کارگاه جامع «استفاده از ابزارهای هوش مصنوعی در مطالعه و پژوهش»
در دنیای امروز، هوش مصنوعی به ابزاری کلیدی در پیشبرد پژوهش‌های علمی تبدیل شده است. این کارگاه جامع توسط دکتر دانیال سمیعی، استادیار گروه مدیریت دانشگاه آزاد اسلامی واحد قزوین، ارائه می‌شود.
تماس با مدرس
چشم‌انداز کارگاه
مخاطبان
این کارگاه سه‌ساعته برای دانشجویان، اساتید و پژوهشگران دانشگاهی طراحی شده است. هدف، آشنایی جامع با ابزارهای هوش مصنوعی و کاربرد آن‌ها در فرآیند پژوهش است.
رویکرد آموزشی
تمامی مفاهیم با زبانی ساده و فارسی روان بیان می‌شوند. مثال‌های کاربردی متعددی ارائه می‌شود تا درک عمیق‌تری از موضوعات به دست آید.
انقلاب هوش مصنوعی در پژوهش
در سال‌های اخیر، مدل‌های زبانی پیشرفته مانند GPT و سایر مدل‌های مولد، امکانات بی‌سابقه‌ای برای تولید متن، کد، تصویر، صدا و حتی ویدئو فراهم کرده‌اند. این تحول، شیوه انجام پژوهش‌های علمی را دگرگون ساخته است.
تولید متن
خلاصه‌سازی، نگارش و بازنویسی محتوای علمی
کدنویسی
تولید و بهبود کدهای برنامه‌نویسی
تصویرسازی
ساخت تصاویر و گرافیک‌های علمی
تحلیل داده
پردازش و تفسیر اطلاعات پژوهشی
مدل‌های زبانی بزرگ (LLM): پایه هوش مصنوعی مولد
مدل‌های زبانی بزرگ (Large Language Models یا LLM) معماری‌هایی هستند که با حجم بسیار بالایی از پارامترها آموزش دیده‌اند و قادرند زبان انسان را درک کرده و متن‌های معنی‌دار تولید کنند. این مدل‌ها اساس بسیاری از ابزارهای هوش مصنوعی مدرن را تشکیل می‌دهند.
GPT (Generative Pre-trained Transformer) نام معماری مدلی است که اولین بار توسط OpenAI معرفی شد و سنگ‌بنای مدل‌های زبانی بزرگ مدرن است. ChatGPT که بر مبنای معماری GPT-3.5 و GPT-4 توسعه یافته، نمونه‌ای شاخص از یک LLM است که توانایی‌های شگفت‌انگیزی در درک و تولید متن نشان می‌دهد.
تاریخچه تکامل مدل‌های زبانی
1
۲۰۱۹: GPT-2
مدل GPT-2 با ۱.۵ میلیارد پارامتر، نخستین مدلی بود که به تولید متن طولانی و مفهوم‌دار پرداخت و با انتشار محدود همراه بود.
2
۲۰۲۰: GPT-3
GPT-3 با ۱۷۵ میلیارد پارامتر تحول عظیمی ایجاد کرد و نشان داد LLMها می‌توانند کارهای متنوعی را بدون آموزش تکمیلی انجام دهند.
3
۲۰۲۳: GPT-4
مدل چندوجهی که نه تنها متن، بلکه تصاویر را هم در ورودی می‌پذیرد و قادر به استدلال‌های پیچیده‌تر است.
4
۲۰۲۴: موج جدید
ظهور مدل‌های متن‌باز قدرتمند و رقابت شدید بین شرکت‌های مختلف برای ارائه بهترین مدل‌ها.
مدل‌های رقیب در عرصه هوش مصنوعی
Anthropic Claude
مدل Claude که بر محاوره و ایمنی تأکید دارد، توانایی رقابت با ChatGPT را داراست و در برخی وظایف حتی عملکرد بهتری نشان داده است.
Google Gemini
مدل چندوجهی بسیار بزرگ گوگل که قرار است توانایی ترکیب بینایی و زبان را داشته باشد و از نظر توانمندی رقیب GPT-4 باشد.
xAI Grok
مدل زبانی متعلق به ایلان ماسک که هدف آن ارائه پاسخی متفاوت و رقابتی با ChatGPT است. بخشی از کد آن متن‌باز شده است.
مدل‌های کدژنراتور: انقلاب در برنامه‌نویسی
مدل‌های زبانی علاوه بر متن، در حوزه تولید کدهای برنامه‌نویسی نیز انقلابی ایجاد کرده‌اند. این مدل‌ها که می‌توان آن‌ها را مدل‌های کد بزرگ (Large Code Models) نامید، بر روی داده‌های حجیم متشکل از کدهای منبع زبان‌های برنامه‌نویسی آموزش دیده‌اند.
GitHub Copilot
دستیار برنامه‌نویسی که با موتور GPT-4 کار می‌کند و پیشنهادهای کددهی فراهم می‌کند. برای دانشجویان رایگان است.
Replit Ghostwriter
قابلیت تکمیل کد، تبدیل توضیحات به کد و پاسخ به سوالات برنامه‌نویسی در محیط Replit.
Cursor
ویراستار کد هوشمند که سریع‌تر و دقیق‌تر از Copilot کد تکمیل می‌کند و امکان گفتگو با کد را فراهم کرده است.
مدل‌های مولد تصویر: هنر دیجیتال نوین
یکی از هیجان‌انگیزترین پیشرفت‌های هوش مصنوعی مولد، در زمینه تولید تصویر از متن (Text-to-Image) بوده است. این مدل‌ها توانایی خلق تصاویر خلاقانه و باکیفیت را با استفاده از توضیحات متنی دارند.
DALL-E 2 (OpenAI)
قادر به تولید تصاویر متنوع و نسبتاً باکیفیت از توضیحات متنی. مدل پیشرو در سال ۲۰۲۲ که توجه جهانی را به خود جلب کرد.
Stable Diffusion
مدل متن‌باز و رایگان که هر کسی می‌تواند آن را دانلود کرده و روی سخت‌افزار خود اجرا کند. کیفیت و جزئیات تصاویر تولیدی بسیار بالاست.
Midjourney
محبوب میان هنرمندان دیجیتال برای تولید تصاویر هنری خلاقانه. از طریق دیسکورد قابل استفاده و با پلن‌های پولی مختلف عرضه می‌شود.
کاربرد مدل‌های تصویر در پژوهش
ابزارهای تولید تصویر AI در پژوهش می‌توانند برای تهیه نمودارها، گرافیک‌های نمایش نتایج یا شبیه‌سازی تصاویر مفهومی مورد استفاده قرار گیرند. از AI می‌توان برای ساخت طرح‌های گرافیکی جلد گزارش، اینفوگرافیک‌ها، یا تصاویر فرضی جهت بیان ایده‌ها بهره گرفت.
هرچند برای تصاویر علمی دقیق (مثل نمودار داده‌ها) هنوز ابزارهای تخصصی رسم ارجحیت دارند، اما قابلیت‌های تصویرسازی AI روزبه‌روز بهبود می‌یابد و کاربردهای بیشتری پیدا می‌کند.
مدل‌های مولد صوت: فراتر از متن
حوزه صوت نیز از انقلاب هوش مصنوعی بی‌بهره نمانده است. این فناوری‌ها طیف وسیعی از کاربردها را پوشش می‌دهند، از تبدیل متن به گفتار طبیعی گرفته تا تولید موسیقی.
1
تبدیل متن به گفتار
سیستم‌هایی مانند Amazon Polly، Google Cloud TTS و Microsoft Azure TTS می‌توانند متن را با صدایی نزدیک به انسان بخوانند.
2
تبدیل گفتار به متن
مدل Whisper از OpenAI توانایی تشخیص گفتار در ده‌ها زبان را با دقت عالی دارد و به صورت متن‌باز عرضه شده است.
3
شبیه‌سازی صدا
شرکت ElevenLabs با فناوری Voice Cloning می‌تواند با چند دقیقه صدای نمونه، مدلی تولید کند که هر متن را با صدای آن شخص بیان کند.
مدل‌های مولد ویدئو: آینده محتوای بصری
هوش مصنوعی مولد ویدئو هنوز در ابتدای راه است، اما پیشرفت‌های اخیر نویدبخش آینده‌ای است که بتوان از متن، ویدئوی کامل خلق کرد. این فناوری پتانسیل تحول عظیمی در تولید محتوای آموزشی و پژوهشی دارد.
Imagen Video (Google)
مدلی که ویدئوهای کوتاه بر اساس توضیح متنی می‌سازد. همچنین مدل Phenaki توانایی تولید ویدئوهای طولانی‌تری دارد.
RunwayML Gen-2
می‌تواند از صفر تا صد، ویدئو را صرفاً از متن تولید کند. هرچند ویدئوهای خروجی کوتاه هستند، اما برای شروع کار خیره‌کننده‌اند.
مقایسه نسخه‌های رایگان و پولی ابزارها
بسیاری از ابزارها و مدل‌هایی که معرفی شد، در دو قالب رایگان و پولی عرضه می‌شوند. شناخت تفاوت این دو نسخه و هزینه‌های مربوطه، به تصمیم‌گیری بهتر برای انتخاب ابزار کمک می‌کند.
20$
ChatGPT Plus
دسترسی به GPT-4 و امکانات پیشرفته
10$
GitHub Copilot
برای دانشجویان رایگان، برای سایرین ماهانه
10-60$
Midjourney
بسته به طرح انتخابی، از پایه تا حرفه‌ای
0$
Stable Diffusion
کاملاً رایگان و متن‌باز
محاسبه هزینه‌ها به تومان
با احتساب نرخ تقریبی هر دلار ۱۱۰ هزار تومان، می‌توانیم هزینه این ابزارها را برای پژوهشگران ایرانی محاسبه کنیم:
این هزینه‌ها در مقایسه با دسترسی به ابزارهای پژوهشی سنتی و توان کاری که فراهم می‌کنند، سرمایه‌گذاری ارزشمندی محسوب می‌شوند.
مهندسی پرامپت: هنر گفتگو با هوش مصنوعی
یکی از مهارت‌های جدیدی که با ظهور مدل‌های زبانی بزرگ اهمیت پیدا کرده، Prompt Engineering یا «مهندسی پرامپت» است. مدل‌های مولد رفتارشان وابسته به نحوه پرسش و دستوری است که کاربر به آن‌ها می‌دهد. گاهی تغییر جزئی در فرمول‌بندی درخواست می‌تواند پاسخ بسیار بهتری ایجاد کند.
مهندسی پرامپت یعنی هنر و علم طراحی ورودی مناسب برای گرفتن بهترین خروجی از یک مدل AI. این مهارت با تمرین و آزمایش بهبود می‌یابد و کلید بهره‌گیری مؤثر از ابزارهای هوش مصنوعی است.
اصول پایه‌ای مهندسی پرامپت
01
شفاف‌سازی درخواست
مدل را دقیقاً در جریان قرار دهید که چه کاری لازم است انجام دهد و خروجی چه شکلی باشد.
02
دادن بافت (Context)
اطلاعات مرتبط را در پرامپت بگنجانید تا مدل از آن‌ها استفاده کند.
03
ایفای نقش
از مدل بخواهید نقش خاصی را ایفا کند تا لحن و محتوا را متناسب تنظیم کند.
04
تقسیم مسئله
درخواست پیچیده را به گام‌های کوچکتر بشکنید یا به مدل بگوید قدم به قدم فکر کند.
05
استفاده از نمونه
یک مثال ورودی/خروجی در پرامپت بگنجانید تا مدل از آن الگو بگیرد.
مثال‌های کاربردی پرامپت‌نویسی
پرامپت ضعیف
این متن رو خلاصه کن
این پرامپت نامشخص است و ممکن است خروجی مطلوب ارائه ندهد.
پرامپت قوی
لطفاً این متن علمی را در حد سه جمله به زبان ساده خلاصه کن و نکات کلیدی را برجسته نما
این پرامپت مشخص، ساختاریافته و نتیجه‌محور است.
ابزار AIPRM: تسهیل مهندسی پرامپت
AIPRM یک افزونه مرورگر است که در رابط ChatGPT ادغام می‌شود و مجموعه‌ای از پرامپت‌های آماده را در دسته‌بندی‌های مختلف در اختیار کاربر قرار می‌دهد. با AIPRM، وقتی وارد ChatGPT می‌شوید، یک فهرست از صدها الگوی پرامپت مفید می‌بینید که توسط جامعه کاربری ساخته و رای داده شده‌اند.
صرفه‌جویی در زمان
به جای ساخت پرامپت از صفر، از الگوهای آماده و آزمایش‌شده استفاده کنید
آموزش غیرمستقیم
با مطالعه پرامپت‌های حرفه‌ای، نحوه فرمول‌بندی درست را یاد بگیرید
جامعه‌محور
کاربران پرامپت‌های خود را به اشتراک می‌گذارند و بهترین‌ها رای می‌گیرند
راهکارهای عملی برای بهبود نتایج
پرامپت مرحله‌ای
با یک درخواست ساده شروع کنید، پاسخ را بررسی کنید و در ادامه با جزئیات بیشتر پرامپت را تکمیل نمایید
درخواست بیان فرضیات
از مدل بخواهید ابتدا فرضیات خود را لیست کند سپس پاسخ نهایی را ارائه دهد
ترکیب چند مدل
خروجی یک مدل را به عنوان ورودی مدل دیگر استفاده کنید برای نتایج بهتر
استفاده از Chain-of-Thought
از مدل بخواهید قبل از نتیجه، گام‌های استدلالی خود را بنویسد
ChatGPT: دستیار همه‌کاره پژوهشی
ChatGPT را می‌توان به‌عنوان یک همراه همه‌کاره در پژوهش به کار گرفت. این مدل طیف وسیعی از توانایی‌ها را در اختیار پژوهشگران قرار می‌دهد و می‌تواند در تمامی مراحل پژوهش کمک‌کننده باشد.
ایده‌پردازی
پیشنهاد ایده‌های پژوهشی جدید و سؤالات تحقیقاتی نوآورانه
توضیح مفاهیم
ساده‌سازی و توضیح مفاهیم پیچیده علمی به زبان قابل فهم
بازبینی نگارشی
اصلاح گرامر، واضح‌سازی جملات و پیشنهاد کلمات مناسب
کدنویسی و تحلیل
نوشتن کد برای تحلیل آماری، شبیه‌سازی و رفع اشکالات
مقایسه نسخه‌های مختلف ChatGPT
Bing Chat و Google Bard: رقبای متصل به وب
Bing Chat
متکی به GPT-4 مایکروسافت، می‌تواند در پاسخ‌هایش منابع وب را ذکر کند و آخرین اطلاعات موجود آنلاین را بیاورد. برای پژوهشگر، موتور جستجوی هوشمند محسوب می‌شود.
Google Bard
با جستجوی گوگل ترکیب شده است و رایگان است. محدودیت کمتری روی تعداد پرسش‌های روزانه دارد و برای پیدا کردن مقالات مرتبط مفید است.
نکات مهم در استفاده پژوهشی از AI

هشدارهای اخلاقی و علمی
  • متن تولیدشده توسط AI را بدون ویرایش به عنوان نوشته خود استفاده نکنید
  • منابع پیشنهادشده را خودتان در پایگاه‌های علمی جستجو و اعتبارسنجی کنید
  • مدل‌ها گاهی دچار توهم می‌شوند و مطالب نادرست ارائه می‌دهند
  • مجلات علمی ممکن است متن‌های AI را با ابزارهای کشف رد کنند
  • همیشه نظارت انسانی و تفکر انتقادی ضروری است
SciSpace: دستیار تخصصی فهم مقالات
سای‌اسپیس یک پلتفرم جامع پژوهشی است که علاوه بر امکان جستجوی بیش از ۲۰۰ میلیون مقاله، یک دستیار AI به نام SciSpace Copilot دارد. این ابزار به شما امکان می‌دهد در حین خواندن مقاله، از بخش‌های مبهم سوال بپرسید و توضیح دریافت کنید.
بارگذاری مقاله
فایل PDF مقاله خود را در SciSpace باز کنید
هایلایت و پرسش
بخش مورد نظر را انتخاب کرده و از Copilot بپرسید
دریافت توضیح
Copilot آن را به زبان ساده توضیح می‌دهد
مرور عمیق
مقالات مرتبط، مؤلفان و موضوعات مشابه را کشف کنید
قابلیت‌های پیشرفته SciSpace
توضیح فرمول‌ها
معادلات ریاضی پیچیده را هایلایت کنید و از Copilot بپرسید «این معادله چه چیزی را بیان می‌کند؟»
خلاصه هوشمند
از مقاله بپرسید «هدف این مقاله چیست؟» تا چکیده‌اش را به سرعت درک کنید
شبکه پژوهشی
Deep Review مقالات مرتبط، مؤلفان کلیدی و موضوعات مشابه را پیشنهاد می‌دهد
SciSpace در نسخه رایگان اجازه تعامل محدودی می‌دهد. برای استفاده نامحدود، اشتراک پریمیوم حدود ۲۰ دلار در ماه (۲٬۲۰۰٬۰۰۰ تومان) نیاز است.
Elicit: موتور پاسخ پژوهشی هوشمند
الیسیت یک موتور پاسخ به پرسش پژوهشی است که با استفاده از پایگاه داده ۱۷۵ میلیون مقاله، مرتبط‌ترین تحقیقات را پیدا می‌کند و خلاصه نتایج کلیدی آن‌ها را به صورت یک جدول یا لیست ارائه می‌دهد.
عملاً Elicit بخشی از کار یک مرورادبیات سیستماتیک را خودکار می‌کند: مقالات را می‌یابد، نتایج و نمونه‌ها را استخراج می‌کند و کنار هم می‌گذارد. این ابزار تمرکز بر شواهد و اعداد دارد و سعی می‌کند از خطاهای توهمی AI جلوگیری کند.
نحوه کار با Elicit
1
طرح سوال
یک سؤال پژوهشی مشخص مطرح کنید
2
جستجوی هوشمند
Elicit مقالات مرتبط را پیدا می‌کند
3
استخراج یافته‌ها
نتایج کلیدی به صورت جدول نمایش داده می‌شود
4
تحلیل و مقایسه
می‌توانید چندین مقاله را همزمان مقایسه کنید
الیسیت در حالت عادی رایگان است. پلن Pro (حدود ۴۹ دلار/ماه) قابلیت‌های پیشرفته‌ای مثل آپلود ۲۰ مقاله یکجا و خروجی اکسل را فراهم می‌کند.
Zendy: کتابخانه پژوهشی با AI
زندی یک کتابخانه پژوهشی دیجیتال است که هدفش دسترسی آزاد و ارزان به مقالات علمی به همراه ابزارهای هوش مصنوعی است. بیش از ۴۰ میلیون مقاله را جمع‌آوری کرده و دستیار AI به نام ZAIA ارائه می‌دهد.
ZAIA می‌تواند مقالات را خلاصه کند، نکات کلیدی را برجسته کند، یا به سوالات در مورد محتوا پاسخ دهد. یکی از قابلیت‌های جالب، هایلایت کردن خودکار عبارات کلیدی در متن مقاله است.
پلن‌های اشتراک Zendy
Zendy Open
رایگان
  • دسترسی به مقالات Open Access
  • محدودیت در استفاده AI
  • امکانات پایه جستجو
Zendy Tools
$9.5/ماه (≈۱٬۰۴۵٬۰۰۰ تومان)
  • استفاده نامحدود از ZAIA
  • خلاصه‌ساز هوشمند
  • آنالیز PDF پیشرفته
Zendy Plus
$29.5/ماه (≈۳٬۲۴۵٬۰۰۰ تومان)
  • همه امکانات Tools
  • دسترسی کامل به مقالات پولی
  • آرشیو ناشران بزرگ
Consensus: اجماع علمی در یک جستجو
کنسنسوس یک موتور پاسخ علمی است که تلاش می‌کند «اجماع علمی» را در پاسخ به سوالات منعکس کند. با جستجو در مقالات مربوطه، پاسخی ارائه می‌دهد که حاوی نتیجه کلی مطالعات به همراه نقل‌قول‌هایی از مقالات کلیدی است.
جستجوی پرسش‌محور
سوال خود را به زبان طبیعی بپرسید، مثلاً «آیا مصرف قهوه باعث افزایش تمرکز می‌شود؟»
تحلیل مقالات
Consensus مطالعات مربوطه را تحلیل کرده و خلاصه‌ای از یافته‌ها ارائه می‌دهد
ارزیابی کیفیت
کیفیت هر مقاله را بر اساس اعتبار ژورنال و تعداد استنادها ارزیابی می‌کند
نتیجه‌گیری
خلاصه اجماع علمی را به همراه قوت مدرک نمایش می‌دهد
Scite: تحلیل هوشمند استنادات
سایت (Scite) برای بررسی استنادات مقالات طراحی شده است. این ابزار نشان می‌دهد چه مقالات دیگری به یک مقاله استناد کرده‌اند و در چه زمینه‌ای، و آیا یافته را تأیید، رد یا صرفاً ذکر کرده‌اند.
Smart Citations
Scite استنادات را طبقه‌بندی می‌کند:
  • تأیید: مقالاتی که یافته را پشتیبانی کرده‌اند
  • رد: مقالاتی که با یافته مخالف هستند
  • ذکر ساده: صرفاً به مقاله اشاره کرده‌اند
دستیار پرسش‌و‌پاسخ
مشابه Elicit، سوال پژوهشی را با تکیه به شواهد پاسخ می‌دهد و برای هر ادعا منبع و نقل‌قول دقیقی از متن مقاله می‌آورد.
ابزارهای تکمیلی پژوهشی
Connected Papers
نمودار گرافیکی از روابط بین مقالات برای فهم پیشینه و جریان پژوهشی
Paper Digest
خلاصه خودکار مقاله برای مرور سریع محتوا
Paperpal
ویرایش زبان مقاله برای نویسندگان غیرانگلیسی‌زبان
Google Dataset Search
جستجوی داده‌ها و دیتاست‌های عمومی برای پژوهش‌های داده‌محور
Semantic Scholar
AI که خلاصه یک‌خطی از مقاله می‌دهد و ارتباطات معنایی را نشان می‌دهد
Zotero + AI
مدیریت منابع با افزونه‌های هوشمند برای جستجو در کتابخانه شخصی
جدول مقایسه ابزارهای پژوهشی AI
معرفی ابزارهای No-Code/Low-Code
جنبش No-Code/Low-Code هدف آن امکان‌پذیر کردن توسعه نرم‌افزار و خودکارسازی فرآیندها بدون نیاز به کدنویسی جدی است. این ابزارها به افراد غیرفنی اجازه می‌دهند ایده‌های خود را با رابط‌های گرافیکی و راهنماهای خودکار پیاده کنند.
برای پژوهشگران، این یعنی توانایی ساخت ابزارهای سفارشی، خودکارسازی کارهای تکراری، و ایجاد سیستم‌های جمع‌آوری داده بدون نیاز به استخدام برنامه‌نویس یا یادگیری برنامه‌نویسی پیشرفته.
Zapier: پیشگام خودکارسازی
مفهوم Zapier
Zapier به کاربران اجازه می‌دهد بین سرویس‌های وب مختلف اتصال و خودکارسازی ایجاد کنند. مثلاً هرگاه در Gmail ایمیلی با کلمه خاص دریافت شد، محتوایش را در Google Sheets اضافه کن و به Slack پیام بفرست.
این زنجیره‌ها (که به آن‌ها Zap گفته می‌شود) قبلا نیازمند اسکریپت‌نویسی بود اما Zapier این را با چند کلیک انجام می‌دهد.
5000+
سرویس‌های پشتیبانی‌شده
اتصال به هزاران اپلیکیشن
100
Tasks رایگان ماهانه
در پلن رایگان
Make: ابزار پیشرفته‌تر خودکارسازی
Make (Integromat سابق) رقیب اروپایی Zapier با رابط بسیار بصری است که جریان‌های کاری را شبیه فلوچارت نمایش می‌دهد. امکان شاخه‌بندی، حلقه و شرایط را در فلوها می‌دهد که کمی پیشرفته‌تر از Zapier است.
رابط بصری
فلوچارت گرافیکی برای درک بهتر جریان کار
قابلیت‌های پیشرفته
مدیریت خطا، کنترل نسخه و عملیات پیچیده روی داده
قیمت رقابتی
ارزان‌تر از Zapier برای همان حجم کار
n8n: قدرت متن‌باز و خودمیزبانی
n8n یک پلتفرم اتوماسیون متن‌باز است که می‌توان روی سرور خود نصب کرد و رایگان در مقیاس دلخواه استفاده کرد. بیش از ۳۰۰ ماژول داخلی برای سرویس‌ها دارد و امکان استفاده از کدهای سفارشی (جاوااسکریپت) در جریان‌ها را فراهم می‌کند.
مزیت بزرگ n8n این است که امکان اجرای محلی داده‌ها را فراهم می‌کند، که برای داده‌های حساس پژوهشی بسیار مهم است. برای پژوهشگران حوزه داده یا IT که کمی دانش فنی دارند، گزینه عالیست.
مقایسه سه ابزار خودکارسازی
Replit Ghostwriter: کدنویسی با کمک AI
Replit یک IDE (محیط توسعه یکپارچه) آنلاین است که هدف آن آسان کردن برنامه‌نویسی برای همه است. Ghostwriter دستیار AI داخلی Replit است که کدنویسی را تسریع می‌کند.
تکمیل خودکار کد
حین تایپ، ادامه منطقی کد را پیشنهاد می‌دهد
تولید از توضیح
یک تابع یا برنامه را براساس توضیح متنی تولید می‌کند
چت تعاملی
اشکالات کد را توضیح می‌دهد یا رفع می‌کند
آموزش و راهنمایی
نقش مربی را بازی می‌کند و مفاهیم را توضیح می‌دهد
Cursor: نسل جدید ویرایشگرهای کد
Cursor یک ویرایشگر کد دسکتاپ است که AI را عمیقاً در محیط کدنویسی ادغام کرده است. ویژگی‌هایی نظیر جستجو در کل پروژه، پیشنهاد تغییرات در چند فایل مرتبط، و حتی امکان اجرای دستورات ترمینال با زبان طبیعی را دارد.
قابلیت‌های پیشرفته
  • تغییرات چندفایلی هماهنگ
  • فهم کانتکست کل پروژه
  • دستورات ترمینال با زبان طبیعی
  • سرعت بالاتر از Copilot
Cursor در حال حاضر رایگان است و توانسته کاربران بسیاری را به خود جذب کند.
Warp: محیط توسعه عامل‌محور
Warp یک محیط نسبتاً جدید است که شعارش Agentic Development Environment است. در اصل یک ترمینال مدرن است که اخیراً IDE خود را نیز گسترش داده. در Warp می‌توان یک Feature Request یا Bug Description را به زبان طبیعی مطرح کرد و عامل هوشمند شروع به ایجاد کدهای مرتبط می‌کند.
طرح ایده
توضیح ویژگی یا باگ به زبان طبیعی
تولید کد
عامل هوشمند کدهای مرتبط می‌سازد
بررسی و اصلاح
کد پیشنهادی را ببینید و تغییر دهید
تست و رفع اشکال
عامل در دیباگ و تست کمک می‌کند
پلتفرم‌های ساخت اپلیکیشن بدون کد
گاهی پژوهشگران نیاز به ساخت یک اپلیکیشن یا وبسایت برای پروژه خود دارند. اگر تیم توسعه در اختیار نباشد، ابزارهای No-Code می‌توانند راه‌گشا باشند.
Builder.ai
سفارش ساخت اپ مثل سفارش پیتزا. شما مشخصات می‌دهید، پلتفرم با AI و توسعه‌دهندگان می‌سازد.
StackBlitz Bolt.new
IDE هوشمند که با چند دستور، برنامه وب کامل فول‌استک (فرانت + بک‌اند) ایجاد می‌کند.
Vercel v0
ابزاری برای توسعه سریع کامپوننت‌های React. شما توضیح می‌دهید، کد تولید می‌شود.
ابزارهای اضافی No-Code
Microsoft Power Apps
ساخت اپلیکیشن‌های ساده فرم-محور برای سازمان‌ها بدون برنامه‌نویسی
Google AppSheet
از Google Sheets یک اپ تحت وب/موبایل با فرم ورود و مشاهده داده می‌سازد
Bubble
پلتفرم تمام‌عیار ساخت وب اپلیکیشن بدون کد با پایگاه‌داده و منطق workflow
مثال کاربردی: سیستم بازخورد دانشجویی
فرض کنید یک عضو هیئت علمی می‌خواهد یک سیستم جمع‌آوری و تحلیل بازخورد ناشناس از دانشجویان راه بیندازد. بدون کمک تیم IT، می‌تواند این کار را انجام دهد:
طراحی صفحه فرم
با Webflow یک صفحه وب خوش‌ظاهر با فرم سوالات بسازید
اتصال به Google Sheets
با Zapier، هر پاسخ فرم را خودکار به Google Sheet اضافه کنید
تحلیل با AI
با Zap دیگر، ChatGPT خلاصه مودبانه/تحلیلی از پاسخ تهیه کند
داشبورد مشاهده
با Google Data Studio، داشبوردی برای مشاهده آمار کلی طراحی کنید
این کار را می‌شود در عرض چند روز انجام داد، در حالی که توسعه سفارشی شاید هفته‌ها وقت بگیرد.
آینده برنامه‌نویسی: کدنویسی به زبان طبیعی
«آیا با وجود این همه ابزار کدنویسی خودکار و بدون کد، آیا لازم است ما و دانشجویان اصلاً برنامه‌نویسی یاد بگیریم؟»
پاسخ کوتاه: بله
ابزارها فوق‌العاده‌اند اما هنوز به سطحی نرسیده‌اند که یک سیستم کاملاً بدون خطا و دقیقاً مطابق خواست ما بسازند. آن‌ها پروسه را سریع می‌کنند، اما یک انسان آگاه نیاز است هدایت کند.
شکل جدید کار
یادگیری اصول برنامه‌نویسی همچنان مفید است. نسل جدید توسعه‌دهندگان بیشتر وقتشان را صرف تعامل با AI می‌کنند تا تایپ کردن کدهای تکراری.
مدل‌های زبانی بزرگ متن‌باز
مدل‌های زبانی بزرگ دیگر منحصر به شرکت‌های بزرگ نیستند. در سال‌های اخیر ده‌ها مدل متن‌باز عرضه شده که پژوهشگران و توسعه‌دهندگان می‌توانند به رایگان از آن‌ها استفاده کنند یا حتی برای کاربردهای خاص خود بازه‌آموزی کنند.
این حرکت به دموکراتیزه شدن هوش مصنوعی کمک کرده و نقش مهمی در پیشرفت جهانی این فناوری داشته است.
LLaMA 2: انقلاب متن‌باز Meta
متا (فیس‌بوک) در ژوئیه ۲۰۲۳ نسخه دوم مدل LLaMA را با مجوز باز منتشر کرد. این مدل در اندازه‌های ۷، ۱۳ و ۷۰ میلیارد پارامتر ارائه شد و نسبت به نسل قبل بهبود یافته است.
LLaMA2 از لحاظ عملکرد روی بسیاری وظایف، با مدل‌های تجاری مقایسه‌پذیر است. در نتیجه خیلی زود انواع مدل‌های گفتگو و تخصصی‌شده بر پایه LLaMA2 منتشر شدند.
70B
بزرگترین نسخه
پارامتر با قدرت بالا
0$
کاملاً رایگان
برای استفاده و تحقیق
Falcon: مدل قدرتمند امارات
Falcon-40B یک مدل ۴۰ میلیارد پارامتری است که توسط مؤسسه فن‌آوری و هوش مصنوعی امارات (TII) در ۲۰۲۳ منتشر شد. این مدل ابتدا در رتبه‌بندی‌ها عملکرد بسیار خوبی داشت و به عنوان یکی از قوی‌ترین مدل‌های متن‌باز شناخته می‌شد.
ویژگی‌های منحصربه‌فرد
  • آموزش روی ۱ تریلیون توکن تمیز
  • عملکرد عالی در داستان‌گویی
  • پرسش و پاسخ دقیق
  • نسخه‌های ۷B و ۴۰B
مجوز استفاده
برای شرکت‌هایی با درآمد زیر ۱ میلیون دلار، کاملاً رایگان و آزاد است. بالاتر از آن نیاز به اخذ مجوز دارد.
سایر مدل‌های متن‌باز مهم
GPT-NeoX-20B
با ۲۰ میلیارد پارامتر از EleutherAI. مدتی قوی‌ترین مدل متن‌باز بود، هرچند اکنون توسط مدل‌های جدیدتر پشت سر گذاشته شده.
BLOOM
مدل عظیم ۱۷۶ میلیارد پارامتری چندزبانه از پروژه BigScience. قابلیت تولید متن به زبان‌های مختلف از جمله فارسی را دارد.
Mistral 7B
مدل فقط ۷ میلیاردی که با شگفتی در بسیاری از بنچمارک‌ها مدل‌های بزرگ‌تر را پشت سر گذاشت. نتیجه تکنیک‌های جدید آموزش.
Vicuna و خانواده مدل‌های مشتق
Vicuna توسط گروهی از دانشگاهی‌ها از روی LLaMA-13B آموزش داده شد. آن‌ها از داده مکالمات کاربران بهره بردند تا LLaMA را به یک مدل چت تبدیل کنند. Vicuna-13B با تنها ۱۳ میلیارد پارامتر به طرز شگفت‌انگیزی توانست کیفیت پاسخ‌دهی نزدیک به ChatGPT-3.5 را ارائه دهد.
Alpaca
مدل تنظیم‌شده روی دستورالعمل‌ها
WizardLM
تخصصی‌شده برای وظایف پیچیده
Koala
بهینه برای مکالمه طبیعی
Camel
مدل مکالمه‌ای چندوظیفه‌ای
Guanaco
بازه‌آموزی‌شده با کیفیت بالا
چرا مدل‌های متن‌باز مهم‌اند؟
کنترل و شفافیت
دسترسی به معماری و وزن‌ها برای بررسی و تغییر. اجرای محلی بدون نگرانی از نشت اطلاعات.
اختصاصی‌سازی
امکان بازه‌آموزی مدل برای کار خاص. ساخت مدل تخصصی در حوزه پزشکی، حقوق یا هر زمینه دیگر.
هزینه کمتر
استفاده با هزینه ثابت (برق/سرور) به جای پرداخت به ازای هر درخواست.
جامعه فعال
بهینه‌سازی، فشرده‌سازی و رابط‌های کاربرپسند توسط هزاران توسعه‌دهنده جهانی.
کاربردهای مدل‌های متن‌باز در پژوهش
چت‌بات دانشگاهی
ساخت چت‌بات داخلی برای پاسخ به سوالات دانشجویان با مدل متن‌باز fine-tune شده روی اطلاعات دانشگاه
تحلیل متن
تحلیل احساسات، دسته‌بندی متن، استخراج اطلاعات از اسناد با مدل‌های ۷B-13B
تولید محتوا
نوشتن پیش‌نویس گزارش یا خلاصه اخبار به صورت آفلاین و ایمن
پردازش فارسی
استفاده از مدل‌های چندزبانه یا fine-tune برای زبان فارسی
چالش‌های استفاده از مدل‌های متن‌باز

نکات مهم
استفاده از مدل‌های متن‌باز برای عموم پژوهشگران هنوز آسان نیست:
  • نیاز به محیط مناسب (اغلب GPU با حافظه کافی)
  • تنظیمات و مهندسی اولیه
  • مسئولیت کاربری اخلاقی کاملاً با استفاده‌کننده
  • دانش مدل‌های open-source معمولاً چندسال قدیمی‌تر از GPT-4
  • نیاز به دانش فنی برای نصب و اجرا
با این وجود، برای کاربردهای تحقیقاتی و آزمایشگاهی، متن‌بازها موهبت بزرگی هستند چون فضای ابتکار و یادگیری را بسیار وسیع کرده‌اند.
درگاه‌های چندمدلی AI: مفهوم و کاربرد
تصور کنید شما یک برنامه ساخته‌اید که گاهی لازم است از GPT-4 استفاده کند، گاهی از Claude Anthropic، و شاید هم از یک مدل متن‌باز روی سرور خودتان. هر کدام API متفاوت و شیوه احراز هویت جدا دارند.
درگاه‌های AI (AI Gateway) برای حل این مشکل طراحی شده‌اند. شما درخواست خود را به یک API واحد می‌فرستید و در هدر مشخص می‌کنید که کدام مدل مقصد است. درگاه خودش درخواست را به آن مدل هدایت می‌کند.
مزایای استفاده از درگاه‌های AI
سادگی توسعه
یک API استاندارد برای دسترسی به طیف وسیعی از مدل‌ها. تغییر مدل فقط با عوض کردن یک پارامتر
بهینه‌سازی هوشمند
مدیریت هزینه، زمان پاسخ، و failover خودکار به مدل جایگزین در صورت خطا
کَش و کاهش تأخیر
ذخیره پاسخ درخواست‌های تکراری برای کاهش هزینه و افزایش سرعت
نظارت متمرکز
مانیتورینگ، لاگینگ و اعمال سیاست‌ها از یک نقطه برای همه مدل‌ها
OpenRouter: پیشگام درگاه‌های چندمدلی
OpenRouter یکی از پیشتازان است که بیش از ۳۰۰ مدل را پشتیبانی می‌کند، از جمله GPTهای OpenAI, Claude, PaLM2, Llama2 و حتی مدل xAI Grok.
OpenRouter در حال حاضر رایگان است و کلیدهای خود را می‌دهد. با این حال برای حجم زیاد استفاده، احتمالاً در آینده مدل درآمدی خواهند داشت یا محدودیت خواهند گذاشت.
300+
مدل پشتیبانی‌شده
از تمام شرکت‌های بزرگ
0$
رایگان در حال حاضر
بدون نیاز به API Key مدل‌ها
Together AI: سرعت و مدل‌های متن‌باز
Together AI یک ارائه‌دهنده مدل‌های AI است که خود نیز هاستینگ مدل‌ها را انجام می‌دهد. یک API واحد ارائه می‌دهد که بیش از ۵۰ مدل متن‌باز را روی سرورهایشان قابل دسترسی می‌کند.
مزیت سرعت
Together ادعا می‌کند با بهینه‌سازی سخت‌افزار، تا زیر ۱۰۰ میلی‌ثانیه پاسخ می‌دهد. بهینه‌سازی‌هایی مثل Quantization و توکن‌کَش را انجام می‌دهد.
قیمت مناسب
از مدل‌های متن‌باز استفاده می‌کند بنابراین اغلب ارزان‌تر از OpenAI قیمت می‌دهد. برای استفاده از مدل‌های سنگین بدون سرور شخصی ایده‌آل است.
Eden AI: تجمیع چندسرویسی
ایدن‌ای‌آی یک تجمیع‌کننده چندسرویسی است که نه تنها LLMها بلکه سرویس‌های بینایی کامپیوتر، OCR، گفتار و ترجمه را هم یکجا ارائه می‌دهد.
مدل‌های زبانی
GPT, Claude, Cohere, AI21
بینایی ماشین
تشخیص تصویر و شیء
OCR
Google, AWS Textract
ترجمه
سرویس‌های مختلف ترجمه
چنین تنوعی برای پروژه‌هایی که با مدیاهای مختلف سر و کار دارند بسیار مفید است.
ShareAI: اشتراک منابع غیرمتمرکز
شیر‌ای‌آی یک پروژه جالب است که مفهوم اشتراک منابع غیرمتمرکز را آورده. افرادی که GPU خالی دارند می‌توانند مدل‌ها را در شبکه ShareAI میزبانی کنند و وقتی درخواست پاسخ می‌دهند ۷۰٪ درآمد دریافت کنند.
همچنین امکان BYOI (Bring Your Own Infrastructure) دارد: شما می‌توانید کلید API شخصی خودتان را به سیستم بدهید تا از کلید خودتان استفاده کند، اما درخواست را از طریق همان API واحد بفرستید.
Kong AI Gateway: راهکار سازمانی
Kong که معروف به Gatewayهای API است، یک محصول متن‌باز/تجاری به نام Kong AI Gateway عرضه کرده. این در اصل یک Middleware سازمانی است که بین اپلیکیشن‌ها و ارائه‌دهندگان AI قرار می‌گیرد.
امنیت سازمانی
Plugin برای SIEM، احراز هویت یکپارچه، کنترل دسترسی و ممیزی
استقرار محلی
امکان نصب on-premise در دیتاسنتر سازمان برای حفظ داده‌های حساس
مقیاس‌پذیری
طراحی برای سازمان‌های بزرگ با حجم بالای درخواست
این برای شرکت‌ها و سازمان‌های دولتی که نگران امنیت و قوانینند، مناسب است.
سرویس‌های تکمیلی: Unify, LiteLLM و Portkey
Unify
تمرکز بر بهینه‌سازی خودکار. داده عملکرد مدل‌ها را جمع می‌کند و تصمیم می‌گیرد کدام مدل برای چه درخواستی بهتر است.
LiteLLM
پروژه متن‌باز که می‌توان روی سرور نصب کرد و به عنوان پراکسی OpenAI عمل می‌کند. امکان تنظیم بودجه و fallback دارد.
Portkey
پلتفرمی برای دسترسی به مدل‌های سنگین خاص با routing policy پیشرفته.
مقایسه درگاه‌ها با استفاده مستقیم از API
مقایسه عملکرد سرویس‌ها
بر اساس بنچمارک‌های ۲۰۲۵، سرویس‌هایی با زیرساخت اختصاصی سریع‌ترین پاسخ‌ها را دارند. این نتایج ممکن است با بهبود سرویس‌ها تغییر کند.
مقایسه مدل‌های مختلف
Claude vs OpenAI
Claude (Anthropic) به داشتن کانتکست طولانی‌تر مشهور است (تا ۱۰۰k tokens). GPT-4 در منطق و کدنویسی بسیار قوی است اما گران‌تر است.
DeepSeek vs Gemini
DeepSeek مدل اختصاصی برای استدلال است. Gemini گوگل احتمالاً روی چندرسانه‌ای و ادغام تصویر-متن ویژگی خواهد داشت.
می‌توان یک پرسش را همزمان به چند مدل فرستاد و نتایج را مقایسه کرد. این با gatewayها بسیار آسان‌تر است.
نکته مهم برای پژوهشگران ایرانی

دسترسی در ایران
با توجه به تحریم‌ها و محدودیت‌ها، سرویس‌های gateway ممکن است دسترسی راحت‌تری در ایران بدهند. مثلاً OpenAI API برای ایران مسدود است ولی شاید OpenRouter هنوز دسترسی داشته باشد.
همچنین در تبدیل دلار به تومان، اگر gateway هزینه ریالی یا تسهیل پرداخت محلی داشته باشد، مفیدتر خواهد بود. البته در حال حاضر بسیاری نیاز به پرداخت ارزی دارند.
توصیه‌های کاربردی انتخاب سرویس
تیم‌های پژوهشی کوچک
OpenRouter یا EdenAI ساده‌ترین راه است تا با کمترین کدنویسی بتوانند مدل‌های مختلف را امتحان کنند
سازمان‌های بزرگ
Kong Gateway یا LiteLLM خودمیزبان جذاب است تا کنترل کامل داشته باشند
جامعه توسعه
ShareAI و TogetherAI روندهای نوظهوری هستند با مفاهیم اجتماعی کردن توان محاسباتی
پروژه‌های یک‌مدلی
اگر فقط به یک مدل نیاز دارید، پیچیدگی gateway شاید اضافه باشد و استفاده مستقیم بهتر است
معرفی تیم بین‌المللی alef.ba
همگام با تحولات جهانی، گروه‌هایی در ایران و منطقه در تلاشند تا بسترهای بومی و بین‌المللی مناسبی برای توسعه هوش مصنوعی فراهم کنند. یکی از این گروه‌ها تیم بین‌المللی توسعه هوش مصنوعی الف‌.با (Alef.ba) است که با شعار «نوآوری بی‌مرز» یک سکوی یکپارچهٔ ابری برای دسترسی به خدمات هوش مصنوعی و ابزارهای توسعه فراهم کرده است.
Alef.ba می‌کوشد مشکل دسترسی نابرابر به فناوری‌های پیشرفته را حل کند و نوآوران را در هر جای دنیا به منابع پیشرفته متصل نماید.
شبکه جهانی alef.ba
Lanza (بلژیک)
برند اروپایی با تمرکز بر ارائه راهکارهای دیجیتال حرفه‌ای و مشاوره تحول دیجیتال
بایا سافت (ایران)
شرکت بانی اندیشه بایا، نماینده تیم در ایران با تمرکز بر توانمندسازی کسب‌وکارها و افراد
دانشگاه توکیو (ژاپن)
شریک دانشگاهی برای تقویت جنبه‌های آکادمیک و پژوهشی پلتفرم
سرویس‌های پلتفرم alef.ba
Dargah.ai
سکوی ادغام مدل‌های یادگیری ماشین برای دسترسی یکپارچه به مدل‌های مختلف
Autocode.click
محیط برخط کدنویسی شبیه Replit برای توسعه سریع برنامه‌ها
Autocast
ابزار پخش خودکار محتوا برای دسترسی گسترده‌تر به اطلاعات
Auto.fund
تأمین مالی هوشمند استارتاپ‌ها با استفاده از تحلیل‌های مبتنی بر AI
Orcest.ai
ارکستریتور عامل‌های زبانی برای هماهنگ‌سازی و مدیریت مدل‌های مختلف
فلسفه alef.ba: دیپلماسی فناوری
از ویژگی‌های بارز Alef.ba توجه به دسترسی جهانی بدون تبعیض جغرافیایی است. این تیم بر ایجاد راه‌حل‌های محلی برای مناطق مختلف تاکید دارد تا حتی کشورهای تحت تحریم یا کمتر توسعه‌یافته نیز از این قافله عقب نمانند.
این فلسفه را خودشان "technology diplomacy" یا دیپلماسی فناوری برای صلح می‌نامند - استفاده از فناوری به عنوان پلی برای ارتباط بین ملت‌ها و فرهنگ‌های مختلف.
راه‌های ارتباط با تیم و مدرس کارگاه
برای کسانی که علاقه‌مندند با این تیم در ارتباط باشند یا از امکانات آن بهره‌مند شوند، راه‌های مختلفی فراهم است:
وب‌سایت رسمی
alef.ba - اطلاعات کامل درباره مأموریت، سرویس‌ها و برنامه‌ها
ایمیل رسمی
danial.samiei@iau.ac.ir - برای مکاتبات مستقیم و رسمی
بازخورد ناشناس
harfbeman.pw/@samiei - برای ارسال پیشنهادات و انتقادات
شبکه‌های اجتماعی و حرفه‌ای
اینستاگرام
@danialsamiei
به‌روزرسانی‌ها، اطلاع‌رسانی رویدادها و نکات آموزشی کوتاه در حوزه مدیریت و فناوری
لینکدین
danialsamiei
ارتباطات حرفه‌ای، شبکه‌سازی دانشگاهی-صنعتی و پیشنهادات همکاری
جمع‌بندی کارگاه: نکات کلیدی
هوش مصنوعی ابزار است، نه جایگزین
AI دستیار توانمند پژوهشگر است. جوهره پژوهش – کنجکاوی، خلاقیت، و تفکر نقادانه – همچنان از ذهن انسان سرچشمه می‌گیرد
مهارت پرامپت‌نویسی ضروری است
مهندسی پرامپت مهارتی کلیدی است که کیفیت خروجی را تعیین می‌کند. با تمرین و آزمایش بهبود می‌یابد
ابزار مناسب برای کار مناسب
برای هر مرحله پژوهش، ابزار تخصصی وجود دارد. شناخت و انتخاب درست، کلید موفقیت است
به‌روز ماندن مهم است
مدل‌ها و ابزارهای جدید ماه‌به‌ماه ظهور می‌کنند. دنبال کردن پیشرفت‌ها ضروری است
توصیه‌های عملی برای پژوهشگران
شروع کنید
با ابزارهای رایگان شروع کنید: ChatGPT، Elicit، SciSpace. تجربه کسب کنید و نیازهای خود را بشناسید.
ترکیب هوشمندانه
از چند ابزار به صورت ترکیبی استفاده کنید. مثلاً با ChatGPT ایده‌پردازی کنید، با Elicit منابع بیابید، با SciSpace عمیق بخوانید.
همیشه اعتبارسنجی کنید
هرگز به خروجی AI اعتماد کور نکنید. همیشه منابع را بررسی و تفکر انتقادی داشته باشید.
چشم‌انداز آینده
انقلاب هوش مصنوعی تازه آغاز شده است. در سال‌های آینده، این ابزارها قدرتمندتر، دقیق‌تر و در دسترس‌تر خواهند شد. پژوهشگرانی که امروز این مهارت‌ها را فرا می‌گیرند، در آینده پیشگامان علم خواهند بود.
1
2
3
4
1
دانش فناوری
شناخت ابزارها
2
مهارت تعامل
پرامپت‌نویسی و استفاده مؤثر
3
تفکر انتقادی
ارزیابی و اعتبارسنجی
4
خلاقیت انسانی
ایده‌پردازی و نوآوری
با تشکر از توجه شما
راه‌های ارتباط با سخنران
دانیال سمیعی
استادیار گروه مدیریت
دانشگاه آزاد اسلامی واحد قزوین

🌐 وب‌سایت: danial.ai
📧 ایمیل: danial.samiei@iau.ac.ir
💬 بازخورد: harfbeman.pw/@samiei
شبکه‌های اجتماعی
📱 اینستاگرام: @danialsamiei
💼 لینکدین: danialsamiei

تیم alef.ba
🌐 وب‌سایت: alef.ba
امید است این کارگاه دید وسیع‌تر و ایده‌های تازه‌ای برای استفاده از ابزارهای هوش مصنوعی در مسیر علمی شما ایجاد کرده باشد. مشتاق دریافت بازخوردها و ادامه این گفتگو در فضای همکاری علمی هستیم.
برای همگی شما آرزوی موفقیت و پیشرفت روزافزون در مسیر پژوهش داریم. 🔬🤖🚀