DLeX: AI Python
21.3K subscribers
5.25K photos
1.27K videos
771 files
4.75K links
هوش‌مصنوعی و برنامه‌نویسی

توییتر :

https://twitter.com/NaviDDariya

لینک پیام ناشناس، جهت انتقادات، حرف و حدیث و پیشنهادات : https://t.me/mahtabak_nashenas_bot?start=1dOIcE18ITmb5Htw1M7zgq
Download Telegram
بیش تر دوستانی که Pentesting انجام می دن با PortSwigger و ابزار Burp آشنایی دارن و نیاز به معرفی نداره.

👉 @ai_python 🦁 ☀️

حالا اونا یک سولوشن Agentic AI ارائه دادن (بتا) که اجنت های هوش مصنوعی به عنوان متخصص امنیت بهتون کمک می کنن که Pentest پلتفرم های آنلاینتون رو انجام بدید.
Please open Telegram to view this post
VIEW IN TELEGRAM
3❤‍🔥9👍4❤2
توی گروک بات می شه ازش درخواست کنید یک فرم امن براتون باز کنه و یوزر و پسورد های مورد نیازش رو از طریق اون فرم امن براش بفرستید که توی Vault ش ذخیره کنه.


👉 @ai_python 🦁 ☀️
نمی دونم بقیه دستیارها هم اینو دارن یا نه؟
Please open Telegram to view this post
VIEW IN TELEGRAM
1❤5🐳4👍2❤‍🔥1
Forwarded from We all are BiTs
ابزار آنلاین برای تست آسیب پذیری SSRF

@WearebiTs 🐤

https://webhook.site/
Please open Telegram to view this post
VIEW IN TELEGRAM
1❤6❤‍🔥3👍2🐳1
Forwarded from مزداهیک
👇👇👇
1❤6👍4❤‍🔥2
Forwarded from مزداهیک
MIT_18-06_Lecture_02_FA_Revised.pdf
1.5 MB
چطور با چند عمل ساده روی سطرها، یک دستگاه معادله را حل کنیم؟

📘 جزوهٔ جبر خطی | جلسهٔ دوم

با تدریس گیلبرت استرنگ

🏛 MIT

حذف گاوسی و ماتریس‌های مقدماتی

در این جلسه، مراحل حذف گاوسی و جانشانی پسرو را دنبال می‌کنیم و می‌بینیم چگونه می‌توان هر گام حل را به زبان ماتریس‌ها نوشت.

📄 جزوهٔ فارسی در ۱۵ صفحه

تهیه و تنظیم: گروه ریاضی مزداهیک

🆔 @mazdaahik

#جبر_خطی #گیلبرت_استرنگ #حذف_گاوسی #MIT
2❤10❤‍🔥3👍2
تفاوت های MCP با WebMCP

👉 @ai_python 🦁 ☀️
Please open Telegram to view this post
VIEW IN TELEGRAM
1👍8❤‍🔥3❤2
طبق گزارش بلومبرگ، مایکروسافت با هدف کاهش هزینه‌ها در پی طبعات پیشرفتِ هوش مصنوعی، به ۶۰ هزار کارمند خود بسته‌های بازنشستگی ارائه (پیشنهاد) می‌دهد. (یعنی می گه بیا همین الان اینو بگیر برو 🐸)


👉 @ai_python 🦁 ☀️

X :

خب واقعیت اینه که به خصوص توی کمپانی های بسیار بزرگ همیشه تعداد زیادی نیروی کار می دیدیم که تسک های تکراری انجام می دادن. اسمشون این بود که مثلن فلان سِمت رو توی مایکروسافت و گوگل دارن. ولی در واقع کاری که انجام می دادن طوری بود که فرقی نداشت نیروی A یا نیروی B فارغ‌التحصیل این رشته، انجامش بده.

فرآیند استخدام بر اساس تخصص و دامنه دانش، یه چیز دکوری بود که اتفاقن اصلن هم نورودایورجینت فرندلی نبود و برعکس تو هر چه قدر نمایش بهتری داشتی، منابع انسانی و تیم از تو بیش تر خوشش میومد و استخدام می شدی. فقط برای اینکه این طوری ویو بهتری داره. یا بیش تر خوش می گذره.

زمان کافی برای آموزش نیرو ها می ذاشتن و حتی اگر رشته اون آدم هم این نبود، در نهایت کار رو یاد می گرفت و انجام می داد.

👉 @ai_python 🦁 ☀️

البته همه این موارد هیچ اشکالی هم نداره. روح اون زمانه بود. الانم شاید هنوز توی پوزیشن هایی که کفه ترازو در سمت مارکتینگشون سنگینه، ویو (منظورم ظاهر نیست) حرف اول رو بزنه. ولی خب دیگه جونیوری که فقط یک کار فنی آموزش داده شده رو به صورت تکراری و دائم انجام بده و برای تسک بعدی بازم نیاز به آموزش داره، حذف می شه.

به نظرم الان زمانه، عصر جونیورهایی هست که از اول سنیور هستن و شاید توی پوزیشن های فنی خیلی نیاز به ویو هم ندارن.

جونیورِ از اول سنیور، یعنی هر شخصی که اتوپایلوت هست. نیازی نداره که یه نفر دائم بهش آموزش بده. شولونگش کنه. خودش می ره دنبال موضوع و یه جوری حلش می کنه. Input می گیره. اما اون اینپوت، اینپوت فنی نیست. بیش تر اینپوت کدوم لیبل و کدوم نیاز هست.

و خب طبیعتن این جونیوری که از اول سنیوره، فرقی نمی کنه تا حالا با فلان زبان برنامه نویسی کد نوشته یا نه. فرقی نداره فلان معماری یا سرویس رو می شناسه یا نه. فقط کافیه چند تا لیبل بهش بدی و هدف و ...

و خودش راهش رو پیدا می کنه. از در نشد، از پنجره میاد تو.
چون بقیه ای که این طوری نیستن، طبیعتن AI Agent ها جاشون رو می گیرن. برای همینم هست که می گیم شغل های آی تی از بین نمی رن. فقط الک می شن. نوعشون تغییر می کنه و آدمایی با ویژگی های خاص که قبلن طلا بودن، ممکنه الان دیگه طلا نباشن.

الان عصر، عصرِ اقیانوس های به عمق چند سانتی‌متر هست که بتونن موج های بزرگ درست کنند.
Please open Telegram to view this post
VIEW IN TELEGRAM
4❤13👍6❤‍🔥2
مواردی که برای ساخت یک Agent هوش مصنوعی خوب باید رعایت کنیم :

👉 @ai_python 🦁 ☀️

https://youtu.be/xKgY5vnzjMQ?si=f564ZuiTqMneQqi0
Please open Telegram to view this post
VIEW IN TELEGRAM
3👍10❤‍🔥3❤2🐳1
NaviD DariYa
مواردی که برای ساخت یک Agent هوش مصنوعی خوب باید رعایت کنیم : 👉 @ai_python 🦁 ☀️ https://youtu.be/xKgY5vnzjMQ?si=f564ZuiTqMneQqi0
امروز خودم داشتم دوباره این ویدیو رو می دیدم و یه خوبی که داشت بخش امنیتش بود که خلاصه ای از موارد امنیتی رو می گه که گاهی یادمون می ره چک کنیم. مثلن چطوری جلوی هایجک Agent رو بگیریم و ...
2❤5❤‍🔥4👍2
Forwarded from Reza Jafari
یه مقاله‌ی جدید با عنوان
On the Economics of Reasoning Effort in LLM Agents

بررسی کرده که برای LLMها بهتره از چه سطحی از Reasoning Effort استفاده کنیم. این مقاله به چند نتیجه‌ی جالب رسیده.

اول اینکه Reasoning Effort بیشتر، لزوماً به معنی عملکرد بهتر نیست. از طرف دیگه، هرچی Reasoning Effort بالاتر باشه، معمولاً هزینه هم بیشتر می‌شه؛ به‌طوری‌که هزینه‌ی بالاترین سطح می‌تونه تا ۴۲ برابرِ پایین‌ترین سطح باشه.

نکته‌ی جالب دیگه اینه که بعضی وقت‌ها ممکنه یه مسئله با Reasoning Effort پایین‌تر درست حل بشه، اما همون مسئله با Reasoning Effort بالاتر، اشتباه جواب داده بشه! در واقع، افزایش میزان تلاش برای استدلال همیشه به بهبود نتیجه منجر نمی‌شه.

همچنین، تغییر Reasoning Effort فقط روی تعداد Tokenهای مصرف‌شده تأثیر نمی‌ذاره، بلکه نحوه‌ی حل Taskها توسط Agentها رو هم تغییر می‌ده. وقتی Reasoning Effort بالاتره، Agentها زمان و تلاش بیشتری صرف Verify کردن خروجی‌های خودشون می‌کنن و به‌جای اینکه مستقیماً روی حل مسئله کار کنن، بیشتر دنبال پیدا کردن Solution می‌گردن. هر دوی این رفتارها باعث می‌شن Trajectory حل مسئله طولانی‌تر بشه، بدون اینکه لزوماً نتیجه‌ی نهایی بهتر بشه یا تغییری بکنه.

🔗 لینک مقاله

👑 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
Please open Telegram to view this post
VIEW IN TELEGRAM
2❤6❤‍🔥3👍3
Forwarded from مزداهیک
Please open Telegram to view this post
VIEW IN TELEGRAM
1❤4👍3❤‍🔥2