پاسخ به #33_سوال مهم در حوزه دیتا و هوش مصنوعی
سوال: چطور از هوش مصنوعی برای خلق محصولات جدید و ایده پردازی استفاده کنیم؟
#روز_13_33
#witaik
سوال: چطور از هوش مصنوعی برای خلق محصولات جدید و ایده پردازی استفاده کنیم؟
#روز_13_33
#witaik
با سلام اگر مایل به همکاری در انجام مقاله NLP هستید، خوشحال میشم که پیام بدید درموردش صحبت کنیم.
نیاز به یک همکار جهت پیاده سازی الگوریتم و مدل های دیپ لرنینگ.
کار به صورت تیمی هست و هرکسی بخشی رو به عهده میگیره.
خروجی کار در قالب دو الی سه مقاله می باشد و بخش هایی از آن نیز انجام شده.
پیام به آی دی زیر:
@Ali_Nazarizadeh
نیاز به یک همکار جهت پیاده سازی الگوریتم و مدل های دیپ لرنینگ.
کار به صورت تیمی هست و هرکسی بخشی رو به عهده میگیره.
خروجی کار در قالب دو الی سه مقاله می باشد و بخش هایی از آن نیز انجام شده.
پیام به آی دی زیر:
@Ali_Nazarizadeh
پاسخ به #33_سوال مهم در حوزه دیتا و هوش مصنوعی
سوال: چگونه شانس موفقیت یک Product مبتنی بر AI رو بالا ببریم (بعد فنی)؟
#روز_15_33
#witaik
سوال: چگونه شانس موفقیت یک Product مبتنی بر AI رو بالا ببریم (بعد فنی)؟
#روز_15_33
#witaik
پاسخ به #33_سوال مهم در حوزه دیتا و هوش مصنوعی
سوال: مهم ترین نکات جهت توسعه یک مدل یادگیری ماشین چیست؟
1: استفاده از دیتای مناسب: دیتا کلیدی ترین بخش در سیستم یادگیری ماشین است و پیشنهاد می شو بیشترین زمان، انرژی و هزینه را روی جمع آوری یا ساخت دیتاست مناسب کنید.
2: استفاده از مدل مناسب: همیشه مدل های جدید یا به اصطلاح state of the art گزینه خوبی برای پروداکشن نیستند چون هزینه استفاده از اونها بالاست، منابع زیادی رو استفاده می کنند و زیرساخت های پیچیده تری لازم دارند. در نتیجه می توان با مدل های ساده تر کا رو پیش برد.
3: استقرار مدل: بعد از انتخاب مدل و آموزشش، حالا باید بستر و رویکرد مناسبی جهت دیپلوی مدل پیدا کنید. یعنی از روش های MLOps جهت استقرار مدل توی پروداکشن استفاده کنید.
4: رصد و نظارت بر مدل: هنگامی که مدل نهایی آماده شد، تازه کار شروع میشه و شما باید حتما مدل رو مانیتور کنید که در طی بازه های زمانی دقت اش روی ورودی های مختلف به چه صورته.
5: توسعه زیرساخت و ابزار توی پروژه های بزرگ و نوآورانه، نیاز به توسعه لایبرری، زیرساخت و بعضی موارد کلیدی جهت توسعه کامل سیستم است. به عنوان نمونه توی بعضی محصولات مبتنی بری بینایی ماشین، بخش کلاسیک استقرار یا MLOps خیلی کمک کننده نیست و شما باید با مباحث جدید یا کار نشده ای به اسم CVOps دست و پنجه نرم کنید و به کار ببرید.
6: نیاز کاربر همیشه باید نیاز کاربر رو در نظر گرفت و هرقدمی که برمیداریم، در جهت بهبود تجربه کاربری و پاسخ به نیازهای کاربر باشد در نتیجه بعد از هر بار آپدیت، باید فیدبک و لاگ استفاده کننده از مدل و محصول رو جهت ارتقا نسخه های بعدی گرفت.
#روز_17_33
#witaik
سوال: مهم ترین نکات جهت توسعه یک مدل یادگیری ماشین چیست؟
1: استفاده از دیتای مناسب: دیتا کلیدی ترین بخش در سیستم یادگیری ماشین است و پیشنهاد می شو بیشترین زمان، انرژی و هزینه را روی جمع آوری یا ساخت دیتاست مناسب کنید.
2: استفاده از مدل مناسب: همیشه مدل های جدید یا به اصطلاح state of the art گزینه خوبی برای پروداکشن نیستند چون هزینه استفاده از اونها بالاست، منابع زیادی رو استفاده می کنند و زیرساخت های پیچیده تری لازم دارند. در نتیجه می توان با مدل های ساده تر کا رو پیش برد.
3: استقرار مدل: بعد از انتخاب مدل و آموزشش، حالا باید بستر و رویکرد مناسبی جهت دیپلوی مدل پیدا کنید. یعنی از روش های MLOps جهت استقرار مدل توی پروداکشن استفاده کنید.
4: رصد و نظارت بر مدل: هنگامی که مدل نهایی آماده شد، تازه کار شروع میشه و شما باید حتما مدل رو مانیتور کنید که در طی بازه های زمانی دقت اش روی ورودی های مختلف به چه صورته.
5: توسعه زیرساخت و ابزار توی پروژه های بزرگ و نوآورانه، نیاز به توسعه لایبرری، زیرساخت و بعضی موارد کلیدی جهت توسعه کامل سیستم است. به عنوان نمونه توی بعضی محصولات مبتنی بری بینایی ماشین، بخش کلاسیک استقرار یا MLOps خیلی کمک کننده نیست و شما باید با مباحث جدید یا کار نشده ای به اسم CVOps دست و پنجه نرم کنید و به کار ببرید.
6: نیاز کاربر همیشه باید نیاز کاربر رو در نظر گرفت و هرقدمی که برمیداریم، در جهت بهبود تجربه کاربری و پاسخ به نیازهای کاربر باشد در نتیجه بعد از هر بار آپدیت، باید فیدبک و لاگ استفاده کننده از مدل و محصول رو جهت ارتقا نسخه های بعدی گرفت.
#روز_17_33
#witaik
پاسخ به #33_سوال مهم در حوزه دیتا و هوش مصنوعی
سوال: چه مراحلی جهت پیشرفت و رسیدن به سطح قابل قبولی را در حوزه دیتا طی کنیم؟
1: مبانی کامپیوتر و الگوریتم
2: مفاهیم برنامه نویسی و حل مسأله
3: یادگیری یک زبان برنامه نویسی (ترجیحا پایتون)
4: ساختمان داده ها و طراحی الگوریتم
5: مباحث بهینه سازی و الگوریتم های فرابتکاری (حداقل الگوریتم ژنتیک رو کامل یاد بگیرید)
6: انواع دیتابیس ها و مفاهیم آن (ترجیحا SQL)
7: پاکسازی، پردازش و پیش پردازش داده ها (لایببری های پایتون، اکسل، کوئری نویسی در sql)
8: آشنایی با ساخت Data Warehouse
9: آشنایی با مفاهیم هوش تجاری
10: یادگیری یک ابزار ساخت داشبورد هوش تجاری (ترجیحا power bi)
11: آمار احتمالات، جبر خطی، ماتریس ها
12: الگوریتم های کلاسیک یادگیری ماشین
13: شبکه های عصبی و یادگیری عمیق
14: مبانی شبکه های کامپیوتری
15: مباحث پایه ای مهندسی داده و کار با ابزارها ( pyspark, Hadoop, ETL, Grafana, elastic search, kafka)
16: مبانی MLOps (مانند MLflow, docker, ONNX)
17: مبانی مهندسی نرم افزار
18: آشنایی متوسط با گیت و لینوکس
#روز_18_33
#witaik
سوال: چه مراحلی جهت پیشرفت و رسیدن به سطح قابل قبولی را در حوزه دیتا طی کنیم؟
1: مبانی کامپیوتر و الگوریتم
2: مفاهیم برنامه نویسی و حل مسأله
3: یادگیری یک زبان برنامه نویسی (ترجیحا پایتون)
4: ساختمان داده ها و طراحی الگوریتم
5: مباحث بهینه سازی و الگوریتم های فرابتکاری (حداقل الگوریتم ژنتیک رو کامل یاد بگیرید)
6: انواع دیتابیس ها و مفاهیم آن (ترجیحا SQL)
7: پاکسازی، پردازش و پیش پردازش داده ها (لایببری های پایتون، اکسل، کوئری نویسی در sql)
8: آشنایی با ساخت Data Warehouse
9: آشنایی با مفاهیم هوش تجاری
10: یادگیری یک ابزار ساخت داشبورد هوش تجاری (ترجیحا power bi)
11: آمار احتمالات، جبر خطی، ماتریس ها
12: الگوریتم های کلاسیک یادگیری ماشین
13: شبکه های عصبی و یادگیری عمیق
14: مبانی شبکه های کامپیوتری
15: مباحث پایه ای مهندسی داده و کار با ابزارها ( pyspark, Hadoop, ETL, Grafana, elastic search, kafka)
16: مبانی MLOps (مانند MLflow, docker, ONNX)
17: مبانی مهندسی نرم افزار
18: آشنایی متوسط با گیت و لینوکس
#روز_18_33
#witaik
پاسخ به #33_سوال مهم در حوزه دیتا و هوش مصنوعی
سوال: تحصیلات تکمیلی مرتبط در حوزه هوش مصنوعی چقدر می تواند مفید باشد؟
در پاسخ باید گفت که بستگی دارد چه هدفی را برای خودمان ترسیم کردیم. به طور کلی از منظر زیر می توان به این سوال پاسخ داد:
اگر قرار است یک متخصص و نیرو فتی شوید: پس هرچه زودتر وارد بازار کار شوید و گرفتن مدرک ارشد کفایت می کند. درنتیجه سابقه کار از تحصیلات دانشگاهی اولویت اش برای شما بیشتره پس اگر شده از دانشگاه و کلاس هاتون بزنید یا لااقل دیرتر و با نمره پایین تر فارغ‌التحصیل بشید اما سرکار برید، رزومه جمع کنید و سابقه کارتون رو بالا ببرید. الان دیگه تحصیلات برای نیروی فنی خیلی تو اولویت نیست اما به این دلیل نیست که مهم نباشه ولی خب دنیای واقعی به ما نشون داد که دستاوردهای بزرگ چه از بعد تحقیقاتی و فنی، هر دو از دل شرکت ها و مراکز تحقیقاتی بیرون میان. درنتیجه کار و بالابردن تخصص رو توی اولویت بزارید و موازی با اون تحصیلات تکمیلی هم پیش ببرید.
اگر قرار است استاد دانشگاه یا محقق شوید: در اینجا تحصیلات عالی، مقاله، کتاب، کار پژوهشی و ... توی اولویت است و بيشتر روی این موارد باید وقت گذاشت. البته اساتید و پژوهشگران کاربلد، همیشه درگیر پروژه‌های موجود در صنعت و مشاوره به شرکت ها هستند. پس حتما سابقه کار داشته باشید ولی وقتی سطح تون بالاتر رفت دیگه به عنوان نیرو R&D و مشاور توی مراکز تحقیقاتی کار میکنید.
اگر قرار است کارآفرین و صاحب شرکت شوید: در نتیجه روی دانشگاه و کار فنی خیلی حساب نکنید و بزارید کنار و بيشتر روی آموزش های کسب و کار، تحقیقات بازار، مارکتینگ، فروش و ... وقت بزارید. البته هرچند که باید دید خوبی نسبت به هوش مصنوعی، کاربردش توی صنایع مختلف، چگونگی حل مسله با AI و ... داشته باشید اما لازم نیست دست به کد بشید و جزئیات پیاده سازی رو بدونید. اینجا شما باید فقط درگیر پیاده سازی ایده، مهارت تیم سازی و مدیریت افراد، چیدن رودمپ محصول و پیاده سازی آن، تست و نیاز سنجی و ... باشید.
#روز_19_33
#witaik
سوال: تحصیلات تکمیلی مرتبط در حوزه هوش مصنوعی چقدر می تواند مفید باشد؟
در پاسخ باید گفت که بستگی دارد چه هدفی را برای خودمان ترسیم کردیم. به طور کلی از منظر زیر می توان به این سوال پاسخ داد:
اگر قرار است یک متخصص و نیرو فتی شوید: پس هرچه زودتر وارد بازار کار شوید و گرفتن مدرک ارشد کفایت می کند. درنتیجه سابقه کار از تحصیلات دانشگاهی اولویت اش برای شما بیشتره پس اگر شده از دانشگاه و کلاس هاتون بزنید یا لااقل دیرتر و با نمره پایین تر فارغ‌التحصیل بشید اما سرکار برید، رزومه جمع کنید و سابقه کارتون رو بالا ببرید. الان دیگه تحصیلات برای نیروی فنی خیلی تو اولویت نیست اما به این دلیل نیست که مهم نباشه ولی خب دنیای واقعی به ما نشون داد که دستاوردهای بزرگ چه از بعد تحقیقاتی و فنی، هر دو از دل شرکت ها و مراکز تحقیقاتی بیرون میان. درنتیجه کار و بالابردن تخصص رو توی اولویت بزارید و موازی با اون تحصیلات تکمیلی هم پیش ببرید.
اگر قرار است استاد دانشگاه یا محقق شوید: در اینجا تحصیلات عالی، مقاله، کتاب، کار پژوهشی و ... توی اولویت است و بيشتر روی این موارد باید وقت گذاشت. البته اساتید و پژوهشگران کاربلد، همیشه درگیر پروژه‌های موجود در صنعت و مشاوره به شرکت ها هستند. پس حتما سابقه کار داشته باشید ولی وقتی سطح تون بالاتر رفت دیگه به عنوان نیرو R&D و مشاور توی مراکز تحقیقاتی کار میکنید.
اگر قرار است کارآفرین و صاحب شرکت شوید: در نتیجه روی دانشگاه و کار فنی خیلی حساب نکنید و بزارید کنار و بيشتر روی آموزش های کسب و کار، تحقیقات بازار، مارکتینگ، فروش و ... وقت بزارید. البته هرچند که باید دید خوبی نسبت به هوش مصنوعی، کاربردش توی صنایع مختلف، چگونگی حل مسله با AI و ... داشته باشید اما لازم نیست دست به کد بشید و جزئیات پیاده سازی رو بدونید. اینجا شما باید فقط درگیر پیاده سازی ایده، مهارت تیم سازی و مدیریت افراد، چیدن رودمپ محصول و پیاده سازی آن، تست و نیاز سنجی و ... باشید.
#روز_19_33
#witaik
پاسخ به #33_سوال مهم در حوزه دیتا و هوش مصنوعی
وضعیت هوش مصنوعی در 5 سال آینده (2025 تا 2030) چگونه است؟
جواب رو به استناد مجمع جهانی اقتصاد و گزارشی که داده است پاسخ میدیم:
بیشترین رشد شغلی به ترتیب:
1: Bigdata Engineer
2: Fintech Engineer
3: AI and ML Engineer
مهارت های رو به رشد به ترتیب:
1: AI and Bigdata
2: Networks and scybersecurity
3: Technological literacy
بیشترین تاثیر روی صنعت به ترتیب:
1: AI and information processing technologies
2: Robots and automous systems
3: energy generation, storage and distribution
نتیجه گیری: توی ۵ سال آینده، تقاضا برای مهندسین بیگ دیتا یا همون Data Engineer به شدت زیاد میشه. پس حتما روش وقت بزارید.
#روز_20_33
#witaik
وضعیت هوش مصنوعی در 5 سال آینده (2025 تا 2030) چگونه است؟
جواب رو به استناد مجمع جهانی اقتصاد و گزارشی که داده است پاسخ میدیم:
بیشترین رشد شغلی به ترتیب:
1: Bigdata Engineer
2: Fintech Engineer
3: AI and ML Engineer
مهارت های رو به رشد به ترتیب:
1: AI and Bigdata
2: Networks and scybersecurity
3: Technological literacy
بیشترین تاثیر روی صنعت به ترتیب:
1: AI and information processing technologies
2: Robots and automous systems
3: energy generation, storage and distribution
نتیجه گیری: توی ۵ سال آینده، تقاضا برای مهندسین بیگ دیتا یا همون Data Engineer به شدت زیاد میشه. پس حتما روش وقت بزارید.
#روز_20_33
#witaik
پاسخ به #33_سوال مهم در حوزه دیتا و هوش مصنوعی
تفاوت مدیر محصول هوش مصنوعی (AI Product Manager) با مهندس هوش مصنوعی (AI Engineer) چیست؟
وظایف AI Product Manager:
رهبری تیم.
مدیریت محصول تا رسیدن به موفقیت.
مسئول موفقیت یا شکست محصول.
حذف، اضافه یا تغییر ویژگی های محصول با توجه به نیاز کاربر.
رصد بازار و هماهنگی بین سایر تیم ها جهت رسیدن به موفقیت.
وظایف AI Engineer:
پیاده سازی فیچرهایی که AI Product Manager گفته است.
دانش عمیق در هوش مصنوعی جهت پیاده سازی مدل های هوشمند.
مشاوره فنی و آگاه سازی تیم از چالش های آینده.
پیش بینی زیرساخت های فنی و آماده شدن با چالش های آینده و داشتن برنامه برای غلبه بر آن ها.
نکته:
یک AI Product Manager نقش یک کارآفرین درون سازمانی، یک فرد خلاق، ایده پرداز و همچنین فنی هوش مصنوعی رو ایفا می کند.
این فرد احتمال خیلی زیاد قبلا متخصص هوش مصنوعی بوده یا اگر نبوده حتما حتما باید دانش عمیقی در هوش مصنوعی و الگوریتم ها داشته باشد.
اما AI Engineer لزومی ندارد دغدغه های محصولی داشته باشد، تنها انتظاراتی که از این فرد دارند این هست بتونه مدل های بهینه هوش مصنوعی رو پیاده سازی کنه، مشاوره های فنی بده و از چالش های آینده (از بعد فنی) تیم و مدیران رو مطلع و براش راه حل داشته باشد.
#روز_21_33
#witaik
تفاوت مدیر محصول هوش مصنوعی (AI Product Manager) با مهندس هوش مصنوعی (AI Engineer) چیست؟
وظایف AI Product Manager:
رهبری تیم.
مدیریت محصول تا رسیدن به موفقیت.
مسئول موفقیت یا شکست محصول.
حذف، اضافه یا تغییر ویژگی های محصول با توجه به نیاز کاربر.
رصد بازار و هماهنگی بین سایر تیم ها جهت رسیدن به موفقیت.
وظایف AI Engineer:
پیاده سازی فیچرهایی که AI Product Manager گفته است.
دانش عمیق در هوش مصنوعی جهت پیاده سازی مدل های هوشمند.
مشاوره فنی و آگاه سازی تیم از چالش های آینده.
پیش بینی زیرساخت های فنی و آماده شدن با چالش های آینده و داشتن برنامه برای غلبه بر آن ها.
نکته:
یک AI Product Manager نقش یک کارآفرین درون سازمانی، یک فرد خلاق، ایده پرداز و همچنین فنی هوش مصنوعی رو ایفا می کند.
این فرد احتمال خیلی زیاد قبلا متخصص هوش مصنوعی بوده یا اگر نبوده حتما حتما باید دانش عمیقی در هوش مصنوعی و الگوریتم ها داشته باشد.
اما AI Engineer لزومی ندارد دغدغه های محصولی داشته باشد، تنها انتظاراتی که از این فرد دارند این هست بتونه مدل های بهینه هوش مصنوعی رو پیاده سازی کنه، مشاوره های فنی بده و از چالش های آینده (از بعد فنی) تیم و مدیران رو مطلع و براش راه حل داشته باشد.
#روز_21_33
#witaik
پاسخ به #33_سوال مهم در حوزه دیتا و هوش مصنوعی
آیا با ظهور مدا هایی مانند chatgpt, باز هم لازم است که از پایه هوش مصنوعی و الگوریتم هاش رو یاد بگیریم؟
واقعیت داستان اینه که در آینده ای خیلی نزدیک، اکثر برنامه نویسان دیگه درگیر مباحث پایه ای و کدنویسی های تکراری و روتین نمیشن، بلکه از دستیارهای هوش مصنوعی استفاده میکنند. پس چه متخصص با سابقه باشیم چه یک تازه وارد، لازم است که حتما به این ابزارها کاملا مسلط و وابستگی خودمون رو به مباحث پایه ای (یا اصطلاحا کار گل) کم کنیم. خب پس به جاش چه مهارت هایی ياد بگیریم؟ واضحه، نحوه تعامل و کار کردن با مدل های هوش مصنوعی چون در آینده با هوش های مصنوعی سروکار داریم که برای انجام کارهای ما طراحی شدند پس دیگه اون موقع ما درگیر کدنویسی نمیشم بلکه باید مهارت مون رو روی استفاده درست و بکارگیری اصولی این هوش های مصنوعی بالا ببرم.
علاوه بر این، حتما روی مهارت های پایه ای حوزه داده وقت بزارید چون مهمه حالا یعنی چی؟
یعنی مدیریت و پردازش بیگ دیتا (در آینده برگ برنده با کسی است که بتونه داده های حجیم رو پردازش کنه). بحث های حکمرانی داده، اخلاق در هوش مصنوعی، استانداردها و قوانین هوش مصنوعی و حتی ممیزی در هوش مصنوعی که به تازگی مطرح شده. پس تمام صحبت ها توی این خلاصه میشه که یه مقداری باید از کار گل فاصله گرفت و اون ها رو به هوش مصنوعی سپرد که برامون انجام بده، به جاش به یه سطح بالاتر بریم و روی موارد گفته شده وقت بزاریم.
#روز_22_33
#witaik
آیا با ظهور مدا هایی مانند chatgpt, باز هم لازم است که از پایه هوش مصنوعی و الگوریتم هاش رو یاد بگیریم؟
واقعیت داستان اینه که در آینده ای خیلی نزدیک، اکثر برنامه نویسان دیگه درگیر مباحث پایه ای و کدنویسی های تکراری و روتین نمیشن، بلکه از دستیارهای هوش مصنوعی استفاده میکنند. پس چه متخصص با سابقه باشیم چه یک تازه وارد، لازم است که حتما به این ابزارها کاملا مسلط و وابستگی خودمون رو به مباحث پایه ای (یا اصطلاحا کار گل) کم کنیم. خب پس به جاش چه مهارت هایی ياد بگیریم؟ واضحه، نحوه تعامل و کار کردن با مدل های هوش مصنوعی چون در آینده با هوش های مصنوعی سروکار داریم که برای انجام کارهای ما طراحی شدند پس دیگه اون موقع ما درگیر کدنویسی نمیشم بلکه باید مهارت مون رو روی استفاده درست و بکارگیری اصولی این هوش های مصنوعی بالا ببرم.
علاوه بر این، حتما روی مهارت های پایه ای حوزه داده وقت بزارید چون مهمه حالا یعنی چی؟
یعنی مدیریت و پردازش بیگ دیتا (در آینده برگ برنده با کسی است که بتونه داده های حجیم رو پردازش کنه). بحث های حکمرانی داده، اخلاق در هوش مصنوعی، استانداردها و قوانین هوش مصنوعی و حتی ممیزی در هوش مصنوعی که به تازگی مطرح شده. پس تمام صحبت ها توی این خلاصه میشه که یه مقداری باید از کار گل فاصله گرفت و اون ها رو به هوش مصنوعی سپرد که برامون انجام بده، به جاش به یه سطح بالاتر بریم و روی موارد گفته شده وقت بزاریم.
#روز_22_33
#witaik
"همکاری به صورت تمام وقت و یا پروژه‌ای"
جهت توسعه یک دستیار هوش مصنوعی مبتنی بر llm و خروجی در قالب چت بات، نیاز به یک LLM Engineer داریم.
نوع تخصص: مهندس مدل های زبانی با تخصص توسعه چت بات
سطح تخصص: میدلول بالاتر یا سینیور
نوع همکاری: تمام وقت یا ساعتی
ساعت کاری: منعطف و کاملا شناور
امکان دورکای: بله، بعضی از روزها امکان دورکاری هست.
محدوده شرکت: میدان ولیعصر
نوع شرکت: یک استارتاپ یا شرکت تازه تاسیس با حمایت مالی یک شرکت بزرگ تر.
حقوق: توافقی
توضیحات تکمیلی: قراره روی یک محصول مبتی بر LLM کار کنیم که پاسخگوی سوالات طیفی از کاربران باشد. این چت بات قرار است پاسخگوی سوالات افرادی که مثلا در صنعت X فعالیت میکنند باشه. یعنی کاربران به عنوان یک دستیار از این چت بات استفاده میکنند که هم پاسخ سوالات شون رو می‌گیرند و هم به عنوان یک مشاور برای انجام تسک های مختلف.
در نتیجه زیرساخت ما همین مدل های زبانی هست ولی باید داده هایی که از این صنعت موجود هست رو در قالب دیتابیس اضافه کنیم تا مدل قادر به پاسخگویی سوالات اون حوزه خاص هم باشه.
مهارت های مورد نیاز:
مسلط بر یکی از فریمورک های کار با LLMها مانند LangChain
دانش عمیق روی مدل های زبانی، مهندسی پرامپت و گرفتن خروجی مناسب از آن ها.
مسلط به ابزارهای MLOps جهت دیپلوی مدل و همچنین کوانتیزه کردن مدل ها.
جهت جزئیات بیشتر و جلسه مصاحبه لطفا پیام بدید:
@Ali_Nazarizadeh
جهت توسعه یک دستیار هوش مصنوعی مبتنی بر llm و خروجی در قالب چت بات، نیاز به یک LLM Engineer داریم.
نوع تخصص: مهندس مدل های زبانی با تخصص توسعه چت بات
سطح تخصص: میدلول بالاتر یا سینیور
نوع همکاری: تمام وقت یا ساعتی
ساعت کاری: منعطف و کاملا شناور
امکان دورکای: بله، بعضی از روزها امکان دورکاری هست.
محدوده شرکت: میدان ولیعصر
نوع شرکت: یک استارتاپ یا شرکت تازه تاسیس با حمایت مالی یک شرکت بزرگ تر.
حقوق: توافقی
توضیحات تکمیلی: قراره روی یک محصول مبتی بر LLM کار کنیم که پاسخگوی سوالات طیفی از کاربران باشد. این چت بات قرار است پاسخگوی سوالات افرادی که مثلا در صنعت X فعالیت میکنند باشه. یعنی کاربران به عنوان یک دستیار از این چت بات استفاده میکنند که هم پاسخ سوالات شون رو می‌گیرند و هم به عنوان یک مشاور برای انجام تسک های مختلف.
در نتیجه زیرساخت ما همین مدل های زبانی هست ولی باید داده هایی که از این صنعت موجود هست رو در قالب دیتابیس اضافه کنیم تا مدل قادر به پاسخگویی سوالات اون حوزه خاص هم باشه.
مهارت های مورد نیاز:
مسلط بر یکی از فریمورک های کار با LLMها مانند LangChain
دانش عمیق روی مدل های زبانی، مهندسی پرامپت و گرفتن خروجی مناسب از آن ها.
مسلط به ابزارهای MLOps جهت دیپلوی مدل و همچنین کوانتیزه کردن مدل ها.
جهت جزئیات بیشتر و جلسه مصاحبه لطفا پیام بدید:
@Ali_Nazarizadeh
Forwarded from kordbacheh
🔹 سی و دومین دورهمی شبکه هوش تجاری و داده‌کاوی 🔹
📅 تاریخ: سه‌شنبه، ۱۶ بهمن | 🕕 ساعت: ۱۸:۰۰ تا ۲۰:۳۰
فرصتی برای یادگیری و شبکه‌سازی با حرفه‌ای‌ها! 🚀
مهندس نظری‌زاده در این رویداد با بررسی مرزهای AI، BI و داده‌کاوی به تحلیل تفاوت‌ها و هم‌پوشانی‌های این سه حوزه می‌پردازد.
🔍 هدف‌ها:
شبکه‌سازی در هاب‌های هوش تجاری و هوش مصنوعی
اشتراک‌گذاری دانش و تجربه
ایجاد دوستی‌های جدید و شناسایی فرصت‌های پیشرفت
برای حضور در رویداد حضوری، حتما فرم ثبت‌نام را تکمیل کنید.
فرم ثبت نام
گروه تلگرام
پیج لینکدین
پیج اینستاگرام
و به جمع پیشگامان آینده بپیوندید! 💡
#هوش_تجاری #هوش_مصنوعی #داده_کاوی #شبکه_سازی
📅 تاریخ: سه‌شنبه، ۱۶ بهمن | 🕕 ساعت: ۱۸:۰۰ تا ۲۰:۳۰
فرصتی برای یادگیری و شبکه‌سازی با حرفه‌ای‌ها! 🚀
مهندس نظری‌زاده در این رویداد با بررسی مرزهای AI، BI و داده‌کاوی به تحلیل تفاوت‌ها و هم‌پوشانی‌های این سه حوزه می‌پردازد.
🔍 هدف‌ها:
شبکه‌سازی در هاب‌های هوش تجاری و هوش مصنوعی
اشتراک‌گذاری دانش و تجربه
ایجاد دوستی‌های جدید و شناسایی فرصت‌های پیشرفت
برای حضور در رویداد حضوری، حتما فرم ثبت‌نام را تکمیل کنید.
فرم ثبت نام
گروه تلگرام
پیج لینکدین
پیج اینستاگرام
و به جمع پیشگامان آینده بپیوندید! 💡
#هوش_تجاری #هوش_مصنوعی #داده_کاوی #شبکه_سازی
پاسخ به #33_سوال مهم در حوزه دیتا و هوش مصنوعی
مدل زبانی چیست؟
مدل زبانی یا Language Model, یک سیستم AI برای درک و تولید زبان طبیعی است. این مدل به صورت غیرنظارت شده روی حجم بسیار زیادی از داده های متنی آموزش و تا حد خوبی توانسته اند زبان انسان را درک و یاد بگیرند. ChatGPT نمونه یک مدل زبانی است که بر پایه یادگیری عمیق و مبتنی بر معماری Transformer است. وقتی شما از مدل های زبانی سوالی می‌پرسید، این مدل ها برای شما یک دنباله از کلمات را تولید (Generat) می کنند که این جواب را از قبل ندیده اند بلکه در لحظه تولید می کنند. پس این همان هوش مصنوعی مولد یا Generative AI هست که از قبل داده های تولید شده را ندیده بلکه در لحظه تولید می کند (نمونه تولید عکس، ویدیو و ...). مهم ترین وظیفه مدل های زبانی این هست که در یک جمله، کلمه بعدی را حدس بزنند و کلمه با بیشترین احتمال را جایگزین کنند. در نتیجه کل داستان GPT و قوی ترین مدل ها، تولید یک دنباله از کلمات است که از لحاظ گرامری معنا داشته باشد پس اگر فکر میکنیم این مدل ها هوشمند یا قرار است به آگاهی برسند سخت در اشتباه هستیم. هیچ آگاهی از طریق مدل سازی داده و با این زیرساخت فعلی اتفاق نخواهد افتاد.
#روز_23_33
#witaik
مدل زبانی چیست؟
مدل زبانی یا Language Model, یک سیستم AI برای درک و تولید زبان طبیعی است. این مدل به صورت غیرنظارت شده روی حجم بسیار زیادی از داده های متنی آموزش و تا حد خوبی توانسته اند زبان انسان را درک و یاد بگیرند. ChatGPT نمونه یک مدل زبانی است که بر پایه یادگیری عمیق و مبتنی بر معماری Transformer است. وقتی شما از مدل های زبانی سوالی می‌پرسید، این مدل ها برای شما یک دنباله از کلمات را تولید (Generat) می کنند که این جواب را از قبل ندیده اند بلکه در لحظه تولید می کنند. پس این همان هوش مصنوعی مولد یا Generative AI هست که از قبل داده های تولید شده را ندیده بلکه در لحظه تولید می کند (نمونه تولید عکس، ویدیو و ...). مهم ترین وظیفه مدل های زبانی این هست که در یک جمله، کلمه بعدی را حدس بزنند و کلمه با بیشترین احتمال را جایگزین کنند. در نتیجه کل داستان GPT و قوی ترین مدل ها، تولید یک دنباله از کلمات است که از لحاظ گرامری معنا داشته باشد پس اگر فکر میکنیم این مدل ها هوشمند یا قرار است به آگاهی برسند سخت در اشتباه هستیم. هیچ آگاهی از طریق مدل سازی داده و با این زیرساخت فعلی اتفاق نخواهد افتاد.
#روز_23_33
#witaik
جلسه گروهی زد کلاب | با هدف پرسش و پاسخ تخصصی
📌 موضوع جلسه پرسش و پاسخ:
«مسیر شغلی و بیزینسی برای نسل زد. (کمک به انتخاب یک تصمیم درست)»
سرفصل‌های جلسه گروهی کامینیوتی زدکلاب
بررسی تخصصی معنا و مسیر شغلی و فردی
شناسایی چالش‌های ورود به بازار کار
مسیر راه اندازی کسب و کار شخصی
تاریخ شروع:
چهارشنبه ۲۴ بهمن ۱۴۰۳ ، ساعت ۱۹:۰۰
لینک ثبت نام:
https://mohit.online/event/fwteh9
#witaik
📌 موضوع جلسه پرسش و پاسخ:
«مسیر شغلی و بیزینسی برای نسل زد. (کمک به انتخاب یک تصمیم درست)»
سرفصل‌های جلسه گروهی کامینیوتی زدکلاب
بررسی تخصصی معنا و مسیر شغلی و فردی
شناسایی چالش‌های ورود به بازار کار
مسیر راه اندازی کسب و کار شخصی
تاریخ شروع:
چهارشنبه ۲۴ بهمن ۱۴۰۳ ، ساعت ۱۹:۰۰
لینک ثبت نام:
https://mohit.online/event/fwteh9
#witaik
با سلام.
به یک مدرس آشنا با ابزارهای هوش مصنوعی جهت ارائه حضوری ۲ الی ۳ ساعته برای مدیران سازمان نیازمندیم.
عنوان ارائه: استفاده از ابزارهای هوش مصنوعی در روابط عمومی(تولید متن، ویدیو، عکس، ادیت، پوستر، بنر و ...)
سرفصل ها:
توضیحاتی درمورد هوش مصنوعی و اهمیت آن.
کاربردهای هوش مصنوعی در حوزه های مختلف روابط عمومی
چند مثال ساده و کاربردی و استفاده از ابزارهای AI برای تولید محتوای مرتبط در حوزه روابط عمومی.
درصورت علاقه مندی و آمادگی، لطفا پیام دهید:
@Ali_Nazarizadeh
#witaik
به یک مدرس آشنا با ابزارهای هوش مصنوعی جهت ارائه حضوری ۲ الی ۳ ساعته برای مدیران سازمان نیازمندیم.
عنوان ارائه: استفاده از ابزارهای هوش مصنوعی در روابط عمومی(تولید متن، ویدیو، عکس، ادیت، پوستر، بنر و ...)
سرفصل ها:
توضیحاتی درمورد هوش مصنوعی و اهمیت آن.
کاربردهای هوش مصنوعی در حوزه های مختلف روابط عمومی
چند مثال ساده و کاربردی و استفاده از ابزارهای AI برای تولید محتوای مرتبط در حوزه روابط عمومی.
درصورت علاقه مندی و آمادگی، لطفا پیام دهید:
@Ali_Nazarizadeh
#witaik
پاسخ به #33_سوال مهم در حوزه دیتا و هوش مصنوعی
چگونه ChatGPT باعث انقلابی در هوش مصنوعی شد و بعد از آن، نقش AI در کسب و کارها و محصولات مختلف پررنگ تر شد؟
یه تفکر یا نگاه (از بعد کاربردی) در مورد هوش مصنوعی اینه که هوش مصنوعی به دو بخش قبل از مدل های زبانی مثل ChatGPT و بعد از آن تقسیم میشه. قبل از ChatGPT ما خیلی سروکله AI رو توی دنیای واقعی، نرم افزارها و محصولات مختلف نمی‌دیدیم یعنی تعدادشون خیلی کم و برای بعضی حوزه ها خاص بودند. اما با ظهور مدل های زبانی یا همون LLM ها، شاهد ظهور کلی کسب و کار مبتی بر AI هستیم، حالا واقعا دلیلش چیه؟ ساده ست، یکی از دلایل اش اینه که مدل های زبانی فقط یک چت بات برای پرسش و پاسخ نیستند بلکه یک ساختار فوق العاده و یک مغز جهت حل مسائلی است که تا قبل از این برای ما سخت یا غیر ممکن بود. ما به مدل های زبانی به چشم یک مغز و هوش مصنوعی نگاه میکنیم که دارای یک زیرساخت برای یادگیری و تعامل با انسان از طریق زبان طبیعی است. پس توی خیلی از محصولات مبتنی بر AI، از این هوش و ساختار(ChatGPT) به عنوان پایه و اساس تفکر و یادگیری و تعمیم به حوزه های دیگه استفاده میکنیم. فرض کنید یک دانش آموز کلاس اول به شما میدن و میگن به این بچه هرچی میخوای یاد بده، شما هم میتونید اون بچه رو به سمتی هدایت کنید که پزشک بشه، مهندس بشه، مدرس زبان بشه، تاریخ‌دان بشه و ... چرا؟ چون میدونید که مغز داره و از طریق زبان طبیعی باهاش ارتباط برقرار میکنید. مدل های زبانی هم دقیقا چیزی شبیه به همین هستند، بشر تونست ساختاری هوشمند و بستری جهت یادگیری بسازه (مدل های زبانی) که خوشبختانه از طریق زبان طبیعی هم با اون میشه ارتباط برقرار کرد. پس هرکسی میاد و این LLM ها رو با توجه به نیازی که داره آموزش و برای هدفی خاص یا محصولی خاص به‌کار میبره. پس به خاطر اینه که تا قبل LLM ها، ما خیلی ساختار و هوش مصنوعی یادگیرنده ای نداشتیم که برای اهداف خودمون اونو آموزش و بکار بگیریم.
#روز_24_33
#witaik
چگونه ChatGPT باعث انقلابی در هوش مصنوعی شد و بعد از آن، نقش AI در کسب و کارها و محصولات مختلف پررنگ تر شد؟
یه تفکر یا نگاه (از بعد کاربردی) در مورد هوش مصنوعی اینه که هوش مصنوعی به دو بخش قبل از مدل های زبانی مثل ChatGPT و بعد از آن تقسیم میشه. قبل از ChatGPT ما خیلی سروکله AI رو توی دنیای واقعی، نرم افزارها و محصولات مختلف نمی‌دیدیم یعنی تعدادشون خیلی کم و برای بعضی حوزه ها خاص بودند. اما با ظهور مدل های زبانی یا همون LLM ها، شاهد ظهور کلی کسب و کار مبتی بر AI هستیم، حالا واقعا دلیلش چیه؟ ساده ست، یکی از دلایل اش اینه که مدل های زبانی فقط یک چت بات برای پرسش و پاسخ نیستند بلکه یک ساختار فوق العاده و یک مغز جهت حل مسائلی است که تا قبل از این برای ما سخت یا غیر ممکن بود. ما به مدل های زبانی به چشم یک مغز و هوش مصنوعی نگاه میکنیم که دارای یک زیرساخت برای یادگیری و تعامل با انسان از طریق زبان طبیعی است. پس توی خیلی از محصولات مبتنی بر AI، از این هوش و ساختار(ChatGPT) به عنوان پایه و اساس تفکر و یادگیری و تعمیم به حوزه های دیگه استفاده میکنیم. فرض کنید یک دانش آموز کلاس اول به شما میدن و میگن به این بچه هرچی میخوای یاد بده، شما هم میتونید اون بچه رو به سمتی هدایت کنید که پزشک بشه، مهندس بشه، مدرس زبان بشه، تاریخ‌دان بشه و ... چرا؟ چون میدونید که مغز داره و از طریق زبان طبیعی باهاش ارتباط برقرار میکنید. مدل های زبانی هم دقیقا چیزی شبیه به همین هستند، بشر تونست ساختاری هوشمند و بستری جهت یادگیری بسازه (مدل های زبانی) که خوشبختانه از طریق زبان طبیعی هم با اون میشه ارتباط برقرار کرد. پس هرکسی میاد و این LLM ها رو با توجه به نیازی که داره آموزش و برای هدفی خاص یا محصولی خاص به‌کار میبره. پس به خاطر اینه که تا قبل LLM ها، ما خیلی ساختار و هوش مصنوعی یادگیرنده ای نداشتیم که برای اهداف خودمون اونو آموزش و بکار بگیریم.
#روز_24_33
#witaik
پاسخ به #33_سوال مهم در حوزه دیتا و هوش مصنوعی
چطور از قابلیت های ChatGPT یا مدل های زبانی توی محصولات مون استفاده کنیم؟
برای انجام این کار چندین راه وجود داره که میخوایم درموردش صحبت کنیم.
استفاده از API: همه مدل های زبانی مثل ChatGPT, deepseek و ... API دارن. حالا رایگان یا پولی میتونید از طریق API_KEY به‌ازای میزان توکن های ورودی/ خروجی, مستقیم به مدل ها وصل و ورودی بدید، خروجی بگیرید. (ساده ترین روش برای کاربران مبتدی)
استفاده از مدل های open source به صورت لوکال: بعضی از مدل ها مثل deepseek خوشبختانه open source هستند و میشه کل مدل رو یکجا روی سیستم شخصی دانلود و به صورت آفلاین استفاده کرد. یعنی دیگه لازم نیست به اینترنت وصل و از API استفاده کرد، همه چی آفلاین هست و برای سازمان هایی که دغدغه امنیت اطلاعات دارند بهترین گزینه‌ست. (بهترین گزینه برای جلوگیری از درز اطلاعات به خارج از کشور)
فاین تیون کردن مدل: از طریق پلتفرم هایی شرکت های سازنده این مدل ها مثلا platform.openai یا ... میتونید با قالبی که خود وب سایت گفته، داده های خودتون رو وارد و مدل های llm رو روی دیتاست خودتون آموزش و مدل نهایی رو از طریق همون بسازید و در قالب API_KEY توی برنامه هاتون استفاده کنید. (ساده ترین روش برای آموزش مدل های زبانی توی یک حوزه خاص)
استفاده از prompt engineering: جهت استفاده از قابلیت های مدل های زبانی و قدرتی که دارند، میشه از لایبرری های واسطی مثل LangChain و موارد مشابه دیگه استفاده کرد. توی این روش باز از طریق API به مدل های زبانی وصل میشیم اما با امکاناتی که داریم، حرفه ای تر، بهینه تر و مطمئن تر از قدرت llmها استفاده و توی محصولات مبتی بر AI بکار میبریم. (بهترین گزینه برای توسعه محصولات هوش مصنوعی مبتنی بر llm)
#روز_25_33
#witaik
چطور از قابلیت های ChatGPT یا مدل های زبانی توی محصولات مون استفاده کنیم؟
برای انجام این کار چندین راه وجود داره که میخوایم درموردش صحبت کنیم.
استفاده از API: همه مدل های زبانی مثل ChatGPT, deepseek و ... API دارن. حالا رایگان یا پولی میتونید از طریق API_KEY به‌ازای میزان توکن های ورودی/ خروجی, مستقیم به مدل ها وصل و ورودی بدید، خروجی بگیرید. (ساده ترین روش برای کاربران مبتدی)
استفاده از مدل های open source به صورت لوکال: بعضی از مدل ها مثل deepseek خوشبختانه open source هستند و میشه کل مدل رو یکجا روی سیستم شخصی دانلود و به صورت آفلاین استفاده کرد. یعنی دیگه لازم نیست به اینترنت وصل و از API استفاده کرد، همه چی آفلاین هست و برای سازمان هایی که دغدغه امنیت اطلاعات دارند بهترین گزینه‌ست. (بهترین گزینه برای جلوگیری از درز اطلاعات به خارج از کشور)
فاین تیون کردن مدل: از طریق پلتفرم هایی شرکت های سازنده این مدل ها مثلا platform.openai یا ... میتونید با قالبی که خود وب سایت گفته، داده های خودتون رو وارد و مدل های llm رو روی دیتاست خودتون آموزش و مدل نهایی رو از طریق همون بسازید و در قالب API_KEY توی برنامه هاتون استفاده کنید. (ساده ترین روش برای آموزش مدل های زبانی توی یک حوزه خاص)
استفاده از prompt engineering: جهت استفاده از قابلیت های مدل های زبانی و قدرتی که دارند، میشه از لایبرری های واسطی مثل LangChain و موارد مشابه دیگه استفاده کرد. توی این روش باز از طریق API به مدل های زبانی وصل میشیم اما با امکاناتی که داریم، حرفه ای تر، بهینه تر و مطمئن تر از قدرت llmها استفاده و توی محصولات مبتی بر AI بکار میبریم. (بهترین گزینه برای توسعه محصولات هوش مصنوعی مبتنی بر llm)
#روز_25_33
#witaik