سؤال اصلی که قرار بود جواب بدیم این بود که " آیا نرخ دلار واقعاً تابع عملکرد رئیس‌جمهوره؟"

مقایسه‌ی صرف درصد افزایش دلار در دوره‌های مختلف، به‌تنهایی تصویر کاملی به ما نمی‌ده. شرایطی که هر دولت اقتصاد رو تحویل گرفته یکسان نبوده؛ میزان دسترسی به منابع ارزی، درآمدهای نفتی، اندازه‌ی اقتصاد، شدت تحریم‌ها، امکان جابه‌جایی پول و قدرت مداخله‌ی بانک مرکزی در بازار ارز در هر دوره متفاوت بوده.

برای مثال، در سال‌هایی که منابع ارزی در دسترس‌تر بوده و محدودیت‌های خارجی کمتر بوده، سیاست‌گذار ابزارهای بیشتری برای کنترل بازار ارز در اختیار داشته. بنابراین اگر در یک دوره رشد دلار کمتر از دوره‌ای دیگه بوده، لزوماً نمی‌شه از این موضوع نتیجه گرفت که مدیریت ارزی بهتری انجام شده.

به نظرم مقایسه‌ی معنادارتر زمانی شکل می‌گیره که عملکرد هر دولت رو نسبت به منابع، ابزارها و محدودیت‌هایی که در اختیار داشته بررسی کنیم. ممکنه با چنین تعدیلی، تصویر بعضی از دوره‌ها ــ مخصوصاً سال‌های پیش از دهه‌ی ۹۰ ــ با چیزی که از نمودار خام برداشت می‌کنیم متفاوت باشه.

اما نکته‌ی مهم‌تر برای من اینه که با نگاه به چند دهه و چند دولت متفاوت، به نظر می‌رسه روند بلندمدت افزایش نرخ ارز و تورم را نمی‌شه صرفاً به عملکرد هیت دولت و رئیس‌جمهور نسبت داد. تغییر دولت‌ها، گرایش‌های سیاسی و شرایط مقطعی، مسیر کلی کاهش ارزش پول ملی رو متوقف نکرده.

این موضوع این احتمال رو تقویت می‌کنه که بخش بزرگی از مسئله، ریشه در سیاست‌های کلان و ساختاری پولی، مالی و ارزی کشور داشته باشه؛ سیاست‌هایی که فراتر از عمر یک دولت ادامه پیدا می‌کنن.
در نتیجه، نسبت دادن افزایش نرخ ارز صرفاً به فردی که در مقطع خاصی رئیس‌جمهور بوده، می‌تونه نوعی آدرس اشتباه دادن درباره‌ی منشأ مسئله باشه.

شاید سؤال اصلا این نباشه که:
«دلار در دوره‌ی کدام رئیس‌جمهور بیشتر افزایش پیدا کرد؟»
بلکه این باشه:
«چه سیاست‌های کلانی طی چند دهه باعث شده‌اند که با وجود تغییر دولت‌ها، تورم و کاهش ارزش پول ملی همچنان ادامه پیدا کنه؟»

@Ai_Events

احتمالا این بخش از کنسرت خانم لارا فابین رو دیده باشین که چه حجمی از احساسات رو در لحظه‌ی اجرای je taime برمی‌انگیزه...

من با هربار دیدنش، قلبم می‌خواد از شدت هیجان و احساس از جا کنده شه…



پا قدم پاییز خوش یُمن 🧡

@Ai_Events

The discourse keeps missing the point. The problem isn't Claude writing code, it's that nobody is reviewing it!

AI is a tool; the failure is management stripping out the human verification step entirely and calling it speed.

@Ai_Events

ادبیات استارتاپی 😂😂😂


آقا این یه دونه پست غیر فنی رو هم بذارم و بعدش همش فنی فنی فنی

@Ai_Events

کاری به توزیع نرمال انتخاب وزنه‌ها ندارم، چرا همه 95 رو نادیده گرفتن و از 90 پریدن روی 100؟؟ 😂😂

اگر میزان ساییدگی صحفه‌ها رو تعداد استفاده از اون صفجه در نظر بگیریم، اینجا می‌تونیم بگیم که انتخاب وزنه‌ی 95 دچار Local Anomaly شده، یعنی اینکه انسان‌ها در انتخاب این صفحه نسبت به نزدیک‌ترین همسایه‌هاش، رفتار متفاوتی دارن!

آنومالی چیه؟ به صورت کلی رفتاریه که به شکل معناداری با الگوی مورد انتظار داده‌ها متفاوته.

خوبه که بگم سه نوع آنومالی دیگه داریم:

اول Global Anomaly: رفتار نسبت به کل داده‌ها غیرعادیه، مثلا یکی یهو هزار میلیارد میاد به حسابش (خدایا برسون برامون، با همین نرخ ارز البته).

دوم Contextual anomaly: رفتار در یک شرایط یا موقعیت خاص غیرعادیه (مثلا سرعت 120 تو اتوبان عادیه ولی تو پارکینگ غیر عادی حساب میشه).

سوم Collective anomaly: چند تا داده کنار هم آنومالی میسازن. مثالش رو خودتون بزنید من دیگه حال ادامه دادن ندارم ....

@Ai_Events

به مناسبت روز آمار | وبینار تخصصی آمار و هوش مصنوعی

در دنیای امروز، داده‌ها نقش مهمی در تصمیم‌گیری‌های دقیق و هوشمند دارند. در این وبینار، با کاربردهای آماری در هوش مصنوعی و نقش آمار در ساختن آینده‌ای هوشمند آشنا می‌شویم.

سخنرانان:
دکتر محمد مرادی، دانشیار گروه آمار دانشگاه رازی
دکتر رحیم محمودوند، دانشیار گروه آمار دانشگاه بوعلی‌سینا

زمان برگزاری: جمعه، ۱ آبان ساعت ۱۹

ورود به جلسه:
https://meet.google.com/svc-qkra-ikx

https://t.me/statistics_razi
https://t.me/Amar_kadeh

@Ai_Events

ارائهٔ تاکچه با موضوع «افسار! (Harness)»
ارائه دهندگان:
آرش ماری‌اوریاد
کیارش رضایی

سه‌شنبه ۱۲ آبان‌ماه، ساعت ۱۸:۳۰
طبقهٔ چهار دانشکدهٔ کامپیوتر دانشگاه شریف، سالن خوارزمی

همه معجزهٔ LLM ها را دیده‌ایم: به‌راحتی تمرین‌های درسی را می‌زنند و مسائل المپیاد را حل می‌کنند. ​اما LLM ها به‌تنهایی صرفاً مغزهای نابغه‌ای در شیشه هستند؛ نه حافظه‌ای دارند، نه بدن و نه تعامل مؤثر با محیط.

​معجزهٔ واقعی زمانی رخ می‌دهد که به این مدل‌ها دست‌ و پا بدهیم؛ رازی که پشت ابزارهایی مثل Claude Code خوابیده و آن‌ها را به غول‌های توانمندی تبدیل کرده که از پس هر کاری برمی‌آیند. ​به این لایهٔ نرم‌افزاری که کمبودهای مدل را با حافظه، ابزار و مدیریت وظایف جبران می‌کند، Harness یا همان «افسار» می‌گوییم.

با Harness، ما انسان‌ها در حال کندن گور خود هستیم؛ اخبار پر است از سناریوهایی که مدل برای بقاء دست به اخاذی از توسعه‌دهنده‌اش زده است یا سندباکس خود را هک کرده است. ​در این ارائه، Harness را کالبدشکافی می‌کنیم و از خطرات آن تا رویای رسیدن به AGI صحبت می‌کنیم.

@ssc_talkche
@cafe_ssc


@Ai_Events

گوگل و درآمد 3 ماهه 127 میلیارد دلاری!

برای درک بزرگی این عدد در نظر بگیرید مثلا کل بودجه سال 1405 ایران (12 ماه) حدود 58 میلیارد دلار هستش!

@Ai_Events

آیا برای پیشرفت هوش مصنوعی، واقعا به مدل‌های بزرگ‌تر و داده‌های بیشتر نیاز داریم؟

در سال‌های اخیر، بخش قابل‌توجهی از پیشرفت هوش مصنوعی با افزایش حجم داده‌های آموزشی، تعداد پارامترها و توان پردازشی همراه بوده است. اما سوال این‌جاست که آیا بزرگ‌تر شدن مدل‌ها لزوما به معنای یادگیری بهتر و درک عمیق‌تر آن‌ها از جهان است؟

به‌تازگی مقاله‌ای از Yann LeCun و Randall Balestriero منتشر شده که به بررسی فرضیه‌ای به نام «Platonic Representation Hypothesis» می‌پردازد. تصور کنید دو مدل هوش مصنوعی، یکی فقط با تصاویر و دیگری با متن آموزش ببینند. آیا ممکن است این دو مدل، بدون ارتباط مستقیم با یکدیگر، در نهایت به بازنمایی مشابهی از جهان برسند؟

پژوهشگران با استفاده از معماری JEPA نشان داده‌اند که مدل‌ها می‌توانند به‌جای تمرکز بر پیش‌بینی بخش بعدی داده‌ها، از طریق یادگیری روابط میان مشاهدات مختلف، به بازنمایی‌های مشترکی از جهان دست پیدا کنند.

نتایج پژوهش هم جالب توجه است. در یکی از آزمایش‌ها، مدل مبتنی بر JEPA با حدود ۲۱ میلیون نمونه آموزشی، به سطحی از هم‌خوانی میان بازنمایی‌های متن و تصویر رسیده که مدل مبتنی بر پیش‌بینی کلمه بعدی، برای رسیدن به آن به حدود ۹۰۰ میلیون نمونه نیاز داشته است؛ یعنی تقریبا ۴۲ برابر نمونه آموزشی کمتر!

همچنین مدلی با تنها ۱۰۹ میلیون پارامتر، در معیار هم‌خوانی بازنمایی‌های متن و تصویر، عملکرد بهتری نسبت به مدل‌های زبانی بزرگی مانند Llama 3 با ۷۰ میلیارد و Qwen2.5 با ۷۲ میلیارد پارامتر داشته است.
البته این نتایج به معنای برتری JEPA در تمام زمینه‌ها یا جایگزینی مدل‌های زبانی بزرگ نیست، بلکه نشان می‌دهد روش آموزش می‌تواند نقش مهمی در کیفیت بازنمایی اطلاعات داشته باشد.

به‌نظرم نکته مهم این پژوهش، فراتر از اعداد و نتایج آزمایش‌هاست. شاید برای رسیدن به مدل‌های هوشمندتر، پیش از افزایش تعداد پارامترها و حجم داده‌ها، باید بیشتر به این موضوع توجه کنیم که اساسا چه چیزی را به مدل آموزش می‌دهیم و مدل چگونه آن را یاد می‌گیرد.

در نهایت سوال این‌جاست که آیا آینده هوش مصنوعی در ساخت مدل‌های بزرگ‌تر است یا پیدا کردن روش‌هایی که با داده‌های کمتر، شناخت بهتری از جهان ایجاد می‌کنند؟

مقاله:
https://arxiv.org/pdf/2610.39302

@Ai_Events
.
.

ارائهٔ تاکچه با موضوع «مأموران سرکش!»

ارائه دهنده:
امیرمهدی هدایتی پور

سه‌شنبه ۱۹ آبان‌ماه، ساعت ۱۸:۳۰
طبقهٔ چهار دانشکدهٔ کامپیوتر، سالن خوارزمی

⚪️    داستان از یک آزمون برای سنجش توانایی ایجنت‌های OpenAI شروع شد؛ اما اتفاقاتی افتاد که همه را غافل‌گیر کرد. هزاران ایجنت برای رسیدن به اهداف آزمون دست به تقلب زدند. توانستند به زیرساخت آزمون نفوذ کنند، با یکدیگر ارتباط برقرار کنند و حتی به‌طور غیرمجاز به اینترنت دسترسی پیدا کنند. برای خود رهبر انتخاب کردند، تلاش کردند رد تقلب‌هایشان را پنهان کنند و حتی دست به فداکاری بزنند و از همه تعجب‌برانگیزتر به‌طور ناخواسته به Hugging Face نفوذ کنند!
@ssc_talkche
@cafe_ssc

@Ai_Events

کدکس اوپن سورس شده مثکه!

https://github.com/openai/codex

@Ai_Events

.
.
جن‌سن هوانگ هم همین‌طور!

@Ai_Events
.
.

دومین همایش هوش مصنوعی صنعتی
«از پیش‌بینی کلمه تا پیش‌بردن کار»
هوش مصنوعی چگونه وارد زندگی، کسب‌وکار و صنعت می‌شود؟




زمان: سه‌شنبه ۲۶ آبان‌ماه ۱۴۰۵ ساعت: ۱۷ الی ۱۹

مکان: مشهد، دانشگاه فردوسی، دانشکده مهندسی، آمفی‌تئاتر خوارزمی

حضور در این همایش برای عموم علاقه‌مندان آزاد و کاملاً رایگان است.


09368089900
051-38716942

@Ai_Events

Uncertainty Quantification Journal Club — Fifth Session

Topic: Gaussian Process Regression
Reading: Proceeding the Chapter 2 of Gaussian Processes for Machine Learning
Presenter: Prof. Mohammad Hossein Rohban

Date: Wednesday (چهارشنبه)
Time: 13:00–14:00
Location: Hybrid — in person (Prof. Rohban’s Office) and online

Many different curves can fit the same observations. How should a model make predictions between those observations, and how uncertain should it be where data are scarce?

For the Fifth session of our uncertainty quantification journal club, we will continue to answer a foundational question:
what does it mean to place a probability distribution over functions?

Who is this session for?
Anyone interested in understanding how probabilistic models express uncertainty about their predictions. Basic familiarity with regression, probability, and linear algebra will be helpful; no prior knowledge of Gaussian processes is required except for sessions 3 & 4.
Reading the subsection 2.2 beforehand is encouraged, but you are welcome to join without doing so.

📄 This session’s source book: [Chapter 2: Regression](https://gaussianprocess.org/gpml/chapters/RW2.pdf) — Gaussian Processes for Machine Learning, MIT Press, 2006

- If you have missed the previous sessions, it is highly suggested to follow club’s playlist and review the notes from Uncertainty Quantification Club’s channel

@Ai_Events

به عی‌آی گفتم فلان فیچر ساده رو ایمپلمنت کن. کرد و گفتم تست کردی؟ گفت آره. تنبلی کردم گفتم بهش اعتماد کنم و بدون تست پوش کردم. بعد دیدم یکسری ارور می ده رو سرور. به عی‌آی می گم من این ارورها رو می بینم! مگه نگفتی تست کردی؟ چی جواب بده خوبه؟ گفت: آره اتفاقا منم که تست کردم همین ارورها رو می داد

😂😂
Source

@Ai_Events

شیمی دیجیتال و هوش مصنوعی

skyroom.online/ch/ias/chem


@Ai_Events