Телеграм канал «Mohammad Discovery»

دوستان دنبال یه نفر یا چند نفر هستم که بتونه با کمک ابزارهای هوش مصنوعی، روی موضوعات مختلف تحقیق عمیق و دقیق انجام بده.

جنس پروژه‌ها اینطوریه که ممکنه لازم باشه بین حجم زیادی از ویدئوهای یوتیوب، پادکست‌ها، مصاحبه‌ها، مقالات، گزارش‌ها یا حتی آرشیوهای قدیمی جست‌وجو بشه و اطلاعات و بخش‌های مهم از بینشون دربیاد.

مثلا یه پروژه می‌تونه این باشه که بررسی بشه از ۵۰-۷۰ سال پیش تا امروز، آدم‌های مختلف درباره آینده هوش مصنوعی چی گفتن و ویدئوها و منابع اصلی اون صحبت‌ها پیدا بشه.(ویدئویی به طور خاص)

یا مثلا پادکست‌ها و مصاحبه‌های مختلف بررسی بشن تا ببینیم اقتصاددان‌ها درباره یه اتفاق مهم و تأثیرش روی اقتصاد دنیا چه تحلیل‌هایی داشتن.

چیزی که برامون مهمه اینه که بخش زیادی از این کار با ابزارهای AI انجام بشه؛ یعنی به جای دیدن دستی ده‌ها ساعت ویدئو و پادکست، از ابزارهای مختلف برای استخراج و جست‌وجوی Transcript، پیدا کردن قسمت‌های مهم و درآوردن لینک و Timestamp دقیق استفاده بشه.

در کنارش باید منابع اصلی پیدا و ادعاها Fact-check بشن، دیدگاه‌های مختلف کنار هم قرار بگیرن و در نهایت یه خروجی مرتب و قابل استناد از تحقیق دربیاد.

صرفا آشنایی با ChatGPT مدنظر نیست. دنبال کسی هستیم که ابزارهای مختلف AI رو بشناسه یا بتونه سریع پیداشون کنه و برای هر پروژه یه Workflow مناسب بچینه تا کار سریع‌تر و دقیق‌تر جلو بره.

تسلط خوب به انگلیسی و مهارت سرچ و تحقیق برای این کار خیلی مهمه.

همکاری به‌صورت پروژه‌ای هست و با یک پروژه مشخص شروع می‌شه.

اگه که خودت هستی یا کسی رو پیشنهاد داری و یا اطلاعات بیشتری می خوای ممنون میشم باهام ارتباط بگیری

@Mammadjafari

شبکه سازی یه خصیصه دیگه هم داره
ذاتش با سخاوتمندی هم عجینه،
نمیشه تو حس کنی شبکه ت یه چیز ارزشمنده و مخفی برای خودت نگهش داری، یا می تونی دوستاییت رو بهم معرفی کنی که آشناییشون می تونه برای هر دوتاشون اتفاقای خوب رقم بخوره و سعی کنی مانع این کار بشی، یا توی یه کامیونیتی جذاب هستی و سعی کنی فقط برای خودت بمونه و به اطرافیانت نگی، یا اگه دیدی به کسی می تونی کمک کنه خودت فعالانه بهش پیشنهاد ندی و همراهیش نکنی، تو نمی تونی سخاوتمند نباشی و شبکه قدرتمندی داشته باشی، سخاوتمندی بخشی از این رابطه ی پنهان هست، چون تعداد افراد شبکه وقتی بشناسیشون ولی کیفیت لازم رو نداشته باشن یه سری شماره تلفن هستن، شبکه تو مال تو نیست، تو عضوی از اون شبکه ای، پس هر چقدر بتونی روح سخاوت توی رفتارهات باشه طعم رابطه ها رو دلنشین و شیرین می کنه، آدما باهات خوش فازتر و مثبت ترن، در شرایطی که قراره شبکه برات کار کنه، شبکه برات سخاوتمندانه کار می کنه و سعی می کنه تمامش رو بذاره.

ناویه‌-استوکس و نبرد نابرابر ماشین با انسان؛ وقتی بودجه پردازشی جای نبوغ را می‌گیرد

 
 
شرکت OpenAI دیروز (8 سپتامبر) اعلام کرد که سیستم چندعاملی جدید این شرکت (نسخه‌ای پیشرفته‌تر از مدل GPT 6 Astra) موفق شده یکی از هفت مسئله لاینحل جایزه هزاره، یعنی «معادلات ناویه-استوکس» را حل کند. این یک نقطه عطف تاریخی در تلاقی هوش مصنوعی و علوم پایه است، اما داستان در پس‌زمینه بسیار هیجان‌انگیزتر و البته پرحاشیه‌تر از یک موفقیت علمی ساده است. پیشنهاد می‌کنم قبل از خواندن ادامه متن، این دو پست درباره معادله «ناویه-استوکس» و اهمیت بُن‌داشتی‌کردن (Axiomatization) مفاهیم را مطالعه کنید.
 
مدل هوش مصنوعی اثبات کرد که در سیالات سه‌بعدی تراکم‌ناپذیر، جریان می‌تواند از حالت نرم در زمان متناهی دچار «تکینگی» (سرعت بی‌نهایت محلی) شود. سیستم هوش مصنوعی این کار را با همراهی کردن شبکه‌ای از ۱۰ هزار ایجنت انجام داد. مدل ابتدا نسخه بدون ویسکوزیته (مسئله منظم‌بودن معادلات اویلر) را طی حدود ۵۰ ساعت حل کرد. سپس با هدایت یافته‌ها به سمت ناویه-استوکس، اثبات کامل ظرف حدود ۸۸ ساعت به دست آورد و در نهایت اثبات منطقی آن را در نرم‌افزار Lean راستی‌آزمایی کرد.
 
این دستاورد با تبادل ۲.۷ میلیون پیام بین عامل‌های هوش مصنوعی و مصرف سرسام‌آور ۳۰۰ میلیارد توکن خروجی به دست آمد. برآوردها نشان می‌دهد که OpenAI برای حل مسئله‌ای که جایزه مؤسسه کِلِی (Clay) برای آن تنها یک میلیون دلار است، حداقل ۱۵ میلیون دلار هزینه پردازشی (Compute) صرف کرده است (که برخی هم گفته‌اند 20 میلیون دلار که در هر شکل برای این شرکت خیلی فرقی نمی‌کند!). این حرکت در واقع یک قدرت‌نمایی محض برای اثبات برتری مطلق مدل‌های آینده این شرکت است. البته OpenAI تأکید کرده که قصدی برای مطالبه جایزه نقدی مؤسسه ریاضیات کِلی ندارد و هدف اصلی از انتشار این دستاورد، نمایش جهش توانایی مدل‌های هوش مصنوعی در پیشبرد پژوهش‌های عمیق علمی و یادآوری اهمیت توسعه مسئولانه آن است.
 
حالا چون لفظ مسئولانه! ذکر شد، یک وجه جالبتر داستان این است که تریستان باک‌مستر (استاد دانشگاه نیویورک) و لونت آلپوگه (پژوهشگر شرکت رقیب یعنی Anthropic) از ماه‌ها قبل روی این مسئله کار می‌کردند و پیش‌نویس‌های محاسباتی خود را در ابزار برنامه‌نویسی Codex شرکت OpenAI قرار داده بودند. دکتر باک‌مستر مدعی است که داده‌های وی در codex برای بهبود مدل استفاده شده است و با وجود اینکه OpenAI دسترسی مستقیم به داده‌های شخصی این پژوهشگران را تکذیب کرده، اما در بیانیه خود اعتراف کرده است که «نمی‌تواند کاملاً رد کند که داده‌های بدون هویت کاربران به بهبود مدل‌هایشان کمک کرده باشد». و در توییتر متیو گرین (از متخصصین به ‌نام رمزنگاری) در واکنش به این موضوع اشاره کرد که چنین دفاعیه‌ای به هیچ وجه دستاورد تبلیغاتی جالبی برای این شرکت نیست. کارشناسان دیگر نیز نگران شده‌اند که زین پس صرف آگاهی از وجود یک راه حل کشف‌نشده، شرکت‌های بزرگ را ترغیب می‌کند تا با سرازیر کردن میلیون‌ها دلار توان پردازشی، زحمات محققان مستقل را بربایند.

البته این ادعا هم مطرح شده است که OpenAI پس از شنیدن شایعاتی مبنی بر نزدیک شدن این دو نفر به جواب نهایی، توان پردازشی عظیم خود را سرازیر کرده تا این افتخار را پیش‌خور کند. باک‌مستر فاش کرده که OpenAI به او پیشنهاد داده در ازای حذف نام همکارش آلپوگه به دلیل وابستگی سازمانی به شرکت رقیب (حضرت آنتورپیک) از مقاله، این دستاورد را به صورت مشترک منتشر کنند؛ پیشنهادی که با قاطعیت و خشم رد شد!
 
نکته مهم:
من سال 2015 پیش‌بینی کرده‌ بودم که از حدود سال 2028 پژوهش در عرصه علوم پایه همچون ریاضی و فیزیک احتمالا بی‌معنی می‌شود و هیچ تیم پژوهشی نمی‌نواند با قدرت ماشین رقابت کند که پیش‌بینی‌ام اشتباه بود و خطای 3-4 ساله داشته و انبوهی از مسائل ریاضی و فیزیک و شیمی و ... توسط ماشین و دانشمندان علوم داده! و محققان بین‌رشته‌ای در دو سال گذشته در حال حل شدن است. در همین ماجرای فعلی هم دعوی میان دو شرکت هوش مصنوعی برای اثبات تقدم در حل مسئله است!!
حالا اینکه در حالت بسیار رادیکال آیا باید کتابهای علمی را بازنویسی کرد یا نه واقعاً فعلاً ایده‌ای ندارم، ولی مطمئن هستم مسیر پژوهش متفاوت شده است و اگر یک نهاد/فرد/تیم آموزشی-پژوهشی همچنان با الگوی قدیم بخواهد کار کند، هیچ شانسی نخواهد داشت و همچون بوزینه است در برابر انسان!
 
جالب اینکه همین الان و فراتر از رقابت‌های شرکتی، چهره‌های برجسته‌ای مانند ترنس تائو (ریاضی‌دان نامدار) نگرانی عمیق‌تری را مطرح کرده‌اند. اگر ماشین‌ها بتوانند با تزریق ده‌ها میلیون دلار پول و پردازشگر، مسائل غامض را حل کنند، جامعه علمی از «ارزش اکتشافی» و بینش‌های نابی که در مسیر سخت و انسانی حل مسئله به دست می‌آید محروم خواهد شد!، که خب من با این جمله و نظر زاویه دارم، چون اون بینش ناب قرار بوده برای هدف توسعه علم بکار برود و در ذات خودش ارزش مهمتری ندارد.
 
ما وارد پارادایم جدیدی شده‌ایم که کشف علمی نه فقط به نبوغ، بلکه به بودجه‌های پردازشی عظیم وابسته می‌شود. زنگ خطر برای تمام پژوهشگران مستقل به صدا درآمده است و پیشنهاد اکید دارم در چشم‌انداز شغلی خودتان بازنگری کنید.

@MasoudSharings

گفتیم که
یک محصول قراره به دست مشتری برسه و براش ارزشی خلق کنه و مشتری حاضره در برابر اون ارزش هزینه (پول یا زمان) پرداخت کنه.
مسئول این کار کیه؟ مدیرعامل

مدیرعامل در گذر زمان این مسئولیت رو به مدیر محصول ارشد واگذار می کنه و مدیر محصول ارشد هم بخش های مختلف ایجاد می کنه تا سطح ای پی ام،
و نقش مدیر محصول که کارش خلق ارزش و کسب ارزش (بخوانید پول درآوردن، سود) بود شد مبصر محصول، شد پیام رسان مدیرعامل.
بخش فنی هم از جاهای پیچیده سازمان بود و هست، امیدوارم این تیکه از حرفم بایاس نباشه و بخشی از واقعیت باشه، اما طبق تجربه و شنیده ها همکاران فنی همیشه یه دلخوری و ناراحتی درون از خودشون داشتن، اینکه ما محصول رو می سازیم، ما پشت سیستم کد می زنیم، ما دائم سرمون توی یه جعبه خسته کننده س و میان یه سری عبارات انگلیسی و اعداد و علامت ها پرسه می زنیم ولی یکی دیگه بیشتر پول در میاره، انگار توی ضمیر ناخودآگاهشون کارآفرین های اصلی اونا هستن، استیو جابز و بیل گیتس و ایلان ماسک بعدی باید اینا می بودن ولی نشد، سرمایه نبود، کسی حرفشون رو گوش نداد، و وقتی بعضی هاشون فهمیدن توی سازمان بقیه هیچی از تکنولوژی نمی فهمن و دنیای کد براشون آزاردهنده س، فهمیدن یه ابزار قدرتمند دارن، می تونن ازش استفاده کنن،
نه اینکه لزوما همه اینجورین، نه اینکه لزوما همیشه استفاده کنن، ولی یه ابزاره، به محض اینکه بخوان ازش استفاده کنن می کنن،
حالا تصور کنین حس کنن یکی به اسم مدیر محصول اومده و چون مدیرعامل نمی خواد درگیر این مکالمات و جزئیات بشه، فضای ذهنی مدیر محصول رو جوری مدیریت می کنه که فلان خروجی چی شد، این مدیر محصول هست که قراره به فرد فنی بگه این چی شد، این رو بزن، این رو اولویت قرار بده و سیستم باز به مدل دیگه ای بهم می ریزه.
و مدیر محصول نه این قدرت و توانایی رو داره که مدیرعامل رو مدیریت کنه نه تخصصی می تونه با مهندس نرم افزار تعامل کنه، نه اصلا فهمیده کسب و کار چیه و پول چیه و متاسفانه نه مدیربالاسری با تجربه و حرفه ای داره که بتونه کم کم اون رو منتوری کنه و این مسیر رو بهتر بهش آموزش بده که درآمد یعنی چی، نیازهای مشتری یعنی چی، مدیریت ذی نفعان یعنی چی، وارد بازی های کنترل پروژه ای نشدن یعنی چی.
مدیر محصول این مشکل رو با طراح محصول هم تا حدی احتمالا داره، با بخش توسعه کسب و کار مارکتینگ هم به نوعی دیگه داره،
گاهی این مشکلات و چالش ها اینقدر مثل گراف به هم وصل میشن که نه هر فرد از شغل خودش راضیه، نه هیجان رشد رو داره و نه می دونه باید چیکار کنه.
هنوز دارم در فضای مشکل حرف می زنم و از مشاهده ها و رویدادها می گم.
.............
قسمت دوم

این سال ها سر این زیاد صحبت کردیم که مدیر محصول کیه و چیکار می کنه و البته چرا خیلی از مدیران محصول هم رضایت شغلی مطلوبی ندارند.
این مقاله رو بدون ویرایش و چارچوب بندی دارم در لحظه می نویسم
ولی سعی می کنم به ابعاد مختلفش نگاه کنم.
.....
مهم ترین سوالی که باید بهش پاسخ بدیم اصلا چرا ما مدیر محصول داریم؟
خیلی من نمی خوام به تاریخچه و نحوه شکل گیریش نگاه کنم، چون هر چه که باشه ما الان برامون شفاف هست که در کسب و کارها کجا هستیم،
یک محصول قراره به دست مشتری برسه و براش ارزشی خلق کنه و مشتری حاضره در برابر اون ارزش هزینه (پول یا زمان) پرداخت کنه.
مسئول این کار کیه؟ مدیرعامل
مدیرعامل هست که مسئول این بخشه، کنار توجه به بخش ها مالی، عملیاتی، مارکتینگ مسئول این بخش هم هست،
چه یک شرکت یه محصول داشته باشه چه چند تا محصول، وظیفه مدیر عامل همینه، مدیرعامل قراره سود و ارزش سهام سهامدارها رو در بلند مدت بیشتر کنه، که ممکنه خودش هم یکی از سهامدارها باشه یا نباشه.
تنها مدیرمحصول تلگرام، پاول دوروف هست، همون مدیرعامل و کوفاندرش
اما گاهی به هر دلیل شرکت ها بزرگتر میشن، مدیرعامل لزوما دانش و تجربه عمیق محصول رو نداره، ممکنه در بخش مالی، مارکتینگ و عملیاتی هم پیش بیاد
پس چه اتفاقی میفته، اون جایی که قرار بود یه محصول ساخته بشه که برای مشتری ارزش خلق کنه و مشتری هم در برابر ارزش هزینه پرداخت کنه رو گاهی یه مدیر محصول به عهده می گیره،
چنانکه ممکنه کل کارهای مارکتینگ همون محصول یا شرکت رو هم یه مدیر مارکتینگ به عهده بگیره.
حالا همین مسیر رو وقتی جلو می ریم سی لول ها در سازمان ها شکل می گیرن، لیدها(راهبرها)، سینیورها و همین جور بیایم پایین تر.
نیاز هست؟ توی موارد خیلی کم آره ولی در موارد خیلی زیادی نه.
به هر حال تیم ها بزرگ تر می شن و ساختار به طور خاص برای مدیران محصول از سی پی او تا ای پی ام شکل می گیره.
مشکل اصلی و کانفلیکت ها همین جاهاس.

1-اون ای پی ام یا پی ام جای اینکه نگاه بیزینس و مفهوم تبادل ارزش رو بفهمه/ پول رو بفهمه/ پیچیدگی های بیزینس رو بفهمه مثل یه مدیرعامل، از یه زاویه دیگه وارد دنیای محصول میشه،
پی آر دی برامون بنویس.
این فیچر چیشد.
تیم فنی چرا خروجی نمیده.

در واقع دنیای فردی که وارد محصول شده جور دیگه ای شکل می گیره، انگار نه آتوریتی و اختیار عجیبی داره، نه تجربه و فهم بیزینس عمیقی رو داره، نه توانایی های تخصصی خاصی و در دام فردی که قراره کنترل پروژه کنه میفته،
اینجاس که نقشی که هویتش قرار بود خلق و تبادل ارزش باشه که کار مدیرعامل بوده میشه.
مبصر فیچرها
پاسبان تسک ها
پیگیر بی اختیار
منشی کارها
واسط غرزدن ها

بله میشه پروژه بان
اون فردی هم که با کلی امید خواسته در دنیای محصول وارد بشه و خودش رو در دنیای خلق کردن دیده بوده، شده مبصری که خیلی جاها احساس ناکافی بودن بهش دست میده.
این سیکل اگر که با شخص اشتباهی هم سینک بشه، فرد هم به جای کشف خودش و کشف شرایط
مقابله می کنه و به نوعی با مقابله کردن خودش رو می خواد اثبات کنه.
و وقتی یه چنین سیستمی ایجاد میشه، فرد با همین نگاه در سازمان بزرگ میشه و اونی که قرار بود یه روزی یکی از کارهای مهم مدیرعامل رو انجام بده یه اجرا کاری هست که خیلی وقت ها نبودش از بودنش بهتر میشه،
........
قسمت اول رو نوشتم به مرور تکمیلش می کنم.

✅ دوره هوش مصنوعی در خدمت کسب و کار

متأسفانه یا خوشبختانه مسئله بهره وری روز به روز جدی تر می شه و زندگی ما آدما رو هم بهتر کرده و هم پر اضطراب تر.
نه هوش مصنوعی قراره همه‌ی مسئله‌های ما را حل کنه و نه می‌شه تأثیرش رو توی بهره وری ندید، واقعیت اینه هر کی فهم بهتری نسبت به هوش مصنوعی و ابزارهاش پیدا می کنه ظرفیت متفاوت تری رو برای خودش ایجاد کرده، توانمندی های متفاوت تری به دست آورده.
موضوع نه هیجان‌زده‌شدن هست و نه ترسیدن، نه حس قدرت برای ظرفیت های ایجاد شده س و نه مضطرب شدن برای عقب افتادن.
موضوع، پذیرفتنِ اجتناب ناپذیر بودن این مسیره

دیر یا زود باید بتونیم خودمون رو تطبیق بدیم و به نظرم هر چه زودتر یعنی بهره وری بهتر و استفاده از فرصت های بیشتر.

اگه دوست داشتین می تونین یه سر به دوره هوش مصنوعی در خدمت کسب و کار بوژان بزنین.
مناسب برای همه افرادی که در شرکت های تکنولوژی کار می کنن.

لینک سایت و اطلاعات بیشتر

https://bozhan.school/courses/ai-powered-business/

AI-Powered Business