بعد از این درس چه کاری میتوانی انجام بدهی؟
- مفهوم «کاربر» را با مثال ساده توضیح بدهی
- نمونه این درس را مرحلهبهمرحله تغییر بدهی
- یک حالت عادی و یک حالت مرزی را مقایسه کنی
- نتیجه را بدون اصطلاح گنگ برای فرد دیگری توضیح بدهی
استقرار مدل را ساده بفهم
یک سیستم هوش مصنوعی مثل همکار تازهوارد است؛ بدون زمینه، نمونه و معیار موفقیت ممکن است پاسخی روان اما نادرست بدهد.
اصل مهم: در هر تمرین فقط یک مفهوم تازه را تغییر بده؛ چند تغییر همزمان یادگیری و خطایابی را سخت میکند.
چرا مهم است؟ فرد مشخصی که مسئله را تجربه میکند.
اولین تمرین تو: یک موقعیت واقعی را در یک جمله بنویس؛ ابزار یا نام مدل را از جمله حذف کن.
این درس را از چهار زاویه بفهم
قرار نیست چیزی را حفظ کنی. یک مفهوم را با چند تعبیر میبینی تا بالاخره تصویر ذهنی روشن خودت را بسازی.
خیلی ساده
هوش مصنوعی یک همکار احتمالاتی است: ورودی تو را میخواند، الگویی مناسب پیدا میکند و یک خروجی پیشنهاد میدهد. روانبودن پاسخ به معنی درستبودن آن نیست.
تشبیه اول: کارآموز تازه
اگر مسئله، نمونه و معیار موفقیت را روشن نگویی، کارآموز ممکن است کاری مرتب اما اشتباه تحویل دهد. مدل هم به دستور روشن و بازبینی نیاز دارد.
تشبیه دوم: کتابدار
کتابدار وقتی بهتر کمک میکند که موضوع، محدوده و شکل پاسخ را بداند. زمینه همان اطلاعاتی است که جستوجوی پاسخ را هدایت میکند.
مدل فنی
جریان پایه چنین است: ورودی و زمینه ← مدل و قواعد ← خروجی ← ارزیابی انسانی. هر بخش باید قابل مشاهده و قابل سنجش باشد.
ورودی
چه دادهای وارد میشود؟ نام، عدد، کلیک یا درخواست؟
پردازش
برنامه چه قانون یا محاسبهای را اجرا میکند؟
خروجی
چه نتیجهای باید ببینی و چطور درستی آن را میسنجی؟
هر خط دقیقاً چه کاری انجام میدهد؟
از بالا به پایین بخوان. ابتدا توضیح را ببین، سپس همان خط را در کارگاه پایین صفحه تغییر بده.
بخشی از دستور برنامه است؛ علامتها و ترتیب آن برای محیط اجرا معنی مشخص دارند.
بخشی از دستور برنامه است؛ علامتها و ترتیب آن برای محیط اجرا معنی مشخص دارند.
حدودیت هزینه و نیاز به ثبت خطاها را بنویس.بخشی از دستور برنامه است؛ علامتها و ترتیب آن برای محیط اجرا معنی مشخص دارند.
کلمههایی که نباید گنگ بمانند
کد
متنی با قواعد مشخص که کار مورد انتظار را برای کامپیوتر توضیح میدهد.
نحو یا Syntax
دستور زبان کد؛ مثل جای درست کلمات و نشانهها در یک جمله.
متغیر
یک نام خوانا برای نگهداشتن مقداری که بعداً لازم داریم.
خروجی
نتیجه قابل مشاهدهای که برای بررسی برنامه بیرون میآید.
سه «چرا»ی مهم درس اول
چرا کامپیوتر خودش منظور من را حدس نمیزند؟
چون برنامه بر اساس دستورهای دقیق و قابل تکرار کار میکند. این دقت باعث میشود همان ورودی، نتیجهای پیشبینیپذیر بسازد. ابهام برای گفتوگوی انسانی طبیعی است، اما در کد باید تصمیمها را روشن بنویسیم.
چرا از برنامهای به این کوچکی شروع میکنیم؟
در نمونه کوچک، رابطهٔ علت و نتیجه واضح است. اگر فقط یک مقدار را تغییر بدهی، دقیقاً میفهمی چرا خروجی عوض شده؛ بعد همین فهم را به پروژههای بزرگ منتقل میکنی.
اگر خطا دیدم یعنی برای برنامهنویسی مناسب نیستم؟
نه. خطا گزارش محیط اجرا دربارهٔ چیزی است که نفهمیده یا نتوانسته انجام دهد. خط اول پیام، شماره خط و آخرین تغییری که دادهای سه سرنخ اصلی تو هستند.
از مشاهده تا نوشتن مستقل
هر مرحله فقط کمی سختتر از مرحله قبل است؛ لازم نیست یکباره همهچیز را بلد باشی.
خروجی را حدس بزن
بدون اجرا، نتیجه نمونه را روی کاغذ بنویس. سپس آن را با نتیجه کارگاه مقایسه کن.
یک داده را تغییر بده
فقط نام یا عدد را عوض کن. توضیح بده کدام بخش خروجی باید تغییر کند و کدام بخش ثابت میماند.
یک خروجی تازه بساز
یک داده جدید مثل شهر یا هدف یادگیری بساز و با همان الگوی ساده آن را نمایش بده.
معیار موفقیت: ساختار اصلی تمرین کامل است.
از یک مثال کوچک شروع کن
هوش مصنوعی وقتی مفید است که درد کاربر، وضعیت فعلی و نتیجه مطلوب روشن باشد. بهجای «یک چتبات میخواهم» بنویس چه کسی، در چه لحظهای، برای انجام چه کاری کمک میخواهد. برای نمونه، در پروژه «API مدل با پایش کیفیت» همین مفهوم را روی یک داده کوچک و قابل مشاهده امتحان میکنیم؛ اول نتیجه را حدس میزنیم و بعد فقط یک بخش را تغییر میدهیم.
۱. مثال را با زبان خودت بگو
پیش از کد یا پرامپت، ورودی، کار و نتیجه را در سه جمله کوتاه بنویس.
۲. کوچکترین نمونه را بساز
فقط یک مفهوم تازه اضافه کن تا رابطه علت و نتیجه گم نشود.
۳. یک حالت متفاوت را امتحان کن
مقدار عادی، مرزی یا نامعتبر را تغییر بده و تفاوت را توضیح بده.
اصل مهم: در هر تمرین فقط یک مفهوم تازه را تغییر بده؛ چند تغییر همزمان یادگیری و خطایابی را سخت میکند.
سه قطعهای که باید بفهمی
کاربر
فرد مشخصی که مسئله را تجربه میکند.
درد
هزینه، تأخیر یا سردرگمی وضعیت فعلی.
نتیجه
تغییر قابل مشاهده پس از استفاده.
ساخت «API مدل با پایش کیفیت» با داده معتبر، معیار کیفیت و کنترل انسانی.
برای نمونه، در پروژه «API مدل با پایش کیفیت» همین مفهوم را روی یک داده کوچک و قابل مشاهده امتحان میکنیم؛ اول نتیجه را حدس میزنیم و بعد فقط یک بخش را تغییر میدهیم.
ارزیابی ساختار پرامپت
متن به هیچ سرویس هوش مصنوعی فرستاده نمیشود؛ ساختار نقش، زمینه، محدودیت و قالب خروجی روی همین دستگاه سنجیده میشود.
یک بخش را تغییر بده و دکمه بررسی را بزن.
راهنماییها مرحلهای هستند؛ اول خودت پیام خطا را بخوان.
یک موقعیت واقعی را در یک جمله بنویس؛ ابزار یا نام مدل را از جمله حذف کن.
این سه اشتباه را انجام نده
کپی نمونه بدون پیشبینی خروجی
افزودن چند مفهوم تازه در یک مرحله
نادیدهگرفتن حالت خالی یا نامعتبر
با 5 سؤال مطمئن شو که مفهوم را گرفتهای
هدف اصلی این درس چیست؟
کاربر در این درس چه نقشی دارد؟
بهترین ترتیب تمرین کدام است؟
کدام حالت باید جدا آزمایش شود؟
چه زمانی آماده درس بعدی هستی؟
فهمیدی، تغییر دادی، نتیجه را توضیح دادی؟
فقط در این صورت درس را کامل کن و سراغ مرحله بعد برو.