PyTorch Howsam
3.26K subscribers
372 photos
48 videos
6 files
509 links
از هوش مصنوعی میگیم...

ارتباط با ادمین
@howsam_support
Download Telegram
امروز، در کلاس شرکت داتین، درباره Prompt Engineering صحبت کردم.
فصل Prompt Engineering این کتاب رو خیلی دوست داشتم. سایر فصل‌های کتاب رو نخوندم، ولی دیگه واجب شد فصل‌های دیگه رو هم نگاهی بندازم.
وقتی میگم پروژه‌های جون‌دار انجام بدید تا رزومه وزن پیدا کنه، منظورم چنین پروژه‌هایی هست.

این کلاستر محاسباتی کوچک و زیبا، کارِ درخشانِ آقای محمدمتین ناصری، دانشجوی کارشناسی مهندسی کامپیوتر، در درس «اینترنت اشیا» است!
با استفاده از چند برد Raspberry Pi 4 که به‌صورت عمودی استک شده‌اند، محمدمتین موفق شده یک کلاستر واقعی کوبرنتیز (Kubernetes)+ OpenMPi راه‌اندازی کند که:
کاملاً کاربردی و مدیریت‌شده با k3s است
قابلیت اجرای محاسبات ماتریسی بزرگ و موازی را دارد
حدود ۳۰ گیگافلاپس توان محاسباتی ارائه می‌دهد (معادل یک کامپیوتر رومیزی قدرتمند چند سال پیش!)
همه‌ی این‌ها در فضای کمتر از یک جعبه کوچک و با مصرف برق بسیار پایین

این پروژه نه‌تنها نشان‌دهنده درک عمیق از مفاهیم توزیع‌شده و orchestration است، بلکه یک نمونه عالی از این حقیقت است که برای شروع کارهای بزرگ، لزوماً به سرورهای چندصدهزاردلاری نیاز نیست؛ گاهی چند برد کوچک و ذهن خلاق کافی است!
افتخار می‌کنم که چنین دانشجوی باانگیزه و توانمندی در کلاس درسمان داریم 👏
منبع پست در لینکدین


این پروژه هیچ ارتباطی به به من نداره، من فقط از لینکدین نقل قول کردم. لینک پست رو هم گذاشتم.
یک‌جایی توی مکالمه با جمنای، عبارت زیر رو به کار برد:
لحن زرد و "لینکدینی" به جای لحن علمی


منظورش که واضحه؛ من هم نسبت به یکسری پست‌های لینکدینی همین حس زرد بودن رو دارم. اما از خود جمنای خواستم که بیشتر درباره این عبارتی که نوشته بهم توضیح بده. خلاصه توضیحش رو در آوردم.

وقتی می‌گوییم یک متن «لحن لینکدینی» دارد، منظورمان اشاره به یک سبک خاص و کلیشه‌ای از نوشتار است که در چند سال اخیر در شبکه اجتماعی لینکدین (LinkedIn) بسیار شایع شده و حتی اصطلاح طنزآمیز «Broetry» (ترکیب Bro + Poetry) را برایش ساخته‌اند.

در اینجا ویژگی‌های این «لحن لینکدینی» را باز می‌کنم:

۱. دراماتیک‌سازی مصنوعی (The Artificial Drama)
در سبک لینکدینی، نویسنده سعی می‌کند معمولی‌ترین اتفاقات را به یک داستان حماسی تبدیل کند.

۲. جملات قصار و بریده‌بریده (Broetry Style)
اگر دقت کنید، متن‌های لینکدینی معمولاً پاراگراف‌های طولانی ندارند. هر جمله یک خط است و بین آن‌ها فاصله زیادی می‌گذارند تا در موبایل راحت خوانده شود (و کاربر بیشتر اسکرول کند که برای الگوریتم خوب است).

۳. تبدیل همه چیز به «درس موفقیت» (Toxic Positivity)
یکی از آزاردهنده‌ترین ویژگی‌های لحن لینکدینی این است که به زور می‌خواهد از هر چیزی «۵ درس برای زندگی» یا «فرمول طلایی موفقیت» بیرون بکشد.

۴. استفاده از کلمات پرطمطراق و توخالی (Buzzwords)
نویسندگان این سبک عاشق کلماتی هستند که هوشمندانه به نظر برسند اما بار معنایی خاصی نداشته باشند.

۵. اعتماد به نفس کاذب (False Authority)
در پست‌های لینکدینی، نویسنده (یا راوی) طوری صحبت می‌کند که انگار دانای کل است و حقایق مطلق را کشف کرده.

نمونه مثال:
لحن علمی/ژورنالیستی: "ایلیا سوتسکیور در سخنرانی خود اشاره کرد که با توجه به ساختار بیولوژیک مغز، احتمالاً هوش مصنوعی محدودیتی در یادگیری نخواهد داشت." (سندیت دارد، بی‌طرف است).

لحن لینکدینی/زرد: "آیا فکر می‌کنید مغزتان جادویی است؟ اشتباه می‌کنید! ایلیا سوتسکیور آب پاکی را روی دست همه ریخت. مغز شما فقط یک کامپیوتر است. برای شوکه‌کننده ترین حقیقت آماده باشید... 👇" (هیجانی، تهاجمی، کم‌مایه).


یک مورد هم من بگم:
توی این نوع پست‌های لینکدینی، هر جمله یک اموجی داره. خصوصا اینها: 🎯⛳️💯👌
عمو Andrew Ng :
ما در حال انتشار یک "Agentic Reviewer" جدید برای مقالات تحقیقاتی هستیم.
من این کار را به عنوان یک پروژه آخر هفته شروع به کدنویسی کردم و Yixing J. آن را بسیار بهتر کرد.

من از دانشجویی الهام گرفتم که مقاله‌اش در طول ۳ سال ۶ بار رد شده بود.
حلقه بازخورد او که هر بار حدود ۶ ماه طول می‌کشید تا بازخورد دریافت کند به طرز دردناکی کند بود.
ما می‌خواستیم ببینیم آیا Agentic Workflow می‌تواند به محققان کمک کند سریع‌تر به کارشان بپردازند؟

هنگامی که سیستم را با استفاده از بازبینی‌های ICLR 2025 آموزش دادیم و همبستگی Spearman را در مجموعه آزمایشی اندازه‌گیری کردیم: (بالاتر بهتر است)

همبستگی بین دو بازبین انسانی: 0.41
همبستگی بین AI و یک بازبین انسانی: 0.42

این نشان می‌دهد که Agentic در حال نزدیک شدن به عملکرد سطح انسانی است.

https://paperreview.ai/
یک مثال فارسی درباره TF-IDF از جمنای گرفتم، کمی اصلاحش کردم و بعد به نانو بنانا دادم که به تصویر تبدیل کنه.

اینجا، منِ انسان فقط نقش پرامپت دادن، بازبینی و اصلاح پرامپت‌ها و خروجی‌ها، نظارت روی فرآیند انجام کار و ساختن پایپ‌لاین برای رسیدن به هدف رو داشتم. خروجی کار متناسب با سلیقه من نیست، چون اگه قرار بود این رو من بسازم، قشنگ‌تر و عمیق‌تر می‌ساختم! البته، احتمالا با 20 برابر وقت بیشتر...

ولی با وجود هوش مصنوعی در این سطح، بازم من انسان نقش پررنگی دارم؛ باید اونقدر خوب هدایتش کنم که دقیقا خروجی متناسب با سلیقه خودم ازش بگیرم.

البته، به نظرم ابزارها هم باید پیشرفت کنن و بهتر از این بشن. مثلا، ادیت تصویر راحت‌تر بشه، نیاز نباشه با هر تغییر پرامپت تصویر از نو ساخته بشه، خروجی ‌ای بدن که قابلیت ادیت شدن در پاورپوینت یا درایو داشته باشه...