‏همیشه سعی کن برا کسایی که دوسشون داری آدمی باشی که میخواستی اونا برات باشن؛ خودت حس خوبی میگیری، بدرک که قدرتو میدونن یا نه.

یه تفکری هست که می‌گن الان چون Ai هست دیگه نیازی به عمیق شدن نیست. هر چی بخوایم رو به Ai می‌گیم برامون بزنه.

به نظرم این دیدگاه خامه.
چون Ai همین الانش هم کلی اشتباه فاحش داره و نمی‌شه بهش تکیه کرد. Ai چیزی به اسم مسئولیت‌پذیری نمی‌شناسه.

همچنین از یه طرف دیگه وقتی چیزی کمیاب باشه باارزش‌تر می‌شه. در نتیجه به نظرم الان عمیق شدن حتی باارزش‌تره نسبت به قبل از Ai. چون اکثر تازه‌کارا متاسفانه با همین تفکر پیش می‌رن و عمیق نمی‌شن.

@Rads_notss

زمان جنگ وقتی ویدیویی بیرون می‌اومد یکی از راه های اینکه بفهمیم واقعیه این بود که چند فیلم از زوایای مختلف گرفته شده باشه، ولی امروز هوش مصنوعی می‌تونه با یک فیلم ثابت که از یک زاویه گرفته شده فیلم های جدیدی از زوایای دیگه تولید کنه...

این ویژگی واقعا توی ساخت محصول و ویدیو های تبلیغاتی خیلی کمک کنندس چون فیلم برداری از زوایای مختلف کار سختیه، ویدیوی بالا ویدیوی هوش مصنوعی ویدیوی پایینش ویدیوی اصلی.

@Linuxor

به نظر من اگر این پنج تا اصل رو بلد باشیم دیگه اونقدرا اذیت نمیشی:

۱-اول باید خودت خودت رو دوست داشته باشی تا دیگران دوستت داشته باشن.
۲-از تنهاییت لذت ببر و الویتت خودت باش.
۳-با خودت کشتی نگیر.
۴-احترام هرکس دست خودشه.
۵- وقتی قدرتمند باشی زیباتر هم می‌شی.

@HashiaHa

هوش مصنوعی واقعاً می‌فهمه چه کار می‌کنه؟ اینجا یه سؤال عجیب مطرح می‌شه: ما داریم با چیزی کار می‌کنیم که جواب می‌ده، کد می‌نویسه، عکس رو تحلیل می‌کنه و حتی تصویر می‌سازه؛ اما خودمون دقیقاً نمی‌دونیم داخلش چه اتفاقی می‌افته که به این جواب رسیده. به این مسئله می‌گن Black Box یا جعبه سیاه.

ما ورودی رو می‌دیم و خروجی رو می‌بینیم، ولی بین این دو، داخل شبکه عصبی اتفاقات بسیار پیچیده‌ای می‌افته که همیشه نمی‌تونیم دقیقاً توضیح بدیم. مثلاً از کدم اسکرین‌شات می‌گیرم و می‌پرسم «چرا این کد کار نمی‌کنه؟» و مدل جواب درست می‌ده. اما سؤال جالب‌تر اینه: دقیقاً داخل مدل چه اتفاقی افتاد که فهمید مشکل کجاست؟ حالا اگر خیلی ساده کنیم، ماجرا اینه: وقتی عکس به هوش مصنوعی می‌دیم، قرار نیست مثل انسان با چشم بهش نگاه کنه. تصویر به شکلی از اطلاعات عددی تبدیل می‌شه که مدل بتونه پردازشش کنه. بعد مدل با الگوهایی که در طول آموزش یاد گرفته، چیزهایی مثل متن، کد، اشیا و ارتباط بین بخش‌های تصویر رو تشخیص می‌ده و این اطلاعات رو با سؤال ما ترکیب می‌کنه تا جواب بده. تولید تصویر هم ایده‌ی مشابهی داره، با این تفاوت که این بار مدل باید به‌جای تحلیل تصویر، یک تصویر جدید تولید کنه. مثلاً وقتی می‌گیم «یک گربه مشکی بساز»، از الگوهایی که در طول آموزش درباره‌ی گربه، شکل، رنگ، نور و سبک یاد گرفته استفاده می‌کنه تا یک تصویر جدید بسازه. پشت همه‌ی این‌ها هم یک شبکه عصبی با تعداد بسیار زیادی پارامتر و ارتباط عددی قرار داره. این پارامترها در طول آموزش بارها تغییر می‌کنن تا مدل کم‌کم الگوهای مختلف رو یاد بگیره. اما نکته‌ی عجیب همین‌جاست: بعد از آموزش نمی‌تونیم به‌سادگی بگیم «این عدد یعنی گربه، اون یکی یعنی CSS و این قسمت باعث شد این جواب رو بده.» ما می‌دونیم مدل چه ورودی‌ای گرفته و چه خروجی‌ای داده، اما اینکه دقیقاً چرا و چگونه درون شبکه به آن خروجی رسیده همیشه برای ما شفاف نیست. و همین تلاش برای باز کردن این جعبه و فهمیدن اتفاقات درون مدل، یکی از موضوعات مهم حوزه‌ی Interpretability یا تفسیرپذیری هوش مصنوعیه.
منابع:

OpenAI — Technical Report
OpenAI — Research
Distill — Feature Visualization
Anthropic — Mechanistic Interpretability

@ClickUniversity

حدود سه هفته ست فعالیت م توی لینکدین رو بیشتر کردم ، پست تخصصی هم نبود هر چیزی که که تو چنل تلگرامم بود رو انجام هم اشتراک گذاری میکردم . نتیجه ش این شد که حدود 69 درصد از بیننده ها از بیرون شبکه م‌بود .

@HashiaHa