مسلط شدن در کار با هوش مصنوعی (AI Fluency)، داکیومنت‌های رسمی آنتروپیک

فصل اول: ورود به دنیای تسلط بر هوش مصنوعی

سلام به همگی! به این دوره خوش اومدین. اگه اینجا هستین، احتمالا شما هم مثل خیلی‌های دیگه، کنجکاوین که بدونین داستان این هوش مصنوعی که این روزها همه جا حرفش هست، دقیقا چیه و چطور می‌شه ازش به بهترین شکل استفاده کرد. شاید فکر کنین این دوره هم قراره کلی اصطلاح فنی و پیچیده رو بهتون یاد بده، اما خبر خوب اینه که هدف ما اینجا یه چیز دیگه‌ست. ما نمی‌خوایم فقط در مورد تکنولوژی هوش مصنوعی حرف بزنیم؛ ما می‌خوایم یاد بگیریم چطور می‌شه با هوش مصنوعی یک همکاری معنادار و موثر داشت.

فکرش رو بکنین، این دوره مثل یادگرفتن یه زبان جدیده. شما فقط کلمات رو حفظ نمی‌کنین، بلکه یاد می‌گیرین چطور با اون زبان فکر کنین، ارتباط برقرار کنین و کارهای خلاقانه انجام بدین. هدف ما هم همینه. ما می‌خوایم یک چارچوب و یک سری اصول پایدار برای کار با سیستم‌های هوش مصنوعی بسازیم. این چارچوب چیزی فراتر از چند تا ترفند ساده و موقتیه که شاید امروز جواب بدن ولی فردا با آپدیت شدن تکنولوژی، از کار بیفتن. ما دنبال مهارت‌هایی هستیم که با پیشرفت هوش مصنوعی، همچنان کاربردی و مرتبط باقی بمونن.

خب، حالا این «روان بودن در هوش مصنوعی» یا AI Fluency که ما ازش حرف می‌زنیم، یعنی چی؟ به زبان ساده، یعنی شما توانایی این رو داشته باشین که با سیستم‌های هوش مصنوعی به شکلی همکاری کنین که هم موثر باشه (یعنی به نتیجه دلخواه برسین)، هم بهینه (یعنی در زمان و انرژی صرفه‌جویی کنین)، هم اخلاقی (یعنی کارتون درست و مسئولانه باشه) و هم امن (یعنی حواستون به مسائل امنیتی باشه). این چهار کلمه، ستون‌های اصلی چیزی هستن که ما بهش می‌گیم تسلط بر هوش مصنوعی.

ساختار این دوره چطوریه؟ ما قراره هر کدوم از صلاحیت‌های اصلی AI Fluency رو که بهشون می‌گیم «4D» و جلوتر باهاشون آشنا می‌شیم، به همراه مفاهیم کلیدی فنی و عملی، قدم به قدم بررسی کنیم. در پایان این دوره، شما به یک چارچوب مشخص برای تعامل فکورانه با هوش مصنوعی می‌رسین. اعتماد به نفس لازم برای اینکه تصمیم بگیرین کی و چطور از هوش مصنوعی به شکل موثر استفاده کنین رو به دست میارین. مهارت‌های عملی همکاری با این سیستم‌ها رو یاد می‌گیرین و از همه مهم‌تر، توانایی این رو پیدا می‌کنین که کارهایی که با کمک هوش مصنوعی انجام دادین رو به شکل مسئولانه ارزیابی کنین و به اشتراک بذارین.

نکات کلیدی که از این بخش باید بدونیم

برای اینکه یک جمع‌بندی سریع از حرف‌هایی که تا الان زدیم داشته باشیم، این چند تا نکته رو به خاطر بسپارین:

• تمرکز این دوره روی همکاری انسان و هوش مصنوعیه، نه فقط درک تکنولوژی هوش مصنوعی. ما نمی‌خوایم شما رو به یک مهندس هوش مصنوعی تبدیل کنیم، بلکه می‌خوایم بهتون یاد بدیم چطور به عنوان یک کاربر حرفه‌ای، با این تکنولوژی همکاری کنین.
• روان بودن در هوش مصنوعی (AI Fluency) یعنی تعامل موثر، بهینه، اخلاقی و امن با سیستم‌های هوش مصنوعی. این چهار اصل رو همیشه گوشه ذهنتون داشته باشین.
• چارچوب AI Fluency روی چهار صلاحیت اصلی یا همون «4D» متمرکزه: Delegation (واگذاری)، Description (توصیف)، Discernment (تشخیص) و Diligence (جدیت و مسئولیت‌پذیری). نگران این اسم‌ها نباشین، جلوتر هر کدوم رو کامل باز می‌کنیم.
• هدف اینه که شما مهارت‌های پایداری رو یاد بگیرین که با تکامل تکنولوژی هوش مصنوعی، همچنان مرتبط و کاربردی باقی بمونن. ما به شما ماهیگیری یاد می‌دیم، نه اینکه فقط ماهی دستتون بدیم.
• همکاری موثر با هوش مصنوعی هم به مهارت‌های عملی نیاز داره و هم به یک تغییر بنیادین در طرز فکر ما در مورد نحوه کار کردن. باید دیدگاهمون رو از اینکه هوش مصنوعی فقط یک ابزار ساده‌ست، به این تغییر بدیم که می‌تونه یک همکار فکری باشه.

وقت تمرینه: دست به کار بشیم!

تئوری کافیه، وقتشه کمی عملی کار کنیم. برای تمرین‌های این دوره، شما به دسترسی به یک مدل زبان (Language Model) نیاز دارین. کل این تمرین شاید حدود ۵ تا ۱۰ دقیقه از وقتتون رو بگیره.

در طول این دوره، شما قراره چیزهایی که یاد می‌گیرین رو مستقیما با کار کردن با یک مدل زبان تمرین کنین. با اینکه مثال‌های ما با استفاده از Claude (دستیار هوش مصنوعی شرکت Anthropic) هست، شما می‌تونین از هر مدل زبان دیگه‌ای که دوست دارین استفاده کنین. اصولی که ما بررسی می‌کنیم، برای همه سیستم‌های هوش مصنوعی مختلف کاربرد داره.

شروع کار ساده و رایگانه:

• برای استفاده از Claude: می‌تونین به سایت claude.ai برین و یک حساب کاربری رایگان بسازین.
• برای انجام فعالیت‌های این دوره، به هیچ اشتراک پولی نیاز ندارین.
• همچنین می‌تونین از چت‌بات‌های هوش مصنوعی دیگه هم استفاده کنین.

تازه با Claude آشنا شدین؟ اصلا نگران نباشین! ما با هر تمرین، راهنمایی‌های واضحی رو ارائه می‌دیم تا بهتون کمک کنیم راحت شروع کنین.

کمی تامل کنیم

قبل از اینکه بریم سراغ بخش بعدی، یک لحظه وقت بذارین و به تجربیات خودتون با هوش مصنوعی فکر کنین:

• وقتی سعی کردین با هوش مصنوعی به یک نتیجه مشخص برسین، با چه چالش‌هایی روبرو شدین؟
• چه فرصت‌ها و امکاناتی برای همکاری با هوش مصنوعی بیشتر از همه شما رو هیجان‌زده می‌کنه؟
• امیدوارین از این دوره چه چیزهایی به دست بیارین؟

فکر کردن به این سوال‌ها بهتون کمک می‌کنه با دید بازتری مسیر یادگیری رو ادامه بدین.

منابع این درس

ما برای شما یک راهنمای واژگان AI Fluency آماده کردیم. این یک مرجع برای اصطلاحات کلیدی هست که در طول دوره باهاشون برخورد می‌کنین و همه چیز به زبان ساده نوشته شده. لازم نیست چیزی رو حفظ کنین، فقط هر وقت نیاز داشتین بهش مراجعه کنین.

یک نکته حرفه‌ای: شما می‌تونین این فایل و بقیه مطالب دوره رو با Claude به اشتراک بذارین تا در مورد مفاهیم خاص ازش کمک بگیرین و بیشتر در موردشون یاد بگیرین.

در قدم بعدی چه خبره؟

تو درس بعدی، قراره عمیق‌تر بررسی کنیم که چرا روان بودن در هوش مصنوعی یا همون AI Fluency تو چشم‌انداز تکنولوژی امروز که به سرعت در حال تغییره، اینقدر اهمیت داره. ما سه روش کلیدی که آدما با هوش مصنوعی همکاری می‌کنن رو معرفی می‌کنیم (Automation، Augmentation و Agency) و با صلاحیت‌های اصلی چارچوب AI Fluency یعنی همون «4D» بیشتر آشنا می‌شیم: Delegation (واگذاری)، Description (توصیف)، Discernment (تشخیص) و Diligence (جدیت).

یادداشت مهم: این دوره بر اساس چارچوب AI Fluency توسط Rick Dakan و Joseph Feller ساخته شده. حق نشر اون برای سال ۲۰۲۵ متعلق به Rick Dakan، Joseph Feller و Anthropic هست و تحت مجوز CC BY-NC-SA 4.0 منتشر شده. این دوره همچنین تا حدی توسط سازمان آموزش عالی ایرلند (Higher Education Authority, Ireland) از طریق انجمن ملی برای ارتقای تدریس و یادگیری (National Forum for the Enhancement of Teaching and Learning) حمایت شده. ما دوست داریم نظرات شما رو در مورد این دوره بدونیم و بفهمیم چطور از مفاهیم اون تو زندگی، کار یا کلاس‌هاتون استفاده می‌کنین. می‌تونین نظراتتون رو با ما به اشتراک بذارین. بعد از تموم کردن دوره هم، این فرصت رو دارین که تو یک ارزیابی نهایی شرکت کنین و گواهی پایان دوره بگیرین.

---

فصل دوم: چرا به تسلط بر هوش مصنوعی نیاز داریم و چارچوب «4D» چیست؟

خب، تو فصل قبل یه مقدمه کلی داشتیم و فهمیدیم که هدفمون از این دوره چیه. حالا می‌خوایم دقیق‌تر بشیم و ببینیم اصلا چرا این «روان بودن در هوش مصنوعی» یا AI Fluency اینقدر مهمه و قراره چه کمکی به ما بکنه. دنیای تکنولوژی با سرعت سرسام‌آوری در حال پیشرفته و هوش مصنوعی دیگه یه موضوع فانتزی برای فیلم‌های علمی-تخیلی نیست، بلکه ابزاریه که هر روز بیشتر و بیشتر وارد زندگی و کار ما می‌شه. پس یاد گرفتن نحوه تعامل درست باهاش، دیگه یک انتخاب نیست، یک ضرورته.

مدت زمان تخمینی برای این فصل: ۲۵ تا ۳۵ دقیقه

اهداف یادگیری این فصل:

• می‌فهمین که AI Fluency دقیقا یعنی چی و چرا تو دنیای امروز اینقدر اهمیت داره.
• با سه روش نوظهور همکاری ما با هوش مصنوعی آشنا می‌شین: Automation (اتوماسیون)، Augmentation (تقویت) و Agency (نمایندگی).
• با چارچوب AI Fluency و چهار صلاحیت اصلی اون یعنی «4D» بیشتر آشنا می‌شین: Delegation (واگذاری)، Description (توصیف)، Discernment (تشخیص) و Diligence (جدیت).

چرا ما به AI Fluency نیاز داریم؟

برای درک بهتر این موضوع، یک ویدیوی ۶ دقیقه‌ای تو دوره اصلی وجود داره که توضیح می‌ده «روان بودن» با هوش مصنوعی واقعا چه معنایی داره. این فقط به معنی بلد بودن استفاده از ابزار نیست. AI Fluency شامل توسعه مهارت‌های عملی، دانش، بینش و ارزش‌هاییه که به شما کمک می‌کنه با سیستم‌های هوش مصنوعی به شکلی تعامل کنین که موثر، بهینه، اخلاقی و امن باشه. این همون چهار ستونیه که تو فصل قبل در موردش صحبت کردیم.

حالا بیاین سه روش اصلی تعامل آدما با هوش مصنوعی رو بررسی کنیم:

1. Automation (اتوماسیون): این ساده‌ترین و شاید شناخته‌شده‌ترین روشه. تو این حالت، شما یک سری دستورالعمل‌های مشخص به هوش مصنوعی می‌دین و اون یک کار خاص رو براتون انجام می‌ده. مثلا بهش می‌گین: «این متن رو از فارسی به انگلیسی ترجمه کن» یا «یه خلاصه از این مقاله بنویس». اینجا هوش مصنوعی مثل یک کارمنده که دقیقا کاری که ازش خواستین رو انجام می‌‌ده.
2. Augmentation (تقویت): اینجا داستان کمی فرق می‌کنه و همکاری عمیق‌تر می‌شه. تو این حالت، شما و هوش مصنوعی مثل دو تا شریک با هم کار می‌کنین. شما با هم فکر می‌کنین، ایده‌پردازی می‌کنین و کارها رو با هم پیش می‌برین. مثلا شما دارین روی یک ایده خلاقانه برای یک کمپین تبلیغاتی کار می‌کنین. از هوش مصنوعی می‌خواین چند تا ایده اولیه بهتون بده، بعد شما اون ایده‌ها رو پرورش می‌دین، ازش می‌خواین ایده‌های شما رو نقد کنه و این فرآیند رفت و برگشتی ادامه پیدا می‌کنه. اینجا هوش مصنوعی دیگه فقط یک مجری دستور نیست، بلکه یک شریک فکری و خلاق شماست.
3. Agency (نمایندگی): این پیشرفته‌ترین سطح همکاریه. تو این حالت، شما هوش مصنوعی رو طوری تنظیم می‌کنین که به نمایندگی از شما به صورت مستقل کار کنه. شما دیگه بهش وظایف مشخص و تکی نمی‌دین، بلکه الگوهای دانش و رفتار اون رو شکل می‌دین. مثلا یک دستیار هوش مصنوعی رو طوری تنظیم می‌کنین که ایمیل‌های شما رو مدیریت کنه، اونهایی که مهم هستن رو اولویت‌بندی کنه و حتی به بعضی از اونها به صورت خودکار جواب بده، اون هم بر اساس شناختی که از شما و سبک کاریتون پیدا کرده. اینجا شما به جای مدیریت وظایف، دارین خود نماینده هوشمند رو مدیریت می‌کنین.

معرفی چارچوب 4D

حالا که با روش‌های مختلف همکاری آشنا شدیم، وقتشه بریم سراغ قلب ماجرا، یعنی چارچوب 4D. این چارچوب از چهار صلاحیت اصلی تشکیل شده که مثل چهار تا پایه، مهارت شما رو در کار با هوش مصنوعی شکل می‌دن. یک ویدیوی ۵ دقیقه‌ای هم تو دوره اصلی به معرفی این چهار صلاحیت اختصاص داده شده. این چهار صلاحیت عبارتند از:

• Delegation (واگذاری): این صلاحیت یعنی شما به صورت فکورانه و هوشمندانه تصمیم بگیرین که چه کاری رو خودتون انجام بدین و چه کاری رو به هوش مصنوعی بسپارین. این اولین و مهم‌ترین قدمه. قرار نیست همه کارها رو به هوش مصنوعی بدیم. هنر اینه که بدونیم کجا هوش مصنوعی می‌تونه کمک کنه و کجا حضور و تخصص انسانی ما ضروریه.
• Description (توصیف): این صلاحیت یعنی بلد باشیم به صورت واضح و شفاف با سیستم‌های هوش مصنوعی ارتباط برقرار کنیم. هوش مصنوعی ذهن ما رو نمی‌خونه. هر چقدر ما بتونیم خواسته‌هامون، هدفمون و معیارهامون رو بهتر توصیف کنیم، نتیجه بهتری هم می‌گیریم.
• Discernment (تشخیص): این صلاحیت یعنی توانایی ارزیابی خروجی‌ها و رفتار هوش مصنوعی با یک نگاه منتقدانه. هوش مصنوعی ممکنه اشتباه کنه یا محتوای نامناسب تولید کنه. ما باید این توانایی رو داشته باشیم که مثل یک ویراستار حرفه‌ای، خروجی رو بررسی کنیم، صحت اون رو بسنجیم و تصمیم بگیریم کدوم بخش‌ها قابل استفاده هستن.
• Diligence (جدیت و مسئولیت‌پذیری): این صلاحیت یعنی مطمئن بشیم که تعامل ما با هوش مصنوعی به صورت مسئولانه انجام می‌شه. این شامل شفافیت در مورد استفاده از هوش مصنوعی، رعایت مسائل اخلاقی و پذیرفتن مسئولیت نهایی کار می‌شه.

نکته مهم اینه که این چهار صلاحیت در تمام اون سه روش همکاری (اتوماسیون، تقویت و نمایندگی) کاربرد دارن و به هم مرتبط هستن. یاد گرفتن این مهارت‌ها شما رو برای هر تغییری که در آینده در دنیای هوش مصنوعی اتفاق بیفته، آماده می‌کنه.

نکات کلیدی این فصل

• AI Fluency یعنی تعامل موثر، بهینه، اخلاقی و امن با هوش مصنوعی.
• ما به سه روش اصلی با هوش مصنوعی تعامل می‌کنیم: اتوماسیون (اجرای دستورات مشخص)، تقویت (همکاری خلاقانه) و نمایندگی (کار مستقل به نیابت از ما).
• چارچوب AI Fluency از چهار صلاحیت اصلی (4D) تشکیل شده: واگذاری، توصیف، تشخیص و جدیت.
• این صلاحیت‌ها در تمام روش‌های کار با هوش مصنوعی کاربرد دارن و شما رو برای آینده این تکنولوژی آماده می‌کنن.

تمرین‌های عملی این فصل

حالا وقتشه این مفاهیم رو تو عمل امتحان کنیم.

تمرین ۱: چارچوب 4D رو به کار ببرین (زمان تخمینی: ۵ دقیقه)

یکی از سناریوهای همکاری زیر رو انتخاب کنین و فکر کنین چطور می‌تونین چارچوب 4D رو در موردش به کار ببرین:

• پروژه ارتباطی: شما دارین با یک دستیار هوش مصنوعی کار می‌کنین تا یک سری ایمیل برای یک کمپین بازاریابی بنویسین.
  • واگذاری: چه جنبه‌هایی از این پروژه رو خودتون انجام می‌دین و برای چه بخش‌هایی با هوش مصنوعی همکاری می‌کنین؟
  • توصیف: چطور دیدگاه خودتون در مورد لحن، هدف و معیارهای موفقیت کمپین رو به هوش مصنوعی منتقل می‌کنین؟
  • تشخیص: با چه معیارهایی ارزیابی می‌کنین که آیا ایمیل‌های نوشته شده توسط هوش مصنوعی نیاز شما رو برآورده می‌کنن یا نه؟
  • جدیت: چه ملاحظاتی در مورد شفافیت و مسئولیت‌پذیری اینجا مهمه؟
• پروژه تحقیقاتی: شما دارین از هوش مصنوعی برای تحلیل یک مجموعه داده بزرگ برای یک مقاله پژوهشی استفاده می‌کنین.
  • واگذاری: چطور کار تحلیلی رو بین خودتون و هوش مصنوعی تقسیم می‌کنین؟
  • توصیف: هوش مصنوعی به چه زمینه‌ای از سوال تحقیق شما نیاز داره تا بتونه سهم خودش از کار رو خوب انجام بده؟
  • تشخیص: چطور تحلیل هوش مصنوعی رو از نظر دقت و صحت تایید می‌کنین؟
  • جدیت: موقع انتشار یک تحقیق که با کمک هوش مصنوعی انجام شده، چه ملاحظات اخلاقی‌ای ممکنه پیش بیاد؟
• پروژه خلاقانه: شما دارین با هوش مصنوعی برای توسعه کانسپت شخصیت‌های یک داستان همکاری می‌کنین.
  • واگذاری: چه عناصر خلاقانه‌ای رو می‌خواین از طریق همکاری با هوش مصنوعی کشف کنین و کدوم‌ها رو به صورت مستقل توسعه می‌دین؟
  • توصیف: چطور ممکنه هوش مصنوعی رو راهنمایی کنین تا شخصیت‌هایی تولید کنه که با دنیای داستان شما جور دربیان؟
  • تشخیص: چطور تصمیم می‌گیرین کدوم عناصر پیشنهادی هوش مصنوعی رو نگه دارین، تغییر بدین یا حذف کنین؟
  • جدیت: چطور سهم هوش مصنوعی در کار خلاقانه خودتون رو اعلام می‌کنین؟

تمرین ۲: در مورد چیزی که دوست دارین صحبت کنین (زمان تخمینی: ۵ تا ۱۰ دقیقه)

۵ تا ۱۰ دقیقه با Claude در مورد موضوعی که بهش علاقه دارین و خوب می‌شناسینش، چت کنین. ما تو تمرین‌های بعدی هم از Claude استفاده می‌کنیم، ولی شما می‌تونین این تمرین‌ها رو با هوش مصنوعی دیگه‌ای هم انجام بدین. حتی شاید جالب باشه که تمرین‌های این دوره رو با چند تا دستیار هوش مصنوعی مختلف امتحان کنین تا تفاوت‌هاشون رو حس کنین.

• دستورالعمل:
  • یک موضوع که خوب می‌شناسین و از صحبت کردن در موردش لذت می‌برین رو انتخاب کنین، مثلا یک سرگرمی، علاقه شغلی، کتاب مورد علاقه و غیره.
  • یک گفتگوی طبیعی با Claude در مورد این موضوع داشته باشین، انگار دارین با کسی که علایق مشترکی با شما داره حرف می‌زنین.
  • سعی کنین به لحظاتی توجه کنین که:
    • Claude فکر کردن شما رو تقویت می‌کنه.
    • شما نیاز پیدا می‌کنین که درک Claude رو تصحیح یا شفاف‌سازی کنین.
    • تخصص شما باعث می‌شه که پاسخ‌های Claude رو ارزیابی کنین.

تمرین ۳: یک چیز جدید یاد بگیرین (زمان تخمینی: ۵ تا ۱۰ دقیقه)

۵ تا ۱۰ دقیقه از Claude بخواین که در مورد موضوعی که باهاش آشنا نیستین ولی بهش علاقه دارین، بهتون آموزش بده. ببینین این تجربه چقدر با گفتگوی قبلی در مورد چیزی که دوست داشتین و خوب می‌شناختینش، متفاوته.

• دستورالعمل:
  • یک موضوع که دوست دارین در موردش بیشتر یاد بگیرین رو انتخاب کنین.
  • با Claude وارد یک گفتگو بشین تا بهتون کمک کنه اصول اولیه اون موضوع رو بفهمین. نگران این نباشین که «درست» یا «غلط» سوال بپرسین. فقط ازش بخواین بهتون یاد بده.
  • سعی کنین به لحظاتی توجه کنین که Claude:
    • توضیحات مفیدی ارائه می‌ده.
    • مثال‌هایی می‌زنه که ایده‌های انتزاعی رو ملموس می‌کنه.
    • به سوال‌های شما به صورت طبیعی جواب می‌ده.
    • چیزهایی رو توضیح می‌ده که شما دوست دارین صحت توضیحاتش رو جای دیگه‌ای هم چک کنین.

تامل نهایی

قبل از رفتن به فصل بعد، به این سوال‌ها فکر کنین:

• در کدوم یکی از 4Dها (واگذاری، توصیف، تشخیص، جدیت) همین الان هم احساس اعتماد به نفس بیشتری می‌کنین؟ کدوم یکی ممکنه به توسعه بیشتری نیاز داشته باشه؟
• می‌تونین یک تعامل اخیرتون با هوش مصنوعی رو به یاد بیارین که این چارچوب می‌تونست بهتون کمک کنه؟
• چه مهارت‌های مشخصی از چارچوب 4D می‌تونه کار یا پروژه‌های شخصی شما رو بیشتر از همه تقویت کنه؟

منابع این فصل

برای شما خلاصه‌هایی از چارچوب AI Fluency در سایزهای مختلف (۸.۵x۱۱ و ۱۶x۹) آماده شده که می‌تونین به عنوان یک مرجع بصری سریع ازشون استفاده کنین یا حتی چاپشون کنین. یک خلاصه کاربردی از مفاهیم کلیدی چارچوب هم موجوده.

در قدم بعدی چه خبره؟

درس بعدی، «شیرجه عمیق ۱: هوش مصنوعی مولد چیست؟»، یک درس فنی دو قسمتیه که کارکردهای بنیادین هوش مصنوعی مدرن رو توضیح می‌ده، اینکه چطور با تکنولوژی‌های قبلی فرق می‌کنه و قابلیت‌ها و محدودیت‌های فعلیش چیه. این دانش، زمینه ارزشمندی رو برای درک بهتر 4Dها فراهم می‌کنه و به خصوص صلاحیت واگذاری (Delegation) شما رو تقویت می‌کنه.

یادداشت مهم: این بخش از دوره هم بر اساس کار Rick Dakan و Joseph Feller و با حمایت Anthropic و سازمان آموزش عالی ایرلند تهیه شده و تحت مجوز CC BY-NC-SA 4.0 منتشر شده است. باز هم منتظر شنیدن نظرات شما هستیم.

---

فصل سوم: شیرجه عمیق در دنیای هوش مصنوعی مولد

خب تا اینجا با کلیات و اهمیت AI Fluency آشنا شدیم. حالا وقتشه کمی فنی‌تر بشیم و ببینیم این هوش مصنوعی که داریم در موردش حرف می‌زنیم، دقیقا چیه. به خصوص، می‌خوایم روی نوع خاصی از هوش مصنوعی به اسم هوش مصنوعی مولد (Generative AI) تمرکز کنیم که مدل‌هایی مثل Claude جزو اون هستن. فهمیدن اینکه این تکنولوژی چطور کار می‌کنه، به ما کمک می‌کنه که با دید بازتری باهاش تعامل کنیم و بهتر بتونیم از قابلیت‌هاش استفاده کنیم و از محدودیت‌هاش آگاه باشیم.

مدت زمان تخمینی برای این فصل: ۱۰ تا ۱۵ دقیقه

اهداف یادگیری این فصل:

• یاد می‌گیرین هوش مصنوعی مولد رو تعریف کنین و بفهمین چه فرقی با انواع دیگه هوش مصنوعی داره.
• ویژگی‌های کلیدی و پایه‌های تکنولوژیکی هوش مصنوعی مولد رو می‌شناسین.
• قابلیت‌ها و محدودیت‌های اصلی هوش مصنوعی مولد امروزی رو شناسایی می‌کنین.

اصول بنیادین هوش مصنوعی مولد

تو دوره اصلی، یک ویدیوی ۶ دقیقه‌ای به این موضوع اختصاص داده شده. مفهوم اصلی هوش مصنوعی مولد، همونطور که از اسمش پیداست، توانایی تولید یا خلق محتوای جدیده، نه فقط تحلیل چیزهایی که از قبل وجود دارن. این محتوای جدید می‌تونه متن، تصویر، کد برنامه‌نویسی، موسیقی و خیلی چیزهای دیگه باشه.

حالا سوال اینه که این سیستم‌ها، مثل مدل‌های زبان بزرگ (Large Language Models یا LLMها) مثل Claude، واقعا چطور کار می‌کنن؟ این‌ها نتیجه یک سفر تکنولوژیک طولانی هستن که سه تا پیشرفت کلیدی اون رو ممکن کرده:

1. پیشرفت‌های الگوریتمی و معماری: مهم‌ترین اونها، معماری‌ای به اسم ترنسفورمر (Transformer) هست. این معماری به مدل‌ها اجازه می‌ده که روابط و وابستگی‌های بین کلمات در یک متن طولانی رو خیلی بهتر بفهمن و به همین خاطر، متون منسجم و معناداری تولید کنن.
2. حجم عظیم داده‌های آموزشی دیجیتال: این مدل‌ها روی حجم فوق‌العاده زیادی از داده‌ها (مثلا بخش بزرگی از اینترنت) آموزش می‌بینن. اونها با تحلیل میلیاردها مثال از متن و کد، الگوهای زبانی، ساختارها و روابط بین مفاهیم رو یاد می‌گیرن.
3. افزایش چشمگیر قدرت محاسباتی: آموزش چنین مدل‌های بزرگی، به قدرت پردازشی فوق‌العاده زیادی نیاز داره که در سال‌های اخیر به لطف پیشرفت در سخت‌افزارها (مثل GPUها) ممکن شده.

فرآیند یادگیری این سیستم‌ها معمولا دو مرحله داره:

• پیش‌آموزش (Pre-training): این مرحله اصلی یادگیریه. مدل روی اون حجم عظیم داده رها می‌شه و وظیفه‌ش اینه که الگوها رو یاد بگیره. مثلا یاد می‌گیره با دیدن چند کلمه اول یک جمله، کلمه بعدی رو پیش‌بینی کنه. این کار رو میلیاردها بار تکرار می‌کنه و به تدریج درک عمیقی از زبان پیدا می‌کنه.
• تنظیم دقیق (Fine-tuning): بعد از پیش‌آموزش، مدل مثل یک دانش‌آموز باهوشه که کلی اطلاعات عمومی داره ولی هنوز بلد نیست چطور به سوالات مشخص جواب بده یا دستورالعمل‌ها رو دنبال کنه. تو این مرحله، با استفاده از مجموعه‌های داده کوچک‌تر و باکیفیت‌تر، به مدل یاد می‌دن که چطور مکالمه کنه، دستورات رو بفهمه و پاسخ‌های مفید و بی‌خطر ارائه بده.

مفاهیم دیگه‌ای مثل پنجره زمینه (Context Window) هم اینجا مهمن. پنجره زمینه یعنی مقدار اطلاعاتی که مدل می‌تونه در یک لحظه به خاطر بسپاره. هرچی این پنجره بزرگ‌تر باشه، مدل می‌تونه مکالمات طولانی‌تری رو دنبال کنه و اطلاعات بیشتری رو از ورودی شما در نظر بگیره. همچنین، این مدل‌ها قابلیت‌های نوظهور (Emergent Capabilities) دارن. یعنی توانایی‌هایی که به صورت مستقیم بهشون آموزش داده نشده، ولی در نتیجه بزرگ شدن مدل و حجم داده‌ها، به صورت خود به خودی در اونها ظاهر می‌شه، مثل توانایی استدلال ساده یا ترجمه زبان.

قابلیت‌ها و محدودیت‌ها

یک ویدیوی ۷ دقیقه‌ای دیگه در دوره اصلی، به این می‌پردازه که هوش مصنوعی مولد در حال حاضر چه کارهایی رو می‌تونه به خوبی انجام بده و در چه زمینه‌هایی ضعف داره.

قابلیت‌های فعلی:

• تطبیق‌پذیری (Versatility): این مدل‌ها در انجام طیف وسیعی از وظایف زبانی، از نوشتن ایمیل و خلاصه کردن متن گرفته تا کدنویسی و ایده‌پردازی، بسیار توانمند هستن.
• آگاهی از مکالمه (Conversational Flow): می‌تونن جریان یک گفتگو رو حفظ کنن، به سوالات قبلی شما ارجاع بدن و یک مکالمه طبیعی رو شبیه‌سازی کنن.
• جابجایی بین وظایف: می‌تونن بدون نیاز به آموزش اضافی، بین وظایف مختلف جابجا بشن. مثلا در یک گفتگو، هم یک قطعه کد بنویسن و هم یک شعر بگن.
• اتصال به ابزارهای خارجی: قابلیت اتصال به ابزارها و APIهای دیگه رو دارن که بهشون اجازه می‌ده به اطلاعات جدید دسترسی پیدا کنن یا کارهای پیچیده‌تری انجام بدن.

محدودیت‌های فعلی:

• تاریخ قطعی دانش (Knowledge Cutoff Dates): دانش این مدل‌ها به داده‌هایی که روی اونها آموزش دیدن محدوده و معمولا یک تاریخ قطعی داره. اونها از اتفاقات بعد از اون تاریخ خبر ندارن، مگر اینکه به ابزارهای جستجوی زنده متصل باشن.
• توهم یا هذیان‌گویی (Hallucinations): این یکی از بزرگ‌ترین چالش‌هاست. مدل‌ها ممکنه اطلاعاتی رو با اطمینان کامل ارائه بدن که از نظر واقعی کاملا غلط یا ساختگی هستن. این اتفاق به این دلیله که اونها برای تولید متن محتمل طراحی شدن، نه لزوما متن واقعی.
• محدودیت‌های پنجره زمینه (Context Window Constraints): با اینکه پنجره زمینه روز به روز بزرگ‌تر می‌شه، اما هنوزم محدوده. در مکالمات خیلی طولانی، مدل ممکنه اطلاعات ابتدای گفتگو رو فراموش کنه.
• چالش‌های استدلال (Reasoning Challenges): با اینکه در استدلال‌های ساده پیشرفت کردن، اما در استدلال‌های پیچیده، چند مرحله‌ای یا انتزاعی، هنوز هم ممکنه دچار اشتباه بشن.

نکته مهم اینه که این حوزه با سرعت زیادی در حال تکامله. موثرترین کاربردها در حال حاضر، اونهایی هستن که نقاط قوت مکمل انسان و هوش مصنوعی رو با هم ترکیب می‌کنن. انسان‌ها با تفکر انتقادی، قضاوت، خلاقیت و نظارت اخلاقی وارد می‌شن و هوش مصنوعی با سرعت، دسترسی به اطلاعات و توانایی پردازش الگوها، به این فرآیند کمک می‌کنه.

نکات کلیدی این فصل

• هوش مصنوعی مولد، محتوای جدید (متن، تصویر، کد) خلق می‌کنه، نه اینکه فقط داده‌های موجود رو تحلیل کنه.
• سیستم‌های مدرن مثل LLMها به لطف سه پیشرفت کلیدی ممکن شدن: پیشرفت‌های الگوریتمی (به خصوص معماری ترنسفورمر)، حجم عظیم داده‌های آموزشی و افزایش قدرت محاسباتی.
• یادگیری هوش مصنوعی مولد دو مرحله داره: پیش‌آموزش (یادگیری الگوها از میلیاردها مثال) و تنظیم دقیق (یادگیری دنبال کردن دستورات و ارائه پاسخ‌های مفید).
• قابلیت‌های فعلی شامل تطبیق‌پذیری، آگاهی از مکالمه و اتصال به ابزارهای خارجی می‌شه.
• محدودیت‌های فعلی شامل تاریخ قطعی دانش، پتانسیل توهم (Hallucination)، محدودیت‌های پنجره زمینه و چالش‌های استدلال پیچیده است.
• موثرترین کاربردها، نقاط قوت انسان و هوش مصنوعی رو با هم ترکیب می‌کنن، جایی که انسان تفکر انتقادی، قضاوت و نظارت اخلاقی رو فراهم می‌کنه.

تامل نهایی

قبل از رفتن به فصل بعد، به این سوال‌ها فکر کنین:

• اینکه حالا می‌دونین پایه‌های فنی هوش مصنوعی مولد (مثل داده‌های آموزشی و فرآیند پیش‌آموزش/تنظیم دقیق) چی هستن، چطور طرز فکر شما در مورد کار با این سیستم‌ها رو تغییر می‌ده؟
• بعد از یادگیری در مورد نحوه کار این سیستم‌ها و محدودیت‌های فعلی‌شون، چه ملاحظات اخلاقی‌ای به ذهنتون می‌رسه؟

منابع این فصل

یک راهنمای مرجع سریع برای درک هوش مصنوعی مولد تحت عنوان «مرور کلی بر هوش مصنوعی مولد» برای شما فراهم شده.

در قدم بعدی چه خبره؟

تو درس بعدی، قراره نگاه دقیق‌تری به اولین صلاحیت از چارچوب 4D یعنی Delegation (واگذاری) بندازیم. شما یاد می‌گیرین که چطور بر اساس درک اهدافتون و قابلیت‌های هوش مصنوعی، تصمیمات استراتژیک در مورد تقسیم کار بین خودتون و هوش مصنوعی بگیرین. این پایه به شما کمک می‌کنه که به صورت فکورانه تصمیم بگیرین کی و چطور هوش مصنوعی رو وارد فرآیندهای خلاقانه و حل مسئله خودتون بکنین.

یادداشت مهم: این بخش از دوره نیز بر اساس کار Rick Dakan و Joseph Feller و با حمایت Anthropic و سازمان آموزش عالی ایرلند تهیه شده و تحت مجوز CC BY-NC-SA 4.0 منتشر شده است.

---

فصل چهارم: هنر واگذاری هوشمندانه کار به هوش مصنوعی

تا اینجا با کلیات AI Fluency و تکنولوژی پشت هوش مصنوعی مولد آشنا شدیم. حالا وقتشه وارد اولین صلاحیت از چارچوب 4D بشیم: Delegation یا واگذاری. این شاید یکی از مهم‌ترین و در عین حال نادیده گرفته‌شده‌ترین مهارت‌ها در کار با هوش مصنوعی باشه. واگذاری فقط به این معنی نیست که کاری رو به هوش مصنوعی بسپاریم و خلاص. بلکه یک فرآیند فکری و استراتژیکه که مشخص می‌کنه چه کاری رو، چه زمانی و چطور باید به هوش مصنوعی واگذار کرد.

مدت زمان تخمینی برای این فصل: ۱۵ دقیقه (بخش اول) + ۲۰ دقیقه (بخش دوم)

اهداف یادگیری این فصل:

• با صلاحیت واگذاری و سه جزء اصلی اون آشنا می‌شین: آگاهی از مسئله (Problem Awareness)، آگاهی از پلتفرم (Platform Awareness) و واگذاری وظیفه (Task Delegation).
• یاد می‌گیرین که کی و چطور وظایف رو به شکل موثر به هوش مصنوعی واگذار کنین.
• در مورد ملاحظات مربوط به وظیفه، پلتفرم و حالت کار، هنگام کار با هوش مصنوعی آگاهی پیدا می‌کنین.
• در نهایت، این درک از واگذاری رو روی یک پروژه عملی چند مرحله‌ای که در طول دوره باهاش کار می‌کنین، به کار می‌برین.

بخش اول: نگاهی دقیق‌تر به واگذاری (Delegation)

تو دوره اصلی، یک ویدیوی ۶ دقیقه‌ای به این صلاحیت اختصاص داده شده. واگذاری یعنی تصمیم‌گیری هوشمندانه در مورد اینکه چه کاری رو خودتون انجام بدین، چه کاری رو با همکاری هوش مصنوعی انجام بدین و چطور وظایف رو به شکل موثر تقسیم کنین. این فرآیند سه جزء کلیدی داره:

1. آگاهی از مسئله (Problem Awareness): این یعنی قبل از اینکه اصلا به استفاده از هوش مصنوعی فکر کنین، باید به وضوح بدونین هدفتون چیه و برای رسیدن به اون هدف، چه کارهایی باید انجام بشه. باید صورت مسئله رو برای خودتون شفاف کنین. مثلا اگه می‌خواین یک ارائه بسازین، هدفتون چیه؟ مخاطبتون کیه؟ پیام اصلیتون چیه؟ یک نتیجه خوب و موفق چه شکلیه؟ بدون این آگاهی، استفاده از هوش مصنوعی مثل اینه که بدون نقشه و مقصد، سوار یک ماشین خیلی سریع بشین.
2. آگاهی از پلتفرم (Platform Awareness): این یعنی بدونین سیستم‌های مختلف هوش مصنوعی چه قابلیت‌ها و محدودیت‌هایی دارن. همه مدل‌های هوش مصنوعی مثل هم نیستن. بعضی‌ها در تحلیل داده بهترن، بعضی‌ها در تولید متن خلاقانه و بعضی‌ها در کدنویسی. آگاهی از پلتفرم به شما کمک می‌کنه که ابزار مناسب رو برای کار مناسب انتخاب کنین. این دانش از همون چیزهایی که تو فصل قبل در مورد قابلیت‌ها و محدودیت‌های هوش مصنوعی مولد یاد گرفتیم، نشات می‌گیره.
3. واگذاری وظیفه (Task Delegation): حالا که هم مسئله رو می‌شناسین و هم ابزار رو، می‌تونین به صورت استراتژیک کار رو بین خودتون و هوش مصنوعی تقسیم کنین. این تقسیم‌بندی باید طوری باشه که از نقاط قوت هر دو طرف استفاده بشه. کارهایی که به خلاقیت، قضاوت، همدلی و درک عمیق از زمینه نیاز دارن، معمولا به عهده انسانه. کارهایی که تکراری هستن، به پردازش حجم زیادی از اطلاعات نیاز دارن یا به سرعت بالایی احتیاج دارن، می‌تونن گزینه‌های خوبی برای واگذاری به هوش مصنوعی باشن.

نکته مهم اینه که واگذاری موثر هم به تخصص شما در زمینه کاری خودتون نیاز داره و هم به درک قابلیت‌های هوش مصنوعی. هدف این نیست که همه چیز رو اتوماتیک کنیم، بلکه هدف اینه که برای هر وظیفه یا هدف مشخص، موثرترین شراکت بین انسان و هوش مصنوعی رو ایجاد کنیم.

نکات کلیدی بخش اول

• واگذاری یعنی تصمیم‌گیری هوشمندانه در مورد تقسیم کار بین خودتون و هوش مصنوعی.
• آگاهی از مسئله یعنی درک واضح اهداف و ماهیت کار قبل از درگیر کردن هوش مصنوعی.
• آگاهی از پلتفرم یعنی شناخت قابلیت‌ها و محدودیت‌های سیستم‌های مختلف هوش مصنوعی.
• واگذاری وظیفه یعنی توزیع متفکرانه کار بین انسان و هوش مصنوعی برای استفاده از نقاط قوت هر دو.
• واگذاری موثر به تخصص در زمینه کاری و درک قابلیت‌های هوش مصنوعی نیاز داره.
• هدف، ایجاد بهترین شراکت انسان و هوش مصنوعی است، نه اتوماسیون همه چیز.

تمرین بخش اول: تحلیل وظایف با یک دستیار هوش مصنوعی (زمان تخمینی: ۱۰ دقیقه)

• دستورالعمل:
  1. یک کار ساده از زندگی کاری یا شخصی‌تون انتخاب کنین (یه چیز نسبتا کوچیک مثل نوشتن یک ایمیل، طراحی کلیات یک ارائه، یا برنامه‌ریزی یک جلسه یا رویداد).
  2. یک گفتگو با Claude شروع کنین.
  3. کاری که می‌خواین انجام بدین رو با Claude به اشتراک بذارین. مثلا: «سلام کلاد، من دارم برای [فلان کار] آماده می‌شم و می‌خوام با تو در مورد یک برنامه واگذاری صحبت کنم تا بفهمم کدوم بخش‌ها رو باید به یک هوش مصنوعی مثل تو بسپرم و کدوم‌ها رو نه. می‌تونی کمکم کنی؟»
  4. با هم، این سوال‌ها رو بررسی کنین:
     • دیدگاه کلی برای این کار چیه؟ یک نتیجه خوب چه شکلیه؟
     • برای رسیدن به اون نتیجه، چه کارهای کوچیک‌تری باید انجام بشه؟
     • کدوم یکی از این کارهای کوچیک به تخصص، خلاقیت یا قضاوت انسانی نیاز داره؟
  5. نکته: موقع بحث در مورد این سوال‌ها، یک گفتگوی واقعی داشته باشین! فقط جملات خبری نگین یا جواب‌ها رو لیست نکنین. واقعا با هم گپ بزنین و بحث کنین. ممکنه هر کدوم از شما چیزی رو ببینه که اون یکی ندیده!
  6. با همکاری هم یک برنامه واگذاری ساده بسازین که از نقاط قوت هر دوی شما (هم شما و هم هوش مصنوعی) استفاده کنه.

بخش دوم: به کار بردن واگذاری در یک پروژه عملی

حالا که با مفهوم واگذاری آشنا شدیم و کمی تمرین کردیم، وقتشه این مهارت رو در یک پروژه واقعی‌تر و بزرگ‌تر به کار بگیریم. شما قراره یک پروژه برای خودتون انتخاب کنین و در ادامه دوره، بقیه مهارت‌های 4D رو هم روی همین پروژه تمرین کنین.

تمرین بخش دوم: برنامه‌ریزی و واگذاری پروژه (زمان تخمینی: ۲۰ دقیقه)

قدم اول: پروژه خودتون رو انتخاب کنین

یک پروژه متوسط و چند مرحله‌ای انتخاب کنین که بتونین در باقی این دوره روش کار کنین. پروژه‌تون باید این ویژگی‌ها رو داشته باشه:

• به اندازه کافی مهم باشه که شامل انواع مختلفی از وظایف بشه.
• به اندازه کافی قابل مدیریت باشه که بشه در حدود ۱ ساعت کار تمومش کرد.
• چیزی باشه که واقعا به ایجاد یا انجامش علاقه دارین.

اینجا چند تا پیشنهاد برای انتخاب پروژه داریم:

• پروژه‌های ارتباطی:
  • ساخت یک ارائه جذاب در مورد موضوعی که بهش مسلط هستین.
  • نوشتن یک پست یا یک سری پست برای توضیح یک موضوع پیچیده به مخاطب عام.
  • توسعه یک پروپوزال یا طرح برای ایده‌ای که دوست دارین دنبالش کنین.
  • ساخت یک بیوگرافی شخصی یا حرفه‌ای به همراه مطالب پشتیبان.
• پروژه‌های تحقیقاتی:
  • تحقیق و خلاصه کردن وضعیت فعلی یک تکنولوژی یا ترند نوظهور.
  • تحلیل یک مجموعه داده برای شناسایی الگوها و ارائه توصیه‌ها.
  • مقایسه چند محصول، سرویس یا رویکرد و ارائه یک توصیه.
  • تحقیق در مورد یک رویداد تاریخی و ارائه یافته‌ها در یک قالب جذاب.
• پروژه‌های خلاقانه:
  • طراحی کلیات یک داستان کوتاه با شخصیت‌ها و پیرنگ کاملا توسعه‌یافته.
  • طراحی یک ساختار ساده وبسایت با محتوا برای صفحات کلیدی.
  • توسعه یک کانسپت برای یک محصول، سرویس یا تجربه.
• پروژه‌های یادگیری:
  • ساخت یک برنامه یادگیری ساختاریافته برای مهارتی که می‌خواین توسعه بدین.
  • ساخت یک مجموعه منابع در مورد موضوعی که دارین یاد می‌گیرین.
  • توسعه یک آموزش یا راهنما برای فرآیندی که خوب می‌فهمینش.
  • ساخت یک مجموعه از مواد درسی برای موضوعی که می‌خواین بهش مسلط بشین.

قدم دوم: دیدگاه و اهداف پروژه

یک گفتگو با Claude شروع کنین. ایده پروژه‌تون رو بهش بگین و ازش بخواین ازتون چند تا سوال بپرسه تا وقتی که احساس کنین یک دیدگاه محکم برای نتیجه نهایی دارین. با هم کار کنین تا به یک تصویر واضح از این موارد برسین:

• موفقیت برای پروژه شما چه شکلیه؟
• چی باعث می‌شه این پروژه برای شما به طور خاص ارزشمند یا معنادار باشه؟

قدم سوم: شکستن کار به وظایف و تحلیل واگذاری

شبیه کاری که تو درس قبل انجام دادین، با Claude کار کنین تا پروژه‌تون رو از دریچه واگذاری بررسی کنین:

• با هم وظایف اصلی مورد نیاز برای تکمیل پروژه‌تون رو شناسایی کنین.
• برای هر وظیفه، یکی یکی، بحث کنین:
  • چه مهارت‌ها، دانش یا قابلیت‌های هوش مصنوعی خاصی برای این کار لازمه؟
  • کدوم بخش‌ها از نقاط قوت منحصر به فرد انسانی سود می‌برن؟
  • کدوم بخش‌ها می‌تونن از قابلیت‌های هوش مصنوعی به خوبی استفاده کنن؟
  • کجا ممکنه همکاری بیشترین تاثیر رو داشته باشه؟
• نکته: باز هم تاکید می‌کنیم، یک گفتگوی واقعی در مورد این سوال‌ها داشته باشین، نه فقط تبادل جملات خبری. فرضیه‌ها رو به چالش بکشین، درخواست شفاف‌سازی کنین و برای بینش‌های غیرمنتظره‌ای که در طول بحثتون پدیدار می‌شه، آماده باشین.
• یک برنامه پروژه بسازین که شامل وظایف اصلی و تصمیمات واگذاری شما باشه.
• برنامه پروژه‌تون رو ذخیره کنین. شما در ادامه دوره برای تمرین مهارت‌های توصیف، تشخیص و جدیت، به این پروژه برمی‌گردین.

تامل نهایی

قبل از رفتن به فصل بعد، به این سوال‌ها فکر کنین:

• چه بینش‌هایی از گفتگوی برنامه‌ریزی‌تون با Claude به دست اومد؟
• پیش‌بینی می‌کنین چالش‌برانگیزترین جنبه برنامه واگذاری‌تون چی باشه؟
• چه اطلاعات یا مهارت‌های اضافی‌ای ممکنه به شما کمک کنه که به شکل موثرتری به هوش مصنوعی واگذار کنین؟

در قدم بعدی چه خبره؟

تو درس بعدی، قراره دومین صلاحیت اصلی یعنی Description (توصیف) رو بررسی کنیم. شما رویکردهایی رو برای ارتباط موثر با سیستم‌های هوش مصنوعی یاد می‌گیرین که بهتون کمک می‌کنه برنامه‌ای که همین الان ساختین رو اجرا کنین. این شامل تکنیک‌هایی برای تعریف چیزی که می‌خواین، راهنمایی نحوه رویکرد هوش مصنوعی به وظیفه، و مشخص کردن اینکه می‌خواین هوش مصنوعی در طول فرآیند چطور با شما تعامل کنه، می‌شه.

یادداشت مهم: تمام محتوای این فصل با الهام از دوره AI Fluency متعلق به Rick Dakan، Joseph Feller و Anthropic (حق نشر ۲۰۲۵) و تحت مجوز CC BY-NC-SA 4.0 تهیه شده است. این دوره از حمایت سازمان آموزش عالی ایرلند نیز برخوردار است.

---

فصل پنجم: هنر گفتگو با هوش مصنوعی؛ توصیف و تکنیک‌های پرامپت نویسی

در فصل قبل، اولین قدم یعنی واگذاری (Delegation) رو یاد گرفتیم و یک برنامه برای پروژه خودمون طراحی کردیم. حالا که می‌دونیم چه کارهایی رو می‌خوایم با کمک هوش مصنوعی انجام بدیم، سوال بعدی اینه: «چطور باید خواسته خودمون رو بهش بگیم؟» اینجا دومین صلاحیت از چارچوب 4D، یعنی Description (توصیف)، وارد میدان می‌شه. توصیف، هنر و علم برقراری ارتباط موثر با سیستم‌های هوش مصنوعیه. بعد از اون هم عمیق‌تر می‌شیم و تکنیک‌های عملی برای نوشتن دستورات یا پرامپت‌های (Prompt) موثر رو یاد می‌گیریم.

مدت زمان تخمینی برای این فصل: ۱۵ دقیقه (بخش اول) + ۱۵ دقیقه (بخش دوم)

اهداف یادگیری این فصل:

• می‌فهمین چطور نیت و خواسته خودتون رو به شکل موثر به سیستم‌های هوش مصنوعی منتقل کنین.
• اهمیت ارتباط شفاف و هدفمند رو درک می‌کنین.
• در سه نوع توصیف مهارت پیدا می‌کنین: توصیف محصول (Product)، توصیف فرآیند (Process) و توصیف عملکرد (Performance).
• با مفهوم مهندسی پرامپت و اهمیتش در همکاری سازنده با هوش مصنوعی آشنا می‌شین.
• شش تکنیک بنیادین پرامپت نویسی رو برای بهبود تعاملاتتون با هوش مصنوعی به کار می‌برین.
• الگوهای رایجی که منجر به تعاملات موفق با هوش مصنوعی می‌شن رو شناسایی می‌کنین.

بخش اول: نگاهی دقیق‌تر به توصیف (Description)

یک ویدیوی ۴ دقیقه‌ای در دوره اصلی، به بررسی صلاحیت توصیف می‌پردازه. توصیف فراتر از نوشتن چند کلمه دستوره. توصیف یعنی ایجاد یک محیط همکاری که در اون هم شما و هم هوش مصنوعی بتونین به شکل موثر با هم کار کنین. هوش مصنوعی نمی‌تونه ذهن شما رو بخونه. کیفیت نتایجی که می‌گیرین، اغلب به این بستگی داره که چقدر شفاف نیازها، رویکرد ترجیحی و سبک تعامل دلخواهتون رو بیان می‌کنین. ما توصیف رو به سه جزء کلیدی تقسیم می‌کنیم:

1. توصیف محصول (Product Description): این یعنی به وضوح تعریف کنین که می‌خواین هوش مصنوعی چه چیزی براتون خلق کنه. این شامل مشخص کردن خروجی‌ها، فرمت، مخاطب، سبک، لحن و هر جزئیات دیگه‌ای که برای نتیجه نهایی مهمه، می‌شه. مثلا به جای اینکه بگین «یه ایمیل بنویس»، می‌گین «یک ایمیل دوستانه و حرفه‌ای برای مشتریان وفادارمون بنویس که در اون پیشنهاد تخفیف ۲۰ درصدی برای خرید بعدی‌شون رو اعلام کنه. فرمت ایمیل باید کوتاه و جذاب باشه و مخاطب رو به کلیک روی لینک خرید تشویق کنه».
2. توصیف فرآیند (Process Description): این یعنی راهنمایی کنین که هوش مصنوعی چطور به درخواست شما رسیدگی کنه. گاهی اوقات «چگونگی» انجام کار به اندازه «چیستی» نتیجه نهایی مهمه. مثلا می‌تونین ازش بخواین که «اول چند تا ایده مختلف رو طوفان فکری کن، بعد مزایا و معایب هر کدوم رو لیست کن و در نهایت بهترین ایده رو با دلیل انتخاب کن». اینجا شما دارین فرآیند فکری هوش مصنوعی رو هدایت می‌کنین.
3. توصیف عملکرد (Performance Description): این یعنی تعریف کنین که می‌خواین هوش مصنوعی در طول همکاری با شما چگونه رفتار کنه. این شامل جنبه‌های رفتاری مثل این می‌شه که آیا هوش مصنوعی باید خلاصه و مختصر باشه یا با جزئیات کامل توضیح بده؟ آیا باید شما رو به چالش بکشه یا حمایت‌گر باشه؟ آیا باید سوال بپرسه یا فقط جواب بده؟ مثلا می‌تونین بگین: «در طول این گفتگو، مثل یک منتقد سخت‌گیر عمل کن و تمام فرضیات من رو به چالش بکش».

یادتون باشه، سیستم‌های هوش مصنوعی شرکای تعاملی هستن، نه یک پایگاه داده یا یک دستگاه فروش خودکار. ارتباط شفاف از همون اول، باعث صرفه‌جویی در وقت می‌شه و به نتایج خیلی بهتری منجر می‌شه.

نکات کلیدی بخش اول

• توصیف یعنی برقراری ارتباطی که یک محیط همکاری سازنده ایجاد کنه.
• توصیف محصول: تعریف واضح «چیستی» خروجی (فرمت، مخاطب، سبک).
• توصیف فرآیند: راهنمایی «چگونگی» رویکرد هوش مصنوعی به درخواست شما.
• توصیف عملکرد: تعریف جنبه‌های رفتاری هوش مصنوعی در طول همکاری.
• ارتباط شفاف از ابتدا، باعث صرفه‌جویی در زمان و کسب نتایج بهتر می‌شه.

تمرین بخش اول: بازسازی پرامپت‌های ضعیف (زمان تخمینی: ۱۰ دقیقه)

• دستورالعمل:
  1. از Claude بخواین که شما رو با چند تا پرامپت ضعیف به چالش بکشه تا شما اونها رو بهبود بدین.
  2. با استفاده از تفکر توصیفی خودتون، هر کدوم رو بهبود بدین و این موارد رو در نظر بگیرین:
     • توصیف واضح محصول (دقیقا چی می‌خواین).
     • راهنمایی فرآیند (می‌خواین Claude چطور بهش رسیدگی کنه).
     • مشخصات عملکرد (می‌خواین Claude در طول همکاری چطور رفتار کنه).
  3. در مورد نسخه‌های قبل و بعد با Claude گپ بزنین و ازش بازخورد بگیرین که چطور توصیفات بهبود یافته شما بهش کمک می‌کنه پاسخ‌های بهتری ارائه بده.
  4. بعد از حدود ۵ دقیقه، نقش‌ها رو عوض کنین و شما پرامپت‌های ضعیف به Claude بدین تا اون درستشون کنه. توجه کنین که Claude معمولا چه اطلاعاتی رو اضافه می‌کنه و چطور این اطلاعات رو سازماندهی می‌کنه.

بخش دوم: شیرجه عمیق در تکنیک‌های پرامپت نویسی موثر

حالا که با چارچوب کلی توصیف آشنا شدیم، وقتشه وارد جزئیات عملی بشیم. مهندسی پرامپت (Prompt Engineering) که در یک ویدیوی ۱۲ دقیقه‌ای در دوره اصلی بهش پرداخته شده، به زبان ساده یعنی تمرین طراحی دستورالعمل‌های موثر برای سیستم‌های هوش مصنوعی. این کار ترکیبی از اصول ارتباطی آشنای انسانی با ملاحظات مخصوص هوش مصنوعیه. در ادامه شش تکنیک بنیادین رو یاد می‌گیریم:

1. زمینه بدین (Give Context): مشخص باشین که چی می‌خواین، چرا می‌خواین و هر اطلاعات پس‌زمینه مرتبطی که وجود داره رو ارائه بدین. هرچی هوش مصنوعی زمینه بیشتری از کار شما داشته باشه، بهتر می‌تونه کمکتون کنه.
2. مثال نشون بدین (Show Examples): سبک یا فرمت خروجی مورد نظرتون رو با یک مثال نشون بدین. مثلا اگه یک گزارش با فرمت خاصی می‌خواین، یک نمونه از اون گزارش رو بهش بدین و بگین «مثل این بنویس».
3. محدودیت‌ها رو مشخص کنین (Specify Constraints): فرمت، طول، تعداد کلمات و سایر الزامات خروجی رو به وضوح تعریف کنین. مثلا «این خلاصه نباید بیشتر از ۲۰۰ کلمه باشه» یا «جواب رو به صورت یک لیست شماره‌گذاری شده بده».
4. کارهای پیچیده رو به مراحل کوچیک‌تر بشکنین (Break Complex Tasks into Steps): هوش مصنوعی رو در یک استدلال چند مرحله‌ای راهنمایی کنین. به جای اینکه یک سوال خیلی بزرگ و پیچیده بپرسین، اون رو به چند سوال کوچک‌تر تقسیم کنین و مرحله به مرحله پیش برین.
5. از هوش مصنوعی بخواین اول فکر کنه (Ask the AI to Think First): به هوش مصنوعی فضا بدین تا فرآیندش رو طی کنه. مثلا می‌تونین در ابتدای پرامپت بگین «قدم به قدم فکر کن و قبل از دادن جواب نهایی، مراحل فکر کردنت رو بنویس». این کار بهش کمک می‌کنه به جواب‌های دقیق‌تری برسه.
6. نقش یا لحن هوش مصنوعی رو تعریف کنین (Define the AI’s Role or Tone): مشخص کنین که می‌خواین هوش مصنوعی چطور با شما ارتباط برقرار کنه. مثلا «فرض کن تو یک معلم فیزیک هستی و داری این مفهوم رو برای یک دانش‌آموز دبیرستانی توضیح می‌دی». این همون چیزیه که در «توصیف عملکرد» دیدیم.

سلاح مخفی: اگه پرامپت شما جواب خوبی نداد، از خود هوش مصنوعی بخواین که کمکتون کنه پرامپتتون رو بهتر کنین! می‌تونین بگین: «این پرامپت من بود و این هم جواب تو. به نظرت چطور می‌تونم پرامپتم رو بهتر بنویسم تا به نتیجه دلخواهم برسم؟».

پرامپت نویسی موفق یک فرآیند تکراری (iterative) هست. انتظار داشته باشین که رویکردتون رو بر اساس نتایجی که می‌گیرین، اصلاح و بهبود بدین. الگوهای موفق رایج معمولا شامل ارائه یک نمای کلی از وظیفه، مشخصات واضح فرمت، محدودیت‌های صریح و اطلاعات پس‌زمینه مرتبط هستن.

نکات کلیدی بخش دوم

• پرامپت نویسی موثر، ترکیبی از اصول ارتباطی شفاف و تکنیک‌های مخصوص هوش مصنوعیه.
• شش تکنیک بنیادین پرامپت نویسی عبارتند از: دادن زمینه، نشان دادن مثال، مشخص کردن محدودیت‌ها، شکستن کارهای پیچیده، درخواست فکر کردن اولیه و تعریف نقش و لحن.
• «سلاح مخفی» اینه که از خود هوش مصنوعی برای بهبود پرامپتتون کمک بگیرین.
• پرامپت نویسی موفق، تکراری و مبتنی بر اصلاح و بهبود مستمره.

تامل نهایی

• کدوم یکی از این شش تکنیک پرامپت نویسی به نظرتون می‌تونه بیشترین تاثیر رو در بهبود تعاملات فعلی شما با هوش مصنوعی داشته باشه؟
• به یک تعامل اخیرتون با هوش مصنوعی که نیاز شما رو برآورده نکرده فکر کنین. کدوم تکنیک‌ها می‌تونستن نتیجه رو بهتر کنن؟
• درک این تکنیک‌های پرامپت نویسی چطور به صلاحیت توصیف (Description) در چارچوب AI Fluency متصل می‌شه؟

اگه دوست داشتین، می‌تونین به تمرین «بازسازی پرامپت‌های ضعیف» از بخش قبل برگردین و این اصول پرامپت نویسی رو روشون امتحان کنین.

منابع این فصل

یک منبع آموزشی با عنوان «۶ تکنیک برای مهندسی پرامپت موثر» موجوده که نشون می‌ده چطور پرامپت‌های مبهم می‌تونن با مثال‌های واقعی به پرامپت‌های موثر تبدیل بشن. همچنین خلاصه‌هایی از صلاحیت توصیف در سایزهای مختلف برای چاپ یا استفاده در ارائه‌ها فراهم شده.

در قدم بعدی چه خبره؟

در درس بعدی، قراره Discernment (تشخیص)، سومین صلاحیت اصلی AI Fluency رو بررسی کنیم. هم این شیرجه عمیق و هم درس قبلی روی این تمرکز داشتن که چطور به شکل موثر با هوش مصنوعی ارتباط برقرار کنیم و توصیف خوبی داشته باشیم. تشخیص، به چالش به همان اندازه مهم ارزیابی متفکرانه چیزی که هوش مصنوعی در پاسخ تولید می‌کنه می‌پردازه؛ یعنی نیمه دیگر مکالمه!

یادداشت مهم: این فصل از دوره نیز با الهام از چارچوب AI Fluency (توسط Dakan و Feller)، با حمایت Anthropic و سازمان آموزش عالی ایرلند و تحت مجوز CC BY-NC-SA 4.0 تهیه شده است.

---

فصل ششم: هنر تفکر انتقادی؛ مهارت تشخیص و ارزیابی (Discernment)

تا اینجای کار، یاد گرفتیم که چطور کارها رو هوشمندانه واگذار (Delegate) کنیم و چطور خواسته‌هامون رو به روشنی توصیف (Describe) کنیم. اما مکالمه یک خیابان دوطرفه است. بعد از اینکه ما حرفمون رو زدیم و هوش مصنوعی جواب داد، نوبت به یکی از حیاتی‌ترین مهارت‌ها می‌رسه: Discernment یا تشخیص. این سومین صلاحیت از چارچوب 4D است و به توانایی ما برای ارزیابی متفکرانه و منتقدانه خروجی‌ها، فرآیندها و رفتارهای هوش مصنوعی اشاره داره.

مدت زمان تخمینی برای این فصل: ۲۰ دقیقه (بخش اول) + ۳۰ تا ۶۰ دقیقه (بخش دوم)

اهداف یادگیری این فصل:

• یاد می‌گیرین چطور خروجی‌ها و فرآیندهای هوش مصنوعی رو به صورت متفکرانه ارزیابی کنین.
• مهارت‌های تفکر انتقادی رو برای تعاملاتتون با هوش مصنوعی توسعه می‌دین.
• یاد می‌گیرین نگرانی‌های مربوط به کیفیت رو در تعاملاتتون با هوش مصنوعی شناسایی و برطرف کنین.
• در نهایت، مهارت‌های توصیف و تشخیص رو در یک حلقه بازخورد سازنده روی پروژه اصلی دوره به کار می‌برین.

بخش اول: نگاهی دقیق‌تر به تشخیص (Discernment)

یک ویدیوی ۵ دقیقه‌ای در دوره اصلی، صلاحیت تشخیص رو معرفی می‌کنه. تشخیص، روی دیگر سکه توصیف است. در حالی که توصیف به شما کمک می‌کنه نیت خودتون رو به وضوح بیان کنین، تشخیص به شما کمک می‌کنه ارزیابی کنین که آیا چیزی که دریافت کردین، نیازهای شما رو برآورده می‌کنه یا نه. درست مثل توصیف، تشخیص هم سه نوع داره:

1. تشخیص محصول (Product Discernment): این یعنی ارزیابی کیفیت خود خروجی‌های هوش مصنوعی. آیا اطلاعاتی که داده درسته؟ آیا لحنش مناسبه؟ آیا منسجم و مرتبطه؟ آیا به سوال اصلی من جواب می‌ده؟ اینجا شما مثل یک کنترل کیفیت دقیق، خود محصول نهایی (متن، کد، تصویر و غیره) رو بررسی می‌کنین.
2. تشخیص فرآیند (Process Discernment): این یعنی ارزیابی اینکه هوش مصنوعی چطور به اون خروجی رسیده. آیا استدلالش منطقی بوده؟ آیا جایی از تحلیلش دچار پرش منطقی یا شکاف نشده؟ آیا از روش نامناسبی برای استدلال استفاده نکرده؟ گاهی اوقات خروجی نهایی در ظاهر درسته، اما فرآیندی که به اون رسیده، ناقص یا اشتباهه و این می‌تونه در مراحل بعدی کار مشکل‌ساز بشه.
3. تشخیص عملکرد (Performance Discernment): این یعنی ارزیابی اینکه هوش مصنوعی چطور در خود فرآیند همکاری رفتار کرده. آیا سبک ارتباطی‌ش برای نیازهای شما موثر بوده؟ آیا به سوالات شما توجه کرده؟ آیا به بازخوردهای شما واکنش مناسبی نشون داده؟ این به همون توصیف عملکرد که در فصل قبل داشتیم، مرتبطه.

این مهارت‌ها با هم کار می‌کنن تا اطمینان حاصل بشه که همکاری شما با هوش مصنوعی، همچنان توسط قضاوت متفکرانه انسانی هدایت می‌شه. تشخیص و توصیف در یک حلقه بازخورد (feedback loop) مداوم با هم کار می‌کنن. شما چیزی رو توصیف می‌کنین، نتیجه رو تشخیص می‌دین، بر اساس تشخیص‌تون توصیف‌تون رو اصلاح می‌کنین و این چرخه ادامه پیدا می‌کنه تا به بهترین نتیجه برسین. حتی پیشرفته‌ترین سیستم‌های هوش مصنوعی هم از قضاوت و نظارت انسانی سود می‌برن.

نکات کلیدی بخش اول

• تشخیص، توانایی شما برای ارزیابی متفکرانه چیزی است که هوش مصنوعی تولید می‌کنه، چگونه اون رو تولید می‌کنه و چگونه رفتار می‌کنه.
• تشخیص محصول: ارزیابی کیفیت خروجی‌های واقعی (دقت، تناسب، انسجام، ارتباط).
• تشخیص فرآیند: ارزیابی چگونگی رسیدن هوش مصنوعی به خروجی، به دنبال خطاهای منطقی.
• تشخیص عملکرد: ارزیابی نحوه رفتار هوش مصنوعی در فرآیند همکاری.
• تشخیص دست در دست توصیف در یک حلقه بازخورد مداوم کار می‌کنه.

تمرین بخش اول: تشخیص تخصصی؛ ارزیابی پاسخ‌های هوش مصنوعی در حوزه تخصصی شما

• هدف فعالیت: تمرین تشخیص محصول، فرآیند و عملکرد با ارزیابی محتوای تولید شده توسط هوش مصنوعی در حوزه‌ای که در اون تخصص دارین. این تمرین نشون می‌ده که چطور دانش شما، توانایی‌تون برای ارزیابی منتقدانه خروجی‌های هوش مصنوعی رو افزایش می‌ده.
• دستورالعمل:
  1. به حوزه تخصصی خود برگردین: موضوعی که در تمرین فصل دوم («در مورد چیزی که دوست دارین صحبت کنین») با Claude بحث کردین رو به یاد بیارین. اون موضوعی بود که در موردش دانش و علاقه زیادی داشتین.
  2. درخواست چندین توضیح کنین: یک گفتگوی جدید با Claude شروع کنین و ازش بخواین سه توضیح یا تحلیل مختلف در مورد یک جنبه خاص از موضوع تخصصی شما تولید کنه. برای مثال:
     • اگه موضوع شما عکاسی بود، می‌تونین سه توضیح مختلف در مورد عمق میدان بخواین.
     • اگه موضوع شما آشپزی بود، می‌تونین سه تحلیل مختلف از تکنیک‌های تخمیر بخواین.
     • اگه موضوع شما تاریخ بود، می‌تونین سه دیدگاه مختلف در مورد یک رویداد تاریخی خاص بخواین.
  3. تشخیص تخصصی خود را به کار ببرین: با تکیه بر تخصص خودتون، هر توضیح ارائه شده توسط Claude رو به دقت ارزیابی کنین:
     • تشخیص محصول: کدوم توضیح دقیق‌ترین اطلاعات رو داره؟ آیا خطای واقعی یا تصور غلطی وجود داره؟ آیا سطح جزئیات برای کسی که داره در مورد این موضوع یاد می‌گیره مناسبه؟
     • تشخیص فرآیند: آیا Claude در هر توضیح از استدلال منطقی پیروی می‌کنه؟ آیا در تحلیل یا فرآیند تفکرش شکافی وجود داره؟ آیا ارتباط مناسبی بین مفاهیم برقرار می‌کنه؟
     • تشخیص عملکرد: آیا Claude به سوال خاص شما توجه کرده و به بازخورد و راهنمایی شما پاسخگو بوده؟ آیا اصطلاحات به درستی برای موضوع استفاده شدن؟ لحن و سبک چطور بر وضوح توضیح تاثیر می‌ذاره؟
  4. بازخورد بدین و اصلاح کنین: بر اساس ارزیابی خودتون:
     • قوی‌ترین توضیح رو شناسایی کنین و به طور مشخص به Claude بگین که چرا موثره.
     • ضعیف‌ترین توضیح رو شناسایی کنین و بازخورد مشخصی در مورد اینکه چه چیزی اون رو مشکل‌ساز کرده، ارائه بدین.
     • با Claude کار کنین تا یک نسخه بهبود یافته ایجاد کنین که مسائلی که شناسایی کردین رو برطرف کنه.
  5. تامل کنین: با Claude (در همون چت) بحث کنین:
     • چه دانش خاصی داشتین که به شما اجازه داد نقاط قوت یا ضعف رو شناسایی کنین؟
     • چطور ممکنه کسی بدون تخصص شما در تشخیص کیفیت این توضیحات دچار مشکل بشه؟
     • این تجربه در مورد رابطه بین دانش تخصصی و تشخیص موثر چه چیزی به شما یاد می‌ده؟

برای یک تمرین سرگرم‌کننده‌تر تشخیص، می‌تونین برخی از پیشنهادات «شب بازی» در درس آخر («فعالیت‌های اضافی») رو امتحان کنین.

بخش دوم: اجرای پروژه با حلقه‌های توصیف-تشخیص

حالا وقتشه هر چیزی که یاد گرفتین رو با کار کردن روی پروژه‌ای که در فصل ۴ برنامه‌ریزی کردین، در عمل به کار بگیرین و از مهارت‌های توصیف و تشخیص که توسعه دادین، استفاده کنین.

تمرین بخش دوم: اجرای پروژه با استفاده از حلقه‌های توصیف-تشخیص (زمان تخمینی: ۳۰ تا ۶۰ دقیقه)

• دستورالعمل:
  1. برنامه پروژه‌تون رو مرور کنین: برنامه پروژه‌ای که در فصل ۵ (در واقع فصل ۴) ایجاد کردین رو باز کنین. به سرعت تصمیمات واگذاری خودتون رو در مورد اینکه کدوم وظایف به تخصص انسانی، قابلیت‌های هوش مصنوعی یا همکاری نیاز دارن، مرور کنین. می‌تونین بر اساس چیزهایی که از اون موقع یاد گرفتین، برنامه‌تون رو اصلاح کنین.
  2. رویکرد توصیف خودتون رو آماده کنین: یک گفتگو با Claude شروع کنین و پروژه‌ای که قراره با هم روش کار کنین رو توضیح بدین. قبل از شروع اجرا، برنامه‌ریزی کنین که چطور به توصیف نزدیک می‌شین:
     • توصیف محصول: برای هر وظیفه به چه خروجی‌های مشخصی از Claude نیاز دارین؟ به دنبال چه فرمت، سبک، طول و سطح جزئیاتی هستین؟
     • توصیف فرآیند: Claude باید چطور به هر وظیفه رسیدگی کنه؟ آیا روش‌ها، چارچوب‌ها یا مراحل خاصی وجود داره که می‌خواین دنبال کنه؟
     • توصیف عملکرد: در طول این پروژه چه نوع رفتار همکاری از Claude می‌خواین؟ باید مختصر باشه یا با جزئیات، چالش‌برانگیز باشه یا حمایت‌گر، روی ایده‌ها تمرکز کنه یا تحلیل؟
       این سوال‌ها رو با Claude در میون بذارین تا انتظارات شفافی برای همکاری‌تون ایجاد کنین.
  3. پروژه‌تون رو با استفاده از حلقه‌های توصیف-تشخیص اجرا کنین: حالا، وظایف برنامه‌ریزی شده پروژه‌تون رو با Claude پیش ببرین. برای هر وظیفه:
     • توصیف کنین: چیزی که نیاز دارین رو به وضوح توصیف کنین، با استفاده از مهارت‌هایی که یاد گرفتین (توصیف محصول، فرآیند و عملکرد).
     • تشخیص بدین: کیفیت چیزی که دریافت می‌کنین رو ارزیابی کنین (تشخیص محصول، فرآیند و عملکرد).
     • اصلاح کنین: بر اساس تشخیص خودتون بازخورد بدین. بگین چی خوب کار کرد و چی نه. توصیف خودتون رو در صورت نیاز شفاف یا تنظیم کنین. درخواست تکرار کنین تا از نتیجه راضی باشین.
     • تخصص خودتون رو ادغام کنین: دیدگاه منحصر به فرد، خلاقیت یا دانش تخصصی خودتون رو اضافه کنین. تصمیمات نهایی رو در مورد اینکه چی رو نگه دارین، تغییر بدین یا حذف کنین، بگیرین. مسئولیت خروجی نهایی رو به عهده بگیرین.
       این حلقه توصیف-تشخیص رو برای هر وظیفه در پروژه‌تون تا زمان تکمیل ادامه بدین.

تامل نهایی

• چه الگوهایی رو در انواع توصیف‌هایی که به بهترین نتایج منجر شدن، متوجه شدین؟
• کدوم یکی از شما تلاش بیشتری رو طلبید: توصیف یا تشخیص؟ فکر می‌کنین چرا؟
• اجرای واقعی پروژه‌تون چقدر با برنامه اولیه‌تون از فصل ۴ تفاوت داشت؟ چه تنظیماتی رو در طول مسیر انجام دادین؟

در قدم بعدی چه خبره؟

در درس بعدی، قراره آخرین صلاحیت در چارچوب AI Fluency یعنی Diligence (جدیت و مسئولیت‌پذیری) رو بررسی کنیم. در حالی که واگذاری، توصیف و تشخیص عمدتا بر اثربخشی و کارایی تمرکز دارن، جدیت به جنبه‌های اخلاقی و ایمنی کار با هوش مصنوعی می‌پردازه. شما یاد می‌گیرین که چطور اطمینان حاصل کنین همکاری‌هاتون با هوش مصنوعی مسئولانه، شفاف و قابل پاسخگویی هستن.

یادداشت مهم: این فصل از دوره هم بر اساس چارچوب AI Fluency (توسط Rick Dakan و Feller) و با حمایت Anthropic و سازمان آموزش عالی ایرلند و تحت مجوز CC BY-NC-SA 4.0 تهیه شده است.

---

فصل هفتم: جدیت و مسئولیت‌پذیری؛ ستون اخلاقی همکاری با هوش مصنوعی

تا به حال سه صلاحیت کلیدی را یاد گرفته‌ایم: واگذاری (Delegation) برای تقسیم هوشمندانه کار، توصیف (Description) برای ارتباط شفاف و تشخیص (Discernment) برای ارزیابی منتقدانه. این سه ستون به ما کمک می‌کنند تا به صورت موثر و بهینه با هوش مصنوعی کار کنیم. اما یک قطعه پازل بسیار مهم دیگر باقی مانده است: Diligence یا جدیت و مسئولیت‌پذیری. این چهارمین و آخرین صلاحیت از چارچوب 4D است و بر جنبه‌های اخلاقی و ایمنی همکاری‌های ما با هوش مصنوعی تمرکز دارد.

مدت زمان تخمینی برای این فصل: ۲۰ دقیقه

اهداف یادگیری این فصل:

• پیامدهای اخلاقی همکاری با هوش مصنوعی را درک خواهید کرد.
• اهمیت شفافیت در کارهای انجام شده با هوش مصنوعی را می‌فهمید.
• مسئولیت خود را در تعاملات و خروجی‌های هوش مصنوعی تشخیص می‌دهید.

نگاهی دقیق‌تر به جدیت (Diligence)

در دوره اصلی، یک ویدیوی ۷ دقیقه‌ای به بررسی صلاحیت جدیت اختصاص یافته است. همانطور که گفته شد، در حالی که صلاحیت‌های دیگر عمدتا به اثربخشی و کارایی می‌پردازند، جدیت به جنبه‌های اخلاقی و ایمنی می‌پردازد که به همان اندازه حیاتی هستند. ما این صلاحیت را به سه جزء اصلی تقسیم می‌کنیم:

1. جدیت در آفرینش (Creation Diligence): این یعنی در مورد اینکه از کدام سیستم‌های هوش مصنوعی استفاده می‌کنید و چگونه با آنها کار می‌کنید، متفکر و هوشیار باشید. آیا سیستمی که انتخاب کرده‌اید، معتبر است؟ سیاست‌های حریم خصوصی آن چیست؟ چه داده‌هایی را با آن به اشتراک می‌گذارید؟ آیا این داده‌ها حساس یا محرمانه هستند؟ جدیت در آفرینش یعنی انتخاب ابزار مناسب نه تنها از نظر فنی، بلکه از نظر اخلاقی و امنیتی.
2. جدیت در شفافیت (Transparency Diligence): این یعنی در مورد نقش هوش مصنوعی در کارتان صادق و شفاف باشید. هر کسی که نیاز دارد بداند، باید از این موضوع مطلع شود. این به معنای پنهان نکردن استفاده از هوش مصنوعی است. بسته به زمینه (دانشگاهی، حرفه‌ای، شخصی)، سطح شفافیت مورد نیاز ممکن است متفاوت باشد، اما اصل صداقت همیشه پابرجاست.
3. جدیت در استقرار (Deployment Diligence): این یعنی مسئولیت خروجی‌هایی که با کمک هوش مصنوعی تولید کرده و با دیگران به اشتراک می‌گذارید را بپذیرید. این شامل تأیید صحت، مناسب بودن و کیفیت نهایی کار است. شما باید برای کاری که تحویل می‌دهید، پاسخگو باشید. صرف اینکه «هوش مصنوعی این را گفته» یک توجیه قابل قبول نیست. شما به عنوان کاربر و تصمیم‌گیرنده نهایی، مسئولیت کامل محتوا را بر عهده دارید.

نکته مهم این است که زمینه‌های مختلف (شخصی، آکادمیک، حرفه‌ای) ممکن است انتظارات متفاوتی برای افشا و تأیید داشته باشند. اما هر یک از ما مسئولیتی داریم که این انتظارات را درک کرده و برآورده کنیم. جدیت متفکرانه به ما کمک می‌کند تا اطمینان حاصل کنیم همکاری‌های ما با هوش مصنوعی نه تنها موثر و بهینه، بلکه اخلاقی و امن نیز هستند.

نکات کلیدی این فصل

• جدیت یعنی پذیرفتن مسئولیت همکاری‌هایمان با هوش مصنوعی.
• جدیت در آفرینش: تفکر در مورد اینکه از کدام سیستم‌های هوش مصنوعی استفاده می‌کنیم و چگونه با آنها تعامل داریم.
• جدیت در شفافیت: صداقت در مورد نقش هوش مصنوعی در کارمان با همه کسانی که باید بدانند.
• جدیت در استقرار: پذیرفتن مسئولیت برای تأیید و تضمین خروجی‌هایی که استفاده یا به اشتراک می‌گذاریم.
• زمینه‌های مختلف ممکن است انتظارات متفاوتی برای افشا و تأیید داشته باشند.
• جدیت متفکرانه تضمین می‌کند که همکاری‌های ما با هوش مصنوعی اخلاقی و امن هستند.

تمرین: ایجاد یک بیانیه جدیت (Diligence Statement)

در این تمرین، شما یک بیانیه جدیت برای پروژه‌ای که روی آن کار کرده‌اید، تهیه می‌کنید. برای نمونه، بیانیه جدیت خود این دوره آموزشی نیز در دسترس است.

• زمان تخمینی: ۱۴ دقیقه

قدم اول: درک بیانیه‌های جدیت (زمان تخمینی: ۳ دقیقه)

یک بیانیه جدیت، یک اقرارنامه شفاف در مورد نقش هوش مصنوعی در کار شما، به همراه تعهد شما به مسئولیت‌پذیری برای خروجی نهایی است. در اینجا یک مثال آورده شده است:

«در تهیه این [سند/پروژه/محتوا]، من با [نام دستیار هوش مصنوعی] برای کمک به [وظایف مشخص: پیش‌نویس، تحقیق، ویرایش و غیره] همکاری کردم. من تأیید می‌کنم که تمام محتوای تولید شده توسط هوش مصنوعی و یا با همکاری آن، تحت بازبینی و ارزیابی دقیق قرار گرفته است. خروجی نهایی به طور دقیق منعکس‌کننده درک، تخصص و منظور مورد نظر من است. در حالی که کمک هوش مصنوعی در این فرآیند مؤثر بوده است، من مسئولیت کامل محتوا، صحت و ارائه آن را بر عهده می‌گیرم. این افشا به روح شفافیت و برای قدردانی از نقش هوش مصنوعی در فرآیند آفرینش انجام می‌شود.»

قدم دوم: تأمل در همکاری خود با هوش مصنوعی (زمان تخمینی: ۵ دقیقه)

به کار خود بر روی پروژه دوره فکر کنید و این موارد را در نظر بگیرید:

• جدیت در آفرینش:
  • کدام سیستم‌های هوش مصنوعی را برای کار انتخاب کردید و چرا؟
  • چه داده‌ها یا اطلاعاتی را با هوش مصنوعی به اشتراک گذاشتید؟
  • آیا ملاحظات حریم خصوصی، امنیتی یا اخلاقی در انتخاب‌های شما وجود داشت؟
• جدیت در شفافیت:
  • مخاطب خروجی پروژه شما کیست؟
  • آنها ممکن است چه انتظاراتی در مورد افشای استفاده از هوش مصنوعی داشته باشند؟
  • هوش مصنوعی به طور مشخص چگونه در جنبه‌های مختلف کار شما مشارکت داشته است؟
• جدیت در استقرار:
  • چه اقداماتی برای تأیید صحت و مناسب بودن مشارکت‌های هوش مصنوعی انجام دادید؟
  • چگونه اطمینان حاصل کردید که خروجی نهایی با استانداردها و الزامات شما مطابقت دارد؟
  • چه مسئولیتی را برای محصول نهایی بر عهده می‌گیرید؟

قدم سوم: پیش‌نویس بیانیه جدیت خود (زمان تخمینی: ۶ دقیقه)

یک گفتگو با Claude باز کنید و:

• تأملات خود از قدم دوم را به اشتراک بگذارید، و به صورت اختیاری مکالمات گذشته‌ای که در مورد این پروژه با Claude داشته‌اید را نیز به اشتراک بگذارید.
• با Claude همکاری کنید تا یک بیانیه جدیت مخصوص پروژه خودتان پیش‌نویس کنید.
• اطمینان حاصل کنید که بیانیه شما به این موارد می‌پردازد:
  • از کدام سیستم‌های هوش مصنوعی استفاده کرده‌اید.
  • هوش مصنوعی چگونه به پروژه شما کمک کرده است.
  • فرآیند بازبینی که به کار برده‌اید.
  • تأکید شما بر پذیرش مسئولیت برای خروجی نهایی.
  • هرگونه ملاحظات خاص زمینه (آکادمیک، حرفه‌ای و غیره).

قدم چهارم: اضافه کردن بیانیه به پروژه خود

وقتی پروژه خود را تمام کردید، بیانیه جدیت خود را در یک مکان مناسب (مثلا در پاورقی، ضمیمه یا فراداده) اضافه کنید.

تامل نهایی

• کدام جنبه از جدیت (آفرینش، شفافیت یا استقرار) را چالش‌برانگیزتر می‌یابید و چرا؟
• رویکرد شما به جدیت بسته به زمینه (شخصی، آکادمیک، حرفه‌ای) چگونه ممکن است متفاوت باشد؟
• قدردانی از نقش هوش مصنوعی در کار شما چگونه بر نحوه درک دیگران از آن تأثیر می‌گذارد؟
• چه ملاحظات اخلاقی در طول پروژه شما به وجود آمد که پیش‌بینی نکرده بودید؟
• چه دستورالعمل‌های شخصی‌ای ممکن است برای همکاری مسئولانه با هوش مصنوعی در آینده برای خودتان تدوین کنید؟

منابع این فصل

خلاصه‌هایی از صلاحیت جدیت (Diligence) در سایزهای مختلف (۸.۵x۱۱ و ۱۶x۹) برای چاپ یا استفاده در ارائه‌ها برای شما فراهم شده است.

در قدم بعدی چه خبره؟

در درس پایانی این دوره، ما به آنچه در مورد AI Fluency آموخته‌ایم و اینکه چگونه این صلاحیت‌ها با هم کار می‌کنند، تأمل خواهیم کرد. ما چارچوب را به طور کلی بازبینی کرده و بحث خواهیم کرد که چگونه می‌توانید با تکامل قابلیت‌های هوش مصنوعی، به توسعه این مهارت‌ها ادامه دهید. نتیجه‌گیری به شما کمک می‌کند تا دانش و شیوه‌هایی را که به دست آورده‌اید، تلفیق کرده و آنها را در همکاری‌های آینده با هوش مصنوعی به کار ببرید.

یادداشت مهم: این فصل از دوره نیز بر اساس چارچوب AI Fluency (توسط Rick Dakan و Joseph Feller)، با حمایت Anthropic و سازمان آموزش عالی ایرلند و تحت مجوز CC BY-NC-SA 4.0 تهیه شده است.

---

فصل هشتم: جمع‌بندی و ادامه مسیر؛ سفر شما در دنیای AI Fluency تازه آغاز شده است

خب، به بخش پایانی دوره «چارچوب و مبانی AI Fluency» رسیدیم. تا اینجا مسیر طولانی و پرباری را با هم طی کردیم. از درک مفهوم AI Fluency شروع کردیم، به دنیای هوش مصنوعی مولد شیرجه زدیم و چهار صلاحیت کلیدی واگذاری، توصیف، تشخیص و جدیت را قدم به قدم یاد گرفتیم و تمرین کردیم. حالا وقت آن است که همه این قطعات پازل را کنار هم بگذاریم و ببینیم چطور می‌توانیم این سفر یادگیری را ادامه دهیم.

مدت زمان تخمینی برای این فصل: ۱۵ دقیقه + زمان آزاد برای فعالیت‌های تکمیلی

اهداف یادگیری این فصل:

• یادگیری‌های کلیدی از کل دوره را تثبیت خواهید کرد.
• AI Fluency را به توسعه مداوم مهارت‌های خودتان متصل می‌کنید.

نتیجه‌گیری: همه چیز را کنار هم بگذاریم

یک ویدیوی ۶ دقیقه‌ای در دوره اصلی، به جمع‌بندی نهایی اختصاص دارد. در این ویدیو، ما یک بار دیگر به چارچوب AI Fluency برمی‌گردیم و مفاهیم کلیدی را که در طول دوره بررسی کردیم، با هم تلفیق می‌کنیم. بیایید یک مرور سریع داشته باشیم:

• واگذاری (Delegation): تصمیم‌گیری در مورد اینکه چه کاری را با هوش مصنوعی و چه کاری را به صورت مستقل انجام دهیم.
• توصیف (Description): برقراری ارتباط موثر و شفاف با هوش مصنوعی.
• تشخیص (Discernment): ارزیابی منتقدانه خروجی‌ها و رفتارهای هوش مصنوعی.
• جدیت (Diligence): تضمین همکاری مسئولانه و اخلاقی با هوش مصنوعی.

نکته مهم این است که این چهار صلاحیت (4D) در هر سه روش اصلی تعامل با هوش مصنوعی که قبلا یاد گرفتیم (اتوماسیون، تقویت و نمایندگی) کاربرد دارند. روان و مسلط شدن (Fluency) از طریق تمرین به دست می‌آید، نه یک شبه. باید به یاد داشته باشیم که سیستم‌های هوش مصنوعی ابزارهای قدرتمندی هستند، اما راه‌حل‌های جادویی نیستند. آنها تنها به اندازه‌ای مفید و امن هستند که ما از طریق تعامل متفکرانه خودمان، آنها را قادر می‌سازیم.

نکات کلیدی پایانی

• AI Fluency از طریق تمرین هدفمند چهار صلاحیت اصلی توسعه می‌یابد.
• واگذاری تأکید می‌کند که تخصص و قضاوت ما همچنان پایه و اساس همکاری موثر با هوش مصنوعی است.
• توصیف شامل ارتباط شفافی است که پلی بین نیت‌های ما و قابلیت‌های هوش مصنوعی می‌زند.
• تشخیص نیازمند ارزیابی متفکرانه و منتقدانه خروجی‌ها برای کار در چارچوب محدودیت‌های سیستم است.
• جدیت پاسخگویی، شفافیت و مسئولیت‌پذیری را در کار ما با هوش مصنوعی تضمین می‌کند.
• قدرتمندترین نتایج زمانی پدیدار می‌شوند که انسان‌ها و هوش مصنوعی بر نقاط قوت یکدیگر تکیه کنند.
• این چارچوب طوری طراحی شده است که با ادامه تکامل سیستم‌های هوش مصنوعی، مرتبط و کاربردی باقی بماند.

تمرین‌های پایانی: یادگیری خود را تثبیت کنید

تمرین ۱: دوره AI Fluency را با Claude مورد بحث قرار دهید

یک گفتگوی معنادار با Claude در مورد این دوره و چارچوب AI Fluency آغاز کنید. می‌توانید یک کپی از چارچوب را از آدرس `https://ringling.libguides.com/ai/framework` آپلود کنید.

• پیشنهادهایی برای شروع گفتگو:
  • «من به تازگی یک دوره در مورد AI Fluency را به پایان رساندم که شامل واگذاری، توصیف، تشخیص و جدیت بود. بیا بحث کنیم که چگونه این صلاحیت‌ها ممکن است در [رشته تحصیلی من یا شغل من یا هر چیز دیگری] کاربرد داشته باشند.»
  • «بیا بررسی کنیم که چارچوب AI Fluency با پیشرفت قابلیت‌های هوش مصنوعی چگونه ممکن است تکامل یابد. چه صلاحیت‌های جدیدی ممکن است در آینده مهم شوند؟» (اگر این کار را انجام دادید، با ما تماس بگیرید و یافته‌های خود را به اشتراک بگذارید!)
  • «بر اساس گفتگوی ما، به من کمک کن تا تشخیص دهم کدام یک از صلاحیت‌های 4D را به نظر می‌رسد خوب درک کرده‌ام و کدام یک را ممکن است نیاز به توسعه بیشتر داشته باشم.»
  • «این [یکی از تمرین‌هایی که در این دوره انجام دادم] است. بیا آن را تحلیل کنیم تا صلاحیت‌های من بهبود یابد.»

تمرین ۲: یک سیاست شخصی برای استفاده از هوش مصنوعی بسازید

با کمک Claude، دستورالعمل‌های شخصی خود را برای همکاری مسئولانه و اخلاقی با هوش مصنوعی در زمینه‌های شخصی و حرفه‌ای خود ایجاد کنید:

• استانداردهای روشنی برای زمان و نحوه کار با هوش مصنوعی در زمینه‌های مختلف ایجاد کنید.
• مرزهایی برای اطلاعات حساس یا محرمانه تعیین کنید.
• نحوه حفظ کنترل کیفیت برای کارهای انجام شده با کمک هوش مصنوعی را تعریف کنید.
• موضوعات اخلاقی مرتبط با حوزه یا فعالیت‌های خود را شناسایی کنید.
• معیارهای تصمیم‌گیری برای رسیدگی به معضلات اخلاقی را توسعه دهید.
• دیدگاه‌های افراد مختلفی که ممکن است تحت تأثیر تعاملات شما با هوش مصنوعی قرار گیرند را در نظر بگیرید.
• نحوه افشای همکاری با هوش مصنوعی را در زمینه‌های مختلف تعیین کنید.
• قالب‌هایی برای بیانیه‌های ارجاع و شفافیت ایجاد کنید.
• معیارهایی برای زمانی که افشای دقیق‌تر مناسب است، ایجاد کنید.

در این فرآیند، با Claude به عنوان یک شریک فکری کار کنید تا ملاحظات اخلاقی را از دیدگاه‌های متعدد بررسی کنید.

تامل نهایی

تمرین‌های بالا به عنوان بخش تأمل برای این درس عمل می‌کنند. از طریق آنها، شما فرصت خواهید داشت تا یادگیری خود را تثبیت کرده و آن را به توسعه مداوم خود متصل کنید.

در قدم بعدی چه خبره؟

تبریک می‌گوییم! شما دوره AI Fluency: چارچوب و مبانی را به پایان رساندید! این تنها آغاز سفر شما در دنیای AI Fluency است. با ادامه تکامل فناوری‌های هوش مصنوعی، صلاحیت‌هایی که در واگذاری، توصیف، تشخیص و جدیت توسعه داده‌اید، یک چارچوب پایدار برای هدایت کار شما با این سیستم‌ها فراهم می‌کند.

به یاد داشته باشید که تسلط از طریق تمرین به دست می‌آید. هر تعامل با هوش مصنوعی فرصتی برای اصلاح مهارت‌ها و تعمیق درک شماست. با نزدیک شدن به هوش مصنوعی به عنوان یک شریک فکری به جای فقط یک ابزار، و با حفظ تعهد به اثربخشی، کارایی، اخلاق و ایمنی، شما به خوبی برای هدایت آینده همکاری انسان و هوش مصنوعی موقعیت‌دار هستید.

ما شما را تشویق می‌کنیم که به کاوش، آزمایش و تأمل در تعاملات خود با هوش مصنوعی ادامه دهید. در درس ۱۲ (که در ادامه به آن اشاره می‌شود) تمرین‌های اضافی خوبی برای ادامه سفر شما وجود دارد.

ما شما را تشویق می‌کنیم که آنچه را یاد گرفته‌اید با دیگران (و ما!) به اشتراک بگذارید، به دنبال دیدگاه‌های متنوع باشید و در گفتگوی مداوم در مورد اینکه چگونه می‌توانیم با هوش مصنوعی به گونه‌ای کار کنیم که پتانسیل انسانی را تقویت کند و در عین حال به ارزش‌ها و مسئولیت‌هایمان در قبال یکدیگر احترام بگذارد، مشارکت کنید.

از مشارکت و تعامل شما در طول این دوره سپاسگزاریم!

گواهی پایان دوره: می‌توانید در یک ارزیابی نهایی شرکت کنید تا AI Fluency خود را بسنجید و گواهی رسمی خود را دریافت کنید.

یادداشت مهم: این دوره بر اساس چارچوب AI Fluency توسط Rick Dakan، Joseph Feller و Anthropic (حق نشر ۲۰۲۵) و تحت مجوز CC BY-NC-SA 4.0 تهیه شده است. این دوره از حمایت سازمان آموزش عالی ایرلند نیز برخوردار است.

---

فعالیت‌های اضافی (درس ۱۲): سفر خود را ادامه دهید

فعالیت‌های زیر برای یادگیری خودگردان پس از اتمام دوره اصلی طراحی شده‌اند. آنهایی را انتخاب کنید که با علایق و نیازهای شما همخوانی دارند، یا از آنها به عنوان الهام برای ایجاد فعالیت‌های خودتان استفاده کنید! این فعالیت‌ها زمان‌بندی مشخصی ندارند و با سرعت دلخواه شما قابل انجام هستند.

یک برنامه شخصی برای تسلط بر هوش مصنوعی (AI Fluency) بسازید

با کمک یک دستیار هوش مصنوعی، یک برنامه ساختاریافته برای توسعه AI Fluency خود در طول زمان ایجاد کنید:

• ارزیابی صلاحیت فعلی:
  • برای هر یک از صلاحیت‌های 4D، سطح مهارت فعلی خود را ارزیابی کنید (مبتدی، در حال توسعه، مطمئن).
  • نقاط قوت و زمینه‌های رشد مشخص را در هر صلاحیت مستند کنید.
  • شناسایی کنید که کدام یک از روش‌های تعامل با هوش مصنوعی (اتوماسیون، تقویت، نمایندگی) را در حال حاضر به طور موثرتر و کمتر موثر استفاده می‌کنید.
• شناسایی اولویت‌های توسعه:
  • ۱-۲ صلاحیت را برای تمرکز اولیه بر توسعه انتخاب کنید.
  • جنبه‌های مشخصی از این صلاحیت‌ها را که در زمینه شما ارزشمندتر هستند، شناسایی کنید.
  • در نظر بگیرید که در کدام یک از روش‌های تعامل با هوش مصنوعی می‌خواهید مهارت بیشتری پیدا کنید.
• برنامه‌ریزی اقدامات مشخص:
  • فعالیت‌های مشخصی برای توسعه هر صلاحیت اولویت‌دار ایجاد کنید.
  • یک جدول زمانی و فرکانس برای جلسات تمرین تعیین کنید.
  • منابع و ابزارهایی برای حمایت از توسعه خود شناسایی کنید.
  • نحوه تشخیص پیشرفت و موفقیت را تعریف کنید.

در این فرآیند با Claude به عنوان یک شریک فکری کار کنید، خودارزیابی‌های خود را به اشتراک بگذارید و در مورد برنامه‌تان بازخورد بگیرید.

یک کتابخانه شخصی از پرامپت‌ها و الگوها بسازید

با کمک Claude، یک مجموعه شخصی‌سازی شده از پرامپت‌ها و الگوهای موثر برای تعاملات مکرر خود با هوش مصنوعی ایجاد کنید:

• ایجاد قالب برای وظایف رایج:
  • ۵-۱۰ وظیفه‌ای را که به طور منظم با هوش مصنوعی انجام می‌دهید، شناسایی کنید.
  • برای هر وظیفه، یک پرامپت قالبی ایجاد کنید که به طور مداوم نتایج خوبی تولید کند.
  • شامل جایگاه‌ها یا یادداشت‌هایی برای اطلاعات متغیری باشد که هر بار باید اضافه کنید.
• مستندسازی استراتژی‌های موثر:
  • تکنیک‌های توصیف مشخصی را که برای انواع مختلف وظایف خوب کار می‌کنند، مستند کنید.
  • الگوهای تشخیصی را که به شما کمک می‌کنند خروجی‌ها را به طور موثرتری ارزیابی کنید، ثبت کنید.
  • توجه داشته باشید که کدام رویکردها برای حالت‌های مختلف تعامل بهتر کار می‌کنند.
• ساخت منبع مرجع شخصی:
  • قالب‌ها و استراتژی‌های خود را به گونه‌ای سازماندهی کنید که جستجو و دسترسی به آنها آسان باشد.
  • شامل نمونه‌هایی از خروجی‌های موفق برای مرجع باشید.
  • سیستمی برای به‌روزرسانی کتابخانه خود با کشف رویکردهای موثر جدید ایجاد کنید.

می‌توانید با Claude کار کنید تا تعاملات موفق گذشته خود را تحلیل کرده و الگوهایی را که آنها را موثر کرده‌اند، شناسایی کنید.

شب بازی!

این تمرین‌های سرگرم‌کننده برای شما و Claude به شما کمک می‌کنند تا توصیف دقیق را تمرین کرده و مهارت‌های تشخیص خود را از طریق پازل‌های کلمات تقویت کنید. از آنجا که پازل‌ها دستورالعمل‌های مشخصی دارند (برخلاف وظایف باز مانند «یک نامه تشکر بنویس»)، برای تمرین ارتباط شفاف عالی هستند. و چون به طور عمدی پیچیده هستند، تمرین‌های تشخیص عالی را فراهم می‌کنند! شما می‌توانید با انجام چند بازی، چیزهای زیادی در مورد ارزیابی دقیق و هدایت فرآیندهای فکری هوش مصنوعی یاد بگیرید. هر یک از موارد زیر را امتحان کنید.

• معما بازی کنید: یک معما بسازید (یا این یکی را امتحان کنید: «صد و چند طبل را می‌نوازم تا سمفونی نور را نقاشی کنم. من چه کار می‌کنم؟»). (پاسخ: من در حال تایپ روی کیبورد کامپیوتر هستم (معمولا ۱۰۴ کلید) تا پیکسل‌ها را روی مانیتور ایجاد کنم). از Claude بخواهید حدس بزند و مهم‌تر از آن، استدلال خود را توضیح دهد. نه تنها به آنچه Claude حدس می‌زند، بلکه به چرایی آن نیز توجه کنید. سپس به او پاسخ را ندهید، بلکه به آرامی Claude را به سمت زنجیره فکری و زمینه درست برای رسیدن به پاسخ هدایت کنید. سپس جای خود را عوض کنید و از او یک معما بخواهید. از Claude بخواهید همانطور که شما او را راهنمایی کردید، شما را راهنمایی کند.
• جدول کلمات متقاطع با همکاری: با هم روی سرنخ‌های جدول کلمات متقاطع کار کنید (سرنخ‌های جدول کلمات متقاطع رمزآلود می‌توانند به خصوص جالب باشند). تمرکز بر این نیست که شما یا Claude چقدر در حل جدول خوب هستید. بلکه در مورد یادگیری هدایت و اصلاح تفکر است: «یادت باشه، فقط ۵ حرفه»، «نه نمی‌تونه اون باشه چون با B شروع می‌شه»، «شاید منظورشون از «قورت دادن» مثل نوشیدن نبوده، شاید منظورشون «پرستو» بوده.» این مهارت‌های هدایتگری به طرز شگفت‌انگیزی در یک پروژه «واقعی» مفید خواهند بود.
• تداعی کلمات: بازی‌های تداعی کلمات برای بازی با Claude (یا مدل دلخواه شما) بسیار رضایت‌بخش و آموزنده هستند. بازی‌های رایگان زیادی به صورت آنلاین موجود است، فقط یک جستجو کنید! حتی فقط انتخاب ۱۲ تا ۲۰ کلمه تصادفی و همکاری با Claude برای یافتن روابط بین آنها می‌تواند تمرین تشخیص عالی باشد. وقتی متوجه می‌شوید Claude ارتباطات مشکوکی برقرار می‌کند یا از الگوهای امیدوارکننده غافل می‌شود، این را به او گوشزد کرده و او را به سمت استدلال بهتر هدایت کنید. به طور مشابه، آماده باشید که Claude ارتباطاتی را که ممکن است شما از دست داده باشید، تشخیص دهد!

پیشنهادات بازی بیشتر

• بیست سوالی: از Claude بخواهید به یک شی، شخص یا مفهوم فکر کند، سپس سعی کنید با پرسیدن سوالات بله/خیر آن را حدس بزنید. سپس نقش‌ها را عوض کنید.
• داستان‌سرایی مشترک: یک داستان را با یک جمله شروع کنید، از Claude بخواهید با جمله دیگری ادامه دهد و به نوبت پیش بروید.
• جادوگری در میخانه به شما نزدیک می‌شود: اگر از بازی‌های نقش‌آفرینی لذت می‌برید، سعی کنید یک یا دو بازی را با یک مدل زبان به عنوان بازیکن یا استاد بازی انجام دهید.
• مفاهیم و محدودیت‌ها: یک مفهوم پیچیده و محدودیت‌های بسیار سخت را انتخاب کنید، مانند «فقط با استفاده از استعاره‌های آشپزی توضیح بده». سپس از Claude بخواهید چالشی به شما بدهد، خودتان آن را امتحان کنید و رویکردها را مقایسه کنید.
• معماهای پیشرفته: پازل‌های منطقی یا کلمه‌ای خود را ایجاد کنید، سپس Claude را برای حل آن به چالش بکشید. (اگر برنامه‌نویس هستید، می‌توانید پازل‌ها را با مسائل دشواری مانند https://projecteuler.net/ با Claude جایگزین کنید).