ahfz@ahfzdev
alihafezi.tech
Joined December 2023
5 Photos and videos
Pinned Tweet
ahfz@ahfzdev
Sep 11
اکثر برنامه نویس هایی که فکر می‌کنند با یادگیری فریم‌ورک‌های جدید AI، اسکیل ها و ام سی پی های مختلف در امان هستند، تا ۲ سال آینده از بازار کار حذف میشن. دلیلش فنی نیست، بلکه یک کژفهمی بزرگ درباره ارزش واقعی کدنویسیه
4
192
14,925
بزرگ‌ترین پاشنه‌ آشیل پروژه‌های AI که قبل از پروداکشن فلج میشن، نداشتن زیرساخت Eval درست و درمونه. با وجود اینکه ابزارهای نسبتا خوبی برای حلش هست ولی استفاده نمیشن. خیلی از تیم‌ها روزها وقت صرف تست کردن پرامپت‌ها، اسکیل ها یا تغییر مدل می‌کنند، اما چون مترییک ارزیابی ...
2
1
56
4,471
more replies
۲. یک پرامپت یا اسکیل جدید ممکنه مشکل A رو حل کنه ولی بی‌صدا ۱۰ تا رفتار درست قبلی رو خراب کنه. ۳. بدون Evalکردن، تصمیم‌گیری‌های فنی به‌جای دیتای واقعی، بر اساس تصمیم دلی برنامه‌نویس انجام میشه!!
1
4
447
با فریمورک های اوپن سورسی مثل Ragas و DeepEval تا حد زیادی میتونی جلوی این مشکلات رو بگیری.
5
420
۱. دچار تغییرات کورکورانه میشن یعنی اصلا نمیدونند تغییر جدید واقعاا سیستم رو بهتر کرده یا فقط روی نمونه‌های دموی خودشون خوب جواب داده ۲. یک پرامپت جدید ممکنه مشکل A رو حل کنه ولی بی‌صدا ۱۰ تا رفتار درست قبلی رو خراب کنه.
1
16
۳. بدون Evaluate کردن، تصمیم‌گیری‌های فنی به‌جای دیتای واقعی، بر اساس احساس دلی برنامه‌نویس انجام میشه!!
6
تعداد نامحدود Senior Data/AI Engineer که در یکسال اخیر به عرصه اومدید و بدنبال احداث شرکت های یک نفره ایجنت محور و یا ام وی پی خفن هستید توجه داشته باشید که RAG جادو نیست. توی پروژه های با مقیاس بزرگتر تزریق بی‌نهایت Context توی RAG فقط هزینه‌ی Inference و Latency رو بالا می‌بره
3
2
65
3,730
و مدل رو دچار توهم می‌کنه. RAG برای این بکار میره که مدلت به دانش بروزتری دسترسی داشته باشه، در حالی که Fine-Tuning برای تغییر سبک، لحن و الگوی استدلال مدلت به کار میره. عدم تفکیک دقیق این دو هدف باعث میشه RAG رو جایگزین کامل Fine-Tuning فرض کنند.
9
403
دقیقا تفاوت یک وایب کدر با یک دیتاساینتیست چیه و کی و کجا این تفاوتو میتونی ببینی؟ یک ایجنت داده های ساختار نیافته رو هم خیلی خوب هندل میکنه، از جمع آوری داده از سورس های مختلف گرفته تا پیش پردازش، تحلیل توصیفی، ساخت داشبوردهای مدیریتی و حتی تحلیل پیش بین و مدل های تشخیصی هوش ...
1
1
291
... و مدل های تشخیصی هوش مصنوعی. اما فاجعه دقیقا زمانی اتفاق میفته که فکر میکنی همه چی داره عالی پیش میره. فرض کن توزیع داده های ورودی تغییر کنن بدون اینکه سیستم هیچ اروری رو لاگ نکنه.
1
1
123
یا اینکه رابطه بین وروردی و خروجی عوض بشه ولی همچنان سیستمت با اعتماد به نفس کاذب و اطمینان بهت خروجی بده. اینجاست که دانش آمار، جبر خطی و شناسایی الگو به کمک دیتاساینتیست میاد تا با تحلیل دقیقData Drift و Concept Drift، چرخه MLOps و مانیتورینگ مدل رو زنده و قابل‌اعتماد نگه داره.
2
42
یه نسخه‌ی Open Source از Clay برای Agentها ساختن که با Jev + Treg.ai کار می‌کنه. ادعای سازنده : 👇🏻 دیگه لازم نیست ماهی حدود ۶۰۰ دلار اشتراک Clay بدی. هزینه‌ی این سرویس حدود 0.0089 دلار برای هر لیده. ادعا می‌کنن حدود ۸۵٪ ارزون‌تر از Clay در میاد. برای People Search دقت بالایی داره. میشه به هر Agent یا Workflow وصلش کرد. کاملاً Open Sourceـه و میگن ۰٪ markup می‌گیرن. لینک تستش هم اینه:
Treg.to/people-search در عمل یعنی برای پیدا کردن لید و اطلاعات افراد برای Sales / Outreach ساخته شده؛ چیزی شبیه Clay، ولی ارزون‌تر و Agent-friendly اگه این مدل ابزارهای جدید AI و Workflowهای خفن به کارت میاد، آموزش‌ها و ابزارهای بیشتری رو تو کانال می‌ذاریم 👇 t.me/+Te_FX2jm5EfcxwEp
1
6
57
3,010
همون‌طور که انتظار می‌رفت Determinism توی هوش مصنوعی دوباره داره جاش رو پیدا می‌کنه، فعلاً توی لباس Jev. این در واقع همون ایده انکودرها و معماری‌های کلاسیکه که سعی میکردن قبل از دیکودینگ یا تصمیم‌گیری، فضای ویژگی ها رو مپ کنن به فضای پایینتر #Jev #encoders #ai
1
279
در واقع مپ کردن داده‌ها به یک فضای ابعادی کوچک‌تر و فشرده، نویزها حذف میشن. خروجی این فشرده‌سازی، یک ورودی تر و تمیز، قطعی و ساختاریافته برای مدل می‌سازه
143
کمپانی Anthropic میگه حدود ۹۵۰ Agent از Claude، بعد از ۲۱ ساعت کار، به یه سیستم آنزیمی ناشناخته در DNA رسیدن که بعدا در آزمایشگاه تایید شده! 🧬🤖 یعنی AI فقط مقاله نمی‌خونه؛ داره وارد چرخه‌ی واقعی کشف علمی هم میشه.
Polymarket
@Polymarket
Sep 23
BREAKING: Anthropic’s new wet lab produces its first discovery, with nearly 1,000 Claude agents autonomously uncovering a novel enzyme system after 21 hours of work.
2
5
181
40,826
چرا با ظهور si بازار کار برای data/ai engineers کم که نشد که بیشتر هم شد؟ پاسخش توی پارادوکس جونزه!‌ جونز متوجه شد که پس از معرفی موتور بخار بهینه‌شده توسط جیمز وات (که زغال‌سنگ کمتری مصرف می‌کرد)، مصرف کلی زغال‌سنگ در انگلستان به جای کاهش، سه‌برابر شد!
6
85
5,525
طبق این پارادوکس، وقتی کارایی یک ابزار بالا میره و ارزون‌تر میشه، مصرفش کم نمیشه بلکه به شدت جهش پیدا می‌کنه. هوش مصنوعی کدنویسی رو ارزون و سریع کرد. نتیجش این شد که شرکت‌ها پروژه‌های بیشتری تعریف کردن، سیستم‌ها پیچیده‌تر شدن و حجم داده‌ها هزار برابر شد!
24
751
گوگل AX رو متن‌باز کرده؛ یک orchestrator برای اجرای Agentها در مقیاس بالا. ایده‌اش شبیه Kubernetes برای Agentهاست؛ با sandbox، مدیریت state، اجرای طولانی‌مدت و امکان suspend/resume. github.com/google/ax

GitHub - google/ax: Google's open agentic orchestration runtime

Google's open agentic orchestration runtime. Contribute to google/ax development by creating an account on GitHub.

github.com
2
13
143
4,821
تازه داشت بحث explainable AI کم کم در مورد مدل های دیپ (سنتی) داغ میشد که یهو سرو کله LLMs پیدا شد. (: با این روند که داریم پیش میریم طی چنسال آینده حتی نمیدونیم کارهای روزمرمونو بر چه اساس و به چه دلیلی داریم انجام میدیم. یه چیزی مثل سریال سایلو
6
291
شاهکار PrismML: فشرده‌سازی Qwen3.8-27B به ۵.۹ گیگابایت! مدل ترنری Bonsai 2 (۱.۷ بیتی) با حفظ ۹۸٪ کارایی نسخه اصلی، حالا به‌صورت لوکال روی آیفون، مک و حتی مرورگر وب اجرا می‌شه.
11
7
279
15,652
Load more