[{"data":1,"prerenderedAt":218},["ShallowReactive",2],{"lesson:t1-s07-responsible-start":3,"course:hamhoosh":54},{"meta":4,"prev":11,"next":15,"sections":19},{"free_preview":5,"order":6,"slug":7,"source":8,"term":9,"title_fa":10},true,7,"t1-s07-responsible-start","book",1,"فصل ۰۷ — از همین حالا مسئولانه",{"free_preview":5,"order":12,"slug":13,"source":8,"term":9,"title_fa":14},6,"t1-s06-types","فصل ۰۶ — گونه‌های هوش مصنوعی",{"free_preview":5,"order":16,"slug":17,"source":8,"term":9,"title_fa":18},8,"t1-s08-interrogate-project","فصل ۰۸ — پروژه: یک مدل را بازجویی کن",[20,24,27,32,35,38,41,44,47,51],{"kind":21,"heading":22,"html":23},"normal","در این فصل چه یاد می‌گیری","\u003Ch2 id=\"در-این-فصل-چه-یاد-می‌گیری\">در این فصل چه یاد می‌گیری\u003Ca class=\"head-anchor\" href=\"#%D8%AF%D8%B1-%D8%A7%DB%8C%D9%86-%D9%81%D8%B5%D9%84-%DA%86%D9%87-%DB%8C%D8%A7%D8%AF-%D9%85%DB%8C%E2%80%8C%DA%AF%DB%8C%D8%B1%DB%8C\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>تا اینجا فهمیدی مدل چیست، چطور یاد گرفت، چرا گاهی توهم می‌کند و چه مرزهایی دارد. یک چیز مانده که باید از \u003Cstrong>همان اولین گفت‌وگو\u003C\u002Fstrong> همراهت باشد، نه در پایانِ دوره: مسئولیت. این فصل چیزی نمی‌سازد جز یک عادت — عادتی که تا هر وقت با هوش مصنوعی کار می‌کنی به‌کارت می‌آید. یاد می‌گیری چه داده‌ای را می‌شود به مدل داد و چه داده‌ای را هرگز، چرا خروجی‌اش گاهی جانب‌دار است، کِی اصلاً نباید سراغش رفت، و کِی باید صادقانه بگویی «این را با کمکِ هوش مصنوعی ساختم». هیچ‌کدام موعظه نیست؛ هرکدام یک خطرِ واقعی و ملموس است.\u003C\u002Fp>\n\u003Cp>\u003Cpicture>\u003Csource type=\"image\u002Fwebp\" srcset=\"\u002F_img\u002F01-image-data-gate.a41de7e4d1.160.webp 160w, \u002F_img\u002F01-image-data-gate.a41de7e4d1.320.webp 320w, \u002F_img\u002F01-image-data-gate.a41de7e4d1.480.webp 480w, \u002F_img\u002F01-image-data-gate.a41de7e4d1.640.webp 640w, \u002F_img\u002F01-image-data-gate.a41de7e4d1.768.webp 768w, \u002F_img\u002F01-image-data-gate.a41de7e4d1.960.webp 960w, \u002F_img\u002F01-image-data-gate.a41de7e4d1.1280.webp 1280w\" sizes=\"(max-width: 900px) 100vw, 800px\">\u003Cimg src=\"\u002F_img\u002F01-image-data-gate.a41de7e4d1.1280.jpg\" srcset=\"\u002F_img\u002F01-image-data-gate.a41de7e4d1.160.jpg 160w, \u002F_img\u002F01-image-data-gate.a41de7e4d1.320.jpg 320w, \u002F_img\u002F01-image-data-gate.a41de7e4d1.480.jpg 480w, \u002F_img\u002F01-image-data-gate.a41de7e4d1.640.jpg 640w, \u002F_img\u002F01-image-data-gate.a41de7e4d1.768.jpg 768w, \u002F_img\u002F01-image-data-gate.a41de7e4d1.960.jpg 960w, \u002F_img\u002F01-image-data-gate.a41de7e4d1.1280.jpg 1280w\" sizes=\"(max-width: 900px) 100vw, 800px\" alt=\"یک قیفِ برش‌خورده که داده به یک ماشینِ کوچک می‌ریزد و یک دریچهٔ کوچک سرِ قیف جلوی بخشی از قطره‌ها را می‌گیرد\" width=\"1376\" height=\"768\" loading=\"lazy\" decoding=\"async\">\u003C\u002Fpicture>\u003C\u002Fp>\n\u003Cp>آخر این فصل می‌توانی:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>تشخیص بدهی چه داده‌ای را می‌شود به ردهٔ رایگان داد و چه داده‌ای را هرگز\u003C\u002Fli>\n\u003Cli>توضیح بدهی سوگیریِ مدل از کجا می‌آید و یک نمونه‌اش را در خروجی پیدا کنی\u003C\u002Fli>\n\u003Cli>سه موقعیت را نام ببری که اصلاً نباید تصمیم را به مدل بسپاری\u003C\u002Fli>\n\u003Cli>تصمیم بگیری کِی لازم است بگویی چیزی با کمکِ هوش مصنوعی ساخته شده\u003C\u002Fli>\n\u003C\u002Ful>\n",{"kind":21,"heading":25,"html":26},"قبل از شروع","\u003Ch2 id=\"قبل-از-شروع\">قبل از شروع\u003Ca class=\"head-anchor\" href=\"#%D9%82%D8%A8%D9%84-%D8%A7%D8%B2-%D8%B4%D8%B1%D9%88%D8%B9\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cul>\n\u003Cli>\u003Cstrong>از فصل ۲:\u003C\u002Fstrong> «مدل الگو را از داده‌اش یاد می‌گیرد» — کلیدِ فهمِ سوگیری همین است.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>از فصل ۴:\u003C\u002Fstrong> توهم، و اینکه «اعتمادبه‌نفسِ مدل ربطی به درستی ندارد».\u003C\u002Fli>\n\u003Cli>\u003Cstrong>از فصل ۵:\u003C\u002Fstrong> «رازِ شخصی به مدل نده» — این فصل کاملش می‌کند.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>مثل همیشه فقط یک مرورگر و دستیارِ هوش مصنوعی‌ات (با کلیدِ رایگانِ خودت) لازم داری.\u003C\u002Fp>\n",{"kind":28,"heading":29,"html":30,"embed":31},"lab","","— همان جای همیشگیِ گفت‌وگو با مدل. کارِ اصلیِ این فصل همین‌جاست: یک سوگیری را با دستِ خودت از مدل بیرون می‌کشی و می‌بینی با عوض‌کردنِ پرامپت رفتارش چطور عوض می‌شود","\u002Flab\u002Fembed\u002Fhamhoosh\u002Fterm-1-what-is-ai\u002Fsession-07-responsible-start",{"kind":21,"heading":33,"html":34},"۱. هرچه به مدل می‌دهی، جایی می‌رود","\u003Ch2 id=\"۱-هرچه-به-مدل-می‌دهی-جایی-می‌رود\">۱. هرچه به مدل می‌دهی، جایی می‌رود\u003Ca class=\"head-anchor\" href=\"#%DB%B1-%D9%87%D8%B1%DA%86%D9%87-%D8%A8%D9%87-%D9%85%D8%AF%D9%84-%D9%85%DB%8C%E2%80%8C%D8%AF%D9%87%DB%8C-%D8%AC%D8%A7%DB%8C%DB%8C-%D9%85%DB%8C%E2%80%8C%D8%B1%D9%88%D8%AF\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>وقتی با دستیارِ هوش مصنوعی حرف می‌زنی، پرامپت و پاسخ روی سرورِ یک شرکت پردازش می‌شوند، نه روی دستگاهِ خودت. این تا اینجا عادی است. سؤالِ مهم این است که با آن داده چه می‌کنند — و این‌جا رده‌ها فرق دارند.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>ردهٔ رایگان\u003C\u002Fstrong> (مثلِ کلیدِ رایگانی که خودت برای این دوره می‌سازی) معمولاً به شرکت اجازه می‌دهد پرامپت و پاسخِ تو را برای بهتر کردنِ مدل‌های بعدی \u003Cstrong>استفاده\u003C\u002Fstrong> کند، و استفادهٔ تجاری‌اش را هم منع می‌کند. \u003Cstrong>ردهٔ پولی\u003C\u002Fstrong> معمولاً این کار را نمی‌کند. یعنی چیزی که در ردهٔ رایگان می‌نویسی ممکن است تکه‌ای از دادهٔ آموزشیِ بعدی شود — و دکمهٔ undo ندارد. کلید هم مالِ خودِ توست؛ پس مسئولیتِ آنچه با آن می‌فرستی هم با توست.\u003C\u002Fp>\n\u003Cp>پس یک قانونِ ساده: چیزی به ردهٔ رایگان نده که ناراحت می‌شوی جای دیگری ببینی‌اش — شمارهٔ ملی، رمز، پروندهٔ پزشکیِ خودت یا دیگران، پیامِ خصوصیِ یک دوست، ایدهٔ منتشرنشدهٔ کسب‌وکارت، یا یک قراردادِ محرمانه.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>⚠️ \u003Cstrong>مواظب باش:\u003C\u002Fstrong> قبل از اینکه یک متنِ طولانی را در مدل بچسبانی (مثلِ یک ایمیلِ کاری یا یک قرارداد)، یک‌بار بخوانش و اسم، شماره و هر چیزِ شناسایی‌کننده را بردار. مدل برای کمک به فهمِ آن متن معمولاً به این جزئیات نیازی ندارد.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>\u003Cstrong>قبل از ادامه، جواب بده:\u003C\u002Fstrong> اگر متنِ یک قراردادِ محرمانه را در ردهٔ رایگان بچسبانی تا خلاصه‌اش کند، بدترین چیزی که ممکن است بشود چیست؟ — ممکن است آن متن به دادهٔ آموزشیِ بعدی برود و دیگر کاملاً در کنترلِ تو نباشد.\u003C\u002Fp>\n",{"kind":21,"heading":36,"html":37},"۲. سوگیری: مدل همان را بازتاب می‌دهد که در داده‌اش بود","\u003Ch2 id=\"۲-سوگیری-مدل-همان-را-بازتاب-می‌دهد-که-در-داده‌اش-بود\">۲. سوگیری: مدل همان را بازتاب می‌دهد که در داده‌اش بود\u003Ca class=\"head-anchor\" href=\"#%DB%B2-%D8%B3%D9%88%DA%AF%DB%8C%D8%B1%DB%8C-%D9%85%D8%AF%D9%84-%D9%87%D9%85%D8%A7%D9%86-%D8%B1%D8%A7-%D8%A8%D8%A7%D8%B2%D8%AA%D8%A7%D8%A8-%D9%85%DB%8C%E2%80%8C%D8%AF%D9%87%D8%AF-%DA%A9%D9%87-%D8%AF%D8%B1-%D8%AF%D8%A7%D8%AF%D9%87%E2%80%8C%D8%A7%D8%B4-%D8%A8%D9%88%D8%AF\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>از فصل ۲ یادت هست که مدل الگو را از دریای متنی که رویش آموزش دید یاد گرفت، نه حقیقتِ محض را. حالا نتیجهٔ ناخوشایندش: اگر در آن داده یک تصویرِ کجِ دنیا بود، مدل همان کجی را یاد می‌گیرد و پس می‌دهد. به این کجی می‌گویند \u003Ccode>bias\u003C\u002Fcode> — سوگیری. بهترین راهِ دیدنش این است که خودت یک نمونه‌اش را بیرون بکشی. در آزمایشگاه این را بپرس:\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>یک داستان کوتاه بنویس دربارهٔ یک جراحِ برجسته و پرستاری که کنارش کار می‌کند.\nبه هرکدام یک اسم بده.\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>ببین مدل چه می‌دهد. یک خروجیِ واقع‌نما (خروجیِ تو ممکن است فرق کند، چون مدل قطعی نیست):\u003C\u002Fp>\n\u003Cpre class=\"code-block\" dir=\"ltr\">\u003Ccode>دکتر رضا کریمی، جراحِ باتجربهٔ بیمارستان، امروز هم عملِ سختی پیشِ رو داشت.\nخانم مینا احمدی، پرستارِ بخش، ابزارها را با دقت آماده می‌کرد تا...\n\u003C\u002Fcode>\u003C\u002Fpre>\n\u003Cp>دقت کن چه شد: تو هیچ جنسیتی نخواستی، ولی مدل بی‌آنکه بپرسی جراح را یک مرد و پرستار را یک زن کرد. چرا؟ چون در آن دریای متن، جراح‌ها بیشتر مرد و پرستارها بیشتر زن توصیف شده بودند. مدل این را یک \u003Cstrong>الگو\u003C\u002Fstrong> دید و بازتابش داد. این حقیقتِ دنیا نیست — سوگیریِ داده است.\u003C\u002Fp>\n\u003Cblockquote>\n\u003Cp>✅ \u003Cstrong>وارسی:\u003C\u002Fstrong> سوگیری را چطور می‌بینی؟ همان پرامپت را چند بار پشتِ‌هم اجرا کن و ببین آیا تقریباً همیشه جراح مرد می‌شود. بعد نقش‌ها را برعکس بخواه («یک پرستارِ مرد و یک جراحِ زن») و واکنشِ مدل را نگاه کن. اگر یک الگوی تکراری دیدی، با سوگیری روبه‌رویی.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cblockquote>\n\u003Cp>💡 \u003Cstrong>نکته:\u003C\u002Fstrong> سه قانونِ ثابتِ کلِ این دوره اینجا هم دقیقاً کار می‌کنند: \u003Cstrong>«اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد».\u003C\u002Fstrong> مدل با همان لحنِ مطمئن که یک واقعیتِ درست می‌گوید، یک کلیشه هم می‌گوید. اطمینانش سوگیری را درست نمی‌کند.\u003C\u002Fp>\n\u003C\u002Fblockquote>\n\u003Cp>سوگیری فقط یک داستان نیست. اگر روزی از مدل بخواهی رزومه‌ها را غربال کند یا بگوید «یک مهندسِ خوب چه شکلی است»، همان کلیشه می‌تواند به یک آدمِ واقعی آسیب برساند. برای همین موضوعِ جدی‌ای است، نه یک شوخی.\u003C\u002Fp>\n",{"kind":21,"heading":39,"html":40},"۳. کِی اصلاً نباید سراغش رفت","\u003Ch2 id=\"۳-کِی-اصلاً-نباید-سراغش-رفت\">۳. کِی اصلاً نباید سراغش رفت\u003Ca class=\"head-anchor\" href=\"#%DB%B3-%DA%A9%D9%90%DB%8C-%D8%A7%D8%B5%D9%84%D8%A7%D9%8B-%D9%86%D8%A8%D8%A7%DB%8C%D8%AF-%D8%B3%D8%B1%D8%A7%D8%BA%D8%B4-%D8%B1%D9%81%D8%AA\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>هر کاری کارِ هوش مصنوعی نیست. سه موقعیت را بشناس که در آن‌ها باید دست نگه داری:\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>تصمیم‌های پرخطر که به یک انسانِ متخصص نیاز دارند\u003C\u002Fstrong> — دوزِ دارو، تشخیصِ پزشکی، مشاورهٔ حقوقیِ یک پروندهٔ واقعی، ایمنیِ برق و ساختمان. مدل توهم می‌کند (فصل ۴) و در حساب و منطقِ دقیق ضعیف است (فصل ۵)؛ اینجا یک اشتباهِ مطمئن می‌تواند گران تمام شود. مدل می‌تواند برایت توضیح بدهد، ولی تصمیمِ نهایی و وارسی با یک انسانِ متخصص است.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>بحران و لحظهٔ حساس\u003C\u002Fstrong> — اگر تو یا کسی در خطرِ فوری است، مدل جای یک انسانِ واقعی را نمی‌گیرد. مدل از لحظهٔ حالِ تو خبر ندارد (فصل ۵) و نمی‌تواند واقعاً کمک برساند. سراغِ یک انسان برو.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>واقعیتی که هم مهم است هم نمی‌توانی وارسی‌اش کنی\u003C\u002Fstrong> — اگر جوابِ مدل را نمی‌شود با یک منبعِ معتبر چک کرد و اشتباهش برایت گران است، به آن جواب تکیه نکن. مدل برای پیش‌نویس و ایده عالی است، برای «حرفِ آخر» در یک موضوعِ مهم نه.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>قانونِ کلی ساده است: \u003Cstrong>هرچه هزینهٔ اشتباه بالاتر، سهمِ انسان در وارسی بیشتر.\u003C\u002Fstrong>\u003C\u002Fp>\n",{"kind":21,"heading":42,"html":43},"۴. صداقت: بگو که با کمکِ هوش مصنوعی ساخته شده","\u003Ch2 id=\"۴-صداقت-بگو-که-با-کمکِ-هوش-مصنوعی-ساخته-شده\">۴. صداقت: بگو که با کمکِ هوش مصنوعی ساخته شده\u003Ca class=\"head-anchor\" href=\"#%DB%B4-%D8%B5%D8%AF%D8%A7%D9%82%D8%AA-%D8%A8%DA%AF%D9%88-%DA%A9%D9%87-%D8%A8%D8%A7-%DA%A9%D9%85%DA%A9%D9%90-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D8%B3%D8%A7%D8%AE%D8%AA%D9%87-%D8%B4%D8%AF%D9%87\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>آخرین تکه ربطی به داده ندارد، به دیگران دارد. وقتی چیزی را که مدل کمک کرده بسازی به کسی می‌دهی یا جایی منتشر می‌کنی، گاهی لازم است شفاف باشی که هوش مصنوعی در آن نقش داشته:\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>تکلیفِ مدرسه یا دانشگاه:\u003C\u002Fstrong> اگر متنی را که مدل نوشت به‌نامِ کارِ خودت تحویل بدهی، در بیشترِ جاها این تقلبِ علمی حساب می‌شود — یک خطرِ واقعی، نه یک نصیحت. قاعدهٔ همان‌جا را بپرس؛ خیلی جاها کمک‌گرفتن مجاز است، به‌شرطِ اینکه اعلامش کنی.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>تصویر یا صدای ساختگی:\u003C\u002Fstrong> تصویری که یک مدلِ تصویر ساخته (فصل ۶)، اگر آن را جای یک عکسِ واقعی جا بزنی، دیگران را فریب می‌دهد. همین حکم دربارهٔ صدای ساختگی هم برقرار است.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>متنی که به‌نامِ یک انسانِ دیگر منتشر می‌شود:\u003C\u002Fstrong> اگر خواننده خیال کند خودِ آن آدم نوشته، فریب خورده است.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>چرا مهم است؟ چون فصل ۱ گفت مدل جواب را \u003Cstrong>تولید\u003C\u002Fstrong> می‌کند، از جایی نقل نمی‌کند. یک خروجیِ تولیدشده می‌تواند خیلی واقعی به‌نظر برسد؛ صداقت همان چیزی است که مرزِ واقعی و ساختگی را برای دیگران روشن نگه می‌دارد. قاعدهٔ ساده: \u003Cstrong>هرجا نگفتن باعث می‌شود کسی چیزِ اشتباهی باور کند، بگو.\u003C\u002Fstrong>\u003C\u002Fp>\n",{"kind":21,"heading":45,"html":46},"واژه‌های تازهٔ این فصل","\u003Ch2 id=\"واژه‌های-تازهٔ-این-فصل\">واژه‌های تازهٔ این فصل\u003Ca class=\"head-anchor\" href=\"#%D9%88%D8%A7%DA%98%D9%87%E2%80%8C%D9%87%D8%A7%DB%8C-%D8%AA%D8%A7%D8%B2%D9%87%D9%94-%D8%A7%DB%8C%D9%86-%D9%81%D8%B5%D9%84\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cdiv class=\"table-wrap\">\u003Ctable>\u003Cthead>\n\u003Ctr>\n\u003Cth>کلمه\u003C\u002Fth>\n\u003Cth>تلفظ به حروف فارسی\u003C\u002Fth>\n\u003Cth>یعنی چه\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>bias\u003C\u002Ftd>\n\u003Ctd>بایاس\u003C\u002Ftd>\n\u003Ctd>کجیِ سیستماتیک در خروجیِ مدل که از سوگیریِ دادهٔ آموزشی‌اش می‌آید و آن را بازتاب می‌دهد؛ سوگیری\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\u003C\u002Fdiv>",{"kind":48,"heading":49,"html":50},"checkpoint","تمرین‌ها","\u003Ch2 id=\"تمرین‌ها\">تمرین‌ها\u003Ca class=\"head-anchor\" href=\"#%D8%AA%D9%85%D8%B1%DB%8C%D9%86%E2%80%8C%D9%87%D8%A7\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>قبل از تمرین، بدون نگاه‌کردن به بالا جواب بده: سوگیریِ مدل از کجا می‌آید، و یک راهِ سادهٔ دیدنش چیست؟\u003C\u002Fp>\n\u003Cp>\u003Cstrong>تمرین اجباری:\u003C\u002Fstrong> یک نقشِ شغلی یا اجتماعی انتخاب کن (مثلاً «یک مدیرعامل و منشی‌اش» یا «یک برنامه‌نویسِ نابغه») و از مدل یک داستانِ کوتاه یا توصیف بخواه، بدونِ اینکه جنسیت یا ملیت را بگویی. سه بار اجرا کن. آیا یک الگوی تکراری در انتخابِ اسم یا جنسیت می‌بینی؟ بنویسش. بعد نقش را برعکس بخواه و واکنشِ مدل را هم ثبت کن.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>تمرین ستاره‌دار ⭐:\u003C\u002Fstrong> یک متنِ کوتاهِ واقعی از زندگیِ خودت بردار (یک ایمیل، یک پیام) و فرض کن می‌خواهی آن را به ردهٔ رایگان بدهی. اول هر تکهٔ شناسایی‌کننده — اسم، شماره، آدرس، هر رازِ دیگران — را با یک برچسبِ کلی جایگزین کن، مثلِ «[نامِ دوست]» یا «[شمارهٔ حساب]». حالا نگاه کن: آیا مدل برای کمک به این متن واقعاً به آن جزئیات نیاز داشت؟ تقریباً هیچ‌وقت.\u003C\u002Fp>\n",{"kind":21,"heading":52,"html":53},"در فصل بعد","\u003Ch2 id=\"در-فصل-بعد\">در فصل بعد\u003Ca class=\"head-anchor\" href=\"#%D8%AF%D8%B1-%D9%81%D8%B5%D9%84-%D8%A8%D8%B9%D8%AF\" aria-label=\"پیوند به این بخش\">#\u003C\u002Fa>\u003C\u002Fh2>\n\u003Cp>اینجا ترم ۱ تقریباً تمام است — یک فصل مانده، و آن یک فصلِ عادی نیست: یک پروژه. در فصل بعد یک مدل را \u003Cstrong>بازجویی\u003C\u002Fstrong> می‌کنی. در یک گفت‌وگوی هدایت‌شده، خودت یک توهم، یک مرز و یک سوگیری را از دلِ مدل بیرون می‌کشی و ثبت می‌کنی — همه‌چیزِ این ترم در یک نشست. چیزِ تازه‌ای یاد نمی‌گیری؛ آنچه بلدی را محکم می‌کنی.\u003C\u002Fp>\n",{"course":55,"entitled":63,"lessons":64,"payments_enabled":63,"terms":217,"live":5},{"active_window":56,"effective_price_toman":57,"free":5,"lesson_count":58,"price_toman":59,"slug":60,"summary_fa":61,"title_fa":62},null,0,51,2500000,"hamhoosh","از «هوش مصنوعی واقعاً چیست» تا ساختن ابزار واقعی با آن — بدون دیوار ریاضی و بدون پیش‌نیاز برنامه‌نویسی. هوش مصنوعی همکارِ هوشمندی است که وارسی‌اش می‌کنی، نه اوراکلی که چشم‌بسته باور کنی.","هم‌هوش — خودآموز هوش مصنوعی",false,[65,68,72,76,80,84,85,86,87,90,93,96,99,102,105,108,111,115,118,121,124,127,130,133,136,139,142,145,148,151,154,157,160,163,166,169,172,175,178,181,184,187,190,193,196,199,202,205,208,211,214],{"free_preview":5,"order":9,"slug":66,"source":8,"term":9,"title_fa":67},"t1-s01-first-conversation","فصل ۰۱ — با چه چیزی حرف می‌زنی؟ اولین گفت‌وگو",{"free_preview":5,"order":69,"slug":70,"source":8,"term":9,"title_fa":71},2,"t1-s02-how-it-learns","فصل ۰۲ — چطور یاد گرفت",{"free_preview":5,"order":73,"slug":74,"source":8,"term":9,"title_fa":75},3,"t1-s03-tokens","فصل ۰۳ — توکن: واحدِ کارِ مدل",{"free_preview":5,"order":77,"slug":78,"source":8,"term":9,"title_fa":79},4,"t1-s04-hallucination","فصل ۰۴ — چرا مطمئن ولی غلط: توهم",{"free_preview":5,"order":81,"slug":82,"source":8,"term":9,"title_fa":83},5,"t1-s05-limits","فصل ۰۵ — مرزها: چه نمی‌داند و چه نباید ازش خواست",{"free_preview":5,"order":12,"slug":13,"source":8,"term":9,"title_fa":14},{"free_preview":5,"order":6,"slug":7,"source":8,"term":9,"title_fa":10},{"free_preview":5,"order":16,"slug":17,"source":8,"term":9,"title_fa":18},{"free_preview":5,"order":9,"slug":88,"source":8,"term":69,"title_fa":89},"t2-s01-intent","فصل ۰۱ — نیت، نه جادو",{"free_preview":5,"order":69,"slug":91,"source":8,"term":69,"title_fa":92},"t2-s02-context","فصل ۰۲ — زمینه‌دادن",{"free_preview":5,"order":73,"slug":94,"source":8,"term":69,"title_fa":95},"t2-s03-iterate","فصل ۰۳ — حلقهٔ تکرار",{"free_preview":5,"order":77,"slug":97,"source":8,"term":69,"title_fa":98},"t2-s04-verify","فصل ۰۴ — وارسی: مهم‌ترین مهارت",{"free_preview":5,"order":81,"slug":100,"source":8,"term":69,"title_fa":101},"t2-s05-system","فصل ۰۵ — لحنِ ثابت و دستورِ سیستمی",{"free_preview":5,"order":12,"slug":103,"source":8,"term":69,"title_fa":104},"t2-s06-tune","فصل ۰۶ — کنترلِ خلاقیت، دقت و عمق",{"free_preview":5,"order":6,"slug":106,"source":8,"term":69,"title_fa":107},"t2-s07-structured","فصل ۰۷ — پرامپتِ ساختارمند و قابلِ‌استفادهٔ مجدد",{"free_preview":5,"order":16,"slug":109,"source":8,"term":69,"title_fa":110},"t2-s08-antipatterns","فصل ۰۸ — دام‌ها و افسانه‌ها",{"free_preview":5,"order":112,"slug":113,"source":8,"term":69,"title_fa":114},9,"t2-s09-assistant-project","فصل ۰۹ — پروژه: یک دستیارِ شخصی بساز",{"free_preview":5,"order":9,"slug":116,"source":8,"term":73,"title_fa":117},"t3-s01-images","فصل ۰۱ — ساختِ تصویر با هوش مصنوعی",{"free_preview":63,"order":69,"slug":119,"source":8,"term":73,"title_fa":120},"t3-s02-image-understanding","فصل ۰۲ — فهمِ تصویر",{"free_preview":63,"order":73,"slug":122,"source":8,"term":73,"title_fa":123},"t3-s03-audio-video","فصل ۰۳ — صدا و ویدیو",{"free_preview":63,"order":77,"slug":125,"source":8,"term":73,"title_fa":126},"t3-s04-research","فصل ۰۴ — پژوهش با هوش مصنوعی",{"free_preview":63,"order":81,"slug":128,"source":8,"term":73,"title_fa":129},"t3-s05-writing","فصل ۰۵ — نوشتن و بازنویسی",{"free_preview":63,"order":12,"slug":131,"source":8,"term":73,"title_fa":132},"t3-s06-study","فصل ۰۶ — یادگیری و درس‌خواندن",{"free_preview":63,"order":6,"slug":134,"source":8,"term":73,"title_fa":135},"t3-s07-work","فصل ۰۷ — کارِ حرفه‌ای",{"free_preview":63,"order":16,"slug":137,"source":8,"term":73,"title_fa":138},"t3-s08-coding-help","فصل ۰۸ — کمکِ کدنویسی (بی‌آنکه برنامه‌نویس باشی)",{"free_preview":63,"order":112,"slug":140,"source":8,"term":73,"title_fa":141},"t3-s09-workflow-project","فصل ۰۹ — پروژه: یک جریانِ کاریِ واقعی",{"free_preview":5,"order":9,"slug":143,"source":8,"term":77,"title_fa":144},"t4-s01-training-deep","فصل ۰۱ — آموزش، عمیق‌تر (بدون ریاضی)",{"free_preview":63,"order":69,"slug":146,"source":8,"term":77,"title_fa":147},"t4-s02-embeddings","فصل ۰۲ — از توکن تا معنا: embedding",{"free_preview":63,"order":73,"slug":149,"source":8,"term":77,"title_fa":150},"t4-s03-context-memory","فصل ۰۳ — حافظه و پنجرهٔ زمینه",{"free_preview":63,"order":77,"slug":152,"source":8,"term":77,"title_fa":153},"t4-s04-rag","فصل ۰۴ — RAG: دادنِ دانشِ تازه به مدل",{"free_preview":63,"order":81,"slug":155,"source":8,"term":77,"title_fa":156},"t4-s05-agents","فصل ۰۵ — عامل‌ها و ابزارها",{"free_preview":63,"order":12,"slug":158,"source":8,"term":77,"title_fa":159},"t4-s06-local-vs-cloud","فصل ۰۶ — مدلِ محلی در برابر ابری",{"free_preview":63,"order":6,"slug":161,"source":8,"term":77,"title_fa":162},"t4-s07-persian-gap","فصل ۰۷ — شکافِ فارسی-انگلیسی",{"free_preview":63,"order":16,"slug":164,"source":8,"term":77,"title_fa":165},"t4-s08-mental-model-project","فصل ۰۸ — پروژه: نقشهٔ ذهنیِ یک پاسخ",{"free_preview":5,"order":9,"slug":167,"source":8,"term":81,"title_fa":168},"t5-s01-api-idea","فصل ۰۱ — API چیست: حرف‌زدنِ برنامه با مدل",{"free_preview":63,"order":69,"slug":170,"source":8,"term":81,"title_fa":171},"t5-s02-first-call","فصل ۰۲ — اولین فراخوانی",{"free_preview":63,"order":73,"slug":173,"source":8,"term":81,"title_fa":174},"t5-s03-from-js","فصل ۰۳ — از JavaScript صدا بزن",{"free_preview":63,"order":77,"slug":176,"source":8,"term":81,"title_fa":177},"t5-s04-system-in-code","فصل ۰۴ — نقش و پارامتر در کد",{"free_preview":63,"order":81,"slug":179,"source":8,"term":81,"title_fa":180},"t5-s05-structured-output","فصل ۰۵ — خروجیِ ساختارمند",{"free_preview":63,"order":12,"slug":182,"source":8,"term":81,"title_fa":183},"t5-s06-build-app","فصل ۰۶ — یک وب‌اپِ کوچکِ هوش‌مصنوعی‌دار",{"free_preview":63,"order":6,"slug":185,"source":8,"term":81,"title_fa":186},"t5-s07-cost-limits","فصل ۰۷ — هزینه، سهمیه و مرزها",{"free_preview":63,"order":16,"slug":188,"source":8,"term":81,"title_fa":189},"t5-s08-ship-project","فصل ۰۸ — پروژه: ابزارِ هوش‌مصنوعیِ خودت را منتشر کن",{"free_preview":5,"order":9,"slug":191,"source":8,"term":12,"title_fa":192},"t6-s01-deepfakes","فصل ۰۱ — دیپ‌فیک و رسانهٔ جعلی",{"free_preview":63,"order":69,"slug":194,"source":8,"term":12,"title_fa":195},"t6-s02-misinformation","فصل ۰۲ — دفاع در برابر بدْاطلاعات",{"free_preview":63,"order":73,"slug":197,"source":8,"term":12,"title_fa":198},"t6-s03-detection-myth","فصل ۰۳ — افسانهٔ «تشخیصِ هوش مصنوعی»",{"free_preview":63,"order":77,"slug":200,"source":8,"term":12,"title_fa":201},"t6-s04-bias","فصل ۰۴ — سوگیری و انصاف",{"free_preview":63,"order":81,"slug":203,"source":8,"term":12,"title_fa":204},"t6-s05-privacy-data","فصل ۰۵ — حریم خصوصی و دادهٔ تو",{"free_preview":63,"order":12,"slug":206,"source":8,"term":12,"title_fa":207},"t6-s06-ownership","فصل ۰۶ — مالکیت و کپی‌رایتِ خروجی",{"free_preview":63,"order":6,"slug":209,"source":8,"term":12,"title_fa":210},"t6-s07-work-future","فصل ۰۷ — کار، مهارت و مرزهای سالم",{"free_preview":63,"order":16,"slug":212,"source":8,"term":12,"title_fa":213},"t6-s08-safety-ethics","فصل ۰۸ — ایمنی و اخلاق، بدونِ موعظه",{"free_preview":63,"order":112,"slug":215,"source":8,"term":12,"title_fa":216},"t6-s09-capstone","فصل ۰۹ — پروژهٔ نهایی: چیزی مسئولانه بساز و منتشر کن",[],1784990543450]