We're here for a purpose.
گاهنوشتههای من رو اینجا میبینید. پیامهای کانال نظم از پیش تعیینشده ندارن، دربارهی دغدغههای خودم مینویسم. در حال حاضر PhD میخونم در دانشگاه UCI آمریکا و ۲۴ سالم هست.
Post #410
106
⭐️ مهندس انویدیا و وسواس اتومات کردن چیزهای تکراری
🔻 مهرزاد از شریف شروع کرده، مهندسی برق خونده، بعد رفته University of Michigan و وارد دنیای GPU، High Performance Computing و بعدتر genomics و healthcare شده. مسیرش از پژوهش و مایکروسافت ریسرچ و استارتاپ رد میشه و آخرش تیمشون توسط NVIDIA جذب میشه. ولی نکته جذابش این نبود که اسمهای بزرگ پشت سر هم ردیف بشن. بخش جذابش این بود که نگاهش به تکنولوژی خیلی عملی بود.
یک جا میگفت customer discovery هیچوقت تموم نمیشه. یعنی اینکه بفهمی مشتری واقعا چه دردی داره، چیزی نیست که اول کار یک بار انجام بدی و بعد بری محصول بسازی. باید مدام برگردی، بپرسی، ببینی چیزی که میسازی واقعا کندی، هزینه یا درد جدی رو کم میکنه یا فقط از دور باحال به نظر میرسه.
📍 برای همین وقتی درباره استارتاپ خودش تو حوزه ژنومیک حرف میزد، مسئله این بود که دادههای ژنتیکی خیلی سنگینن، پردازششون زمانبره و تو پزشکی، سرعت میتونه فرق بین تشخیص بهموقع و دیر رسیدن باشه. اینجا GPU فقط یک قطعه سختافزاری نیست، ابزاریه برای اینکه یک جواب پزشکی به جای چند روز یا چند هفته، تو چند ساعت آماده بشه.
💬 بعد بحث رفت سمت AI امروز، LLMها، vector database و semantic search. توضیحش درباره جستوجوی معنایی خوب بود، اینکه به جای جستوجو با کلمه دقیق، دنبال معنی میگردی. یعنی اگر دنبال یک مفهوم هستی، لازم نیست متن دقیقا همان واژههای تو رو داشته باشه، سیستم میتونه بفهمه از نظر معنا نزدیکه.
اما بخش مهمتر برای من حرفش درباره benchmarkها بود. میگفت وقتی مدلها با دادههای اینترنتی آموزش میبینن، خیلی وقتها تستها هم somehow تو همان جهان دادهها هستن. پس اینکه یک مدل تو یک بنچمارک عدد خوبی میگیره، همیشه یعنی واقعا در زندگی واقعی هم همانقدر خوبه؟ نه لزوما. برای همین از جاهایی مثل LLM Arena حرف میزد، جایی که قضاوت انسانی و مقایسه عملی هم وارد ماجرا میشه.
🔺 یکی از بهترین جملههای گفتوگو این بود که اگر یک کاری رو ده تا اینترن پشت سر هم انجام میدن، یعنی احتمالا باید اتومات بشه. این جمله خیلی سادهست ولی تقریبا یک فلسفه مدیریتیه. خیلی از سازمانها به جای اینکه فرایند خراب رو درست کنن، فقط آدم ارزانتر میذارن پای همون فرایند. بعد اسمش رو هم بهرهوری میذارن.
مهرزاد برعکس، از AI به عنوان جادو حرف نمیزد. بیشتر بهش مثل یک لایه اتوماسیون نگاه میکرد. مثلا agentهایی که گزارش میگیرن، کمپین پیامکی رو مدیریت میکنن، هماهنگی پادکست رو جلو میبرن، کد تخفیف رو میسازن یا داشبورد رو چک میکنن و وقتی عددی از هدف عقب افتاد، پیشنهاد میدن یا حتی اقدام میکنن.
📊 یک نکته خوب دیگر هم از تجربه شرکتهای بزرگ میاومد. اینکه فرهنگ درست فقط شعار نیست. استخدام آدمهای خیلی خوب، مصاحبه جدی، دادن مسئله واضح و ساختن محیطی که آدمها واقعا بتونن خروجی بدن، خودش تکنولوژیه. شاید از GPU کمتر براق باشه، ولی بدون اون GPU هم خروجی درست نمیده.
🔗 https://www.youtube.com/watch?v=pWCIFz2t8a8
✈️ @Mirage_Notes
YouTube EP 150 - Mehrzad Samadi - Software Engineer at NVIDIA مهرزاد صمدی تو این گفتگو از تجربه شگفتانگیزش میگه؛ چطور از راهاندازی یک استارتاپ موفق شروع کرد و بعد توسط انویدیا خریداری شد. از روزهایی که تو استارتاپش برای پیشرفت تکنولوژیهای ژنومی تلاش میکرد، تا وقتی که با تیم انویدیا برای توسعه فناوریهای هوش مصنوعی… این اپیزود طبقه ۱۶ با مهرزاد صمدی از اون گفتوگوهایی بود که هم درباره AI و GPU و انویدیاست، هم درباره یک چیز خیلی زمینیتر، اینکه اگر مسئله واقعی پیدا نکنی، تکنولوژی هرچقدر هم خفن باشه فقط تزئینه.
🔻 مهرزاد از شریف شروع کرده، مهندسی برق خونده، بعد رفته University of Michigan و وارد دنیای GPU، High Performance Computing و بعدتر genomics و healthcare شده. مسیرش از پژوهش و مایکروسافت ریسرچ و استارتاپ رد میشه و آخرش تیمشون توسط NVIDIA جذب میشه. ولی نکته جذابش این نبود که اسمهای بزرگ پشت سر هم ردیف بشن. بخش جذابش این بود که نگاهش به تکنولوژی خیلی عملی بود.
یک جا میگفت customer discovery هیچوقت تموم نمیشه. یعنی اینکه بفهمی مشتری واقعا چه دردی داره، چیزی نیست که اول کار یک بار انجام بدی و بعد بری محصول بسازی. باید مدام برگردی، بپرسی، ببینی چیزی که میسازی واقعا کندی، هزینه یا درد جدی رو کم میکنه یا فقط از دور باحال به نظر میرسه.
📍 برای همین وقتی درباره استارتاپ خودش تو حوزه ژنومیک حرف میزد، مسئله این بود که دادههای ژنتیکی خیلی سنگینن، پردازششون زمانبره و تو پزشکی، سرعت میتونه فرق بین تشخیص بهموقع و دیر رسیدن باشه. اینجا GPU فقط یک قطعه سختافزاری نیست، ابزاریه برای اینکه یک جواب پزشکی به جای چند روز یا چند هفته، تو چند ساعت آماده بشه.
💬 بعد بحث رفت سمت AI امروز، LLMها، vector database و semantic search. توضیحش درباره جستوجوی معنایی خوب بود، اینکه به جای جستوجو با کلمه دقیق، دنبال معنی میگردی. یعنی اگر دنبال یک مفهوم هستی، لازم نیست متن دقیقا همان واژههای تو رو داشته باشه، سیستم میتونه بفهمه از نظر معنا نزدیکه.
اما بخش مهمتر برای من حرفش درباره benchmarkها بود. میگفت وقتی مدلها با دادههای اینترنتی آموزش میبینن، خیلی وقتها تستها هم somehow تو همان جهان دادهها هستن. پس اینکه یک مدل تو یک بنچمارک عدد خوبی میگیره، همیشه یعنی واقعا در زندگی واقعی هم همانقدر خوبه؟ نه لزوما. برای همین از جاهایی مثل LLM Arena حرف میزد، جایی که قضاوت انسانی و مقایسه عملی هم وارد ماجرا میشه.
🔺 یکی از بهترین جملههای گفتوگو این بود که اگر یک کاری رو ده تا اینترن پشت سر هم انجام میدن، یعنی احتمالا باید اتومات بشه. این جمله خیلی سادهست ولی تقریبا یک فلسفه مدیریتیه. خیلی از سازمانها به جای اینکه فرایند خراب رو درست کنن، فقط آدم ارزانتر میذارن پای همون فرایند. بعد اسمش رو هم بهرهوری میذارن.
مهرزاد برعکس، از AI به عنوان جادو حرف نمیزد. بیشتر بهش مثل یک لایه اتوماسیون نگاه میکرد. مثلا agentهایی که گزارش میگیرن، کمپین پیامکی رو مدیریت میکنن، هماهنگی پادکست رو جلو میبرن، کد تخفیف رو میسازن یا داشبورد رو چک میکنن و وقتی عددی از هدف عقب افتاد، پیشنهاد میدن یا حتی اقدام میکنن.
📊 یک نکته خوب دیگر هم از تجربه شرکتهای بزرگ میاومد. اینکه فرهنگ درست فقط شعار نیست. استخدام آدمهای خیلی خوب، مصاحبه جدی، دادن مسئله واضح و ساختن محیطی که آدمها واقعا بتونن خروجی بدن، خودش تکنولوژیه. شاید از GPU کمتر براق باشه، ولی بدون اون GPU هم خروجی درست نمیده.
و خلاصه که این اپیزود یادآوری این بود که آینده AI فقط دست مدلهای بزرگ نیست، دست آدمهایی هم هست که میفهمن کدام کار واقعا باید سریعتر، دقیقتر یا خودکارتر بشه. اگر درد واقعی پیدا کنی، تکنولوژی معنی پیدا میکنه. اگر نه، فقط یک دمو قشنگ میسازی که بعد از دو هفته کسی یادش نمیمونه.
🔗 https://www.youtube.com/watch?v=pWCIFz2t8a8
✈️ @Mirage_Notes
- ❤ 2
- 👌 1
- 😇 1





