysis) است. چند مثال جذاب: دوقلوی دیجیتال شهرها: شهرداری‌ها قبل از یک‌طرفه کردن خیابان، کل ترافیک شهر را در کامپیوتر شبیه‌سازی می‌کنند. هزاران ماشین مجازی با قوانین واقعی رانندگی می‌کنند تا ببینند آیا گره باز می‌شود یا کورتر می‌شود؟ تست تصادف (بدون خسارت): خودروسازها به‌جای له کردن صدها ماشین واقعی، در محیط شبیه‌سازی شده مقاومت بدنه را در برابر قوانین فیزیک و ضربه می‌سنجند. بازارهای مالی: تریدرها استراتژی خود را روی داده‌های ۱۰ سال گذشته شبیه‌سازی (Back-test) می‌کنند تا ببینند اگر این استراتژی را داشتند، ورشکست می‌شدند یا ثروتمند. این لنز «هزینه یادگیری» را به صفر نزدیک می‌کند. اما هشدارهای مهم (Warning): ۱. نقشه، زمین نیست (The Map is not the Territory): هر شبیه‌سازی، نسخه‌ی ساده‌شده‌ای از واقعیت است. هیچ‌وقت نمی‌توان تمام جزئیات دنیا را کپی کرد. همیشه فاصله‌ای بین «نتیجه آزمایشگاه» و «دنیای واقعی» هست. ۲. اثر پروانه‌ای: در سیستم‌های پیچیده، یک خطای کوچک در ورودی، می‌تواند خروجی شبیه‌سازی را فرسنگ‌ها از واقعیت دور کند. حالا بریم ببینیم تو طراحی محصول چطور می‌شه از این قدرت استفاده کرد… #کاربست

بریم سراغ سناریوهای طراحی محصول با لنز «ماشین بهینه‌سازی» و ببینیم کجاها می‌تونه گره از کار کاربر باز کنه: ۱. وقتی مشکل یوزر، «جنگ با زمان و تقویم» است. درد یوزر چیه؟ یوزر تو یه فریلنسر یا مدیر پروژه‌ست. تقویمش پر از جلسه‌های پراکنده، تسک‌های عقب‌افتاده و ددلاین‌های نزدیکه. هر روز صبح نیم ساعت فقط فکر می‌کنه که «الان چه کاری رو انجام بدم بهتره؟» و آخرش هم وقت کم میاره. تو چطور حلش می‌کنی؟ یه «برنامه‌ریز هوشمند» (Smart Scheduler) طراحی می‌کنی. کاربر فقط تسک‌ها و ددلاین‌ها رو می‌ریزه توش. ماشین بهینه‌سازی میاد جلسات رو جابجا می‌کنه، فاصله‌های خالیِ پرت رو بهم می‌چسبونه و یه برنامه می‌چینه که «زمان تمرکز عمیق» (Deep Work) کاربر ماکسیمم بشه. به جای اینکه کاربر تقویم رو مدیریت کنه، تقویم خودش رو با زندگی کاربر بهینه می‌کنه. ۲. وقتی مشکل یوزر، «هدررفت منابع مالی» است. درد یوزر چیه؟ یوزر تو صاحب یه فروشگاه آنلاینه و می‌خواد تبلیغ کنه. بودجه‌اش محدوده. نمی‌دونه پولش رو توی اینستاگرام خرج کنه، گوگل ادز یا بنر سایت‌ها؟ می‌ترسه پولش رو جایی بریزه که بازدهی نداره. تو چطور حلش می‌کنی؟ یه سیستم «تخصیص بودجه خودکار» می‌ذاری. یوزر بودجه کل رو می‌ده. ماشین بهینه‌سازی به صورت زنده تست می‌کنه و هر کانالی که مشتری بهتری آورد، پول بیشتری بهش تزریق می‌کنه و از کانال‌های ضعیف کم می‌کنه. اینجوری با همون پول ثابت، بیشترین فروش ممکن رو براش می‌گیری. ۳. وقتی مشکل یوزر، «پیچیدگی تنظیمات» است. درد یوزر چیه؟ یوزر تو یه گیمره یا کسی که داره با یه نرم‌افزار رندرینگ سنگین کار می‌کنه. صد تا دکمه و اسلایدر توی تنظیمات هست (کیفیت سایه، رزولوشن، فریم ریت و…). یوزر نمی‌دونه اینا رو چطور تنظیم کنه که سیستمش هنگ نکنه و بهترین کیفیت رو هم بگیره. تو چطور حلش می‌کنی؟ اون دکمه‌ی معروف «Optimize» یا «Auto-Config» رو می‌ذاری. ماشین بهینه‌سازی سخت‌افزار کاربر رو چک می‌کنه و از بین میلیاردها ترکیبِ تنظیمات، اونی رو انتخاب می‌کنه که دقیقا روی مرز توانایی سیستم کاربره. بهترین کیفیت، بدون لگ، با یک کلیک. ماشین بهینه‌سازی یعنی گرفتنِ حداکثر نتیجه از حداقل امکانات. جایی که کاربر گیج شده که چطور منابعش رو مدیریت کنه، این ماشین معجزه می‌کنه. #کاربست

در بخش ششم #کاربست می‌رسیم به «ماشین بهینه‌سازی». اگر ماشین‌های قبلی دنیا را می‌دیدند، می‌فهمیدند یا اندازه می‌گرفتند، این ماشین یک هدف نهایی دارد: پیدا کردن بهترین راه ممکن. ما در دنیایی زندگی می‌کنیم که منابعمون (پول، زمان، انرژی، مواد اولیه) محدودن، ولی خواسته‌هامون نامحدود. همیشه می‌خوایم با کمترین هزینه، بیشترین سود رو ببریم. یا تو کوتاه‌ترین زمان، بیشترین کار رو انجام بدیم. کار ماشین بهینه‌سازی دقیقاً همینه. شما بهش یه «هدف» (Objective) می‌دید و یه سری «محدودیت» (Constraints). اون هزاران یا میلیون‌ها حالت مختلف رو بررسی می‌کنه تا اون حالتی رو پیدا کنه که بهترین نتیجه رو می‌ده. کاری که مغز ما وقتی گزینه‌ها زیاد می‌شن، اصلاً از پسش برنمیاد. چند تا مثال که همین الان داره اتفاق می‌افته: مسیریاب‌ها (Waze/Google Maps): ساده‌ترین مثال. هدف: رسیدن به مقصد در کمترین زمان. محدودیت: ترافیک، چراغ قرمز، طرح زوج و فرد. ماشین بهینه‌سازی میلیون‌ها مسیر رو چک می‌کنه تا اون «یک مسیر طلایی» رو بهتون بده. چیدمان بار و لجستیک: شرکت‌های پستی چطور هزاران بسته با اندازه‌های مختلف رو توی کامیون جا می‌دن که کمترین جای خالی بمونه؟ این یک مساله‌ی ریاضی پیچیده‌ست که ماشین بهینه‌سازی حلش می‌کنه (مثل یک تتریس بی‌نقص). مصرف انرژی: دیتاسنترهای گوگل از هوش مصنوعی استفاده می‌کنن تا سیستم خنک‌کننده رو طوری تنظیم کنن که با کمترین برق، سرورها خنک بمونن. طراحی ژنراتیو (Generative Design): مهندس‌ها به هوش مصنوعی می‌گن «یه قطعه صندلی می‌خوام که ۱۰۰ کیلو وزن تحمل کنه ولی وزنش حداقل باشه». ماشین هزاران مدل عجیب و غریب رو امتحان می‌کنه و طرحی رو می‌ده که به عقل هیچ انسانی نمی‌رسید. این لنز به ما کمک می‌کنه که اسراف نکنیم و بهره‌وری رو به سقف بچسبونیم. اما چند تا نکته‌ی خیلی مهم (Hammers & Nails): اول، مراقب باشید چی آرزو می‌کنید (تابع هدف). ماشین بهینه‌سازی کورکورانه دنبال هدفی می‌ره که براش تعیین کردید. اگه به یوتیوب بگید «هدف: افزایش زمان تماشای کاربر»، ممکنه ویدیوهای افراطی و دروغ به خورد کاربر بده فقط چون بیشتر نگهش می‌دارن. تعریف درستِ «مطلوبیت» با شماست. دوم، شکنندگی (Fragility). سیستم‌هایی که بیش از حد بهینه شدن، معمولاً در برابر تغییرات ناگهانی ضعیفن. اگه زمان‌بندی کارخونه رو طوری بهینه کردید که ثانیه‌ای وقت تلف نشه، با خرابیِ یک پیچ، کل سیستم می‌خوابه. گاهی «کمی ناکارآمدی» لازمه. سوم، انسان ربات نیست. بهینه‌ترین راه برای انجام کارها، لزوماً انسانی‌ترین راه نیست. شاید کوتاه‌ترین مسیر برای رسیدن به مقصد از وسط یه کوچه کثیف رد بشه که حس امنیت نداره. ماشین فقط عدد رو می‌فهمه، نه حس رو. حالا بریم ببینیم تو طراحی محصول چطور می‌شه از این لنز استفاده کرد…

خب بریم سراغ سناریوهای طراحی محصول با لنز «ماشین اندازه‌گیری» و ببینیم چطور می‌تونه دردهای یوزر رو درمان کنه: ۱. وقتی مشکل یوزر، «عدم اطمینان از کیفیت کار خود» است. درد یوزر چیه؟ یوزر تو یه تولیدکننده محتواست که می‌خواد یه ویدیو توی پلتفرم تو آپلود کنه. اما نمی‌دونه آیا کاور (Thumbnail) ویدیوش جذابه؟ آیا تیترش کلیک می‌خوره؟ استرس داره که زحمتش هدر بره. تو چطور حلش می‌کنی؟ یه فیچر «دستیار کیفیت‌سنج» می‌ذاری. قبل از انتشار، ماشین اندازه‌گیری تو عکس و متن رو آنالیز می‌کنه و بهش یه نمره می‌ده: «جذابیت کاور: ۷/۱۰ - پیشنهاد: کنتراست رو بیشتر کن». با این کار عدم قطعیت رو از یوزر می‌گیری و بهش اعتماد به نفس می‌دی. ۲. وقتی مشکل یوزر، «ندانستن اولویت‌ها» است. درد یوزر چیه؟ یوزر تو یه مدیر فروش (Sales) هست که ۵۰۰ تا مشتری بالقوه (لید) توی لیستش داره. نمی‌دونه به کدوم اول زنگ بزنه. وقتش محدوده و می‌ترسه وقتش رو روی مشتری‌هایی بذاره که اصلا قصد خرید ندارن. تو چطور حلش می‌کنی؟ سیستم «امتیازدهی هوشمند» (Lead Scoring) رو پیاده می‌کنی. ماشین اندازه‌گیری بر اساس رفتارهای کاربر (باز کردن ایمیل، بازدید از صفحه قیمت و…) به هر لید یه امتیاز می‌ده. حالا یوزر لیستش رو بر اساس نمره مرتب می‌کنه و فقط به اون‌هایی زنگ می‌زنه که «داغ» هستن. این یعنی بهره‌وری خالص. ۳. وقتی مشکل یوزر، «بی‌خبری از وضعیت بحرانی» است. درد یوزر چیه؟ یوزر تو یه مدیر منابع انسانی (HR) توی یه شرکت بزرگه. نمی‌دونه حال روحی سازمان چطوره. کی داره کارمندان دارن می‌برن (Burnout)؟ کی نارضایتی داره اوج می‌گیره؟ معمولاً وقتی می‌فهمه که کارمند استعفا داده و دیگه دیره. تو چطور حلش می‌کنی؟ از ماشین اندازه‌گیری برای «پایش نبض سازمان» استفاده می‌کنی. این سیستم (با حفظ حریم خصوصی) می‌تونه از روی الگوهای کاری، ساعات آنلاین بودن و لحن پیام‌های عمومی، «شاخص ریسک فرسودگی» رو اندازه بگیره و قبل از بحران به مدیر هشدار بده که: «تیم فنی الان فشار زیادی روشه، نمره استرسشون رفته بالا». این‌ها نمونه‌هایی از تبدیل کیفیت‌های ناملموس (جذابیت، احتمال خرید، خستگی) به کمیت‌های قابل مدیریت بود. #کاربست

در بخش پنجم #کاربست می‌رسیم به «ماشین اندازه‌گیری». این لنز یکی از جذاب‌ترین و البته کاربردی‌ترین قابلیت‌های هوش مصنوعی برای تبدیل چیزهای کیفی (Quality) به کمی (Quantity) است. ما در دنیایی زندگی می‌کنیم که مدیریت کردن چیزهایی که نمی‌شود اندازه‌شان گرفت، خیلی سخته. چطور می‌شه میزان «خشم» یک مشتری، «جذابیت» یک عکس یا «خوانایی» یک متن رو اندازه گرفت؟ این‌ها مفاهیم انتزاعی و کیفی هستن. اینجاست که ماشین اندازه‌گیری وارد عمل می‌شه. این ماشین مثل یک خط‌کش جادویی عمل می‌کنه که می‌تونه روی مفاهیم غیرمادی عدد بذاره. هوش مصنوعی می‌تونه داده‌های پیچیده رو بگیره و اون‌ها رو به یک «امتیاز» (Score) یا شاخص عددی تبدیل کنه. وقتی بتونیم چیزی رو اندازه بگیریم، تازه می‌تونیم مدیریتش کنیم، مقایسه‌اش کنیم و براش هدف بذاریم. چند تا مثال ملموس: تحلیل احساسات (Sentiment Analysis): شما نمی‌تونید تک‌تک تماس‌های پشتیبانی رو گوش بدید، اما ماشین اندازه‌گیری می‌تونه به همه گوش بده و به هر تماس یک «نمره عصبانیت» از ۰ تا ۱۰۰ بده. حالا می‌دونید وضعیت کلی اعصاب مشتریانتون چطوره. امتیازدهی به مشتری (Lead Scoring): کدوم مشتری احتمال خریدش بیشتره؟ ماشین اندازه‌گیری با بررسی رفتار کاربر، به هر مشتری یک امتیاز میده. مثلا میگه آقای ایکس ۸۵٪ آماده خرید کردنه. کیفیت محتوا: نویسنده‌ها همیشه شک دارن متنشون خوبه یا نه. ابزارهایی مثل Grammarly یا Hemingway با ماشین اندازه‌گیری به «خوانایی» و «لحن» متن نمره می‌دن. ارزیابی ریسک: بانک‌ها برای وام دادن، به جای اینکه به قیافه مشتری نگاه کنن، با ماشین اندازه‌گیری تمام سوابقش رو شخم می‌زنن و بهش «امتیاز اعتباری» (Credit Score) می‌دن. این لنز به ما کمک می‌کنه تا قضاوت‌های سلیقه‌ای رو کم کنیم و تصمیماتمون رو داده‌محور (Data-Driven) کنیم. اما چند نکته‌ی حیاتی (Warning): اول این که، عدد همه چیز نیست. این نمره‌ها فقط یک «مدل» از واقعیت هستن، نه خود واقعیت. مثلا نمره ۸۰ در «شادی»، لزوما به این معنی نیست که اون آدم واقعا خوشحاله، بلکه طبق فرمول ما رفتارش شبیه آدم‌های خوشحاله. دوم، خطر قانون گودهارت (Goodhart’s Law). وقتی یک شاخص تبدیل به هدف بشه، دیگه شاخص خوبی نیست. اگه به نویسنده بگید فقط باید نمره خواناییت بالا باشه، ممکنه متنی بنویسه که نمره‌اش بالاست ولی هیچ معنا و روحی نداره. مراقب باشید چه چیزی رو اندازه می‌گیرید و چطور پاداش می‌دید. سوم، تعصب در فرمول. اگه داده‌هایی که به ماشین دادیم تا «کیفیت» رو یاد بگیره متعصبانه باشه، خط‌کش ما هم کج خواهد بود. حالا بریم ببینیم تو طراحی محصول چطور می‌شه از این لنز استفاده کرد… #کاربست

یادش به خیر یک دبیر ریاضی داشتیم به نام آقای مهدی زاده ایشون یک روز خاطره‌ای برای ما تعریف کرد که به نظر می‌رسه برای امروز هم قابل استفاده است. خصوصا در استفاده از LLM ها ظاهرا دبیرانی که در مسیر اعزام به خارج-برای تدریس به ایرانیان خارج از کشور- قرار می‌گیرند یک مصاحبه‌ای دارند. در اون مصاحبه از ایشون می‌پرسند که به نظر شما مهم‌ترین درس از بین درس‌های دبیرستان چیه. و شاید پاسخ ایشون به این سوال باعث پذیرفته شدندش می‌شه ایشون جواب می‌ده: ادبیات! و در توضیحش می‌گه که در بسیاری از موارد مشکل بچه‌ها این نیست که ریاضی رو بلد نیستند. بلکه مشکلون این هست که در فهم سوال دچار مشکل می‌شن و نمی‌تونن سوال رو درست بخونن. حالا داستان استفاده از LLM ها هم شبیه همین هست. در بسیاری از موارد ما در بیان فارسی مساله‌مون به دوستمون مشکل داریم بعد از LLM انتظار داریم کامل حرفمون رو بفهمه و اجرا کنه. خوبه که به بهانه‌ی استفاده از LLM روی مهارت‌های ارتباط کلامی‌مون هم کار کنیم.

خب بریم سراغ سناریوهای طراحی محصول با لنز «ماشین تطبیق الگو»: ۱. وقتی مشکل یوزر، «فلجِ انتخاب» است. درد یوزر چیه؟ یوزر وارد فروشگاه آنلاین یا پلتفرم محتوایی شما شده اما با هزاران گزینه روبرو شده. گیج شده و نمی‌دونه چی به دردش می‌خوره (Choice Paralysis). تو چطور حلش می‌کنی؟ از قابلیت «خوشه‌بندی» (Clustering) استفاده می‌کنی. هوش مصنوعی بر اساس رفتارهای قبلی یوزر، الگوی سلیقه‌اش رو پیدا می‌کنه و محصولات رو فیلتر می‌کنه. به جای لیست بی‌پایان، بهش می‌گه: «این ۵ تا دقیقاً شبیه چیزایی هستن که دوست داری». با تطبیق الگو، بار انتخاب رو از روی دوش کاربر برمی‌داری. ۲. وقتی مشکل یوزر، «ترس از امنیت و خرابی» است. درد یوزر چیه؟ یوزر تو مدیر یه سرور یا یه سایت بزرگه. همیشه استرس داره که نکنه هک بشه یا سیستم دان بشه. نمی‌تونه ۲۴ ساعته لاگ‌ها رو چک کنه تا بفهمه کی اوضاع غیرعادیه. تو چطور حلش می‌کنی؟ فیچر «تشخیص ناهنجاری» (Anomaly Detection) رو اضافه می‌کنی. سیستم الگوی ترافیک «سالم» رو یاد می‌گیره. به محض اینکه یه الگوی عجیب (مثلاً تلاش‌های مکرر برای لاگین یا مصرف رم غیرعادی) ببینه، هشدار می‌ده. اینجا ماشین الگو، نقش نگهبانی رو بازی می‌کنه که تغییرات ریز رو می‌فهمه. ۳. وقتی مشکل یوزر، «ندانستن ریشه‌ی مشکلات» است. درد یوزر چیه؟ یوزر تو می‌خواد لاغر بشه یا پول پس‌انداز کنه، اما نمی‌دونه دقیقا کجا داره اشتباه می‌کنه. حس می‌کنه همه چی عادیه ولی نتیجه نمی‌گیره. تو چطور حلش می‌کنی؟ اپلیکیشن تو الگوهای رفتاریش رو تحلیل می‌کنه و همبستگی‌ها رو نشون می‌ده. مثلا می‌گه: «الگوی خوابت نشون می‌ده روزایی که کمتر از ۶ ساعت می‌خوابی، کالری دریافتیت ۲۰٪ بیشتر می‌شه» یا «بیشترین خرج‌های اضافه‌ت دقیقا بعد از واریز حقوق اتفاق می‌افته». با نشون دادن این الگوها، نقاط کور زندگی یوزر رو براش روشن می‌کنی. این‌ها قدرت ماشین تطبیق الگو بودن. ابزاری که کمک می‌کنه یوزرها نظم رو در بی‌نظمی پیدا کنن. https://t.me/aianddesign/151