🔥 شروع یک مسیر تازه در هوش مصنوعی دانشگاه سمنان!
این فقط یک ایونت نبود؛ نقطه‌ی آغاز شکل‌گیری جامعه‌ی SUAI بود. اینجا جاییه که درباره‌ی هوش مصنوعی یاد می‌گیریم، تجربه می‌کنیم، کارگاه برگزار می‌کنیم و تیم می‌سازیم.

🎯 اگر دنبال ورود جدی‌تر به دنیای AI هستی، این فقط شروع کاره…

با ما همراه شو و منتظر برنامه های جذاب بعدی باش.
📌 #SUAI

جامعه هوش مصنوعی دانشگاه سمنان
@SUAI_Community

سلام دوستان،
جهت یادآوری : کدهای پروژه‌هایی که در ایونت Agentic AI بررسی کردیم، آپلود شده.
👇لینک گیت‌هاب انجمن :
https://github.com/SemnanCS/agentic-ai

‌💣🔥 سایبر و جنگ نوین: ظهور Agent LLM به عنوان "هکر سازمانی" و "سرباز سایبری"

دیگر بحث یک هکر تنها پشت لپ‌تاپ نیست. امروز، ما با سیستم‌های هوش مصنوعی روبرو هستیم که می‌توانند شبانه روزی، بدون خستگی و با درکی شبیه به انسان، یک سازمان بزرگ را فلج یا یک عملیات اطلاعاتی نظامی را هدایت کنند.

این پست، پرده از قدرت خطرناک ترکیب مدل‌های زبان بزرگ (LLM) با Agent‌های هوشمند برمی‌دارد.
🚨🛑 بحران در مقیاس: Agent LLM، مغز متفکر حملات سازمان‌یافته
وقتی یک عامل هوشمند، مجهز به یک LLM تنظیم‌شده دقیق (Fine-Tuned)، وارد میدان می‌شود، هدف فقط دزدیدن رمز عبور یک کارمند نیست؛ بلکه اختلال در زیرساخت‌های حیاتی، سرقت اسرار دولتی یا از کار انداختن شبکه برق یک کشور است.

🧠⚙️ فناوری زیر ذره‌بین: تفاوت میان مغز و فرمانده
مغز متفکر: مدل زبان بزرگ (LLM)

به قلب حمله تبدیل می‌شود. وظیفه آن درک عمیق زبان و تدوین استراتژی‌های پیچیده سایبری است.

فرمانده میدان: عامل هوشمند (AI Agent)

یک سیستم خودگردان که می‌تواند اهداف را تعریف، ابزارها را انتخاب و از آن‌ها استفاده کند. LLM فرماندهی عملیات را بر عهده دارد.

تخصص خطرناک: LLM تنظیم‌شده دقیق (Fine-Tuned)

مدل LLM معمولی که با داده‌های خاص (مثل الگوهای حملات APT یا کدهای آسیب‌پذیر) آموزش دیده تا عملکردی فوق‌العاده تخصصی و خطرناک داشته باشد.

🛰 عملیات: "تروای دیجیتال"
هدف نفوذ به شبکه یک سازمان دفاعی با امنیت بسیار بالاست. Agent انسانی به ساعت‌ها و روزها زمان نیاز دارد، اما LLM Agent این کار را به یک فرایند اتوماتیک و مقیاس‌پذیر تبدیل می‌کند.

🎯🕵️ فاز ۱: نفوذ با مهندسی اجتماعی فوق پیشرفته
عامل LLM از قابلیت‌های زبانی خود برای طراحی یک کارزار اطلاعاتی کامل استفاده می‌کند.

شناسایی هدف (VIP Phishing): Agent، از طریق جستجو در منابع عمومی (OSINT)، مدیر ارشد IT را پیدا می‌کند. (هکر انسانی باید ساعت‌ها داده را غربال کند، Agent در ثانیه انجام می‌دهد.)

تولید محتوای فیشینگ با اقتدار: Agent با استفاده از داده‌های Fine-Tuning شده‌اش، ایمیلی با محتوای "اضطراری دولتی" تولید می‌کند.

متن متقاعدکننده:

"طبق دستورالعمل‌های جدید امنیت ملی... کلیه کاربران باید فوری نسخه به‌روزرسانی شده پروتکل احراز هویت دوعاملی (2FA) را از طریق لینک امن زیر دانلود و نصب کنند. عدم اقدام، منجر به تعلیق دسترسی شما به شبکه حساس خواهد شد."

انتخاب ابزار هوشمند: Agent ابزار Domain Generator خود را فعال می‌کند تا آدرس‌هایی شبیه به نام سازمان دولتی هدف ایجاد کند.

🔒🕸 فاز ۲: ماندگاری و گسترش در شبکه (Lateral Movement)
پس از کلیک قربانی، Agent دیگر یک فیشینگ ساده انجام نمی‌دهد؛ بلکه مانند یک هکر باتجربه، شروع به کشف فعال در شبکه می‌کند:

تصمیم‌گیری استراتژیک: Agent، از طریق LLM خود، بهترین مسیرهای داخلی برای دسترسی به سرورهای کلیدی را ترسیم می‌کند. (بر خلاف اسکریپت ساده، Agent می‌تواند در لحظه تصمیمات پیچیده و استراتژیک بگیرد.)

اجرای اکسپلویت‌ها: Agent به ابزارهای اکسپلویت مجهز است. تصمیم می‌گیرد از یک نقص Zero-Day یا یک ابزار رایج (مانند Metasploit) استفاده کند تا به طور افقی در شبکه حرکت کرده و کنترل خود را بر سیستم‌های حساس گسترش دهد.

⚔️🛡 تهدید نظامی: LLM در صحنه نبرد
وقتی این تکنولوژی به دست ارتش‌ها بیفتد، Agent LLM یک سلاح سایبری استراتژیک است:

جنگ اطلاعاتی (Information Warfare): Agent LLM در یک لحظه هزاران مقاله خبری جعلی یا ویدئوهای دیپ‌فیک تولید می‌کند تا افکار عمومی کشور هدف را تحت تأثیر قرار دهد. این کار که نیازمند منابع انسانی عظیمی بود، اکنون کاملاً خودکار است.

فرماندهی عملیات: Agent می‌تواند فرماندهی و کنترل پهپادها و سیستم‌های رباتیک را در میدان نبرد بر عهده بگیرد.

❓🤔 آمادگی ما؟ نتیجه‌گیری (نبرد Agent‌ها)
استفاده از Agent LLM، قوانین بازی در سایبرسکیوریتی را اساساً تغییر داده است. سرعت مهاجمان غیرقابل تصور است. (تفاوت در اینجاست: هکر سازمانی به صدها نفر نیروی کار نیاز دارد، Agent به یک دستور.)

بهترین راه مقابله، استفاده از همین سلاح است! جامعه امنیتی باید Agent‌های دفاعی خود را آموزش دهد تا:

شناسایی محتوای تولیدشده توسط هوش مصنوعی (AI-Generated Content).

شبیه‌سازی مداوم حملات LLM Agent (Red Teaming).

واکنش سریع و خودکار (Autonomous Response) به نفوذهای پیچیده.

💬 به نظر شما، در نبرد میان Agent‌های هجومی و Agent‌های دفاعی، کدام یک پیروز خواهند شد؟


جامعه هوش مصنوعی دانشگاه سمنان
مطالب بیشتر، بحث‌های تخصصی و رویدادها را دنبال کنید!
🆔 @SUAI_Community

علاقه‌مندان به این موضوع، برای اطلاعات بیشتر می‌توانند مقالات زیر را در این‎‌باره بخوانند.

1- LLM-Based Agents for Autonomous Cyber Operations

2- The Role of Large Language Models in Next-Generation Information Warfare

3- Autonomous Defense Agents: Countering Zero-Day Exploits using AI

🏆بزرگ‌ترین مسابقه هوش مصنوعی کشور با همکاری بنیاد ملی نخبگان، پست بانک ایران، موسسه خیریه محک و iEEE برگزار می‌شود.

📌جوایز:
۵۰ هزار دلار جایزه نقدی ( هر چالش بیش از یک میلیارد تومان)
🔸امتیاز نخبگی بنیاد ملی نخبگان، امریه سربازی و ...

🔥 تخفیف ویژه : CLB3

💳 امکان پرداخت در ۴ قسط با اسنپ پی
⌛️ تنها ۴۸ ساعت!
🌐 ثبت‌نام و دریافت اطلاعات بیشتر
🔗 اینستاگرام
☎️شماره تماس:91096992-021

🟣جایزه سالانه هوش مصنوعی ایران (iAAA)|
@iaaa_ai

🧠 خلاصه سمینار کاربرد گراف‌ها و یادگیری ماشین در پیش‌بینی و تشخیص آلزایمر

وبیناری که توسط دکتر امیرحسین سبحانی و آقای محمد علی برهمن برگزار شد، به بررسی نحوه استفاده از گراف‌ها (شبکه‌ها) و یادگیری عمیق (Deep Learning)، به ویژه شبکه‌های عصبی گراف (GNN)، برای غلبه بر چالش‌های تشخیص بیماری آلزایمر پرداخت.

1️⃣ درک بیماری آلزایمر و چالش‌های تشخیص سنتی
آلزایمر شایع‌ترین علت زوال عقل است که با کاهش تدریجی توانایی‌های شناختی همراه است.

از نظر پزشکی، این بیماری به دلیل تجمع پروتئین‌های آمیلوئید بتا در اطراف آکسون‌های نورون‌ها ایجاد می‌شود که فرآیند انتقال پیام‌های عصبی را مختل و باعث تحلیل مغز می‌شود.

پزشکی سنتی بر شاخص‌های مستقیمی مانند تصاویر MRI، علائم رفتاری و تست‌های شناختی تکیه می‌کند که اغلب دارای خطای انسانی زیاد هستند و نمی‌توانند الگوهای پنهان و دینامیک‌های پیچیده شبکه‌ای مغز را تحلیل کنند.

2️⃣ مغز به مثابه یک شبکه (گراف)
نکته کلیدی این است که مغز یک ساختار نقطه‌ای نیست، بلکه یک ساختار شبکه‌ای بسیار پیچیده است.

در این مدل‌سازی، نواحی مغز به عنوان گره‌ها (Nodes) و اتصالات فیزیکی و عملکردی بین آن‌ها به عنوان یال‌ها (Edges) در نظر گرفته می‌شوند.

ساختارهای گرافی مغز:

ساختار Small-World (دنیای کوچک): مغز دارای یک ساختار کارآمد است که هم خوشه‌بندی محلی بالا و هم طول مسیرهای گلوبال کوتاه را فراهم می‌کند. در آلزایمر، ساختار Small-World مغز به‌هم می‌ریزد.

شبکه‌های Scale-Free (بدون مقیاس): این شبکه‌ها دارای تعداد کمی هاب (Hubs) با اتصالات بسیار بالا هستند که نقاط حیاتی مغز به شمار می‌روند.

3️⃣ کاربرد شبکه‌های عصبی گراف (GNN) در تشخیص آلزایمر
شبکه‌های GNN مدل‌های یادگیری عمیقی هستند که به‌طور خاص برای کار با داده‌های دارای ساختار گرافی طراحی شده‌اند. این شبکه‌ها برای تحلیل ساختارهای پیچیده مغزی بسیار مناسب‌تر از روش‌های کلاسیک هستند.

فرآیند کار GNN برای آلزایمر:

ساخت گراف: داده‌های پزشکی (MRI، علائم) جمع‌آوری شده و مغز به صورت یک گراف مدل‌سازی می‌شود.

ورودی دادن ویژگی‌ها: ویژگی‌های هر ناحیه مغز (گره) به یک بردار عددی تبدیل می‌شوند. این بردارها در واقع ترجمه ریاضی وضعیت آن ناحیه برای هوش مصنوعی هستند.

یادگیری الگوهای پنهان (انتقال پیام): GNN از گره‌های همسایه اطلاعات می‌گیرد و الگوهای پنهان اتصالی مغز را که با چشم قابل تحلیل نیستند، یاد می‌گیرد.

✅ خروجی و دستاورد شگفت‌انگیز:
شبکه‌های GNN با متمرکز شدن بر تحلیل دینامیک‌های پنهان شبکه‌ای مغز و سنجش نقص در کارایی جهانی و محلی آن، دقت تشخیص را به سطحی جدید می‌رسانند. این رویکرد به هوش مصنوعی قدرت می‌دهد تا:

طبقه‌بندی دقیق: وضعیت مغز را با وضوح بالا در دسته‌های سالم، اختلال شناختی خفیف (MCI) و آلزایمر مشخص کند.

پیش‌بینی زودهنگام: پیشرفت بیماری را پیش‌بینی کرده و سال‌ها قبل از بروز علائم کامل شناختی، شروع آلزایمر را تشخیص دهد؛ امری که راه را برای مداخله درمانی زودهنگام هموار می‌سازد.

💡 واژه‌نامه تخصصی:
آکسون (Axon): شاخه‌های بلند و استوانه‌ای نورون‌ها که پیام‌های عصبی را به سلول‌های دیگر انتقال می‌دهند؛ در مدل GNN معادل یال (Edge) گراف است.

آمیلوئید بتا (Amyloid Beta): پروتئینی که تجمع آن در مغز، عامل شروع بیماری آلزایمر شناخته می‌شود.

شبکه‌های عصبی گراف (GNN): هوش مصنوعی تخصصی که برای تحلیل شبکه‌های پیچیده (مانند شبکه اتصالات مغزی) آموزش داده می‌شود.

ساختار Small-World: ویژگی شبکه‌ای که ارتباط سریع بین نواحی نزدیک و دور را تضمین می‌کند؛ این ساختار در مغز مبتلا به آلزایمر به‌هم می‌ریزد.

هاب (Hub): گره‌هایی در شبکه که تعداد اتصالات بسیار بالایی دارند و نقش مرکزی در انتقال اطلاعات ایفا می‌کنند.

بردار ویژگی: مجموعه‌ای از اعداد که GNN برای توصیف وضعیت یک ناحیه مغز (گره) از آن استفاده می‌کند تا بتواند آن را یاد بگیرد.

فناوری که زندگی می‌بخشد✨
در این مسیر الهام‌بخش، همراه ما باشید.

جامعه هوش مصنوعی دانشگاه سمنان
🆔 @SUAI_Community

رویداد آشنایی با مدل‌های هوش مصنوعی و نحوه کارکرد آن‌ها

📌در این رویداد با انواع مدل‌های هوش مصنوعی، شیوه عملکرد آن‌ها و مسیر یادگیری اصولی برای ورود به دنیای هوش مصنوعی آشنا خواهید شد. این رویداد نقطه شروعی مناسب برای علاقه‌مندانی است که می خواهند درک بهتری از این حوزه پیدا کنند. ( چه برای استفاده عمومی، چه برای ادامه مسیر تخصصی)

این رویداد همچنین به‌عنوان پیش‌نیاز کارگاه‌ها و دوره‌های تخصصی هوش مصنوعی و بینایی ماشین برگزار می‌شود و می‌تواند در تصمیم‌گیری برای ثبت‌نام آن برنامه‌ها بسیار کمک‌کننده باشد.

📅 دوشنبه 24 آذر | 🕓  18 تا 20
♦️این رویداد به‌صورت آنلاین برگزار خواهد شد.

🔸 برای ثبت نام در این رویداد فرم زیر را تکمیل کنید:
[لینک فرم ثبت نام]

🔸 پس از ثبت‌نام، از طریق لینک زیر وارد گروه تلگرام شوید.
[لینک عضویت در گروه]

🔸🔸🔸🔸🔸🔸🔸🔸🔸🔸 
انجمن علمی رباتیک و هوش مصنوعی
انجمن علمی مهندسی کامپیوتر
انجمن علمی علوم کامپیوتر

🔥به مناسبت روز دانشجو🔥

🏆بزرگ‌ترین مسابقه هوش مصنوعی کشور با همکاری بنیاد ملی نخبگان، پست بانک ایران، محک و iEEE برگزار می‌شود.

📌جوایز:
۵۰ هزار دلار جایزه نقدی ( هر چالش بیش از یک میلیارد تومان)
🔸امتیاز نخبگی بنیاد ملی نخبگان، امریه سربازی و ...

🎓 تخفیف روز دانشجو : stu04
💳 امکان پرداخت در ۴ قسط با اسنپ پی
⌛️مهلت تا ۱۸ آذر

🌐 ثبت‌نام و دریافت اطلاعات بیشتر
🔗 اینستاگرام
☎️شماره تماس:91096992-021
📱پشتیبانی تلگرام:09103445843

🟣جایزه سالانه هوش مصنوعی ایران (iAAA)|
@iaaa_ai

🎥 تور سریع AI & ML

✨ آموزش هوش مصنوعی با ابزار هوش مصنوعی؛ یعنی دنیای پیشرو!

با ما همراه باشید 🌐

جامعه هوش مصنوعی دانشگاه سمنان
🆔️ @SUAI_Community

🎥 روند یادگیری مدل XGBoost

🌱 با اضافه شدن هر درخت، مدل اشتباهات قبلیش رو اصلاح می‌کنه و قدم‌به‌قدم به جواب بهینه نزدیک‌تر می‌شه.
دقیقاً همون ایده‌ی boosting که باعث شده XGBoost هم سریع باشه هم دقیق.🚀

📈 این مدل در اصل از چند تا درخت تصمیم ساخته می‌شه، اما این درخت‌ها مستقل از هم نیستن. در XGBoost هر درخت جدید مستقیماً روی کاهش loss مرحله‌ی قبل کار می‌کنه و سعی می‌کنه اشتباهات مدل رو جبران کنه.

🎯 به‌خاطر همین ساختار مرحله‌ای، با اضافه شدن هر درخت مرز بین کلاس‌ها دقیق‌تر می‌شه و خروجی مدل کم‌کم به مقدار بهینه نزدیک‌تر میشه.

🧠 این نوع visualization کمک می‌کنه رفتار مدل‌های Tree-based رو بهتر از صرفاً دیدن عدد accuracy درک کنیم.

جامعه هوش مصنوعی دانشگاه سمنان
🆔️ @SUAI_Community

⏰ بالاخره زمانش رسید!

کمتر از 2 ساعت دیگه رویداد آشنایی با مدل‌های هوش مصنوعی و نحوه کارکرد آن‌ها برگزار میشه 🤖

اگه مدت‌هاست اسم هوش مصنوعی رو می‌شنوی و کنجکاوی بدونی دقیقاً پشت صحنه چه خبره،
یا دلت می‌خواد بدونی این همه مدل و ابزار AI اصلاً چطور کار می‌کنن و از کجا باید شروع کرد،
این جلسه همون نقطه شروع خوبه که خیلیا دنبالش بودن.

قراره خودمونی و ساده:
• یه تصویر درست از دنیای هوش مصنوعی بگیریم
• بفهمیم این مدل‌ها چه کارایی می‌تونن بکنن
• و اگه بخوای جدی‌تر ادامه بدی، مسیرش از کجا می‌گذره 👌

📅 امروز (دوشنبه ۲۴ آذر)
🕕 ۱۸ تا ۲۰ — آنلاین

⚠️ اگه هنوز ثبت‌نام نکردی، الان بهترین فرصته
✅ ثبت‌نام هم کاملاً رایگانه

🔗 لینک ثبت‌نام:
لینک ثبت نام

پس از ثبت‌نام، از طریق لینک زیر وارد گروه تلگرام شوید:
لینک عضویت در گروه

جامعه هوش مصنوعی دانشگاه سمنان
🆔 @SUAI_Community

🎥 یکی از اولین پیاده‌سازی‌های Convolutional Neural Network

پژوهشی از Yann LeCun در سال ۱۹۸۹ برای تشخیص اعداد دست‌نویس. «ایده‌هایی که آن زمان معرفی شدند، امروز ستون فقرات بینایی ماشین و یادگیری عمیق را تشکیل می‌دهند.»


جامعه هوش مصنوعی دانشگاه سمنان
🆔️ @SUAI_Community