Reza Jafari

مدل Sonnet 5.5 معرفی شد! ویژگی برجسته این سری ورژن مدل‌های کلاود که هم تو تست‌های خارجی و داخلی گزارش شده مصرف کم توکنه که قابل توجهه!

@reza_jafari_ai

هر داشبوردی خودش یه محصوله. بیشترشون هم محصولاتی‌ان که هیچ‌کس دیگه نخواسته‌شون.

یه دور توی ابزار BI شرکتتون بزنید و تعداد داشبوردها رو بشمارید. بعد ببینید چندتاشون توی یک ماه گذشته دیده شدن. اگه نسبت داشبوردهای استفاده‌شده به کل داشبوردها بهتر از ۱ به ۵ باشه، سازمانتون واقعاً از نظر نظم و انضباط داده‌ای وضعیت غیرمعمول خوبی داره.

داشبوردها مثل وسایل خرت‌وپرت توی انباری روی هم جمع می‌شن. هر کدومشون وقتی ساخته شدن، یه دلیلی داشتن. یه نفر یه زمانی برای یه کاری بهشون نیاز داشته. بعد سؤال عوض شده، اون آدم جابه‌جا شده، تعریف یه شاخص تغییر کرده... ولی داشبورد همچنان مونده.

هزینه‌ش فقط شلوغی و به‌هم‌ریختگی نیست. هر داشبورد قدیمی و بلااستفاده این احتمال رو ایجاد می‌کنه که یکی یه عدد قدیمی رو برداره و بر اساسش یه تصمیم واقعی بگیره. این قبرستون داشبوردها بی‌خطر نیست؛ ریسکه.
یه روشی که من خیلی قبولش دارم اینه که با داشبوردها مثل محصول رفتار کنیم. هر داشبورد باید یه صاحب مشخص، یه هدف مشخص و یه تاریخ برای بازبینی داشته باشه.

صاحب نداره؟ آرشیوش کنید.
دیگه اون هدف وجود نداره؟ آرشیوش کنید.

هر وقت واقعاً دوباره بهش نیاز بود، می‌شه برش گردوند.
(اسپویل: تقریباً هیچ‌وقت کسی دلتنگشون نمی‌شه.)

👑 توضیحات در مورد دوره منتورینگ
🏆 نحوه ثبت‌نام در دوره منتورینگ
🤝 تجارب موفق قبلی بچه‌ها از منتورینگ

🛠 راه‌ ارتباطی مشاوره تخصصی کسب‌وکار در زمینه دیتا و هوش مصنوعی

@reza_jafari_ai

چرا حس می‌کنیم هر مدل جدیدی که میاد، انقدر از مدل‌های قدیمی قدرتمندتره؟
باید بگم که این بیشتر از منطقی بودن، «کلک» شرکت‌هاست برای مارکتینگ

اگه یادتون باشه، 2 هفته پیش همه‌ی این بنچمارک‌ها(خصوصا سه بعدی) جوری از GPT Astra تعریف می‌کردن و چیزای خفن می‌ساختن که انگار خدای همه‌ی مدل‌هاست.
بعد که Claude Opus 5.5 اومد، خروجی‌هاش رو جوری نشون دادن انگار اون مقابلش پیامبره.
حالا این قضیه برای هر دوی اونا در مورد Gemini 4 Pro داره تکرار می‌شه

به این کار اکانت‌های بنچمارک و Ai Enthusiast ، قضیه‌ی Strawman Fallacy می‌گن. یعنی مغالطه‌ی آدمکِ پوشالی

توی فلسفه، Strawman fallacy یعنی از رقیب قدرتمندت، یه فرض پوشالی بسازی جلوی مخاطب، شکستش بدی، و بعد خودت رو پیروز جلوه بدی

هم خود کمپانی‌ها، هزینه می‌کنن که اکانت‌های توییتری/ردیتی این کار رو انجام بدن؛ هم خود آدما خیلی وقتا این کارو سر هایپ و ... انجام می‌دن.
چه شکلی انجام می‌شه؟

1- مدل رقیب با پرامپت ساده یا بد تست می‌شه، ولی مدل خودشون با پرامپت بهینه‌شده.
2- قابلیت‌های رقیب مثل reasoning، ابزارها یا context بلند خاموش می‌شه.
3- هایپرپارامترهای رقیب به درستی تنظیم نمی‌شه ولی مال خودشون با دقت tune می‌شه.

این شکلیه که می‌گم هیچوقت به بنچمارک‌های این شکلی توییتری، نمی‌شه اعتماد کرد.

✉️ t.me/MatinSenPaii

صحنه آخرالزمانی از گرفته شدن کار انسان‌ها توسط هوش مصنوعی

@reza_jafari_ai

خیلی از کسایی که می‌گن AI قراره جاشون رو بگیره، خودشون متخصص همون حوزه‌ان و تونستن با AI خروجی‌های خیلی خوبی بگیرن؛ ولی چیزی که نادیده می‌گیرن اینه که این خروجی‌ها تا حد زیادی به دانش و تخصص اولیه‌شون وابسته بوده و یه فرد مبتدی یا غیرمتخصص نمی‌تونه چنین چیزهایی رو از AI بگیره.

@reza_jafari_ai

طراحی سیستم‌های هوش مصنوعی — یک راهنمای کامل برای یادگیری مرحله‌به‌مرحله طراحی سیستم‌های AI؛ از LLM Inference، GPU، KV Cache و Caching گرفته تا RAG، پایگاه‌های داده برداری، AI Agents، MCP، سیستم‌های چندعاملی، Voice AI، Guardrails، ارزیابی، Observability و بهینه‌سازی هزینه.

همچنین یک چارچوب مرحله‌به‌مرحله برای حل و پاسخ‌گویی به سوالات AI System Design Interview ارائه میدهد.

همه چیز در یکجا و با زبان ساده توضیح داده شده و برای هر موضوع، مطالب و مقالات عمیق‌تر هم وجود دارد.

https://github.com/amitshekhariitbhu/ai-system-design

🐙 @RepoFA

همه‌مون قبول داریم که مهندسی نرم‌افزار دیگه مثل قبل نیست. اگه هنوز با همون ذهنیت و دیدگاه‌های قدیمی جلو می‌رید، احتمالاً دیر یا زود از بازار کار عقب می‌افتید.

این ویدیو خیلی خوب توضیح می‌ده که توی بازار امروز، نقش مهندس نرم‌افزار چه تغییراتی کرده، باید روی چه چیزهایی تمرکز کنیم و چه چیزهایی رو بهتره بذاریم کنار و نادیده بگیریم.

دیدنش خالی از لطف نیست؛ از دستش ندید!

🔗 لینک ویدیو

@reza_jafari_ai

سریع‌ترین راه برای تموم کردن یه تحلیل، اینه که دو ساعت اول اصلاً تحلیل نکنی!

این رو به گرون‌ترین شکل ممکن یاد گرفتم؛ اونم نه یک بار، بلکه چند بار! ماجرا معمولاً از یه درخواست جالب شروع می‌شد. یه درخواست می‌اومد، منم سریع SQL Editor رو باز می‌کردم و می‌رفتم سراغ داده‌ها. چند هفته بعد، بعد از کلی کوئری زدن و بالا و پایین کردن داده‌ها، تازه می‌فهمیدم که با وجود اینکه جواب خیلی خوبی پیدا کردم، در واقع به سؤالی جواب دادم که اصلاً سؤال اصلی نبوده!

امروز اما چند ساعت اول کارم از بیرون شاید خیلی شبیه «کار نکردن» به نظر بیاد. قبل از اینکه سراغ SQL برم، با کسی که درخواست رو داده صحبت می‌کنم و سعی می‌کنم بفهمم اصلاً تصمیمی که قراره با این تحلیل گرفته بشه چیه. بعد دقیق مشخص می‌کنیم منظورمون از متریک یا شاخص موردنظر چیه و تعریفش رو مکتوب می‌کنیم. بعد می‌ریم سراغ داده‌ها و می‌بینیم واقعاً چه چیزی در دسترسه؛ نه اینکه چه چیزی فکر می‌کنیم باید وجود داشته باشه، بلکه چیزی که واقعاً داریم. در نهایت هم قبل از اینکه حتی یک کوئری اجرا کنم، در چند خط مشخص می‌کنیم که خروجی نهایی قراره چی باشه و روی اون به توافق می‌رسیم.

قبلاً فکر می‌کردم این کارها فقط باعث می‌شن شروع تحلیل عقب بیفته. با خودم می‌گفتم به‌جای این همه حرف زدن و هماهنگ کردن، بذار شروع کنم و بعداً اگر لازم شد اصلاحش می‌کنیم. ولی تجربه بهم ثابت کرده دقیقاً برعکسه. هر یک ساعتی که اول کار برای درست فهمیدن مسئله، مشخص کردن محدوده و هماهنگ شدن روی خروجی بذاری، می‌تونه چندین روز دوباره‌کاری رو ازت بگیره.

گاهی سریع‌تر کار کردن، یعنی زودتر شروع نکردن. اول مسئله رو درست بفهم، بعد برو سراغ تحلیل. چون آروم شروع کردن باعث می‌شه مسیرت هموارتر بشه، و وقتی مسیر هموار باشه، در نهایت خیلی سریع‌تر به نتیجه می‌رسی.

حتی وقتی پای تحلیل داده وسطه ‏Slow is smooth. Smooth is fast

👑 توضیحات در مورد دوره منتورینگ
🏆 نحوه ثبت‌نام در دوره منتورینگ
🤝 تجارب موفق قبلی بچه‌ها از منتورینگ

🛠 راه‌ ارتباطی مشاوره تخصصی کسب‌وکار در زمینه دیتا و هوش مصنوعی

@reza_jafari_ai

شرکت Higgsfield امروز توی یه توییت اعلام کرد که فقط ۱۸ ماه بعد از راه‌اندازی، درآمد سالانه‌ش از مرز ۱ میلیارد دلار رد شده.

طبق گفته این شرکت، پلتفرم Higgsfield الان توی سازمان‌هایی از بین شرکت‌های Fortune 500 استفاده می‌شه و میزان استفاده شرکت‌ها از این پلتفرم از ماه ژوئن تا الان ۱۰ برابر شده.

همچنین بیشتر از ۳۰ میلیون نفر در سراسر دنیا الان از Higgsfield استفاده می‌کنن.

@reza_jafari_ai

من همیشه به شاگردایی که می‌خواستن آمار یاد بگیرن، این کتاب رو پیشنهاد می‌کردم. یه کتاب خوش‌دست و کاربردیه که آمار رو همراه با پیاده‌سازی توی Python و R آموزش می‌ده؛ نه اون‌قدر عمیق می‌شه که یه تازه‌کار از همون اول زده بشه، نه اون‌قدر سطحی که آخرش چیزی دست آدم رو نگیره. خلاصه، دقیقاً به اندازه و به‌دردبخور.

حالا نسخه جدیدش منتشر شده و علاوه بر مطالب قبلی، فصل‌های جدیدی هم بهش اضافه شده که درباره هوش مصنوعی و استفاده درست از ابزارهای AI توی تحلیل آماریه؛ اینکه چطور از این ابزارها کمک بگیریم، ولی در عین حال حواسمون به خطاها و جواب‌های اشتباه احتمالی‌شون هم باشه.

به نظرم این دقیقاً همون چیزیه که یه تحلیل‌گر داده توی دنیای امروز، با وجود این همه ابزار هوش مصنوعی، لازمه درباره‌ش بدونه. اگه با آمار و تحلیل داده سروکار دارید، از دستش ندید!


👑 توضیحات در مورد دوره منتورینگ
🏆 نحوه ثبت‌نام در دوره منتورینگ
🤝 تجارب موفق قبلی بچه‌ها از منتورینگ

🛠 راه‌ ارتباطی مشاوره تخصصی کسب‌وکار در زمینه دیتا و هوش مصنوعی

@reza_jafari_ai

📖AI-Assisted Statistics for Data Scientists:
50+ Essential Concepts Using R and Python


Authors:
#Peter_Bruce,
#Andrew_Bruce
#Peter_Gedeck

📌Year: 2026
📌Edition: 3
📌Publisher: #OReilly_Media
📌Language: English
📌Pages: 508
📌File: #PDF,13.6 MB

#book

👑 توضیحات در مورد دوره منتورینگ
🏆 نحوه ثبت‌نام در دوره منتورینگ
🤝 تجارب موفق قبلی بچه‌ها از منتورینگ

🛠 راه‌ ارتباطی مشاوره تخصصی کسب‌وکار در زمینه دیتا و هوش مصنوعی

@reza_jafari_ai

فارغ از اینکه Muse مدل خوبیه یا نه، یه نکته مهم هست که بد نیست حواسمون بهش باشه:

به تعداد آدم‌های روی زمین، روش‌های مختلفی برای کار کردن با LLMها وجود داره. هر کسی بر اساس نیازش، کاری که انجام می‌ده و سبک تعاملش با مدل‌ها، تجربه متفاوتی از اون‌ها داره.

برای همین ممکنه یه مدل برای شما فوق‌العاده باشه و دقیقاً همون مدل برای یه نفر دیگه اصلاً به درد نخوره. جالبه که هر دو نفر هم می‌تونن درست بگن! چون در نهایت همه چیز به نیاز، کاربرد و نحوه استفاده شما از مدل بستگی داره.

پس دو تا نکته رو همیشه یادتون باشه:

• روی هیچ مدلی تعصب نداشته باشید.
• برای خودتون بنچمارک شخصی داشته باشید. اگه هم محصول توسعه می‌دید، برای بخش‌های مختلف سیستم هوشمندتون بنچمارک‌های اختصاصی بسازید.

مدلی که باید انتخاب کنید، مدلیه که برای مسئله و نیاز شما بهترین عملکرد رو داره؛ نه لزوماً مدلی که توی بنچمارک‌های عمومی رتبه اول شده.

@reza_jafari_ai

تو سایت زیر می‌تونید ببینید مردم با jev چیا ساختن و ازشون ایده بگیرید!

🔗 لینک سایت

@reza_jafari_ai

مدل‌های GPT 6 Luna و GPT 6 Sol هم معرفی شدن، چند روز پیش هم Grok 4.7 معرفی شد!

این وسط Opus 5.5 هم اومد که توی این ایندکس اول شد!

واقعاً برام سواله که شما چطوری می‌تونید همزمان گوشی، تلویزیون، پلوپز و LLM بسازید و همه‌شون هم کیفیت خوبی داشته باشن!

شرکت شیائومی دو مدل جدید به اسم‌های MiMo-V2.6-Pro و MiMo-V2.6-Flash معرفی کرده. مدل Pro توی Artificial Analysis Intelligence Index امتیاز 46.3 گرفته و در زمان انتشار، در رتبه اول مدل‌های Open Weights این شاخص قرار گرفته. برای مقایسه، نسخه قبلی یعنی MiMo-V2.5-Pro امتیاز 26 داشته؛ یعنی شیائومی توی همین معیار جهش قابل‌توجهی داشته. البته یه نکته اینه که فعلاً امتیاز مستقلی از Artificial Analysis برای مدل Flash در دسترس نیست.

اما قیمت‌ها شاید از خود امتیاز هم جالب‌تر باشن! قیمت API مدل MiMo-V2.6-Pro برای هر یک میلیون توکن ورودی ۰.۴۳۵ دلار و برای هر یک میلیون توکن خروجی ۰.۸۷ دلاره و هزینه توکن‌های Cache Hit هم فقط ۰.۰۰۳۶ دلار به ازای هر یک میلیون توکن محاسبه می‌شه. مدل MiMo-V2.6-Flash حدودا دو سوم ارزون‌تره؛ یک میلیون توکن ورودی ۰.۱۴ دلار و یک میلیون توکن خروجی ۰.۲۸ دلار هزینه داره.

@reza_jafari_ai

‏Jev فقط یه هفته‌ست که اومده و تا الان ۳۱ بار به‌صورت مستقل بازتولید و بررسی شده؛ یعنی ۳۱ نفر یا تیم مختلف سعی کردن همون نتیجه یا عملکرد Jev رو دوباره اجرا کنن و ببینن آیا واقعاً قابل تکراره یا نه.

بیشتر مقایسه‌هایی که تا حالا انجام شده، نهایتاً روی چند صد تا تصمیم اجرا می‌شن. ولی یه بنچمارک جدید و جالب به اسم Decision Index 0.1 هست که ۱۳۲٬۴۲۲ تا تصمیم رو بررسی می‌کنه؛ یعنی همه‌ی این بازتولیدها به‌علاوه‌ی Jev روی ۳۷ تا بنچمارک مختلف. توی این تست نه چیزی حذف یا کوتاه می‌شه، نه پرامپت‌تیونینگ انجام می‌شه و هر سوالی هم که بی‌جواب بمونه، جواب غلط حساب می‌شه. با این حال، Jev هنوز با امتیاز ۵۹.۵ بالاتر از بقیه قرار داره .

🔗 لینک بنچمارک

@reza_jafari_ai

دیپ‌سیک در شورای امنیت سازمان ملل

نماینده دیپ‌سیک قراره این هفته توی شورای امنیت سازمان ملل درباره خطرات هوش مصنوعی صحبت کنه. این جلسه در حالی برگزار می‌شه که نگرانی‌ها درباره مدل‌های خیلی پیشرفته هوش مصنوعی بیشتر شده و بعضی از مدیران بزرگ این حوزه هشدار دادن که این سیستم‌ها ممکنه در آینده خودشون رو ارتقا بدن و از کنترل انسان خارج بشن.

توی این نشست، سم آلتمن مدیرعامل OpenAI و نماینده‌هایی از شرکت Anthropic هم حضور دارن. علاوه بر دیپ‌سیک، چند شرکت چینی دیگه مثل Moonshot هم دعوت شدن تا نظرشون رو درباره این موضوع مطرح کنن، هرچند فعلاً بنیان‌گذار دیپ‌سیک قصد نداره شخصاً در جلسه شرکت کنه.

بحث اصلی جلسه اینه که هوش مصنوعی چه تأثیری روی امنیت جهانی می‌تونه داشته باشه. دبیرکل سازمان ملل گفته سرعت پیشرفت این فناوری اون‌قدر زیاده که نمی‌شه خطراتش رو نادیده گرفت. از اون طرف، چین با ایده کند کردن توسعه هوش مصنوعی موافق نیست و معتقده این حرف‌ها بیشتر برای حفظ برتری فناوری آمریکاست و می‌تونه باعث کنار گذاشتن چین از تصمیم‌گیری‌های جهانی در حوزه هوش مصنوعی بشه.

گزارش رویترز همچنین می‌گه که برخلاف مدیران شرکت‌های بزرگ آمریکایی، مدیران شرکت‌های مطرح چینی کمتر درباره خطراتی مثل فریب دادن انسان‌ها توسط هوش مصنوعی، خارج شدن آن از کنترل یا ایجاد خسارت‌های جدی صحبت کرده‌اند و در ماه‌های اخیر هم تا حد زیادی در این مورد سکوت کرده‌اند.

در نهایت، آمریکا و چین توافق کرده‌اند که گفت‌وگوهای بیشتری درباره ایمنی هوش مصنوعی داشته باشند.


🔗 لینک خبر

@reza_jafari_ai

یه چیزی که مدام موقع بررسی آگهی‌های استخدام AI/ML به چشمم میاد اینه که معیارهای استخدام کم‌کم عوض شده.

چند سال پیش، اینکه ریاضیات پشت یک Transformer رو بفهمی یا بتونی Backpropagation رو توضیح بدی، معمولاً کافی بود که از بقیه متمایز بشی. اما الان آگهی‌های شغلی «AI Engineer» بیشتر شبیه موقعیت‌های Software Engineering هستن که فقط یه لایه LLM هم بهشون اضافه شده؛ از ساختن Retrieval Pipeline و کار با Vector Database گرفته تا Evaluation، مدیریت Trade-off بین Latency و Cost، و Monitoring رفتار مدل بعد از اینکه وارد Production می‌شه.

این کاملاً منطقیه. Foundation Modelها بخش سخت ماجرا، یعنی «فهم زبان»، رو تا حد زیادی حل کرده‌ان. چیزی که باقی مونده، اون بخش کمتر جذاب ولی خیلی ارزشمند کاره: وصل کردن این هوش به یه سیستم قابل اعتماد. یعنی سر و کله زدن با Inputهای به‌هم‌ریخته، Edge Caseها، و پر کردن فاصله بین یه Demo داخل Notebook و سیستمی که آدم‌های واقعی هر روز ازش استفاده می‌کنن.

برای هر کسی که الان داره AI/ML یاد می‌گیره، توصیه من اینه: فقط به فهمیدن اینکه Modelها چطور کار می‌کنن بسنده نکن. به همون اندازه هم وقت بذار برای یاد گرفتن اینکه چطور اون‌ها رو Productionize کنی. چون بخش زیادی از فرصت‌های شغلی واقعی دقیقاً همینجاست.

@reza_jafari_ai

قبل از اینکه داده‌های پرت رو حذف کنی، ببین چی می‌خوان بهت بگن

توی تحلیل داده، معمولاً با ناهنجاری‌ها یا همون داده‌های پرت خیلی خوب برخورد نمی‌شه. انگار یه چیز اضافه و مزاحمن که باید تمیزشون کرد، صاف‌وسوفشون داد یا با یه فیلتر و یه توضیح انداختشون بیرون. بعضی وقت‌ها این کار کاملاً درسته، اما ناهنجاری در اصل یعنی داده یه جوری رفتار کرده که با تصویری که ما از دنیا توی ذهنمون داریم جور درنمیاد. یعنی هر داده پرت می‌تونه یه پیام کوچیک داشته باشه: «اینجای مدل ذهنی‌ات از دنیا یه چیزی کم داره.»

بعضی از مهم‌ترین چیزهایی که درباره یه کسب‌وکار یاد گرفتم، دقیقاً از جاهایی اومده که تصمیم گرفتم یه مورد عجیب رو همین‌طوری صاف‌وسوف نکنم و ازش نگذرم. مثلاً یه افت تکراری در آمار که بعداً معلوم شد مشکل از کسب‌وکار نیست؛ یه مشکل فنی باعث شده بود سیستم هر بار بخشی از اطلاعات رو ثبت نکنه. یا یه سگمنت «خراب» که آخرش مشخص شد اصلاً خراب نیست، بلکه نشون‌دهنده یه رفتار کاملاً جدید از طرف مشتری‌هاست؛ چند ماه قبل از اینکه اصلاً کسی براش اسم بذاره. یا یه عددی که بیش از حد خوب به نظر می‌رسید و باعث شد یه باگ دوباره‌شماری رو پیدا کنیم، قبل از اینکه این اشتباه راهش رو به گزارش هیئت‌مدیره باز کنه.

قاعده خیلی ساده‌ست، ولی کمتر کسی واقعاً رعایتش می‌کنه: قبل از اینکه یه مورد عجیب رو حذف کنی، اول بفهم چرا این‌طوری شده. حتی اگه فقط بتونی در حد یه جمله توضیحش بدی. «نمی‌دونیم» می‌تونه جواب قابل قبولی باشه، ولی فقط برای یه مدت کوتاه. داده‌های پرت، خبرچین‌های مجانی‌ان؛ قبل از اینکه بندازیشون بیرون، یه کم ازشون سؤال‌وجواب کن.


👑 توضیحات در مورد دوره منتورینگ
🏆 نحوه ثبت‌نام در دوره منتورینگ
🤝 تجارب موفق قبلی بچه‌ها از منتورینگ

🛠 راه‌ ارتباطی مشاوره تخصصی کسب‌وکار در زمینه دیتا و هوش مصنوعی

@reza_jafari_ai