فهرست
I-پیمایش در قلمرو وحشی توسعه هوش مصنوعی
1- هرج و مرج در فضای مدلهای زبانی بزرگ (LLM)
2- مزایای استانداردسازی
II - مهارتهای ضروری برای مهندسان توسعه هوش مصنوعی
1- نقش منحصربهفرد یک مهندس LLM
2- تفکیک مهارتها
3- چالشها و راهحلهای استخدامی
III - عناصر کلیدی توسعه بومی LLM
1- ذهنیت تحقیق و آزمایش
2- مرحله آزمایش
IV - رویکرد آزمایش محور در توسعه هوش مصنوعی
1- رویکرد پایین به بالا
2- رویکرد بالا به پایین
3- یافتن تعادل مناسب
V - چگونه سرعت توسعه هوش مصنوعی خود را افزایش دهیم
1- تکنیکهای مهندسی(Prompt) پرامپت
2- رژیم پرامپت
3- تفکیک فرآیندها
VI - توسعه هوش مصنوعی: مبانی و فراتر از آن
1- شروع کم هزینه
2- ابزارهایی برای گستره وسیعتر
VII - حفظ توسعه هوش مصنوعی به صورت منسجم و قابل اعتماد
1- آزمایشهای سنجش و ارزیابی
2- خروجیهای تعیینکننده
3- راهحلهای امیدبخش برای ارزیابی
VIII - از آزمایش تا محصول: فرآیند توسعه هوش مصنوعی
آیا تاکنون برنامه های LLM را بومی سازی کردهاید؟
آیا تا به حال به ساخت اپلیکیشن های بومی LLM پرداخته اید؟ اگر این تجربه را داشته اید با ما و خوانندگان این مقاله، در میان بگذارید.
با هوش مصنوعی ایدههای دیوانهوار خود را به واقعیت تبدیل کنید!
در این مقاله سعی بر اینست که از طوفان فکری تا اجرای پروژه بحث شود و راهنماییها به شکل سرگرمکننده و البته عملی مطرح شود. امیدواریم بیان برخی نکات و راهنمایی ها و معرفی نرمافزار ها برای تسلط بر توسعه برنامههای مبتنی بر مدلهای زبانی بزرگ (LLM) مفید باشد.
مقدمه
به مدلهای زبانی بزرگ (LLM) به عنوان بیانسه دنیای هوش مصنوعی فکر کنید. آنها همه جا هستند و همه کار میکنند - از نوشتن شعر تا تشخیص بیماریها. اما نکته اینجاست: هیچ کتابچه راهنمای رسمی برای استفاده از آنها وجود ندارد. مثل این است که یک سفینه فضایی به شما داده شده باشد بدون هیچ دستورالعملی. میدانید که قدرتمند است، اما کمی ترسناک. 😅
هدف این مقاله چیست؟
تصور کنید یک موج سواری پر از هیجان، با چرخشها و افت و خیز غیرمنتظره روبرو هستید. 🎢 این راهنمایی را به عنوان یک سرنخ برای خود در نظر بگیرید. 🗺️
کل ماجرا هم ساده است و هم بسیار پیچیده، با یک ایده ساده، اما محیرالغقول شروع شده و به آزمایشهای عملی، ارزیابیهای دقیق، و در نهایت، محصولات نهایی درخشان پایان مییابد.
کار با LLM ها شبیه کار جادوگری است! 🧙♂️💻
نکته مهم : در این مقاله به موضوع توضیح رویکرد رفتاری در این زمینه پرداخته میشود و با معرفی تعدادی ابزار پایان مییابد، و در مورد نحوه انجام کار توضیحی داده نمیشود. اگر حوصله خواندن مقدمات را ندارید، یا از قبل آشنایی مختصری دارید، مستقیم به بخش پنجم به بعد مراجعه نمایید!!
I. گشت و گذار در غرب وحشی توسعه هوش مصنوعی: نیازمند فرآیندهای استاندارد شده
به غرب وحشی توسعه هوش مصنوعی خوش آمدید، جایی که مدلهای زبانی بزرگ (LLM) سریعتر از زمانی که عبارت "هوش مصنوعی" را تلفظ کنید، ظهور میکنند. این مطلب هیجانانگیز است، ولی اگر مراقب نباشید، مثل توریستی که بدون نقشه گوگل گم شده است، شما را نیز سردرگم خواهد کرد. به همین دلیل داشتن یک فرآیند استاندارد شده مانند داشتن یک GPS مطمئن برای سفر هوش مصنوعی شما است. و نتیجه اینکه در این منظره تکنولوژیکی همیشه در حال تغییر، لازم نیست از کسی راهنمایی بخواهید!
1- هرج و مرج در فضای LLM
تصور کنید شما یک نوآور هوش مصنوعی هستید، و هر روز درباره یک پیشرفت جدید و شگفتانگیز در LLMها میشنوید. هیجانانگیزه اما کاملاً گیجکننده. بدون داشتن برخی سرنخها، خیلی گمراه کننده است. پس بیایید در مورد اینکه چرا یک فرآیند استاندارد شده بهترین دوست شما در این فضای شلوغ است، صحبت کنیم.
2. مزایای استانداردسازی
2.1 همترازی اعضای تیم
- تصور کنید یک تیم فوتبال هر کدام تصمیم بگیرند یک جور فوتبال متفاوت بازی کنند. هرج و مرج میشود، درست است؟ اما یک فرآیند استاندارد شده تضمین میکند که همه در یک زمین هستند، یک توپ را شوت میکنند و به سمت یک هدف مشترک حرکت میکنند.
- علاوه بر این، ورود نفرات جدید به تیم به سادگی امکانپذیر میشود.
2.2 اهداف و نقاط تصمیمگیری واضح
-اینها نقاط بازرسی شما در ماراتن هوش مصنوعی هستند. آنها به شما کمک میکنند تا پیشرفت را پیگیری کنید، موفقیت را اندازهگیری کنید و بدانید که چه زمانی باید تغییر مسیر دهید یا به جلو بروید.
-آن را به عنوان نقشه توسعه هوش مصنوعی خود در نظر بگیرید، با هر نقطه هدف به عنوان یک ایستگاه که در آن سوختگیری میکنید، لاستیکها را بررسی میکنید و شاید یک خوراکی بردارید.
2.3 کاهش ریسک و توسعه ناب
-این نکته را در نظر بگیرید: توسعه هوش مصنوعی پر از ناشناختهها است، مانند گردش در یک جنگل.
-نقاط تصمیمگیری واضح به عنوان راهنمای بقای شما عمل میکنند، کمک میکنند تا ریسکها را کاهش دهید و به صورت ناب باقی بمانید.
II. مهارتهای ضروری برای مهندسین توسعه هوش مصنوعی
اگر فکر میکنید که توانایی لازم برای تبدیل شدن به یک مهندس LLM را دارید؟ 🛠️ این خیلی عالی هست، زیرا این نقش، شغل نرمافزاری معمولی نیست. این یک ترکیب منحصر به فرد از مهارتها است که شما را ملزم به تلفیق مهندسی نرمافزار، تحقیق و درک کسب و کار هست. بله، شما چاقوی سوئیسی دنیای توسعه هوش مصنوعی خواهید بود. بیایید نقشهی شما را برشماریم
1. نقش منحصر به فرد یک مهندس LLM
تصور کنید که شما باید هم نقش یک مجری را داشته باشید، و همزمان دانشمند باشید و البته کارشناس کسب و کار هم باشید. در این صورت، شما یک مهندس LLM هستید نقشی ترکیبی که شامل:
- مهارتهای مهندسی نرمافزار: شما استاد لگو هستید، اجزا را کنار هم میگذارید و برنامههای قوی میسازید.
- مهارتهای تحقیق و پژوهش: شما باید طبیعت توسعه هوش مصنوعی را بپذیرید، حضور مداوم در یک نمایشگاه علمی.
- مهارت درک کسب و کار/محصول: شما باید اهداف کسب و کار را بدانید و کار خود را برای رسیدن به آنها تنظیم کنید. این شغل را به عنوان پلی بین تکنولوژیستها و مدیران در نظر بگیرید.
2. تجزیه مهارتها
- مهندسی نرمافزار: خود را به عنوان یک معمار لگو تصور کنید. شما بلوکهای کد را کنار هم میگذارید تا چیزی شگفتانگیز بسازید. و وقتی یک بلوک جا نمیشود، یکی دیگر را پیدا میکنید.
- تحقیق و پژوهش: این رشته کاری، جایی است که باید مثل یک دانشمند رفتار کنید و آزمایش کلید همه چیز است و البته شکست جزء ذات آزمایش. ولی فراموش نکنید که ادیسون هم چندها بار آزمایش انجام داد، قبل از اینکه لامپ را اختراع کند.
- درک کسب و کار/محصول: شما باید جنبه کسب و کار را در این مقوله درک کنید. اگر محصول به کسب و کار منتج نشود، باید طرحی نو دراندازید. همیشه باید بخش کسب و کار را تقویت کنید!
3. چالشها و راهحلهای به کارگیری افراد
در نظر داشته باشید یافتن افرادی که این همه این مهارتها را داشته باشند مانند پیدا کردن یک سوزن در انبار کاه است. به این دلایل:
- کاندیدای ایدهآل نیاز به ترکیبی از مهارتهای مهندسی داده/پشتیبانی و علوم داده دارد. و داشتن تمام این مهارت ها در یک نفر بسیار دشوار است.
به طور خلاصه، مهندس LLM بودن برای افراد ضعیف نیست. این نقشی است که نیاز به تطبیقپذیری، عشق به آزمایش و استعداد در استراتژی کسب و کار دارد.
اما اگر آماده چالش هستید، در خط مقدم توسعه هوش مصنوعی خواهید بود و جادو را به وجود میآورید. پس، آمادهاید که چاقوی سوئیسی دنیای هوش مصنوعی باشید؟ بیایید شروع کنیم!
بیاموزید که چگونه هوش مصنوعی را برای خودتان کارا کنید!
III. عناصر کلیدی توسعه بومی LLM
به نظر میرسد که شما، میخواهید با LLMها جادو کنید؟ 🧙♂️ کمربندها را ببندید، زیرا این ماجراجویی یک کدنویسی معمولی نیست. این بیشتر شبیه یک ترن هوایی است که حلقههای آن آزمایشات شما هستند، شکستها درسهایی که باید بیاموزید. در این مسیر به موارد زیر باید توجه نمایید
1. داشتن ذهنیت پژوهش محور و آزمایش محور
اول از همه، داشتن ذهنیت پژوهشی و آزمایش را بپذیرید. در این مقوله، آزمایشهای کوچک و بهبودهای تدریجی از ارکان این مسیر میباشند. به یاد داشته باشید، شکست خوردن کاملاً معمول و قابل قبول است. هر شکست را به عنوان یک قدم در رسیدن به موفقیت در نظر بگیرید. مثل پختن کوکو - اولین سری ممکن است بسوزند، اما دسته بعدی عالی خواهد بود!(امیدواریم این جور شود)
2. مرحله آزمایش
- تعیین بودجهبندی/زمانبندی: تصمیم بگیرید چقدر زمان یا پول میتوانید سرمایهگذاری کنید. مثلا ۲-۴ هفته برای اثبات یک مفهوم(proof of concept) (PoC) .
- انجام آزمایشهای مکرر: ایدههای خود را آزمایش کنید، امکانسنجی را ارزیابی کنید و محدودیتها را بیاموزید. مثل بازی با لگوها است؛
- توسعه نسخه آماده تولید: پس از اینکه یک PoC کارآمد داشتید، آن را به یک نسخه صیقلی و آماده تولید توسعه دهید و با راهحلهای موجود خود یکپارچه کنید. مثل تبدیل کردن موشک دست ساز به شاهکار SpaceX است.
به طور خلاصه، توسعه بومی LLM عبارتست از انجام آزمایش، یادگیری از شکستها و تکرار و تکرار، تا زمانی که به موفقیت برسید. مثل جستجوی گنج، هر سرنخ شما را به گنج نزدیکتر میکند. بنابراین، به آزمایش ادامه دهید، کنجکاو بمانید و از این سفر لذت ببرید! 🚀
IV. رویکرد آزمایش در توسعه هوش مصنوعی
بیایید به روشها یا کلیدهای موفق شدن در توسعه بومی LLM نگاهی بیاندازیم. دو رویکرد در این زمینه وجود دارد:
1. رویکرد پایین به بالا
رویکرد پایین به بالا مثل شروع با یک دستورالعمل ساده پخت شیرینی و اصلاح آن تا زمانی که یک محصول پیچیده و حرفهای حاصل آید، میباشد. شما باید با درخواستهای ساده شروع کنید و به تدریج آنها را اصلاح کنید.
- شروع ساده: با درخواستهای پایه شروع کنید.
- تکرار و بهبود: از تکنیکهای مهندسی درخواست برای بهینهسازی نتایج استفاده کنید.
مثال: تصور کنید میخواهید درخواستهای SQL زبان بومی را پیادهسازی کنید. با درخواست از LLM برای تولید درخواستهای ساده شروع کنید. با بهبود آن، درخواستها را پیچیدهتر کنید.
2. رویکرد بالا به پایین
رویکرد بالا به پایین برعکس است - شما با هدف نهایی در ذهن شروع میکنید. مثل طراحی دستورالعمل کلی پختن شیرینی قبل از شروع پختن است. شما کل معماری بومی LLM را از ابتدا طراحی میکنید و سپس جریان کار را به صورت کامل تست و اندازهگیری میکنید.
- طراحی اولیه: کل معماری را از ابتدا برنامهریزی کنید.
- تست کل جریان کار: کل فرآیند را اندازهگیری و تنظیم کنید.
مثال: برای درخواستهای SQL زبان بومی، کل فرآیند را قبل از کدنویسی نقشهبرداری کنید. سپس کل جریان کار را تست کنید تا ببینید کجا نیاز به بهبود دارد.
3. یافتن تعادل مناسب
یافتن نقطه تعادل بین رویکردهای پایین به بالا و بالا به پایین مثل دانستن زمانی است که باید شکلات چیپسیها را به خمیر کوکی اضافه کنید. و پیدا کردن این نقطه بستگی به پروژه دارد. اما میتوانید مباحث زیر را پیگیری نمایید.
- ترکیب و تطبیق: بر اساس نیازهای خاص پروژه از هر دو رویکرد استفاده کنید.
- بهرهگیری از اصول: از اصول مثلث LLM برای مدلسازی بهینه استفاده کنید.
به طور خلاصه، اگر با روش طرح ساده شروع کنید و یا روش کل جریان را از ابتدا طراحی کنید، کلید این است که به آزمایش و بهبود ادامه دهید. مثل پختن، گاهی اوقات باید چند سری را بسوزانید تا شیرینی کامل را بدست آورید. آزمایش خوش بگذرد! 🍪
V. چگونه سرعت توسعه هوش مصنوعی خود را افزایش دهید
در ابتدا وقتی که برنامه LLM شما اجرا میشود، شاید سرعت آن، کندتر از حرکت حلزون در کره بادام زمینی باشد! یعنی اینکه وقت بهینهسازی است! نحوه افزایش سرعت توسعه هوش مصنوعی شما را میتوان از طریق تغییر در موارد زیر تعریف نمود.
1. تکنیکهای مهندسی (Prompt)درخواست
مثل درست کردن یک فنجان قهوه عالی، تنظیم درست(Prompt) درخواستهای شما میتواند تفاوت بزرگی ایجاد کند. به طور خلاصه:
- چند شات: به مدل خود چند مثال بدهید تا از آنها یاد بگیرد.
- تخصیص نقش: نقشها را برای روشن کردن وظایف اختصاص دهید.
- چند شات پویا: بر اساس زمینه، مثالها را در حال پرواز تنظیم کنید.
این را مثل آموزش دادن به یک سگ در نظر بگیرید. چند خوراکی (مثال) میتواند آن را آموزش دهد تا با کارایی بیشتری بازیابی کند (وظایف را انجام دهد).
2. رژیم غذایی برای (Prompt)درخواست
بهینه کردن درخواستها کمک شایانی در زمینه بهبود هوش مصنوعی برای شما انجام میدهد. چربیها را با کاهش اندازه درخواست و سادهسازی مراحل کم کنید. این نه تنها تاخیر را بهبود میبخشد بلکه اغلب کیفیت را نیز افزایش میدهد.
مثال: به جای یک درخواست طولانی، از دستورات مختصر استفاده کنید. "بگیر، علی!" به جای "لطفاً آیا میتوانی چوبی را که انداختم، بگیری؟"
3. تقسیم فرآیندها
گاهی اوقات، تقسیم کارهای پیچیده به مراحل کوچکتر و قابل مدیریت راهگشاست. مثل مونتاژ مبلمان IKEA - یک قطعه در یک زمان.
مثال: اگر تولید یک گزارش کامل خیلی کند است، آن را به تولید بخشهای جداگانه تقسیم کنید و سپس آنها را ترکیب کنید.
به طور خلاصه، بهینهسازی راهحل LLM شما، مثل بهبود یک دستور پخت است. مواد (درخواستها) را تنظیم کنید، اضافات را کاهش دهید و مراحل را تجزیه کنید. قبل از اینکه ، به یک ماشین توسعه هوش مصنوعی سریع و کارا دست پیدا کنید. 🚀
VI - توسعه هوش مصنوعی: اصول و فراتر از آن
بیایید در مورد آناتومی یک آزمایش LLM صحبت کنیم، جایی که شما مانند یک دانشمند خواهید بود اما با تکنولوژیهای خیلی جذابتر.
شروع ساده
اول از همه، ساده شروع کنید. ابزارهای مورد علاقه خود را بردارید: Jupyter Notebook، Python، Pydantic، و Jinja2. این را به عنوان آزمایشگاه اولیه خود در نظر بگیرید.
- Jupyter Notebook: دفتر آزمایشگاهی
- Python: زبان اصلی شما برای انجام آزمایشها.
- Pydantic: اطمینان میدهد که خروجی شما ساختاریافته و بدون خطا است.
- Jinja2: به شما کمک میکند درخواستهای خود را مانند یک حرفهای قالببندی کنید.
شما قالبهای خروجی ساختاریافته را تعریف میکنید و با استفاده از Pydantic آنها را اعتبارسنجی میکنید. شما اطمینان می یابید که لولههای آزمایش شما نشت نکنند. 🧪
2- ابزارهایی برای حرفهای شدن
هنگامی که آزمایشهای اولیه را تمام کردید، زمان آن است که از ابزارهای حرفهای استفاده کنید: openai-streaming، LiteLLM، و vLLM.
- openai-streaming: برای جریان دادهها در زمان واقعی.
- LiteLLM: یک روش ساده برای مدیریت LLMها.
- vLLM: برای استقرار آسان LLMهای منبع باز.
این ابزارها به شما کمک میکنند آزمایشهای خود را از یک آزمایشگاه کوچک به یک مرکز تحقیقاتی کامل گسترش دهید.
بنابراین، چه با آزمایش ساده شروع کنید و چه به سطح حرفهای بروید، به یاد داشته باشید: توسعه هوش مصنوعی در گرو آزمایش است. 🚀
VII. حفظ ثبات و قابلیت اطمینان در توسعه هوش مصنوعی
در مورد اطمینان از کیفیت در توسعه هوش مصنوعی باید تستهای درستی را انجام دهید! ساختن یک مدل هوش مصنوعی - مثل ساختن بهترین پیتزای جهان - هست. شما باید مواد اولیه خود را درست انتخاب کنید، و فرآیند تهیه را به بهترین نحو جلو ببرید ، وگرنه با پیتزایی روبرو میشوید که هیچ کس نمیخواهد حتی به آن لب بزند. اینجا نحوه انجام آن ذکر میشود.
1- انجام تست و ارزیابیها
ابتدا، نرخ موفقیت پایه خود را تعریف کنید تا کیفیت ثابت را تضمین کنید. این نرخهای موفقیت را به عنوان محافظهایی در نظر بگیرید که هوش مصنوعی شما را در مسیر درست نگه میدارند. استفاده از مدلهای هوشمندتر برای ارزیابی و آزمایش مانند داشتن یک آشپز مجرب است که خمیر کیک شما را قبل از قرار دادن در فر میچشد.
2- خروجیهای قطعی
و نکته بعدی، گرفتن خروجیهای قطعی میباشد. خروجیهای خود را به گونهای ساختار دهید که شامل بخشهای قطعی باشد تا آزمایش آنها راحتتر شود. مانند پیروی از یک دستورالعمل است که هر بار کیک خوشمزهای را تضمین میکند، نه یک ترکیب غافلگیرانه از مواد.
راهحلهای امیدوارکننده برای ارزیابی
حالا، با کمک این ابزار میتوانید به صورت حرفهای وارد عمل شوید. ابزارهایی مانند DeepChecks، Ragas، یا ArizeAI دوستان صمیمی شما در این مرحله هستند. آنها به شما کمک میکنند اطمینان حاصل کنید که مدل شما تیرها را در تاریکی پرتاب نمیکند بلکه در واقع بیشتر اوقات به هدف میزند.
و خلاصه، اطمینان از کیفیت در توسعه هوش مصنوعی همه چیز است، همه چیز درباره عملکرد ثابت و نتایج قابل اطمینان . مانند پختن کیک کامل است - مواد اولیه را درست انتخاب کنید، دستورالعمل را دنبال کنید و نهایتا چیزی را خواهید داشت که همه دوست دارند. 🍰
XIII. از آزمایش تا محصول: سفر توسعه هوش مصنوعی
خب، حالا که آزمایش توسعه هوش مصنوعی شما به خوبی در Jupyter Notebook اجرا میشود، وقت آن است که آن را به یک محصول واقعی تبدیل کنید. در اینجا چگونگی تبدیل آزمایش سرگرمکننده به چیزی که وقتی کاربران شما وارد میشوند دچار مشکل نشود، آورده شده است.
1- مفاهیم مهندسی تولید
- ثبت و نظارت: درست مانند اینکه وضعیت تحویل پیتزا را پیگیری میکنید، باید بدانید هوش مصنوعی شما در حال انجام چه کاری است. ثبت و نظارت را پیادهسازی کنید تا هر حرکت آن را پیگیری کنید.
- مدیریت وابستگیها: کتابخانهها و ابزارهای خود را تحت کنترل نگه دارید. این مانند سازماندهی جعبه ابزار شماست تا زمانی که به پیچگوشتی نیاز دارید، در جستجوی آن نمانید.
- کانتینریزه کردن: از Docker یا ابزارهای مشابه برای کانتینریزه کردن اپلیکیشن خود استفاده کنید. این مانند بستهبندی کل آشپزخانهتان در یک جعبه مرتب است تا بتوانید در هر جایی آشپزی کنید.
- کشینگ(Caching): با کشینگ سرعت را افزایش دهید. همانند یادآوری پاسخ به یک سوال سخت ، تا مجبور نباشید دوباره آن را در گوگل جستجو کنید.
2- ظرافتهای اپلیکیشنهای بومی با LLM
- حلقههای بازخورد: حلقههای بازخورد را برای یادگیری و بهبود مداوم ادغام کنید. مانند داشتن یک مربی شخصی است که تمرینات شما را بر اساس پیشرفتتان تنظیم میکند.
- چالشهای کشینگ: در حالی که کشینگ میتواند سرعت را افزایش دهد، ممکن است چالشبرانگیز هم باشد. مطمئن شوید کش شما همیشه تازه است—هیچکس پیتزای کهنه را دوست ندارد.
- پیگیری هزینهها: هزینهها را زیر نظر داشته باشید تا از قبضهای غیرمنتظره جلوگیری کنید. مانند برنامه تلفن همراهتان در نظر بگیرید؛ نمیخواهید در پایان ماه شوکه شوید.
- اشکالزدایی و ردیابی: مکانیزمهای اشکالزدایی و ردیابی قوی را پیادهسازی کنید. مانند داشتن GPS برای کد شما است تا بفهمید کجا اشتباه پیش رفته است.
رفتن از آزمایش به محصول در توسعه هوش مصنوعی شامل ترکیبی از برنامهریزی، ابزارها و کمی صبر است. مانند تحول از یک نانوای آماتور به یک نانوای حرفهای تصور کنید. 🍰
نتیجهگیری
توسعه هوش مصنوعی یک سفر هیجانانگیز است، مشابه یک جستجوی بیپایان برای رسیدن به گنج. توسعه هوش مصنوعی مانند یک ماراتن است، نه یک دوی سرعت.
همانطور که در مسیر ایجاد و اصلاح اپلیکیشنهای بومی LLM پیش میروید، به یاد داشته باشید که فرآیند آزمایش و تکرار را سرلوحه خود کنید.
به اشتراکگذاری آزمون و خطاها با جامعه ادامه دهید.
چابک بمانید، جسورانه آزمایش کنید و همیشه تجربه کاربر نهایی را در اولویت قرار دهید.
تعامل با جامعه فقط مفید نیست—ضروری است.
بنابراین، چه در حال ساختن راهحلهای پیشگامانه هوش مصنوعی باشید و چه فقط با ایدههای جدید بازی کنید، کنجکاوی خود را زنده نگهدارید، حس شوخطبعی خود را حفظ کنید و چشمانتان به سوی هدف باشد.
کدنویسی خوش بگذرد و امیدواریم ماجراجوییهای هوش مصنوعی شما درخشان و سرگرمکننده باشد! 🚀😄
