بایگانی نویسنده: Siavash

بعد از یک سالگیم!

thomas_watson

“If you want to increase your success rate, double your failure rate.”
Thomas John Watson, Sr.

شاید براتون جالب باشه که آقای توماس واتسونِ پدر، در سال ۱۹۱۴ مدیر یک شرکت به نام Computing Tabulating Recording Corporation میشن که اون زمان کمتر از ۴۰۰ کارمند داشته این شرکت. سال ۱۹۲۴ آقای واتسون اسم شرکت رو به International Business Machines تغییر میدن! بله! همون IBM معروف… ایشون در زمان خودش یکی از پولدارترین انسان های دنیا به حساب میومدن و وقتی در سال ۱۹۵۶ فوت می کنند لقب بزرگترین فروشنده ی دنیا رو به ایشون میدن! جالبه که از نظر آقای توماس برای کسب موفقیت بیشتر اول باید بیشتر شکست خورد! در کل شرکت IBM مدیرهای خیلی بزرگی داشته که یکی از یکی جالب ترن. در پست های بعدی شاید درباره بعضی از اونا بیشتر بینویسم. به نظرم دونستن زندگی آدمهای بزرگ خیلی می تونه به موفق شدن بقیه ی افراد کمک کنه.

خوب از موضوع اصلی دور نشیم!
مادرم تعریف می کنه از بچگی به نقاشی خیلی علاقه داشتم! مثل اینکه اون موقع یک سری زونکن پر از نقاشی داشتم که هر کسی میومده خونمون باید اول میشسته و زونکن های نقاشی من رو نگاه می کرده! الآن که فکر می کنم دلم براشون می سوزه! برام تعریف می کنن که یکی از عادت هام این بوده که تا نصف شب بشینم نقاشی بکشم تا فرداش نقاشی هام رو برای عمه ی عزیزم که اون زمان ایتالیا زندگی می کردند بفرستیم! جالب اینه که با مادرم می رفتیم دم صندوق پست و بدون اینکه آدرسی روی نامه یادداشت کنیم یا نقاشی رو توی پاکت بگذاریم اون رو داخل صندوق پست مینداختیم :پی! اما شاید یکی از موفقیت هایی که اون زمان داشتم در همین رابطه بوده! وقتی ۴ سالم بود یک مجله به نام گلک رو خیلی دوست داشتم! توی این مجله یک مسابقه ی نقاشی بود! و منم طبق معمول یک نقاشی کشیده بودم ولی این بار نقاشی رو توی پاکت گذاشتیم ومادرم اونو فرستاد برای گلک! چند مدت بعد هنوز هم یادمه که داشتم تلویزیون می دیدم که یک هو داد زدم: “مامان عکس من توی تلویزیونه!”. بعد فهمیدیم نقاشی من به عنوان نقاشی برتر گلک انتخاب شده و بعداً توی مجله نوشتن که فلان روز افرادی که نقاشیشون انتخاب شده بیان جایزشون رو بگیرن. این رو من خودم یادم نیست اما مادرم تعریف می کنه جایزه ها رو آقای مجید مجیدی قرار بود بدن و من هم صاف رفته بودم و نشسته بودم روی پای آقای مجیدی و بلند نمی شدم ). مسئول اونجا اومده بود و می گفت آقای مجیدی اگر میشه بیاین جایزه ها رو به برنده ها بدید، و من همچنان روی پای آقای مجیدی نشسته بودم و می گفتم می خواین جایزه ها رو بدید به من که بدم به برنده ها… :دی. از اون روز دیگه هر مسابقه ی نقاشی گیر میاوردم شرکت می کردم و دیوار اتاقم پر شده بود از نقاشی هام و لوح هایی که بهم داده بودن.

همون سال ها بود که مادرم من رو مهد کودک گذاشت. و فکر کنم اونجا یک شکست خوردم! روز دوم از مهد کودکم به مادرم زنگ زدن که بیاین بچتونو ببینید داره چیکار می کنه اینجا! مادرمم به سرعت خودشو رسوند. برام تعریف می کنه که دیدم تو یک طرف اتاق وایسادی و داری دادوفریاد می کنی و معلم و بقیه ی بچه ها طرف دیگه وایسادن و سعی می کنن تورو آرومت کنن… من یادم نیست چه اتفاقی افتاده بوده اما فکر کنم احتمالاً معلم مهد کودک با من چپ نگاه کرده بوده. من باید یاد می گرفتم که همیشه همه چی دقیقاً همون چیزی که انتظارش رو داری نیست و همه هم مثل مادر پدرم با من برخورد نمی کنن. احتمالاً مشکل بعدیم هم این بود که اون زمان بلد نبودم با اطرافیام و هم سن هام دوست بشم و این یک ایراد خیلی بزرگ بود.

بعضی وقت ها اتفاقات خیلی ساده ای به نظر افراد موفقیت میاد. مادرم من رو وقتی بچه بودم خیلی نمایشگاه می برد. همیشه چیزهای خیلی جالب و جدید اونجا پیدا می کردم اما یک بار وقتی نمایشگاه رفتیم، یک کامپیوتر اونجا دیدم. روش فقط یک بازی فکری نصب بود که باید یه آجر رو به یک محل خاص میرسوندی. هنوز هم بازیش با تمام جزئیات یادمه. اون زمان آتاری و سگا داشتم، اما کی بورد و مونیتور برام خیلی جذاب تر بود. اینکه یک دستگاه این همه دکمه داشته باشه برام خیلی جالب بود. من اون اتفاق که با این دستگاه ناآشنا، آشنا شدم رو یک موفقیت می دونم. چند مدت بعد وقتی پسرعمم از ایتالیا اومده بود اولین جمله ای که بهش گفتم وقتی رسیدیم خونمون این بود که “سعید بیا کامپیوترمو ببین!”. پسرعمم که از من ۴ سال بزرگتر هست با هیجان گفت:‌ “باریکلااا! کامپیوتر خریدی؟”. اما چند لحظه بعد وقتی به اتاقم اومد، دید کلی صندلی رو کنار هم گذاشتم و با نخ تمام اتاق و صندلی ها رو به هم چسبوندم طوری که به سختی می شد وارد اتاق شد و از کامپیوتر هم خبری نبود. سعید بهم گفت “پس کامپیوتر کجاست؟”. بعد متوجه شد منظورم از کامپیوتر همین نخ و صندلی ها بوده! اون لحظه یکم بهم خندید :پی. اما یادمه با هم ساعت ها با همون کامپیوتر من بازی کردیم! تا مدت ها کسی جرأت نداشت به اتاق من و اتاق بقل اتاق من وارد شه. چون ممکن بود کامپیوتر من خراب بشه!

حالا دیگه ۶ سالم بود و باید مدرسه می رفتم. از اونجایی که مادرم قبلاً به من خوندن و نوشتن و ریاضی یاد داده بود و کلاس اول برام خسته کننده بود، پدرم با مدیر مدرسه صحبت کرد تا کلاس اول نَرَم و مستقیماً کلاس دوم بنشینم. اما این کار غیر قانونی بود! بنابراین من وقتی کلاس دوم بودم هم امتحان کلاس اول رو باید میدادم هم دوم. وقتی هم سوم بودم امتحان دوم و سوم رو باید میدادم تا اینکه بالاخره کلاس سوم امتحان جهشی دادم! فکر کنم این اولین کار غیرقانونی من بوده… این برام جالبه که بعضی اوقات آدما وقتی یک اتفاقی براشون میوفته یا یک کاری انجام میدن اون لحظه فهمیدنِ اینکه این کار یک شکست هست یا یک پیروزی سخته. خیلی ها با جهشی خوندن من مخالف بودن و خیلی ها هم موافق. این کار از یک طرف باعث شد یک سال توی زندگیم جلو بیوفتم. اما از یک طرف هم باعث شد یک سال از هم کلاسی هام جلو بیوفتم و دیگه توی کلاس همه از من یک یا دو سال بزرگ تر بودن.

این موضوع برای من خیلی جالبه که اگر شخصی در یک جمع یک برتری نسبت به بقیه داشته باشه یا از یک نظر خاص باشه می تونه براش هم خیلی خوب باشه هم خیلی بد، و این بستگی به خود اون آدم و اطرافیانش داره. فرض کنید شما در یک جمعی هستید که هیچ کس به جز شما طراحی یا نقاشی یا شطرنج یا … بلد نیست. یا مثلاً در جمعی قرار دارید که فقط شما ریاضی قوی ای دارید. این باعث می شه شما اعتماد به نفس بیشتری داشته باشید. اما در این جمع آدم های مختلف عکس العمل های مختلفی نشون میدن. یک دسته از آدم ها فقط از روی کنجکاوی سعی می کنن به شما نزدیک شن و این نزدیکی تا وقتی که کنجکاویشون برطرف بشه ادامه داره. دسته ی دوم با اینکه شما رو نمیشناسن از شما دوری می کنن و حتی سعی می کنند شما رو پیش بقیه خراب کنند. دسته ی بعدی آدم ها سعی می کنن به شما نزدیک بشن و دوستتون بشن و به جای اینکه برتری شما رو قبول نکنن سعی می کنن خودشون رو پیشرفت بدن تا توی اون زمینه با کمک خودِ شما پیشرفت کنند. این دسته خیلی آدم های ارزشمندی هستند و مطمئناً باعث پیشرفت خود شما هم میشن و نباید از دستشون داد. دسته ی آخری هم وجود داره که اصلاً کاری به این قضیه ندارن و این موضوع تأثیری در رفتارشون نداره.

از طرفی شما هم توی این موضوع مؤثر هستید… اگر سعی کنید به جای اینکه اون قابلیت برترتون رو به رخ بقیه بکشید با اون به بقیه کمک کنید یا به اطرافیاتون کمک کنید تا اون قابلیت رو یاد بگیرن مطمئناً افراد گروه سوم بیشتر خواهند شد و افرادی که در دسته ی دوم قرار می گیرن کمتر میشن.

جهشی خوندن من با اینکه برتری بزرگی نبود اما باعث شد افرادی توی کلاس از من زیاد خوششون نیاد با اینکه من هیچ وقت در این مورد صحبت نمی کردم. البته این قضیرو من اصلاً یادم نمیاد اما مادرم میگه اون زمان بعضی اوقات اذیت می شدم.

یک شکست دیگه ای که من اون زمان خوردم این بود که من تو دبستان با اینکه دوست خیلی داشتم اما دوست صمیمی نداشتم!

امروز تولد داداش گُلمه!

۶۵ پاسخ

آرش محمودیان

امروز تولد آرش جونه! کسی که از همه توی این دنیا بیشتر دوسش دارم!

آرش جونم امروز ۹ ساله شد!

این گلی که عکسش رو این بقل می بینید یکی از موفق ترین انسان هایی هست که می شناسم! مطمئن هستم یک آدم خیلی خیلی موفق خواهد شد!

خیلیا ازم خواستن از آرش یکم تعریف کنم. توی این پستم قصد دارم همین کارو بکنم.

نمی دونم از کجا شروع کنم! اول از همه باید بگم این موجود فوق العاده باهوش هست. من یادمه هنوز مدرسه نمی رفت و ضرب یک رقم تا یک رقم بلد بود. کلاس اول که رفت یکی از کارهاش این بود که ماشین حساب رو نگاه می کرد و میومد از من و مادرم می پرسید این علامت چیکار می کنه؟ هیچ وقت یادم نمیره وقتی اومده بود و به من گیر داده بود که من جمع و تفریق و ضرب و تقسیم و توان رو بلدم، و بعد به علامت رادیکال توی ماشین حساب اشاره کرده بود و می گفت این چیکار می کنه!

حالا باز این مورد خوب بود. یادمه مساحت مربع و مستطیل رو مادرم به آرش یاد داده بود. بعد آرش چند روز بعد با یک ورق پر از شکل پیش من اومده بود و توی ورق عکس کلی دایره در سایز های مختلف کشیده شده بود که به تعداد زیادی مستطیل تقسیمشون کرده بود و به من می گفت سیاوش مساحت دایررو چجوری باید در آورد؟ من یکم فکر کردم… گفتم خوب آخه به آرش چجوری بگم مساحت دایره می شه پی آر به توان دو! بر فرض هم به آرش جون بگم این علامت عدد پی هست، ممیز رو چیکار کنم! یادمه بهش گفتم الآن نمی تونم یادت بدم و اون هم شروع کرد به گریه کردن و باز هم یادم نمیره که براش توضیح دادم باید شعاع دایررو در خودش ضرب کنی و بعد اونو در عدد ۳۱۴ ضرب کنی، نتیجش که بدست اومد باید یک نقطه بعد از رقم دومش قرار بدی. و بهش نحوه ی خوندن اعداد اعشاری رو گفتم، مثلا ۲ ممیز ۲۶ . جالب بود برام که بعدش ازش مساحت دایره با شعاع ۲ و ۴ رو ازش پرسیدم و ذهنی بهم جوابشونو داد!

خیلی قبل تر از ماجرای دایره یک روز یکی از دوستام اومد خونمون. قبلاً از من شنیده بود که آرش ریاضیو خیلی دوست داره. وقتی آرشو دید بعد از سلام و احوال پرسی به آرش گفت:‌ “آرش شنیدم ریاضیت خیلی خوبه، حالا بهم بگو ببینم ۳ ضرب در ۸ چند میشه؟”. آرش که اون زمان هنوز نباید جمع رو هم بلد می بود سریع گفت:‌ “معلومه دیگه! میشه ۲۴ تا”. بعد دوستم کلی تعجب کرد. ازش چند تا دیگه سوال کرد تا رسید به ۲ ضرب در ۵۰ . آرش با خنده گفت نمی دونم دیگه اینو، خیلی عددش بزرگه. بعد دوستم هم خندید. یه چند دقیقه گذشت و منو دوستم داشتیم با هم صحبت می کردیم که یهو آرش گفت میشه ۱۰۰ تا. بعد دوستم نگاش کرد گفت :‌ “باریکلا! چطوری حساب کردی؟”. آرشم گفت معلومه دیگه ۵۰ بار ۲ رو با خودش جمع کردم!

از این خاطره ها خیلی یادمه… شاید براتون جالب باشه که بدونید آرش کلاس سوم رو جهشی خوند و وقتی کلاس چهارم نشست معلم کلاس چهارم قبل از اینکه بدونه آرش جهشی خونده به مدیر مدرسه گفته بود آرش خیلی ریاضیش جلوتر از کلاسه. بعداً که متوجه شده بود آرش باید کلاس سوم باشه الآن کلی تعجب کرده بود. چند مدت بعد با صحبت مادرم با مدرسه یک کلاس مخصوص تیزهوشان برای بچه های پنجم گذاشتن، و معلم تیزهوشانشون جلسه ی دوم از مادرم خواست تا باهاش صحبت کنه و از آرش کلی تعریف کرد و پرسید چجوری روی آرش کار شده.

آرش جون از ۶ سالگی همیشه وقتی در حال برنامه نویسی بودم میومد کنارم میشست تا ببینه چیکار می کنم. از اونجا فهمیدم خیلی به برنامه نویسی علاقه داره! اما چند تا مشکل وجود داشت و بزرگ ترینش این بود که آرش سرعت تایپ کردنش خیلی کم بود. از یه روزی قرار شد آرش توی Notepad هر روی یک متن ۲ خطی بنویسه که کم کم به ۱۰ خط رسوندش! بعد از اون توی ۷ سالگی برنامه نویسی Visual Basic رو با آرش شروع کردم. واقعاً باورم نمیشد که یک بچه ی ۷ ساله بتونه این مباحث رو انقدر سریع بگیره… من به این موضوع اعتقاد دارم که هر نسل باهوش تر از نسل قبل هست و خیلی چیزایی که نسل قبل توی اون سن متوجه نمیشرو متوجه میشه. اما آخه آرش که نسل بعد از من نیست!‌ :پی

آرش بعد از یکی دو ماه دیگه برای خودش می تونست برنامه بنویسه و من هر چند روز یک تمرین بهش می دادم. مثلاً برنامه ای که مساحت دایره و مستطیل رو در بیاره. یا برنامه ی یک ساعت یا … بعضی اوقاتم آرش خودش صورت مسئلرو طرح می کرد. مثلاً یک بار، یک برنامه نوشته بود که یک کرنومتر داشت که داشت رو به پایین میشمرد. بعد به من اومد و گفت من یه کاری باهات دارم! من گفتم چه کاری؟ گفت نمی گم باید وقتی این ساعته ۰ شد در کمتر از ۱ دقیقه دکمه ی کنارش رو بزنی تا کاری که دارمو ببینی. بعد یکم محاسبه کردم و دیدم زمانسنج ساعت ۴ صبح صفر میشه! خلاصه تا ساعت ۴ صبح بیدار موندم تا دکمرو بزنم. برنامه کاملاً درست کار کرد و وقتی دکمرو زدم یک پیام با متن “Shookhi kardam” ظاهر شد!

آخرین خاطره ای که از آرش جونم می خوام بنویسم برای ۷ سالگیشه! اون زمانی که من ویولن تمرین می کردم و آرش جون هم همیشه می خواست یاد بگیره. تا یک روز سعی کردم نوت خوندن رو بهش یاد بدم. براش در حدود ۱ ساعت خط های نوت و صدای نوت های اصلی رو توضیح دادم و صدای ۴ سیم اصلی ویولن رو بهش یاد دادم. و باز هم باورم نمی شد آرش انقدر زود بتونه صدای سیم ها رو به ذهنش بسپاره. روز دوم آرش جون صفحه ی اول و دوم کتاب ویولن من رو می تونست بزنه! تنها مشکل این بود که ویولین من برای آرش یکم بزرگ بود :دی.

در نهایت من واقعاً خوشحالم که همچین داداشی دارم. مطمئن هستم یک روز آرش محمودیان یک اسم شناخته شده در ایران و جهان خواهد بود و زندگی خیلیا رو عوض خواهد کرد.

balloons_birthday_cake

آرش جونم، تولدت مبارک…

اگر دوست داشتید می تونید توی وبلاگ آرش محمودیان بهش تولدش رو تبریک بگید. مطمئنم خیلی خوشحال میشه…

اولین پست!

۱۷ پاسخ

هر آدمی توی زندگیش هم کلی شکست می خوره هم کلی موفقیت کسب می کنه. منم مثل بقیه ی آدم ها تو این ۲۰ سالی که زندگی کردم یک سری جاها شکست خوردم و یک سری جاها پیروز شدم (البته بیشتر شکست خوردم فکر کنم).

خیلی وقت بود دوست داشتم یک جایی این شکست ها و موفقیت ها رو جمع کنم تا آخرش ببینم آیا اینطوری که خیلیا میگن شکست باعث موفقیت میشه؟ اصلاً شکست و موفقیت روی هم تأثیر گذارن یا نه؟ ممکن هست آدم با سعی و تلاش شکست هاش رو کم یا حذف کنه؟ اصلاً حذف کردن شکست از زندگی خوبه یا نه؟ و خیلی سوال های دیگه…

شاید خیلی از چیزایی که به نظر من موفقیت بوده از نظر خیلیا اصلاً موفقیت به حساب نیاد و چیز پیش و پا افتاده ای باشه و همینطور اتفاقاتی که به نظر من شکست بوده از نظر خیلیا اصلاً شکست محسوب نشه، برای همین می خوام از همون ابتدای زندگی خودم به عنوان یک مطالعه ی موردی، یا همون Case study خودمون، اتفاقاتی که از نظر خودم شکست یا موفقیت بودرو اینجا بنویسم و سعی کنم بینشون یه رابطه ای بر قرار کنم.

قبل از شروع اولین موفقیت و شکست زندگیم یک جمله از ادیسون که برام خیلی جالب بودرو می خوام اینجا قرار بدم:

thomas_edison

“I haven’t faced the failure. I just found 10000 ways the electric bulb won’t work.”
Thomas Alva Edison

توماس آلوا ادیسون: من با شکست روبرو نشدم. فقط ۱۰۰۰۰ راه پیدا کردم که یک لامپ کار نمی کرد.

به همه چیز میشه از چندین دیدگاه نگاه کرد! شاید خیلی از اتفاقاتی که به نظر ما شکست هست خودش موفقیت باشه. من هم امیدوارم بتونم توی این وبلاگ نتیجه بگیرم که شکست هایی که خوردم خیلیاشون واقعاً شکست نبودن.

من خیلی فکر کردم که اولین پیروزی و شکست زندگیم یادم بیاد. اما خوب این کار خیلی آسون نیست. احتمالاً اولین پیروزیم وقتی بوده که به دنیا اومدم. این خیلی احساس خوبیه که آدم بدونه با یک پیروزی چشمش رو به دنیا باز کرده. احتمالاً اولین شکستمم همون موقع بوده وقتی به خودی خودم حتی نمی تونستم راه برم یا غذا بخورم یا حتی نمی تونستم درک کنم که همین دو دقیقه پیش پیروز شدم!

از اونجایی که اون موقع خیلی بچه بودم درباره شکست ها و موفقیت های اون زمان نمی تونم چیز زیادی بنویسم. معمولاً انسان ها اول هر راهی با شکست روبرو میشن! مثلاً هر بچه ای تا بخواد راه رفتن یاد بگیره کلی زمین می خوره. اما این موضوع از نظر من خیلی جالبه که معمولاً هر کسی به اندازه ی بزرگیش شکست می خوره. مثلاً شکست یه بچه ی کوچیک اینه که بخواد راه بره و بیافته، شکست یک بچه ی ۷ ساله شاید این باشه که شعری که حفظ کردرو نتونه جلو بقیه بخونه، شکست یک بچه ی ۱۰ ساله اینه که در یک بازی از دوستش ببازه، شکست یک دانشجو مثلاً میتونه این باشه که درسش رو پاس نکنه، و شکست یک مدیر بزرگ اینه که شرکتش ورشکسته بشه. جالب تر اینه که از نظر یک مدیر بزرگ اینکه مثلاً از دوستش یک بازی رو ببازه شکست محسوب نمیشه. البته از این چند تا مثال نمیشه یک نتیجه ی کلی گرفت، اما به نظر میاد هر چی آدم ها بزرگ تر باشن سخت تر شکست می خورن و شکست های کوچکتر به نظرشون شکست نمیاد و البته منظور از بزرگی مطمئناً سن نیست. اگر من به جای ادیسون بودم ۱۰ بار امتحان می کردم و نمی تونستم لامپ رو درست کنم به حساب خودم ۱۰ بار شکست خورده بودم و دیگه ادامه نمی دادم. اما ادیسون ۱۰۰۰۰ بار این کار رو انجام داده و در آخر میگه من حتی یک بار تو این مسیر با شکست روبرو نشدم! پس تا اینجا به نظر میاد هر چی بتونیم بزرگتر باشیم دیرتر با شکست روبرو میشیم و حتی شکست رو موفقیت می بینیم.

خوب داشتم از شکست ها و موفقیت های بچگی های خودم می گفتم. شاید اولین موفقیت بزرگ من زمانی بوده که اولین کلمه ی با معنا رو تونستم به زبان بیارم! طبق گفته ی مادرم اولین کلمه ای که گفتم “بابا” بوده! قبل از اینکه این کلمرو بگم احتمالاً کلی در گفتنش شکست خوردم. یا شاید کلی راه پیدا کردم که نتونم یک کلمه ی بامعنا بگم! مادرم با افتخار می گه تو قبل از اینکه یک سالت بشه ۱۴ تا کلمه بلد بودی بگی! خیلی جالبه، اون زمان گفتن ۱۴ تا کلمه برای من پیروزی حساب میشده! احتمالاً موفقیت بزرگ بعدیم هم این بوده که بتونم ۴ دست و پا تکون بخورم و بعدش راه برم! الآن هیچ کدوم از این موارد به نظرم یک موفقیت نمیاد اما مطمئن هستم اون زمان هم از دید خودم، هم اطرافیام این موارد برای من موفقیت حساب می شده!

روبات های پاسخگو چگونه کار می کنند؟

۲۸ پاسخ

پیش گفتار

در چند روز اخیر افراد زیادی از من در ارتباط با نحوه ی عملکرد سایفر بات سوال کردند، لذا تصمیم گرفتم این پست را به این موضوع اختصاص بدم.

مقدمه

این روزها روبات های پاسخگوی زیادی در اطراف ما وجود دارند. مانند منشی تلفنی ها یا حتی عابر بانک ها!
بله درسته! حتی عابر بانک هم نوعی روبات پاسخ گوست! شما درخواستی از عابربانک می کنید و عابربانک با توجه به درخواست شما به شما پاسخی می دهد.
منشی تلفنی ها هم همینطور هستند. با توجه به کدی که شما وارد می کنید گوشی شما صدایی تولید می کند و در طرف دیگر روبات پاسخگو با توجه به آن صدا پاسخی به شما تحویل می دهد.

ساختن این نوع روبات های پاسخگو خیلی پیچیده نیست، چون دامنه ی ورودی های آنها محدود است. به عنوان مثال یک عابربانک در مجموع ۱۲ دکمه برای وارد کردن عدد و تایید و انصراف دارد و نهایتاً ۸ دکمه ی کمکی دیگر که عملیات هر کدام در هر لحظه کاملاً مشخص است.
جهت مجزا کردن روبات هایی که تنها فعالیت نرم افزاری انجام می دهند از روبات هایی که فعالیت فیزیکی نیز دارند، دسته ی اول را بات (به انگلیسی Bot) نیز می نامند. پس برای منشی تلفنی واژه ی بات مناسب تر می باشد.
حال فرض کنید می خواهیم باتی بسازیم که قابلیت فهم و پاسخگویی به زبان انسان را داشته باشد! ساخت این نوع بات که اصطلاحاً به آن Chatterbot نیز گفته می شود کمی پیچیده تر از موارد قبل می باشد.
هدف این بات ها ارائه ی پاسخی است که هر چه بیشتر به پاسخ یک انسان شبیه باشد. در حالت ایده آل هدف این است که شخصی که با این بات ها گفتگو می کند، نتواند متوجه شود که در حال چت با یک بات می باشد. که متأسفانه تا کنون هیچ باتی به این حالت ایده آل نرسیده است.برای روشن نمودن بهتر این مسئله ذکر چند مثال شاید بد نباشد:

زبان انسان پویا می باشد و روز به روز تغییر می کند پس باتی که بخواهد با این زبان ارتباط برقرار کند نیز باید پویا باشد.
یک کلمه در زبان انسان (که مانند یک دکمه در عابربانک می ماند) در زمان ها و مکان های مختلف و همچنین برای موضوع های مختلف ممکن است معنای یکسانی نداشته باشد و در نتیجه جواب متفاوتی هم خواهد داشت. به عنوان مثال در صورتی که کلمه ی خیر بدون هیچ مقدمه ای گفته شود، معنی خاصی ندارد. حال آنکه اگر همین کلمه بعد از عبارت خوبی؟ بیاید به مفهوم خوب نیستم خواهد بود و اگر بعد از عبارت هستی؟بیاید به مفهوم نیستم خواهد بود.
در زبان انسان ممکن است جای کلمات تغییر کنند ولی مفهوم ثابت بماند. مثلا تو کجایی؟ با کجایی تو؟ یک مفهوم را دارد و فقط کلمه ای که روی آن تأکید شده است متفاوت است. همچنین چندین عبارت ممکن است یک جواب داشته باشند. به عنوان مثال خوبی؟ و حالت خوبه؟ و خوب هستی؟ همگی یک مفهوم را دارند.
در زبان انسان علامت ها می توانند مفهوم جمله و در نتیجه پاسخ جمله را عوض کنند. به عنوان مثال تو خوبی؟ و تو خوبی! دو مفهوم کاملاً متفاوت دارند.

و موارد بسیار بسیار زیاد دیگر که پردازش زبان انسان و پاسخگویی به آن را پیچیده و دشوار می کند.

راه های مختلف برای ساختن بات های پاسخگو

بات های پاسخگوی مختلف از روش های مختلفی برای پیدا کردن بهترین جواب استفاده می کنند، من در اینجا سعی می کنم چند روش مختلف را ذکر کنم،توجه داشته باشید این روش ها جهت پردازش متن و پاسخگویی به آن می باشد و فرض شده ورودی بات به متن تبدیل شده و خروجی بات نیز متن خواهد بود.

ساده ترین روش

ساده ترین روشی که حتی امروزه در خیلی از بات ها استفاده می شود مقایسه ی سوال با یک لیست از عبارت ها که جواب هر کدام از قبل تعیین شده است می باشد.
این روش بسیار ابتدایی می باشد و در صورتی که سوال عیناً برای بات تعریف نشده باشد پاسخی پیدا نخواهد شد!
به عنوان مثال حتی اگر جوابی برای عبارت khoobi? تعریف شده باشد در صورتی که از این بات بپرسید khoobi یا khooobi? یا khoubi جوابی نخواهید گرفت.
این روش در بسیاری از بات های یاهو! مسنجر استفاده شده. این بات ها معمولاً سویچی با نام /learn دارند و در صورتی که جواب عبارتی را ندارند از کاربر تقاضا می کنند که پاسخ آن عبارت را به او یاد بدهند.
این روش فاصله ی بسیار بسیار زیادی با هدف Chatterbot ها دارد، زیرا یک انسان هیچ گاه نمی گوید لطفا با سویچ /learn جواب این پاسخ را به من یاد بدهید!

استفاده از فیلتر ها

این روش کمی متود قبلی را کامل کرده است به این صورت که قبل از چک کردن سوال با لیست جواب ها پردازش ساده ای روی سوال انجام می شود. این پردازش می تواند شامل موارد زیر باشد:

حذف تکرار حروف: Salaaaaaam و Saalaaaaaam به Salam تبدیل خواهند شد.لازم به ذکر است بعضی از حروف مانند o در صورت تکرار بیش از ۲ مورد پشت سر هم حذف می شوند. به عنوان مثال khooooobi? به khoobi? تبدیل خواهد شد.
جایگزینی برخی حروف ترکیبی: مثلا حایگزینی ou با oo.
حذف کاراکتر های اضافه: به عنوان مثال تمام کاراکتر های غیر حروف الفبا را حذف می کنیم، در نتیجه khoobi?! به khoobi تبدیل خواهد شد.
جایگزینی برخی کلمات هم معنا: مثلا واژه ی bali و arehرا با واژه ی baleh جایگزین می کنیم.

این موارد به بات کمک می کند تا در صورت دانستن جواب عبارت salam به سوالات Salaaaam!? یا Salaaaaaammmm نیز پاسخ دهد.
این روش کمی به پاسخگویی مناسب تر بات کمک خواهد کرد اما همچنان نتیجه ی مورد قبولی نخواهیم داشت.

استفاده از کلید واژه ها

شاید این راهی باشد که به نظر خیلی از دوستان هم رسیده باشد! استفاده از کلیدواژه ها! در این روش به جای اینکه به دنبال یک عبارت کامل باشیم، به دنبال یک کلمه یا چند کلمه در یک عبارت خواهیم گشت. به عنوان مثال می گوییم در هر جمله ای کلمه ی Salam وجود داشت در جواب به آن شخص سلام کن. این روش باعث می شود با دادن مقدار خیلی کمتری اطلاعات به بات جواب های بیشتری را بپوشانیم.
اما چند مشکل عمده دارد! اولین مشکل این است که جواب های بی ربط بسیار زیاد خواهند شد. به عنوان مثال اگر کاربر بگوید Salamat bashi بات به او جواب غیر معقول سلام را خواهد داد.
مشکل دیگر این است دو کلید واژه با جواب های متفاوت در یک عبارت یافت شود. و در این حالت بات نمی داند کدام یک مناسب تر خواهد بود.
فرض کنید کاربر عبارت Salam, khoobi? را به بات ما بگوید و ما به این بات هر دو کلید واژه ی Salam و Khoobi را با دو جواب مختلف یاد داده باشیم. بات نمی داند کدام یک برای این عبارت جواب بهتری است و ممکن است در جواب فقط سلام کند.

استفاده از الگو ها

این روشی است که سایفر و بسیاری از بات های پیشرفته مانند آلیس از آن استفاده می کنند. من در ادامه سعی می کنم به معرفی نوع الگویی که در سایفر استفاده شده بپردازم. در صورتی که علاقه دارید با سیستم الگوی آلیس (که در خیلی از بات های تحت وب استفاده می شود) آشنا شوید به اینجا رجوع کنید.
در ابتدا منظور از الگو یا Pattern چیست؟
یک الگو شباهت هایی با روش کلیدواژه دارد. یعنی به صورت خیلی سختگیرانه عبارت را بررسی نمی کند بلکه دنبال یک سری کلمات در جمله می گردد، اما جای این کلید واژه ها در عبارت مهم خواهد بود. همچنین در ساختار سایفر به هر الگو یک اولویت داده می شود که در ادامه سیستم اولویت بندی را معرفی خواهیم کرد.
برای هر الگو یک Action یا پاسخ تعریف می شود. ابتدا به بررسی الگو ها می پردازیم و بعد به سراغ ساختار پاسخ ها می پردازیم.
در ابتدا به معرفی یک الگوی خیلی ساده می پردازیم:

salam*

خوب احتمالاً متوجه شدید مفهوم این الگو چیست. تمام عباراتی که با salam شروع شوند جزو این الگو قرار می گیرند.
به عنوان مثال Salam azizam یا Salam در این الگو قرار می گیرند.اما Azizam salam در این گروه قرار نخواهد گرفت. به عبارت دیگر * به مفهوم هر کاراکتری می باشد. از آنجایی که * در انتهای جمله قرار گرفته است یعنی هر عبارتی در ادامه ی salam بیاید در این الگو قرار خواهد گرفت.در صورتی که بخواهیم Azizam salam هم در این الگو قرار بگیرد باید از الگوی زیر استفاده کنیم:

*salam*

ممکن هست * در بین دو کلمه بیاید، به عنوان مثال:

esmam * hast

خوب فکر می کنم مشخص باشد. به عنوان مثال esmam Siavash hast در این الگو قرار خواهد گرفت.
در سیستم سایفر برای برخی حالت هایی که زیاد استفاده می شوند از علامت هایی استفاده شده. به عنوان مثال علامت # به مفهوم فاصله ستاره یا انتهای عبارت می باشد. برای مثال:

salam#

Salam khoobi و Salam در این الگو قرار می گیرند. امّا Salamati در این الگو قرار نخواهد گرفت.
علامت دیگری که برای سایفر تعریف کردم علامت $ هست. که در صورتی که بعد از هر * بیاید به این مفهوم خواهد بود که در آن * فاصله وجود نداشته باشد، مثلاً:

be*$

Bekhoon و Bepoosh و اکثر فعال های امری در این الگو قرار می گیرند اما Besiar ziad در این الگو قرار نمی گیرد چون در بخشی که بجای * آمده فاصله وجود دارد.
فکر می کنم تا حدودی با الگو ها آشنا شده باشید. حالا می خواهیم با Action یا پاسخ الگو ها آشنا شویم.ساده ترین الگو یک عبارت ساده می باشد، برای مثال برای الگوی salam* پاسخ زیر را می توانیم داشته باشیم:

Salam, khoobi?

اما همونطور که می دونیم یک انسان هیچ وقت به یک سوال همیشه یک جواب نمیده. برای اینکه رفتار بات ما کمی نزدیک تر به رفتار انسان باشد از یک ساختار ساده در سایفر استفاده شده:

<random>Salam<or>Bah bah, salam!<or>Salam azizam</random>

این ساختار یکی از جواب های Salam و Bah bah, salam! و Salam azizam را بصورت تصادفی انتخاب کرده و جواب را به کاربر تحویل خواهد داد.
تگ کاربردی دیگری که احتمالاً تا این لحظه به ضرورت وجودش پی برده اید تگ <like> می باشد.
همانطوری که می دانید مفهوم خیلی از سوال ها یکی می باشد و در نتیجه جواب مشابه خواهند داشت. به عنوان مثال مفهوم عبارت khoobi و khoob hasti یکی می باشد. در این مواقع از تگ <like> استفاده می کنیم.
مثلاً فرض کنید الگوی khoobi را برای بات با جواب مناسب تعریف کرده ایم. حال برای الگوی khoob hasti از ساختار زیر استفاده می کنیم:

<like>khoobi</like>

با استفاده از این تگ در صورتی که جواب الگوی khoobi عوض شود جواب تمام الگو های هم مفهوم نیز عوض می شود که از محاسن استفاده از تگ <like> می باشد.

این آموزش ادامه دارد

مشکلات امنیتی کلوب.کام

۹۳ پاسخ

ویرایش شده در تاریخ ۲۴ شهریور ۱۳۸۷، ساعت ۱۲:۰۲

خوشبختانه این مشکل توسط طراحان کلوب اصلاح شد. سرعت عمل این تیم در برطرف این مشکل جای تقدیر دارد.
در صورتی که کنجکاو هستید می توانید فیلم استفاده از این باگ قبل از اصلاح شدن را در انتهای این بلاگ در قسمت این باگ در عمل ببینید.
آن دسته از دوستانی که علاقه مند به دانستن نحوه ی اصلاح این مشکل توسط طراحان کلوب هستند می توانند به بخش این باگ توسط طراحان کلوب اصلاح شد رجوع کنند.

معرفی کلوب.کام، بزرگ ترین جامعه ی مجازی ایرانی

شاید خیلی از شما با سایت کلوب.کام آشنا باشید یا توی اون عضو باشید.
این وبسایت یکی از معروف ترین وبسایت های ایرانی هست و در رنکینگ Alexa بعد از بلاگفا دومین وبسایت ایرانی هست.
در این وبسایت تقریباً تمامی پارامتر های یک سایت وب ۲ خوب رعایت شده و من واقعاً افتخار می کنم که همچین سایتی توسط یک گروه ایرانی نوشته شده.
چند روز پیش ساعت ۳ نصف شب یکی از دوستان از طراحی حرفه ای این سایت تعریف می کرد و من هم کنجکاو شدم تا عضو این جامعه ی مجازی بشم.

ورود به کلوب

بعد از نیم ساعت گشتن توی کلوب متوجه ساختار خیلی خوب این سایت با توجه به ترافیک بالاش شدم.
جداً ساپورت یک سایت با ۲ هزار کاربر در یک لحظه کار آسونی نیست. اونم یک سایت که بخاطر سیستم چتش هر ۲۰ ثانیه یک Request به سرور میده!

ببخشید منظورتون از Request فرستادن به سرور چیه؟ برای چی این کار رو می کنه؟: ” سوال خوبیه! اگر با سیستم کلوب کار کرده باشید متوجه می شید که وقتی یک شخص دکمه ی شروع گفتگوی زنده با شمارو می زنه یک پنجره بالا سمت چپ باز می شه و به شما این موضوع رو اطلاع میده.
در حال حاضر متود رایج برای ارتباط کلاینت یا مرورگر شما و سرور سایت یک طرفه هست. به این صورت که مرورگر می تونه به سرور بگه که من یک سری اطلاعات جدید می خوام. حالا اگر بخوایم اطلاعاتی از سرور به کلاینت داده بشه و زمان اون مشخص نباشه مرورگر شما باید هر چند مدت پیغام یا Request ای به سرور بفرسته تا ببینه آیا اطلاعات جدیدی موجود هست یا خیر. سایت کلوب هم هر ۲۰ ثانیه پیغامی به سرور میفرسته تا ببینه آیا کاربر پیغام زنده ای داره یا نه! در صورتی که پیغامی موجود بود پنجره ای ظاهر می شه و به شما این موضوع رو خبر میده.البته Comet یه راه حل جدید در برنامه های وب هست که این مشکل رو می تونه حل کنه. “
من هیچی از این مطالبی که گفتید نفهمیدم!: ” خوب خیلی مهم نیست البته اگر اجازه بدید بقیه ی ماجرا رو تعریف کنم. “

کلوب به عنوان یک بانک خیلی مفید برای کارهای تحقیقاتی

با کمی بیشتر گشتن متوجه شدم این سایت چه منبع خوبی برای جمع آوری یک بانک اطلاعاتی جهت کار های تحقیقاتی هست و از اطلاعات افراد و ارتباطاتشون و همینطور عکس هاشون استفاده ی خیلی مفیدی جهت آموزش نرم افزارهای با قابلیت یادگیری می شه کرد.

میشه لطف کنید در این مورد بیشتر توضیح بدید؟: ” البته! در حال حاضر بحث یادگیری در کامپیوتر موضوع خیلی داغی هست. شاید برای خیلی از شما عجیب باشه، اما کامپیوتر هم قابلیت یادگیری داره. مثلا میشه با ارائه ی تعداد زیادی مثال بهش یاد داد در یک عکس صورت ها رو تشخیص بده. دقیقاً مثل آدم که با دیدن تعداد زیادی صورت متوجه شده شکل کلی صورت به چه شکل هست. کامپیوتر حتی می تونه چهره ها رو تشخیص بده! یعنی مثلا بعد از ارائه ی چندین عکس از یک فرد و آموزش برنامه، از برنامه انتظار داشت بین چند صورت اون شخص رو تشخیص بده.
در حال حاضر حتی نرم افزار هایی ساخته شدن که سن افراد رو از روی تصویر صورتشون حدس می زنن! اما برای آموزش این نرم افزار ها که معمولا با شبکه های عصبی کار می کنند نیاز به تعداد خیلی زیادی تصویر صورت به همراه مشخصات هست. کلوب دقیقاً تمامی پارامتر های لازم رو داره! هر پروفایل یک عکس داره به همراه مشخصاتی نظیر سن، جنسیت، حتی قد!
یعنی مثلا می شه برنامه ای ساخت که با استفاده از این تصاویر آموزش ببینه و با توجه به عکس صورت تشخیص بده اون شخص پسر هست یا دختر! “
خدای من! این خیلی جالبه! اما یک سوال دیگه! تمام عکس های داخل کلوب صورت نیستند. خیلی از افراد عکس طبیعت یا یک نماد رو بجای تصویر صورتشون قرار دادن، این موارد مشکلی ایجاد نمی کنه؟: ” سوال خیلی به جایی بود! حق با شماست! اما خوشبختانه در حال حاضر برنامه ها و ابزار خوبی جهت تشخیص اینکه یک عکس صورت هست یا نه وجود داره که با دقت خوبی این کار رو انجام میده. اتفاقاً به خاطر وجود این ناخالصی میشه با این داده ها به صورت Supervised این ابزار رو تست کرد! این ابزار معمولا یک Threshold دارند که هر چقدر مقدارش کمتر باشه سخت گیرانه تر یک عکس رو به عنوان صورت انتخاب می کنه ولی البته ممکن هست عکس هایی که صورت هستند رو به عنوان غیر صورت دسته بندی کنه. اما اگر یک Threshold پایین انتخاب کنیم مطمئن هستیم اونایی که به عنوان تصویر صورت دسته بندی شدن با احتمال خیلی بالایی تصویر صورت هستند. و بعد روی اون داده ها بقیه ی تحقیقات نظیر تشخیص سن یا جنسیت و … رو انجام بدیم. “

علاوه بر این موارد اطلاعات خیلی مفید دیگه ای هم در سایت کلوب وجود داره که ارتباطات افراد هست! شاید اول این اطلاعات به نظر مفید نیاد و مثلا فکر کنید فقط به درد مچ گرفتن بخوره! اما این طور نیست.

این اطلاعات خیلی ارزش مند هستند.با استفاده از این ارتباط ها و اطلاعات هر یک از پروفایل ها می شه یک گراف تشکیل داد که افراد گره های این گراف باشن و ارتباط ها یال ها رو تشکیل بدن. با استفاده از این اطلاعات میشه خیلی چیز ها رو حدس زد و خیلی چیز ها رو پیش بینی کرد که باز هم از موضوع های داغ این روز ها هستند.
به عنوان مثال سایت Facebook که یکی از بزرگ ترین جوامع مجازی حال حاضر هست برای هر کاربر افرادی که ممکن هست بشناسه اما در لیستش دوستانش نیستند رو حدس می زنه و به اون شخص معرفی می کنه!
یا این روز ها تحقیقات زیادی در ارتباط با Relationship Prediction صورت می گیره و هدف این هست که ابزاری تولید بشن که حدس بزنن آیا ممکن هست دو نفر در آینده ی نزدیک با هم دوست بشن یا خیر. یا مثلاً بهترین افرادی که بدرد دوستی با یک شخص می خورند رو حدس بزنه. برای تمام این تحقیقات یک سری اطلاعات خام لازم هست که جهت آموزش به نرم افزار بدیم تا به عنوان مثال این نرم افزار متوجه بشه افرادی که سنشون ۱۹ سال هست و پسر هستند بیشتر علاقه دارند با افرادی که ۱۷ ساله هستند و دختر هستند دوست بشن! کلوب حتی اطلاعات خیلی کامل تری داره مثل رنگ چشم! یعنی نرم افزار می تونه یاد بگیره معمولا پسر هایی که ۲۰ ساله هستند و موشون بور هست از دختر های با موی سیاه خوششون میاد! این ها واقعا اطلاعات با ارزشی هستند و در آینده ی خیلی نزدیک به ما خیلی می تونن کمک کنن.

حالا دیگه ساعت ۴ شده بود و این سوال پیش اومده بود که چطور این اطلاعات رو جمع آوری می شه کرد؟! البته جواب این سوال معلوم بود.
شاید خیلی از شما نئو (اولین بات خزنده ی یاهو! ۳۶۰) که حدوداً پارسال همین موقع ها ۳۶۰ رو زیرو رو کرد و برای همه کامنت میگذاشت و در کمتر از ۱۰ روز ۱۵۰۰۰ تا کامت داشت یادتون باشه یا حتی شاید به پروفایل خود شما هم کامنت داده باشه.
بله! هدف ساخته شدن اون بات هم همین بود با این تفاوت که یاهو! ۳۶۰ اطلاعات خیلی کمتری نسبت به کلوب داشت و مقدار خیلی خیلی بیشتری اطلاعات غلط داخلش وجود داشت.
همون لحظه بود که من و یکی از دوستام بنام امید علیپور نوشتن این بات رو شروع کردیم و قرار شد بات من تمام افراد رو به لیست دوستانش اضافه کنه و اطلاعات پروفایل ها از جمله عکس، سن، جنسیت، قد و … رو ذخیره کنه و بات امید به تک تک افراد پیغام خصوصی بده.
۱۰ دقیقه نشد که وقتی به سایت کلوب می رفتیم یک صفحه ی خالی میدیدیم! اولین حدسی که زدیم این بود که کلوب IP ما رو به خاطر درخواست زیاد بن کرده! اما خوشبختانه بعد از ۳۰ دقیقه درست شد. بعداً متوجه شدم که کلوب هر روز حدود ساعت ۴ به مدت تقریبا نیم ساعت جواب تمام درخواست ها رو با یک صفحه ی خالی میده. احتمالا توی این مدت در حال آپدیت کردن Cache و Index کردن هست. اگر کسی دلیلش رو می دونه خوشحال می شم بدونم.

خوب معلومه دیگه! اون مدت زمان قطع شدن برقشونه!: ” من واقعاً از این جواب قانع کننده ی شما ممنونم! “

جمع آوری اطلاعات و صیانت از هویت کاربران

بعد از برگشتن کلوب به وضعیت عادی خودش حدود ۳۰ دقیقه بعد یک بات آماده داشتیم که از صفحه ی اول کاربران آنلاین شروع کرد و بعد دوستان اون افراد و بعد هم دوستان دوستان افراد … رو به لیست دوستانش اضافه می کرد و اطلاعات مربوط به هر فرد رو ذخیره می کرد! یعنی دقیقاً همون اطلاعاتی که برای کار تحقیقاتی نیاز هست…

وااااای! یعنی شماره تلفن من هم ذخیره کرده؟: ” شما مگه شماره تلفنتون رو داخل کلوب گذاشتید؟ “
نه!: ” خوب پس معلومه که ذخیره نکرده… این بات که از خودش نمی تونه اطلاعات استخراج کنه! تنها اطلاعاتی که بقیه ی افراد می تونن ببینن رو می تونه ذخیره کنه و اطلاعاتی مثل شماره تلفن شما یا مثلا IP شما و … رو که هیچ کس نمی تونه ببینه این بات هم نمیبینه! “
اما به نظر من این کار اصلاً درست نیست! شاید کسی دلش نخواد اطلاعاتش ذخیره یا فاش بشه!: ” اول از همه کسی که اطلاعاتش رو روی کلوب گذاشته یعنی قبول کرده همه اون اطلاعات رو ببینن! پس هیچ اطلاعاتی فاش نمیشه.اما خوب کلاً با شما موافقم! شاید کسی بخواد در آینده اطلاعاتش رو بر داره یا نخواد یک سری از اطلاعاتش جایی که در دسترسش نیست ذخیره بشن! از اونجایی که من خودم جزو همین دسته از افراد هستم برای این موضوع راه حلی پیدا کردم! اولاً این بات به هیچ وجه اسم، Email یا آیدی یاهو! هیچ پروفایلی رو ذخیره نمی کنه.تنها چیزی که از هر شخص به عنوان یک کد شناسایی ذخیره میشه MD5 شده ی شناسه ی کلوب افراد هست. “
ببخشید! منظورتون از MD5 چیه؟: ” MD5 یه نوع الگوریتم کد کردن یک طرفه هست. مثلاً پسورد افراد در انجمن ها به این صورت ذخیره میشه. یکی از خاصیت های اصلی اون اینه که قابل بازگشت نیست. یعنی مثلا اگر کلمه ی Siavash رو با استفاده از MD5 کد کنیم دیگه از اون رشته ی کد شده نمی تونیم به Siavash برسیم. پس در واقع تمام اطلاعات بدون مشخصات صاحب اونا ذخیره میشن و سعی کردم با این روش مشکل عدم اعتماد افراد رو حل کنم. “
من می تونم اطلاعاتی که این بات از من ذخیره کردرو ببینم؟ میشه برام میل کنیدش؟: ” من همین چند لحظه پیش گفتم که مشخصات افراد بدون هویتشون ذخیره می شن! پس یعنی همچین کاری نمی تونم بکنم! “
آهان! می خواستم مطمئن شم!

آمار و سرعت رشد نئو در کلوب

سرعت رشد نئو در کلوب خیلی بالا نبود و دلیل اصلیش هم محدودیت هایی بود که داخلش گذاشته بودم.
این بات طوری تنظیم شده بود تا تقریبا هر ۵ ثانیه یک درخواست به سرور کلوب بده. دلیلشم وارد نکردن فشار خیلی زیاد به سرور کلوب بوده. البته سرور ها و طراحی کلوب خیلی قوی تر از این هستن که یک یا چند بات بتونه فشار خاصی به اون ها وارد کنه اما برای اطمینان محدودیت هایی روی بات قرار دادم تا مشکلی پیش نیاد.
این هم نمودار تعداد دوستان نئو بر حسب زمان (ساعت) برای ۴۸ ساعت اول فعالیت این بات.

در کل برای ۱۸۹,۰۶۲ نفر درخواست دوستی فرستاده شده و برای ۲۸,۲۲۳ نفر یادداشتی با متن درخواست دوستی فرستاده شده.و در کل اطلاعات ۲۲۵,۲۱۴ نفر استخراج و ذخیره شده.

دسترسی به پروفایل نئو

راستی! اسم این بات رو هم مثل بات های قبلی نئو گذاشتم و پروفایلش رو از اینجا می تونید ببینید.
اگر دوست داشتید می تونید پروفایل نئو در یاهو! ۳۶۰ رو هم اینجا ببینید.

مشکل خیلی کوچک امنیتی در تصویر امنیتی کلوب

تا اینجای کار خیلی سخت نبود! چون هیچ مانعی سر راه ساختن یک بات قرار نداشت! اما برای گذاشتن یادداشت یا فرستادن پیغام یا نقاشی یک مشکلی سر راه بود! البته برای ۱۰ دقیقه…
مشکل این بود که برای انجام این فعالیت ها نیاز به وارد کردن یک تصویر امنیتی بود. این تصاویر که به Captcha معروف هستند کارشون جلوگیری از ورود بات ها به بخش هایی که قرار نیست واردش بشن هست.
چون یک بات مثل یک آدم نمی تونه تصاویر رو تشخیص بده. البته توجه داشته باشید که نگفتن نمی تونه، بلکه گفتم به خوبی آدم نمی تونه…خوب اما توی این مورد حتی نیاز به خوندن تصاویر هم نبود! چرا؟
بی شک توی هر سیستمی حتی به قدرت کلوب مشکلات کوچکی هم وجود دارند. یکی از مشکلات این سایت همین بخش بود.
این سیستم به این صورت کار می کنه که هر عکس شامل سه عدد هست و هر مجموعه عدد یک کد مخفی هم داره که داخل یک Input مخفی ذخیره میشه. وقتی که یک یادداشت ثبت میشه، در سرور کلوب چک می شه که آیا کد مخفی متعلق به همون مجموعه اعداد هست یا نه! اگر بود یادداشت ذخیره می شه و در غیر این صورت پیغامی داده می شه که لطفاً کدامنیتی را درست وارد کنید.
خوب حالا مشکل این نوع کنترل چیه؟ خوب مشکل اینه که این راه رو راحت میشه دور زد، به این صورت که کافیه فقط یک بار یک مجموعه عدد و کد مخفی مربوط به اون مجموعه خونده شه و از اون به بعد هر بار همون مجموعرو وارد کنی و کد مخفی هم بصورت دستی همون کد قبلی بفرستی! اینطوری حتی نیاز به پردازش تصویر امنیتی هم نیست!
با این وجود حتی اگر این مشکل هم نبود، به خاطر سادگی ظاهر و کم بودن نویز در تصویر امنیتی کلوب، به راحتی می شد کاری کرد که بات این تصاویر رو بخونه!چون رنگ رقم ها همیشه قرمز هست و سایز اونها هم ثابت هستند و فقط کمی می چرخند و همیشه از هم جدا هستند. پس با یک شبکه ی عصبی خیلی خیلی ساده می شه این ارقام رو خوند.
اگر به این موضوع علاقه مند هستید، پیشنهاد می کنم این آموزش رو که در ارتباط با تشخیص حروف با شبکه های عصبی هست بخونید.
من یک برنامه برای خواندن تصویر امنیتی سایت کلوب نوشتم، هر کدوم از دوستان که سورس این برنامه که به زبان جاوا هست رو خواستن کافیه در نظرات درخواستش کنن تا براشون میل کنم.

در نهایت هم سایفر بات که یک بات پاسخگو هست رو توی یاهو! مسنجر آنلاین کردم و در پروفایل نئو ذکر کردم که افراد می تونن به این آی دی پیغام بدن و باهاش چت کنن…
لازم هست اینو بگم که این بات حدوداً ۴ سال پیش درست شده و برای زمان خودش بات نسبتاً خوبی بود امّا در حال حاضر یک بات پاسخگو می تونه خیلی هوشمند تر از سایفر باشه…

موارد جالب بعد از ساخته شدن بات کلوب

خوب بعد از ساخته شدن این بات و فعال شدنش، مثل بات های قبلی اتفاق ها جالبی افتاد و افراد مختلف نظرات جالبی رو مطرح کردن.
من متأسفانه نتونستم تمام نظر ها و پیغام ها رو بخونم، اما در کل چند مورد برام جالب بود.

اعتماد زیاد کاربران کلوب به یکدیگر

اولین مورد اینکه چطور ۱۳۰۰۰ نفر بدون اینکه کسی رو بشناسن و حتی یک خط با اون صحبت کرده باشن درخواست دوستی اون رو قبول کردن!
نکته ی جالب تر اینکه تعداد خیلی زیادی از این افراد در اولین پیغام خودشون سلام کرده بودن و شماره تلفنشون رو داده بودن. این جو خیلی صمیمانه ی کلوب رو نشون می ده که برام جالب بود چون تو هیچ جامعه ی مجازی دیگه ای به جز SmallWorld همچین چیزی ندیده بودم.

افراد خیلی زیادی هم پیغام می دادن و می گفتن شما چقدر آدم الافی هستید، یا مثلا تو کارو زندگی نداری؟ و خیلی پیغام های دیگه ای که محتواشون همین بود…
یه تعداد هم پیغام در این رابطه بود که من خودم باهات تو یاهو! مسنجر صحبت کردم، چرا الکی میگی روباتی؟ کمبود محبت داری؟ و پیفام هایی مثل این! راستش من هیچ شباهتی بین سایفر که یه بات خیلی خنگ هست با یک آدم نرمال نمی بینم. احتمالاً دوستان می خواستن من رو با این حرفشون که این بات خیلی شبیه آدم برخورد می کنه خوشحال کنن. واقعاً از این دوستان ممنونم!

معرفی نئو در بلاگ کلوب

مورد جالب بعدی اینکه من بعد از اینکه لیست دوستان نئو به ۱۰۰۰۰ نفر رسید یک بلاگ در کلوب با عنوان نئو چیست؟ نوشتم و داخلش بطور کامل توضیح دادم که این پروفایل یک انسان نیست، اما همچنان پیغام هایی با محتوای اینکه شما چقدر بیکار هستید، یا ببخشید من شما رو میشناسم؟ می گرفتم…
جالب اینکه این بلاگ بعد از ۸ ساعت جایگاه اول رو توی داغترین مطالب در ۲۴ ساعت به خودش اختصاص داد و الآن که دو روز هست از نوشته شدنش میگذره جزو ۵ مطلب داغ هفته شده.

پروفایل سایفر در کلوب!

جالب تر از این مورد یک پروفایل با نام سایفر بود که آی دی سایفر رو معرفی کرده بود و قابلیت های اون رو نوشته بود که بعضی هاش رو من خودم هم نمی دونستم! از این دوستمون هم به خاطر معرفی سایفر و قابلیت های جدید این روبات متشکرم… این روبات در ابتدا یک مرد ۴۰ ساله بود و در حال حاضر یک زن ۱۶ ساله ی جدا از همسر می باشد! بلاگی گه جهت معرفی سایفر توسط این کاربر پست شده بود بعد از گذشت مدتی به عنوان داغ ترین مطلب ۲۴ ساعت انتخاب شد!

آخرین نکته ی جالبی که به ذهنم می رسه این هست که من نئو رو تعریف کرده بودم تا هر روز تاریخ تولدش رو به همون روز تغییر بده، و جالب تر اینکه هر روز تعداد خیییییلییی زیادی تولد این بات رو تبریک می گفتن و نقاشی های بسیار زیادی هم برای این روبات کشیدن. من واقعاً از این جو صمیمانه ی کلوب خوشم اومده. اینکه افراد چند دقیقه از وقتشون رو صرف خوشحال کردن و تبریک گفتن به کسی می کنن که شاید تا حالا باهاش حرف نزدن قابل تقدیره. اما نکته ی جالب تر اینه که من از خیلی افراد چندین و چند بار پیغام تبریک گرفتم! اما فقط یکی از اون همه پیغام متنش این بود که مگه تو دیروز تولدت نبود؟ برام جالب بود که فقط یک نفر به این موضوع توجه کرده بود…

این هم یکی از نقاشی های قشنگی که برای نئو کشیده شده.

یک مشکل امنیتی کوچک دیگه

همونطوری که بالاتر هم گفتم همه ی سایت ها، حتی سایت های بزرگ مثل MySpace و Yahoo! 360 که جزو بزرگترین جوامع مجازی هستند مشکل های امنیتی می تونن داشته باشن…
نمونش باگ های XSS ای که چند مدت پیش در MySpace کشف شد یا باگ دیگه ای که در Yahoo! 360 باعث هک شدن کلی آی دی یاهو! شد.

ماجرای این باگ ها چی بوده؟ من نشنیدم!: ” خوب اول ماجرای XSS Worm سایت MySpace رو می گم: ماجرا از این قرار بود که یه کاربر با نام Samy راهی پیدا کرد که بتونه یک کد جاوااسکریپت رو روی صفحه ی خودش قرار بده. هر کاربری که به صفحه ی این کاربر سر می زد کد اجرا می شد و علاوه بر اضافه کردن Samy به لیست دوستان اون شخص، این کد رو در صفحه ی اون کاربر هم جایگذاری می کرد! به این ترتیب این کرم به صورت نمایی رشد پیدا کرد به طوری که بعد از گذشت یه مدت کوتاه حدود یک میلیون کاربر به لیست Samy اضافه شدن!
ماجرای باگ یاهو! ۳۶۰ هم این بود که می شد با یک ترفندی یک کد جاوااسکریپت رو در پیغام های خصوصی جا داد، و وقتی کسی به صندوق پیام هاش میرفت این کد جاوااسکریپت صفحه ی صندوق پیام رو به یک صفحه که شبیه صفحه ی لاگین یاهو! طراحی شده بود هدایت می کرد. و هر کس توی اون فرم لاگین می کرد پسوردش عوض می شد و مجدداً توسط اون آیدی پیام آلوده به دوستانش فرستاده می شد! “

خوب خوشبختانه کلوب همچین باگ های بزرگی نداره یا بهتره بگم پیدا کردن همچین باگ هایی توش آسون نیست، و این نشون دهنده ی طراحی خیلی دقیق این وبسایت و قدرت طراحانش هست. اما یک مشکل خیلی کوچیک وجود داره که من همین جا می گم تا انشاالله طراحان سریعاً این مشکل رو درست کنند.
مشکل در سیستم چت هست! و با این مشکل می شه بدون لاگین کردن از طرف شناسه ی کلوبی که پسوردش رو ندارید و برای شما نیست به هر یک از کاربران کلوب پیام زنده بدبد و پیغام کاربران دیگر رو قبل از اینکه بدستشون برسه بخونید!
مثلا من می تونم با شناسه ی کاربری یک کاربر دیگه به دوستم پیام زنده بفرستم، یا گفتگوی زنده ی یکی دیگه از دوستام رو قبل از اینکه بدستش برسه بخونم!
البته ایراد خیلی بزرگی نیست اما فکر کنم باید سریعاً بهش رسیدگی بشه چون ممکنه توی این چت ها مطالبی گفته بشه که کاربر دوست نداشته باشه شخص دیگه ای اونارو بدونه…

معرفی این باگ و طریقه ی استفاده از اون

من به صورت خیلی خلاصه این باگ و نحوه ی استفاده کردن از اون رو توضیح می دم.
جهت فرستادن پیغام به هر کاربر کافیه این خط رو توی آدرس بار مرورگرتون کپی کنید و Enter رو بزنید.

http://chat.cloob.com//Chat/Chat_Manager.php?data={"user":"990###","event":"sendMessage",
"time_str":"s9ecmmgggmzoxg","message":"Salam!"}

به جای ۹۹۰### کافیه کد کاربر مورد نظر رو بزنید. برای پیدا کردن این کد کافیه به صفحه ی کاربر مورد نظر برید و کد HTML اون صفحرو نمایش بدید و در نهایت عبارت زیر رو جستجو کنید:

id="user_

اولین نتیجه ای که خواهید دید باید شبیه خط زیر باشه:

مثلا در این مورد ۹۸۱۰۹۶ کد کاربر مورد نظر هست.s9ecmmgggmzoxg شامل کدی مرتبط با فرستنده و تاریخ هست.
شما می تونید بخش پر رنگ رو تغییر بدبد تا از طرف کاربران دیگه پیغام بتونید بدید.اگر به همین شکلی که هست استفاده کنید از طرف کاربری به نام نئو پیغام رو می فرسته! اگر بخواین از طرف فردی ناشناس پیغامتون رو بفرستید کافیه به جای این کد siavash بنویسید!
توجه داشته باشید که اگر از طرف فردی نا شناس بخواین پیغام بفرستید کاربر مقابل فقط وقتی پیغام شما رو دریافت خواهد کرد که پنجره ی گفتگوی زندش باز باشه. (اگر نباشه اولین باری که بازش کنه پیام شما رو دریافت خواهد کرد.)
و آخرین بخشی که ممکنه نیاز بشه تغییرش بدید Salam! هست که می تونید با پیغامی که می خواین عوضش کنید.
خوب تا اینجا می تونید از طرف شخصی که پسوردش رو ندارید، حتی به افرادی که گرفتن گفتگوی زندشون رو محدود کردن پیغام بفرستید!

برای گرفتن پیغام دیگران کافیه این لینک رو در مرورگرتون اجرا کنید:

http://chat.cloob.com//Chat/Chat_Manager.php?data={"user":"990###","event":"readMessage",
"users_status":"","time_str":"s9ecmmgggmzoxg"}

اینجا ۹۹۰### کد شخصی هست که می خواین پیغامش رو بگیرین و s9ecmmgggmzoxg هم کد رمز شده ی خود شماست!
با اجرای این لینک مرورگر شما منتظر می مونه تا پیغام جدیدی برای شما بیاد و بعد از دریافت، اون رو نمایش میده!

این باگ در عمل

توی این فیلم می تونید استفاده از این باگ رو در عمل مشاهده کنید.همونطوری که می بینید دو پنجره باز هستند. اولین پنجره صفحه ی فردی هست که از این باگ استفاده می کنه و پنجره ی دوم صفحه ی شخصی هست که روش این مشکل امنیتی رو داریم تست می کنیم.
در ابتدا در پنجره ی اول Logout می کنیم تا معلوم شه بدون لاگین بودن میشه از این باگ استفاده کرد.
مرحله ی بعدی پیدا کردن userid کاربر مورد نظر هست. برای این کار من از Inspect Element که یکی از قابلیت های مرورگر کروم و خیلی از مرورگر های دیگه هست استفاده کردم. می شد این کار رو با View page source هم انجام داد.
حالا userid رو داخل لینک اولی که در بخش قبل معرفی کردم paste می کنیم و بعد از چند ثانیه می بینید که کاربر در پنجره ی دوم پیغام رو دریافت می کنه! یادآوری می کنم که در مرورگر اول حتی لاگین نبودیم!
حالا با تغییر یک حرف در مقدار time_str دوباره این کار رو تکرار می کنیم.
همونطور که می بینید کاربر در مرورگر دوم مجدداً پیغام رو دریافت می کنه اما از طرف یک کاربر با نام دیگه!
در ادامه هم با استفاده از لینک دوم و userid کاربر مورد نظر پیغام هایی که از طرف اون کاربر به نئو رسیدرو دریافت می کنیم! مجدداً با وجود اینکه لاگین نیستیم!
یعنی دقیقا می تونید از طرف یک شخص دیگه به یک کاربر پیغام بدید و پیام های اون کاربر رو دریافت کنید.

نتیجه گیری

باز هم میگم هدف از این پست مطلع شدن طراحان کلوب از این باگ هست.
طراحی این وبسایت بسیار خوب و دقیق بوده و باگ های کوچکی مثل این موارد هیچ خدشه ای به موفقیت این وبسایت وارد نمی کنه، ولی برطرف کردن این موارد به بهتر شدنش کمک می کنه.

باز هم به طراحان این وبسایت کم نظیر تبریک می گم.

به روز رسانی: این باگ توسط طراحان کلوب اصلاح شد

خوشبختانه در مدّت زمان خیلی کمی این باگ توسط طراحان کلوب اصلاح شد. در حال حاضر جهت دریافت و یا ارسال پیغام زنده علاوه بر پارامتر های قبلی پارامتر جدیدی با نام time_ftr نیز باید به سرور تحویل داده شود. پس لینک های جدید به این صورت خواهند بود:

http://chat.cloob.com//Chat/Chat_Manager.php?data={"user":"990###", "event":"readMessage",
"users_status":"", "time_str":"s9ecmmgggmzoxg",
"time_ftr":"fb24b622e#####15bbceecf6a7e6bf66"}

که مقدار time_ftr یک MD5 Hash می باشد و برای هر کاربر متفاوت است. از خواص MD5 می توان به برگشت ناپذیر بودن آن اشاره کرد و با توجه به این ویژگی پیدا کردن نحوه ی ساخت این پارامتر بسیار دشوار و شاید غیر ممکن باشد. همچنین با توجه به اینکه دو پارامتر، هویت هر کاربر را مشخص می کنند دیگر با عوض کردن یک حرف، حدس زدن یا Bruteforce کردن، نمی توان از طرف کاربر دیگری پیغامی فرستاد یا پیام های زنده ی وی را دریافت نمود.
از حسن توجه طراحان کلوب ممنونم و مجدداً به این تیم به خاطر ایجاد این سایت قدرتمند تبریک می گم.

لینک های داخلی

لینک های خارجی

شناخت حروف توسط شبکه های عصبی

۱۲۴ پاسخ

تو این مطلب می خوایم بصورت عملی از شبکه های عصبی استفاده کنیم! واقعا خیلی جالبه می خوایم به کامپیوتر سه تا حرف الفبای انگلیسی رو یاد بدیم.
نکته ی جالب تر این هست که حتی به کامپیوتر نمی گیم هر کدوم از حرف ها چی هستن! فقط بهش می گیم که این ها سه حرف مختلف هستند! و کامپیوتر خودش تشخیص می ده هر کدوم متعلق به کدوم گروه هست! به این نوع طبقه بندی اصطلاحا Unsupervised میگن.

وااای مگه می شه؟؟؟ من فکر می کردم باید لااقل توی مثال هامون به کامپیوتر بگیم مثلا این A هست و این B هست!: ” خوب اون هم نوعی یادگیری هست که بهش اصطلاحا Supervised می گن. اما توی این مثال حالت جالب تر یعنی Unsupervised رو می خوایم بررسی کنیم. به این صورت که فقط به کامپیوتر می گیم ۳ دسته وجود داره و براش چندین مثال می زنیم و خودش مثال ها رو توی ۳ دسته قرار می ده! در نهایت ما مثلا می تونیم بگیم همه ی مثال هایی که در دسته ی دوم قرار گرفتن A هستند.
شاید جالب باشه بدونید گوگل هم برای دسته بندی اطلاعات از همچین روشی استفاده می کنه! البته کمی پیشرفته تر. مثلا ۱۰۰ متن اقتصادی و ۱۰۰ متن ورزشی به کامپیوتر میده و از کامپیوتر می خواد اونها رو به ۲ بخش تقسیم بندی بکنه! ورودی لغت های اون متن ها هستند. “
وای، سیاوش باورم نمیشه!
من هم همینطور. مگه می شه کامپیوتر خودش دسته بندی کنه! لطفا ادامه بدید.: ” اگه اجازه بدید می خوام همین کار رو انجام بدم! “

ابزار مورد نیاز

خوب! برای این که شروع کنیم به چند مورد نیاز داریم:

در مورد هوش مصنوعی و شبکه های عصبی یکم اطلاعات داشته باشید. در صورتی که آشنایی ندارید می تونید مقدمه ای بر هوش مصنوعی و مقدمه ای بر شبکه های عصبی رو مطالعه کنید.
برنامه ای برای تولید الگو که ورودی شبکه ی عصبی ما خواهد بود. این برنامرو میتونید از اینجا تهیه کنید.
نرم افزار JOONE Editor. عبارت JOONE مخفف Java Object Oriented Neural Engine هست. که یک ابزار قدرت مند برای بوجود آوردن و آموزش انواع شبکه های عصبی در Java هست. توی این آموزش ما از ویرایشگر این ابزار استفاده می کنیم که محیطی گرافیکی برای تولید شبکه های عصبی داره و کار با اون بسیار ساده هست. این ابزار از اینجا قابل دریافت هست. بدیهیه که برای نصب این ابزار ابتدا باید جاوا روی کامپیوتر شما نصب باشه.
کمی پشتکار و حوصله.

ای بابا! من جاوا رو کامپیوترم نصب نیست! یعنی باید برم سیدیشو بخرم؟؟؟: ” فکر کنم شما علاوه بر جاوا مورد ۴ رو هم نداشته باشی… در صورتی که اینترنتت پر سرعته می تونی از اینترنت هم J2SE رو دانلود کنی. “
آره اینترنتم ADSL هست!.

ساخت الگوها

حالا می خوایم یک سری الگو تولید کنیم. الگو همون مثال هایی هست که گفتیم برای کامپیوتر می زنیم تا بتونه یاد بگیره.
برای این کار از برنامه ای که در شماره ی ۲ بخش قبل معرفی کردم استفاده می کنیم. این برنامه خیلی ساده کار می کنه و فقط الگو ها رو از حالت تصویری به ۰ و ۱ تبدیل می کنه.

سیاوش می تونی توضیح بدی چطور این کار انجام میشه؟: ” بله حتما! اول تصویر رو به یک ماتریس ۸ در ۸ تقسیم می کنه. یعنی ۶۴ قسمت. وقتی دکمه ی سمت چپ ماوس پایینه در صورتی که ماوس از هر کدوم از اون ۶۴ بخش رد بشه اون بخش رو داخل ماتریس علامت گذاری می کنه (مقدار اون قسمت رو True می کنه). وقتی دکمه ی Learn زده می شه برنامه مقدار تمام قسمت ها رو از بالا به پایین داخل یک فایل ذخیره می کنه. مقدار هر قسمت می تونه ۰ یا False و ۱ یا True باشه. “

در صورتی که سورس این برنامرو خواستید کافیه توی بخش نظرات بگید تا براتون میل کنم.
کار با این برنامه خیلی آسون هست همونطور که توی شکل مشخصه.

کافیه الگویی که دوست دارید رو داخل فضای سفید بکشید و دکمه ی Learn رو بزنید. Textbox پایینی برای تغییر دادن آدرس فایلی هست که اطلاعات توی اون ذخیره میشه. و Textbox بالایی برای اینه که بگید این الگو چه حرفی هست که توی این مطلب نیازی به پر کردن اون نیست چون ما بحثمون یادگیری Unsupervised هست. توی مطالب بعدی برای یادگیری Supervised به این فیلد نیاز خواهیم داشت.
خوب من برای اینکه مثال پیچیده نشه ۳ حرف رو می خوام به کامپیوتر یاد بدم. A و C و Z!
برای این کار برای هر کدوم از حروف چهار مثال وارد می کنم و دکمه ی Learn رو می زنم. توی شکل زیر می تونید هر ۱۲ الگو رو ببینید.

فایل خروجی مربوط به این الگوهای مثال از اینجا قابل دریافت هست.همونطور که می بینید هر ردیف به نظر من و شما عین هم هستند. اما اگر کمی بیشتر دقت کنیم می بینیم جای مربع های مشکی با هم فرق دارن. به نظر شما کامپیوتر هم خواهد فهمید هر ردیف نشاندهنده ی یک حرف مجزا هست؟

تشکیل شبکه ی عصبی

خوب! حالا می خواهیم ساختار شبکه ی عصبی رو طراحی کنیم. برای این کار از JOONE Editor کمک می گیریم.
صفحه ی اول این نرم افزار به این شکل هست:

توی این مثال ما از یک لایه ی ورودی خطی ۶۴ نورونی استفاده می کنیم که هر نورون یک قسمت از ماتریسی که در بخش قبل گفتیم رو به عنوان ورودی می گیره. به عنوان خروجی هم از یک لایه ی ۳ نورونی WinnerTakeAll استفاده می کنیم. در این نوع خروجی یکی از نورون ها ۱ و بقیه ۰ خواهند بود که برای تقسیم بندی بسیار مناسب هست.

ایجاد لایه ی FileInput

برای شروع ابتدا یک لایه ی FileInput ایجاد می کنیم. توسط این ابزار می تونیم یک فایل رو به عنوان ورودی به شبکه بدیم.
روی FileInput کلیک راست کرده و در Properties اون فایل درست شده در مرحله ی قبلی رو به عنوان fileName انتخاب می کنیم و به عنوان Advanced Column Selector مقدار ۱-۶۴ رو وارد می کنیم تا برنامه متوجه بشه باید از ستون های ۱ تا ۶۴ به عنوان ورودی استفاده کنه.

ایجاد یک لایه ی خطی

مرحله ی بعدی ایجاد یک Linear Layer یا لایه ی خطی هست. بعد از ایجاد این لایه Properties اون باید به شکل زیر باشه:

همونطور که می بینید تعداد ردیف ها ۶۴ مقداردهی شده که دلیلش این هست که ۶۴ ورودی داریم.
حالا با انتخاب FileInput و کشیدن نقطه ی آبی رنگ سمت راست اون روی Linear Layer خروجی FileInput یعنی اطلاعات فایل رو به عنوان ورودی Linear Layer انتخاب می کنیم.
تا این لحظه ما یک لایه ی ۶۴ نورونه داریم که ورودی اون مقادیر مثال های تولید شده در مرحله ی قبل هست.

ایجاد لایه ی WinnerTakeAll

خوب توی این مرحله لایه ی خروجی که یک لایه ی WinnerTakeAll هست رو تولید می کنیم. Properties این لایه باید به شکل زیر تغییر پیدا کنه تا اطمینان پیدا کنیم الگوها به سه دسته تقسیم میشن:

حالا باید بین لایه ی خطی و لایه ی WinnerTakeAll ارتباط برقرار کنیم. برای این کار باید از Kohonen Synapse استفاده کنیم و Full Synapse جواب نخواهد داد. پس روی دکمه ی Kohonen Synapse کلیک کرده و بین لایه ی خطی و لایه ی WinnerTakeAll ارتباط ایجاد می کنیم.
در آموزش های بعدی فرق انواع سیناپس ها رو بررسی خواهیم کرد.

آموزش شبکه

تا این لحظه شبکه باید به این شکل باشه. حالا می تونیم آموزش شبکرو شروع کنیم. برای این کار در منوی Tools بخش Control Panel رو انتخاب می کنیم. و در صفحه ی جدید learningRating و epochs و training pattern و learning رو به شکل زیر تغییر می دیم.

epochs تعداد دفعاتی که مرحله ی آموزش تکرار میشرو تعیین می کنه.
learningRate ضریبی هست که در یادگیری از اون استفاده می شه. بزرگ بودن اون باعث میشه میزان تغییر وزن نورون ها در هر مرحله بیشتر بشه و سرعت رسیدن به حالت مطلوب رو زیاد می کنه اما اگر مقدار اون خیلی زیاد شه شبکه واگرا خواهد شد.
training patterns هم تعداد الگو هایی که برای آموزش استفاده می شن رو نشون می ده که در این مثال ۱۲ عدد بود.
بعد از اینکه تمام تغییرات رو ایجاد کردیم دکمه ی Run رو می زنیم و منتظر می شیم تا ۱۰۰۰۰ بار عملیات یادگیری انجام بشه.

تست کردن شبکه

تبریک می گم! شما الان به کامپیوتر سه حرف A و C و Z رو یاد دادید!
اما خوب حالا باید ببینید کامپیوتر واقعا یاد گرفته یا نه.
برای این کار از یک لایه ی FileOutput استفاده می کنیم تا خروجی شبکرو داخل یک فایل ذخیره کنیم.
Properties لایه ی FileOutput باید بصورت زیر باشه:

همونطور که می بینید به عنوان fileName مقدار c:\output.txt رو دادیم. یعنی خروجی شبکه در این فایل ذخیره میشه.
حالا کافیه لایه ی WinnerTakeAll رو به لایه ی FileOutput متصل کنیم.
بعد از متصل کردن این دو لایه شکل کلی باید بصورت زیر باشه:

برای اینکه فایل خروجی ساخته بشه باید یک بار این شبکرو اجرا کنیم. برای این کار مجددا در منوی Tools بخش Control Panel رو انتخاب می کنیم و در اون learning رو False و epochs رو ۱ می کنیم تا شبکه فقط یک بار اجرا شه. پس از تغییرات این صفحه باید به شکل زیر باشه:

حالا با توجه به اینکه من اول چهار مثال A رو وارد کردم و بعد به ترتیب چهار مثال C و چهار مثال Z رو ببینیم خروجی این شبکه به چه شکل شده.
باور کردنی نیست! خروجی به این شکل در اومده:

۱٫۰;۰٫۰;۰٫۰
۱٫۰;۰٫۰;۰٫۰
۱٫۰;۰٫۰;۰٫۰
۱٫۰;۰٫۰;۰٫۰
۰٫۰;۱٫۰;۰٫۰
۰٫۰;۱٫۰;۰٫۰
۰٫۰;۱٫۰;۰٫۰
۰٫۰;۱٫۰;۰٫۰
۰٫۰;۰٫۰;۱٫۰
۰٫۰;۰٫۰;۱٫۰
۰٫۰;۰٫۰;۱٫۰
۰٫۰;۰٫۰;۱٫۰

همونطور که می بینید ۴ خط اول که مربوط به A هستن ستون اولشون ۱ هست و در چهار خط دوم ستون دوم و در چهار خط سوم ستون سوم!
این یعنی کامپیوتر بدون اینکه کسی به اون بگه کدوم مثال ها کدوم حرف هست خودش فهمیده و اون ها رو دسته بندی کرده.

ببخشید. خوب چون پشت هم دادید مثال هر حرف رو اینطوری نشده؟: ” نه! کامپیوتر که نمی دونسته من می خوام مثال های هر حرف رو پشت سر هم بدم! من برای راحتی خودم این کار رو کردم. شما می تونی ورودی هاتو غیر مرتب بدی! “
دلیل خاصی داره که در A ستون اول ۱ هست و …: ” نه! ممکن بود برای A ستون دوم ۱ بشه و یا هر حالت دیگه. شما اگر امتحان کنید ممکنه تفاوت پیدا کنه. اما مهم اینه در تمام A ها یک ستون خاص مقدارش ۱ و بقیه ی ستون ها مقدارشون صفر می شه. پس یعنی کامپیوتر تونسته به خوبی تقسیم بندی کنه. “

امتحان با مثال های جدید

حالا می خوایم شبکرو با سه مثال جدید تست کنیم که در مثال های آموزشی نبوده! برای این کار من با استفاده از برنامه ی تولید الگو ۳ مثال جدید درست می کنم و به عنوان فایل ورودی در شبکه فایل جدید رو انتخاب می کنم.
توی شکل زیر سه مثال جدید رو می تونید ببینید:

برای جذابیت علاوه بر این سه مثال ۲ مثال دیگه هم که احتمالا برای یک موجود بد خط هست گذاشتم!

فایل خروجی این مثال ها از اینجا قابل دریافت هست.
به نظر شما این دو تا چه حرف هایی هستن؟

اییییووول این دو تا مثال آخریا که کپ خط علیههه!
علی؟؟؟
آره برادرمه!
چه خوب که برادرته.
آره. چپیه Zه و راستیه هم C هست.

خوب حالا بگذارید ببینیم کامپیوتر چه جوابی می ده. با توجه به اینکه اول مثال C بعد مثال Z و بعد مثال A رو وارد کردم. دو مثال بعدی هم به ترتیب مثال بد خط سمت چپ و مثال بد خط سمت راست هستند. و اما جواب:

۰٫۰;۱٫۰;۰٫۰
۰٫۰;۰٫۰;۱٫۰
۱٫۰;۰٫۰;۰٫۰
۰٫۰;۰٫۰;۱٫۰
۰٫۰;۱٫۰;۰٫۰

کامپیوتر سه مورد اول رو به خوبی C و Z و A تشخیص داده. و دو مورد بد خط هم به ترتیب از چپ به راست Z و C تشخیص داده!
حتی برای انسان هم سخته فهمیدن اینکه مورد های چهارم و پنجم چی هستند اما اگر خوب دقت کنید می بینید به مواردی که کامپیوتر خروجی داده نزدیک تر هستند.

کجاش سخته! من که گفتم کدوم چیه!: ” خوب همه مثل شما یه برادر بد خط ندارن. “

نتیجه گیری

فکر کنم خودتون نتیجه بگیرید بهتر باشه…

به نظر من کامپیوتر خیلی با شعوره!: ” کامپیوتر شعور نداره! اما ما سعی کردیم طریقه ی عملکرد مغز رو به صورت خیلی ابتدایی و به ساده ترین نحو توش شبیه سازی کنیم! “

تو مطلب امروز دیدیم که کامپیوتر تونست بدون اینکه ما براش مثال هایی بزنیم و بگیم هر کدوم چه حرفی هستند و فقط با دادن تعداد دسته ها، مثال ها رو به سه دسته همونطوری که انسان ها تقسیم می کنند تقسیم کنه. همونطور که گفتیم به این نوع دسته بندی، دسته بندی Unsupervised میگن. در مباحث بعدی مثال هایی از یادگیری و دسته بندی Supervised می زنیم تا با اون نوع هم آشنا شید.
این دفعه دیگه جدا زیاد صحبت کردم بس که موضوع جالب بود.
سلامت باشید.

لینک های داخلی

لینک های خارجی

References

JOONE user guide
http://www.jooneworld.com/site.html
http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html

مقدمه ای بر شبکه های عصبی

۴۳ پاسخ

در مقدمه ای به هوش مصنوعی سه بخش اساسی در هوش مصنوعی رو بطور خیلی خلاصه گفتیم! حالا توی این بخش می خوایم بطور خلاصه به شبکه های عصبی بپردازیم.

ببخشید؟

” آخه من که هنوز چیزی نگفتم که می خوای سوال کنی! سوالت چیه حالا؟ “

من یادم رفت اون سه بخش اساسی چی بودن. می شه یک بار دیگه بگید؟

” سه بخش عبارتند از:

شبکه های عصبی یا Neural Network
الگوریتم ژنتیک یا Genetic Algorithm
منطق فازی یا Fuzzy Logic

البته به این راحتی نمیشه هوش مصنوعی رو دسته بندی کرد. منظورمون از این دسته بندی این هست که این روز ها روی این ۳ مبحث بیشتر بحث می شه. “

خوب کسی یادش هست شبکه های عصبی هدف و خاصیت هاش چی بود؟

من تا جایی که یادمه در شبکه های عصبی مصنوعی یا Artificial Neural Networks محققان قصد داشتند که طریقه ی عملکرد مغز انسان در به خاطر سپردن اطلاعات و یادگیری رو شبیه سازی کنند.
محققان توی تحقیق هاشون دیدن که مغز انسان از تعداد خیلی زیادی عصب یا Neuron تشکیل شده که هر کدوم از این عصب ها به تعداد دیگه ای عصب متصل هستن و به همدیگه سیگنال هایی رو میفرستند. در بعضی شرایط عصب ها سیگنال رو از خودشون عبور میدن و اون رو تقویت می کنند و در بعضی شرایط هم از خودشون عبور نمیدن. با اینکه هر نورون ساختار خیلی پیچیده ای نداره مجموعه ی این نورون ها یک شبکه ی بسیار پیچیدرو تشکیل میده که قابلیت یادگیری و ذخیره کردن اطلاعات و تحلیل اون ها رو داره!: ” بسیار عالی! خیلی خوشحالم که خوب حرف های جلسه ی قبل یادت مونده! همونطوری که دوستمون گفتن مغز انسان تعداد خیلی زیادی نورون داره که حدودا ۱۰ به توان ۱۲ تا می شه. ولی هر نورون حدودا فقط به ۱۰ به توان ۳ نورون دیگه وصل هست که این نشون می ده ارتباطات بین این نورون ها انتخاب شده هست!
خوب حالا کسی یادش هست که محققا به چه نحوی سعی کردند شبکه های عصبی رو شبیه سازی کنند؟ “
تا جایی که من یادم هست گفتید اول نورون های مصنوعی رو تعریف می کنند به این صورت که هر نورون یه تعداد ورودی و خروجی داره و یک بایاس و هر ورودی هم یک وزن (Weight) داره. بعد این نورون ها رو توی چند لایه قرار می دن که به لایه ی اول لایه ی ورودی و به آخرین لایه لایه ی خروجی و به بقیه ی لایه ها لایه ی مخفی یا میانی میگن. تعداد نورون های لایه ی ورودی و خروجی بسته به تعداد ورودی و خروجی تعیین می شن اما تعداد لایه های میانی و نورون های هر لایه می تونه هر مقداری باشه که البته هر مقداری از اون نتیجه ی مطلوبی رو به ما نمیده و باید انتخاب شده باشه.

عالیه! ممنونم از همکاریتون!
البته نورون ها فقط از بخش هایی که شما گفتید تشکیل نمی شن و ممکن هست بر حسب نوع شبکه پارامتر های دیگری هم داشته باشن که بعدا بهشون اشاره می کنیم.

پرسپترون (Perceptron)

تا اینجا از دور به ساختار نورون ها و شبکه ی عصبی نگاه کردیم. حالا می خوایم آسون ترین شکل نورون رو در ساده ترین حالت بررسی کنیم.

پرسپترون یا Perceptron ساده ترین نوع مدلسازی نورون هست. از اونجایی که بررسی چند پرسپترون در لایه های مختلف کمی پیچیده هست برای شروع به بررسی یک عدد پرسپترون می پردازیم.
پرسپترون دارای یک سری ورودی خارجی. یک ورودی داخلی به نام بایاس (bias). یک threshold و یک خروجی هست. که در شکل سمت چپ می تونید اون رو ببینید!

هر پرسپترون نشاندهنده و معرف یک نورون هست. ورودی پرسپترون ها معمولا از جنس boolean هست اما در کل می تونه هر عددی باشه ولی خروجی همیشه یک boolean هست!

ببخشید! منظورتون از boolean چی هست دقیقا؟: ” مثلا وقتی می گیم خروجی یک پرسپترون همیشه boolean یا بولین هست یعنی خروجی می تونه دو مقدار ۱ و ۰ داشته باشه! که ۱ معرف درست یا true و ۰ معرف غلط یا false هست. “
پس یعنی ورودی پرسپترون می تونه هر مقداری باشه اما معمولا یا ۰ یا ۱ هست و خروجی اون ۱۰۰٪ ۰ یا ۱ هست. درسته؟: ” بله! کاملا درسته… “

در صورتی که خروجی یک پرسپترون یک باشه به اون پرسپترون می گیم پرسپترون فعال یا activated.
تمام ورودی ها از جمله بایاس دارای یک وزن هستند که این وزن ضرب در مقدار ورودی می شه. معمولا وزن بایاس برابر ۱ هست.
یکی از مهمترین عوامل هر نورون تابع فعال کننده یا Activation function اون نورون هست. تابع فعال کننده تعیین می کنه که با توجه به ورودی های نورون خروجی اون به چه شکل باشه. در پرسپترون ها ما یکی از ساده ترین توابع فعال کنندرو داریم. این تابع تمام ورودی های پرسپترون رو بعد از ضرب کردن اون ها در وزنشون با هم جمع می کنه. در صورتی که جمع اونا از threshold بیشتر یا مساوی بود خروجی ۱ خواهد بود یعنی پرسپترون فعال خواهد شد و در غیر این صورت پرسپترون غیر فعال خواهد شد. پس در صورتی که شرط زیر برقرار باشه یک پرسپترون فعال خواهیم داشت:

در اصل threshold مثل یک دیوار می مونه. اگر سیگنال انرژی کافی برای رد شدن از دیوار رو داشته باشه از روی اون عبور می کنه. در غیر این صورت پشت دیوار می مونه.

یادگیری در پرسپترون

از خصیصه های اصلی پرسپترون ها قابلیت یادگیری یا train شدن هست. این یادگیری در پرسپترون ها supervised هست. به این مفهوم که ما باید تعدادی ورودی به همراه خروجی صحیح داشته باشیم تا پرسپترون بتونه اون رو تقلید کنه.
یادگیری پرسپترون ها با این صورت هست:

یک خروجی تولید می کنند.
خروجی رو با خروجی که باد می بوده مقایسه می کنند.
خودشون رو کمی تنظیم می کنند تا به خروجی نزدیک تر بشن.

بعد از تکرار شدن این مراحل به تعداد کافی پرسپترون اصتلاحا به رفتار صحیح همگرا یا converge میشه!
به این روش یادگیری delta rule یا قانون دلتا می گن. در این روش یادگیری تغییر وزن در هر مرحله به صورت زیر محاسبه می شه:

که دلتا در اون تفاوت خروجی مورد نظر و خروجی نورون بوده و xi مقدار ورودی هست.

پس یعنی مقدار جدید وزن هر نورون می شه تفاوت خروجی مورد نظر و خروجی نورون ضرب در مقدار ورودی اون نورون؟: ” به جز قسمت اول بقیه ی حرفت درسته. این مقدار وزن جدید نیست بلکه به وزن قبلی اضافه میشه! “
پس یعنی مقداری که بدست میاد میزان تغییرات در وزن قبلی هست! الآن متوجه شدم.: ” بسیار عالی. “

مثال تابع OR

یک پرسپترون قابلیت جدا کردن فضا به دو بخش رو داره. پس ما با یک پرسپترون فقط می تونیم توابعی رو به درستی بدست بیاریم که در فضا بتونیم قسمت های مثبت خروجی و منفی اون رو به دو قسمت تقسیم کنیم.
در شکل زیر تونستیم به یک پرسپترون تابع OR رو یاد بدیم.

دو محور دو ورودی پرسپترون هستند. همونطور که می بینید پرسپترون فضا رو به دو قسمت مجزا کرده به این صورت که فضای بالای خط سبز رنگ خروجی + یا ۱ خواهند داشت و فضای پایین خط خروجی – یا ۰. پس در صورتی که ورودی ها ۱ و ۱ یا ۰ و ۱ یا ۱ و ۰ باشند خروجی ما + یا ۱ خواهد بود و در صورتی که ورودی ها ۰ و ۰ باشند خروجی – یا – خواهد بود! پس تونستیم با یک پرسپترون ساده تابع OR رو بخوبی در بیاریم.

ببخشید معادله ی این خط رو ما بهش دادیم؟

” نه! اگر معادله ی خط رو ما می دادیم که دیگه یادگیری در کار نبود! ما برای پرسپترون چندین بار مثال زدیم و پروسه ی یادگیری که بالا توضیح دادم به همون تعداد دفعه اجرا شده. یعنی مثلا دو ورودی رو ۱ دادیم و گفتیم خروجی باید ۱ باشه. بعد یک ورودی ۱ و یک ورودی ۰ دادیم و گفتیم خروجی باید ۱ باشه و بعد دو ورودی ۰ دادیم و گفتیم خروجی باید – باشه! و همین کار رو چندین بار تکرار کردیم. و پرسپترون با استفاده از تابع یادگیری فضا رو به دو قسمت مثبت و منفی تقسیم کرده. “

خوب کل حالات OR ۴ حالت بیشتر نمیشن! اینطور که شما میگید ما بیشتر از ۴ مثال برای پرسپترون می زنیم. یعنی ممکنه چندین بار یک مثال رو برای پرسپترون بزنیم؟

” بله! برای اینکه پرسپترون بهتر یاد بگیره ممکن هست مثلا ورودی ۱ و ۱ با جواب ۱ رو چندین بار برای اون مثال بزنیم تا این ورودی ها به همراه خروجی چندین بار داخل تابع یادگیری برن و اطمینان پیدا کنیم پرسپترون همگرا شده! “

من نمی فهمم! خوب این چه کاریه. می تونستیم جای اینکه ۱۰۰ تا مثال بزنیم از اول ۴ تا حالت رو تعریف کنیم! اونطوری نیازی به همگرایی و این جور چیزا هم نبود!

” در مورد این مثال که ۴ حالت بیشتر نیست درست میگید! اما این فقط یک مثال ساده هست برای اینکه مطلب جا بیفته! برای کار های سخت تر مثل شناسایی دست خط تعداد حالات ۴ عدد نیست! نکته ی اصلی این هست که در شبکه های عصبی ما یادگیری داریم! مثلا می تونیم با چند بار نوشتن حرف ب و چند بار نوشتن حرف ج به کامپیوتر یاد بدیم این دو حرف با هم فرق دارند و اولی ب و دومی ج هست! در جلسات بعدی احتمالا همچین مثالی رو نشونتون خواهم داد. “

یک سوال دیگه! پس با یک پرسپترون ما می تونیم تابع AND رو هم در بیاریم! درسته؟

” کاملا درسته! چون تابع AND هم قابل تقسیم به دو بخش در فضا هست. “

XOR چطور؟

” نه! XOR رو نمیشه با یک پرسپترون در آورد! چون XOR با تقسیم فضا به دو بخش مثبت و منفی در نمیاد.
در XOR ورودی و خروجی به این صورته:

به ازای ۰ و ۰ خروجی ۰ داریم.
به ازای ۰ و ۱ خروجی ۱ داریم.
به ازای ۱ و ۰ خروجی ۱ داریم.
به ازای ۱ و ۱ خروجی ۰ داریم.

یعنی با توجه به شکل آخر بالا سمت راست و پایین سمت چپ خروجی باید + بشه و در بالا سمت چپ و پایین سمت راست باید منفی بشه! ما نمی تونیم هیچ خط راستی رسم کنیم که فضا رو به این صورت تقسیم کنه پس هیچ وقت پرسپترون همگرا نخواهد شد! “

پس فهمیدیم یک پرسپترو محدود هست. اما با ترکیب همین پرسپترون های خیلی محدود در لایه های مختلف می تونیم توابعی مثل XOR و توابع خیلی پیچیده تر از اون رو هم در بیاریم.
انشاالله در جلسات بعدی مثال های بیشتری در ارتباط با شبکه های عصبی خواهیم دید. دیگه خیلی حرف زدم!
در صورتی که سوالی در ارتباط با هوش مصنوعی داشتید می تونید اون رو در انجمن تخصصی هوش مصنوعی مطرح کنید.
موفق باشید.

لینک های داخلی

لینک های خارجی

انجمن تخصصی هوش مصنوعی

References

پیشنهاد خرید یاهو! توسط ماکروسافت

۲۳ پاسخ

شرکت ماکروسافت لحظاتی پیش به یاهو پیشنهاد خرید این شرکت به ازای ۴۴٫۶ بیلیون دلار یا ۳۱ دلار بر سهم را داد.
لینک این خبر در رسانه های مختلف:

دارندگان سهام یاهو! تنها برندگان این ماجرا نخواهند بود بلکه با این کار ماکروسافت برند Live خود را هم نجات می دهد.
باید دید گوگل در مقابل این حرکت چه عکس العملی نشان می دهد.

اولین نرم افزار ایرانی آیفون

۳۴ پاسخ

خوب این خبر به نظر من که خوشحال کنندست.
اپل اولین نرم افزار تحت وب ایرانی برای آیفون رو تایید کرد!
لینک تایید شدن این نرم افزار: http://www.apple.com/webapps/calculate/dateconvertor.html

معرفی نرم افزار

خوب حالا این نرم افزار چیکار می کنه؟: ” این برنامه یه کار خیلی سادرو انجام میده. یعنی تاریخ میلادی رو به شمسی تبدیل می کنه و بر عکس. اما مهم اینه که اپل یه برنامه که توش لینک به یه فروم کاملا ایرانی بود رو تایید کرده. “
میشه بگی این برنامه چطوری ساخته شده؟: ” حتما! این برنامه با استفاده از php و aJax و فریم ورک (Framwork) ساخت برنامه ی تحت وب برای آی فون ساخته شده و توش تمامی معیار هایی که از نظر شرکت اپل در ساخت یک برنامه ی تحت وب آیفون باید رعایت می شده در نظر گرفته شده. “
میبینم که اپل لینک هم به این سایت داده!: ” آره دستش درد نکنه! “
اگر مقدوره عکس این برنامرو میشه ببینیم؟: ” البته! اینم یه عکس از این برنامه در محیط آیفون! “

The first Iranian web application for iPhone

ااااااه! این که کپ برنامه های آیفونه!: ” خوب قاعدتا هم باید همینطوری باشه. “
عجیبه!
چی عجیبه؟؟؟
مگه AT&T توی ایران هم خط میده؟: ” خوشم میاد تیزی! نه توی ایران خط نمیده! اما خوب من نمی تونستم عکس برنامرو توی یه آیفون آنلاک شده نشون بدم که! در نتیجه یه کاری کردم که به نظر آنلاک شده نیاد که احتمالا خودت الان حدس زدی. “
آره، فهمیدم!
ما نفهمیدیم!: ” نکته ی خیلی مهمی رو از دست ندادین! “
یه سوال دیگه! به نظرتون اولین برنامه ی نیتیو (Native) ایرانی مورد تایید اپل کی میاد؟: ” سوال خوبیه! در حال حاضر هیچ نرم افزار نیتیوی وجود نداره که مورد تایید اپل باشه! اصلا قرار نبوده تا الآن برنامه ی نیتیو برای آیفون نوشته بشه! اما یه خبر خوب دیگه، آقای استیو جابز اعلام کردن به زودی یک SDK برای ساخت برنامه های نیتیو آیفون ارائه میشه! که این برای برنامه نویسایی که دوست دارن برای آیفون برنامه بسازن خیلی عالیه. توی Firmware آخر آیفون یعنی ۱٫۱٫۳ هم تغییرات زیرساختی زیادی داده شده که نشون میده اپل داره خودشو برای دادن این SDK آماده می کنه. مثلا اسم یوزر اصلی از root به mobile تغییر پیدا کرده و… “

انشاالله هر چه زودتر اولین نرم افزار نیتیو ایرانی مورد تایید اپل رو هم ببینیم!
اینم یک عکس یادگاری از سایت اپل:

Screen shot of Apple for the first Iranian web application in iPhone

نکاتی جالب در ارتباط با فایرفاکس

۴۴ پاسخ

خوب تو این نوشته قصد دارم نکات ظریفی رو در ارتباط با Firefox بگم. انشاالله که همه ی شما از مصرف کننده های Firefox باشید تا این متن به دردتون بخوره.

ببخشید! فیره فاکس چیه دیگه؟: ” فیره فاکس نه عزیز من! فایرفاکس!
فایرفاکس به نظر خیلی ها بهترین مرورگر وب هست. مرورگر یا Browser هم اون برنامه ای هست که شما با اون وارد وبسایت ها میشید. مثل اینترنت اکسپلورر که مرورگریه که روی ویندوز بصورت پیشفرض نصبه. “
حالا Internet Explorer بهتره یا Firefox؟: ” خوب هر کسی در این مورد نظر خودش رو داره! به نظر من فایرفاکس خیلی قوی تر از اینترنت اکسپلورر هست و خیلی از افراد هم با من موافقن. اگر کمی توی اینترنت در این مورد Search کنید متوجه میشید چی میگم. “
من که کاملا موافقم! اینترنت اکسپلورر هیچ ربطی به فایرفاکس نداره و فایرفاکس خیلییی بهتره!: ” از تایید شما متشکرم! “
خوب من رو کامپیوترم فقط اینترنت اکسپلورر نصبه! چجوری می تونم فایرفاکس رو بگیرم؟: ” خیلی سادست! کافیه به وبسایت فایرفاکس برید و روی دکمه ی Download Firefox کلیک کنید! “

نکات کاربردی

خوب حالا می خوام چند تا نکته ی جالب که ممکنه خیلی از استفاده کننده های فایرفاکس اونارو نمی دونن رو بگم!

برای اینکه یه کلمرو خیلی سریع توی فایرفاکس پیدا کنید کافیه بنویسید /کلمه. مثلا برای پیدا کردن کلمه ی سیاوش توی سایتی که داخلش هستید می تونید بنویسید /سیاوش
برای دیدن نتیجه ی بعدی توی صفحه کافیه دکمه های Ctrl+G رو با هم بزنید.
اکثر مرورگر ها قابلیت ذخیره سازی صفحاتی که قبلا مرور شدرو دارن و وقتی داخل Address Bar ابتدای یه سایت رو که قبلا داخلش رفتید وارد می کنید خود مرورگر آدرس رو کامل می کنه.
فایرفاکس هم این قابلیت رو داره. حالا فرض کنید بخواین یک آدرس بخصوص رو از لیست وبسایت هایی که توشون رفتید حذف کنید. برای این کار کافیه با ماوس روی اون آدرس برید و بدون اینکه روی آدرس کلیک کنید دکمه ی Del رو روی کیبرد بزنید.

ببخشید شما از یاهو! برای سرچ استفاده می کنید؟: ” نه! فقط از گوگل! برای همینه که دارم صفحات یاهو! رو از لیست صفحات ذخیره شده ی فایرفاکس پاک می کنم. “

برای دیدن آدرس هایی که روی هاردتون Cache شدن کافیه توی آدرس بار بنویسید about:cache?device=disk.
برای دیدن آدرس هایی که توی Memory کامپیوترتون Cache شدن کافیه دوباره توی آدرس بار بنویسید about:cache?device=memory
برای متوقف کردن عکس های متحرک gif توی یک صفحه می تونید دکمه ی Esc رو بزنید.
برای اینکه یک لینک رو توی یک تب جدید باز کنید کافیه روی اون لینک کلیک وسط ماوس رو بزنید یا دکمه ی کنترل رو نگه دارید و روی لینک کلیک کنید.
اگر یک تب رو اشتباها بستید. کافیه دکمه های Shift+Ctrl+T رو با هم بزنید. و اون تب دوباره باز می شه.
برای اینکه یک لینک رو توی یک صفحه ی جدید فایرفاکس باز کنید دکمه ی Shift رو پایین نگه دارید و روی اون لینک کلیک کنید.
در صورتی که میبینید دانلودتون توی فایرفاکس ناقص انجام میشه به منوی Tools -> Options -> Privacy برید و Download History مرورگر رو پاک کنید.
برای Bookmark کردن سریع یک صفحه کافیه آیکان اون صفحه که بقل آدرسش توی آدرس بار هست رو توی Bookmark Bar بکشید.
در صورتی که بیشتر از دو تا تب توی فایرفاکس باز باشه یک بار جدید بنام Tab Bar بوجود میاد. با دو بار کلیک کردن روی اون بار می تونید یک تب جدید باز کنید. یا می تونید دکمه های Ctrl+T رو با هم بزنید.
فایرفاکس قابلیت Work Offline رو داره که کافیه برید توی File -> Work offline. وقتی Work offline فعال باشه شما می تونید صفحاتی که قبلا داخلشون رفتید رو وقتی به اینترنت وصل نیستید بخونید. افراد خیلی کمی از این قابلیت استفاده می کنند با اینکه خیلی مفیده.
برای بستن یک تب کافیه روی اون تب کلید وسط ماوس رو بزنید.

خیلی خوب اینا نکته هایی بودن که بنظر من جالب اومدن و خیلیا با وجود سادگی این نکات بعضی هاشون رو بلد نیستن. خوب کسی سوالی داره؟

ببخشید لپ تاپ من ماوسش دو تا دکمه بیشتر نداره! دکمه ی وسطش رو از کجا بیارم؟: ” کافیه دو تا دکمرو با هم فشار بدی. توی اکثر لپ تاپ ها این عمل همون کار کلید وسط رو انجام میده. “
اینا که کاری نداشتن من همشونو بلد بودم: ” آفرین! اما خوب فقط شما نیستید که. خیلی ها مثل شما این نکات رو بلدن! اما خیلی ها هم بلد نیستن. بعضی ها حتی اسم فایرفاکس رو هم نشنیدن. تو این نوشته من می خواستم فقط فایرفاکس و چند تا نکته ی خیلی ساده از اون رو نشون بدم. “
حق با شماست! مرسی…

خیلی خوب احتمالا تو نوشته های بعدی استفاده از قابلیت های خیلی زیادی که Bookmark توی فایرفاکس به ما میدرو میگم.
تا نوشته ی بعدی خداحافظ!