هم‌هوش — خودآموز هوش مصنوعی

فصل ۸ از ۹

پیشرفت ترم
۰٪

در این فصل چه یاد می‌گیری#

تو هنوز برنامه‌نویس نیستی و لازم هم نیست باشی. ولی کد در زندگیِ همه سر می‌زند: یک فرمولِ صفحه‌گسترده، یک تکه‌کدِ کوچکی که کسی برایت فرستاده، یک پیامِ خطای گنگ که برنامه بالا آورده. در این‌جور لحظه‌ها هوش مصنوعی مثلِ یک مترجم بینِ کد و زبانِ آدمیزاد است: می‌پرسی «این چه می‌کند؟» و توضیحِ ساده می‌گیری، یا یک خطای ساده را نشانش می‌دهی و می‌پرسی کجاست. این فصل یادت می‌دهد کد را رمزگشایی کنی، نه اینکه کدِ حرفه‌ای بنویسی — آن کار برای ترم ۵ است. و یک درسِ مهم: چرا حتی «اصلاحِ» مدل را هم باید اجرا و وارسی کنی.

دستگاهِ مترجمِ برشی‌خورده که یک نوارِ پر از نمادهای رمزیِ ناخوانا را می‌گیرد و آن را به یک چرخ‌دنده و مکانیزمِ روشن و قابلِ‌فهم تبدیل می‌کند

آخر این فصل می‌توانی:

  • یک تکهٔ کدِ کوتاه را به مدل بدهی و توضیحِ ساده‌اش را بگیری و درستیِ توضیح را بسنجی
  • یک خطای ساده را با کمکِ مدل پیدا و رفع کنی
  • بفهمی چرا حتی وقتی تشخیصِ مدل درست است، باید اصلاحش را اجرا و وارسی کنی

قبل از شروع#

  • از فصل‌های ۴ و ۵ ترم ۱: مدل مطمئن ولی گاهی غلط است (hallucination)، و در منطق و حسابِ دقیق ضعیف.
  • از فصل ۴ ترم ۲: وارسی — «از کجا می‌دانی درست است؟»
  • از فصل ۶ همین ترم: مدل به‌عنوان معلمی که یک چیزِ سخت را ساده توضیح می‌دهد.

مثلِ همیشه فقط یک مرورگر و دستیارِ هوش مصنوعی‌ات (با کلیدِ رایگانِ خودت) لازم داری.

۱. کد یک زبانِ دیگر است، و مدل مترجم است#

کد فقط یک زبان است؛ زبانی که به کامپیوتر می‌گوید قدم‌به‌قدم چه کند. اگر آن زبان را بلد نباشی، یک تکه کد مثلِ یک متنِ رمزی به‌نظر می‌رسد. ولی مدل روی حجمِ عظیمی از کد آموزش دیده (درسِ ترم ۱)، پس می‌تواند همان تکه را برایت به فارسیِ ساده ترجمه کند: این خط چه می‌کند، آن حلقه چند بار تکرار می‌شود، آخرش چه چاپ می‌شود.

این خیلی به‌کار می‌آید — ولی همان تلهٔ همیشگی این‌جا هم هست. یک مترجم گاهی اشتباه ترجمه می‌کند، و یک مدل گاهی کدی را که خودش هم کامل نفهمیده با اطمینان توضیح می‌دهد. پس درست مثلِ پژوهش و تحلیلِ داده، هر توضیح یا هر «اصلاح» یک ادعای واقعی است که باید وارسی شود. خبرِ خوب: کد یک مزیتِ بزرگ دارد — می‌شود اجرایش کرد و با چشمِ خودت دید درست کار می‌کند یا نه.

۲. «توضیح بده این کد چه می‌کند»#

بیا با یک تکهٔ کوچک شروع کنیم. فرض کن این را جایی دیده‌ای و نمی‌دانی چه می‌کند:

prices = [10, 25, 40]
total = 0
for p in prices:
    total = total + p
print(total)

آن را به مدل بده و بپرس:

من برنامه‌نویس نیستم. این کد را خط‌به‌خط به زبان ساده توضیح بده و بگو
آخرش چه عددی چاپ می‌کند.

یک توضیحِ واقع‌نما این است:

این کد سه قیمت را در یک فهرست می‌گذارد: ۱۰، ۲۵ و ۴۰. یک شمارنده به‌نامِ total
را از صفر شروع می‌کند. بعد یکی‌یکی روی قیمت‌ها می‌رود و هرکدام را به total
اضافه می‌کند. آخرِ کار total را چاپ می‌کند که جمعِ هر سه قیمت است: ۷۵.

این توضیح درست است و همان چیزی که یک لحظه پیش برایت رمزی بود حالا روشن شده. ولی «درست به‌نظر رسیدن» کافی نیست؛ خودت هم می‌توانی سریع بسنجی‌اش.

✅ وارسی: توضیح یک ادعای واقعی دارد — «آخرش ۷۵ چاپ می‌شود». خودت جمع بزن: ⁦۱۰ + ۲۵ + ۴۰ = ۷۵⁩. درست است. اگر شک داشتی، در آزمایشگاه اجرایش کن و عددِ روی صفحه را ببین. برای کد، اجرا کردن مطمئن‌ترین وارسی است.

۳. رفعِ یک خطای ساده#

حالا سراغِ کاری برویم که مدل واقعاً وقتت را می‌خرد: پیداکردنِ یک خطای ساده. فرض کن نسخهٔ کمی دستکاری‌شدهٔ همان کد را گرفته‌ای و کار نمی‌کند. باید جمعِ قیمت‌ها را چاپ کند، ولی به‌جای ۷۵ عددِ ۴۰ می‌دهد:

prices = [10, 25, 40]
total = 0
for p in prices:
    total = p
print(total)

کد و نشانه را به مدل بده:

این کد باید جمعِ قیمت‌ها را چاپ کند ولی به‌جای ۷۵ عددِ ۴۰ می‌دهد.
مشکل کجاست و درستش کن.

مدل تشخیص را درست می‌دهد:

خطِ «total = p» هر بار مقدارِ total را با p جایگزین می‌کند، برای همین آخرش
فقط آخرین قیمت (۴۰) می‌ماند. باید جمع شود، نه جایگزین. نسخهٔ درست:

و این نسخهٔ «اصلاح‌شده» را می‌دهد:

prices = [10, 25, 40]
total = 0
for p in prices:
    total = total + p
    print(total)

تشخیصش کاملاً درست بود: total = p را به total = total + p عوض کرد. اگر همین‌جا کدِ اصلاح‌شده را چشم‌بسته برداری، فکر می‌کنی کارت تمام است. ولی نیست — چون موقعِ بازنویسی، مدل خطِ print(total) را هم یک پله تو برد و داخلِ حلقه گذاشت. حالا این کد سه بار چاپ می‌کند، نه یک بار.

✅ وارسی: اجرایش کن. حالا سه خط چاپ می‌شود — ۱۰، بعد ۳۵، بعد ۷۵ — درحالی‌که تو یک عدد (۷۵) می‌خواستی. اصلاحِ اصلی (جمع‌کردن) درست بود، ولی مدل موقعِ رفعِ یک خطا، رفتارِ برنامه را عوض کرد و یک خطای تازه ساخت. سه قانونِ ثابتِ این دوره همیشه سرِ جایشان‌اند: «اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد».

نکته این نیست که مدل بی‌فایده است — نیمِ کار را درست انجام داد و خطا را دقیق پیدا کرد. نکته این است که «تشخیصِ درست» تضمینِ «اصلاحِ درست» نیست، و تنها راهِ مطمئن‌شدن اجرا کردن است.

⚠️ مواظب باش: هیچ‌وقت کدی را که مدل داده — حتی اگر «اصلاح» است — بدونِ اجرا و دیدنِ خروجی، جایی که برایت مهم است نگذار. برای کارِ حساس (چیزی که پول، داده یا آبرویت به آن بند است) اگر خودت نمی‌توانی وارسی‌اش کنی، سراغِ یک انسانِ متخصص برو؛ همان درسِ فصل ۴ ترم ۲.

۴. پل به ترم ۵#

تا این‌جا از هوش مصنوعی برای فهمیدنِ کد استفاده کردی — نه نوشتنش. این خودش یک مهارتِ واقعی است و بیشترِ آدم‌ها هرگز فراتر از این لازم ندارند. ولی اگر دوست داری قدمِ بعدی را برداری و خودت با کد چیزی بسازی، آن ترمِ جداگانه‌ای دارد. در ترم ۵، «ساختن با هوش مصنوعی»، یک ابزارِ کوچکِ واقعی می‌سازی که برنامه‌ات از طریق چیزی به‌نامِ API مستقیم با مدل حرف می‌زند. فعلاً فقط همین‌قدر بدان که چنین پلی هست؛ آن‌جا کاملش می‌کنیم و اینجا لازم نیست چیزی از API بدانی.

تمرین‌ها

اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.

در فصل بعد#

فصلِ بعد فصلِ آخرِ این ترم است و مفهومِ تازه‌ای ندارد — همه‌چیز را کنارِ هم می‌گذاریم. یک پروژهٔ واقعی انجام می‌دهی که در آن چند ابزارِ این ترم را پشتِ‌هم زنجیر می‌کنی: پژوهش، بعد نوشتن، بعد یک تصویر — تا یک خروجیِ کاملِ مالِ خودت بسازی، با یک وارسی سرِ هر مرحله.

به آخر این فصل رسیدی!

اگر ساختی و جواب داد، این دکمه مال توست.