ژرفا — خودآموز یادگیری عمیق و مهندسی هوش مصنوعی (متوسط)

فصل ۷ از ۷

پیشرفت ترم
۰٪

در این فصل چه یاد می‌گیری#

فصلِ آخرِ ژرفا. مفهومِ تازه‌ای ندارد — هر چه لازم داری در ۵۰ فصلِ قبل ساخته‌ای.

اینجا سه چیز می‌گیری: یک سیاههٔ داوریِ دوازده‌بندی که کدش را می‌نویسی، یک نمونهٔ کاملِ کوچک که کلِ چرخه را در چهار سلول نشان می‌دهد — با خطِ پایه، بازهٔ اطمینان و تفکیکِ خطا — و نقشه‌ای از اینکه از اینجا به کجا می‌توانی بروی.

و یک عددِ آخر: پروژه‌ای که فقط «کار می‌کند»، ۳ از ۱۲ می‌گیرد.

یک دستگاهِ کامل با برچسبِ بازرسی

آخر این فصل می‌توانی:

  • پروژه‌ات را با معیارِ روشن بسنجی، نه با احساس
  • چرخهٔ کاملِ خطِ پایه تا گزارش را در یک نوت‌بوک جمع کنی
  • تفاوتِ دو سامانه را با بازهٔ اطمینان بسنجی
  • تصمیم بگیری قدمِ بعدیِ یادگیری‌ات چیست

قبل از شروع#

همهٔ شش ترم. به‌طورِ مشخص: خطِ پایه (سرنخ ترمِ ۳)، eval و bootstrap (ترمِ ۵ فصلِ ۶)، هزینه (ترمِ ۵ فصلِ ۸)، و model card (فصلِ قبل).

💡 نکته: زمانِ تخمینی روی CPU: دو دقیقه.

📓 نوت‌بوک: نوت‌بوک این فصل را در Colab باز کن — همهٔ کدهای این فصل آماده و به‌ترتیب داخلش هست.

۱. سیاههٔ داوری#

قبل از اینکه پروژه‌ای انتخاب کنی، معیارِ قبولی را بنویس. این کار ترتیبِ درستی دارد: اول معیار، بعد کار — وگرنه معیار را ناخودآگاه طوری می‌سازی که کارِ انجام‌شده‌ات قبول شود.

RUBRIC = [
    ("مسئله در یک جمله", lambda p: len(p.get("problem", "")) > 20),
    ("تصمیمی که این سامانه عوض می‌کند", lambda p: bool(p.get("decision"))),
    ("منبع و اندازهٔ داده", lambda p: bool(p.get("data")) and p.get("n_train", 0) > 0),
    ("مجموعهٔ ارزیابی جدا از آموزش", lambda p: p.get("n_eval", 0) > 0),
    ("خطِ پایه دارد", lambda p: "baseline" in p.get("scores", {})),
    ("مدلِ اصلی از خطِ پایه بهتر است", lambda p: p.get("scores", {}).get("model", 0)
        > p.get("scores", {}).get("baseline", 1)),
    ("تفاوت از نویز بیرون زده", lambda p: bool(p.get("beats_noise"))),
    ("تفکیکِ خطا بر اساسِ دسته", lambda p: len(p.get("per_kind", {})) >= 2),
    ("هزینه شمرده شده", lambda p: p.get("cost_per_call") is not None),
    ("حدِ شناخته‌شده اعلام شده", lambda p: len(p.get("limits", [])) > 0),
    ("سوگیری یا ریسک بررسی شده", lambda p: bool(p.get("risk_check"))),
    ("راهِ اجرای دوباره مستند است", lambda p: bool(p.get("how_to_run"))),
]


def review(project):
    passed = []
    for label, check in RUBRIC:
        try:
            ok = bool(check(project))
        except Exception:
            ok = False
        passed.append((label, ok))
    return passed


half_done = {"problem": "دسته‌بندیِ خودکارِ پیام‌های پشتیبانی به چهار موضوع",
             "data": "پیام‌های واقعیِ تیکت", "n_train": 800, "n_eval": 200,
             "scores": {"model": 0.91}}

for label, ok in review(half_done):
    print(f"  {'✓' if ok else '✗'} {label}")
print(f"\n  {sum(ok for _, ok in review(half_done))} از {len(RUBRIC)}")
  ✓ مسئله در یک جمله
  ✗ تصمیمی که این سامانه عوض می‌کند
  ✓ منبع و اندازهٔ داده
  ✓ مجموعهٔ ارزیابی جدا از آموزش
  ✗ خطِ پایه دارد
  ✗ مدلِ اصلی از خطِ پایه بهتر است
  ✗ تفاوت از نویز بیرون زده
  ✗ تفکیکِ خطا بر اساسِ دسته
  ✗ هزینه شمرده شده
  ✗ حدِ شناخته‌شده اعلام شده
  ✗ سوگیری یا ریسک بررسی شده
  ✗ راهِ اجرای دوباره مستند است

  3 از 12

این پروژه دقتِ ۰٫۹۱ دارد و ۳ از ۱۲ می‌گیرد.

و این دقیقاً شکلِ اکثرِ پروژه‌هایی است که دیده می‌شود: یک عددِ خوب، بدونِ خطِ پایه که بگوید آن عدد چقدر ارزش دارد، بدونِ تفکیک که بگوید کجا خراب است، بدونِ هزینه، و بدونِ حد.

سه بند از این دوازده‌تا، ستونِ فقراتِ کلِ دوره‌اند و اگر همان سه‌تا را داشته باشی، از اکثرِ کارها جلوتری:

  • خطِ پایه — بدونش هیچ عددی معنا ندارد (سرنخ ترمِ ۳، و در هر ترمِ ژرفا تکرار شد).
  • تفاوت از نویز بیرون زده — بدونش نمی‌دانی بهبود واقعی است یا شانس (ترمِ ۵ فصلِ ۶).
  • حدِ شناخته‌شده — بدونش سامانه‌ات در دستِ کسی می‌افتد که مرزش را نمی‌داند (ترمِ ۵ فصلِ ۱۰).

۲. چرخهٔ کامل، در چهار سلول#

حالا همان چرخه را روی یک مسئلهٔ کوچک تمام می‌کنیم. عمداً با شصت نمونهٔ آموزش، تا شبیهِ وضعیتِ واقعیِ شروعِ یک پروژه باشد.

import numpy as np
import torch
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.linear_model import LogisticRegression
from transformers import AutoModel, AutoTokenizer

NAME = "sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2"
tokenizer = AutoTokenizer.from_pretrained(NAME)
encoder = AutoModel.from_pretrained(NAME)
encoder.eval()


@torch.no_grad()
def vec(texts):
    b = tokenizer(texts, padding=True, truncation=True, max_length=32, return_tensors="pt")
    hidden = encoder(**b).last_hidden_state
    m = b["attention_mask"].unsqueeze(-1).float()
    return torch.nn.functional.normalize((hidden * m).sum(1) / m.sum(1), dim=1).numpy()


N = 60
tfidf = TfidfVectorizer()
baseline = LogisticRegression(max_iter=2000).fit(
    tfidf.fit_transform(train_texts[:N]), train_labels[:N])
model = LogisticRegression(max_iter=2000).fit(vec(train_texts[:N]), train_labels[:N])

base_right = baseline.predict(tfidf.transform(val_texts)) == np.array(val_labels)
model_right = model.predict(vec(val_texts)) == np.array(val_labels)
print("خطِ پایه (TF-IDF):", f"{base_right.mean():.4f}")
print("مدلِ آماده       :", f"{model_right.mean():.4f}")
خطِ پایه (TF-IDF): 0.8081
مدلِ آماده       : 0.8663

✅ چک کن: خطِ پایه باید عددِ آبرومندی بگیرد، نه صفر. اگر TF-IDF نزدیکِ ۰٫۲۵ درآمد (یعنی شانس با چهار کلاس)، معمولاً برچسب‌ها با متن‌ها جفت نیستند، مثلاً یکی را جدا به‌هم ریخته‌ای. خطِ پایهٔ ضعیف، مدلت را بی‌دلیل خوب نشان می‌دهد. و اگر TfidfVectorizer را روی اعتبارسنجی دوباره fit کنی، عددِ بدی نمی‌بینی، خطا می‌گیری: همان خطای آخرِ فصل.

۰٫۸۱ در برابرِ ۰٫۸۷. و اینجا جایی است که بیشترِ گزارش‌ها تمام می‌شوند: «مدلِ ما شش واحد بهتر است».

ولی شش واحد در چه نمونه‌ای؟ و آیا با شصت نمونهٔ دیگر هم همین می‌شد؟

۳. آیا اختلاف واقعی است؟#

import random


def bootstrap_gap(a, b, rounds=2000, seed=0):
    rng = random.Random(seed)
    n = len(a)
    gaps = []
    for _ in range(rounds):
        idx = [rng.randrange(n) for _ in range(n)]
        gaps.append(np.mean([a[i] for i in idx]) - np.mean([b[i] for i in idx]))
    gaps.sort()
    return gaps[int(0.05 * rounds)], gaps[int(0.95 * rounds)]


low, high = bootstrap_gap(model_right, base_right)
print(f"اختلافِ دقت: {model_right.mean() - base_right.mean():+.4f}")
print(f"بازهٔ ۹۰٪ اختلاف: {low:+.4f} تا {high:+.4f}")
print("از نویز بیرون زده؟", low > 0)
اختلافِ دقت: +0.0581
بازهٔ ۹۰٪ اختلاف: +0.0058 تا +0.1163
از نویز بیرون زده؟ True

بله — ولی به‌زحمت. کفِ بازه ۰٫۰۰۶ است، یعنی تقریباً چسبیده به صفر. آن‌قدر چسبیده که با seed=2 همین bootstrap کف را دقیقاً صفر می‌دهد و جوابِ «بیرون زده؟» عوض می‌شود. و این بازه فقط مجموعهٔ اعتبارسنجی را بازنمونه‌گیری می‌کند. سؤالِ «با شصت نمونهٔ دیگر چه؟» را جواب نمی‌دهد.

📏 اندازه بگیر: و به یک ریزه‌کاریِ مهم دقت کن: ما اختلاف را روی همان نمونه‌های بازنمونه‌شده حساب کردیم، نه دو بازهٔ جدا. این «آزمونِ جفت‌شده» است و خیلی حساس‌تر است، چون نویزِ مشترکِ دو سامانه (سختیِ خودِ نمونه‌ها) حذف می‌شود. اگر دو بازهٔ اطمینانِ جدا می‌کشیدی، روی هم می‌افتادند و نتیجه می‌گرفتی «تفاوتی نیست» — که غلط بود. هر وقت دو سامانه را روی یک مجموعه می‌سنجی، جفت‌شده حساب کن.

۴. کجا خراب است#

per_kind = {}
for text, right in zip(val_texts, model_right):
    bucket = "کوتاه" if len(text.split()) <= 6 else "بلند"
    hit, total = per_kind.get(bucket, (0, 0))
    per_kind[bucket] = (hit + int(right), total + 1)
for bucket, (hit, total) in sorted(per_kind.items()):
    print(f"  {bucket:<6} {hit}/{total} = {hit / total:.4f}")
  بلند   93/106 = 0.8774
  کوتاه  56/66 = 0.8485

جمله‌های کوتاه‌تر سه واحد بدترند. توضیحش وسوسه‌انگیز است: کلمهٔ کمتری برای تصمیم‌گیری دارند. ولی قبل از توضیح دادن، همان آزمونِ بخشِ ۳ را بزن:

short_hits = model_right[[len(t.split()) <= 6 for t in val_texts]]
long_hits = model_right[[len(t.split()) > 6 for t in val_texts]]
rng = random.Random(0)
gaps = []
for _ in range(2000):
    a = [short_hits[rng.randrange(len(short_hits))] for _ in short_hits]
    b = [long_hits[rng.randrange(len(long_hits))] for _ in long_hits]
    gaps.append(np.mean(b) - np.mean(a))
gaps.sort()
print(f"بلند منهای کوتاه: {long_hits.mean() - short_hits.mean():+.4f}")
print(f"بازهٔ ۹۰٪: {gaps[100]:+.4f} تا {gaps[1900]:+.4f}")
بلند منهای کوتاه: +0.0289
بازهٔ ۹۰٪: -0.0600 تا +0.1178

بازه از صفر رد می‌شود. با ۶۶ و ۱۰۶ نمونه، سه واحد از نویز جدا نیست، پس بنویس «تفاوتی دیده نشد»، نه اینکه برایش دلیل بسازی. تفکیک هم مثلِ هر عددِ دیگری بازه می‌خواهد.

و تفکیک را با چیزی بکن که به مسئله‌ات مربوط است، نه با چیزی که راحت است: طولِ متن، زبان، منبعِ داده، کاربرِ تازه در برابرِ قدیمی، ساعتِ روز. هر بُعدی که ممکن است رفتار در آن فرق کند، یک ستونِ گزارش است.

۵. و حالا گزارشِ کامل#

project = {
    "problem": "دسته‌بندیِ خودکارِ پیام‌های فارسی به چهار موضوع، با شصت نمونهٔ برچسب‌خورده",
    "decision": "پیام به صفِ کدام تیم برود",
    "data": "پیکرهٔ ساختگیِ ترمِ ۴", "n_train": N, "n_eval": len(val_texts),
    "scores": {"baseline": round(float(base_right.mean()), 4),
               "model": round(float(model_right.mean()), 4)},
    "beats_noise": bool(low > 0),
    "per_kind": {k: round(h / t, 4) for k, (h, t) in per_kind.items()},
    "cost_per_call": "۳۲ توکن ورودی، یک forward از مدلِ ۱۱۷ میلیونی",
    "limits": ["فقط چهار موضوع", "روی متنِ محاوره‌ای سنجیده نشده"],
    "risk_check": "سوگیریِ جنسیتیِ مدلِ پایه در فصلِ ۶ اندازه گرفته شد",
    "how_to_run": "نوت‌بوکِ همین فصل، سلول‌ها به‌ترتیب",
}

result = review(project)
for label, ok in result:
    print(f"  {'✓' if ok else '✗'} {label}")
print(f"\n  {sum(ok for _, ok in result)} از {len(RUBRIC)}")
  ✓ مسئله در یک جمله
  ✓ تصمیمی که این سامانه عوض می‌کند
  ✓ منبع و اندازهٔ داده
  ✓ مجموعهٔ ارزیابی جدا از آموزش
  ✓ خطِ پایه دارد
  ✓ مدلِ اصلی از خطِ پایه بهتر است
  ✓ تفاوت از نویز بیرون زده
  ✓ تفکیکِ خطا بر اساسِ دسته
  ✓ هزینه شمرده شده
  ✓ حدِ شناخته‌شده اعلام شده
  ✓ سوگیری یا ریسک بررسی شده
  ✓ راهِ اجرای دوباره مستند است

  12 از 12

همان مدل، همان دقتِ ۰٫۸۷ — و این بار ۱۲ از ۱۲.

تفاوت در مدل نبود، در گزارش بود. و آن گزارش چیزی است که به کسی اجازه می‌دهد رویش تصمیم بگیرد — که تمامِ هدفِ کار است.

۶. پروژهٔ خودت#

یک مسئلهٔ واقعی انتخاب کن که به آن اهمیت می‌دهی. چند شروعِ ممکن، همه با دادهٔ فارسی:

ایده چه چیزی از این دوره لازم دارد
دستیارِ پرسش‌وپاسخ روی مستنداتِ خودت ترمِ ۵ کامل — RAG، eval، ایمنی
دسته‌بندِ نظرها یا تیکت‌های فارسی ترمِ ۴ فصلِ ۸، و LoRA فصلِ ۱ همین ترم
خلاصه‌سازِ متنِ فارسی با ارزیابیِ انسانی ترمِ ۵ فصلِ ۶ — چون متریکِ خودکار اینجا ضعیف است
جست‌وجوی معناییِ آرشیوِ شخصی ترمِ ۴ فصلِ ۲ و ترمِ ۵ فصلِ ۴
تشخیصِ تصویر روی دادهٔ خودت ترمِ ۳ کامل، و فصلِ ۳ همین ترم
ابزارِ کمکی برای یک کارِ تکراریِ خودت هر چه لازم شد — و بهترین انتخاب همین است

و قواعدی که پروژه را از یک تمرین به یک کارِ واقعی تبدیل می‌کنند:

  • از کوچک‌ترین نسخهٔ کارآمد شروع کن. بیست نمونه، یک خطِ پایه، یک عدد. قبل از هر چیزِ پیچیده‌ای.
  • دادهٔ ارزیابی را همان روزِ اول جدا کن و تا آخر دست نزن.
  • هر تغییری را با یک عدد توجیه کن. «حس می‌کنم بهتر شد» قبول نیست — این را در شش ترم بارها دیدی.
  • نتایجِ منفی را هم بنویس. در ترمِ ۵ پنج تکنیکِ معروف را امتحان کردیم و کار نکردند؛ آن بخش‌ها به‌اندازهٔ بخش‌های موفق ارزش داشتند.
  • و تمامش کن. پروژهٔ کوچکِ تمام‌شده از پروژهٔ بزرگِ نیمه‌کاره بی‌نهایت بیشتر می‌ارزد.

۷. از اینجا به کجا#

اگر این را دوست داشتی مسیرِ بعدی
ترمِ ۴ — ساختنِ transformer معماری‌های تازه، آموزشِ مدل از صفر، بهینه‌سازیِ آموزش
ترمِ ۵ — سامانه‌سازی دورِ مدل مهندسیِ داده، پایگاه دادهٔ برداری، پایشِ سامانه‌های زنده
ترمِ ۵ فصلِ ۶ — eval ارزیابی و سنجش، طراحیِ آزمایش، آمارِ کاربردی
فصلِ ۲ و ۵ همین ترم اجرای کارآمد، کرنل‌نویسی، سرو در مقیاس
فصلِ ۶ — مسئولیت ایمنی و سیاست‌گذاریِ هوش مصنوعی، حریمِ خصوصی
ریاضیاتش ریشه — به‌ویژه ترمِ ۷ و ۸
فهمِ اجتماعی‌اش هم‌هوش

و یک توصیهٔ عملی برای ادامه: مقاله بخوان، ولی کد بزن. یک مقالهٔ خوانده‌شده و پیاده‌نشده، چند روز بعد از یادت می‌رود؛ یک ایدهٔ پیاده‌شده — حتی بد و ناقص — می‌ماند. همان کاری که در این دوره با attention و LoRA و diffusion کردی.

۸. و آخر#

در ابتدای این دوره model.fit() را صدا می‌زدی و کار می‌کرد.

حالا می‌دانی داخلِ آن پرانتز چه می‌گذرد — گرادیان، attention، tokenizer — و مهم‌تر از آن، می‌دانی چطور بفهمی که واقعاً کار کرده: با خطِ پایه، با مجموعهٔ طلایی، با بازهٔ اطمینان، و با اعتراف به آنچه نمی‌داند.

بیشترِ آنچه در این شش ترم یاد گرفتی، تکنیک نبود. انضباط بود:

  • اندازه بگیر، حدس نزن.
  • خطِ پایه بگذار، وگرنه هیچ عددی معنا ندارد.
  • وقتی چیزی کار نکرد، بنویسش.
  • و حدِ کارت را خودت اعلام کن، قبل از اینکه کسی کشفش کند.

این‌ها کهنه نمی‌شوند. مدل‌ها عوض می‌شوند، کتابخانه‌ها عوض می‌شوند، و این چهار جمله سرِ جایشان می‌مانند.

واژه‌های تازهٔ این فصل#

کلمه تلفظ به حروف فارسی یعنی چه
rubric روبریک معیارِ داوریِ از پیش نوشته‌شده
paired test پیرد تست مقایسهٔ دو سامانه روی همان نمونه‌ها
slice analysis اسلایس انالیسیس تفکیکِ نتیجه بر اساسِ زیرگروه‌های داده
definition of done دفینیشن آف دان فهرستِ روشنِ اینکه «تمام شد» یعنی چه

🔧 اگر کار نکرد: سه خطای واقعیِ همین چرخه، و هر سه وقتی می‌آیند که N را عوض کنی. ValueError: Found input variables with inconsistent numbers of samples: [60, 806] یعنی ویژگی‌ها را از N نمونه ساخته‌ای و برچسب‌ها را از کلِ دادهٔ آموزش — [:N] را در هر دو طرف بگذار. NotFittedError با پیامی دربارهٔ fit نشده بودن، یعنی transform را قبل از fit_transform صدا زده‌ای. و ValueError: X has 82 features, but LogisticRegression is expecting 76 features as input یعنی بعد از آموزشِ مدل، TfidfVectorizer را دوباره fit کرده‌ای و واژگانش عوض شده — fit فقط یک بار، روی دادهٔ آموزش. هر سه‌تایشان یک ریشه دارند: دادهٔ آموزش و ارزیابی باید از یک قرارداد پیروی کنند.

🤖 از دستیارت بپرس: «پروژهٔ من این است: [توضیحش را بنویس]. با این سیاههٔ دوازده‌بندی داوری‌اش کن و بگو کدام بندها را رد می‌کنم.» و بعد جوابش را باور نکن تا خودت هر بند را با عدد بررسی کنی — همان درسِ ترمِ ۵ فصلِ ۶ دربارهٔ داورِ مدلی.

تمرین‌ها

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

در فصل بعد#

فصلِ بعدی وجود ندارد. ژرفا اینجا تمام می‌شود.

آنچه از اینجا به بعد می‌سازی، دیگر تمرین نیست.

به آخر این فصل رسیدی!

اگر ساختی و جواب داد، این دکمه مال توست.