Mmdj

۱. افت شدید مقیاس‌پذیری در کانتکست‌های بزرگ Scaling Poorly:
اگر هر نمونه چندشات دارای جزئیات طولانی از کاربر باشد، تکرار چندباره آن بخش زیادی از پنجره توکن را می‌سوزاند. بدتر از آن، واحدهای پردازشی مدل در مکانیزم توجه Attention میان داده‌های متناقض افراد مختلف سردرگم می‌شوند.

۲. سوگیری و اثر لنگر انداختن Anchoring Bias:
مدل‌ها از توزیع داده‌های مثال‌ها الگوبرداری می‌کنند. اگر برای نمره‌دهی به نظرات کاربران، از هر نمره ۱ تا ۵ فقط یک نمونه بیاورید، مدل تصور می‌کند احتمال دریافت نمره ۱ دقیقاً با نمره ۵ برابر است؛ در حالی که در دنیای واقعی اکثر نظرات مثبت هستند. مدل بر اساس مثال‌های محدود شما دچار قضاوت زودهنگام و سوگیرانه می‌شود.

۳. استخراج الگوهای کاذب و ناخواسته Spurious Patterns:
مدل ممکن است به ترتیبی که مثال‌ها را چیده‌اید حساس شود. اگر عادت داشته باشید ابتدا نمونه‌های موفق Happy Path و سپس موارد خطا Edge Cases را بنویسید، مدل الگوی خطاها همیشه آخر می‌آیند را یاد می‌گیرد و روی درخواست اصلی کاربر به اشتباه اعلام شکست یا خطا می‌کند!

فصل پنجم، بخش دوم

کتاب Prompt Engineering for LLMs

امکانات کلیدی:
- مرورگر ایزوله و اختصاصی: برای لاگین امن و مستقل هر تسک.
- اتصال به بیش از ۱۵۰۰ اپلیکیشن: ادغام راحت با Gmail، تقویم و سایر ابزارها برای ساخت خودکار تریگرها.
- انجام تسک در لحظه: وسط چت بهش کار بسپار تا خودش برات انجام بده.
- هماهنگی تیمی چند Dot: امکان کار مشترک چند ایجنت با هم و تنظیم یادآورها.

خلاصه:
این ویدیو به راهکارهای موثر برای خواندن مقالات علمی می‌پردازد و روشی سیستماتیک را برای درک بهتر مطالب پیچیده ارائه می‌دهد. نکات کلیدی آن عبارتند از:

تغییر نگاه به علم (00:54 - 03:45): علم فرآیندی تدریجی و جمعی است. برخلاف تصور، مقالات علمی «داستان» نیستند و خواننده نباید لزوماً تمام بخش‌های آن‌ها را به ترتیب بخواند.
استراتژی سه مرحله‌ای کشاو (13:34 - 14:17):
مرحله اول (نمای کلی/Birds-eye View): بررسی سریع عنوان، چکیده، مقدمه و سرفصل‌ها (۵ تا ۱۰ دقیقه) برای درک کلیت کار.
مرحله دوم: مطالعه بخش‌های اصلی و ارزیابی نتایج و تصاویر (بدون درگیر شدن در جزئیات ریاضی بسیار پیچیده در ابتدا).
مرحله سوم: مطالعه عمیق برای درک کامل جهت بازتولید یا پیاده‌سازی روش.
تمرکز بر مقدمه و کارهای مرتبط (16:11 - 25:57): نویسنده تأکید دارد که برای ورود به یک حوزه جدید، «مقدمه» (Introduction) منبع طلا است، زیرا مشکلات روش‌های پیشین و دلایل ارائه روش جدید را شرح می‌دهد.
مدیریت کمال‌گرایی (12:56 - 13:25): لازم نیست هر مقاله را تا انتها بخوانید؛ اگر مقاله در راستای نیاز شما نیست، یادگیری را متوقف کنید و سراغ منبع بعدی بروید.
استفاده از ابزارها (30:28 - 31:30): استفاده از ابزارهایی مانند Zotero برای یادداشت‌برداری و دسته‌بندی مقالات برای مدیریت دانش پیشنهاد شده است.

در نهایت، نویسنده توصیه می‌کند که هر فرد روش خواندن خود را «شخصی‌سازی» کند تا یادگیری برایش لذت‌بخش‌تر و کاربردی‌تر شود.

آنتون چخوف نویسنده معروف می‌گوید: اگر در پرده اول تفنگی روی دیوار آویزان است، در پرده دوم حتماً باید شلیک شود؛ وگرنه اصلاً جایش آنجا نیست.

۱. جستجوی لغوی Lexical Retrieval:
همان روش سنتی و سریع مثل الگوریتم‌های Jaccard Similarity، TF-IDF یا BM25. بر اساس اشتراک مستقیم کلمات و ریشه‌یابی لغات کار می‌کند. در جاهایی مثل GitHub Copilot برای اسکن سریع تب‌های باز در ادیتور عالی جواب می‌دهد چون بسیار سریع است و نیازی به ایندکس‌های سنگین ندارد. اما مشکلش این است: مترادف‌ها را نمی‌فهمد و با تغییر ادبیات کاربر ممکن است داده مرتبط را پیدا نکند.
۲. جستجوی عصبی و معنایی Neural Retrieval:
استفاده از مدل‌های Embedding و پایگاه داده‌های برداری Vector DBs مثل FAISS یا Pinecone. جملات به بردار تبدیل می‌شوند و مدل مفهوم و معنا را مقایسه می‌کند، نه صرفاً تشابه ظاهری کلمات را! حتی اگر کلمات کاملاً متفاوت باشند یا به دو زبان مختلف نوشته شده باشند، شباهت معنایی کشف می‌شود.

فصل پنجم، بخش سوم

کتاب Prompt Engineering for LLMs