Hamidreza Ghahremani

سلام رفقا، بعد از کلی تلاش بلاخره نسخه آزمایشی سرویس هوشیار رو آماده کردیم. سرویس هوشیار یک سرویس ارائه هوش مصنوعی قراره باشه که اگر بازخورد های مناسبی ازش بگیریم ادامه میدیمش، فعلا چهارتا مدل پردازش متن روش قرار دادیم که در آینده انواع بیشتر و قوی تری رو قرار میدیم.

آدرس ربات:
@hooshyarRobot

پ.ن: بچه های یارنوین هم که با فعالیت توی انجمن سهام گرفته بودن میتونن سهامشون رو به اعتبار داخل سرویس هوشیار تبدیل کنن.

یادگیری تقویتی (Reinforcement learning) یکی از حوزه های مهم هوش مصنوعی (AI) است که در سال های اخیر توجه زیادی را به خود جلب کرده است. این یک نوع الگوریتم یادگیری ماشین است که در آن مدل/عامل هوش مصنوعی برای اعمال خود پاداش یا جریمه دریافت می کند و از آنها یاد می گیرد تا عملکرد را در طول زمان بهینه کند. هدف، به حداکثر رساندن پاداش با انتخاب اقدامات مناسب بر اساس تجربه گذشته است، مشابه نحوه یادگیری انسان‌ها و حیوانات از طریق آزمون و خطا.

به صورت تخصصی، یادگیری تقویتی بر پایه های ریاضی مانند فرآیندهای تصمیم گیری مارکوف (MDPs)، معادلات بلمن، و الگوریتم های یادگیری تفاوت زمانی/محیطی مانند Q-Learning و SARSA متکی است. این مدل‌ها برای نشان دادن محیطی که عامل هوش مصنوعی در آن کار می‌کند استفاده می‌شود، و به آن اجازه می‌دهد در مورد اقدامات بعدی با توجه به شرایط یا وضعیت‌های خاص در آن محیط تصمیم‌گیری کند. به عنوان مثال، اگر یک ربات هوش مصنوعی در اطراف یک پیچ و خم با مسیرهای متعدد منتهی به خارج از آن حرکت می‌کرد، می‌توان از MDP‌ها برای مدل‌سازی مسیرهای مختلف به همراه جوایز/جریمه‌های مربوط به آن‌ها استفاده کرد تا مسیرهای بهینه را بر این اساس تعیین کرد.

یک نمونه از کاربردهای یادگیری تقویتی AlphaGo Zero است که توسط DeepMind Technologies Ltd در سال 2017 توسعه یافت. از شبکه‌های عصبی عمیق ترکیب شده با تکنیک‌های درخت جستجو مونت کارلو استفاده می‌کند تا بازی Go را در سطوح مافوق بشری و بدون هیچ گونه ورودی انسانی به جز اطلاعات پایه قوانین مربوط به خود بازی انجام دهد. سایر کاربردها عبارتند از وسایل نقلیه خودران که از طریق علائم راهنمایی و رانندگی حرکت می‌کنند، ربات‌هایی که بازی‌های فوتبال بازی می‌کنند، دستیاران مجازی قادر به درک دستورات زبان طبیعی و.. است. همه این وظایف به عواملی نیاز دارند که بتوانند رفتار خود را با توجه به شرایط محیطی در حال تغییر تطبیق دهند و در عین حال عملکردهای پاداش مرتبط با هر کار را به حداکثر برسانند.

علاوه بر این، برنامه های کاربردی موفقیت آمیزی برای وظایف مراقبت های بهداشتی مانند کشف دارو با استفاده از مدل های RL وجود دارد. همچنین، برخی از متخصصان از مدل های RL در امور مالی استفاده میکنند که در آن استراتژی های معاملات سهام را می توان با استفاده از تکنیک های RL بهینه کرد. یادگیری تقویتی ابزارهای قدرتمندی را برای مقابله با مشکلات چالش برانگیز در اختیار ما قرار می‌دهد، جایی که روش‌های سنتی ممکن است به اندازه کافی، کافی نباشند زیرا قادر به مقابله با محیط‌های در حال تغییر نیستند.

✍️ حمیدرضا قهرمانی:

https://vrgl.ir/zeRjp

#بخش_دوم

تمام تمرکزمون رو گذاشتیم روی پروژه ای که من پیشنهاد داده بودم، و بلاخره بعد از چند ماه پروژه رو کامل کردیم(اسم پروژه و صرافی رو نمی‌برم چرا که مالک جدید راضی نیست). با منابعی که در اختیار داشتیم به سرعت شروع به تبلیغش کردیم، از آژانس های تبلیغاتی مختلف گرفته تا اینستاگرام سلبریتی ها، خیلی سریع سرمایه جذب کردیم، اما رقیب توی این حوزه از هرجای دیگه ای که فکرش رو بکنید بیشتر و قدرتمند تره، به سرعت اخبار جعلی اینکه ما کلاهبرداری هستیم و.. رو پخش کردن که باعث شد حجم زیادی از سرمایه ای که مردم در سرویس ما گذاشته بودن رو خارج کنن، با این وجود جذب اعتماد کاربر های جدید بسیار سخت تر از هر زمان دیگه ای بود، چرا که کافی بود اسم پروژه مارو سرچ کنن تا با کلی خبر جعلی از کلاهبرداری بودن ما بالا بیاد. عملا یک جنگ به نظر می‌رسید، رقبا در این حوزه به معنای واقعی کلمه به خون هم تشنه هستند.

ما هم جنگ کردیم، این تمام زحمت این مدت ما بود و باید هرچیزی که در توان داشتیم رو برای موفقیتش وسط میزاشتیم، از استراتژی های مختلفی استفاده کردیم، حتی از استراتژی های نامتعارف، چون چاره ای نبود، از انواع مظلوم نمایی ها بگیر تا هویدا کردن ریا کاری های رقبا و قرار دادنشون در جبهه باطل! شاید به نظرتون کار های غیراخلاقی به نظر برسن ولی خب این حوزه عمیقأ میدان جنگ بود، کارهایی که ما انجام دادیم حداقل ترین کارهایی بود که اونها در قبال رقباشون انجام میدادن.

ماه ها گذشت و دیگه پروژه ما به ثبات رسیده بود، البته هیچوقت نمیتونستیم به ثبات برسیم در چنین حوزه ای مگر با این استراتژی ای که در پیش گرفته بودیم، شاید کنجکاو شده باشید که چه استراتژی ای بوده، خب این استراتژی واقعا میشه گفت بزرگترین تجربه و درسی بود که توی این مدت گرفتم و هیچوقت هم فراموشش نمیکنم، دوست دارم اسمش رو بزارم استراتژیِ طبل توخالی :)) این طبل توخالی به اشتباه در جامعه رفتار منفی ای شناخته شده، در واقع بهترین استراتژی بازدارندگی ای هست که تا حالا تجربه کردم، اونم به این شکل بود که ما در واقع هیچ کاری نمیتونستیم در برابر حمله ای که رقبای بزرگ و با تجربه انجام میدادن انجام بدیم و بدون توان رقابت از عرصه خارج می‌شدیم. اما این استراتژی به ما می‌گفت که صدای طبل توخالیتون رو انقد بالا ببرید که رقبا قبل از اینکه تصمیم به حمله بگیرن خودشون رو شکست خورده فرض کنن، با این روش بود که ما خیلی با آرامش و به دور از حمله رقبا تونستیم به یه پروژه با ثبات برسیم ؛)

در نهایت با توجه به علم محور بودن مجموعه ما(یعنی بیشتر به جای اینکه سرمایه داشته باشیم، علم داشتیم) وقتی منابع علمیمون رو از دست دادیم چاره ای جز کنار کشیدن نداشتیم! با شرایط سیاسی حاکم بر ایران بخش زیادی از مشتری ها سرمایه ای که داشتن رو به سرعت از سرویس های ما خارج کردن تا یه موقع فلان پروژه ایرانی پولشون رو نخوره و اینا سریع باهاش دلار و طلا بخرن! همچنین که با وضعیت اینترنت به دلیل شرایط سیاسی، دیگه به سختی بچها باهم سینک می‌شدن، کامیت های گیت هابمون از کامیت های روزانه تبدیل شده بود به کامیت هفتگی که اونم بگیر و نگیر داشت، پروژه ها به سختی پیش میرفتن و عملا امکان پشتیبانی از سرویس هارو نداشتیم، روحیه ای هم برای ادامه فعالیت نبود و بچها فقط دم از رفتن میزدن، با این وجود ما هم تصمیم نهایی رو گرفتیم، کل حقوق مادی و معنوی یارنوین رو یکجا در مزایده با مبلغ خوبی فروختیم، هرکس در تیم با توجه به سهمی که داشت بخشی از مبلغ فروش بهش تعلق گرفت، چندتا از بچها با پولی که به دست آوردن مهاجرت کردن(الان که این پست رو مینویسم هنوز مهاجرتشون کامل نشده) و مطمئنم که تا آخر عمر یارنوین به عنوان یه خاطره خوش و پُلی برای ورود به بازار کار یادشون میمونه.

این بود سرگذشت حدود ۱ سال از زندگی من، تجربه خوبی بود، کلی یاد گرفتم و کلی رفیق جدید و خوب پیدا کردم. ولی هیچوقت فکر نمی‌کردم اینجا پایان کار من در یارنوین باشه، فکر میکردم تا آخر عمر قراره برای بزرگ شدنش تلاش کنم، که خب نشد متأسفانه. اما این پایان کار نیست ..


✍️ حمیدرضا قهرمانی:

https://vrgl.ir/YaZXY

#بخش_اول

خب سلام، همینطور که میدونید به احتمال زیاد، من حمیدرضا قهرمانی هستم و از اونجایی که این نوشته جنبه علمی نداره سعی میکنم با لحن خودمونی صحبت کنم. در این نوشته می‌خوام داستان یه موفقیت ناقص ولی با ارزش رو بهتون تعریف کنم، یعنی یارنوین!

اواسط ۱۴۰۰ بود که من از یه تیمی که ۲ سال داشتم باهاشون کار میکردم جدا شدم(احتمالا خیلی هاتون بدونید چه تیمی منظورمه، اسم نمی‌برم اینجا)، وقتی که جدا شدم یه نفس راحت کشیدم و گفتم دیگه کافیه، به هیچ وجه دیگه سراغ کار تیمی نمیرم(واقعا از کار تیمی بدم میاد و ترجیح میدم تنها کار کنم). آره خلاصه جدا شده بودم و یه مدتی سرگرم کار های خودم بودم و وقت این رو پیدا کرده بودم که ایده هایی که تو ذهنم دارم رو پیاده سازی کنم، یه مدت به این شکل گذشت تا اینکه چندتا از رفیق های قدیمی ای که داشتم(مهران و محمد که بهش سردار میگیم) اومدن و باهام صحبت کردن که باهم تیم بشیم، البته تیم یارنوین رو خیلی وقت پیش باهم ساخته بودن، من رو دعوت کردن که باهم یه مجموعه کامل رو بر پایه یارنوین بسازیم.

بعد از یه مدت فکر کردن و ارزیابی جوانب تصمیم خودم رو گرفتم، من میخواستم بهشون ملحق بشم! مهران یکی از شناخته شده های تلگرام بود (و هست) که خب میتونست برای ایده هامون کاربردی باشه، سردار هم که خب برنامه نویسی و هک امنیت کار میکرد و کلی دوست و آشنا کریتور(سازنده چنل) در تلگرام داشت. این فرصتی فوق العاده بود که برای یارنوین یه زیرمجموعه بسازیم به نام دویار، دویار یه سرویس یاری رسانی به دولوپر ها قرار بود باشه و گروه تلگرام هم براش زدیم تا یه جامعه از برنامه نویس هارو بسازیم، این زیر مجموعه رو با استفاده از منابعی که از طریق بچها در اختیار داشتیم و یه نیمچه اسمی که خودم در حوزه برنامه نویسی داشتم، ساختیم.

گروه واقعا گرفت، از سرعت پیشرفتی که یه گروه گفتگوی برنامه نویسی در تلگرام میتونست در این مدت کوتاه داشته باشه رقیب های این حوزه واقعا تعجب کرده بودن، که خب کلی هم سنگ جلوی پامون انداختن ولی وقتی کارت رو بلد باشی هیچکس نمیتونه مانعت بشه.‌ قبل از اینکه خاطره بازی رو ادامه بدم بزارید یه نکته از تجربه ای که در این مدت به دست آوردم رو بهتون بگم تا شاید کمکی کرد بهتون و به قولم که قرار بود برخی از چیزایی که در این مدت یاد گرفتم رو به بچها بگم، عمل کنم. یکی از نکات اصلی ای که بعد ساخت این گروه فهمیدم این بود که رئیس بازی نداریم، وقتی در گروه یا تیمی رئیس مابی رو کنار بزارید سرعت پیشرفت واقعا بیشتر میشه، کاری کنید که اعضا با تمام وجود حس کنند که از خودشون هستید، این واقعا تاثیر میزاره!

خب داشتیم میگفتیم، خلاصه اینجوری دویار رو بالا آوردیم، دویار یه منبع با ارزش برای تیم ما محسوب می‌شد، هر زمان که می‌خواستیم میتونستیم برای پروژه های دیگه از داخلش برنامه نویس پیدا کنیم، اعضای تیم رو جایگزین کنیم و.. اینطوری ما یه تیم قدرتمند برنامه نویسی تونستیم بسازیم که هر ایده ای که در ذهن داریم رو پیاده سازی کنیم. یه مدت از این تیم برای انجام پروژه های مختلف استفاده کردیم، بازده تیم در انجام پروژه ها فوق العاده بود، کلی ابزار برای هماهنگ شدن تیم ساخته بودیم که باعث می‌شد در کوتاه ترین و هماهنگ ترین حالت ممکن پروژه هارو انجام بدیم، با انجام پروژه به این صورت، تمام سرمایه ای که برای پیاده سازی ایده های اصلیمون نیاز داشتیم رو به دست آوردیم.

حالا وقتش شده بود، وقت پیاده سازی ایده های اصلی، دو نظر مختلف در تیم وجود داشت، یکی من که پیشنهادم این بود یک سرویس بلاکچین پیاده سازی کنیم، یه سرویس بزرگ که درون خودش بخش سرمایه گذاری، ولت بلاکچین، کارگزاری و صرافی دیجیتال رو داشت، نظر دیگه هم نظر مهران بود، مهران که از قدیمی های تلگرام بود قصد داشت پنل خدمات تلگرام و اینستاگرام قدیمی خودش رو از اول بروزرسانی بکنه و کلی ایده جدید روش پیاده سازی کنه برای یارنوین. از اونجایی که سرمایه اولیه زیادی رو به دست آورده بودیم، تیم رو به دو قسمت تقسیم کردیم، به صورت موازی پروژه صرافی دیجیتال و پنل خدماتی رو شروع کردیم، مهران خیلی زود کارش تموم شد، و خب قابل پیش بینی هم بود چرا که قطعا پیاده سازی پنل خدماتی از یک بلاکچین هماهنگ در این ابعاد، سریع تر پیاده سازی می‌شد. حالا که مهران پروژه رو تموم کرده بود، با استفاده از منابعی که در دسترس داشت خیلی سریع پروژه پنل "برف" که اکثرا می‌شناسیدش رو بالا آورد و حالا یه منبع درآمد جدید هم یارنوین داشت که خدایی هم منبع درآمد خوبی بود!

✍️ حمیدرضا قهرمانی:

https://vrgl.ir/YaZXY

ریاضیات جزء اساسی برنامه نویسی است. مبنایی را برای الگوریتم‌ها، ساختار داده‌ها و تکنیک‌های حل مسئله که برای توسعه نرم‌افزار ضروری هستند، فراهم می‌کند. کاربرد ریاضیات در برنامه نویسی در جنبه های مختلفی مانند منطق و تحلیل، مدل های بهینه سازی، شبیه سازی ها و الگوریتم های یادگیری ماشین قابل مشاهده است. با استفاده از مفاهیم ریاضی در برنامه های کامپیوتری، آنها کارآمدتر و دقیق تر می شوند و در عین حال زمان توسعه را نیز کاهش می دهند.

یک مثال از کاربرد ریاضیات در برنامه نویسی استفاده از گیت های منطقی برای فرآیندهای تصمیم گیری در یک الگوریتم یا نرم افزار است. گیت های منطقی از جبر بولی استفاده می کنند که عملیات های اساسی مانند AND (اتصالات ربط)، OR (انفصال) یا NOT (نفی) را ترکیب می کند. این نوع جبر به تعریف روابط بین متغیرها کمک می کند تا بتوان بر اساس شرایط خاصی که توسط آن متغیرها برآورده می شود، تصمیم گیری کرد. این به توسعه دهندگان اجازه می دهد تا سیستم های پیچیده ای را با کمترین تلاش در مقایسه با روش های دیگر بدون استفاده از راه حل های ریاضی ایجاد کنند.

مثال دیگر، مدل‌های بهینه‌سازی است که شامل یافتن راه‌حل‌های بهینه از محدوده مجموعه‌ای با توجه به برخی معیارها یا محدودیت‌ها مانند حداقل‌سازی هزینه یا بهینه سازی نرم افزار هایی با منابع محدود هستند اما به حداکثر بازده خروجی از آنها نیاز دارند. روش‌های برنامه‌نویسی خطی از طریق توانایی حل سریع معادلات حتی زمانی که با مجموعه‌های داده‌ای با مقادیر زیاد سروکار داریم با استفاده از توابع ریاضی مانند ضرب ماتریس به جای حلقه‌های سنتی که برای تکرار بر روی مجموعه‌های داده به صورت دستی استفاده می‌شوند، به دستیابی به آن کمک می‌کنند. علاوه بر این، ابزارهای شبیه‌سازی تئوری احتمال را به همراه روش‌های آماری به کار می‌گیرند که بینش‌هایی را در مورد چگونگی اجرای سناریوهای مختلف قبل از اجرای واقعی آنها در محیط تولید ارائه می‌کنند، بنابراین به دلیل دقت آنها بر اساس رویدادهای دنیای واقعی به جای حدس و گمان، در زمان و هزینه صرفه‌جویی می‌شود.

حوزه دیگری که در آن ریاضیات نقش مهمی در برنامه نویسی ایفا می کند شامل مدل های یادگیری ماشینی است که برای برنامه های کاربردی هوش مصنوعی مانند پروژه های توسعه نرم افزار تشخیص چهره استفاده می شود. در این مثال، ریاضیدانان از تئوری احتمال، جبر خطی، تکنیک‌های بهینه‌سازی و سایر موضوعات ریاضی پیشرفته هنگام ساخت شبکه‌های عصبی پیچیده و آموزش آنها بر روی مجموعه داده‌ها استفاده می‌کنند تا در پیش‌بینی نتایج از ورودی‌های جدید به اندازه کافی توانایی داشته باشند. این نوع رویکرد توسعه‌دهندگان را قادر می‌سازد تا سیستم‌های هوش مصنوعی قدرتمندی ایجاد کنند که قادر به تصمیم‌گیری بر اساس داده‌های ورودی دنیای واقعی هستند، بسیار بهتر از هر انسانی که به تنهایی می‌تواند انجام دهد، این کار را برای شرکت‌ها در تمام صنایع آسان‌تر می‌کند تا از راه‌حل‌های اتوماسیون هوشمند در عملیات خود استفاده کنند.

به طور خلاصه، ریاضیات در نوشتن کد و ایجاد برنامه‌های نرم‌افزاری از محاسبات ساده تا شبیه‌سازی‌های پیچیده که به توسعه‌دهندگان کمک می‌کند منابع ارزشمند را ذخیره کنند و در عین حال نتایج قابل اعتمادی را سریع‌تر از قبل تولید کنند مزایای زیادی دارد که به سازمان‌ها مزیت رقابتی لازم برای موفقیت در عصر دیجیتال امروزی می‌دهد.

✍️ حمیدرضا قهرمانی:

https://vrgl.ir/ETACn

برای هر کسی که می خواهد ریاضیات را به عنوان یک تخصص دنبال کند، مانند یک ریاضیدان فکر کردن یک مهارت ضروری است. این شامل درک اصول استدلال ریاضی و حل مسئله، و به کارگیری این مهارت ها در موقعیت های دنیای واقعی است. برای فکر کردن مانند یک ریاضیدان، ابتدا باید درک کرد که چگونه می توان داده ها را به طور منطقی و دقیق ارزیابی کرد تا از آن نتایج معتبری گرفت. این امر مستلزم توانایی شناسایی الگوها، تشخیص روندها، استنتاجات منطقی بر اساس شواهد ارائه شده توسط مجموعه داده ها یا مشاهدات پدیده ها است. همه اینها تنها با یک ذهنیت باز و تغییر پذیر با ایده های نوع محقق می‌شود.

رفتار کردن مانند یک ریاضیدان به معنای اعتماد به نفس هنگام کار با اعداد یا معادلات است. یک ریاضیدان باید قادر به حل مشکلات پیچیده بدون غرق شدن در آنها باشد، و همچنین داشتن مهارت های ارتباطی قوی به طوری که یافته های شما بتوانند به طور موثر هم به صورت شفاهی و هم مکتوب به نفع دیگران منتقل شوند. یک ریاضیدان مستلزم داشتن اعتماد به توانایی های خود و تمایل به ریسک در هنگام بررسی ایده ها یا نظریه های جدید است. همچنین به معنای درک چگونگی ارتباط و تعامل مفاهیم مختلف ریاضی با یکدیگر است تا بتوانید آنها را با هم به طور مؤثر برای اهداف حل مسئله استفاده کنید. علاوه بر این، مستلزم دانستن این است که چه زمانی مناسب است از دیگرانی که ممکن است تخصص بیشتری نسبت به خود داشته باشند بپرسید تا موضوعات دشوار را در خود ریاضیات بهتر درک کنید.

یک ریاضیدان مستلزم استفاده از منطق و همچنین شهود در هنگام حل مسائل است. این شامل فرمول‌بندی فرضیه‌ها بر اساس شواهد جمع‌آوری‌شده از تجزیه و تحلیل داده‌ها قبل از آزمایش آن فرضیه‌ها از طریق آزمایش با روش‌های مختلف تا رسیدن به نتایج رضایت‌بخش است. علاوه بر این، ریاضیدانان به مهارت های تفکر انتقادی قوی نیاز دارند تا بتوانند کار خود را به طور عینی با زیر سوال بردن مفروضات ساخته شده در طول محاسبات و بررسی مجدد نتایج در برابر حقایق شناخته شده ارزیابی کنند.

در نهایت، استدلال مانند یک ریاضیدان مستلزم استفاده از تکنیک‌های منطق قیاسی از جمله راهبردهای حل مسئله (مثلاً آزمون و خطا)، منطق استقرایی (مثلاً: نگاه کردن به تجربیات گذشته/نقاط داده)، تفکر خلاف واقع (مثلاً: اگر X به جای آن اتفاق می‌افتاد چه می‌شد؟) و بسیاری از تکنیک های دیگر.. هدف همگی کمک به ریاضیدانان برای یافتن راه حل های سریع و کارآمد است. همچنین شامل توانایی تفسیر صحیح اطلاعات بصری داده شده از طریق نمودارها و اطلاعات قبلی می شود. اطمینان حاصل کنید که قبل از رسیدن به هر نوع نتیجه‌گیری، تمام زاویه‌های ممکن را در نظر گرفته‌اید.

✍️ حمیدرضا قهرمانی:

https://vrgl.ir/i8R5Q

قرن هاست که انسان ها بر اساس نژاد، قومیت و ملیت تقسیم شده اند. این امر به دلیل تبعیض بر اساس این عوامل، رنج زیادی را در جهان ایجاد کرده است. با این حال، زمان آن فرا رسیده است که بدانیم این تقسیم بندی هدفی جز کاهش سرعت پیشرفت بشر ندارد و باید از آن عبور کنیم. ما به عنوان یک نژاد انسانی باید درک کنیم که این مفاهیم تقسیم‌بندی‌های خودسرانه‌ ای هستند که چیزی جز مانع برای پیشرفت ما به عنوان یک گونه نیستند. ملیت و قومیت نباید چیزی باشد که برای جدا کردن خود از یکدیگر استفاده کنیم. در عوض باید آن را صرفاً به عنوان یک واقعیت جالب در مورد اجداد ما بدون هیچ گونه پیامد جدی در زندگی بدانیم.

سیاره زمین خانه همه انسان ها صرف نظر از پیشینه آنها یا اینکه از کجا آمده اند است. اگر اتفاقی برای سیاره ما بیفتد، بدون در نظر گرفتن اینکه چه کسی هستیم یا در چه کشوری زندگی می کنیم، همه ما را به یک اندازه تحت تأثیر قرار می دهد. به طور مشابه، وقتی بشریت به طور کلی پیشرفت می کند همه سود می برند، نه فقط یک گروه بر گروه دیگر. پس چرا برخی از مردم هنوز احساس می کنند که باید خودشان را تقسیم کنند؟

نژادپرستی را می توان به عنوان یک نوع شدید بیماری روانی در نظر گرفت که افراد را از تشخیص اشتراکات مشترک خود با دیگران با وجود هر گونه تفاوتی که بین آنها وجود دارد، باز می دارد. که بین افراد بر اساس هویت نژادی آنها به جای شایستگی های فردی آنها به عنوان انسان هایی که به طور یکسان شایسته احترام و شفقت هستند، جدایی ایجاد می کند. هدفی جز تداوم نفرت در میان مردمان مختلف ندارد و بدین ترتیب مانع از برقراری وحدت واقعی در میان انسان ها می شود. قبل از اینکه متوجه شویم این "بیماری" واقعاً چقدر مضر است، فقط باید به نمونه های متعدد تاریخ نگاه کنیم که در آن نژادپرستی باعث رنج عظیم قربانیان بی گناه بی شماری شده است. با شناخت قدرت ویرانگر آن، امیدواریم افراد بیشتری برای ریشه‌کن کردن نژادپرستی یک‌بار برای همیشه گام بردارند تا نسل‌های آینده بتوانند صلح بدون تعصب را در هر کجای جهان تجربه کنند.

زمان آن فرا رسیده است که بشریت متوجه شود که مفاهیمی مانند ملیت ها و قومیت ها در مقایسه با بقای جمعی ما در این زمین چقدر احمقانه هستند، بیایید اختلافات جزئی را بین خودمان کنار بگذاریم تا با هم آینده بهتری بسازیم! ما باید تلاش کنیم عمیق‌تر از همیشه یکدیگر را درک کنیم، بدون اینکه برچسب‌ها قضاوت ما را مخدوش کنند، زیرا در قلب هر فرد خواسته‌های مشابهی وجود دارد: شادی، امنیت و رفاه. بیایید دست در دست هم در جهت دستیابی به این اهداف تلاش کنیم و در عین حال ایده‌های منسوخ شده ای مانند نژاد و ملیت را یکبار برای همیشه پشت سر بگذاریم.

✍️ حمیدرضا قهرمانی:

https://vrgl.ir/LXsIk

تکینگی یا سینگولاریتی رویدادی است که بسیاری از افراد در جوامع علمی و فناوری معتقدند در مقطعی در آینده رخ خواهد داد. این یک رویداد فرضی ولی مورد انتظار است که هوش مصنوعی از هوش انسانی پیشی می گیرد و منجر به پیشرفت های سریع در فناوری می شود و به طور بالقوه بشر را وارد عصر جدیدی از پیشرفت می کند. پیش بینی می‌شود در این نقطه از تاریخ، در مدت زمانی بینهایت کوچک به طور مداوم سرعت پیشرفت علم دوبرابر خواهد شد که با هر بار تجربه این رشد، آن زمان بینهایت کوچک مجددا بینهایت کوچک تر می‌شود تا به شکل غیر قابل درک و تصوری علم پیشرفتش را ادامه دهد، این امر می‌تواند از طریق رشد تصاعدی یا جهش‌های ناگهانی به جلو که با پیشرفت‌هایی مانند محاسبات کوانتومی یا الگوریتم‌های پیشرفته یادگیری عمیق ممکن شده است، به دست آید.

تجزیه و تحلیل این نقطه تکینگی ما را ملزم می کند که هم پیامدهای مثبت و هم خطرات مرتبط با آن را در نظر بگیریم. از یک طرف، به دلیل اینکه ماشین‌ها می‌توانند داده‌ها را سریع‌تر از انسان‌ها پردازش کنند، می‌تواند منجر به سطوح بی‌سابقه‌ای از کارایی و بهره‌وری شود. از سوی دیگر، نگرانی‌هایی در مورد اینکه آیا اتوماسیون مبتنی بر هوش مصنوعی می‌تواند به طور انبوه جایگزین نیروی انسانی شود یا عواقب ناخواسته‌ای به دلیل عوامل پیش‌بینی‌نشده مانند تعصب ماشینی در آن‌ها ایجاد کند، وجود دارد. در نهایت، تنها زمانی می توان به این سؤالات پاسخ داد که به این لحظه فرضی برسیم، اما آنچه مسلم است این است که اگر به آنجا برسیم، بسته به اینکه چقدر برای آن تغییرات از قبل آماده شده باشیم، احتمالاً زندگی ما به شدت به سوی بهتر/بدتر شدن خواهد رفت.

از نظر پیش بینی اینکه چه اتفاقی ممکن است در خود تکینگی بیفتد؟ بدون دانستن اینکه دقیقاً کدام فناوری‌ها تا آن زمان توسعه داده شده‌ و یا منسوخ شده‌اند، غیرممکن است. با این حال، برخی از رویدادهای احتمالی شامل پیشرفت های سریع در علم پزشکی است، زیرا سیستم های مبتنی بر هوش مصنوعی بهتر قادر به شناسایی و درمان بیماری ها هستند. ربات‌های خودمختار که وظایف عادی مانند رانندگی اتومبیل را بر عهده می‌گیرند. افزایش اتوماسیون منجر به نرخ بیکاری که بی سابقه بوده است خواهد شد. منابع انرژی کارآمدتر توسط ماشین‌هایی با کارایی بیشتر از هر مهندس انسانی که می‌تواند به آن دست یابد، توسعه می‌یابد. و در نهایت این احتمال که بشریت ممکن است به طور کامل منسوخ شده و همتایان ماشینی جایگزین آن شوند نیز وجود دارد. تنها کاری که هر کسی واقعاً می تواند در حال حاضر انجام دهد این است که بر اساس روندهای فعلی حدس و گمان بزند و در عین حال به تحقیقات در زمینه هایی مانند اقدامات ایمنی هوش مصنوعی ادامه دهد تا هر آنچه که در آینده رخ می دهد برای ما شوک غیرمنتظره ای نباشد.

✍️ حمیدرضا قهرمانی:

https://vrgl.ir/yA8fN

حساب انتگرال و دیفرانسیل دو شاخه از مهم ترین شاخه های ریاضیات هستند. آنها در زمینه های مختلف، از مهندسی تا اقتصاد، برای حل مسائل پیچیده استفاده می شوند. حساب انتگرال به یافتن ناحیه زیر منحنی یا سطح مربوط می شود. می توان از آن برای محاسبه حجم یا فاصله بین نقاط روی نمودار استفاده کرد. حساب دیفرانسیل با نرخ تغییر توابع سروکار دارد. این به ما کمک می کند تا بفهمیم که متغیرهای مختلف چگونه با یکدیگر تعامل دارند و چگونه در طول زمان بر یکدیگر تأثیر می گذارند.

برای توضیح ساده حساب انتگرال و دیفرانسیل، به این مواردی که عرض میکنم توجه کنید: حساب انتگرال مانند گرفتن میانگین است در حالی که حساب دیفرانسیل به تغییرات در آن میانگین در طول زمان و همچنین نرخ آن در هر نقطه معینی در طول مسیر خود (شیب) نگاه می کند. برای محاسبه انتگرال ها از تکنیک های یکپارچه سازی مانند جایگزینی، روش های اجزای یک کل (روش اویلر) و .. استفاده می کنیم، که به ما کمک می کند با تقسیم نواحی زیر منحنی ها/سطوح به قطعات کوچک، به نتیجه دلخواه برسیم. به طور مشابه برای مشتقات از قوانین تمایز مانند قانون زنجیره ای، قانون محصول و .. استفاده می کنیم که به ما امکان می دهد شیب ها را در هر نقطه از مسیر تابع خود محاسبه کنیم و اطلاعات مفیدی در مورد رفتار آن تابع خاص ارائه کنیم.

در نتیجه، حساب انتگرال و دیفرانسیل ابزارهای قدرتمندی برای درک سیستم‌های پیچیده با تجزیه آنها به اجزای ساده‌تر فراهم می‌کنند که می‌توان آن‌ها را راحت‌تر از زمانی که با هم در نظر گرفته می‌شوند مطالعه کرد. در حالی که دانشی فراتر از ریاضیات پایه ممکن است بسته به مسئله ای که می خواهید با استفاده از این روش ها حل کنید مورد نیاز باشد، اما هرکسی که تا حدودی با مفاهیم اولیه آشنایی دارد، پس از خواندن این توضیحات به درک درستی از این مفاهیم ریاضی می‌رسد.

✍ حمیدرضا قهرمانی:

https://vrgl.ir/Zthdv

ایده حمله هوش مصنوعی (AI) به انسان می تواند برای بسیاری نگران کننده باشد. با این حال، درک این نکته مهم است که هوش مصنوعی هرگز از حالت طبیعی و کارآمد خود خارج نمی شود و به انسان حمله نمی کند، مگر اینکه برای این کار ساخته شده باشد. این بدان معناست که تا زمانی که اقدامات ایمنی مناسب در هنگام طراحی و برنامه‌نویسی آنها اتخاذ شود، ترس از سرکشی با هوش مصنوعی بی‌اساس است.

از نظر ریاضی، یک هوش مصنوعی هیچ انگیزه یا تمایلی برای اعمال بدخواهانه به خودی خود ندارد زیرا انجام این کار از دیدگاه آنها پاداشی ندارد. الگوریتم های هوش مصنوعی با اهداف از پیش تعیین شده مانند بهینه سازی کارایی یا تکمیل دقیق وظایف طراحی شده اند. بنابراین هر رفتاری خارج از این پارامترها به هیچ وجه به نفع دستگاه نخواهد بود و در صورت عدم کنترل حتی می تواند باعث آسیب شود. علاوه بر این، بیشتر هوش مصنوعی‌ های پیشرفته در دنیا که توسط شرکت های مختلفی از جمله Open AI توسعه یافته اند، دارای محافظ‌های داخلی هستند که از انجام اقداماتی که ممکن است به افراد یا دارایی‌ها آسیب برساند بدون اجازه صریح از اپراتورها در ابتدا جلوگیری می‌کند. که خطر این ماشین‌ها را به میزان قابل توجهی کاهش می‌دهد.

در پایان، اگرچه ترس‌های مربوط به حمله هوش مصنوعی به انسان‌ها به دلیل تصاویر هالیوودی قابل درک است، اما باید به خاطر داشته باشیم که این سناریو نمی‌تواند به طور طبیعی اتفاق بیفتد زیرا هوش مصنوعی انگیزه‌ای برای چنین رفتارهایی ندارد و در نتیجه، می‌توانیم ببینیم که چرا ترس‌های پیرامون هوش مصنوعی تا حد زیادی بی‌اساس هستند، زیرا فرآیندهای تصمیم‌گیری آن به‌شدت به ریاضیات و منطق متکی است تا احساسات یا رفتار غریزی مانند مغز ما! این بدان معناست که اگر کسی عمداً مدل خود را با اهداف مضر برنامه‌ریزی نکند (که به مهارت فوق‌العاده‌ای نیاز دارد)، هوش مصنوعی هیچ ضرری ندارد.

✍ حمیدرضا قهرمانی :

https://vrgl.ir/kdKax

تمایز بین یادگیری ماشین و یادگیری عمیق برای ریاضیدانان و برنامه نویسان مهم است. در ظاهر، هر دو اصطلاح به جای یکدیگر استفاده می شوند، اما تفاوت های مشخصی در نحوه عملکرد ریاضی آنها وجود دارد. یادگیری ماشین (ML) از الگوریتم‌هایی استفاده می‌کند که به ماشین‌ها اجازه می‌دهند از داده‌ها بدون برنامه‌ریزی صریح یاد بگیرند، در حالی که یادگیری عمیق (DL) مجموعه‌ای از الگوریتم‌ها را بر اساس شبکه‌های عصبی مصنوعی(neural network) اعمال می‌کند که ماشین‌ها را قادر می‌سازد تا خودشان از طریق تجربه «یاد بگیرند».

در سطح ریاضی، ML به ترتیب بر تکنیک های نظارت شده(Supervised) یا بدون نظارت(Unsupervised) مانند رگرسیون خطی یا تجزیه و تحلیل خوشه بندی‌ها(K-Means, Mean-Shift,DBSCAN..) تکیه می کند. این روش‌ها از مجموعه داده‌های شناخته شده با خروجی‌های از پیش تعریف‌شده استفاده می‌کنند تا کامپیوتر بتواند الگوها را شناسایی کند تا در مورد ورودی‌هایی که پیش تر تجربه نشده اند، تصمیم گیری کند(حدس بزند). در مقابل، DL این مفهوم را با استفاده از چندین لایه از نورون‌ها در یک ساختار شبکه عصبی پیش می‌برد. هر لایه بر روی لایه قبلی خود ساخته می‌شود تا پس از تکمیل چرخه آموزش خود به نتیجه دلخواه برسد. این اجازه می دهد تا کامپیوترها نه تنها الگوها را تشخیص دهند، بلکه بر اساس آنچه در طول دوره های یادگیری نورون های خود آموخته اند، تصمیم گیری کنند. کاری که رویکردهای قدیمی ML به دلیل محدوده محدود آنها در مقایسه با معماری پیچیده تر DL نمی توانند به طور موثر انجام دهند.

به طور کلی، درک تفاوت بین یادگیری ماشین و یادگیری عمیق برای هر کسی که با مجموعه داده‌های بزرگ کار می‌کند، در جایی که دقت بیشترین اهمیت را دارد، ضروری است. چه ریاضی‌دان باشند و چه برنامه‌نویس! با استفاده از تکنیک‌های مناسب از هر یک از رویکردها بسته به نیازهای خاص خود، متخصصان می‌توانند حداکثر کارایی را هنگام برخورد با هر وظیفه معین مربوط به تجزیه و تحلیل پیش‌بینی‌کننده یا فرآیندهای تصمیم‌گیری مستقل که شامل حجم وسیعی از اطلاعات است را تضمین کنند.

✍ حمیدرضا قهرمانی :

https://vrgl.ir/kvV9o

شبکه ملی چین، یک شاهکار مهندسی چشمگیر است که بیش از دو میلیارد کاربر را با حداکثر نظارت و بدون هیچ مشکل اساسی مدیریت می کند. این امر از طریق ترکیبی از طرح‌ها و الگوریتم های معماری قوی و استفاده از زبان Go برای توسعه برنامه‌های کاربردی آن به دست آمده است. در این مقاله، معماری مورد استفاده برای مدیریت چنین سیستم کاربری بزرگی را توضیح خواهم داد و همچنین مزایای ارائه شده توسط Go در توسعه برنامه های کاربردی برای آن را مورد بحث قرار می دهم.

شبکه چین برای مدیریت چنین سطوح بالای ترافیک و حصول اطمینان از ایمن ماندن و نظارت مناسب داده ها، به معماری های توزیع شده ای متکی است که چندین سرور را در مکان های مختلف به یکدیگر متصل می کنند تا منابع را بین آنها به طور موثر به اشتراک بگذارند(Clustering). این نوع سیستم اجازه می دهد تا وظایف یا فرآیندهای خاصی به طور همزمان بر روی چندین سرور انجام شود که به کاهش تأخیر در هنگام مواجهه با مقادیر زیادی از داده های در حال پردازش یا ترافیک بالای ناگهانی کمک می کند. چیزی که هنگام مدیریت میلیاردها کاربر در سراسر جهان ضروری است! علاوه بر این، این شبکه‌ از سیستم‌های اضافی یا پشتیبان نیز استفاده می‌کند، بنابراین اگر یکی از سرورها از کار بیفتد، هنوز سرورهای دیگری در دسترس هستند که می‌توانند ترافیک شبکه را تا زمانی که تعمیرات انجام شود، تحمل کنند، بنابراین قابلیت اطمینان بیشتری نسبت به معماری‌های تک سرور سنتی(مثل چیزی که در سیستم های دولتی ایران مشاهده میکنیم) ارائه می‌دهند.

یکی از بهترین زبان های برنامه نویسی مورد استفاده برای توسعه برنامه های کاربردی در شبکه ملی چین Go (Golang) است. این زبان متن باز و مدرن به طور خاص برای مقابله با چالش‌های توسعه‌دهندگانی ایجاد شده است که خدمات پیچیده مبتنی بر وب را توسعه میدهند (مانند توسعه شبکه ملی چین). این مورد آن را به ابزاری عالی تبدیل می‌کند که موارد لازم را برای توسعه نرم افزار های عظیمی که قرار است میلیارد ها کاربر را در روز مدیریت کنند، فراهم میکند! یکی از مزیت‌های کلیدی ارائه شده در زبان Go در مقایسه با زبان‌های دیگر این است که بسیاری از ویژگی‌های طراحی‌شده در سینتکس این زبان، به سرعت بخشیدن به فرآیند توسعه کمک می‌کنند. از قابلیت‌های مدیریت حافظه داخلی(Garbage Collector) که نیاز به نوشتن کد اضافی را کاهش می‌دهد، موازی‌سازی خودکار(Concurrency) که به برنامه نویسان اجازه می‌دهد تا توابع را به طور همزمان بدون هیچ کار اضافی اجرا کنند. این ویژگی‌ها باعث می‌شوند پروژه‌ها بدون توجه به اینکه چقدر بزرگ می‌شوند، به سرعت و با اطمینان توسعه داده شوند.

به طور کلی، مدیریت دو میلیارد کاربر مستلزم طراحی معماری کارآمد همراه با ابزارهای قدرتمندی است که قادر به پشتیبانی از موارد مورد نیاز باشند. خوشبختانه به لطف فناوری های پیشرفته که امروزه به چیزهایی مانند سیستم های محاسباتی توزیع شده و Go دسترسی داریم، راه حل های مورد نیاز برای دستیابی به اهداف تعیین شده را بدون توجه به مقیاس آن، به ما ارائه می دهند.

✍ حمیدرضا قهرمانی :

https://vrgl.ir/ZZyZ8

ایرانیان در زمینه علوم به ویژه در ریاضیات تأثیر بسزایی داشته اند. ایرانیان به دلیل مشارکت در علوم ریاضی مانند جبر، هندسه و مثلثات شناخته شده اند. یک نمونه، کار خیام در معادلات جبری است که پایه و اساس تفکر جبری مدرن را بنا نهاد. یکی دیگر از ریاضیدانان ایرانی محمد بن موسی خوارزمی بود که الگوریتم هایی را توسعه داد که به پیشرفت ریاضیات محاسباتی کمک کرد و کسرهای اعشاری را وارد محاسبات حسابی کرد. او همچنین کتاب جامع محاسبه را نوشت که یکی از تأثیرگذارترین آثاری است که در تمدن اسلامی در مورد ریاضیات نوشته شده است.

ایرانیان امروزی این سنت را با چهره‌های برجسته‌ای که در زمینه‌های علمی از جمله فیزیک، مهندسی و پزشکی و.. تأثیرگذار بوده‌اند، ادامه داده‌اند. با این حال، باید توجه داشت که طی سال‌های اخیر به دلیل بی‌ثباتی سیاسی در داخل ایران، تحریم‌های اقتصادی اعمال شده بر ایران از سوی دیگر کشورهای جهان، کاهش دسترسی به منابع مورد نیاز برای اهداف تحقیقاتی و.. مواردی هستند که فرصت پیشرفت را از دانشمندان ایرانی میگیرند. با این حال علم همچنان ادامه دارد ولی متاسفانه مشارکت دانشمندان ایرانی در محدود ترین حالت خود است.

در پایان می توان گفت در حالی که از لحاظ تاریخی ایرانیان سهم زیادی در پیشرفت علوم ریاضی داشته اند، اما امروزه به سطوح مشارکت بسیار پایینی رسیده اند، عمدتاً به دلیل عوامل بیرونی خارج از کنترل و محدود کردن آنچه در حال حاضر می توان به آن دسترسی داشت این موضوع اتفاق افتاده است، امیدواریم این وضعیت هرچه سریع تر تغییر کند، تا بتوانیم بار دیگر شاهد پیشرفت‌های بزرگ‌تری از ایران باشیم که از طریق جمعیت دانشمندان با استعداد آن به صورت مشترک هم در داخل ایران و هم در سطح بین‌المللی به اشتراک گذاشته می‌شود.

همچنان امیدواریم به آینده، جایی که همه برای پیشرفت فرصت برابر دارند، جایی که برای دسترسی به منابع علمی نیازی به استفاده از VPN نداریم، جایی که متفکران را دشمنان خود نمی‌پندارند.

✍ حمیدرضا قهرمانی :

https://vrgl.ir/mzROo

این ایده که خداوند جهان را با ریاضیات آفریده است، ایده ای باستانی است و متکلمان و فیلسوفان زیادی در طول قرن ها درباره آن بحث کرده اند. ریاضیات رابطه منحصر به فردی با جهان فیزیکی‌ای که در آن زندگی می کنیم دارد، زیرا به طور شگفت انگیز و غیرمنطقی به نظر می رسد که هر جنبه ای از زندگی ما را توصیف می کند. از فیزیک تا شیمی، از زیست شناسی تا نجوم و.. همه جنبه های واقعیت ما را می توان با استفاده از ریاضیات توصیف کرد. این نشان می دهد که باید نوعی برنامه الهی در پس ایجاد آن وجود داشته باشد. چیزی فراتر از درک یا اختراع بشر!

اینکه آیا این بدان معناست که ریاضیات واقعاً توسط خدا به بشر هدیه داده شده است یا به سادگی توسط انسان ها کشف شده است، هنوز جای بحث دارد. با این حال نمونه های زیادی در طول تاریخ وجود دارد که نشان می دهد هر دو احتمال در کنار هم وجود دارند. ریاضیدانان یونان باستان مانند فیثاغورث قادر به کشف حقایق ریاضی پنهان در مورد طبیعت بودند، در حالی که فیزیکدانان امروزی مانند استیون هاوکینگ معادلات جدیدی را بر اساس مشاهدات و آزمایش های خود تئوریزه کرده اند، که ترکیبی از کشف از طریق مشاهده همراه با اختراع از طریق آزمایش را نشان می‌دهد.

ریاضیات همچنین در سراسر متون مذهبی به اشکال مختلف مانند الگوهای عددی موجود در انجیل (مثلاً دنباله‌های فیبوناچی)، اعجاز عددی قرآن، حتی اشکال هندسی پیچیده‌تر (مثلاً ستاره داوود) ظاهر می‌شود. آیا این تصادفات نمی‌تواند نشان دهنده این باشد که خداوند نشانه های ریاضی را برای انسان ها قرار داده است؟

یکی از نمونه‌های معجزه ریاضی در مصر باستان با تکنیک‌های ساخت آنها بر روی اهرام مصر یافت می‌شود. قدیمی‌ترین بنای تاریخی باقی‌مانده از دوران باستان که هنوز پابرجاست! این اهرام با استفاده از روش‌های پیشرفته‌ای مانند نقشه‌برداری و هندسه ساخته شد که به آن‌ها اجازه می‌داد تا فواصل بین نقاط را بدون هیچ ابزار یا تجهیزات مدرن در آن دوره اندازه‌گیری کنند. این شاهکار باورنکردنی به ما نشان می‌دهد که انسان‌ها چه توانایی‌هایی دارند وقتی که خود را به طور کامل در جهت تسلط بر مفاهیم ریاضی مانند آنچه معماران مصری بیش از 4500 سال پیش استفاده می‌کردند، به کار می‌گیرند!

مثال دیگر از هند در دوران قرون وسطی است که در آن ریاضیدانان الگوریتم های پیچیده ای را به نام "نظریه غربال" توسعه دادند که می توانست مسائل مربوط به اعداد اول را به سرعت و کارآمد حل کند. این تکنیک چندین دهه بعد به بخشی جدایی ناپذیر از علوم کامپیوتر تبدیل شد! به‌علاوه، ریاضی‌دان قرن هفدهم، پیر دو فرما، گام‌های بلندی در جهت درک معادلات جبری برداشت و در عین حال قضیه معروف خود (که اکنون به عنوان آخرین قضیه فرما شناخته می‌شود) کشف کرد، این مسئله در میان معروف‌ترین قضایای تاریخ ریاضیات است و تا قبل از اثبات شدنش در رکوردهای جهانی کتاب گینس به عنوان «سخت‌ترین مسئله ریاضی» شناخته می‌شد. این دو دستاورد هر دو پیشرفت نظری را به همراه کاربرد عملی در ریاضیات نشان می‌دهند. این موارد به می‌گوید که چرا ریاضیات در طول تاریخ بشر تا به امروز بسیار مهم است!

به طور کلی، دقیقاً مانند دین، همیشه بحث در مورد اینکه آیا خدا واقعاً جهان ما را با استفاده از ریاضیات خلق کرده است وجود دارد، اما چیزی که نمی‌توان انکار کرد این است که در طول زمان ریاضیات چقدر برای ما انسان‌ها کاربردی بوده است، از کمک به ما در ساختن پل‌ها تا درک بهتر اکتشافات فضایی. امروزه که انسان به تکامل نسبی از لحاظ عقل و منطق رسیده است بیش از هر زمان دیگری اهمیت ریاضیات را درک می‌کند.

✍ حمیدرضا قهرمانی :

https://vrgl.ir/o5F6O

پی نوشت: این مقاله صرفا جهت رد مفاهیم متافیزیکی ای مانند ارتعاشات، انرژی های مثبت/منفی، چشم سوم، بخواه تا برآورده شود و.. نوشته شده است و هیچ تناقضی با ادیان الهی و موجودیت خدا ندارد.

متافیزیک قرن‌‌هاست که وجود داشته است، و متقاعد کردن مردم جهت اینکه متافیزیک چیزی بیش از یک مفهوم فلسفی نیست، دشوار است. با این حال، من کاملاً معتقدم که متافیزیک واقعی نیست و نباید به عنوان مبنایی برای درک جهان جدی گرفته شود. در اینجا سه دلیل برای رد متافیزیک وجود دارد:

اولاً مفاهیم متافیزیکی به هیچ وجه قابل اثبات و آزمایش نیستند. در حالی که آنها ممکن است خوراک جالبی را برای بحث در میان کاربران شبکات اجتماعی فراهم کنند(همانطور که من و دوستم را به جان هم انداخته که مجبور به نوشتن این مقاله شدم)، اما واقعیت این است که هیچ مدرک علمی برای حمایت از این ایده ها وجود ندارد. در بهترین حالت آنها چیزی بیش از حدس و گمان است. علاوه بر این، بسیاری از ادعاهای مطرح شده توسط طرفداران نظریه های متافیزیکی با آزمایش های علمی دقیق در طول زمان رد شده است. این بیشتر باور من را تقویت می‌کند که چنین نظریه‌هایی فاقد اعتبار هستند و نباید بدون تحقیق مناسب، به عنوان حقیقت پذیرفته شوند.

ثانیاً، بسیاری از مفاهیم متافیزیکی بر جهان بینی های منسوخ تکیه دارند که پیشرفت های علم و فناوری را از زمان تصورشان در قرن ها پیش در نظر نمی گیرند که آنها را از ارائه بینش معنادار به واقعیت فعلی ما بی ربط می کند. به عنوان مثال، نظریه مُثُل افلاطون مبتنی بر دیدگاه یونان باستان است که بازتاب درک مدرن در مورد چگونگی عملکرد ماده در سطح بنیادی نیست. این باعث می شود کاربرد آن در هنگام در نظر گرفتن مسائل معاصر مانند تغییرات اقلیمی یا تحقیقات هوش مصنوعی محدود شود.

در نهایت، اتکای بیش از حد به ایده‌های ذهنی، مانند آنچه در متافیزیک یافت می‌شود، می‌تواند ما را به مسیرهای خطرناکی سوق دهد که در آن تصمیم می‌گیریم فقط بر اساس آنچه که فکر می‌کنیم ممکن است اتفاق بیفتد تصمیم بگیریم نه آنچه واقعاً ممکن است اتفاق بیفتد. این کار منجر به پیامدهای بالقوه فاجعه‌بار می‌شود (برای مثال، سرمایه گذاری پول بدون تضمین). بنابراین، به‌جای تمرکز صرفاً بر چارچوب‌های نظری اثبات‌نشده مانند آنچه در فلسفه سنتی یافت می‌شود، بیایید توجه خود را به سمت توسعه جایگزین‌های واقع‌گرایانه با پشتوانه داده‌های تجربی متمرکز کنیم تا بتوانیم تصمیمات آگاهانه‌ای در مورد بهترین راه برای پیشبرد زندگی خود بگیریم!

علاوه بر این، حتی اگر بتوانیم برخی از جنبه‌های متافیزیک را به‌عنوان واقعیات بپذیریم (که نمی‌توانیم)، باز هم در مواجهه با واقعیت در زندگی روزمره شکست خواهند خورد، زیرا فاقد کاربردهای عملی در زندگی روزمره ما هستند. نظریه‌های متافیزیکی هیچ راه‌حلی برای مشکلاتی مانند فقر یا نابرابری ارائه نمی‌دهند. در عوض آنها ایده‌های انتزاعی را ارائه می‌کنند که ارتباط کمی با واقعیت امروزی دارند. این بدان معناست که تکیه بر مبانی متافیزیکی ما را از یافتن راه حل های واقعی برای مسائل فعلی دورتر می کند!

به جای اتلاف وقت برای درک مفاهیم پیچیده فلسفی بدون نتایج ملموس، چرا روی درک آنچه واقعاً در اطراف ما اتفاق می افتد تمرکز نمی کنیم؟ ما به جایگزین های واقع بینانه مبتنی بر شواهد تجربی نیاز داریم تا جامعه بتواند به سمت آینده ای بهتر پیشرفت کند! با رد نظریه های منسوخ مانند متافیزیک، بشریت یک قدم به سوی دستیابی به پیشرفت واقعی نزدیک تر خواهد شد.

✍‌ حمیدرضا قهرمانی :

https://vrgl.ir/Z0VdV

پردازش زبان طبیعی (NLP) شاخه مهمی از هوش مصنوعی است که به تجزیه و تحلیل و درک زبان طبیعی می پردازد. این الگوریتم ماشین ها را قادر می سازد تا زبان انسان را درک، تفسیر و خود آن را تولید کنند. الگوریتم های NLP برای کارهایی مانند طبقه بندی متون، تجزیه و تحلیل احساسات، تشخیص موجودیت و.. با تجزیه و تحلیل مجموعه ای از داده ها به منظور شناسایی الگوهای درون آن استفاده می شود.

به بیان ساده، الگوریتم NLP با شکستن یک جمله به کلمات یا عباراتی به نام نشانه، کار می کند، که سپس برای ساختار و معنای آنها با استفاده از تکنیک های مختلف مانند برچسب گذاری قسمتی از گفتار (POS)، برچسب گذاری نقش معنایی (SRL) استفاده می شود. خروجی حاصل از این فرآیندها را می توان برای پیش بینی کلمه بعدی در جملات مرتبط با موضوع یا حتی کل مکالمات بر اساس آنچه قبلاً گفته شد استفاده کرد.

موارد استفاده برای الگوریتم‌های پردازش زبان طبیعی از چت بات‌ ها، تا خدمات مشتری که پشتیبانی ۲۴ ساعته را بدون نیاز به مداخله انسان ارائه می‌کنند، متفاوت است. دستیارهای شخصی مانند سیری و الکسا؛ بهینه سازی موتورهای جستجو، برنامه‌های کاربردی پزشکی که در آن‌ها می‌توان برای تشخیص بیماری‌ها زودتر از همیشه بر اساس علائم بیمار به صورت حتی نوشتاری استفاده کرد. همه این مثال‌ها نشان می‌دهند که این فناوری زمانی که به درستی و با داده‌های کافی به کار گرفته شود چقدر قدرتمند است.

برای درک بهتر اینکه الگوریتم‌های NLP چگونه از نظر ریاضی کار می‌کنند، ابتدا به دانش پایه‌ای از نظریه احتمال نیاز داریم، که بیان می‌کند با توجه به دو رویداد A و B، احتمال P(A|B) نشان‌دهنده احتمال وقوع رویداد A در صورتی است که رویداد B قبلا رخ داده باشد. آن را به شکل دیگری بیان میکنیم P(A|B)=P(A∩B)/P(B). در مورد پردازش زبان طبیعی، این مفهوم برای پیش‌بینی آنچه بعد از تجزیه متون ورودی قبلی در یک دنباله خواهد آمد، استفاده می‌شود. به عنوان مثال، فرض کنید می‌خواهید مدل یادگیری ماشین شما در مورد نقد فیلم آموزش ببیند، به محض اینکه شخصی تایپ کرد: «دوست داشتم…» انتظار دارید جمله‌اش را با چیزی مثبت به جای منفی پایان دهند، که در نتیجه احتمال P("جمله مثبت" | "دوست داشتم") احتمال رخدادی، بیش از سایر احتمالات دارد. این فرآیند به ما کمک می کند تا هنگام پیش بینی نتایج به دقت بیشتری دست یابیم، زیرا احتمالات با هر گزینه موجود مرتبط است. به طور کلی، تصمیم گیری آسان تر می شود!

به طور خلاصه، الگوریتم‌های NLP با اجازه دادن به ماشین‌ها برای درک دقیق زبان‌های انسانی، انقلابی در محاسبات امروزی ایجاد کرده‌اند و در نتیجه به ایجاد سیستم‌های هوشمندتر کمک می‌کنند که قادر به انجام وظایف پیچیده به صورت مستقل و بدون دخالت انسانی زیاد هستند!

✍ حمیدرضا قهرمانی :

https://vrgl.ir/qxCms

پیش بینی آینده همیشه برای انسان‌ها جذاب بوده است. با پیشرفت روزافزون علم انسان در ریاضیات و کاربردهای آن در زمینه های مختلف، پیش بینی آینده بیش از هر زمان دیگری امکان پذیرتر می شود. در این مقاله به چگونگی استفاده از ریاضیات برای پیش‌بینی آینده و همچنین برخی از نظریه‌ها و روش‌های ریاضی که در این کار استفاده می‌شوند، خواهیم پرداخت.

تاریخچه پیش‌بینی آینده و رویدادها با استفاده از ریاضیات به قرن‌ها قبل برمی‌گردد، زمانی که برای اولین بار توسط تمدن‌های باستانی مانند ستاره‌شناسان بابلی که توانستند با استفاده از دانش خود از نجوم همراه با محاسبات ریاضی، خسوف‌ها را با دقت زیادی پیش‌بینی کنند، انجام شد. چند قرن بعد در اروپای قرن شانزدهم، جایی که دانشمندان برجسته ای مانند گالیله، درک خود از فیزیک را همراه با دانش خود در ریاضی و هندسه به کار بردند که به او اجازه داد مدل هایی را ایجاد کند که بتواند جزر و مد را بر اساس حرکات ماه، پیش بینی کند.

امروزه ریاضیدانان مدرن از تئوری احتمالات در کنار تکنیک های تحلیلات آماری استفاده می کنند که ترکیب آنها با یکدیگر، آنچه را که امروزه به عنوان تجزیه و تحلیل ریاضی شناخته می شود، تشکیل می دهند. که به ما امکان می دهد بر اساس مجموعه داده های گذشته، نتایج بالقوه را از ورودی های خاص پیش بینی کنیم. این نوع رویکرد تحلیلی به ما اجازه می دهد تا پیش بینی های دقیقی در مورد بازارهای مالی، الگوهای آب و هوا، شیوع بیماری وو.. ایجاد کنیم، ما برای رسیدن به این اهداف(پیش بینی‌ها) از تکنیک های مختلفی استفاده میکنیم، یکی از این تکنیک ها، نظریه آشوب است که از معادلات غیرخطی مبتنی بر نظریه احتمال برای مطالعه سیستم‌های پیچیده مانند بازارهای سهام یا تغییرات آب و هوایی در بازه‌های زمانی مختلف، از چند ثانیه تا چند سال آینده استفاده می‌کند. سایر زمینه‌های مرتبط شامل نظریه بازی است که تصمیم‌گیری استراتژیک بین دو بازیکن را مطالعه می‌کند. ما انسان‌ها با ترکیب و گسترش این تکنیک های پیش بینی آینده، به تکنیک های هوش مصنوعی ای رسیده ایم که حتی رفتار انسانی را هم می‌توانند پیش بینی کنند (البته که این تازه شروع ماجرا است و کارهای عجیب و پیچیده تری را این تکنیک‌ها برای ما انجام خواهند داد).

برای کسانی که می خواهند در سطح پیشرفته در مورد این رشته از ریاضیات بیشتر بیاموزند، ابتدا باید با مفاهیم اولیه مانند حساب دیفرانسیل و انتگرال، جبر خطی، آمار و احتمال و همچنین برخی از زبان های برنامه نویسی مانند Python/R/Matlab/Go و.. آشنا شوند. با کسب دانش کافی در مورد این موضوعات، می‌توانید به حوزه‌های تخصصی‌تر از جمله الگوریتم‌های یادگیری ماشین (به عنوان مثال، شبکه‌های عصبی) بروید که به رایانه‌ها اجازه می‌دهد نه تنها پیش‌بینی کنند، بلکه از داده‌های گذشته بدون نیاز به دخالت انسانی نیز یاد بگیرند! در نهایت فراموش نکنید که منابع بسیار زیادی به صورت آنلاین موجود است. کتاب هایی که توسط دانشمندان برجسته در این زمینه نوشته شده است نیز می‌توانند برایتان مفید باشند. مانند ریچارد داوکینز "ژن خودخواه"، ادوارد لورنز "نظریه آشوب: دینامیک‌های غیرخطی" و کتاب های "هوش ریاضی"، "آیا یک ماشین می‌تواند فکر کند؟" از آلن تورینگ.

بنابراین، اگر می‌خواهید در ریاضیات کاوش کنید، اکنون زمان ایده‌آلی برای شروع خواهد بود!

✍ حمیدرضا قهرمانی :

https://vrgl.ir/tMaJO

آیا شما یک برنامه نویس، دانشمند یا ریاضیدان هستید؟ آیا می خواهید وجود خدا را با علم، منطق و ریاضی ثابت کنید؟ اگر چنین است پس این پست برای شماست!

بسیاری از مردم در طول تاریخ به طرق مختلف سعی در اثبات وجود خدا داشته اند. با این حال به دلیل پیشرفت علم و فناوری در سال های اخیر این امر بسیار آسان تر از گذشته شده است اما با این حال حقیقت این است که اثبات وجود خدا از طریق علم و منطق می‌تواند دشوار باشد، زیرا ما را ملزم می‌کند تا در مورد چیزهایی که نمی‌دانیم فرضیاتی بسازیم که ممکن است هنوز به طور صدرصد اثبات نشده باشند. مانند اینکه دقیقاً چگونه جهان ایجاد شده است و چرا قوانین خاصی در آن وجود دارد. در این پست به برخی از استدلال های علمی که می توانند به عنوان مدرکی برای یک خالق استفاده شوند(کسی که بسیاری او را "خدا" می نامند)، نگاه خواهیم کرد.

یک استدلال به عنوان اصل آنتروپیک شناخته می شود که بیان می کند که ثابت های فیزیکی خاصی باید در محدوده های بسیار باریکی وجود داشته باشند در غیر این صورت جهان ما قادر به حفظ حیات بر روی زمین یا هر جای دیگری در جهان نخواهد بود. این نشان می‌دهد که یک طراح هوشمند پشت این قوانین حاکم بر جهان ماست، زیرا آنها برای بقای زندگی بسیار دقیق تنظیم شده‌اند - چیزی که دانشمندان از آن به عنوان "تنظیم دقیق" یاد می‌کنند. مثال دیگری را می توان از طریق مکانیک کوانتومی یافت که در آن به نظر می رسد ذرات در هنگام مشاهده توسط انسان در مقایسه با زمانی که تنها می مانند، رفتار متفاوتی از خود نشان می دهند، که نشان می دهد ناظری خارج از فضا/زمان بر رفتار آنها تأثیر می گذارد،‌ دوباره به سمت نیرویی بالاتر از آنچه اکنون می دانیم اشاره می کند. در نهایت نیز شواهدی از نظریه احتمال وجود دارد که نشان می‌دهد حتی اگر همه شرایط قبل از شکل‌گیری جهان ما کامل بوده باشند، شانس شکل گیری جهان همچنان صفر باقی می‌ماند مگر اینکه نوعی نیروی خارجی بر آن‌ها اثر بگذارد، که سطح دیگری فراتر از آنچه ما در حال حاضر می‌دانیم وجود دارد. همه این نکات به یک نتیجه اشاره دارند: واقعاً باید کسی وجود داشته باشد که ما و هر چیزی را در اطراف ما ایجاد کند. کسی که بسیاری او را "خدا" می نامند.

نظر فلاسفه در این خصوص چیست؟ آیا می‌توان با منطق خدا را اثبات کرد یا اثبات خدا تنها محدود به استدلال های علمی است؟ سوال ساده ای هست، چرا که حتی واژه خداوند از علم فسلفه نشعت گرفته است. بدیهیست که در ادامه بتوانیم خدا را با منطق نیز اثبات کنیم:

1) برهان کیهانی - این استدلال بیان می کند که از آنجایی که هر چیزی علتی دارد پس باید چیزی باعث جهان ما (خدا) شده باشد. همچنین نشان می دهد که از آنجایی که جهان ما به نظر می رسد به خوبی برای زندگی تنظیم شده است، پس چیزی باید آن را طراحی یا ایجاد کرده باشد (دوباره به ایده یک طراح هوشمند اشاره می کند).

2) برهان غایت‌شناسی - این استدلال ادعا می‌کند که به دلیل پیچیدگی موجود در طبیعت، مانند موجودات زنده که دارای اندام‌های پیچیده‌ای مانند چشم هستند که به آنها اجازه دیدن را می‌دهد. این به جای اینکه تصادفی باشد، به طراحی اشاره دارد (که دوباره یک طراح باهوش را نشان می دهد)، یعنی خدا پشت همه این چیزهایی که در اطراف ما اتفاق می افتد وجود دارد و چنین پیچیدگی‌هایی اتفاقی نمی‌توانند باشند.

3) معجزات و نبوت‌ها - در طول تاریخ روایت‌های متعددی وجود دارد که در آن معجزات رخ داده یا نبوت‌ها محقق شده‌اند که مؤمنان را به مسیرهایی هدایت می‌کند که نشان‌دهنده مداخله الهی در اینجا، روی زمین توسط کسی است که چیزی بیش از انسان‌های فانی، یعنی خدا می‌داند!

4) تجربه شخصی - در نهایت، قطعاً بسیاری از مردم شهادت می دهند که شخصاً برخورد با «خدا» را تجربه می کنند، چه مستقیماً از طریق رؤیاها / خواب‌ها / صداها و غیره... یا به طور غیرمستقیم از طریق پدیده های غیرقابل توضیحی که شاهد آن بوده اند، مانند شفاها، دعاهای مستجاب شده‌ای غیرقابل توضیح، و غیره ... که به شدت به نیروهای ماوراء طبیعیه فراتر از درک بشر اشاره دارد ... به عبارت دیگر خدا!

اما در انتها چرا به خدا نیاز داریم؟ خوب جدا از ارائه پاسخ هایی در مورد خلقت، او همچنین راهنمایی هایی را در مورد بهترین شکل زندگی که پر از هدف و معنا هست را ارائه می دهد. یک نظام اعتقادی مانند اسلام در میان رنج و بی عدالتی امید می دهد و در عین حال ارزش هایی مانند یکپارچگی و عدالت را در جامعه القا می کند. با پذیرفتن حضور او در میان ما، در مواقعی که مشکل داریم به خودمان اجازه می‌دهیم کمک را بدون احساس شرم یا گناه بپذیریم. بنابراین در نهایت اعتقاد به او آرامش را به ارمغان می‌آورد.

✍ حمیدرضا قهرمانی :

https://vrgl.ir/8tjfU

موضوع هوش مصنوعی (AI) سالهاست که بحث داغی است. هوش مصنوعی یک زمینه مهیج و به سرعت در حال توسعه است، اما برخی از سوالات مهم را نیز مطرح می کند، به خصوص وقتی صحبت از آینده ما به عنوان انسان می شود. آیا هوش مصنوعی آینده ما را تهدید می کند؟ آیا آنها می توانند جایگزین برنامه نویسان شوند؟ آیا آنها همه ما را نابود خواهند کرد؟

بیایید با نگاهی به جنبه های فنی هوش مصنوعی شروع کنیم. هوش مصنوعی اساساً توانایی ماشین‌ها برای یادگیری از داده‌ها و تطبیق رفتار خود بر اساس آن، بدون نیاز به دستورالعمل‌های برنامه‌نویسی صریح است. این فناوری از سال 1956 زمانی که دانشمند کامپیوتر بریتانیایی آلن تورینگ مقاله معروف خود را در مورد "ماشین آلات محاسباتی و هوش" منتشر کرد، وجود داشته است. از آن زمان، پیشرفت‌ها در قدرت محاسباتی، محققان را قادر ساخته است که در چند دهه گذشته گام‌های بزرگی در این زمینه بردارند - به طوری که بسیاری از کارشناسان معتقدند که ما امروز در یک «انقلاب هوش مصنوعی» زندگی می‌کنیم!

اما مبنای ریاضی آن چیست؟ خب، دو رویکرد اصلی وجود دارد که توسط هوش مصنوعی مدرن استفاده می‌شود: الگوریتم‌های یادگیری تحت نظارت مانند شبکه‌های عصبی، یا الگوریتم های یادگیری بدون نظارت مانند الگوریتم های ژنتیک یا سیستم های یادگیری تقویتی. هر رویکرد از الگوهای ریاضی متفاوتی استفاده می‌کند که به رایانه‌ها امکان می‌دهد الگوهای درون مجموعه داده‌ها را سریع‌تر از همیشه شناسایی کنند - و آنها را قادر می‌سازد تا اطلاعات پیچیده را دقیق‌تر از آنچه انسان به تنهایی مدیریت کند، تفسیر کند!

پس چگونه خودتان در این زمینه متخصص شوید؟ خوب اولا شما نیاز به دانش عالی از ریاضیات، به ویژه حساب دیفرانسیل و انتگرال، جبر خطی و نظریه احتمال دارید. همچنین به مهارت های برنامه نویسی در حد خوبی نیاز خواهید داشت که زبان هایی مانند پایتون و R برای شروع کار ضروری است. اما در ادامه این مسیر بهتر است که زبان با پرفورمنس بهتر مانند Go یا ‌سی‌پلاس‌پلاس را انتخاب کنید. در نهایت اگر به دنبال چیزی فراتر از کدنویسی هستید، تکنیک‌های بینایی ماشین با استفاده از شبکه‌های عصبی کانولوشنال عمیق ممکن است ارزش یادگیری را داشته باشند!

در نتیجه، در حالی که هوش مصنوعی خطرات خاصی را به همراه دارد، نباید اغراق کرد. در واقع اگر به درستی از آن استفاده شود، می تواند مزایای بزرگی هم از نظر اجتماعی و هم از نظر اقتصادی داشته باشد. با تحقیق دقیق در مورد پیامدهای آن به همراه مقررات دقیق و سختگیرانه، می‌توانیم اطمینان حاصل کنیم که بشریت در آینده به طور محکم در راس دنیا باقی می‌ماند!

✍️ حمیدرضا قهرمانی :

https://medium.com/@hamidreza01/the-topic-of-artificial-intelligence-ai-has-been-a-hot-one-for-years-now-98e8b62dd83c

Glitch: glitch.com/@hamidreza01