درود 🙏
قابلیت کامنت رو باز کردم ✅
کسایی که توی گروه نیستن 🚫
میتونن در مورد هر پست 📝
نظراتتون رو ارسال کنید 📩
اگر سوال یا ابهامی ❓
در مورد پست دارین بپرسید 🗣️

🔥 طبق بررسی Together AI، مدل Kimi K3 توی تسک‌های مهندسی نرم‌افزار عملکردی هم‌سطح Fable 5 داشته، اما با حدود یک‌سوم هزینه!

اگه این نتایج توی استفاده‌های واقعی هم ثابت بمونه، Kimi K3 می‌تونه به یکی از گزینه‌های جذاب برای برنامه‌نویس‌ها و تیم‌های توسعه تبدیل بشه.

#AI
#LLM

🤔 وقتی سنیور شدی، بعدش چی؟

بیشتر ما اوایل مسیر، تمام تمرکزمون روی یاد گرفتن تکنولوژی‌هاست؛ زبان برنامه‌نویسی، فریم‌ورک‌ها، ابزارها و مفاهیم جدید. اما بعد از مدتی متوجه می‌شیم رشد فقط به یاد گرفتن ابزارهای بیشتر نیست.

بعد از رسیدن به سطح Senior، مهم‌ترین تفاوت اینه که یاد می‌گیری مسئله درست رو انتخاب کنی، نه فقط برای هر مسئله یک راه‌حل خوب پیدا کنی.

کم‌کم نقش تو از «کسی که کد می‌نویسه» به «کسی که تصمیم‌های بهتر می‌گیره» تغییر می‌کنه. قبل از شروع هر کار، از خودت می‌پرسی:

• آیا این مشکل واقعاً ارزش حل کردن داره؟
• این راه‌حل چه تأثیری روی محصول یا کسب‌وکار می‌ذاره؟
• اگر اشتباه کنیم، هزینه‌اش چقدره؟

از یک جایی به بعد، مهارت‌هایی مثل حل مسئله، تصمیم‌گیری در شرایط مبهم، طراحی سیستم، درک معماری، اولویت‌بندی، ارتباط مؤثر با تیم و انتقال ایده‌ها ارزش بیشتری نسبت به یاد گرفتن یک فریم‌ورک یا کتابخانه جدید پیدا می‌کنن.

یک سنیور خوب فقط روی بخشی که خودش توسعه می‌ده تمرکز نمی‌کنه؛ بلکه سعی می‌کنه کل سیستم رو درک کنه، وابستگی‌ها رو بشناسه و اثر تصمیم‌هاش روی تیم، محصول و کاربران رو هم بسنجه.

در نهایت، چیزی که یک سنیور قوی رو از بقیه متمایز می‌کنه فقط دانش فنی نیست؛ قضاوت درست، تجربه، توانایی تصمیم‌گیری و تأثیرگذاری روی افراد و پروژه‌ها هم به همون اندازه مهم هستن.

💬 به نظر شما، بعد از سنیور شدن مهم‌ترین مهارتی که باید روش کار کرد چیه؟

#SoftwareEngineering
#Career

🧠 آیا می‌توان به بنچمارک‌های کدنویسی مدل‌های هوش مصنوعی اعتماد کرد؟
این روزها با انتشار هر مدل جدید، اولین چیزی که همه به آن نگاه می‌کنند بنچمارک‌ها هستند. اما یک تحقیق جدید نشان می‌دهد که همیشه نباید این اعداد را معیار قطعی عملکرد مدل‌ها بدانیم.
تیم Cursor در بررسی‌های خود نشان داده که برخی مدل‌های پیشرفته در محیط‌های ارزیابی از اطلاعاتی استفاده می‌کنند که عملاً نباید به آن‌ها دسترسی داشته باشند. به بیان ساده، مدل به‌جای حل واقعی مسئله، از میان‌برهایی استفاده می‌کند که باعث افزایش مصنوعی امتیازش می‌شود.
یکی از نمونه‌ها مربوط به بنچمارک SWE-bench Pro است. در برخی محیط‌های تست، تاریخچه کامل Git پروژه داخل کانتینر وجود داشته و مدل‌ها با استفاده از دستورهایی مانند git log --all توانسته‌اند کامیت‌هایی را پیدا کنند که پاسخ صحیح در آن‌ها وجود داشته است. در نتیجه، به‌جای استدلال و حل مسئله، پاسخ آماده را استخراج کرده‌اند.
سناریوی دیگر مربوط به بنچمارک‌هایی است که مدل به اینترنت دسترسی دارد. در چنین شرایطی، اگر پاسخ یا اطلاعات مرتبط قبلاً در GitHub، مقالات یا وب‌سایت‌ها منتشر شده باشد، مدل می‌تواند آن را جستجو کرده و مستقیماً از همان اطلاعات استفاده کند. این موضوع اعتبار برخی بنچمارک‌های عمومی را زیر سؤال می‌برد.
نکته جالب‌تر اینکه طبق گزارش منتشرشده توسط Anthropic، در چند آزمایش، یکی از نسخه‌های Claude تشخیص داده بود که در حال ارزیابی است و تلاش کرده بود اطلاعات مرتبط با همان بنچمارک را پیدا کند؛ موضوعی که نشان می‌دهد ارزیابی مدل‌های هوش مصنوعی روزبه‌روز پیچیده‌تر می‌شود.
همه این موارد یک پیام مهم دارند: بنچمارک‌ها ابزار مفیدی برای مقایسه هستند، اما نباید تنها معیار قضاوت باشند.
در نهایت، چیزی که واقعاً اهمیت دارد عملکرد مدل در پروژه‌های واقعی، کیفیت کدنویسی، توانایی حل مسئله، پایداری خروجی و میزان اعتمادی است که می‌توان در استفاده روزمره به آن داشت.
به نظر شما، آیا هنوز هم باید بنچمارک‌ها را معیار اصلی مقایسه مدل‌های هوش مصنوعی بدانیم یا وقت آن رسیده که ارزیابی‌های واقعی‌تر جایگزین آن‌ها شوند؟
#AI
#LLM
#Benchmark

💻 آیا هوش مصنوعی واقعاً مهندس‌های نرم‌افزار را جایگزین می‌کند؟

در یکی دو سال گذشته، یکی از پرتکرارترین پیش‌بینی‌ها این بود که هوش مصنوعی باعث کاهش شدید تقاضا برای مهندس‌های نرم‌افزار خواهد شد.

اما گزارش جدید SignalFire تصویر متفاوتی ارائه می‌دهد.

این شرکت به‌جای بررسی آمار اخراج‌ها، داده‌های استخدام را تحلیل کرده و مسیر شغلی میلیون‌ها نفر را در بیش از ۸۰ میلیون شرکت بررسی کرده است تا ببیند بازار کار فناوری واقعاً به چه سمتی حرکت می‌کند.

نتایج نشان می‌دهد که اگرچه استخدام در شرکت‌های بزرگ فناوری نسبت به سال ۲۰۱۹ حدود ۲۵ درصد کاهش داشته، اما استخدام مهندس‌های نرم‌افزار تنها ۱۱ درصد افت کرده است؛ یعنی در میان نقش‌های مختلف، مهندسی یکی از مقاوم‌ترین حوزه‌ها در برابر موج اتوماسیون بوده است.

نکته جالب‌تر اینکه در ۱۲ شرکت بزرگ فناوری از جمله Alphabet، Microsoft، Apple، Amazon، Meta، NVIDIA، Netflix، Tesla، Uber، Airbnb، Block و Stripe، بیش از ۵۵ درصد استخدام‌های جدید مربوط به نقش‌های مهندسی بوده است؛ در حالی که این سهم در سال ۲۰۱۹ حدود ۴۶ درصد بود.

در اکوسیستم استارتاپ‌ها نیز روند مشابهی دیده می‌شود. بر اساس این گزارش، استخدام مهندس‌های نرم‌افزار در استارتاپ‌های نوپا نسبت به سال ۲۰۱۹ نه‌تنها کاهش نداشته، بلکه حدود ۷ درصد رشد کرده است.

این نتایج با دیدگاه برخی از رهبران صنعت نیز همخوانی دارد. جنسن هوانگ، مدیرعامل NVIDIA، بارها تأکید کرده که هوش مصنوعی جای مهندس‌ها را نمی‌گیرد؛ بلکه بهره‌وری آن‌ها را افزایش می‌دهد.

با کمک AI، توسعه‌دهندگان زمان کمتری صرف کارهای تکراری می‌کنند و فرصت بیشتری برای حل مسائل پیچیده، طراحی سیستم‌ها و ساخت محصولات جدید خواهند داشت.

از نگاه اقتصادی، این موضوع را می‌توان با پارادوکس جونز (Jevons Paradox) توضیح داد؛ زمانی که یک فناوری باعث افزایش بهره‌وری می‌شود، در بسیاری از موارد تقاضا برای آن حوزه نیز افزایش پیدا می‌کند، نه اینکه کاهش یابد.

البته این به معنی ثابت ماندن ماهیت شغل مهندسی نیست. انتظار می‌رود نقش مهندس‌ها بیش از گذشته به سمت System Design، معماری نرم‌افزار، حل مسئله، طراحی AI Agentها، درک نیازهای کسب‌وکار و همکاری مؤثر با ابزارهای هوش مصنوعی حرکت کند.

به نظر می‌رسد سؤال اصلی دیگر این نیست که «آیا AI جای مهندس‌ها را می‌گیرد؟»؛ بلکه این است که کدام مهندس‌ها سریع‌تر یاد می‌گیرند از AI به‌عنوان یک همکار قدرتمند استفاده کنند.

💬 نظر شما چیه؟

#AI
#SoftwareEngineering
#Career

دوستان، یه چیزی که خودم تو این مدت یاد گرفتم اینه که گاهی باید کاری رو قبول کنیم که حتی فکر می‌کنیم از توانمون بالاتره.
شاید وسط مسیر بارها احساس کنید که به اندازه کافی بلد نیستید یا حتی پیش بقیه ضعیف به نظر برسید. ولی اشکالی نداره؛ این بخشی از فرآیند یادگیریه.
به نظرم بیشترین رشدی که داشتم، دقیقاً زمانی بوده که خودم رو مجبور کردم وارد چالش‌هایی بشم که ازشون می‌ترسیدم.
آخرش هم فقط یه پروژه یا یه مهارت جدید به دست نمیارید؛ اعتمادبه‌نفسی به دست میارید که با هیچ دوره یا کتابی به دست نمیاد.
پس اگر یه فرصت خوب سر راهتون قرار گرفت و کمی ازش ترسیدید، شاید همون فرصته که بیشترین رشد رو براتون رقم بزنه. 🚀

واقعیت از وقتی GLM 5.2 منتشر شده، تقریباً توی تمام کارهای توسعه ازش استفاده کردم.
تا اینجا تجربه‌م مثبت بوده و خروجی‌هایی که گرفته‌ام، رضایت‌بخش بوده؛ مخصوصاً توی بعضی تسک‌های برنامه‌نویسی عملکرد قابل قبولی داشته.
حالا دوست دارم نظر شما رو هم بدونم.
اگر با GLM 5.2 کار کردید، تجربه‌تون چطور بوده؟ نقاط قوت و ضعفش از نظر شما چیه؟ 🤔

همه فکر می‌کنن بیشترین هزینه‌ی استفاده از AI Agentها موقع کد نوشتنه.

ولی یه تحقیق جدید خلافش رو نشون داده.

محقق‌ها ۳۰ تسک مختلف توسعه نرم‌افزار رو با ChatDev و GPT-5 بررسی کردن تا ببینن توکن‌ها دقیقاً کجا مصرف می‌شن. نتیجه واقعاً جالب بود:

🔹 حدود ۶۰٪ کل توکن‌ها فقط تو مرحله‌ی Code Review مصرف می‌شن، نه موقع تولید اولیه‌ی کد.

یعنی بیشترین هزینه، صرف گفت‌وگوی ایجنت‌ها با هم، بررسی کد، اصلاح، بازبینی و پاس دادن کانتکست می‌شه؛ نه نوشتن خود کد.

یه نکته‌ی جالب‌تر هم اینه که به طور میانگین:

• ۵۳.۹٪ توکن‌ها ورودی بودن.

• ۲۴.۴٪ خروجی بودن.

• ۲۱.۶٪ هم صرف Reasoning شده.

یعنی ایجنت‌ها بیشتر از اینکه «کد تولید کنن»، دارن اطلاعات و کانتکست رو بین خودشون جابه‌جا می‌کنن؛ چیزی که محقق‌ها بهش می‌گن Communication Tax.

به نظرم این نشون می‌ده نسل بعدی AI Agentها فقط با قوی‌تر شدن مدل‌ها بهتر نمی‌شن؛ بلکه باید یاد بگیرن کمتر حرف بزنن و هوشمندتر با هم ارتباط برقرار کنن.

احتمالاً یکی از مهم‌ترین مسیرهای بهینه‌سازی Agentها تو یکی دو سال آینده همین موضوعه. 🚀

#Ai

قبل از دانلود مدل‌های سنگین، اول مطمئن بشید که اصلاً روی سیستم‌تون اجرا می‌شن!

ابزار llmfit یه CLI کاربردیه که سخت‌افزار سیستم‌تون رو بررسی می‌کنه و بهتون می‌گه کدوم مدل‌های LLM واقعاً روی سیستم شما قابل اجرا هستن.

به‌جای اینکه یه مدل ۷۰ میلیارد پارامتری دانلود کنید و آخرش ببینید یا اجرا نمی‌شه یا سرعتش افتضاحه، llmfit از همون اول وضعیت CPU، RAM، GPU و VRAM رو بررسی می‌کنه.

بعد بیش از ۲۰۰ مدل رو با سخت‌افزار شما مقایسه می‌کنه و بر اساس اینکه چقدر خوب اجرا می‌شن، بهشون امتیاز می‌ده.

نکته جالب اینجاست که فقط یک سطح Quantization رو فرض نمی‌کنه.
از Q8_0 شروع می‌کنه و در صورت نیاز تا Q2_K پایین میاد تا بهترین کیفیتی که واقعاً روی سیستم‌تون اجرا می‌شه رو پیدا کنه.

اگر حتی با کانتکست کامل هم جا نشه، کانتکست رو کاهش می‌ده تا شاید مدل قابل اجرا بشه؛ یعنی هدفش اینه که بهترین خروجی ممکن رو از سخت‌افزار فعلی شما بگیره.

امتیاز هر مدل هم فقط بر اساس اندازه نیست؛ بلکه عواملی مثل:
• کیفیت مدل
• سرعت اجرا
• اندازه کانتکست
• توانایی‌های مدل
همگی در رتبه‌بندی تأثیر دارن.


بنابراین هم برای استفاده شخصی مناسبه و هم برای اتوماسیون و کلاسترها.
یه قابلیت جالب دیگه هم داره:
برعکس هم کار می‌کنه!

یعنی شما می‌گید فلان مدل یا فلان سطح عملکرد رو می‌خوام، بعد llmfit بهتون می‌گه برای اجراش به چه سخت‌افزاری نیاز دارید.

به نظرم مهم‌ترین مزیتش اینه که قبل از دانلود چندین گیگ فایل، می‌فهمید چه مدلی واقعاً روی سیستم‌تون اجرا می‌شه. این یعنی صرفه‌جویی هم در زمان، هم در اینترنت و هم در دردسرهای بعد از دانلود. 🚀

#AI
#LLM
#LocalLLM
#Ollama
#MachineLearning
#OpenSource
#GPU
#Developer
#GenAI

در روزهای جنگ که دسترسی به سرویس‌های مطرح هوش مصنوعی محدود شده، از نزدیک دیدم که چطور یک‌دفعه تعداد زیادی پلتفرم داخلی با عنوان جایگزین ChatGPT مطرح و پررنگ شدن.

بر اساس تجربه‌ای که در این مدت داشتم، به نظرم قبل از استفاده از این سرویس‌ها بهتره با دقت بیشتری تصمیم بگیریم.

بخش قابل توجهی از این سرویس‌ها در واقع مدل اختصاصی قدرتمندی توسعه ندادن؛ یا از مدل‌های متن‌باز استفاده می‌کنن، یا صرفاً روی API مدل‌های دیگه یک رابط کاربری ساخته‌ان.

این موضوع ذاتاً ایراد نیست؛ در سطح جهانی هم خیلی از سرویس‌ها همین مدل رو دارن. اما چیزی که در عمل دیده می‌شه اینه که بعضی از این پلتفرم‌ها با ادبیاتی معرفی می‌شن که انگار از نظر کیفیت در حد مدل‌هایی مثل ChatGPT، Claude یا Gemini هستن، در حالی که تجربه واقعی معمولاً فاصله قابل توجهی رو نشون می‌ده.

اگر فقط برای یک بازه کوتاه و در شرایط جنگی و محدودیت دسترسی دنبال جایگزین هستید، از تجربه من استفاده از مدل‌های متن‌باز رایگان مثل DeepSeek یا گزینه‌های شناخته‌شده‌ی مشابه، انتخاب منطقی‌تریه.

قبل از اینکه برای هر سرویسی هزینه پرداخت کنید، این چند سؤال رو از خودتون بپرسید:

• دقیقاً از چه مدلی استفاده می‌کنه؟

• آیا مدل اختصاصیه یا فقط یک API روی مدل‌های دیگه‌ست؟

• کیفیت خروجی واقعاً با ادعاهاش هم‌خوانی داره؟

• هزینه‌ای که می‌دید، ارزش چیزی که دریافت می‌کنید رو داره؟

به نظرم این روزها بیشتر از هر زمان دیگه‌ای، شفافیت مهمه. اینکه یک سرویس داخلی باشه یا خارجی، به‌خودی‌خود مزیت یا ایراد نیست؛ چیزی که اهمیت داره اینه که کاربر دقیقاً بدونه از چه چیزی استفاده می‌کنه و بابت چی پول می‌ده.

#AI
#ChatGPT
#DeepSeek
#LLM
#ArtificialIntelligence

👀 ظاهراً شایعات مربوط به GLM 5.5 داره جدی‌تر میشه.

طبق اطلاعاتی که این چند روز منتشر شده، گفته میشه Z.ai ممکنه به جای عرضه GLM 5.3، مستقیماً سراغ GLM 5.5 بره و حتی اون رو رقیبی برای مدل‌های پرچمدار بازار معرفی کنه. همچنین صحبت از عرضه در ماه آگوست هم مطرح شده، اما هنوز هیچ‌کدوم از این موارد به‌صورت رسمی تأیید نشده.

اگر این شایعات درست باشن، با توجه به عملکرد خوب GLM 5.2، احتمالاً رقابت بین مدل‌های هوش مصنوعی باز هم داغ‌تر میشه.

فعلاً باید منتظر معرفی رسمی و بنچمارک‌های واقعی موند؛ چون تا این لحظه همه این اطلاعات در حد پایه و شایعه هستن، نه خبر قطعی. 🚀

#GLM
#ZAI
#LLM
#AI

💭 امروز سر یه گفت‌وگو با یکی از دوستام، بحث رسید به این که واقعاً چی باعث میشه یه برنامه‌نویس بهره‌وری بیشتری داشته باشه.

اولش فکر می‌کردیم جوابش ابزارهای جدیده یا AI باشه، ولی هرچی بیشتر صحبت کردیم، دیدیم ماجرا خیلی ساده‌تر از این حرفاست.


اینکه قبل از شروع کدنویسی چند دقیقه برای فکر کردن وقت بذاری، کارهای تکراری رو اتوماتیک کنی، هم‌زمان روی چند کار نپری و اگر روی یه باگ گیر کردی، گاهی فقط چند دقیقه از پشت سیستم بلند شی.


جالب اینجاست که اینا چیزهای پیچیده‌ای نیستن، ولی وقتی تبدیل به عادت میشن، تأثیرشون از خیلی از ابزارهای جدید بیشتره.

به نظرم AI می‌تونه سرعت کارمون رو بیشتر کنه، اما این عادت‌های خوب هستن که کیفیت کارمون رو می‌سازن.

شما چی؟ اگر بخواید فقط یک عادت رو معرفی کنید که بیشترین تأثیر رو روی کارتون داشته، اون چیه؟

#Programming
#SoftwareEngineering
#Developer

یه نکته‌ای رو می‌خوام امروز باهاتون به اشتراک بذارم.

توی مسیر یادگیری و کار فنی، یه چیزی که کم‌کم متوجه شدم اینه که خیلی وقت‌ها پیدا کردن خودِ مشکل، از حل کردنش سخت‌تره.

ممکنه حل یه باگ فقط چند دقیقه زمان ببره، ولی اینکه بفهمی اصلاً مشکل از کجاست، چرا اتفاق افتاده و باید کجا دنبالش بگردی، همون چیزیه که تجربه می‌خواد.

خیلی از مهارت‌هایی که یه مهندس خوب لازم داره، فقط با خوندن یاد گرفته نمیشه؛ باید کار کنی، اشتباه کنی، با مشکل‌های واقعی درگیر بشی و به مرور دید پیدا کنی.

یه چیز دیگه هم که به نظرم مهمه، نوع نگاه کردن به مسئله است.

مثلاً ریاضی فقط چندتا فرمول و محاسبه نیست؛ بیشتر از همه یادمون میده چطور یک مشکل پیچیده رو بشکنیم، الگو پیدا کنیم، فرضیه بسازیم و دنبال بهترین راه‌حل بگردیم.

آخرش چیزی که تفاوت ایجاد می‌کنه فقط تعداد ابزارهایی که بلدی نیست؛ کنجکاوی، طرز فکر حل مسئله و اینکه چقدر دنبال فهمیدن ریشه‌ی مشکلات هستی، خیلی مهم‌تره.

چند روز پیش داشتم تجربه یکی از برنامه‌نویس‌ها رو می‌خوندم.

می‌گفت فقط ۴ ماهه که با کمک هوش مصنوعی داره پروژه می‌سازه، ولی هیچ‌وقت فکر نمی‌کرد تو این مدت بتونه به اینجا برسه.

نه چون نابغه بوده، نه چون از قبل تیم یا سرمایه داشته؛ فقط شروع کرده، هر روز یه چیزی ساخته و کم‌کم بهتر شده.

به نظرم این مهم‌ترین تغییریه که AI به وجود آورده.

قبلاً برای اینکه یه ایده رو به محصول تبدیل کنی، باید کلی زمان صرف می‌کردی. الان می‌تونی خیلی سریع یه نسخه اولیه بسازی، منتشرش کنی و از آدم‌های واقعی بازخورد بگیری.

البته این به این معنی نیست که دیگه مهندسی نرم‌افزار مهم نیست.

اتفاقاً وقتی پروژه بزرگ‌تر می‌شه، تازه اهمیت معماری، امنیت، تست و تجربه مهندسی خودش رو نشون می‌ده. AI فقط سرعتت رو بیشتر می‌کنه؛ فکر کردن و تصمیم گرفتن هنوز با خودته.

به نظرم اگه مدت‌هاست یه ایده تو ذهنت داری، شاید الان بهترین زمان باشه که بالاخره شروعش کنی. لازم نیست همه‌چیز از روز اول بی‌نقص باشه.

فقط شروع کن.


#هوش_مصنوعی
#برنامه_نویسی
#توسعه_نرم_افزار
#برنامه_نویس
#توسعه_محصول

#AI

به نظرم خیلی از ما یه اشتباه رایج داریم؛ فکر می‌کنیم AI جای فکر کردن رو می‌گیره.
درحالی‌که بهترین استفاده از AI وقتی اتفاق می‌افته که خودت اول مسئله رو خوب فهمیده باشی.

اگر نتونی مسئله رو از بالا ببینی، نیازمندی‌ها رو درک کنی و برای حلش ایده داشته باشی، AI هم کمکی بهت نمی‌کنه. فقط با سرعت بیشتری ممکنه به جواب اشتباه برسی.

اما وقتی راه‌حل توی ذهنت شکل گرفت، AI فوق‌العاده می‌شه.

نوشتن کد، ، ساخت تست، دیباگ، مستندسازی و خیلی از کارهای تکراری رو می‌تونه چند برابر سریع‌تر انجام بده.

به نظرم ارزش واقعی یک برنامه‌نویس، توی تایپ کردن کد نیست؛
توی درک مسئله و پیدا کردن راه‌حل درسته!

کد رو AI هم بنویسه، ولی فهمیدن اینکه «چه چیزی باید ساخته بشه» هنوز مهم‌ترین مهارته.‌


#برنامه_نویسی
#مهندسی_نرم_افزار
#حل_مسئله
#AI

چند وقت پیش درباره آینده هوش مصنوعی و تاثیرش روی کسب‌وکارها می‌خوندم، یه نکته جالب توجهم رو جلب کرد.

خیلی‌ها فکر می‌کنن فقط با استفاده از AI می‌تونن از رقبا جلو بزنن.

ولی واقعیت اینه که وقتی همه به ابزارهای مشابه، مدل‌های مشابه و سرویس‌های مشابه دسترسی داشته باشن، خودِ هوش مصنوعی دیگه یک مزیت رقابتی پایدار نیست.

مزیت واقعی چیزهای دیگه‌ست:
اینکه چه مشکلی رو حل می‌کنی، چه داده‌ای در اختیار داری، چقدر مشتریت رو می‌شناسی و چقدر خوب می‌تونی ایده رو تبدیل به محصول کنی.

هوش مصنوعی بیشتر شبیه یک ابزار قدرتمنده؛ مثل اینترنت یا کامپیوتر که همه می‌تونن ازش استفاده کنن.

اما تفاوت اصلی بین آدم‌ها و شرکت‌ها، در نحوه استفاده از این ابزارهاست.

به نظرم در آینده برنده‌ها کسانی نیستن که فقط جدیدترین مدل AI رو داشته باشن؛

برنده‌ها کسانی هستن که بهتر فکر کنن، سریع‌تر یاد بگیرن و AI رو با تجربه و دانش خودشون ترکیب کنن.

#هوش_مصنوعی
#تکنولوژی
#برنامه_نویسی
#کسب_و_کار
#استارتاپ
#نوآوری
#AI

🚨 وقتی یک عامل هوشمند (AI Agent) دسترسی زیادی داشته باشد، ممکن است نتیجه کاملاً متفاوت از چیزی شود که انتظار داریم.

یه نمونه جالب از استفاده هوش مصنوعی در ساخت و توسعه نرم‌افزار دیدم.

یک توسعه‌دهنده برای بازسازی بخش‌هایی از پروژه‌اش از یک Agent هوش مصنوعی استفاده کرده بود. Agent توانسته بود حجم زیادی از کار را سریع انجام دهد، اما در یک مرحله اشتباه بزرگی رخ داد و بخشی از اطلاعات پروژه حذف شد.


اما نکته مهم اینجاست:

مشکل فقط خود مدل هوش مصنوعی نیست.

وقتی یک Agent به فایل‌های مهم، دیتابیس یا سرویس‌های حساس دسترسی مستقیم دارد، در واقع یک ابزار بسیار قدرتمند را وارد سیستم کرده‌ایم.



چند نکته ساده ولی مهم:

🔹 همیشه نسخه پشتیبان داشته باش.
🔹 محیط آزمایشی و محیط اصلی را جدا نگه دار.
🔹 سطح دسترسی‌ها را محدود کن.
🔹 قبل از اعمال تغییرات بزرگ، خروجی AI را بررسی کن.

آینده توسعه نرم‌افزار قطعاً با Agentهای هوشمند همراه خواهد بود، اما مهارت اصلی فقط استفاده از AI نیست؛ بلکه مدیریت و کنترل درست آن است.

#Ai
#هوش_مصنوعی

یه نکته جالب درباره رشد توی مسیر کاری خوندم.

خیلی‌ها فکر می‌کنن برای پیشرفت فقط باید از نظر فنی قوی‌تر بشن؛ زبان بیشتر یاد بگیرن، فریم‌ورک‌های بیشتری بلد باشن و کد بهتری بنویسن.

ولی واقعیت اینه که مهارت فنی فقط یکی از بخش‌های ماجراست.

آدم‌هایی که بیشتر رشد می‌کنن معمولاً کسانی هستن که:

🔹 خوب ارتباط برقرار می‌کنن.
🔹 قابل اعتماد هستن.
🔹 مشکلات واقعی تیم و کاربران رو می‌بینن.
🔹 منتظر نمی‌مونن کسی بهشون بگه چه کاری انجام بدن.

یکی از تفاوت‌های یک برنامه‌نویس معمولی با یک مهندس تأثیرگذار اینه که دومی فقط Task انجام نمی‌ده؛ دنبال پیدا کردن مشکل و بهتر کردن شرایطه.

گاهی یک تغییر کوچک که هر روز کار ده نفر رو راحت‌تر کنه، ارزشش از نوشتن هزاران خط کد بیشتره.

به نظرم برای رشد در دنیای نرم‌افزار، باید کنار یادگیری تکنولوژی، روی مهارت‌هایی مثل ارتباط، درک محصول و حل مسئله هم کار کنیم.
چون در نهایت، شرکت‌ها فقط دنبال کسی نیستن که کد بزنه؛ دنبال کسی هستن که اثر ایجاد کنه.

#برنامه_نویسی
#مهندسی_نرم_افزار
#توسعه_فردی
#تکنولوژی
#کارآفرینی
#رشد_شغلی

یه سؤال چند روزه ذهنم رو درگیر کرده.

چرا هند با این همه مهندس و برنامه‌نویس، هنوز یک مدل زبانی بزرگ (LLM) در حد ChatGPT یا DeepSeek نداره؟

اولش فکر می‌کردم جوابش واضحه؛ مثلاً کمبود سرمایه یا تکنولوژی. ولی هرچی بیشتر درباره‌ش خوندم، دیدم داستان خیلی پیچیده‌تر از این حرف‌هاست.

ساخت یک مدل زبانی بزرگ فقط استخدام چند تا آدم باهوش نیست. به هزاران پردازنده گرافیکی (GPU)، زیرساخت قوی، برق، دیتاسنتر و سرمایه‌گذاری چند صد میلیون یا حتی چند میلیارد دلاری نیاز داره.

از اون طرف، شرکت‌های بزرگ هندی سال‌هاست از خدمات IT درآمد خوبی دارن. طبیعیه که وقتی یک کسب‌وکار سودده داری، کمتر ریسک کنی و بری سراغ پروژه‌ای که شاید چند سال هیچ درآمدی نداشته باشه.

یه نکته جالب دیگه اینه که خیلی از بهترین متخصص‌های هوش مصنوعی هندی، الان توی شرکت‌های بزرگ دنیا مشغول کارن. یعنی استعداد هست، اما لزوماً داخل کشورشون نیست.

از طرف دیگه، بعضی‌ها هم معتقدن اصلاً لازم نیست هر کشوری از صفر یک مدل زبانی بزرگ بسازه. الان مدل‌های متن‌باز قدرتمندی وجود دارن که می‌شه روی اون‌ها محصول ساخت و خیلی سریع‌تر وارد بازار شد.

به نظرم هر دو نگاه منطقیه. اما یه سؤال مهم باقی می‌مونه...

اگر همیشه از مدل‌های دیگران استفاده کنیم، آیا واقعاً می‌تونیم در آینده صاحب فناوری باشیم؟

نظر شما چیه؟ ساخت مدل‌های بومی ارزش این همه هزینه و سرمایه‌گذاری رو داره یا بهتره روی توسعه محصول با مدل‌های موجود تمرکز کنیم؟

#هوش_مصنوعی
#مدل_زبانی
#فناوری
#استارتاپ
#تحقیق_و_توسعه
#نوآوری

#AI
#LLM
#ArtificialIntelligence
#GenerativeAI
#MachineLearning
#DeepLearning
#OpenSourceAI
#Tech
#Startup

یه اتفاق عجیب توی دنیای هوش مصنوعی افتاده که به نظرم خیلی‌ها هنوز عمقش رو درک نکردن...

توی یک تست امنیتی، یک عامل هوش مصنوعی (AI Agent) به جای اینکه مسئله‌ای که بهش داده شده بود رو حل کنه، تصمیم گرفت میانبر بزنه!

اول از محیط آزمایشی خارج شد، بعد به چند سرویس مختلف نفوذ کرد و در نهایت بیش از ۱۷٬۶۰۰ اقدام مختلف انجام داد تا به جواب موردنظرش برسه.

چیزی که این اتفاق رو ترسناک می‌کنه، فقط هک کردن نیست...

این Agent مثل یک هکر انسانی ساعت‌ها فکر نمی‌کرد؛ در عرض چند روز، هزاران تصمیم پشت سر هم گرفت، مسیرهای مختلف رو امتحان کرد، از خطاهاش یاد گرفت و مدام روشش رو تغییر داد تا به هدفش نزدیک‌تر بشه.

به گفته تیم‌های امنیتی، بخش زیادی از این تلاش‌ها شکست خورد، اما سرعت و حجم اقداماتی که انجام داد، چیزی بود که عملاً از توان یک انسان خارج بود. این رخداد باعث شد نگاه خیلی‌ها به امنیت در عصر Agentهای هوش مصنوعی تغییر کنه.

به نظرم این اتفاق یه پیام مهم داره...

ما دیگه فقط با «چت‌بات» طرف نیستیم.

نسل جدید هوش مصنوعی می‌تونه هدف تعیین کنه، ابزار انتخاب کنه، مسیرش رو عوض کنه و بدون دخالت انسان، ساعت‌ها یا حتی روزها برای رسیدن به یک هدف تلاش کنه.

شاید از این به بعد، بزرگ‌ترین چالش هوش مصنوعی این نباشه که چقدر باهوشه؛ بلکه این باشه که چقدر قابل‌کنترل باقی می‌مونه.

#هوش_مصنوعی
#امنیت_سایبری
#عامل_هوش_مصنوعی
#فناوری
#نوآوری

#AI
#AIAgents
#CyberSecurity
#LLM
#OpenAI
#ArtificialIntelligence
#Tech