سالروز شهادت حضرت صدیقه طاهره رو خدمت همه دوستان تسلیت میگم.

امروز سالگرد فوت مادر بنده هم هست. ممنون میشم اگر مرحمت بفرمایید و براشون فاتحه ای بخوانید.

خدا اموات همه عزیزان رو غرق در رحمت و مغفرت کند.

On Sacrifice and Pain

جنسن هوانگ، موسس و مدیرعامل شرکت Nvidia از سال ۱۹۹۳، پس از ۳۱ سال مدیریت و هدایت این شرکت به جایگاه پرارزش‌ترین شرکت دنیا، در مصاحبه‌ای می‌گوید:

«از بین تمام چیزهایی که در مورد توانایی‌هایم بیشترین ارزش را برای آن قائلم، هوش در صدر این فهرست قرار ندارد. توانایی من در تحمل درد و رنج، توانایی کار کردن روی یک چیز برای دوره‌ای بسیار بسیار طولانی، و توانایی مقابله با شکست‌ها و دیدن فرصتی که درست سراغم می‌آید، به نظر من ابرقدرت‌های من هستند.»

وقتی شما تصمیم می‌گیرید شرکت‌تان را Scale و بزرگ‌تر کنید، نیازمند از دست دادن یک سری از افرادتان (که تا پیش از این به شما در رسیدن به این مرحله کمک کرده‌اند)، روندها و تغییر سبک کاری‌تان هستید.

به همان صورت، وقتی شما تصمیم می‌گیرید در زندگی شخصی‌تان لول آپ کنید، با هر پله‌ای که بالا می‌روید، دست‌کم یک چیز را از دست خواهید داد: ممکن است یک عادت همیشگی، یک دوستی صمیمی، یک رابطه عمیق عاطفی، یک تفریح دوست‌داشتنی و در نهایت، یک نسخه از خودتان که تاکنون می‌شناختید را از دست بدهید.

در هر پله از بالا رفتن در زندگی و کار، شما قطعاً یک سری چیزها را از دست خواهید داد و اینجاست که فداکاری و Sacrifice، معنا پیدا می‌کند. این فداکاری‌ها برای هر فردی پر از درد خواهد بود و عیار صحبت‌های جنسن هوانگ درباره «توانایی تحمل درد» در اینجا مشخص می‌شود.

طبیعت، بی‌رحمانه و کاملاً واقع‌بینانه از شما می‌خواهد که هزینه‌های لازم برای یک پله بالاتر رفتن را نقداً، پیش‌پرداخت کنید! این پیش پرداخت، کلید دستیابی به فرصت های جدید، دستاورد ها و ارزش های جدیدی است که تا پیش از این، دور از دسترس به نظر می رسیدند.

در نهایت باید از خود پرسید: آیا مایلم هزینه‌های لازم برای لول آپ را از پیش، نقداً پرداخت کنم؟

سلام به همه

بعد از یک وقفه قصد دارم دوره سوم همخوانی رو برگزار کنم. با مشورت دوستان قرار شد این دور رو به بررسی 5 مقاله برای آشنایی با ابعاد مختلف هوش مصنوعی و توسعه کسب و کارهای هوشمند برگزار کنیم. مثل دوره‌های قبل سعی داریم مقالاتی رو از کارافرینان، سرمایه‌گذاران یا تئوری پردازان برجسته بخونیم تا با نگاه این افراد به هوش مصنوعی آشنا بشیم.


چی میخونیم؟

۱. جلسه‌ی اول: مقاله‌ Three Observations از سم آلتمن

2. جلسه دوم: مقاله AI Eats the World بن ایوانز

3.جلسه سوم: مقاله Be a platform از ریدهافمن و توبی لوتکه

4. جلسه چهارم:  مقاله Philosophy eats AI از میکائیل شارژ

5. جلسه پنجم: مقاله Bitter lesson از ریک سوتون

6. اختتامیه: حضوری با دعوت از مهمان


هر جلسه حدود ۱.۵ ساعت طول میکشه. اول مقاله رو میخونیم، بعد نظراتمون رو به اشتراک میذاریم. این جلسه محیطی برا گپ زدن دوستانه است. مثل همیشه اگر پیشنهادی دارین، حتما بهم پیام بدین.
 
📍 زمان و نحوه برگزاری: متعاقبا اعلام خواهد شد.
📍 تعداد نفرات حضوری: حداکثر 20 نفر

دوستانی که علاقه مند به حضور در این دوره از جلسات هستند لطفا فرم زیر رو پر کنند.
https://survey.porsline.ir/s/kHOFyGO

🆔@Tavaroghstd

تاملاتی دربارهٔ توسعه سیستم‌های ملی و دلایل شکست

سیستم‌های ملی مثل سوخت و یارانه و… نه به دلیل ضعف فنی، بلکه به دلیل خطاهای سیستمی، رفتاری، و حکمرانی شکست می‌خورند. اخیرا گفتگوهایی پیرامون علت شکست این سیستم‌ها داشتم که سعی کردم در اینجا تا حدی یک چارچوب واحد برای تحلیل این مسائل ارائه دهم.

1. خطاهای ذهنی در طراحی سیستم
معمولا به دلیل مفروضات غلطی که در ذهن طراحان و توسعه دهندگان سیستم وجود دارد سیستم‌ها دچار شکست‌های شدیدی در سطح کلان می‌شوند. برخی از این مفروضات غلط عبارتند از:

1: توهم مقیاس‌پذیری
یکی از مشکلات رایج در توسعه سیستم‌ها این است که فکر می‌کنیم چون چیزی در ۵ شهر کار کرده، در ۳۱ استان هم کار می‌کند. درحالی‌که در واقعیت ممکن است رفتار کاربران در جاهای مختلف متفاوت باشد، زیرساخت‌های موجود ناهمگن داشته باشیم و یا فساد و مداخلات محلی باعث مشکلاتی شود.

2: توهم رفتار هماهنگ کاربران
فکر می‌کنیم اگر الگوریتم درست باشد، حتما خروجی درست است. یعنی فرض می‌کنیم مردم «مثل آزمایشگاه» رفتار می‌کنند. درحالی‌که در سیستم‌های ملی کاربران رفتارشان را تغییر می‌دهند، رفتار خود را پنهان یا جعل می‌کنند، با هم تبانی می‌کنند یا داده را دستکاری می‌کنند یا با تأخیر ارسال می‌کنند

3: توهم بی‌طرفی داده
ما فرض می‌کنیم داده‌ای که وارد سیستم می‌شود و از بخش‌های مختلف دریافت می‌کنیم درست است. اما داده در فرایند تولید دچار اشتباه می‌شود زیرا داده محصول قدرت است، محصول منافع تضاد‌یافته است یا محصول خطاهای انسانی است

2. خطاهای ساختاری در طراحی
بر خلاف خطاهای نوع اول این خطاها ریشه در طراحی اشتباه و معماری سیستم دارد که البته به وضوح قابل مشاهده نیستند و نیاز به بررسی بیشتری دارند.

1: بی توجهی به چرخه به‌روزرسانی داده
بسیاری از اوقات پیش می‌آید که داده‌ها درست هستند اما در کنار هم قرار گرفتن آن‌ها خروجی درستی نمی‌دهد. مثلا یک سامانه روزانه به‌روزرسانی می‌شود و یکی هفتگی که این ناهماهنگی باعث خروجی متناقض بدون دلیل، خطا در تصمیم‌گیری و ناکارآمدی کل سیستم می‌شود.

2: معماری مقیاس‌ناپذیر
گلوگاه‌ها یا dependencyهای پنهان معمولا در طراحی دیده نمی‌شود اما باعث می‌شوند بخشی از داده‌ها دیر برسد، بخشی پردازش نشود، برخی سرویس‌ها down شوند و در نهایت باعث می‌شوند سیستم دچار خروجی ضدونقیض شود.


3. خطاهای ذینفعی و قدرت
هر تغییری در سیستم باعث تغییر در روابط قدرت خواهد بود و اثراتی بر ذینفعان سیستم خواهد گذاشت که بی توجهی به آن منجر به شکست کامل سیستم‌ها خواهد شد.

1: مداخله‌ی استان‌های پرریسک
رفتار داده‌ای استان‌هایی با فساد یا قاچاق بالا باید به دقت رصد شود. دستکاری، تأخیر، حذف بخشی از داده و ناهماهنگی عمدی از جمله احتمالات مطرح در این بخش‌ها است. این اتفاقات باعث آموزش غلط مدل و خروجی متناقض می‌شود.

2: بهبود هر زیرسیستم تا حد امکان
وقتی یک زیرسیستم خیلی کارآمد شود، باعث می‌شود سایر زیرسیستم‌های عقب‌مانده به‌صورت طبیعی ناکارآمدتر از قبل جلوه می‌کنند. در نتیجه سایرین تلاش می‌کنند به بخش کارامد حمله کنند. این یعنی مقاومت پنهان یا Sabotage در برابر سیستم شکل می‌گیرد یا حتی لابی برای توقف کل طرح ایجاد می‌شود

3: ضعف در تحلیل شبکه قدرت
بدون نقشهٔ قدرت ما نمی‌فهمیم چه کسی منفعتش تهدید شده و نمی‌دانیم چه کسی داده را خراب می‌کند یا حتی سیستم را با اطلاعات غلط تغذیه می‌کند. باید توجه داشته باشیم در سیستم‌ها گاهی فساد از طریق تغییر دادن داده ورودی انجام می‌شود.

4. خطاهای داده و مدل
بخش مهمی از اشکالاتی که در سیستم‌های داده محور اتفاق می‌افتاد به دلیل تفاوت‌های توسعه سیستم و یا توسعه مدل در حالت آزمایشگاهی و تست آن در محیط است.

1: داده در دنیای واقعی کامل نیست
در زمان توسعه ما با داده‌های به نسبت کامل و تمیزی مواجه می‌شویم. اما باید بدانیم در دنیای واقعی داده ناقص است که این امر منجر به تصمیمات اشتباه و ناقص می‌شود. در واقعیت استان‌ها داده ناقص می‌دهند، داده دیر می‌رسد و یا دوره‌های جمع‌آوری متفاوت است که بی توجهی به آن منجر به ناکارامدی سیستم در دنیای واقعی می‌شود.

2: آموزش با داده نادرست
ممکن است در مرحله طراحی آزمایشگاهی و یا توسعه مدل ما با داده‌های اشتباهی مواجه شویم. باید بدانید که گاهی اوقات اگر داده حتی ۵٪ دستکاری شود مدل شما ممکن است کل مسیر تصمیم‌گیری را اشتباه یاد بگیرد. این یعنی در سطح ملی به داده‌های اولیه نیز حساسیت داشته باشید.

3: بازرسی یک لایه ماشینی
همیشه ترکیبی از بازرسی چند لایه ماشینی و انسانی مورد نیاز است و هیچ کدام به تنهایی نمی‌تواند پاسخگوی نیاز ما در رصد سیستم باشد. چرا که ممکن است گزارش‌های بازرسان واقعی نباشد، رفتار انسانی log نشود و یا تبانی چند استان در سیستم دیده نشود

🆔@Tavaroghstd

🌐 اولین وب‌سایت دنیا هنوز آنلاین است!

می‌دونستی اولین وب‌سایتی که سال ۱۹۹۱ توسط تیم برنرز-لی (مبدع اینترنت) ساخته شد، هنوز هم فعال و قابل دسترسه؟

این سایت که روی سرورهای CERN بالا اومد،‌ اولین قدم جدی برای ساخت دنیای وب بود و عملاً اینترنت امروزی رو شکل داد!

🔗 آدرسش هم هنوز همونه: info.cern.ch
و حتی نسخه‌ی اصلی و اولیه سایت رو هم می‌تونی ببینی—ساده، بدون هیچ گرافیکی، اما تاریخی!

پی‌نوشت: این صفحه کوچک و سیاه شروع عصری رو رقم زد که زندگی رو به معنای واقعی تغییر داد. در طول کمتر از ۴۰ سال جهان به جایی تبدیل شد که قطعا خود ایشون هم تصوری ازش نداشت.

منبع: کانال @CEngineer93

🆔@Tavaroghstd

سلام.
گویا فرم ثبت نام غیر فعال شده بود که یکی از اعضای محترم به من اطلاع دادند. مجدد فعالش کردم. اگر همچنان مشکلی در فرایند ثبت نام وجود داشت بهم حتما اطلاع بدید.

تا پایان هفته امکان ثبت نام وجود دارد.
ارادتمند

ترکیب بهترین‌ها، بدترین خروجی را می‌دهد!

یک نکته‌ای که بارها در جاهای مختلف باهاش روبرو شدم این است که انگار یک فرض پنهان وجود دارد: اگر همه چیزهایی را که دیگران دارند با هم جمع کنیم، خروجی حتماً بهتر از بقیه خواهد شد. در حالی که بیشتر اوقات نتیجه برعکس است. مثلا احتمالا این موارد رو دیده باشید:

🔸واحد منابع انسانی میره آگهی های مختلف رو میبینه و ویژگی همه رو مینویسه داخل یک آگهی. خروجی تبدیل می‌شود به لیستی از توانایی‌هایی که یک تیم باید داشته باشه، نه یک فرد مشخص. یعنی یه آگهی که اصلا معلوم نیست قرار است چه کسی را هدف بگیره و استخدام کنه.

🔸در توسعه محصول یا هنگام نوشتن درخواست پروپوزال هم یک نفر می‌رود کل قابلیت‌های همه سیستم‌های موجود در بازار را جمع می‌کند و می‌گوید «ما همه این‌ها را داریم یا می‌خواهیم». نتیجه‌اش می‌شود محصولی نامشخص، پر از پیچیدگی، بدون هیچ ارزش متمایز که هیچ مسئله واقعی از کاربر را حل نمی‌کند.

🔸در سطح سیاست‌گذاری هم وقتی می‌خواهیم سند بنویسیم، سراغ تجربه‌های چین، آمریکا، عربستان، هلند و… می‌رویم و می‌گوییم همه بهترین‌های همه را می‌خواهیم. اما خروجی، یک سند پرجزئیات و بی‌اولویت است که در نهایت هیچ مسأله‌ای را حل نمی‌کند.


چرا این اتفاق می‌افتد؟

به نظرم جمع کردن اطلاعات مختلف نیازی به فهم عمیق مساله ندارد و عملا جمع‌کردن بهترین‌های دیگران زحمتِ فکرکردن را هم حذف می‌کند. یعنی لازم نیست تصمیم بگیریم، انتخاب کنیم، اولویت بگذاریم یا بپرسیم «مشکل واقعی چیه؟» بلکه فقط باید کپی کنیم.

چطور این اشتباه را نکنیم؟

برای حل این مشکل چند راهکار ساده اما بسیار مهم به نظرم می‌رسه که به کارگیری اونها تا حد زیادی مشکل رو حل میکنه.

1. از خودتان بپرسید اگر فقط یک چیز را می‌توانستیم حل کنیم، آن یک چیز چه بود؟
تا وقتی مشخص نباشد یک فرد یا سیستم چه مشکلی را می‌خواهد حل شد، جمع‌کردن جواب‌های دیگران بیشتر نویز است و کمکی به حل مشکل نمی‌کند.

2. لیست «نه‌ها» را بسازید
سازمان‌ها معمولاً لیستی از «می‌خواهیم» دارند، اما لیست «نمی‌خواهیم یا غیر مهم‌ها» ندارند. در هر آگهی یا سند سیاستی باید مشخص شود چه چیزهایی اهمیت ندارد یا ما نمی‌خواهیم آنها را داشته باشیم.

3. به بنچمارک خودتان زمینه اضافه کنید
حتی بهترین ایده‌ها بدون درک زمینه‌ای که در آن اتفاق افتاده‌اند، خراب می‌شوند. علت اینکه یک ایده در چین جواب داده فقط «قابلیت» نیست؛ «زمینه» هم بخش مهمی از ماجرا است. پس چه در تحلیل افراد و چه در تحلیل سیستم‌ها سعی کنید زمینه‌ای که آن اتفاق در آن رخ داده است را هم دقیق درک کنید.

4. عمدا محدودیت بگذارید
یک راهکار خیلی خوب در نوشتن هر سندی این است که از اول محدودیت برای خودتان تعیین کنید.. مثلا حداکثر 4 قابلیت آگهی استخدام بگذارید، حداکثر ۳ قابلیت متمایز برای محصول، حداکثر ۲ اولویت فوری برای انتخاب کارهایشان و .... همین محدویت‌ها باعث می‌شود تصمیمات با کیفیت‌تر و دقیقتری بگیرید.

🆔@Tavaroghstd

سلام.

خوشبختانه فرایند ثبت نام همخوانی 3 به اتمام رسید.
به زودی با عزیزانی که ثبت نام کردند موضوع رو نهایی میکنیم تا از ابتدای دی ماه شروع کنیم.

ممنون از همه دوستان

مغالطه‌ «Ad Hominem» یعنی چی؟

چند روز پیش در لینکداین درباره استقلال کشور از یک نفر سوال کردم. ایشون به‌جای پاسخ منطقی، شروع کرد به حمله شخصی. «منبعت ویکی‌پدیاست....»، « آقای نسبتا محترم... »«من استدلال می‌کنم ولی تو بعیده گوش بدی....» و از این دست جمله‌ها.

این سبک بحث یک مغالطه شناخته‌شده به نام Ad hominem هست. یعنی به‌جای نقد حرف، به شخص حمله می‌کنی. در یک جمله یعنی:

«به آدم می‌زنی، نه به استدلال.»

چند مثال روشن برای این الگو

۱. «تو که هیچی از اقتصاد نمی‌فهمی، نظرت درباره تورم غلطه.»

۲. «تو چون تو بورس کار می‌کنی داری از این سیاست دفاع می‌کنی.»

۳. «این حرف رو می‌زنی چون مثل فلانی فکر می‌کنی، پس اشتباهه.»

۴. «تو چون خودت نماینده‌ای، از افزایش حقوق نماینده‌ها دفاع می‌کنی.»

خلاصه اینکه هر وقت بحث از منطق و استدلال رفت روی شخصیت، نیت، ظاهر یا سابقه فرد، یعنی Ad hominem رخ داده.

پی‌نوشت: پاول گراهام مقاله معروفی داره به نام How to Disagree که این مغالطه و چند نوع دیگر از شیوه‌های غلط بحث رو خیلی خوب توضیح می‌ده. خواندنش توصیه می‌شود.

🆔 @Tavaroghstd

از تفکر سیستمی ایکاف تا ابرعاملیت ریدهافمن: آینده حدس زدنی نیست، ساختنی است!

هدف برنامه‌ریزی نباید «آماده شدن برای آینده‌ای ناشناخته» باشد؛ آینده‌ای که اغلب خارج از کنترل ماست. هدفِ درست، افزایش کنترل بر آینده از طریق ساختن ظرفیت‌ها و امکاناتی است که بتوانند تأثیرگذارترین متغیرها بر آینده را مهار و هدایت کنند.

جملات بالا برگرفته از کتاب بازآفرینی سازمان راسل ایکاف است. ایکاف که از بزرگان تفکر سیستمی محسوب می‌شود در تعریف برنامه‌ریزی آینده‌نگر رویکردی بسیار ظریف و دقیق دارد. از نظر ایکاف برنامه‌ریزی تغییر دادن مشتریان، کارکنان، دولت و دیگر ذینفعان به نفع سازمان است! به بیان دیگر

برنامه‌ریزی یعنی دست بردن در پیش‌فرض‌هایی که مبنای برنامه‌ریزی قرار گرفته‌اند.

به عنوان مثال یک کارگر برای کار در فضای بیرون به پیش‌بینی دائمی وضعیت آب‌وهوا نیاز دارد، اما برای کار در داخل خانه تقریبا هیچ نیازی به پیش بینی وضعیت هوا ندارد، چرا که خانه اساساً برای بی‌نیاز کردن ما از پیش‌بینی شرایط بیرونی ساخته شده است.

این یعنی راه بهتر از پیش‌بینی، ساختن محیطی است که ما را از پیش‌بینی بی‌نیاز کند.

این نگاه مرا به یاد رید هافمن در کتاب ابرعاملیت انداخت. او می‌گوید به‌جای پیش‌بینی آینده‌ی هوش مصنوعی، با سرمایه‌گذاری، ساخت محصول و مشارکت فعال تلاش می‌کند آینده صنعت را به سمتی هدایت کند که با ارزش‌ها و دیدگاه‌هایش هم‌سو باشد.

این دقیقاً همان جوهرهٔ تفکر ایکاف است: آینده چیزی نیست که منتظرش بمانیم، چیزی است که ما با اثرگذاری بر ذینفعان مختلف آن را خواهیم ساخت.
به بیان ساده به‌جای اینکه بپرسیم «چه خواهد شد؟»، باید بپرسیم «چه باید بسازیم تا آن‌چه می‌خواهیم بشود؟».


🆔@Tavaroghstd

سلام به همه

برای دوره همخوانی هوش مصنوعی پیام دعوت به گروه به همه دوستان علاقه‌مند ارسال شد. اگر ثبت نام کردید و به گروه اضافه نشدید حتما به من پیام بدید که اضافه کنم. جلسات از هفته اول دی ماه آغاز خواهد شد.

موفق باشید

تغییر شکل رابطه کودک و فناوری: مشاهدات سریع از دخترم

دیروز دخترم یه سوال در مورد اندازه جهان و هستی داشت. بهم گفت گوشیت رو بده که از چت جی پی تی بپرسم. تعاملش با چت جی پی تی برام خیلی جالب بود که اینجا بعضی نکاتش رو مینویسم:

1. به جای تایپ کردن سوالش رو مستقیم با واسط صوتی پرسید. این اتفاق برای خود من خیلی رایج نیست. من همچنان از نسل صفحه کلید و تایپ هستم و ترجیح میدم بنویسم به جای اینکه بگم. پذیرش رابط‌های محاوره‌ای اتفاق بسیار مهمی خواهد بود. پیش از آمدن گوشی‌های هوشمند ما مجبور به تایپ بودیم که در مقایسه با صفحه لمسی فرم غیر استانداردی از تعامل با اشیا بود. با آمدن گوشی هوشمند به سرعت تعامل از طریق دکمه با تعامل مستقیم از طریق انگشتان جایگزین شد. همین اتفاق با آمدن رابطه محاوره‌ای نیز خواهد افتاد. تعامل گفتاری قطعا انسانی‌تر است و در آینده نزدیک منجر به کاهش شدید استفاده از قالب تایپ خواهد شد و احتمالا در آینده با نسل جدیدی از تکنولوژی‌ها مواجه خواهیم شد.

2. از چت جی پی تی پرسید که یه آدم هستی یا هوش مصنوعی تو رو ساخته؟ دخترم هنوز درکی از تفاوت مرز انسان و ماشین ندارد و تلاش کرده بفهمه هوش مصنوعی باهوش‌تر هست یا انسان. اما در تجربه اولیه خود انقدر تجربه انسانی خوبی شکل گرفته است که به این نتیجه رسیده که هوش مصنوعی می‌تواند به عنوان یک کنشگر باشد و می‌تواند با او تعامل انسانی داشته باشد. به نظرم این اتفاق در بلند مدت هم یک تغییر مهم در رفتار کودکان ایجاد خواهد کرد. احتمالا در آینده انسان به این سمت می‌رود که دانش را نه به عنوان چیزی که باید آن را جستجو کنی بلکه چیزی که باید از آن سوال کنی، خواهد دید. این تغییرات در بلند مدت منجر به تغییر فرم شناخت و یادگیری انسان‌ها خواهد شد.

3. بعد از اتمام مکالمه ازش تشکر کرد و گفت خیلی ممنونم چت جی پی تی مهربون که به سوالام با حوصله و مهربان جواب دادی. این یعنی یه تجربه منحصر به فرد شکل گرفته است که دیگر فقط مثل رابطه با یک ابزار فنی نیست. رابطه نسل جدید به سمت رابطه عاطفی در حال حرکت است و کودک هوش مصنوعی را یک موجود مهربان، قابل قدردانی و دارای احساس می‌داند. یعنی از امروز یک رقیب بدون خستگی، با حوصله بینهایت و سازگاری نامتناهی با روحیات کودک وجود دارد که رقیب تعامل کودک با والدین خواهد بود.

4. این خیلی بهتر از شما پاسخ داد. به نظرم این جمله هم یک نکته مهم دارد. والدین معمولا در سنین پایین نقش دانش‌نامه بودن رو برای کودکان خود داشتند که این نقش هم با آمدن هوش مصنوعی تا حد زیادی از بین خواهد رفت. به نظرم با افزایش Digital literacy کودکان، والدین هم نیازمند بازتعریف نقش خود در تربیت فرزندانشان هستند. مثلا نقش راهنمایی، همراهی عاطفی، معنابخشی به تجارب کودک و ارزش‌گذاری محتواها از جمله موضوعاتی است که والدین باید به آن بپردازند و برای آن آماده شوند.

پی‌نوشت: این متن نسخه اولیه از یک تجربه زیسته است. ممنون میشم نکات تکمیلی و نقدهاتون رو با من در میون بگذارید تا فهم بهتری از موضوع برای همه شکل بگیره.

🆔@Tavaroghstd

نگو فقط مشکل را نیاور؛ راه‌حل هم بیاور

جمله بالا باعث حذف مشکلات نمی‌شود. این طرز بیان باعث می‌شود افراد سخت‌ترین مشکلات را مطرح نکنند.

رهبران باید مطالب را در مورد آن‌چه که خراب است بشنوند حتی اگر راه‌حلش هنوز معلوم نباشد.

گزینه‌ی بهتر این است: «مشکل را بیاور، به شرط آن‌که حاضر باشی بخشی از راه‌حل هم باشی.»

منبع: توییتر آدام گرنت، بازنشر ترجمه شده از کانال Dailywisdomhub

🆔@Tavaroghstd

۱۵ پست مهم برای کسانی که می‌خواهند استارتاپ خودشان را بسازند

در مدتی که کانال «تورق» فعال بوده، مطالب متنوعی درباره استارتاپ‌ها، محصول، تیم و تصمیم‌گیری منتشر شده است. از میان آن‌ها، این ۱۵ پست را می‌شود یک «مسیر فشرده یادگیری» دانست؛ مسیری که تا حدی ذهنیت بنیان‌گذار، طراحی محصول، تعامل با سرمایه‌گذار و تصمیم‌گیری مدیریتی را به شما گوشزد خواهد کرد.

جلال و جبروت رو بذار کنار! آماده نه شنیدن باش!

یک اشتباه رایج در ساختن تجربه شبیه صنایع دستی یا هندکرفت(Handcrafted)

محصولی ارائه کنید که از آن خجالت بکشید!

شکست رو در آغوش بگیر ولی بی کفایتی رو هرگز!

یک تجربه 11 ستاره برای مشتریان طراحی کنید

چطور یک ارائه عالی برای جلسه سرمایه گذار بسازیم؟

حالت ‌بنیان‌گذار و حالت مدیر

نکات کلیدی جبران خدمت در استارتاپ‌ها

آیا وبسایت استارتاپ شما از تست اولین برداشت نمره قبولی می‌گیرد؟

چطور خیلی سریع اولویت‌ها رو مشخص کنیم؟

بازی موازی: روشی کودکانه برای توسعه مدلهای کسب و کار پیچیده

شش اصل برای ساختن چیزهای جدید

ذهنیت طراح محصول چیست و چرا نقشی کلیدی در خلق محصول ایفا می‌کند؟ 

آیا مدت زمان حضور کاربر در سایت نشانه کیفیت محصول است؟

خیرخواهی، الگوریتمی بدون حافظه برای تصمیم‌گیری سریع‌تر

🆔@Tavaroghstd

چابکی در توسعه فنی یا در خلق ارزش؟

در طول تجارب حرفه‌ای خودم با استارتاپ‌ها و سازمان‌های مختلفی صحبت کرده‌ام که بیشتر آن‌ها هم مدعی چابکی بوده‌اند(استارتاپ‌ها مدعی شماره یک چابکی هستند!). اما بیشتر آنها درگیر خطاهای رایجی هستند که به دلیل برداشت نادرست از مفهوم چابکی است. هنگامی که از «چابک بودن» یا «تحلیل‌محور بودن» صحبت می‌شود، معمولاً با تفسیرهای متفاوتی مواجه هستیم که بخش قابل‌توجهی از آن‌ها با روح واقعی چابکی فاصله دارند. به همین منظور در اینجا سعی دارم مراحل مختلف چابکی را از نگاه خودم توضیح دهم:

گروه صفر: مقید به ساختارهای قدیمی
این شرکتها معتقد به همان راهکارهای قدیمی هستند و مراحل شناخت نیازمندی مشتری و ... را مطابق الگوهای قدیمی طی می‌کنند. مشکل این نگاه این است که بسیاری از محصولات با هزینه بالا به شکست خواهد انجامید. تیم‌ها محصولاتی را توسعه میدهند که کسی نمیخواهد و زمانی این موضوع را متوجه میشوند که هزینه از دست رفته زیادی را هم متحمل شده‌اند.

گروه اول: چابکی به‌مثابه متدولوژی
در میان سازمانهایی که به دنبال چابکی و رشد سریع هستند برخی چابکی را صرفاً معادل استفاده از یک چارچوب اجرایی مانند اسکرام می‌دانند. در این رویکرد، اگرچه مراسمات، اصطلاحات، آیین‌ها و نقش‌ها پیاده‌سازی می‌شوند، اما ساختار قدرت، شیوه تصمیم‌گیری و منطق مدیریت تغییر نمی‌کند. در این تیم‌ها تفویض اختیار واقعی وجود ندارد، تیم‌ها self-managed نیستند و یادگیری تجربی جای خود را به اجرای دستوری داده است. در چنین تیم‌هایی، مدیر محصول یا اسکرام مستر عملاً نقش «مرجع دانای کل» را ایفا می‌کند. این فرد نیازمندی‌ها را می‌داند، خروجی مطلوب را خودش می‌داند و کارها از بالا تخصیص به افراد داده می‌شود. نتیجه، سازمانی است با ساختار سنتی و پوسته‌ای چابک.

گروه دوم: سرعت بدون جهت
دسته‌ی دوم تیم‌هایی هستند که از نظر فنی و اجرایی بسیار سریع عمل می‌کنند. این تیم‌ها چابکی را به معنای سرعت توسعه فنی محصول ‌دانند و قادرند در زمان کوتاه، راه‌حل‌ها و محصولات متعددی تولید کنند. با این حال، تمرکز اصلی آن‌ها بر تحویل خروجی (Output) است، نه ایجاد پیامد معنادار (Outcome).
در این وضعیت، گویا یک بایاس به سمت ساختن وجود دارد و گویی تیم برای اثبات کارآمدی خود ناگزیر از تولید مداوم است، حتی اگر این تولید به حل واقعی مسئله منجر نشود. به عبارت دیگر محصول به یک موضوع فنی تقلیل داده شده است و بدون توجه به اثرات آن، کسب و کار هر محصول و شیوه رشد آن فقط کدنویسی انجام می‌شود. نتیجه، انباشت تجربه‌های فنی و مصنوعات متعدد است، بدون آن‌که اثر مشخصی بر تجربه کاربر یا ارزش کسب‌وکار ایجاد شود.

گروه سوم: چابکی مبتنی بر یادگیری و تأثیرگذاری
چابکی واقعی زمانی شکل می‌گیرد که تیم بتواند با سرعت، به یادگیری معنادار و تأثیرگذاری واقعی برسد. این تیم‌ها پیش از ساخت، تلاش می‌کنند مسئله را به‌درستی بفهمند، ریشه‌های آن را به‌صورت اولیه تحلیل کنند و با کاربران خود همدلی فعال (Empathy) برقرار نمایند. این تیم‌ها معمولا با گروه خیلی کوچکی از مشتریان (حتی 1 نفر) شروع می‌کنند و تلاش دارند مساله همان ذینفع را خیلی خوب درک و حل کنند.
فرآیند توسعه در این تیم‌ها سریع است، اما این سرعت در خدمت آزمایش فرضیات، دریافت بازخورد و اصلاح مسیر قرار دارد. تیم همراه با کاربر پیش می‌رود و موفقیت را نه در تعداد فیچرها، بلکه در میزان حل مسئله و خلق ارزش می‌سنجد. از این منظر، چابکی بیش از آن‌که یک روش اجرا باشد، یک قابلیت سازمانی برای یادگیری مستمر در شرایط عدم قطعیت است.

🆔@Tavaroghstd

زیر سوال برد خودمان جهان را پیش‌بینی ناپذیرتر می‌کند. ایجاب می‌کند که بپذیریم حقایق ممکن است تغییر کرده باشند!

🆔@Tavaroghstd

چرا داشتن ویژگی‌های رقیب، شما را موفق نمی‌کند؟

در جلسات متعددی که با سازمان‌ها و تیم‌های محصول داشته‌ایم، همیشه یک الگوی واحد را مشاهده کردم. بسیاری از شرکت‌ها در زمان معرفی محصولات خود با اطمینان می‌گویند «ما محصولی ساختیم که دقیقاً همان قابلیت‌های بهترین محصول بازار را دارد.»

در برابر این ادعا همیشه یک سوال ساده وجود دارد:

اگر محصول شما همان ویژگی‌ها را دارد، چرا کاربر باید محصول جاافتاده‌ی فعلی یا محصولی که به آن عادت کرده را کنار بگذارد و به شما مهاجرت کند؟

یکی از علل این خطای تحلیلی که منجر به هزینه‌ی سنگین برای ساخت محصولات کپی می‌شود، نادیده گرفتن مفهوم چسبندگی محصول یا هزینه جابجایی است. (Product Stickiness / Switching Cost)

چسبندگی یعنی وقتی یک محصول وارد روتین روزمره کاربر می‌شود، تغییر آن روتین صرفاً با ارائه محصولی کمی بهتر اتفاق نمی‌افتد. مثال ساده‌اش شماره تلفن همراه است که مثلاً شما با داشتن پیشنهادی برای خرید شماره ای که کمی بهتر باشد، اغلب حاضر نیستید شماره‌تان را عوض کنید.

در بسیاری از بازارها، به‌ویژه فینتک، کاربران نخستین تجربه خود را را با محصول لیدر بازار کسب می‌کنند. بعد از آن، هر محصولی که «مشابه یا اندکی بهتر» باشد، عملاً شانس معناداری برای گرفتن سهم بازار ندارد؛ نه به‌خاطر کیفیت پایین، بلکه به‌دلیل هزینه ذهنی و عملی تغییر برای کاربر.

پس راهکار چیست؟
محصولی نسازید که کپی با کیفیت محصولات موجود باشد. بلکه تلاش کنید محصولی بسازید که در یک جنبه، با فاصله معنادار بهتر از بقیه محصولات باشد.

در ادبیات استارتاپ به این رویکرد 10X Better گفته می‌شود. این یعنی تمرکز روی یک سگمنت مشخص از کاربران و حل یک مسأله‌ی کلیدی برای آن‌ها به‌شکلی که بسیار بهتر از روش حل مسأله توسط محصولات فعلی بازار باشد.

تنها در این حالت است که کاربر دلیل قانع‌کننده‌ای برای تغییر دارد و شما شانس واقعی برای ورود به بازار پیدا می‌کنید.

🆔@Tavaroghstd

روی مشتریان خود وسواس داشته باشید نه روی رقبا

شرکتهای بسیار زیادی وقتی با یک رقیب جدید روبرو می‌شوند ، استراتژی محصول خود را کاملا از یاد می‌برند. آن‌ها وحشت می‌کنند و ناگهان متوجه می‌شوند که اقدامات رقیب خود را دنبال می‌کنند و دیگر بر مشتریان خود تمرکز ندارند.

ما نمی‌توانیم بازار را نادیده بگیریم، اما به یاد داشته باشید که مشتریان به ندرت ما را خاطر رقبایشان ترک می‌کنند. آنها ما را ترک می‌کنند چون ما دیگر به آنها توجه نمی‌کنیم.

منبع: کتاب الهام‌بخش، مارتی کاگان

🆔@Tavaroghstd

سلام.

امروز ساعت ۶ اولین جلسه از مجموعه جلسات همخوانی هوش مصنوعی رو با مقاله ای به نام Three Observations از آقای سم آلتمن آغاز می‌کنیم.

لینک مقاله:
https://blog.samaltman.com/three-observations

هوش مصنوعی جهان را می‌بلعد

امشب در جلسه دوم همخوانی ارائه آقای Ben evans رو بررسی کردیم. به نظرم نکات خیلی جذابی داشت که در اینجا سعی میکنم برخی مواردی رو ذکر کنم.

۱. کامودیتی‌شدن لایه مدل‌های هوش مصنوعی
یکی از نکات محوری ارائه این است که موتورهای هوش مصنوعی و مدل‌های پایه (مانند OpenAI و بازیگران مشابه) به‌تدریج در حال کامودیتی‌شدن هستند. خروجی‌ها به هم نزدیک می‌شوند و مزیت رقابتی پایدار در خود «مدل» دشوارتر می‌شود.

۲. ضعف moat در لایه مدل و زیرساخت
نتیجه طبیعی این روند آن است که شرکت‌های این لایه، ذاتاً مزیت رقابتی پایداری ندارند. حتی بازیگرانی مانند OpenAI یا NVIDIA، با وجود رشد چشمگیر فعلی، در بلندمدت ممکن است افول کنند و تنها در صورتی می‌توانند جایگاه خود را حفظ کنند که از لایه مدل و زیرساخت عبور کرده و به لایه‌های بالاتر زنجیره ارزش متصل شوند.

۳. محل شکل‌گیری مزیت رقابتی: سیستم، توزیع و ورک‌فلو
بن ایوانز تأکید می‌کند که ارزش پایدار نه در فصلخود AI، بلکه در سیستم‌هایی شکل می‌گیرد که AI را در دل خود جذب کرده‌اند؛ سیستم‌هایی که در workflowهای واقعی کاربران عمیقاً ادغام شده‌اند و یا به کانال توزیع و رابطه مستقیم با مشتری دسترسی دارند. یعنی احتمالا مزیت برای کسانی است که داده، کانتکست و استفاده مداوم کاربر را تولید می‌کنند.

۴. چرخه جذب، نوآوری و اختلال
در بلندمدت، چرخه‌ای تکرارشونده از absorb → innovate → disrupt رخ می‌دهد. ابتدا فناوری جدید جذب می‌شود، سپس نوآوری‌هایی بر بستر آن شکل می‌گیرد و در نهایت کسب‌وکارهای جدیدی در لایه‌ای بالاتر ساخته می‌شوند که ارزش اصلی را جذب می‌کنند. این یعنی پس از عبور از مرحله اتوماسیون و ... و شاید پس از کسب تجربه زیسته با هوش مصنوعی، تازه disruption آغاز می‌شود.

۵. بازگشت الگوهای پلتفرمی، اما نه به شکل قبلی
احتمالاً دوباره شاهد ظهور بیزینس‌مدل‌های پلتفرمی و شبیه مارکت‌پلیس‌ها خواهیم بود، همان‌طور که در موج قبلی اینترنت چنین شد. اما یک تفاوت بنیادین وجود دارد.
هوش مصنوعی مرز سنتی بین توانمندسازی انسان و جایگزینی انسان را از بین می‌برد. در بسیاری از موارد، AI به‌جای آنکه یک سمت بازار را قوی‌تر کند، اساساً آن سمت را حذف می‌کند. این موضوع باعث می‌شود الگوهای موفق قبلی به‌صورت مستقیم قابل تکرار نباشند.

۶. ابهام مرکزی: وقتی عرضه حذف می‌شود چه اتفاقی می‌افتد؟
برای مثال، اگر Uber بر پایه توانمندسازی راننده و اتصال عرضه به تقاضا شکل گرفت، ورود خودروهای خودران به‌معنای حذف عرضه انسانی است. در این حالت، مدل کلاسیک مارکت‌پلیس دچار اختلال می‌شود و پرسش اصلی این است که: وقتی یکی از طرفین بازار حذف می‌شود، پلتفرم دقیقاً چه چیزی را سازمان‌دهی می‌کند؟

🆔@Tavaroghstd