ایستگاه هوش مصنوعی

تو این اپیزود با دکتر محمدحسین رهبان استاد دانشگاه شریف صحبت کردم. به نظر خودم یکی از بهترین گفتگوهایی هست که تا به حال داشتم. به طرز غیرمنتظره‌ای بسیار لذت بردم و از ایشون یاد گرفتم. خصوصاً این که دست روی موضوعات چالشی گذاشتیم، برام جذاب بود. موضوعاتی که راجع بهشون صحبت کردیم: آیا مدل‌های زبانی دارن بهتر میشن یا در جا می‌زنند؟ مدل‌‌های فعلی تا چه حد توانایی استدلال دارند؟ساختار فعلی مدل‌های زبانی چقدر می‌توانند بهتر بشن؟خطر بزرگی که صنعت نرم‌افزار باهاش رو به رو شده چی هست؟ آیا کدنویسی به درد نمی‌خوره و نابود شده؟ چه چیزهایی هنوز مهم هستند و ارزش یادگیری دارند؟ در ضمن ویدئو بصورت تصویری ضبط شده و در یوتیوب هم آپلود شده. این اپیزود بصورت مستقل قابل گوش دادن هست. تو اپیزود به بعضی موارد هم اشاره شد که لینک‌هاش رو براتون می‌گذارم.https://aprd.ir/ai-station-e27-llm-reason-vs-recite-rohban/

در قسمت قبل راجع به وایب کدینگ صحبت کردیم. و من همین‌طور ذهنم درگیره و دارم به این قضیه فکر می‌کنم. اما این دفعه برخلاف قبل می‌خوام کمی از اون طرف قضیه صحبت کنم.کمی تو سر وایب کدینگ بزنیم و ایرادهاش رو بگیم.این مدل‌ها کجاها ضعف جدی دارند؟این ضعف‌ها چطوری خودشون رو تو مهندسی‌نرم‌افزار نشون میدن؟کجاها هست که هنوز مدل‌های زبانی نتونستن بگیره و بعیده به این زودی بگیره. قبلش یه چیزی رو بگم. حرفای اپیزود قبل من از اون مدل‌ها بود که زیاد شنیده بودم و الان هر جا برید از این حرف‌ها تو بورسه. این که AI چقدر خوبه و چقدر خوب کد می‌زنه و همه باید استفاده بکنند.ولی بیشتر که بررسی کردم دیدم قضیه اصلاً صفر و یکی نیست. نه میشه گفت «همه» کارها رو بدیم هوش‌مصنوعی انجام بده و نه میشه گفت «همه» کارها رو مثل قدیم خودمون انجام بدیم. اینه که اتفاقاً حرف‌های این اپیزود رو چالشی‌تر می‌بینم و احتمال مخالفت باهاش هم بیشتره :))https://aprd.ir/ai-station-e26-vibe-coding-cons/

سلام به همگی. خیلی وقته که از آخرین باری که با هم صحبت کردیم می‌گذره. در این مدت، نه‌ اینکه وقتش نباشه، دل و دماغش نبود. روزهای سختی را گذروندیم؛ از اعتراضات دی‌ماه و داغ آدم‌هایی که جاویدنام شدند، تا سایه سنگین جنگی که اومد و هنوز هم تمام نشده. اما خب ما هنوز زنده‌ایم، نفس می‌کشیم و زندگی ادامه داره. اینه که گفتم شاید بهترین کار همین باشه؛ برگشتن به کارهایی که بلدیم و علاقه داریم. یکی از مواردی که چند وقت اخیر ذهنم رو درگیر کرده، روند‌های تغییر شغل‌ها به واسطه هوش‌مصنوعی هست. صحبت‌هام کمی دارک هست؛ چون انگار خیلی‌ از شغل‌ها دارن تبدیل به «اپراتور هوش مصنوعی» میشن. و من این حس رو از صحبت با دوستان گرفتم.خلاصه بخوام بگم در این قسمت می‌خوام راجع به چند تا سؤال صحبت کنیم:هوش مصنوعی چه تغییراتی رو برای شغل‌هامون رقم زده؟چه نشانه‌هایی برای تبدیل برنامه‌نویسی به کالای عمومی وجود داره؟اگر فرض کنیم، هوش مصنوعی داره شغل‌ها رو تغییر می‌ده، چطوری می‌تونیم باهاش همراه بشیم؟ و بهترین خروجی رو دریافت کنیم؟در بلندمدت ارزش پیشنهادی یه برنامه‌نویس چی می‌تونه باشه؟ https://aprd.ir/ai-station-e25-the-age-of-vibe-coding/

اگر خاطرتون باشه تو قسمت‌های قبل گفتیم یادگیری ماشین قبایل مختلفی دارند. قسمت قبلی هم راجع به الگوریتم‌های درختی صحبت کردیم. تو این قسمت هم می‌خوایم به یادگیری عمیق بپردازیم و به سؤالات زیر پاسخ بدیم:- سیستم‌های یادگیری عمیق چطوری داده‌ها رو ذخیره می‌کنند و ارتباط‌شون با مغز ما چیه؟- زمستان هوش مصنوعی چرا شکل گرفت؟- این سیستم‌ها با چه موانعی شروع شدند؟ - و چی باعث شد که دوباره اوج بگیرند؟(تو لینک پست این قسمت، چند تا ویدئوی جالب هم وجود داره که با هوش‌مصنوعی درست کردم. یه سری بهش بزنید. جالبه).https://aprd.ir/ai-station-e24-deep-learning-algorithms

چند نفر از دوستان ازم سؤالاتی راجع به بازار کار و مهارت‌های مورد نیاز و شرایط کاری هوش مصنوعی پرسیدند، گفتم شاید بد نباشه چند کلامی راجع بهشون صحبت کنیم. سؤالات‌ دوستان:- بازار کار در این زمینه‌ها در داخل و خارج در حال حاضر چگونه است؟- نیاز بازار کار فعلی حول چه شغل‌هایی هست؟- حدود دستمزد متخصصین یادگیری ماشین و تحلیل داده چقدر است؟- آیا امکان دورکاری وجود دارد یا خیر؟- شرکت در دوره‌های بوت کمپ رو تا چه حد توصیه می‌کنی؟- تحصیلات آکادمیک چقدر مؤثره؟ - چه مهارت‌هایی رو باید بلد باشم؟ - چطوری می‌تونم خودم رو متمایز کنم؟https://aprd.ir/ai-station-e23-ai-industry-state

امروز می‌خوایم به یکی از مهم‌ترین چالش‌های یادگیری ماشین بپردازیم. مسئله اینه که چطوری می‌تونیم مطمئن باشیم که چیزی که قبلاً جواب داده الان هم جواب میده؟ این سؤال اولین بار در قرن ۱۸ توسط آقای هیوم مطرح شد و همه چیز از تصمیم‌های روزانه‌مون تا برنامه‌های کامپیوتری پیچیده رو تحت تأثیر خودش قرار میده. نویسنده میگه که: «هر الگوریتم یادگیری تلاشی برای پاسخ به این سؤال هست». تو این قسمت به طور خلاصه به سه بخش می‌پردازیم. اول راجع به این صحبت می‌کنیم که افراد راجع به «یادگیری» چطوری فکر می‌کنند. دوم میگیم که چرا از نظر ریاضی یادگیری به نظر غیرممکنه و سوم این که راه‌حل متخصصان برای حل این مشکلات چی بوده؟ و روش‌های نمادین و درختی در یادگیری ماشین رو معرفی می‌کنیم و راجع راجع بهشون حرف می‌زنیم.https://aprd.ir/ai-station-e22-tree-based-algorithms

تو این قسمت با سید محمدجواد فیض آبادی ثانی راجع به تفاوت‌های صنعت و اکادمیک و البته مدل‌های زبانی صحبت کردم. محمدجواد دانشجوی دکتری هوش مصنوعی دانشگاه صنعتی شریف هست و قبلاً هم تیم لید بخش دیتاساینس تپسل بوده. تو این گفتگو با هم دیگه راجع به تفاوت‌های زندگی در دانشگاه و صنعت صحبت می‌کنیم و قاعدتاً راجع به این که دکترا بخونیم یا خیر. در انتها هم با توجه به این که محمدجواد تز دکتراش در ارتباط با مدل‌های زبانی بزرگ هست، یه کم راجع به این مدل‌ها گپ می‌زنیم. من از گفتگو با سید لذت بردم. امیدوارم شما هم ببرید.در ضمن اگر خواستید این ویدئو رو بصورت تصویری ببینید، می‌تونید از اینجا ببینید.https://aprd.ir/ai-station-e21-seyyed-sani/

سلام. امیر پورمند هستم و با قسمت بیستم از ایستگاه هوش مصنوعی در خدمتتون هستم. تو دو قسمت قبلی، دو بخش از کتاب الگوریتم اصلی رو بازخوانی کردیم. خلاصه این که یادگیری ماشین یک الگوریتم یادگیرنده داره. الگوریتم یادگیرنده، داده ورودی و داده خروجی رو می‌گیره و الگوریتمی خروجی میده که اون کار رو انجام بده. مثلاً برای تشخیص اسپم، ورودی میشه ایمیل‌ها و خروجی میشه اون‌هایی که اسپم هستند. حالا اینها رو به الگوریتم یادگیرنده می‌دیم و خروجیش میشه یه الگوریتم تشخیص اسپم. تو بخش‌های قبل گفتیم که الگوریتم‌های یادگیرنده تعدادشون محدوده. تو این فصل می‌خوایم به یک سؤال بپردازیم. «آیا میشه با یک الگوریتم یادگیرنده همه چیز رو یاد بگیریم؟»https://aprd.ir/ai-station-e20-master-algorithm-exists

سلام. امیر پورمند هستم و با قسمت نوزدهم از ایستگاه هوش مصنوعی در خدمتتون هستم.تو قسمت قبل کتاب الگوریتم اصلی رو معرفی کردیم. من دیگه تکرار مکررات نمی‌کنم.تو این فصل می‌خوایم راجع به انقلاب یادگیری ماشین صحبت کنیم. هنوز به قبایل یادگیرنده که گفتم سر نمی‌زنیم و نویسنده می‌خواد ذهن‌مون رو قلقلک بده و راجع به الگوریتم‌ها و تاثیر اون‌ها بر همه جنبه‌های زندگی بگه. یعنی اول میگیم الگوریتم چیه و بعد میگیم یادگیری ماشین چیه و بعد میگیم چه تأثیراتی داره که بهش انقلاب یادگیری ماشین میگن؟https://aprd.ir/ai-station-e19-ml-revolution

اخیراً در حال مطالعه کتابی به نام «الگوریتم اصلی» نوشته پدرو دومینگوس هستم و به نظرم کتاب جالبی اومد. گفتم بشینیم با هم مطالعه کنیم. کتاب مال ۲۰۱۵ هست و انگلیسی هست و تا به حال به فارسی ترجمه نشده. محتوای کتاب به نظرم اصلاً قدیمی نیست و خیلی جلوتر از زمانه خودش نوشته شده. جامعه مخاطبی که برای کتاب در نظر گرفته شده، متنوع هست. از کسانی که به هوش مصنوعی علاقه‌ دارند. تا کسانی که می‌خوان در بیزنس ازش استفاده کنند یا به عنوان شهروند یا دانشجو یا حتی یک متخصص هوش مصنوعی. جامعه هدف بزرگی رو در نظر گرفته. سعیش هم این بوده که به زبان ساده یک فهم جدید و دسته‌بندی جدید از الگوریتم‌های یادگیری ماشین ارائه بده. با هدف اولیه این پادکست که توضیح مباحث فنی به زبان ساده است، همراهه. عملاً یک ترجمه کاملاً آزاد از این کتاب با سبک و بیان خودم برای شما خواهم گفت و اصلاً به متن وفادار نخواهم بود. یه جاهایی هم نظرات شخصیم رو میگم (و بین نظرات خودم و نویسنده تفکیک قائل خواهم شد). ترتیب مطالب رو عوض می‌کنم و مفاهیم رو ترکیب می‌کنیم و عملاً با واسطه من این کتاب رو می‌شنوید. تو این قسمت می‌خوایم از مقدمه این کتاب شروع کنیم. جایی که از خوندنش خیلی لذت بردم. امیدوارم شما هم ببرید. https://aprd.ir/ai-station-e18-master-algorithm-intro/

یکی از سؤالاتی که دیدم زیاد پرسیده میشه، اینه که رودمپ برای یادگیری هوش مصنوعی چیه؟به نظرم سؤال اشتباهی هست و نمیشه جواب دقیقی بهش داد. سؤال درست اینه که رودمپ برای دیتاسایسنتیست چیه؟ یا رودمپ مهندس یادگیری ماشین چیه؟ یا رودمپ پروداکت منیجر هوش مصنوعی چیه؟ ولی اینجا به این سؤال‌ها هم نمی‌خوام پاسخ بدم؛ بلکه می‌‌خوام بگم که در فرآیند توسعه یک محصول مبتنی بر هوش مصنوعی چه افرادی نقش دارند و هر کس چیکار می‌کنه؟ شاید اگر این‌طوری بهش فکر کنیم بهتر بتونیم جایگاه خودمون رو در تیم متصور بشیم و مسیر شغلی‌مون رو راحت‌تر پیدا کنیم. پس تو این قسمت می‌خوام راجع به مسیر شغلی‌های مختلف در حوزه هوش مصنوعی صحبت کنم و این که چطور بفهمیم کدوم مسیر رو برای شروع انتخاب کنیم؟https://aprd.ir/ai-station-e17-ai-career-path/

تو این قسمت از پادکست می‌خوام به یک سؤال بپردازم. سؤالی که از دوره ارشد برام وجود داشت و بهش فکر می‌کردم. بخش‌های مهم یک سیستم یادگیری عمیق چه چیزهایی هستند؟ یعنی اگر من یک مقاله یا روش جدید هوش‌مصنوعی رو خوندم، چه بخش‌هایی وجود دارند که معمولاً مهم‌ترن؟ کدوم بخش‌ها هستند که میشه ازشون ایده گرفت؟ به یک معنای دیگه اگر بخوام بگم، چطوری میشه به یادگیری عمیق به عنوان یک سیستم نگاه کرد؟ این سیستم چه اجزایی داره و هر جزء چگونه با بقیه بخش‌ها ارتباط برقرار می‌کنه؟ هدف این سیستم چیه و چطوری خودش رو به این هدف نزدیک می‌کنه؟ چطوری می‌فهمیم که به هدف نزدیک شده یا نه؟چطوری می‌تونیم با نگاهی متفاوت توضیح بدیم که یادگیری عمیق چیه؟ و فلان روش جدید یادگیری عمیق چه دستاوردی در چه حوزه‌ای داشته؟ یا این که فلان روش جدید کجای این سیستم قرار می‌گیره و کجا به درد خورده؟اینها سؤالاتی هست که امیدوارم بتونم بهشون پاسخ بدم. https://aprd.ir/ai-station-e16-deep-learning-system

چگونه می‌توان هوش مصنوعی رو در سازمان‌های بزرگ اجرا کرد؟این سوالی هست که این قسمت حولش شکل گرفته و در این قسمت با آقای صفاریان‌زاده حول چالش‌ها و پروسه شکل‌گیری محصول در دنیای هوش مصنوعی صحبت کردیم. از این که با چه چالش‌هایی دست و پنجه نرم‌ کردند و چه راه‌حل‌هایی براش دادند. و فرآیند هشت مرحله‌ای‌شون رو در توسعه یک محصول رو برامون باز کردند. در آخر هم راجع به مسیر شغلی در هوش مصنوعی کمی گپ زدیم. به نظرم به طور خاص این قسمت برای مدیران محصول در زمینه هوش مصنوعی می‌تونه مفید باشه.https://aprd.ir/ai-station-e15-saffarian-apply-ai

سلام. من امیر پورمند هستم و این قسمت چهاردهم از ایستگاه هوش مصنوعیه. تقریباً یک سالی میشه که این پادکست رو درست کردم و فیدبک‌های خوب‌تون رو جاهای مختلف گرفتم و انگیزه‌ای شده برای ادامه کارها. خیلی ممنون که گوش می‌دید و همراهی می‌کنید. لطفاً اگر موضوع یا موضوعاتی هم براتون دغدغه هست بهم بگید که اگر بلد بودم راجع بهش صحبت کنم. تو این قسمت می‌خوام راجع به تفاوت‌های هوش مصنوعی در صنعت و دانشگاه صحبت کنم.این یکی از دوگانه‌هایی هست که زیاد تو دانشگاه با دوستان راجع بهش صحبت کردیم. بعداً هم که وارد صنعت شدم دیدم که همین بحث مجدداً وجود داره. اهمیت این بحث برام از تجربه شخصی میاد. راستش من تو اوایل دوره ارشد درک درستی از کارکرد این دو تا سیستم نداشتم. برای همین خیلی به ارتباط بین صنعت و دانشگاه فکر می‌کردم و اصلاً نمی‌فهمیدم خواسته دانشگاه از یه دانشجوی ارشد چیه. خواسته صنعت از کسی که پروژه انجام میده چیه.همون داستان متداول ما ایرانی‌هاست دیگه. هر جایی قدرت و حوصله انتخاب کردن رو نداریم می‌گیم که یه چیزی بینابینی باشه حتماً بهتره. می‌خواستم هم خدا رو داشته باشم هم خرما. اما میشه گفت هیچ کدوم رو بدست نیاوردم. بخاطر همین می‌خواستم تو این قسمت تفاوت‌ها و اهداف این دو تا سیستم رو بیشتر شفاف کنم. یکی این که فضا باز بشه برای گفتگوی بیشتر و دیگری هم این که شاید کمکی بشه به کسی که می‌خواد با دید صنعتی به حوزه آکادمیک بیاد یا این که کسی بعد فارغ‌التحصیلی وارد بازار کار بشه. یا کسی که می‌خواد تز ارشدش رو تعریف بکنه. https://aprd.ir/ai-station-e14-academia-vs-industry

سلام. تو این قسمت با یکی دیگه از دوستانم به نام محمدعلی صدرایی در خدمتتون هستم و راجع به موارد زیر با هم حرف زدیم.از سابقه محمدعلی شروع کردیم و سری به دنیای مدل‌های زبانی بزرگ زدیم و کمی هم راجع به زبان و ویژگی‌های اون صحبت کردیم. بعد از اون راجع به کاری که محمدعلی روی زبان تاجیکی انجام داده صحبت کردیم و به مشکلات و سختی‌های ایران در زمینه سخت‌افزاری اشاره کردیم.همچنین محمدعلی تجربه کار کردن با مدل‌های زبانی و آموزش اونها رو داشته که راجع بهشون گپ زدیم. تاریخچه جالبی هم از مدل‌های زبانی طبیعی تو ذهنش داشت که برام گفت. در نهایت هم کمی راجع به مسیر شغلی در این حوزه و چالش‌های اون صحبت کردیم.امیدوارم که براتون مفید باشه.https://aprd.ir/ai-station-e13-sadraei-nlp/

تو قسمت قبل راجع به چند تا از چالش‌هایی که موقع کارکردن با مدل‌های زبانی بزرگ پیش میاد صحبت کردیم. تو این قسمت می‌خوام بخش دوم این چالش‌ها رو بگم.علت این که دو قسمت صحبت می‌کنم اینه که به اندازه کافی به مزایای LLMها پرداخته شده و خیلی‌ها راجع بهش حرف زدند. شما الان هر شبکه‌ اجتماعی‌ای رو باز کنید، کلی آدم راجع به مزایای این ابزارها صحبت می‌کنند. چیزی که کمتر راجع بهش صحبت می‌شه ضعف‌ها هست. همین هم هست که وقتی می‌خوایم با این مدل‌ها محصول بسازیم؛ چون هیچ درکی از ضعف‌هاش نداریم و صرفاً چند تا کلیپ از قسمت خوب ماجرا رو دیدیم، دچار مشکل میشیم. البته OpenAI وظیفه‌اش هست که اغراق کنه و خودش رو خوب نشون بده. ولی من به شخصه تعهدی نسبت به OpenAI ندارم :) پس تو این قسمت هم طبق روال قسمت قبل راجع به ضعف‌های مدل‌های زبانی صحبت می‌کنیم و کم‌کم بحث رو جمع می‌کنیم. https://aprd.ir/ai-station-e12-llm-limitations-part2

در این قسمت با مهدی آخی راجع به مدل‌های زبانی بزرگ، صحبت کردم. بحث رو از سابقه مهدی شروع کردیم و کم‌کم راجع به کاربردهای مختلف هوش مصنوعی و به خصوص مدل‌های زبانی بزرگ صحبت کردیم و به بیکار شدن آدم‌ها هم رسیدیم. کمی هم راجع به چالش‌های واقعی کار کردن با این مدل‌ها در صنعت صحبت کردیم و نهایتاً هم مهدی پیشنهادهایی برای ساخت مرحله مرحله محصول با این مدل‌ها میده و بحث رو جمع می‌کنیم.این قسمت بصورت تصویری ضبط شده و در یوتیوب هم آپلود شده. اگر دوست دارید بصورت تصویری مشاهده کنید، می‌تونید از اینجا ببینید.https://aprd.ir/ai-station-e11-mahdi-akhi-llm/

سلام. من امیر پورمند هستم و این قسمت دهم از ایستگاه هوش مصنوعیه. تو قسمت قبل مدل‌های زبانی بزرگ رو به دانشجویی تشبیه کردم که تازه از دانشگاه فارغ‌التحصیل شده و حالا می‌خواد وارد بازار کار بشه. قطعاً سواد دانشجوی تازه فارغ‌التحصیل شده با نیازهای صنعت متفاوته. حالا می‌خوام راجع به این صحبت کنیم که این دانشجوی ما (یا همون مدل‌های زبانی بزرگ) چه ضعف‌هایی داره و چطوری میشه ضعف‌هاش رو برطرف کرد؟با این که صحبت‌کردن در مورد نقاط ضعف این مدل‌ها سخت‌تره. به نظرم نقاط ضعف خیلی بهتر می‌تونند مسیر رو بهمون نشون بدن که اگر خواستیم مدل‌های زبانی رو تو صنعت خودمون پیاده‌سازی کنیم، باید حواسمون به چه چیزهایی باشه؟ اگر خلاصه کنم دوست دارم در این قسمت راجع به این صحبت کنم که چالش‌های این حوزه چیه و چه راه‌حل‌هایی برای برطرف کردن اون چالش‌ها مطرح شده؟ https://aprd.ir/ai-station-e10-llm-limitations-part1

سلام. من امیر پورمند هستم و این قسمت نهم از ایستگاه هوش مصنوعیه. تو قسمت‌های قبل راجع به مدل‌های زبانی بزرگ حرف‌هایی زدیم ولی هرگز نگفتم که مدل زبانی چیه و چطوری درست شده. تو این قسمت می‌خوام راجع به این صحبت کنم. واقعاً هم نمی‌خوام بحث تئوری کنم. می‌خوام راجع به این‌ها صحبت کنم که وقتی قسمت‌های بعد راجع به نقاط ضعف و محدویت‌های مدل‌های زبانی صحبت کردم، یه ایده‌ای داشته باشید که چرا این نقاط ضعف بوجود اومدند یا حتی اینطوری خودتون می‌تونید راجع به کاربردهای این مدل‌ها تو صنعت خودتون بهتر فکر کنید. در واقع این قسمت معرفی مدل‌های زبانی بزرگ بر مبنای یک داستانه. داستان دانش‌آموزی که میره دبستان، خوندن و نوشتن یاد می‌گیره. بعد تو دبیرستان، یک سری مفاهیم رو از بر می‌کنه و تو دانشگاه نحوه تعامل با آدم‌ها رو یاد می‌گیره. همچنین قبلاً هم این پست راجع به مدل‌های زبانی نوشتم و بعضی چیزهایی که میگم رو اون‌جا با شکل توضیح دادم. در واقع یک چیز رو با دو بیان مختلف گفتم:https://aprd.ir/large-language-models-training/متن این قسمت رو هم می‌تونید در اینجا بصورت کامل ببینید:https://aprd.ir/ai-station-e09-llm-training/

تو این قسمت می‌خوام راجع به نکاتی در مورد به کاربردن مدل‌های زبانی بزرگ وجود داره، صحبت کنم و تجربیات خودم و مقالات و وبلاگ‌هایی که تو این زمینه خوندم رو می‌گم. به نظرم این قسمت، قسمت خاصی هست چون حتی اگر نخواهید بدونید که مدل های زبانی چطوری درست شدند و چه آینده‌ای براشون متصور میشه، می‌تونید این قسمت رو بصورت مستقل گوش بدید. کاربردش هم از این نظر هست که هر کسی تو هر شغلی می‌تونه کاربردهایی از مدل‌های زبانی بزرگ برای خودش پیدا کنه و لازمه که بدونه چطوری با مدل‌ها کار کنه که بتونه مناسب‌ترین خروجی رو ازشون بگیره. اگر بخوام خلاصه کنم تو این قسمت کلاً راجع به Prompt Engineering صحبت کردم. https://aprd.ir/ai-station-e08-prompt-engineering/