بایگانی دسته: رایانه و اینترنت

یک تخم مرغ اضافه کن: رساله‌ای در باب اثر IKEA

احتمالا شما هم در دهه هشتاد شمسی، تبلیغ معروف تلویزیونی «به همین سادگی، به همین خوشمزگی، پودر کیک رشد» رو یادتون باشه. پودرهای کیک آماده، یکی از اختراعات جالب بشر بودند که هنوز هم فکر کردن بهشون برای من شخصا جالبه. اما موضوعی که وجود داره، اینه که این پودرها، باعث شدند مفهومی به اسم اثر IKEA یا IKEA Effect به وجود بیاد.

در این مقاله، قصد دارم که ربط پودر کیک آماده به آیکیا رو توضیح بدم و بگم که چرا مهمه که از اثر آیکیا در تولید محصول استفاده کنیم و در نهایت هم یک نمونه خیلی خوبی از اثر آیکیا رو با هم نظاره‌گر خواهیم بود.

پودر کیک آماده: مردها هم آشپزی می‌کنند!

در سال ۱۹۳۰ میلادی شرکتی با نام Duff and Sons محصولی به بازار ارائه کرد. پودر کیک آماده! این محصول با شعار مردها هم آشپزی می‌کنند سعی داشت بگه در حدی کار پختن کیک رو ساده کرده که آقایون هم می‌تونن صرفا با اضافه کردن آب یا شیر به این پودر و قرار دادنش در فر، کیک بپزند.

اما یک مشکلی به مدت دو دهه، گریبان این محصول رو گرفت. نه فقط شرکت Duff and Sons بلکه هر شرکت دیگری که پودر کیک تولید می‌کرد، چنین معضلی رو باهاش روبرو بود. نمی‌تونستند بفروشند.

اما چرا یک محصولی که همه جوره کامل بود نمی‌تونست بفروشه؟ آیا مساله اعتماد بود؟ آیا مساله کیفیت بود؟ نه. اتفاقا مشتریان هرچند اندک این شرکت‌ها، از کیفیت کیکی که به دست می‌آوردند راضی بودند و کاملا به تولیدکننده اعتماد می‌کردند.

باگ ماجرا جای دیگری بود. شاید جایی که این محصول سعی داشت به طور کلی دخالت انسان در پخت کیک رو حذف کنه و این خوشایند خیلی از افراد نبود. مثل همون کاری که خیلی‌ها انتظار دارند ایجنت‌های هوش مصنوعی انجام بدند.

یک تخم مرغ اضافه کنید!

بالاخره بعد از دو دهه که محصول «پودر کیک آماده» در بازار موجود بود، شرکتی به نام Betty Crocker اومد و یک ایده بهتری داد. این‌ها گفتند که چطوره خود مشتری هم بخشی از پروسه تولید کیک بشه؟

درسته که این محصول میخواست زحمت پختن کیک رو کم کنه، اما در عین حال این کاهش زحمت و هزینه تا حد خیلی زیادی هم خوشایندی فرایند پخت کیک رو کم می‌کرد. به همین خاطر این‌ها گفتن قبل از این که آب یا شیر به این پودر اضافه کنید، یک عدد تخم مرغ هم اضافه کنید.

همین هک ساده، باعث افزایش چند برابری فروش این محصول شد. اما حالا ربطش به آیکیا چیه؟ بهتره یه بررسی روی آیکیا داشته باشیم!

آیکیا: کسب و کار اضافه کردن تخم مرغ به پودر کیک

اگر در فضای کسب و کار و بخصوص حوزه لوازم خانگی فعال باشید حتما اسم آیکیا رو شنیدید. یک برند سوئدی که بخاطر یک موضوع خیلی معروفه:

هرچیزی که ازش می‌خرید رو خودتون باید سر هم کنید.

در واقع آیکیا کار طراحی، برش، سوراخ‌کاری و به طور کلی فرایندهای کارگاهی رو روی محصول مورد نظر مثل کتابخونه، انجام داده. شما فقط و فقط باید این‌ها رو به هم وصل کنید. حتی می‌تونید هزینه‌ای پرداخت کنید که کارشناسی از آیکیا بیاد و برای شما چنین کاری کنه.

اما چرا این موضوع «سرهم کردن کتابخونه توسط خودمون» خیلی مهمه؟ چون داره مشتری رو وارد پروسه تولید می‌کنه و این یعنی فروش حس به مشتری.

اگر دقت کنید، خیلی از برندهای معروف جهان، مثل اپل، رولکس، گوچی، لامبورگینی و … بیش از این که روی محصول تمرکز کنند دارند روی حسی که مشتری از محصولشون دریافت می‌کنه تمرکز می‌کنند. برای مثال شعار خودروساز ایتالیایی، فراری؛ این بوده که شما وقتی یک فراری می‌خرید که بخواهید برای خودتون کسی باشید. در واقع به این شکل خاص بودن خودروهای خودش رو نشون داده و این خاص بودن رو به مشتری هم انتقال داده.

این مورد که مشتری رو بخشی از فرایند تولید محصول کنیم، بخاطر همین حرکت آیکیا به اثر آیکیا معروف شده و حتی باعث شده که آیکیا طرفدار خاص خودش رو پیدا کنه. یک برندی که نه لاکچریه نه حتی عقبه خیلی خاصی داره و صرفا یک برند مبلمان و لوازم خانگی با کیفیت مطلوبه، بتونه برای خودش یک جامعه هواداری تشکیل بده و این رو با ایجاد یک حس خوب در مشتری تونسته داشته باشه!

اثر آیکیا در خدمت تکنولوژی

قبل از این که بخوام از نمونه‌های عملی اثر آیکیا در تکنولوژی صحبت کنم، لازمه ذکر کنم خود آیکیا، از اثر آیکیا در تکنولوژی استفاده کرده. چطور؟ خیلی ساده‌ست.

آیکیا از اولین برندهای لوازم خانگی بوده که تکنولوژی واقعیت افزوده رو به سیستم‌های نرم‌افزاریش من‌جمله وبسایت و اپلیکیشنش اضافه کرد و اینطوری حتی حس داشتن محصولاتش رو قبل از خرید هم تونست به کاربران منتقل کنه.

اما در یک سال اخیر، ابزارهای جالبی مثل Bolt یا v0 دیدیم. این ابزارها هم در واقع همین اثر آیکیا رو دارند در زمینه برنامه‌نویسی و تولید نرم‌افزار پیاده‌سازی می‌کنند.

این ابزارها به افرادی که تجربه زیادی در راه‌اندازی استارتاپ یا ساخت نرم‌افزار ندارند، کمک می‌کننده ایده‌هاشون رو بتونن پیاده‌سازی و ارزیابی کنند و اون دسته افرادی که کمی کارکشته‌تر بودند، تونستند از این ابزارها برای جلو انداختن کار خودشون نهایت استفاده رو ببرند و در مدت‌زمان بسیار کوتاهی، نرم‌افزارهایی بسازند که بتونه درآمدزایی داشته باشه یا اصلا به صورت کامل توسط یک موجودیت دیگر تملیک بشه.

خلاصه اثر آیکیا، یک حجم خوبی دوپامین رو در مغز مشتری شما ترشح می‌کنه و این امر باعث میشه مشتری شما نوعی اعتیاد به محصولتون پیدا کنه. احتمالا در آینده از این که چطور می‌تونیم این اثر رو در محصولاتمون داشته باشیم، بنویسم!

جمع‌بندی

در عصر امروز، جذب مشتری سخت‌تر از گذشته شده. بسیاری از محصولاتی که ما می‌سازیم، بهترش توسط غول‌های بازار ساخته و عرضه میشه و ما باید بتونیم از چنین آشفته‌بازاری، جان سالم به در ببریم. استفاده از هک‌های ساده‌ای مثل یک تخم‌مرغ اضافه کن یا همین اثر آیکیا، می‌تونه به راحتی جذب تعداد خوبی از مشتری‌های ما رو تضمین کنه. به همین دلیل، پس از مدت نسبتا طولانی دست به قلم (کی‌برد؟) شدم و این مطلب رو نوشتم تا اگر شما هم در حال توسعه محصولی هستید، به نکاتی که حول جذب مشتری با این هک‌های شناختی وجود داره توجهی دوچندان کنید.

ضمنا در حال حاضر که بحث اتوماسین و ایجنت‌ها داغه، لازمه بگم که یک دوره n8n ضبط کردم که از طریق آکادمی نُد در دسترسه و به صورت هفتگی هم آپدیت روی اون میاد. اگر علاقمندید می‌تونید در این دوره هم شرکت کنید.

در پایان امیدوارم موفق و موید باشید و از خیزش ربات‌ها هم نترسید 🙂

Share

معرفی سرویس آتلیه

در زمستان ۱۴۰۱ سرویس مانی، به صورت یک پروژه شخصی و با الهام‌گیری از میدجرنی، ساخته  و سپس در فروردین ۱۴۰۲ به صورت عمومی و به صورت پلتفرم ارائه عمومی شد.

از همان روزهای اولی که مانی عرضه شد بسیاری از دوستان به دنبال سرویس «تصویر به تصویر» یا Image to Image بودند که بتوانند از تصاویر شخصی خود، عزیزان یا حتی محصولاتشان تصاویر شخصی‌سازی‌شده ایجاد کنند.

اما یک مساله مهم که وجود داشت این بود که عموم تکنیک‌های تصویر به تصویر صرفا از تصویر ورودی «الهام‌گیری» کرده و سپس به شما این اجازه را می‌دهند که تصویر نهایی «تا حدی شبیه به تصویر ورودی» دریافت کنید. برای این منظور، در نظر گرفته بودم تا ابزار بهتری توسعه دهم.

مشکلی که وجود داشت

مشکلی که وجود داشت، این بود که عموم ابزارها، حتی ابزارهای متن‌باز که با Stable Diffusion همخوانی داشتند صرفا Face Swapping انجام می‌دادند. در واقع این ابزارها، تصویری از شما را می‌گرفتند و گاهی آن را «به زور» در تصویر تولیدشده جای می‌دادند.

در همین حین، ایده‌ای برای من مطرح شد. چه می‌شد اگر می‌توانستیم تصاویر ورودی کاربر را بخشی از هوش مصنوعی خود کنیم؟ این شد که طرح اولیه یا به قولی Flow چیده شد.

پاسخ به مشکل

پاسخی که برای این مشکل در نظر گرفتم بسیار ساده بود. در نظر گرفتم که چه می‌شود اگر بتوانیم از کاربر تعدادی تصویر دریافت کنیم، این تصاویر را به خورد یک مدل بدهیم و به عبارتی یک Adapter برای مدل مورد نظر درست کنیم.

مدتی هم بود که در حال تحقیق و توسعه روشی بر روی مدل FLUX Dev از شرکت Black Forest Labs بودم که بتوانیم در مدت‌زمان کوتاهی، یک LoRA یا Low Rank Adapter برای مدل مذکور بسازیم. این فرصت را مغتنم شمردم و پروتوتایپی از چیزی که در نظر داشتم را با کمک زیرساخت شرکت modal ساختم.

پس از آن، کد نوشته‌شده برای بهبود فرایند ساخت LoRA را مرحله به مرحله بهبود دادم و سپس با کمک وبسایت Fal AI اقدام به بهبود فرایند تولید تصویر کردم.

در نهایت، تمامی این فرایند باعث شد تا استارتاپی با نام آتلیه به وجود آید. جایی که کاربران، بتوانند متفاوت دیده شده و رویایشان را زندگی کنند.

آتلیه چیست و چه می‌کند؟

آتلیه، یک پلتفرم هوش مصنوعی است که به شما کمک می‌کند تا تنها با ارائه یک فایل zip حاوی ۵ الی ۱۰ عکس از خودتان، عزیزانتان یا حتی محصولاتی که تولید می‌کنید یا می‌فروشید؛ تصاویر خلاقانه تولید کنید.

در واقع آنچه در مانی ارائه می‌شد، صرفا ارائه یک پلتفرم برای تولید تصویر از متون ورودی (مشابه میدجرنی یا Dall-E) بود اما آتلیه، مدل‌های هوش مصنوعی اختصاصی را با هزینه اقتصادی برای شما تولید می‌کند و می‌توانید از خروجی آن به مقاصد مختلف، استفاده کنید.

چگونه از آتلیه استفاده کنیم؟

برای استفاده از آتلیه، می‌توانید ابتدا در وبسایت آتلیه عضو شوید. برای عضویت کافیست یک ایمیل و یک پسورد وارد کنید و نیازی به تایید ایمیل نیست.

پس از عضویت، با مطالعه راهنمای ساخت مدل، کافیست یک مدل هوش مصنوعی دلخواه ایجاد کنید. لازم به ذکر است که اگر از تاریخ ۳۰ آذر الی ۱۴ دی ۱۴۰۳ به عضویت وبسایت درآیید، یک مدل و ده تصویر رایگان هدیه‌ای از طرف ما به شماست.

پس از این که مدل مورد نظر ساخته شود، شما قادر خواهید بود که تصاویر مد نظر خود را ایجاد کنید. برای ایجاد تصویر نیز کافیست تا راهنمای ایجاد تصاویر را مطالعه کنید.

بازخوردها، نظرات و پیشنهادات شما

چنانچه از آتلیه استفاده کردید و بازخورد، نظر و پیشنهادی در رابطه با سرویس دارید، همیشه از طریق فرم تماس وبسایت آتلیه قادر خواهید بود تا با ما تماس بگیرید و نظرات، پیشنهادات، بازخوردها و انتقادات خود را مطرح نمایید.

موفق و موید باشید.

Share

پس از چهار سال – ناگفته‌هایی از تیرماه ۹۹ و انجمن نام

در تابستان سال ۹۹ و در بحبوحه همه‌گیری (یا شاید بهتر باشه بگیم دنیاگیری) بیماری کووید-۱۹، اتفاقات جالبی در دنیای نرم‌افزار آزاد و متن‌باز ایران رخ داد. این اتفاقات، شامل تشکیل یک بنیاد مردم نهاد، انتخابات و مجمع اون و همچنین حواشی ایجادشده در این موضوع بود که شاید باورتون نشه ولی در عرض شاید ۴۸ ساعت اکثر این اتفاقات رخ داد.

برای این که بتونید بهتر با این ماجرا آشنا بشید، اول بهتره این مطلب رو بخونید (خوندن تک‌تک مطالب لینک شده هم توصیه میشه) و بعد برگردید اینجا به بلاگ من.

به جهت رعایت انصاف، من از کمی قبل از تیر ۹۹ شروع به بیان ماجرا می‌کنم و سپس به تیر ۹۹ می‌رسم.

اعلام وجود انجمن نام (نرم‌افزار آزاد و متن‌باز)

من شخصا از سال ۸۹ کاربر فروم اوبونتو بودم و از سال ۹۱ به صورت رسمی در جامعه نرم‌افزار آزاد فعال بودم. عمده فعالیت من با پروژه جبیر (+، +، +) شناخته میشه و احتمالا می‌دونید که جامعه هم برخورد درستی با این پروژه نداشته (+).

اما به قولی، باید از افراد و اتفاقات گذشته گذر کرد و رفت سراغ اتفاقات جدیدتر و برای من شخصا، بحث انجمن نام چنین چیزی بود. این رو هم به شما بگم که از همون سال ۹۰-۹۱ من زمزمه‌هایی می‌شنیدم از این که یک موجودیت «نزدیک به دولت» برای نرم‌افزار آزاد باید وجود داشته باشه و از دل خود جامعه هم بیرون آمده باشه و این حرف‌ها.

اما این موضوع تا سال ۹۸ ادامه داشت. دقیقا در آخرین جلسه لاگ تهران پیش از قرنطینه و حبس خانگی کرونا، دانیال بهزادی عزیز – که چهره و نام شناخته‌شده نرم‌افزار آزاد ایران هستند – اومد و انجمن رو معرفی کرد. در همون جلسه افرادی بودند که خب گفتند به این دلیل و اون دلیل دوست ندارند چنین موجودیتی باشه. یک عده هم گفتند که خب باشه، ما نیستیم. یک عده هم گفتن باشه، ما هم هستیم. تقریبا برخورد درست و نرمالی که با هر اتفاقی باید رخ بده، رخ داد.

این بحث تا حد زیادی مسکوت موند و ادامه‌دار نشد (بحث کرونا هم پیش آمد قاعدتا و این خودش یک نکته مهم در این بحث‌هاست). اما خب در سال ۹۹ اعلامیه‌های انجمن مجدد منتشر شدند…

اعلام انجمن برای مجمع

در سال ۹۹ از حدود اردیبهشت‌ماه، اعلامیه‌هایی از سمت انجمن می‌آمد که از افراد حاضر در جامعه میخواست برای شرکت در مجمع و همچنین دست گرفتن کنترل مجمع، اقدام کنند.

در واقع شرایط کاندیداتوری هم بسیار ساده بود. شما کافی بود یک شخص زنده بالای ۱۸ سال و دارای تابعیت ایران به همراه سابقه فعالیت در نرم‌افزار آزاد می‌بودید. در واقع شاید راحت‌ترین روش کاندیداتوری 🙂

حتی یادمه که تا قبل از روز مجمع، در مورد وعده وعیدهای کاندیداها – که من هم یکیشون بودم – چیزی پرسیده نشد…

روز مجمع

روز مجمع، همه ما در ساختمان مربوطه جمع شدیم. چه افرادی که نامزد شرکت در انتخابات انجمن نام بودند، چه افرادی که خودشون رو متعلق به نرم‌افزار آزاد می‌دونستند و میخواستند اون روز در رای‌گیری شرکت کنند و در عین حال، نظرات و وعده‌های کاندیداها رو بشنوند.

و نکته جالب‌تر، حضور فعال دوست عزیزمان آقای مصطفی آهنگرها از خارج از کشور و به صورت برخط در مجمع بود، در حالی که خیلی از افرادی که گفته بودند برخط حضور دارند، حتی زحمت این که در نشست برخطی که اون روز خاص برای این منظور تهیه شده بود شرکت کنند رو به خودشون نداده بودند.

حالا بگذریم، رای‌گیری انجام شد. رای‌گیری جالب، منصفانه و از قضا درستی هم بود و پس از این رای‌گیری، این افراد به عضویت هیئت‌مدیره انجمن نام درآمدند:

  • احمد حقیقی
  • محمدرضا رازیان
  • الهام حصارکی
  • محمدرضا حقیری
  • علیرضا فریدونی
  • دانیال بهزادی
  • و چند تن دیگر از دوستان که حضور ذهن از نامشون پس از چهارسال ندارم و ازشون عذرخواهم.

پس از جلسه، تقریبا تمامی حضار اون جلسه مجمع به فضای سبزی پشت آن ساختمان رفتیم و راهبر اون جلسه فضای آزاد هم دوست عزیزمان «یه انقلابی» بود و در مورد دغدغه‌های خودش و اشخاص دیگر در مورد نرم‌افزار آزاد و متن‌باز، به ما گفت. یادمه که کمی صحبت شد، در مورد اهداف انجمن و حرف‌هایی که زدیم و … و بعدش خداحافظی کردیم. و اینجا شد شروعی بر یک پایان 🙂

حواشی آن روز پرماجرا

پس از این که خداحافظی کردیم، به خانه آمدیم و چند ساعتی گذشت. پس از چند ساعت، شبکه اجتماعی ایکس (پیش‌تر توییتر) رو باز کردم و دیدم که چند توییت، اشاره به نام من و پروژه جبیر داره.

بعد از اون، چندین پست و توییت دیگر دیدم که اشاره به موضوعی مانند «احتمال رانت» یا «رنگ کردن پروژه‌های اوپن سورس به نام ملی» یا «سوء استفاده از جامعه» و … و بستن این انگ‌ها به ما! و نکته جالب‌تر این که بسیاری از این افراد، اتکا به محتوای فردی داشتند که ید طولایی در تهدید و اخاذی به کمک پرونده‌سازی و فشار روانی داره و از همه جالب‌تر اینه که پرونده‌های قطوری هم برای خود اون افراد، به سبب بیان عقاید و مواضعشون ساخته بوده.

خلاصه از همه این موارد که گذشتیم، فشار روانی بسیار زیادی به ما وارد شد. یکی از اتفاقاتی که اینجا افتاد این بود که شخص مصطفی آهنگرها، بعنوان شخصی که اصلا در ترکیب هیئت‌مدیره انجمن نبود و صرفا عضوی از این انجمن شده بود (و طبیعتا بخاطر علاقه و حسی که به نرم‌افزار آزاد و متن‌باز داره) بیشترین فشار، توهین و تهمت رو متحمل شد و راستش رو بخواهید حتی هنوز هم با توجه به این که به شدت توسط «جامعه» اذیت میشه، در حال ادامه دادن مسیرشه (و این واقعا باعث میشه شخصا بهش غبطه بخورم).

این حجم توهین، تهمت و فشار کافی نبود انگار و چندتن از افرادی که نرم‌افزار آزاد رو انگار ارثیه اجدادی خودشون می‌دونستند عریضه‌ای نوشتند که اشاره به مطالب کاملا non-existent داشت! و خب با اتکا به نقاط ضعف احساسی مردم و گارد طبیعی مردم نسبت به موجودیت‌های دولتی و نزدیک به دولت؛ حدود ۴۶۰ نفر قانع به امضای آن عریضه شدند. نکته جالب اینه که در کامنت‌های آن عریضه منحوس هم بسیاری فحش داده بودند و بسیاری هم تهدیدهای جانی و … کرده بودند و این هم در نوع خودش جالب بود.

استعفای دست جمعی هیئت‌مدیره

خلاصه پس از تحمل حدود ۴۸ ساعت تنش، ما تصمیم گرفتیم به صورت دست‌جمعی، استعفای خودمون رو از هیئت‌مدیره انجمن نام اعلام کنیم. گرچه این استعفا تا حد زیادی از فشارهای روانی روی ما کاست، اما بگذریم که همچنان بسیاری از ترکش‌های اون سال با ما هست و به نوعی تبدیل به یک اسباب ابراز رذالت توسط عده‌ای شده و هنوز هم یادآوری اون ماجرا برای من شخصا دردناکه 🙂

و این رو هم باید بگم علیرغم کاهش فشارها، معتقدم استعفا خیلی کار درستی نبود (در اون شرایط بهترین کار بود) چرا که در نهایت، چند نفر که اسم‌های آشنا به گوش جامعه هستند برای اداره چنین موجودیتی بهترند یا افرادی که هیچ اسم و رسمی در این جامعه ندارند؟!

سخن آخر با جامعه پیرامون تیر ۹۹ و مسائل مشابه

جامعه عزیز نرم‌افزار آزاد ایران، ما در جامعه کشورمون به قدر کافی با ناملایمی و بی‌رحمی، روبرو هستیم. تقریبا همه ما روزمون رو با اسنپی شروع می‌کنیم که صرفا برای لج‌بازی با پلتفرم اسنپ، کولرش رو روشن نمی‌کنه و از مسیریاب استفاده نمی‌کنه.

با افرادی روبرو هستیم که عامدانه در بانک، بیمه، وزارتخونه‌ها و … کارهامون رو انجام نمیدن. موقع برگشت به خانه دوباره همان سناریوی اسنپ رو شاهدیم.

در واقع جامعه نرم‌افزار آزاد و هرگونه جامعه آلترناتیوی، برای ما پناهگاهی میشه که از شر روزمرگی خلاص بشیم. در عین این که ما در این جامعه هستیم که یاد بگیریم و یاد بدیم. در این جامعه هستیم که علیه انحصار دیجیتال بجنگیم. در این جامعه هستیم که بسیاری از موارد و مواضعی که دانستن آنها برای مردم مهمه رو به گوششون برسونیم.

حالا فرض کنید که این جامعه هم بخواهد همونقدر ناملایم باشد. شخصا تا زمانی که افراد «قدیمی» و «تاثیرگذار» متوجه روش اشتباه خود در این حوزه نباشند، حاضر نیستم خودم رو بخشی از این جامعه بدونم. همونطوری هم که پیش‌تر گفتم، استفاده از مک یا ویندوز، آیفون داشتن، توییتر داشتن و …؛ هیچ کدام دلیلی بر این نیست که به نرم‌افزار آزاد، استالمن و … ارادتی نداشته باشم که اتفاقا ارادتی دوچندان دارم، اما ترجیح فعلا بر فاصله گرفتن از این جامعه است.

Share

مارال‌چت آمد، ربات تلگرامی با مدل مارال هفتاد میلیارد پارامتری

زمستان پارسال، نخستین نسخه آلفای مدل بزرگ زبانی مارال را معرفی کردیم. یک مدل ۷ میلیارد پارامتری مبتنی بر Mistral که روی دیتای فارسی، تنظیم شده و در دسترس شماست. مارال در نسخه‌های اولیه، به شدت ضعیف عمل می‌کرد و خب البته در نسخه‌های اولیه، این موضوع اصلا چیز عجیبی نیست.

اما بعد از چندماه و با عرضه LLaMa 3 در نسخه‌های ۸ و ۷۰ میلیارد پارامتری توسط شرکت متا (فیسبوک سابق)، اوضاع کمی متفاوت شد. این مدل در پایه خودش، درک خوبی از زبان فارسی داره و Fine Tune کردنش روی زبان فارسی، کمی راحتتر شده. گذشته از این، درک بهتری از معنای متون هم داره و در خیلی از وظایف مثل کدنویسی، تولید متن و … به خوبی می‌تونه کمک کنه.

مارال‌چت

نسخه جدید مارال، که روی داده‌های «دنبال کردن دستورالعمل» یا Instruction following آموزش دیده، اسمش «مارال‌چت» بوده و اصولا یک نمونه مشابه ChatGPT به حساب میاد. از اونجایی که در حال حاضر در فاز MVP و Proof of Concept به سر می‌بره، بستر مورد نظر تلگرام انتخاب شد. این ربات در حال حاضر در تلگرام در دسترس شماست.

مارال‌چت، در دو نسخه ساخته شده یکی ۸ میلیاردی و دیگری ۷۰ میلیاردی که در حال حاضر، تصمیم و ترجیح بر آن بوده که مدل مدتی آزمایش بشه و پس از آزمایش، وزن‌های مدل‌ها در اختیار دوستانی که مایل به self hosting مدل هستند، قرار بگیره. به همین دلیل این مدل تا اطلاع ثانوی اوپن سورس نخواهد شد. اخبار انتشار سورس و وزن مدل هم در همین وبلاگ به زودی منتشر میشه.

دسترسی به ربات در تلگرام

برای این که به مارال‌چت دسترسی داشته باشید، فقط کافیه که از این لینک بهش مراجعه کنید. بعد از start زدن، مثل سایر ربات‌ها می‌تونید به سادگی ازش استفاده کنید.

امکانات ربات

ربات در حال حاضر دو قسم امکانات ارائه می‌ده، اول بپردازیم به امکانات پریمیوم یا پولی ربات که شامل اتصال به اینترنت و همچنین ویژن (پردازش تصویر) میشه.

اما امکانات رایگان ربات که در حال حاضر قادر به استفاده ازش هستید شامل این موارد میشه:

  • چت متنی: مانند ChatGPT و Poe و Gemini و … می‌تونید برای ربات پیام متنی ارسال کنید و پاسخ متنی هم دریافت کنید.
  • چت صوتی: اگر به ربات Voice Message ارسال کنید، ربات هم به شما پیام صوتی ارسال می‌کنه و پاسختون رو میده.
  • ساخت تصویر: ربات مارال به کمک پلتفرم هوش مصنوعی مانی، قادر به ساخت تصاویر با کمک هوش مصنوعی هم هست.

پیگیری اخبار مارال‌چت

به جهت پیگیری اخبار و اطلاع‌رسانی‌های مارال‌چت، می‌تونید به کانال اطلاع‌رسانی مارال‌چت در تلگرام بپیوندید. همچنین می‌تونید در گروه بازخوردها هم عضو بشید و بازخوردتون رو نسبت به نحوه پاسخ‌دهی و کیفیت پاسخ‌ها، اعلام کنید.

پروژه‌های بعدی

پروژه‌هایی مثل مانی، موسیقا (لینک پست بلاگ در موردش اینجاست) و مارال‌چت، پروژه‌هایی بودند که بدون تامین زیرساخت توسط اسپانسرهایی چون ایران‌سرور، تولیدشون برای ما غیرممکن بود. پروژه‌های بعدی ما هم عموما قراره در همین فضای هوش مصنوعی زایا و … باشند و خب اخبار خوبی رو در این تابستان، برای شما خواهیم داشت.

سخن آخر

در آخر، باید گفت چندسالی میشه که فضای هوش مصنوعی رو دارم رصد می‌کنم و هربار می‌بینم که چقدر پتانسیل هست و چقدر میشه در صنایع و موضوعات مختلف، کارهای هیجان‌انگیز و به قولی خفن کرد! و خب این موضوع هم به نوبه خود، می‌تونه کار کردن در این حوزه رو جذاب‌تر کنه.

از طرفی، مشخصا هنوز خیلی‌ها use case درستی برای AI در صنایع و مشاغل و صنف خودشون پیدا نکردند و این خودش می‌تونه تا حد زیادی، مشکل‌ساز بشه. اما خب لازم به ذکره که این use caseها معمولا وقتی به بار می‌شینن که ابزارهایی مانند مارال‌چت یا مانی ساخته بشند و افراد بتونن استفاده‌ای در صنعت خودشون برای این موضوعات پیدا کنند. امیدوارم که از مارال‌چت و امکاناتش استفاده کنید و برای شما، مفید واقع بشه 🙂

موفق باشید.

Share

با موسیقا، رویای خود را بنوازید!

در سال گذشته، پلتفرم هوش مصنوعی مانی را معرفی کردم که معادل یا بعبارت بهتر، رقیبی برای میدجرنی به حساب می‌آمد. اما امسال، با یک غافلگیری تازه طرف هستیم.

موسیقا، پلتفرمی مبتنی بر تکنولوژی هوش مصنوعی زایا یا Generative AI است که به شما کمک می‌کند تا آنچه در ذهن دارید را با چند کلیک، به موسیقی آن هم در ژانرهای مختلف مانند امبینت، الکترونیک، پاپ و … تبدیل کنید.

نحوه استفاده از موسیقا

برای استفاده از موسیقا، ابتدا به وبسایت موسیقا به آدرس musiqa.ir بروید، سپس، منتظر بمانید تا مدل روی سیستم شما لود شود (بهتر است با رایانه شخصی خود به این وبسایت مراجعه کنید چرا که ممکن است گوشی‌های همراه شما سخت‌افزار لازم برای اجرای این مدل را نداشته باشند).

مدل حدود ۶۵۵ مگابایت حجم داشته و دانلود آن بسته به نوع اتصال اینترنتی شما، می‌تواند مدت زمان زیادی را صرف کند، اما این دانلود فقط یک بار انجام می‌شود و پس از آن نیازی به دانلود مجدد مدل نخواهیم داشت.

پس از دانلود مدل، یکی از پرامپت‌ها (داخل کادرهای زردرنگ) را انتخاب کرده و یا پرامپت مورد نظر خود را نوشته، سپس دکمه Let’s Party را بفشارید.

بسته به سخت‌افزار خود، صبر کنید تا موسیقی مورد نظرتان تولید شود!

نمونه موسیقی تولید‌شده با موسیقا

حامیان پروژه

شرکت محترم ایران‌سرور، از نیمه دوم سال ۱۴۰۲ هجری خورشیدی، با تامین زیرساخت برای پروژه‌های مانی، وکنتور و موسیقا به نخستین و بزرگترین حامی این استارتاپ تبدیل شده است.

همچنین، مفتخریم اعلام کنیم که برای تامین زیرساخت پروژه‌های دانشجویی شما نیز، آماده ارائه سرویس‌های نوت‌بوک با GPU با همکاری ایران‌سرور هستیم.

Share

مارال اینجاست، مدل ۷ میلیارد پارامتری با پشتیبانی از زبان فارسی

در دنیایی که AI و بخصوص از نوع Generative به شدت در اون مهم شده، یکی از مسائل بزرگی که باهاش روبرو هستیم، چیرگی زبان انگلیسی بر جویه که ساخته شده.

من در مطلب پیشینم، در مورد چیرگی زبان انگلیسی بر دنیای هوش مصنوعی نوشته بودم که می‌تونید بخونید و ببینید که چه مشکلاتی وجود دارند که داریم باهاشون دست و پنجه نرم می‌کنیم.

اما خب، الان قضیه کمی متفاوت شده و ما در این مطلب قراره «مارال» رو بررسی کنیم، هم این که ایده‌ش از کجا آمد و هم این که چیه و چه فرق‌هایی با تلاش‌های پیشین داره و هم این که در کل مزیتش چیه.

مارال هفت میلیارد پارامتری و مزایای آن

در تابستان امسال یا دقیق‌تر بگم روز ۱۵ تیر ۱۴۰۲، من رویدادی با نام Summertime AI برگزار کردم. رویداد برای معرفی چندین ابزار هوش مصنوعی بود و من اشاره‌ای به ابزاری به اسم «مارال» کردم.

مارال در اون زمان، قرار بود یک GPT2 تیون شده روی زبان فارسی باشه، اما خب بعد از کمی تحقیق و تفحص در مورد این مدل، فهمیدم که خیلی پیش‌تر از ما، افرادی بودند که این مدل رو با زبان فارسی تیون کنند.

حقیقتا GPT2 هرقدر هم ساختار خوبی داشت، ظاهرا مدل مناسبی برای این موضوع نبود!

اما راه‌حل رو کمی بعدتر، پیدا کردیم. در ادامه، قراره در مورد این راه‌حل صحبت کنیم و ببینیم که مارال چیه و چه مزایایی داره و برای توسعه بهترش، باید چه کارهایی کنیم.

مارال چیه؟

مارال، یک مدل بزرگ زبانی یا LLM بر مبنای مدل Mistral 7B (لینک) و تیو‌ن‌شده برای زبان فارسیه. این مدل، به صورت «پیروی از دستورالعمل» یا Instruction Following کار می‌کنه و نتایجی که تولید می‌کنه هم تقریبا هم‌ارز GPT-3.5 هستند.

مارال در حال حاضر در نسخه ۷ میلیارد پارامتری عرضه میشه، همچنین به صورت یک adapter برای Mistral هم قابل استفاده‌ست که اگر شما پیش‌تر مدل میسترال رو جایی داشته باشید، صرفا با استفاده از آداپتور مارال، بتونید ازش استفاده کنید.

همچنین مدل و جزییاتش در این لینک موجودند.

مزایای مارال نسبت به مدل‌های فارسی قبلی چیه؟

برای درک این موضوع، باید تا حد زیادی عقب بریم. ببینیم اصلا از کِی، بحث پردازش زبان طبیعی یا NLP فارسی، خیلی داغ شد. راستش رو بخواهید از زمانی که شخصا به یاد دارم، بحث پردازش و نمایش زبان فارسی، بحث داغی بود.

حتی میشه گفت چالش‌های بسیار زیادی هم در این حوزه وجود داشت. کم‌کم با پیشرفت اینترنت، این موضوع هم بهبود پیدا کرد. ناگفته نماند که البته حتی حضور فونت‌های آزاد فارسی مانند وزیرمتن (جا داره اینجا هم یادی کنیم از صابر راستی‌کردار عزیز) هم تاثیر بسزایی در این امر گذاشتند.

اما بحث Text Generation چطور؟ این بحث به صورت خاص در همون سال‌های ۲۰۱۶ تا ۲۰۱۸ که در دنیا مدل‌های LSTM و GPT-2 خیلی مطرح بودند، پا گرفت. بسیاری از اشخاص و شرکت‌های ایرانی، به سمت تولید مدل رفتند. در ادامه، دوتا از این مدل‌ها که «اختصاصا» برای زبان فارسی ساخته شدند رو بررسی و مشکلاتشون هم مطرح می‌کنم.

مدل‌های تجاری

در حال حاضر، تنها مدلی که به صورت تجاری در دسترسه، مدل وبسایت «خودنویس»ئه که خب، این مدل علیرغم این که خروجی‌های بسیار خوبی می‌تونه تولید کنه، تجاریه و نمیشه خیلی بررسی دقیقی روش داشت.

علاوه بر اون، خروجی‌هایی که تولید می‌کنه من رو یاد خروجی مدل‌هایی مانند GPT NeoX 20B و GPT J 6B میندازه و خب با توجه به قدمت این وبسایت، این موضوع کاملا طبیعیه.

یکی از مشکلاتی که مدل‌هایی مثل GPT J دارند، اینه که علاقه خاصی به تکرار خودشون دارند، البته این مشکل تا حدی هم به Tokenizer های مدل‌ها برمی‌گرده که برای زبان فارسی، مناسب‌سازی نشدند.

مدل‌های آزاد

اما در حین جستجو، تونستم دو مدل آزادی که اختصاصا برای فارسی ترین شدند رو پیدا کنم که در ادامه در موردشون کمی توضیح خواهم داد.

  • مدل ParsGPT: این مدل، دقیقا GPT2 اون هم نسخه ۱۴۲ میلیون پارامتری بود که روی دیتای فارسی ترین شده، گرچه دقت نسبتا خوبی در تولید محتوای فارسی داره، اما دو تا مشکل بزرگ داشت. اول، این که طبق معمول عادت به تکرار خودش داره (این مساله رو در ادامه در موردش صحبت خواهم کرد) و دوم این که از یه جایی به بعد، دقیقا مطالب بی‌ربط به پرامپتی که داده شده تولید می‌کنه. مثلا ممکنه از یه مطلبی پیرامون هوش مصنوعی، برای شما متن یک خبر مرتبط با وزارت خارجه بورکینافاسو تولید کنه!
  • مدل GPT2 Medium Persian: این مدل باز کمی بهتر بود. مدل بزرگ‌تر و با حدود ۳۰۰ میلیون پارامتر. اما مشکل به طور واضح، دیتایی بود که مدل باهاش pretrain شده. به قول معروف روی «آشغال‌های سئوشده وب فارسی» ترین شده و احتمال این که مطالب خلاف واقع تولید کنه بسیار بالاست. گذشته از این، هنوز مشکل تولید محتوای بی‌ربط هم در این یکی مدل به چشم میخورد.

پس راه‌حل این بود که یک مدل جدیدتر با پایه جدیدتر ساخته بشه. خوشبختانه دوستی به نام سینا رشیدی، دادگان آلپاکای فارسی رو ایجاد کرده که ازش برای ترین کردن این مدل، استفاده کردیم.

و اگر بخواهیم مزایای مارال رو نسبت به مدل‌های پیشین بگیم:

  • دیتاست بهتر
  • پارامترهای بیشتر
  • مدل پایه جدیدتر
  • خروجی‌های بهتر

خواهند بود.

مزایای مارال نسبت به مدل پایه‌ش (Mistral 7B) چیه؟

اولین روزی که از میسترال استفاده کردم متوجه شدم نسبت به مدل‌های قبلی مثل LLaMa, LLaMa2, StableLM 7B و Vicuna و امثالهم، درک بهتری از الفبای فارسی/عربی داره.

این نشان از این بود که این مدل، قابلیت فهمیدن فارسی داره ولی به قدر کافی مطلب فارسی ندیده. به همین خاطر دست به فاین‌تیون کردنش روی دیتاست فارسی زدم.

مزیت این مدل نسبت به میسترال، اینه که فارسی رو از لحاظ ساختار و معنا درست‌تر می‌فهمه و می‌تونه خروجی بسیار بهتری در زبان فارسی تولید کنه. نکته جالب اینه که زبان انگلیسی هم همچنان می‌فهمه، پس یک مدل Bilingual داریم که می‌تونیم در آینده، ازش استفاده‌های باحالی کنیم.

بذارید خیلی خلاصه بگم، مارال، تمام خوبی‌های میسترال رو داره بعلاوه درک خوبی از زبان شیرین فارسی. البته ناگفته نماند که در بخش بعدی مشکلاتی که در نسخه آلفا داشتیم رو هم لیست کردم و براتون نوشتم 🙂

در حال حاضر چه مشکلاتی ممکنه در استفاده از مارال پیش بیاد؟

  • مدل در هذیان‌گویی (Hallucination) بسیار خوبه. البته، این مشکل تقریبا تمام مدل‌های زبانیه و با گذر زمان، میشه حلش کرد.
  • مدل علاقه زیادی به تکرار خودش داره 😁
  • نتایج مدل در حال حاضر خیلی factual نیستند و می‌تونه misinformation تولید کنه.
  • مدل خیلی بزرگه و با همه سخت‌افزارها قابل اجرا نیست (البته با کد ۸ بیتی که ارائه کردیم قابل اجرا میشه)
  • فرمت پرامپتش، کمی مناسب نیست و نیازه که شروع و پایان جملات به مدل آموزش داده شه.

چه چیزی برای توسعه بهتر مارال لازمه؟

  • دیتاست بهتر (نه الزاما بزرگتر) و حتی شاید دیتاست‌های تخصصی
  • ترین شدن tokenizer روی زبان فارسی

چطور از مارال استفاده کنم؟

چنانچه قصد دارید از مارال استفاده کنید، کدهای اجرای مارال روی GPU رو در این لینک قرار دادیم. می‌تونید این کدها رو روی سیستم خودتون یا در Google Colab اجرا کنید.

جمع‌بندی

پس از این که یک ترین موفق روی Stable Diffusion و ساخت مدل «مانی» که البته در این مطلب در موردش توضیح داده بودم، باعث شد که پلتفرم هوش مصنوعی مانی رو راه‌اندازی کنم و به نوعی یک AI company تشکیل بدم، مسیرم به شکلی تغییر کرد که پشتیبانی بهتر و بهتر از زبان شیرین فارسی رو بتونم به این مدل‌ها اضافه کنم.

در حال حاضر، کاربردهای زیادی برای مدل بزرگ زبانی فارسی مانند مارال میشه متصور شد. گذشته از ربات‌های پشتیبان (که با متد RAG ساخته میشن) میشه به کاربردهای بسیار بیشتری هم برای این مدل فکر کرد. دوست دارم بدونم شما چه فکری در مورد این مدل دارید؟

در پایان هم ممنونم از وقتی که گذاشتید و این مطلب رو خوندید. امیدوارم این مطلب، برای شما مفید بوده باشه. موفق و موید باشید 🙂

Share

هرآنچه باید در مورد خودروهای خودران بدانید!

مدتی پیش بود که خبری شنیدم مبنی بر عرضه یک مینی‌تراک خودران از طرف کمپانی سوئدی ولوو (لینک) و به قدری برام جذاب بود که خواستم بسیار بیشتر از گذشته، در مورد مفهوم «خودروی خودران» تحقیق و تفحص کنم و حتی ازشون بنویسم. نتیجه شد که الان در حال نوشتن این مطلب هستم.

ابتدا که بحث خودروهای خودران خیلی مطرح شد، سال ۲۰۱۴ بود و تسلا قابلیت «خلبان خودکار» (یا البته بهتره در این مورد خاص، بگیم راننده خودکار) رو برای خودروهاش معرفی کرد. اگر می‌خواهید در مورد اتوپایلت تسلا بیشتر بدونید هم می‌تونید این لینک رو مطالعه کنید. ابتدا خیلی برام سوال بود که چطور میشه یک وسیله نقلیه مثل یک خودرو، کامیون و …؛ خودران باشه و نیازی به هیچ اپراتوری نداشته باشه. مثلا یکی از چیزایی که به ذهن من (و احتمالا خیلی‌های دیگه) می‌رسه، بینایی ماشین باشه. این درسته اما همه‌ش نیست.

خلاصه من دست به کی‌برد شدم تا در مورد خودروهای خودران و چیزهایی که ازشون فهمیدم به تفصیل بنویسم و تجربه و دانشم رو منتقل کنم.

هوش مصنوعی چطور یاد می‌گیره رانندگی کنه؟

خب برای این که این سوال رو پاسخ بدیم، اول لازمه که به یک سوال خیلی خیلی مهم‌تر پاسخ بدیم. ما انسان‌ها چطور یاد می‌گیریم رانندگی کنیم؟ اگر در این پاسخ از پروسه آموزش و آزمون آیین‌نامه راهنمایی و رانندگی صرف نظر بشه، ما پشت یک خودرو می‌نشینیم که یک دست کلاچ ترمز اضافه داره، روی اون تابلو و نشان مخصوصی نصب شده که به باقی راننده‌ها اطلاع میده که این ماشین مخصوص آموزشه و در نهایت، مربی ما به ما میگه که چطور ماشین رو راه بندازیم، کجا دنده عوض کنیم و کجا راهنما بزنیم و این‌ها.

بعد از این که مراحل آموزش و آزمون شهری تمام شه و ما موفق به اخذ گواهینامه رانندگی بشیم، تازه وارد فضای «واقعی» می‌شیم. البته در فضاهای واقعی اوضاع کمی تفاوت داره و تا حد زیادی اتفاقا بی‌ریخته. می‌پرسید چرا؟ چون که دیگه خودروی ما هیچ نشانی نداره که به بقیه بگه ما تازه‌کاریم و مربی هم کنار دستمون نیست (از حوصله این بحث خارجه اما یادم میاد چندسال پیش قرار بود برچسب «راننده تازه‌کار» به مدت سه‌ماه روی خودروی نوراننده‌ها چسبانده بشه) و احتمال زیاد اشتباهات کوچک ما حین رانندگی باعث بشن که مضطرب‌تر بشیم و اشتباهات بزرگی مرتکب شیم.

حالا از این بگذریم، کم کم یک موضوع مهم رو یاد می‌گیریم. موضوع چیه؟ این که «تابلوها، علائم، فرمان پلیس و … همه مهم هستند و باید بهشون توجه کرد و احترام گذاشت. اما مهم‌تر از آن‌ها، دیدن رانندگی باقی راننده‌هاست». اینجا اهمیت این موضوع کم کم روشن میشه که بفهمیم همه ما، قرار نیست عین هم رانندگی کنیم. خیلی‌ها هستند که برای هضم دل‌تنگی‌هاشون تخت‌گاز میرن. خیلی‌ها هستند که در لاین سرعت با سرعت ۴۰ تا میرن. خیلی‌ها هم درست رانندگی می‌کنن ولی راهنما نمیزنن و … . در واقع ما با تجربه می‌فهمیم که رفتار راننده‌ها چطوره و این رفتار رو آنالیز می‌کنیم و به نتایجی می‌رسیم که باعث میشن ما راننده بهتری بشیم.

حالا که در مورد رانندگی انسان اطلاعات داریم، ببینیم هوش مصنوعی چطور یاد می‌گیره؟ خیلی ساده‌ست. هوش مصنوعی هم ابتدا یک مربی نیاز داره. این مربی کیه؟ این مربی انسانه. یک نفر می‌نشینه پشت فرمان، یک دور مثلا مسیری رو طی می‌کنه و بعد از اون، هوش مصنوعی بر اساس اون دیتایی که دریافت کرده، شروع می‌کنه به آموزش دادن مدل خودش. سپس، این مدل مورد آزمون و خطا قرار می‌گیره تا به کیفیت لازم و راضی‌کننده برسه. بعد از اونه که این مدل، روی خودرو، مینی‌کامیون و … سوار میشه و یک سری آزمایش جدی‌تر روش صورت می‌گیره و در نهایت به محصول نهایی تبدیل میشه.

خودروهای خودران چه داده‌ای نیاز دارند؟

طبیعتا هرجا بحثی از هوش مصنوعی در میان باشه، نیازمند داده هستیم. گاهی این داده‌ها رو نیازه که خودمان پیدا و درست کنیم، گاهی هم باید این داده‌ها رو از جاهای مختلفی جمع‌آوری کنیم (برای این که با موضوع جمع‌آوری داده آشنا بشید هم می‌تونید این پست رو بخونید) و خب در مورد خودروهای خودران، ما نیاز داریم که داده اولیه و خام رو لااقل خودمون تهیه کنیم. باقی داده چی؟ می‌تونیم اون رو از طریق کسانی که خودروهای ما رو می‌خرند جمع‌آوری کنیم و مدل‌های خودمون رو بهبود بدیم.

حالا سوال پیش میاد که ما دقیقا چه داده‌ای نیاز داریم که به خودروی خودران بفهمونیم که باید خودران باشه؟ در این بخش از پست، سعی کردم تا حد امکان ساده‌ش کنم و توضیحش بدم. البته در نظر داشته باشید که این بخش ممکنه ناقص باشه و در آینده، کم کم می‌تونه بهبود پیدا کنه.

داده‌های علائم راهنمایی و رانندگی

خب هوش مصنوعی هم عین خودمون نیازمند اینه که آیین‌نامه رو بلد باشه. در واقع باید بتونه علائم رو تشخیص بده. البته مهم اینجا اینه که این علائم چی هستند، و بعد با باقی داده‌ای که دریافت می‌کنه بتونه در مورد نحوه رانندگی تصمیم‌گیری کنه. پس ابتدا لازمه که هزاران عکس مختلف از علائم رانندگی داشته باشیم و یک مدل خاص (معمولا از نوع Object Detection که خب می‌تونیم از مدل‌هایی مثل YOLO براش استفاده کنیم) براش آموزش بدیم. البته موضوعاتی مثل رنگ‌بندی علائم در کشورهای مختلف هم می‌تونه مساله‌ساز باشه که خب بعدتر می‌تونیم روی اون تصمیم بگیریم. مثلا یکی از این مسائل، «آبی» بودن چراغ سبز در کشور آلمانه. شما چه راه‌حلی براش دارید؟

تصویر مسیر

طبیعتا نیاز داریم که تصویری از مسیری که طی کردیم داشته باشیم. چرا؟ چون این تصویر هم به ما از موانع احتمالی، تابلوها، چراغ قرمز و … اطلاعات خوبی میده. این اطلاعات، با اطلاعاتی که از مدل قبلی کسب می‌کنیم می‌تونه به ما کمک کنه که در مسیری خاص، بهتر رانندگی کنیم. البته این هم باید در نظر بگیریم همین که در مسیری هستیم احتمال این که خودروهای دیگری هم حضور داشته باشند هست. این احتمال رو باید در نظر گرفت و طبیعتا تصویر مسیر می‌تونه از وضعیت ترافیک یک مسیر خاص هم به ما اطلاعات بده. همچنین از نوع خودروهای حاضر در مسیر، و از همه مهم‌تر، نحوه رانندگی سایرین در اون مسیر.

زاویه فرمان، میزان فشار روی پدال گاز و دفعات و شدت فشرده شدن ترمز

این هم مورد مهمیه. در واقع ما وقتی با خودرویی رانندگی می‌کنیم روی چند چیز همیشه کنترل داریم. در کیسی که ما راننده یک خودروی دستی هستیم، علاوه بر فرمان و گاز و ترمز، روی کلاچ و دنده هم کنترل داریم. اما از اونجا که خودروهای خودران عموما برقی هستند، جای «دنده عوض کردن» با Speed Control عوض شده (البته این به معنای نداشتن گیربکس یا دیفرانسیل نیست، فقط انتقال قدرت شکل دیگری به خودش گرفته) و به همین خاطر کلاچ و دنده دیگه حضور خاصی در این پروسه ندارند.

اما هنوز برای ما مهمه که چطور باید فرمان رو بچرخونیم، چطور گاز بدیم و چطور ترمز بگیریم. همه این موارد، موقع جمع‌آوری دیتا، جمع میشه. حالا موضوع اینه که این‌ها چه اهمیتی برای ما دارند؟ یکی از موارد مهم اینجا اینه که مدل ما می‌تونه بفهمه وقتی در یک فاصله خوبی ازش ماشینی قرار نگرفته، می‌تونه گاز بده. ولی وقتی ماشین مثلا در فاصله ده‌متریش قرار داره، باید کمتر گاز بده. وقتی ماشین در فاصله پنج‌متریشه، باید یواش یواش ترمز بگیره تا هم با اون ماشین برخورد نکنه و هم به ماشین‌های پشتی اطلاع بده که جلو راه بسته‌س و از این دست چیزها.

فاصله

خودروهای خودران، علاوه بر تعداد زیادی دوربین، تعداد خوبی سنسور هم برای تشخیص فواصل دارند. این سنسورها یا از نوع LiDAR (یا Light detection and ranging) یا فراصوت (Ultrasonic) یا حتی RADAR (که مخفف Radio detection and ranging است) یا ترکیبی از این موارد هستند. با استفاده از این سنسورها، فاصله از موانع، عابرین پیاده، خودروهای دیگر و … ثبت و ضبط میشه و بعدا به مدل هوش‌مصنوعی ما می‌تونه کمک بده که اینجا چه خبر بوده و در موقعیت مشابه، چه تصمیماتی باید اتخاذ کنه.

موارد دیگر

بسته به شرایطی که قراره خودروی خودران ما درش کار کنه، ما ممکنه نیاز به داده‌های دیگری داشته باشیم. به همین دلیل، از اسم بردن تک تک موارد اجتناب کرده و اگر نیاز شد بعدتر در مطلبی جداگانه در موردش خواهم نوشت.

قوانین استفاده از خودروهای خودران

در ایران هنوز بحثی از حضور خودروهای خودران مطرح نشده (و احتمالا از اونجایی که عمده این خودروها در حال حاضر ساخت امریکا هستند و هنوز حرفی از نمونه‌های ژاپنی، کره‌ای، چینی، آلمانی و … به میان نیست حالا حالاها هم مطرح نشه) و صرفا یک خبر از مخالفت پلیس راهور (لینک) با این موضوع به دست من رسیده ولی در باقی کشورها، بخصوص امریکا؛ به شدت روی قوانینی که مربوط به وسایل نقلیه خودران باشه کار میشه.

در حال حاضر، هیچ کشوری «خودروی ۱۰۰٪ بدون راننده» رو نمی‌پذیره و حتی خودروهایی که «بدون حضور راننده» به حرکت درمیان، نیازمند این هستند که توسط اپراتور کنترل بشن. این مورد، برای اینه که خودروها بدون هیچ راننده و کنترلی ممکنه موجب تصادف و آسیب به سایر خودروها، ساختمان‌ها و افراد بشن.

در مورد Auto Pilot هم که معمولا با حضور راننده‌ست، حتی قانون اینه که خودروها باید مطمئن بشن که راننده از اتوپایلت برای خوابیدن، بازی کردن با گوشی و … استفاده نمی‌کنه. مثلا در ویدئویی که در مورد تسلای مدل ۳ ساخته شده (لینک) نشون داده میشه که خودرو خودش ازتون میخواد که هر یک دقیقه یک بار، فرمان رو تکون بدید تا بفهمه که بیدارید یا حواستون پرت نشده. در ویدئوی دیگر هم نشون داده شد که اگر شما به هشدارهای ماشین توجه نکنید، ماشین خاموش میشه و حتی نمی‌ذاره چندین ساعت از اتوپایلت استفاده کنید (لینک) و تمامی این موارد، تابع قوانینیه که برای این خودروها چیده شدند.

در حال حاضر شاید قوانین شفافی برای خودران‌ها نداشته باشیم، اما قطعا چندین سال دیگر این مورد بهبود پیدا می‌کنه و قوانین جهان‌شمولی براشون تدوین خواهد شد. چرا که خودران‌ها قراره آینده صنعت حمل و نقل باشند.

جمع‌بندی و سخن آخر

تقریبا از وقتی تسلا انقدر انقلابی عمل کرد اخبارش رو دنبال می‌کردم. اما چیزی که هیچوقت در عمق و بطنش فرو نرفته بودم، تکنولوژی‌هایی بود که در محصولاتش استفاده می‌کرد. به همین خاطر، پیش نیامده بود که در مورد خودروهای خودران چیزی بنویسم (با این که سال‌ها پیش در حال کار روی پروژه خودروی دست‌ساز بودم و این پیگیری می‌تونست بهم در ساخت پروژه خودم هم کمک کنه). خلاصه پس از مدت‌ها این رو نوشتم و وقتشه یک جمع‌بندی ریزی داشته باشیم.

همونطوری که فهمیدیم، خودروهای خودران ترکیبی از چند علم و چند صنعت هستند. شاید تلالو مهندسی مکانیک، مهندسی برق و مهندسی کامپیوتر و همکاریشون با یکدیگر در همین حوزه خلاصه شده باشه. ایده خودرویی که نیاز به راننده نداشته باشه البته ایده جدیدی نیست و تقریبا از دهه ۷۰ میلادی، این ایده وجود داشته. موضوع مهم اجرا و پیاده‌سازی بوده که خب در سال‌های اخیر شاهدش بودیم. در ادامه فهمیدیم که خودروهای خودران نیازمند داده‌های زیادی هستند و از قضا این داده‌ها رو نمیشه به سادگی از اینترنت دانلود کرد و به خورد یک مدل داد و نیاز داریم که مدل رو با داده‌های به‌روز و به‌هنگام؛ آموزش بدیم.

بحث قانون هم در این میان به پیش کشیده شد و خب این موضوع، حداقل جایی که تاثیر مستقیم روی زندگی انسان مشهوده، بحث بسیار مهمیه و من شخصا امیدوارم شاهد نگارش قانون‌های درست و حسابی برای این موضوع باشیم.

سخن آخر هم این که مثل همیشه ممنونم از این که وقت گذاشتید و این مطلب رو خوندید و امیدوارم که این مطلب، مفید فایده واقع شده باشه 🙂

Share

شهرت در توییتر یا چگونه به سادگی ایمپرشن بگیریم؟

ایمپرشن یا تاثیرگذاری یک توییت، عبارت است از تعداد دفعاتی که اشخاص اون توییت خاص رو می‌بینن. در واقع خودتون هم هربار اون توییت خاص رو ببینید، یک ایمپرشن بهش اضافه میشه. حالا اگر کاربرهای منحصر به فرد، هر کدوم یک بار توییتی رو ببینن چی میشه؟ شانس ایمپرشن گرفتن شما بسیار بالا میره.

در این مطلب، قصد دارم در مورد ایمپرشن توییتر و افزایش ایمپرشن در توییت‌ها صحبت کنم. البته اگر در مورد توییتر و فعالیت در اون نیازمند اطلاعات بیشتری هستید، قبل‌تر در این مطلب در موردش صحبت کردم.

 

بنر توییتر

چرا ایمپرشن توییت‌هامون مهمه؟

شبکه‌های اجتماعی سالهاست که دیگه مثل قبل محلی نیستن که شما صرفا محتوا رو آپلود کنید و اون محتوا، منحصر به دوستان و دنبال‌کنندگان شما باشه. بلکه تلاش می‌کنن محتوای عمومی رو، در شکل‌های مختلفی مثل Explore یا You may like (که دومی در توییتر رایج‌تره) به شما پیشنهاد بدن.

هدف از این کار، معمولا اینه که شما بتونید راحتتر افراد هم‌فکر خودتون رو پیدا کنید، پایگاه طرفداری برای گروه موسیقی یا تیم مورد علاقه‌تون تشکیل بدید، از تحولات سیاسی یک کشور آگاه بشید و … . حالا، هر محتوایی که ایمپرشن بهتری داشته باشه، معمولا بیشتر به سایر کاربران نشون داده میشه.

بیایید فرض کنیم که یک توییتی داریم با محتوای «چرا در شمال ایران بام خانه‌ها را شیب‌دار می‌سازند؟». اکثریت قریب به اتفاق اهالی وب فارسی، از این که این جمله یک meme اینترنتی معروفه، خبر دارند. پس احتمالا یک عده‌ای اون رو بازنشر میدن، یک عده جواب‌های مسخره‌ای مثل «شیب؟ بام؟» بهش میدن و در نهایت هم یک سری از هموطنان ساکن استان‌های شمالی، اشاره می‌کنن که دیگه شیب‌دار نمی‌سازن 😁

به این شکل، اون توییت به شکل عجیبی دیده میشه. الگوریتم توییتر هم طوری تنظیم شده که «هر توییتی که بیشتر دیده بشه، بیشتر لایک بخوره، بیشتر کوت یا ریتوییت بشه؛ حتما خوبه» و به این شکل به افرادی که شما رو هم فالو ندارند، نمایشش می‌ده. اونها ممکنه خوششون بیاد، ممکنه واکنش بدن و همینطوری به صورت زنجیره‌ای این ماجرا ادامه پیدا می‌کنه.

چطور ایمپرشن رو افزایش بدیم؟

تعامل کنید.

تعامل با سایر کاربران، خودش امر مهمیه که تعامل (اینترکشن) و تاثیرگذاری (ایمپرشن) محتوای شما رو ببره بالا. ساده‌ترین روشش برای اکثر وبسایت‌ها اینه که یک GIF از محصولات، ویژگی‌ها یا تخفیف‌هاشون میذارن و از شما میخوان که در لحظه خاصی یک نماگرفت (اسکرین‌شات) از صفحه بگیرید و اون رو در قالب منشن یا کوت، منتشر کنید. ضمن این که به شما، قول شرکت دادنتون در قرعه‌کشی هم داده میشه.

حالا نکته چیه؟ این شکل از تعامل باعث میشه که افراد زیادی اون توییت رو به قولی «ببرن تایملاین بقیه». این تایملاین بقیه، باعث میشه یکی دیگه هم ببینه! و باز زنجیره ادامه پیدا می‌کنه. پس قطعا تعامل با مخاطبین و مشتریان، مهمه.

اخبار خوب (یا بد) در مورد خودتون، شغلتون یا محصولتون رو منتشر کنید.

اخبار خوب و بد، همیشه واکنش‌های مردم رو به دنبال دارند. اخبار خوب مثل قبول شدن در یک مصاحبه کاری، دریافت ویزای یک کشور خارجی، تزریق واکسن کرونا، ازدواج کردن یا بچه‌دار شدن و همچنین اخبار بد(که البته امیدوارم برای هیچ‌کس پیش نیاد…) مثل فوت یکی از عزیزان ، بیمار شدن، اخراج شدن از محل کار و …؛ اخبار شخصی هستند که به خوبی می‌تونن شما رو تو چشم بیارن.

برای آزمایش این ایده، فقط کافیه همین الان که این مطلب رو می‌خونید برید و توییت کنید «از خدمت معاف شدم» یا «ویزام اومد» و ببینید که مردم، چطوری واکنش میدن و برای شما ابراز خوشحالی می‌کنن. طبیعتا یک عده هم ازتون سوالاتی پیرامون پروسه دریافت ویزا یا معافیت می‌پرسن.

حالا، فرض کنید این قضیه کمی تغییر کنه و به سمت شغل یا حرفه شما بره. اینطوری چطور می‌تونیم ایمپرشن بگیریم؟ کافیه از تغییرات و تاثیرات تکنولوژی‌های مورد استفاده‌تون بگید. از پروژه‌هاتون فیلم و عکس و کد و … بذارید. با سایر افرادی که همکارتونن، تعامل کنید. این قضیه، در مورد محصولات هم کاملا صادقه و به همین خاطر در مورد محصول دیگه توضیح اضافه‌ای نمیدم.

محتوای بحث‌برانگیز توییت کنید.

محتوایی شامل قضاوت (یا به قول خود توییتری‌ها جاج) یک توییت با محتوای نژادپرستانه یا جنسیت‌زده، می‌تونه محتوای جالبی باشه و بحث‌های جالبی پیرامونش شکل بگیره. البته توجه کنید که این شکل ایمپرشن گرفتن، می‌تونه حجم خوبی از بلاک و ریپورت و آنفالو شدن رو برای شما رقم بزنه.

از همین رو، من شخصا این آخری رو توصیه نمی‌کنم. اگرچه بعضی‌وقتا بد نیست یه ناخنکی به ژانر یا محتوای بحث‌برانگیز (مثل ژانر برنامه‌نویس نیستی) بزنید، اما خب این موضوع رو باید در حد همون تفریح نگه دارید.

بنر توییتر ۲

سخن آخر

خیلی وقت پیش، یک مطلب با عنوان فرمول شهرت نوشتم. تا به امروز بیشترین میزان ورودی وبلاگ از موتورهای جستجو، از کلیدواژه‌های «شهرت» و «چگونه مشهور شویم» بوده و خب حقیقتا یک مقایسه کلی با مطالبی که شکل مشابهی دارند (مثل دریافت نخستین دنبال‌کنندگان در اینستاگرام) به این نتیجه می‌رسم که محتوایی که تم سوشال مدیا و همچنین دیجیتال مارکتینگ دارند، می‌تونن بیشتر دیده بشن.

به همین خاطر، سعی می‌کنم لابلای مطالبی که با درونمایه فنی تدوین می‌کنم، این دست مطالب هم بگنجونم. چرا که هم شخصا این مدل مطالب رو دوست دارم و هم می‌تونم کیفیت سئوی وبلاگم رو بهبود بدم 🙂

اگر از اصطلاحاتی که در این پست به کار بردم، چیزی نمی‌دونید، می‌تونید به فهرست اصطلاحات توییتر از وبسایت نیماتودی مراجعه کنید. همچنین، محتوایی که پیرامون توییتر در این وبسایت وجود داره، می‌تونه به شما در بهبود کیفیت محتوای توییترتون هم کمک کنه :).

در نهایت هم از بابت وقتی که برای خوندن این پست گذاشتید و همچنین فیدبک‌هایی که می‌دید، ازتون ممنونم و امیدوارم که این مطلب، مفید بوده باشه.

Share

همه چیز درباره توییتر

توییتر، یک شبکه اجتماعی معروف و نسبتا شناخته‌شده‌ست که مردم برای نوشتن روزمره، تبلیغ بیزنسشون و یا پیدا کردن ارتباطات (چه کاری و چه شخصی) به سراغش میرن. همه‌گیر شدن استفاده از توییتر در ایران، باعث شده که بازاریابی دیجیتال در توییتر هم به خودی خود ابزاری بشه برای کسب و کارهای بزرگ و کوچک که خودشون رو ارائه کنن.

در این مطلب، نکاتی که به نظرم می‌رسه برای برندسازی شخصی و یا مارکت کردن محصول در توییتر باید رعایت کنیم رو برای شما خواهم نوشت. البته اول از همه بگم که اگر نیاز دارید تا سئوی سایتتون بهتر بشه، بهتره اول این مطلب رو برید و بخونید. چنانچه قصد تبلیغ هم دارید، بد نیست کمی با مفاهیم توییتر مارکتینگ آشنا بشید (این لینک) و حتی شاید بد نباشه که قبل از خوندن این مطلب، نیم‌نگاهی به لیست اینفلوئنسرهای ایرانی توییتر بندازید و ببینید این‌ها چند-چندن و برای بهبود ایمپرشن و انگیجمنت توییتر خودتون ازشون ایده بگیرید.

قدم‌های اول: ساخت حساب کاربری و ستاپ پروفایل

ساخت حساب کاربری در شبکه‌های اجتماعی و در کل سرویس‌های آنلاین، از نظر من دیگه چیزی نیست که آموزشی بخواد. چرا که اولا کلی آموزش خوب ازشون در اینترنت موجوده؛ دوما چنانچه شما یک شماره موبایل و یک ایمیل و یک اتصال نه‌چندان پایدار به اینترنت داشته باشید، به سادگی می‌تونید در این سرویس‌ها حساب کاربری بسازید. ما فرض رو براین قرار می‌دیم که شما به توییتر رفتید، اونجا یک حساب کاربری ساختید و حالا می‌خواهید که حسابتون رو سر و سامون بدید.

نکاتی در لیست زیرمیارم، برای ستاپ یک اکانت خوب به نظر کافی باشند. اگر هم شما نکته‌ای دارید، ممنون میشم که در بخش کامنت‌ها در اختیارم قرار بدید.

  • اسم پروفایل، اسم خودتون یا کسب و کارتون باشه. دقت کنید که استفاده از کرکترهای خاص یا ایموجی‌ها هم معمولا خوب نیستند چرا که امکان خواندن متن رو از دوستانی که نابینا یا کم‌بینا هستند می‌گیرند.
  • در بخش Bio به صورت خلاصه از خودتون یا کسب و کارتون بنویسید. این قسمت باید به بقیه ایده کافی بده که چرا باید شما رو دنبال کنند.
  • عکس پروفایلتون، یک عکس مناسب از خودتون باشه. برای حساب‌های کسب و کار احتمالا شما لوگو یا عکسی از محصولتون رو روی پروفایل قرار می‌دید. برای حساب‌های شخصی، بهتره که یک عکس نه‌چندان جدی از خودتون باشه.
  • قبل از این که بخواهید مواردی که در این مطلب پوشش داده شدند رو پیاده کنید، چند توییت بزنید. توییت‌های پیرامون معرفی خودتون، محصولتون و … .

حالا ما یک پروفایل توییتر نسبتا خوب داریم و می‌تونیم به سادگی بریم سراغ این که از پروفایلمون نهایت استفاده رو برای برندسازی شخصی و همچنین برندسازی برای کسب و کار ببریم. یادمون هم نره که در دنیای امروز، واقعا برندسازی بخش مهمی از کسب و کار ماست.

برویم ایمپرشن بگیریم!

آشنایی با مفاهیم مرتبط با تجزیه و تحلیل توییتر

از اونجایی که من تخصصم بازاریابی محتوایی و بازاریابی دیجیتال نیست و فقط بهش علاقمند هستم، معمولا این مفاهیم و … رو به درستی نمی‌دونم. اما در این مطلب، دوستان دیگری به خوبی در موردش توضیح دادند. شما می‌تونید به سادگی ابزارهای تجزیه و تحلیل توییتر را مطالعه کنید و از اونها برای بهبود کسب و کار خودتون بهره بگیرید.

اما اگر حوصله رفتن به صفحه دیگری ندارید و دوست دارید که بعد از خوندن این مطلب، به صفحات دیگر مراجعه کنید و بخونیدشون، ایرادی نداره. من اینجا به شما به طور خلاصه میگم. ایمپرشن، یعنی تعداد دفعاتی که توییتر شما بازدید گرفته! مثلا اگر ایمپرشن ۳۰۰۰ داریم، یعنی ۳۰۰۰ بار توییت دیده شده. بدون اهمیت دادن به این که چندبار لایک خورده یا ریتوییت شده. برای این منظور، مفهومی داریم به اسم engagement که نشون می‌ده ملت چقدر با توییت تعامل داشتند. مثلا اگر تویت من ۳۰۰ تا لایک خورده و ۲۰ بار ریتوییت شده و ۱۴ نفر بهش پاسخ دادند، ۳۳۴ تا انگیجمنت دریافت کرده.

اهمیت ایمپرشن و انگیجمنت

چرا این اعداد صرف برای ما اهمیت دارند؟ چون سیستم‌های پیشنهاددهی شبکه‌های اجتماعی بر اساس این‌ها کار می‌کنند. این کارکرد، می‌تونه به خودی خود به این تعبیر بشه که توییتی که ایمپرشن بهتری داره بیشتر دیده میشه. و به همین خاطره که خیلی از اکانت‌های شخصی، می‌تونن صرفا با یک سری توییت خیلی روتین ایمپرشن بسیار خوبی دریافت کنند در حالی که بسیاری از کسب و کارها ایمپرشن خوبی ندارند.

به صورت ساده نگاه کنیم، توییتی که زیاد دیده بشه و زیاد دست به دست بشه و همچنین واکنش زیادی دریافت کنه، فارغ از این که محتواش خوب یا بده؛ از دید هوش مصنوعی «توییت خوبیه». پس نتیجه چی میشه؟ نتیجه این میشه که اون رو مدام به بقیه پیشنهاد میده و باز هم یک نتیجه بهتر میشه ازش گرفت. نتایجی مثل بالا بردن ایمپرشن، تعداد فالوئر و … 🙂

پس لازمه که ما اهمیت کارهای خودمون در شبکه اجتماعی رو بدونیم. به همین خاطر، لازمه که نکات خیلی ریزی رو رعایت کنیم تا به نتایج خوب برسیم. در ادامه، قراره همین نکات رو با هم بررسی کنیم.

ایمپرشن گرفتن در دو خط

قبل از این که وارد وادی اصلی بشیم و بخواهیم هزاران راه رو با هم بررسی کنیم، بذارید بهتون بگم که چه چیزهایی هستند که می‌تونن کمکتون کنن. اگر دوستان زیادی در توییتر دارید می‌تونید به سادگی توییت کنید «ویزام آمد» و ببینید که چقدر می‌تونه ایمپرشن خوبی داشته باشه.

می‌تونید خبرهایی مثل ازدواجتون، پذیرش گرفتنتون از یک دانشگاه خوب و … رو توییت کنید. دلیل ایمپرشن گرفتن این توییت‌ها چیه؟ این که مردم دوست دارند خوشحالی یک‌دیگر را ببینند. البته خلافش هم هست و همیشه عده‌ای انگل هستند که بخوان خوشی رو زهرمارتون کنن (😂) اما معمولا تعداد افرادی که بهتون فیدبک مثبت میدن بیشتره و این خودش خوبه.

اما راستش رو بخواهید، این تنها راه و حتی بهترین راه نیست. در ادامه قراره با هم راه‌های بسیار بسیار زیادی رو بررسی کنیم. پس اگر حوصله‌تون نمی‌کشه، بهتره اینجا کمی استراحت کنید و یک فنجان قهوه بنوشید و برگردید ادامه‌ش رو بخونید.

هزاران راه مناسب برای دریافت بازخورد و ایمپرشن

با دیگران ارتباط داشته باشید

توییتر یک شبکه اجتماعیه، قاعدتا شما نیاز دارید که روی شبکه‌های اجتماعی با دیگران ارتباط برقرار کنید. به توییت‌ها پاسخ بدید، اونها رو بازنشر بدید و از همه مهم‌تر، افراد رو فالو کنید. فالو کردن افراد می‌تونه تاثیر خوبی روی حساب کاربریتون داشته باشه. چرا که بسیاری از افراد، وقتی که فالو بشن متقابلا فالو می‌کنن و این امر خودش یک کمک اساسی به بهبود ایمپرشن و انگیجمنت شماست.

توییت‌ها را کوتاه نگه دارید

حقیقت اینجاست که علیرغم امکان رشته‌توییت‌نویسی و همچنین ۲۸۰ کرکتری که توییتر به ازای هر توییت در اختیارتون قرار می‌ده، هیچ توییتی که بیش از ۱۰۰ کرکتر داشته باشه شانس خوبی برای دیده شدن نداره. توییت‌هایی که شانس دیده شدن دارند معمولا بین ۷۰ تا ۱۰۰ کرکتر هستند. مگر در موارد و حالات خاص که بعدتر به اونها می‌پردازیم.

لینک‌ها را هم‌رسانی کنید

لینک‌ها مهم هستند. بخصوص اگر صاحب وبسایت، وبلاگ یا کسب و کاری هستید، سعی کنید که اصل مطالب را درون وبسایت خودتون بنویسید و در توییتر، لینک بدید. همچنین بهتره از سرویس‌های کوتاه‌کننده لینک هم بهره بگیرید که بتونید فضای بیشتری برای توضیح در مورد لینک‌ها داشته باشید.

دقت کنید که شبکه‌های اجتماعی مثل توییتر، فیسبوک و لینکدین؛ از طریق وب در دسترسن و طبیعتا ربات‌های موتورهای جستجو هم مدام در حال خزیدن در این وبسایت‌ها هستند و اگر لینک شما رو ایندکس کنن رتبه بهتری هم در موتورهای جستجو خواهید داشت.

خسیس نباشید

اگر کسی به شما پاسخی داد، توییت شما را نقل قول کرد و یا حتی پیام خصوصی ارسال کرد و در اون مشکلی ندیدید، حتما پاسخ بدید. پاسخ دادن بخشی از روند شبکه‌های اجتماعی به حساب می‌آد و شما با پاسخ دادن، تعامل خودتون با اطرافیان رو بهتر حفظ می‌کنید.

نتیجه این تعامل این میشه که افراد بیشتری راغب میشن به سمت شما بیان و با شما دوست بشن یا از برندتون بازدید کنند. دقت کنید که خیلی از افراد نام‌دار روی توییتر، وقت خاصی رو اختصاص می‌دن به این که به منشن‌ها و نقل‌قول‌ها حتما پاسخ بدن.

ساعت اوج خودتون رو بشناسید

شناختن ساعات اوج، خیلی مهمه. مخاطبان شما چه قشری هستند؟ افرادی که سر کار سوشال رو چک می‌کنند؟ افرادی که شب‌زنده‌دارند؟ افرادی که در وقت‌هایی که کار نمی‌کنند ترجیح میدن به شبکه‌های اجتماعی بیان؟ همه این‌ها مهمن.

بسته به نوع مطالبتون، ممکنه یک یا چند یا حتی همه این افراد براتون مخاطبین مناسبی باشند. بنابراین بهتره ببینید که در کدوم بخش از شبانه‌روز، شما بیشترین تعامل رو با بقیه داشتید. اما فرض کنیم که شما صفحه‌ای دارید که افراد ترجیح میدن در استراحت‌های کوتاه بین کارشون چکش کنند. مثلا، صفحه‌ای دارید که آگهی‌های استخدامی را هم‌رسانی می‌کنه. بنابراین بین ۱۰ صبح تا ۱۲ ظهر، بهترین وقت میشه برای توییت گذاشتن.

هم‌چنین، تعداد زیادی از کارمندان هستند که از ۱۲ تا ۲ ظهر – که معمولا تایم ناهار و نماز ادارات محسوب میشه – سوشال رو چک می‌کنند. پس این زمان هم زمان مناسبی میشه برای توییت کردن و به دست آوردن قشر خوبی از مخاطبین.

ارزش تولید کنید

سعی کنید که محتوایی که تولید می‌کنید، طوری باشه که مردم دوست داشته باشند مدام اکانت شما رو چک کنند. این موضوع خیلی خیلی مهمه! مثلا افرادی در توییتر هستند که اشعار عربی و ترجمه فارسی اون رو منتشر می‌کنند. این خودش دلیل محکمیه که عاشقان ادبیات عرب صفحه شخص رو چک کنند. اشخاصی هستند که دانسته‌های حقوقی خودشون – به خصوص در مواردی که کمتر ازش صحبت میشه – رو به اشتراک می‌ذارن. افرادی هستند که در مورد معافیت سربازی می‌نویسند و … .

این‌ها همه ارزش هستند. چرا که همگی می‌تونن مخاطبین خاص خودشون رو جذب کنند و به خوبی هم یک پایگاه طرفداری (Fan Base) مناسب حول یک حساب توییتری شکل بدند. پس مهم نیست چه کاره‌اید و چه تخصصی دارید، مهم اینه که سعی کنید با دانسته‌های خودتون ارزش تولید کنید.

از هشتگ‌ها استفاده کنید

هشتگ ابزاریه که برای بهبود جستجو در یک وبسایت یا سرویس آنلاین استفاده می‌کنیم. بنابراین استفاده به موقع و درست از هشتگ‌ها، می‌تونه به ما کمک کنه که بیشتر دیده بشیم. یکی از دلایلی که بسیاری از شبکه‌های اجتماعی من‌جمله توییتر و اینستاگرام این ویژگی رو دارند همینه! چون صاحبان این شبکه‌ها بهتر از من و شما می‌دونن که ما ممکنه از این بسترها برای بازاریابی و برندسازی استفاده کنیم پس به این شکل تا حد خوبی هم کارمون رو راحتتر کردند.

توییتر را اینستاگرام کنید 😂

البته، کاربرد توییتر و اینستاگرام معمولا متفاوته. اما دقت کنید که اشتراک‌گذاری تصاویر واقعا می‌تونه کمک بسزایی در دیده شدن محتواتون بکنه. مثلا شخصا به جای این که gist بسازم برای توییتر، ترجیحم اینه که از Carbon برای اشتراک کد استفاده کنم. به این شکل هم کد رو در اختیار بقیه قرار دادم و هم این که تصویر به اشتراک گذاشتم.

شاید باورتون نشه اما بسیاری از مردم صرفا روی یک لینک کلیک می‌کنند چرا که تصویر پیش‌نمایش لینک، جذاب بوده. پس دقت کنید که می‌تونید تمام این روش‌ها رو با هم ترکیب کنید و نتایج خوبی دریافت کنید.

همچنین شاید بد نباشه که هر از گاهی میم هم توییت کنید. معروف‌ترین و پرکاربردترین میم‌های توییتر فارسی رو می‌تونید در این لینک ببینید.

ویدئو به اشتراک بذارید

در حساب‌های شخصی شما می‌تونید ویدئوهای تا ۲ دقیقه و ۲۰ ثانیه به اشتراک بذارید. این قضیه رو از خودتون دریغ نکنید. اگر ساز می‌زنید، اگر صدای خوبی دارید، اگر کار خفنی کردید حتما ویدئوش رو با بقیه به اشتراک بذارید. بذارید افراد بدونن که با اشخاص واقعی سر و کار دارند.

ریتوییت بخواهید

این که از دیگران بخواهید که محتوای شما رو با دوستانشون به اشتراک بذارن، اصلا و ابدا چیز بدی نیست. مساله اینجاست که به چه روش‌هایی میشه انجامش داد؟ خب ساده‌ترینش اینه که شما انتهای توییتر بنویسید «لطفا ریتوییت کنید» و حقیقتا خیلیا هم با همین قضیه میان و ریتوییت می‌کنن.

روش دوم، اینه که در ازای ریتوییت چیزی دریافت کنند. مثلا اگر کسب و کاری دارید، هر از گاهی برای مخاطبین توییتری خودتون یک قرعه‌کشی برگزار کنید. به این شکل، افراد بیشتری ترغیب به ریتوییت میشن.

گندش را درنیاورید 😂

گرچه حساب‌های شخصی ممکنه که تعداد زیادی توییت در روز بنویسند، اما برای حساب‌های کسب و کار این میزان باید کنترل‌شده باشه. طبق بررسی‌های من برای خیلی از کسب و کارها بین ۱ تا ۳ توییت در روز و برای برندسازی شخصی حدود ۱۴ توییت در روز، عدد کافیه و باعث میشه که افراد وقت کنن شما رو بخونن. پس بهتره گندش رو درنیاریم و بذاریم که توییتر رفتار ارگانیک خودش رو نشون بده.

بین توییت‌ها فاصله زمانی مناسب را رعایت کنید

در رانندگی یکی از اولین اصولی که به ما یاد میدن اینه که فاصله با خودروی جلویی رو حتما حفظ کنیم، نه؟ در توییتر مارکتینگ و توییتر برندینگ هم باید همین قضیه رو رعایت کنیم. فاصله بین توییت‌ها، اجازه میده که توییت‌های قبلی ما به خوبی دیده و خوانده بشن. هم‌چنین به خودمون فرصت مناسب میده که حتما بتونیم تعامل خوبی با مخاطبینمون داشته باشیم. پس، بهتره که بین اون ۱۴ تا توییتی که می‌خواهیم در روز بزنیم یک فاصله خوب قرار بدیم.

سوال بپرسید

سوال پرسیدن خودش یک راه مناسبه برای این که افراد با شما تعامل کنند. با تعامل افراد با شما، توییت شما در تایملاین‌های دیگر هم می‌ره و این باعث میشه باز افراد بیشتری شما و محتواتون رو ببینن و باهاتون تعامل کنند.

فقط حواستون باشه که در این بین، رفتاری مشابه اکانت‌های ناامن از خودتون بروز ندید. حتی اگر توییت‌های شما داره به قصد بررسی موضوعی زده میشه و تهش قراره به OSINT ختم بشه (اگر نمی‌دونید OSINT چیه، میتونید این مطلب رو بخونید) بهتره که مخاطبینتون در جریان قضیه قرار بگیرند.

واضح حرف بزنید

دقت کنید که مردم، صحبت کردن به زبان خودشان را بیشتر می‌پسندند تا زبان‌های پیچیده و متکلف رو. نیازی نیست که شما کتابی تایپ کنید یا خیلی سنگین حرف بزنید. کافیه که مثل اکثریت مردم در توییتر، صحبت کنید. صحبت با زبان محاوره‌ای و حتی استفاده از اصطلاحات رایج در زبان مخاطبین، حس نزدیکی رو بیشتر می‌کنه.

از کلمات قدرتمند استفاده کنید

کلمات قدرتمند، کلماتی هستند که به شما کمک می‌کنند بیشتر به چشم بیایید. کلماتی مثل «فوری» و «تضمینی» و «جایزه» از این قبیل کلمات هستند. البته یادتون باشه که این‌ها هم جای استفاده خودشون رو دارند.

از اسامی بزرگ حرف بزنید

حرف زدن از اسامی بزرگ، به خودی خود میتونه کمک‌کننده باشه، اما چطور؟ دقت کنید که افراد نام‌دار یا همون سلبریتی‌ها، همیشه خدا حاشیه‌سازی دارند. به نوعی موج‌سواری روی حواشی اون‌ها می‌تونه به شما کمک کنه. اگر حس و حال حاشیه و موج ندارید، ایرادی نداره. می‌تونید از محصولات جدید کمپانی‌ها بنویسید و نقدشون کنید. می‌تونید همزمان با کنفرانس‌های شرکت‌های بزرگ مثل اپل، فیسبوک، مایکروسافت و … توییت‌های زیادی بزنید و پوشش بدید و تحلیل کنید.

در کل، استفاده از اسامی بزرگ، بخصوص وقتی که ترند میشن، می‌تونه به شدت به شما کمک کنه که برندتون در میان هزاران برند دیگر، دیده بشه.

بازیافت کنید 🙂

محتوای خوب و پربازدیدتون رو هر از گاهی، مجددا نشر بدید. خوشبختانه توییتر این امکان رو داره که شما توییت‌های قدیمی خودتون رو ریتوییت کنید. حتی می‌تونید محتوای قدیمی وبسایت یا وبلاگتون رو در یک توییت جدید، ارسال کنید و ببینید که چه اتفاقی می‌افته. خوشبختانه محتوای خوب، همیشه مشتریای خاص خودش رو داره 🙂

جمع‌بندی

برندسازی کار آسانی نیست. اما کار سختی هم نیست. بیش از این که کار پرزحمتی باشه، یک کار نیازمند دقت و ریزبینی زیاده. دقت کنید که در دنیایی زندگی می‌کنیم که هرکسی تلاش داره برند خودش رو بسازه. اما تعداد کمی هستند که واقعا موفق میشن برند درستی از خودشون به جا بذارن. بسیاری از افراد حتی در میان فرایند برندسازی خودشون سرد میشن و به روش‌های نامعمولی روی میارن که خودشون رو بکنن در چشم دیگران. آن هم با ایده هر عمومیتی خوب است یا Any publicity is good publicity.

خلاصه، راه‌حل‌هایی که بالاتر آوردم، راه‌حل‌های نسبتا تضمین‌شده برای برندسازی شخصی و بازاریابی در توییتر هستند. خوشبختانه تا حد خوبی هم فارغ از عملکرد الگوریتم‌های توییتر، می‌تونن مفید باشن. امیدوارم که ازشان استفاده کنید و نتیجه دلخواهتون هم بگیرید.

هم‌چنین بخوانید

Share

مهندسی اجتماعی – هوشمندی متن‌باز (OSINT)، خبرسازی

در مطالب قبلی پیرامون مهندسی اجتماعی نوشتم. در اولین مطلب صرفا به این اشاره کردم که چیه و چرا مهمه، در مطلب دوم در مورد متد ماحی‌گیری نوشتم و در این مطلب، قراره دو روش دیگر مهندسی اجتماعی یعنی OSINT و همچنین خبرسازی رو با هم بررسی کنیم. اینجا، تقریبا می‌شه گفت که مباحث مهندسی اجتماعی تمام میشن و احتمالا در آینده جوانب دیگر امنیت سایبری رو با هم بررسی خواهیم کرد.

هوشمندی متن‌باز (OSINT)

همانطوری که در قسمت اول خدمت شما عرض کردم، ما در شبکه‌های اجتماعی و در کل در اینترنت خیلی از خودمون ردپا به جا میذاریم. هوشمندی‌ متن‌باز یا Open Source Intelligence دقیقا همینجا به کار هکرها میاد. روش کلاه‌سفیدش به نظر می‌تونه بررسی عقاید و سلایق مردم برای تولید محصول باشه (مثلا خواننده‌ها به ما پول بدند که در سلیقه موسیقی مردم فضولی کنیم و براشون تحلیل ارائه بدیم) و روش کلاه‌سیاهش می‌تونه این باشه که دیتای جمع‌آوری شده رو بهونه‌ای کنیم برای پرونده‌سازی و اخاذی از دیگران.

البته ما آدمای خوبی هستیم و چنین کاری نمی‌کنیم. ساختن پرونده هم به عهده مقامات امنیتی کشورها واگذار می‌کنیم چون اونها بهتر از ما بلدند و طبیعتا، راحتتر از ما می‌تونن چنین کاری کنند. اما اگر آدم بدی هستید هم به نظرم بهتره که برید تو اتاق و به کارای زشتتون فکر کنید جای این کارا 🙂

برای OSINT ابزارهای خوبی ساخته شده. در این پست من صرفا ابزارهایی که برای توییتر و اینستاگرام ساخته شدند رو یک بررسی ریز می‌کنم، اما اگر ابزار دیگری پیدا کردم احتمالا معرفی کنم. حواستون هم باشه استفاده از این ابزارها گرچه مانع قانونی نداره، اما اگر از داده‌های به دست آمده برای کاری مثل اخاذی یا پرونده‌سازی استفاده کنید مسیر رو برای شکایت کردن افراد از خودتان باز خواهید کرد.

توییتر

چند وقت پیش، در توییتر بحثی به نام «ابر کلمات» داغ بود. افرادی که دسترسی به API توییتر داشتند، برای افراد این ابر کلمات رو میساختند. اما من از اونجایی که حوصله نداشتم با توییتر نامه‌نگاری کنم، دنبال ابزاری بودم که حداقل توییت‌های حساب‌های حفاظت‌نشده رو به سادگی بتونه استخراج کنه. اونجا بود که با ابزار twint آشنا شدم (لینک). ابزار twint یا twitter intelligence ابزاریه که به شما کمک می‌کنه به سادگی در توییتر بچرخید و مثلا توییت‌های یک شخص رو استخراج کنید.

برای مثال، برای این که ۱۰۰ توییت آخر ریاست جمهوری آمریکا رو استخراج کنیم، کافیه دستور تویینت رو به این شکل اجرا کنیم:

twint -u potus --limit 100 -o potus.json --json

به این شکل، ما به سادگی به ۱۰۰ توییت آخر اون حساب کاربری دسترسی داریم.

البته می‌تونیم این دستور رو هی گسترش بدیم و ویژگی‌هایی مثل تاریخ، ساعت، مکان و … هم بهش اضافه کنیم. حالا این کجا به کارمون میاد؟ یه سناریوی خیلی ساده (که مربوط به بخش دوم همین مطلب هم میتونه بشه) رو در نظر بگیرید. مثلا قراره موز گران بشه. شما کافیه که twint رو به این شکل اجرا کنید:

twint -s "گرانی موز" --near Tehran --limit 1000

این هزار توییت آخری که مربوط به «گرانی موز» میشن رو برای ما لیست می‌کنه. می‌تونیم بفهمیم چه کسانی بهش دامن زدند و چه کسانی پیروی کورکورانه کردند و … . خلاصه که اتصال نقاط به یکدیگر خیلی راحتتر میشه.

اینستاگرام

برای اینستاگرام هم ابزارهایی وجود دارند که کمک کنند شما به سادگی بتونید در دیتایی که مردم به صورت حفاظت‌نشده (پابلیک یا عمومی) منتشر کردند بخزید و ببینید که دنیا دست کیه. OSINT در اینستاگرام، علاوه بر مقاصد خبیث (😂) می‌تونه به شدت بهتر برای مقاصد بازاریابی و تجاری استفاده بشه. چرا که بسیاری از مردم، در اینستاگرام به دنبال چیزایی که دوست دارند می‌گردند و خیلی‌ها هم حتی خریداشون رو از طریق اینستاگرام انجام می‌دن.

البته، اینستاگرام الگوریتم‌های عجیب و غریب زیاد داره و جدیدا APIش هم کمی سخت‌گیر تر شده. ابزاری که برای اینستاگرام پیدا کردم، اسمش هست Osintgram (لینک) و این ابزار رو متاسفانه فرصت نشده که تست کنم هنوز. اما، یک ویدئوی خوب از کانال NetworkChuck براش پیدا کردم که می‌تونید اینجا ببینیدش.

ابزارهای دیگر؟

صد در صد هزاران ابزار دیگر برای OSINT وجود دارند. من فقط میخواستم که مفاهیم پایه‌ش رو با هم بررسی کنیم و ببینیم که چی به چیه. در آینده، اگر ابزار خوبی برای OSINT پیدا کنم، حتما معرفی خواهم کرد چرا که لازمه بدونیم در دنیای اینترنت چطور می‌تونیم به سادگی تحت نظر باشیم. اونم نه تحت نظر افرادی که با تحت نظر گرفتن آدما، امنیتشون رو تامین می‌کنند، تحت نظر یه مشت دیوانه 🙂

خبرسازی

خبرسازی، یکی از راه‌های دیگر مهندسی اجتماعی، برای جا انداختن یک مفهوم یا یک ترس یا حتی طرفداری از شخصه. خبرسازی‌ها، معمولا از طرف یک نفر نیستند بلکه از طرف گروه‌ها انجام میشن. مثال کلاسیکش هم می‌تونه ماجرای فیسبوک و رباتهای روسی در جریان انتخابات امریکا باشه.حالا این خبرسازی‌ها به چه شکل صورت می‌گیره؟ معمولا یک الگوریتم خاصی رو داره. به جهت این که مثالش کمی ملموس‌تر باشه، از ترند «آهنربایی شدن بدن بعد دریافت واکسن» که تازگی‌ها خیلی روش مانور داده شد استفاده می‌کنم.

  • مرحله اول: یک نفر به قصد شوخی در پلتفرم‌های شوخی مثل تیک‌تاک، ویدئویی میذاره از این که اشیا فلزی بعد دریافت واکسن بهش می‌چسبن (لینک)
  • مرحله دوم: افرادی که می‌دونن این موضوع شوخیه، اون رو در شبکه‌های اجتماعی به نمایش میذارند.
  • مرحله سوم: اشخاصی که از ابتدا با موضوع واکسن مشکل داشتند، با زدن سر و ته (دقت کنید زدن سر و ته اینجا واقعا مهمه!) داستان، اون رو بازنشر میدن.
  • مرحله چهارم: توهمش در بسیاری از افراد به وجود میاد و یک سری خبر واقعی‌تر و غیرتیک‌تاکی ساخته میشه (لینک)
  • مرحله پایانی: افراد زیادی باور می‌کنند که چنین چیزی وجود داره …

حالا این خبر، از خبرهای میشه گفت شک‌برانگیز بوده. اما در همان مثال «گرانی موز» هم میشه اینطور خبرسازی کرد. البته خبرسازی معمولا روش‌های جلوگیری خوبی هم داره که در ادامه بهشون می‌پردازیم.

چطور بفهمیم که قربانی خبرسازی نشدیم؟

معمولا ما سواد رسانه‌ای بالایی نداریم. چون کارمون رسانه نیست. به همین خاطره که به راحتی می‌تونیم قربانی خبرسازی و اخبار جعلی – بخصوص در محیط شبکه‌های اجتماعی – بشیم. اول از همه زمان‌های بسیار قدیم یادمه که وبسایت درسنامه دوره‌ای برای این کار داشت اما متاسفانه ظاهرا این وبسایت دیگر در دسترس نیست (و در ویکی‌پدیا هم توضیح درستی نیست ازش) اما خب میشه با یک سری راه ساده فهمید که داستان چیه.

  • بپرسید. اگر افرادی رو می‌شناسید که در اون حوزه فعالن حتما بپرسید.
  • بررسی کنید. با همین ابزارهای OSINT می‌تونید خط فکری و طرفداری افرادی که یک خبر رو پخش کردند پیدا کنید. این به شما در قضاوت بهتر کمک می‌کنه.
  • واکنش‌سنجی کنید. واکنش مردم در این موارد واقعا مهمه، ببینید که اکثریت چه واکنشی می‌تونن نشون بدن. عمدتا این واکنش‌ها البته درست نیستند، اما می‌تونن سرنخ‌های خوبی به من و شما بدند.
  • در نهایت، از منابع خبری معتبر داخلی و خارجی استفاده کنید تا صحت خبر را بسنجید.

شاید این آخرین مطلب از سری اختصاصی «مهندسی اجتماعی» بود، اما باید یادمون باشه که همیشه این روش‌ها یکسان نیستند و در طول زمان می‌تونن به‌روز بشن. در واقع یادتون باشه، هر قفلی که ساخته بشه، یک قفل‌شکن هم براش پیش‌تر ساخته شده.

وظیفه ما، اینه که هم دیگر رو آگاه کنیم و به هم بگیم که چه چیزی ممکنه به ما در اینترنت آسیب بزنه یا در کل، ما رو در اینترنت عریان‌تر کنه. معرفی ابزارها و روش‌ها، صرفا به این خاطره که شما بتونید خودتون رو بررسی کنید و ببینید که چقدر دیتا ازتون موجوده و اگر راضی نیستید به وجودش، حتما برای حذفشون اقدام کنید.

خلاصه که متشکرم از وقتی که برای خوندن این مطلب گذاشتید. امیدوارم مفید واقع شده باشه.

همچنین بخوانید

Share