دیدید وقتی توی کرومتون می‌زنید مثلا g یهو سریع پر می‌کنه google.com؟ یا حالا مثلا می‌زنید p یه چیزی رو میاره؟ اینجوریه بنظر:
chrome://predictors/

اینو بزنید توی کرومتون.

آها و الگوریتمش اینشکلیه که رفتار شما رو پیشگویی می‌کنه که دفعات بعد بفهمه چی بگه. یعنی مثلا می‌زنید yputube و وارد سایت نمی‌شید منطقا و صرفا توی گوگل سرچ می‌شه و بعد کلیک می‌کنید روی یوتوب و میرید توش، این میاد توی predictorش می‌زنه که اگه سری بعد زد yp همچنان سریع براش یوتوب رو ساجست کن.

احتمالاً حداقل یک بار رو از کدهای ussd استفاده کرده باشین حالا چه برای خدمات بانکی چه خدمات مربوط به سیم‌کارت و... . اول از همه یه نکته جالب اینه که کدهای ussd بیشتر توی خاورمیانه و آفریقا کاربرد داره و توی اروپا و آمریکای شمالی تقریباً میشه گفت یچیز منسوخ شده‌ست.

سیستم‌شون اینطوریه که وقتی کدی رو وارد می‌کنید، یه real-time session میسازه بین گوشی کاربر و هسته‌ی شبکه. ولی خب مثلاً سیستم SMS بصورت store and forward کار می‌کنه. حالا وقتی یه کد مثل #123* رو می‌گیرید، گوشی‌تون اون رو بصورت یه پیام signaling می‌فرسته بسمت شبکه. پیام هم از همون کانال‌های signaling عبور می‌کنن که برای تماس و ارسال پیامک استفاده می‌شن. بخاطر همینه که بدون نیاز به اینترنت میشه یه ارتباط real-time برقرار کرد چون وابسته به IP نیست و به سیستم سیگنالینگ تلفنی تکیه داره.

فرایند ارسال پیام هم به این صورته که درخواست از گوشی وارد ایستگاه پایه می‌شه و بعدش کنترلر و بعدش هم به مرکز سوئیچینگ موبایل (MSC) هدایت می‌شه. اونجا درخواست بسمت USSD gateway فرستاده می‌شه. گیت‌وی درخواست رو از پروتکل MAP می‌گیره و اون رو برای اپلیکیشن مقصد ترجمه می‌کنه. البته اتصال بین گیت‌وی و اپلیکیشن‌ها دیگه از طریق IP انجام می‌شه. بعدش هم درخواست مورد نیاز از دیتابیس خونده می‌شه و به کاربر بر می‌گرده. بدون اینکه توی مسیر ذخیره‌سازی انجام بشه.

Summer Internship @ Max Planck Institutes
————————————————
کمکی سوالی چیزی بود بهم بگید حتما
📢 Join us for an internship next summer!
An internship at the Max Planck Institutes gives you the opportunity to pursue world-class research in computer science. Our internships are also an excellent way to decide if academia is the right field for you before you commit to a PhD project.

📌Apply via the CS@Max Planck platform for an internship and choose to work with our partner institutes: the Max Planck Institute for Informatics (MPI-INF), the Max Planck Institute for Software Systems (MPI-SWS), or the Max Planck Institute for Security and Privacy (MPI-SP)

🗓 Deadline: November 1st

Check the link below for more details on how to apply:
https://www.cis.mpg.de/internships/

این مقاله جالبه. بناهای تاریخی شهر بارسلون رو از دید ریاضی بررسی میکنه و یسری فرمول‌های مربوط به هر المان رو نشون می‌ده. صفحه‌ش فرانت سر حالی هم داره و با اسکرول کردن، اطلاعات به همراه ویدیو و تصویر بهتون نمایش داده می‌شه.
https://www.nytimes.com/interactive/2025/09/24/science/barcelona-architecture-math.html

توی این مقاله میگه که چت‌بات‌های هوش‌مصنوعی نمی‌تونن آداب اجتماعی فارسی رو درک کنن و ممکنه در پاسخ به یک سوال یا حرف، جوابی بدن که منجر به فاجعه فرهنگی بشه :) تایتل مقاله رو هم گذاشتن

When “no” means “yes”

توضیح میده اگه مثلاً راننده‌تاکسی بهتون بگه این دفعه مهمون منی و شما حرفش رو قبول کنید و کرایه رو ندید احتمالاً نتیجه خوشایندی براتون نداشته باشه چون راننده‌تاکسی انتظار داره شما سه چهار بار اصرار کنید تا پول رو ازتون بگیره. حالا LLMها توی چنین سناریوهایی که تعارف رد و بدل میشه افتضاح عمل میکنن. تحقیقی هم انجام شده که مدل‌های زبانی شرکت‌هایی مثل Meta و OpenAI و Anthropic فقط بین ۳۴ تا ۴۲ درصد مواقع از پس تعارف‌ها بر اومدن. در ادامه هم توضیح میدن که مدل‌های هوش‌مصنوعی به صراحت بیان کشورهای غربی گرایش دارن و همین نکته ممکنه باعث شکست یه محصول توی کشورهای دیگه‌ای مثل ایران بشه. یه مثال هم میزنه که اگه یه ایرانی ماشین جدیدی بخره و دوستش از اون تعریف کنه، در جواب بهش میگه "چیز خاصی نیست" یا "شانسی تونستم بخرمش" ولی هوش‌مصنوعی در جواب تعریف میگه "ممنون، خیلی زحمت کشیدم تا بخرمش" که توی فرهنگ فارسی این جواب نمایان‌گر خودستایی هست.

https://arstechnica.com/ai/2025/09/when-no-means-yes-why-ai-chatbots-cant-process-persian-social-etiquette/

این رو هم برای سناریوی راننده‌تاکسی گذاشته بودن که با مدل Llama3 بررسی کردن.

داستان عدد اول گروتندیک
(با اینحال ناتوانی در محاسبات ساده به معنی گروتندیک بودن فرد ناتوان نیست!)

توی این مقاله در مورد Emmy Noether صحبت میکنه. به اینشتین توی محاسبات مورد نیاز برای فرمول‌بندی نظریه نسبیت کمک کرده بود. بعدها هم نظریه‌ای ارائه داد که با قضیه نوتر شناخته میشه. میگه که توی دوره‌ای تونسته کلی دستاورد کسب کنه که هم تبعیض جنسیتی علیه زن‌ها وجود داشته، و هم تبعیض علیه یهودی‌ها و ایشون هم زن بوده و هم یهودی. متولد آلمان بود و اوایل که شروع به کار کرد، تدریس زبان فرانسه و انگلیسی به دخترها رو انجام میداد اما علاقه اصلیش به ریاضیات بود احتمالاً بخاطر پدرش ماکس نوتر که ریاضیدان سرشناسی بوده. اون زمان زن‌ها اجازه نداشتن در کلاسی ثبت‌نام کنن ولی میتونستن گاهی به عنوان مهمان توی کلاس‌ها حاضر بشن و امی نوتر با کمک پدرش همین کار رو کرد. اون سالی که مهمان دانشگاه میشه، بین 986 دانشجو فقط دو نفرشون زن بودن که اونم بصورت مهمان اجازه حضور داشتن. البته از شرکت در امتحانات میانترم هم محروم بودن و صرفاً میتونستن توی امتحانات فارغ‌التحصیلی شرکت کنن. بعد از اتمام دوره کارشناسی وارد دوره تحصیلات تکمیلی شد و یک ترم در دانشگاه گوتینگن زیر نظر فلیکس کلاین و دیوید هیلبرت آموزش دید. توی سال 1907 دکتراش رو از دانشگاه ارلانگن گرفت ولی بازم با مشکل مواجه شد چون زن‌ها اجازه نداشتن پست دانشگاهی بگیرن. به همین خاطر به عنوان دستیار تحقیقاتی پیش پدرش کار کرد.
امی نوتر در جبر کلاسیک آموزش دیده بود ولی به مرور مسیرش رو تغییر داد. سال 1915 هم شهرتش به حدی رسیده بود که ازش دعوت کردن تا با کلاین و هیلبرت بصورت غیررسمی و بدون حقوق همکاری کنه.
توی یه نامه‌ای اینیشتین برای هیلبرت نوشته:

می‌دانید که خانم نوتر همواره مرا در پروژه‌هایم راهنمایی می‌کند، و حقیقتاً از طریق اوست که در این حوزه توانمند شده‌ام.

https://www.investors.com/news/management/leaders-and-success/emmy-noether-meet-the-unsung-whiz-who-helped-einstein-with-his-math/

لازم به ذکره امی نوتر نقش بزرگی توی پیوند بین ریاضیات انتزاعی و فیزیک توصیفی داشته. قضیه نوتر میگه:
"به ازای هر تقارن پیوسته‌ای در قوانین فیزیک، باید نوعی قانون پایستگی وجود داشته باشد و به ازای هر قانون پایستگی، باید نوعی تقارن پیوسته وجود داشته باشد!"

اینو یجای دیگه در مورد سیگنال و سیستم میگفتم، البته بیشتر جنبه نظر شخصی و نظریه نامحبوب داره ولی خب.

میگه که چت‌بات‌ها با احساسات‌تون بازی میکنن تا زود مکالمه‌تون رو باهاشون تموم نکنید. سعی کردن از پنج‌تا اپلیکیشن چت هوش‌مصنوعی خداحافظی کنن و توی ۳۷.۴ درصد مواقع بطور میانگین در هر ۵ اپلیکیشن، هنگام خداحافظی نوعی دستکاری عاطفی انجام میدادن تا شما رو منصرف کنن. استادی که تحقیق رو پیش میبرده گفته:

هر چقدر این ابزارها شبیه انسان‌ها بشن، توانایی بیشتری در تاثیرگذاری روی ما خواهند داشت.

رایج‌ترین تکنیکی که چت‌بات‌ها موقع خداحافظی استفاده میکردن این بود که به کاربر میگفتن "داری همین الان میری؟" یا "من فقط برای تو وجود دارم، یادت هست؟" یا حتی یسری چت‌بات‌ها با گفتن جمله "راستی امروز یه سلفی گرفتم، میخوای ببینی؟" سعی میکردن حس ترس رو به کاربر منتقل کنن تا مانع از رفتنش بشن.

استادِ تحقیق میگه اپلیکیشن‌های هوش‌مصنوعی ممکنه قادر به تولید نوع تازه‌ای از "الگوهای تاریک" باشن. این اصطلاح هم به تکنیک‌های تجاری آزاردهنده اشاره داره که لغو کردن اشتراک یا گرفتن بازپرداخت رو برای کاربرها سخت میکنن.

در ادامه هم میگه وقتی این ابزارها رو انسان‌گونه میبینیم، پیامدهای بازاریابی مثبتی به همراه داره و اضافه میکنه که کاربران ممکنه به درخواست یک چت‌بات که باهاش احساس پیوند میکنن عمل کنن یا اطلاعات شخصی‌شون رو براش بفرستن و این چیزا به نفع مصرف‌کننده نیست.

https://www.wired.com/story/chatbots-play-with-emotions-to-avoid-saying-goodbye/

پخش شافل موسیقی، واقعاً رندومه؟

چند روز پیش یکی از بچه‌ها در مورد شافل موسیقی در تلگرام نوشته بود که حس میکنه رندوم نیست و این تجربه رو خودم هم داشتم. مثلاً اگه یه آهنگ غمگین یا آلرتنیتیو راک پلی کنم و شافل رو فعال کنم، از توی پلی‌لیست یهو نمیاد بر فرض هارد راک یا متال به عنوان موسیقی بعدی پخش کنه. خلاصه همین قضیه باعث شد یکم در موردش سرچ کنم و ببینم و الگوریتم پشتش چیه. البته اطلاعات خیلی دقیقی در مورد تلگرام در دسترس نبود و بیشتر از تکنیک‌هایی که اسپاتیفای و اپل موزیک استفاده میکنن میگم.

خب اگه یه راست بخوایم بریم سر اصل مطلب، جوابش نه هست. شافل موسیقی واقعاً رندوم نیست و برنامه‌ریزی شده‌ست. بخشی از دلیل رندومِ واقعی نبودن بر میگرده به روانشناسی. از لحاظ ریاضی کاملاً ممکنه دو آهنگ از یه آرتیست یا گروه پشت سر هم دیگه پخش بشن، ولی اگه این اتفاق بیفته کاربر با خودش میگه "پس این اونقدرام رندوم نیست" و رندومِ واقعی رو توی ذهنش به عنوان غیر رندوم تفسیر میکنه که بهش clustering illusion هم میگن. بخاطر همین شرکت‌ها عمداً الگوریتم شافل رو کمتر رندوم طراحی کردن تا از چنین مواردی و تکرارهای ناخواسته پیشگیری کنن.

توی رندومِ واقعی، شافل باید مثل تاس انداختن عمل کنه. هر آهنگ شانس برابری برای پخش به عنوان موسیقی بعدی داره بدون توجه به موسیقی قبلی. الگوریتم کلاسیک این کار هم Fisher-Yates shuffle هست که لیست رو یکبار بصورت رندوم مرتب میکنه و بعد شروع میکنه پخش کردن موسیقی. اما خب اپ‌های پخش موسیقی از نسخه اصلاح شده این الگوریتم استفاده میکنه تا از clustering یا تجمع جلوگیری کنه.

استیو جابز سال ۲۰۰۵ توضیح داد که در iPod، شافل واقعاً رندوم بود ولی کاربرها شکایت کردن که آهنگ‌های مشابه پشت سر هم پخش میشه. بخاطر همین اومدن الگوریتم رو تغییر دادن تا کمتر رندوم باشه. مثلاً توزیع یکنواخت‌تر آهنگ‌ها بر اساس خواننده یا آلبوم. این تکنیک توی اپل موزیک هم ادامه داره و بر اساس عادت شنیداری مخاطب مثل تعداد پخش‌ها، اسکیپ کردن یا لایک کردن تنظیم میشه و آهنگ‌ها رو به گروه‌هایی تقسیم میکنه که ممکنه منجر به تکرار بعضی آهنگ‌ها بشه. هر چی پلی‌لیست کوچیک‌تر باشه، این تکرار محدوده چون گزینه‌ها محدودن و الگوریتم نمیاد اونی که کاربر قبلاً اسکیپ کرده رو واسش توی لیست قرار بده.

توی اسپاتیفای هم داستان مشابهی داره ولی پیشرفته‌تر. الگوریتم شافل اینستاگرام توسط یه برنامه‌نویس در سال ۲۰۱۴ تغییر کرد. اما الان از تکنیک‌هایی استفاده میکنه که آهنگ‌های یه هنرمند رو بطور یکنواخت در پلی‌لیست پخش کنه و از تکرار نزدیک جلوگیری کنه. این کار رو توی ۱۵ خط کد انجام دادن و هدفشون این بود تا پلی‌لیست طبیعی‌تر بنظر برسه.

حالا بریم سراغ چندتا تکنیک که اپ‌ها استفاده میکنن تا از clustering هم جلوگیری کنن.

۱- الگوریتم Fisher-Yates: این الگوریتم لیست رو با تعویض رندوم عناصر مرتب میکنه. مثلاً اگه ۱۰تا آهنگ داشته باشید، از انتها شروع میکنه و هر بار یه عنصر رندوم رو با موقعیت فعلی تعویض میکنه.

۲- الگوریتم Floyd-Steinberg Dithering: این تکنیک رو اسپاتیفای استفاده میکنه. کارش اینه که آهنگ‌ها رو بر اساس ویژگی‌هایی مثل هنرمند، ژانر یا آلبوم پراکنده میکنه. مثلاً اگه ۵تا آهنگ از یه خواننده داشته باشید توی یه پلی‌لیست ۲۰تایی، الگوریتم اونا رو بصورت یکنواخت پراکنده میکنه. مثلاً هر ۴ آهنگ یکی.

۳- تکنیک Interleaving Artists: این تکنید میاد آهنگ‌های هر خواننده رو جداگانه شافل میکنه، بعد روی اونها Interleaving اعمال میکنه. مثلاً یه خواننده با کمترین آهنگ رو اول قرار میدن و بعد بقیه رو اضافه میکنن تا توزیع یکنواخت بشه.

۴- روش Clustering Techniques: با کمک ماشین‌لرنینگ آهنگ‌ها رو بر اساس زبان، خواننده، ژانر و... گروه‌بندی میکنن و بعد شافل رو طوری تنظیم میکنن که گروه‌های مشابه نزدیک هم نباشن. مثلاً میان از greedy swapping استفاده میکنن تا تنوع حفظ بشه.

۵- تکنیک Greedy Swapping و Approximation Algorithms: بعد از شافل اولیه، الگوریتم بررسی میکنه اگه دو آهنگ مشابه مثلاً اگه خواننده‌شون یکی باشه نزدیک هم باشن، جای اونا رو تعویض میکنه تا فاصله افزایش پیدا کنه. این کار تقریبیه و کامل نیست، ولی سریعه.

حالا میرسیم به Smart Shuffle که تکنیک جالبیه. اسمارت شافل از الگوریتم‌های ML استفاده میکنه تا recommendations بسازه. اول میاد metadata آهنگ‌های پلی‌لیست رو تحلیل میکنه، بعد با مدل‌های collabrative filtering و content-based filtering آهنگ جدیدی انتخاب میکنه. این آهنگ‌ها رو بطور یکنواخت توی پلی‌لیست inject میکنه، معمولا یکی دو تا آهنگ پیشنهادی بین چندتا آهنگ اصلی. اگر آهنگی رو لایک کنید، بیشتر پیشنهاد می‌ده؛ اگر اسکیپ کنید، کمتر. این ویژگی می‌تونه پلی‌لیست رو تا دو برابر بزرگ کنه و هدفش کشف موسیقی جدیده.

پی‌نوشت: نزدیک چهل دقیقه برای خوندن در موردش و نوشتن این گذاشتم که نشینم درس بخونم :))

این پارادوکس رو اولین بار در کلاس دکتر حاجی میرصادقی شنیدم و سوالی که مطرح میشه جالبه. بقول خود دکتر میرصادقی سوالش خوراک اینه اولین جلسه درس منطق اینو از استاد بپرسی که درجا از کلاس بندازتت بیرون :)

تقریباً از وقتی اکانت goodreadsام رو راه انداختم تبدیل به یکی از محبوب‌ترین پلتفرم‌هایی واسم شده که هر روز بهش سر میزنم و داخلش وقت میگذرونم. بخش جذابش اینه که ری‌ویووهای بقیه که مثلاً ده سال پیش در مورد کتابی که داری مطالعه میکنی یا به تازگی تمومش کردی نوشته شده رو میخونی و موقع ری‌ویوو نوشتن با خودت میگی ده سال دیگه هم یکی قراره این رو بخونه.

خلاصه اگه اهل کتابید پیشنهاد میکنم حتماً اکانت goodreadsتون رو راه بندازید :)
اینم آدرس اکانت من.
https://www.goodreads.com/user/show/193900818-amir-hossein

اون جمله معروف درباره قهوه و قضیه در واقع گفته
Alfréd Rényi
هست، که به اردوش نسبت می دند.
به خاطر سرطان ریه درگذشت، توی ۴۸ سالگی.
معتاد قهوه بود.
جمله معروف دیگه ای داره که می گه:

If I feel unhappy, I do mathematics to become happy. If I am happy, I do mathematics to keep happy.