💠 تقابل «حاکمیت داده» با پدیده «هوش مصنوعی سایه» در عربستان 🔹 استقرار عملیاتی مدل‌های هوش مصنوعی، سازمان‌های عربستان سعودی را به بازنگری بنیادین در معماری فناوری خود وادار کرده است. بر اساس تحلیل نشریه MITSloan ME که با استناد به هشتمین گزارش جهانی «شاخص ابر سازمانی» (ECI) کمپانی «نوتانیکس» (Nutanix) منتشر شده، تقاضا برای زیرساخت‌های چندگانه ترکیبی (Hybrid Multicloud) با تمرکز شدید بر حفظ «حاکمیت داده» در پادشاهی سعودی به شدت افزایش یافته است. در این پیمایش که نظرات ۱۶۰۰ مدیر ارشد فناوری و مهندسی ابری در سطح جهان (از جمله عربستان) را ارزیابی کرده، یک شکاف نگران‌کننده میان سرعت پذیرش هوش مصنوعی و کندی اعمال کنترل‌های سازمانی نمایان شده است. ▫️ تغییر کاربری کانتینرها؛ از ابزار مهندسی تا شالوده راهبردی هوش مصنوعی: کانتینرها (Containers - محیط‌های نرم‌افزاری مستقلی که امکان اجرای سریع، امن و مقیاس‌پذیر برنامه‌ها را در هر سرور یا فضای ابری بدون وابستگی به سخت‌افزار پایه فراهم می‌کنند) اکنون به ستون فقرات هوش مصنوعی سازمانی تبدیل شده‌اند. بر اساس داده‌های نوتانیکس، ۸۵ درصد از مدیران ارشد فناوری سعودی پیش‌بینی می‌کنند استفاده از این معماری طی سه سال آینده افزایش یابد. ۷۲ درصد معتقدند هوش مصنوعی شتاب‌دهنده اصلی این گذار است (که یک‌چهارم از آن‌ها این تأثیر را «بسیار چشمگیر» خوانده‌اند). هم‌اکنون ۸۲ درصد از سازمان‌های سعودی، برنامه‌های هوشمند جدید خود را مستقیماً بر بستر معماری کانتینری توسعه می‌دهند. بهینه‌سازی عملکرد، امنیت و مدیریت هزینه (با نرخ برابر ۴۵ درصد) محرک‌های اصلی این تغییر معماری هستند. ▫️ الزام ژئوپلیتیک «اقامت داده‌ها» (Data Residency): تصمیم‌گیری‌های زیرساختی در عربستان مستقیماً تحت تأثیر الزامات حاکمیتی است. نزدیک به ۷۸ درصد سازمان‌ها، «حاکمیت داده» را اولویتی حیاتی و غیرقابل اغماض می‌دانند. همزمان ۵۳ درصد تأکید دارند که به دلایل امنیتی و حفاظتی، زیرساخت‌های پردازشی آن‌ها باید منحصراً در داخل مرزهای عربستان (به‌صورت محلی یا در مناطق ابری داخلی) مستقر باشد. با این حال، سازمان‌ها رویکردی ترکیبی (هیبریدی) اتخاذ کرده‌اند؛ چرا که در حال حاضر ۵۲ درصد از برنامه‌های کانتینری سعودی‌ها روی ابرهای عمومی و ۴۳ درصد در محیط‌های محلی یا ابر خصوصی اجرا می‌شوند تا میان مقیاس‌پذیری و الزامات قانونی تعادل ایجاد کنند. ▫️ شکاف حکمرانی و ظهور ریسک پنهان «هوش مصنوعی سایه»: چالش اصلی زیرساختی نیست، بلکه نظارتی است. ۶۵ درصد از سازمان‌های سعودی تأیید کرده‌اند که کارکنانشان بدون اطلاع دپارتمان فناوری اطلاعات (IT) از ابزارها و ایجنت‌های هوش مصنوعی زایا استفاده کرده‌اند؛ پدیده‌ای که به «هوش مصنوعی سایه» (Shadow AI) شهرت دارد. ۷۷ درصد از رهبران فناوری عربستان این استفاده بدون نظارت را یک ریسک تجاری جدی می‌دانند (هرچند این رقم از میانگین جهانی ۸۷ درصد پایین‌تر است). در همین راستا، ۷۰ درصد مدیران سعودی وجود جزیره‌های سازمانی (Silos) میان بخش‌های تجاری و IT را مانع اصلی اجرای ایمن فناوری می‌دانند. «طلال السیف»، مدیر منطقه‌ای نوتانیکس در این باره هشدار می‌دهد که گذار از فاز آزمایش به استقرار واقعی هوش مصنوعی، بدون داشتن یک زیرساخت ابری ترکیبی امن که حاکمیت داده را تضمین کند، ممکن نخواهد بود. 🔺 با این روش، عربستان می‌تواند الگوریتم‌ها و داده‌های پردازشی خود را در کسری از ثانیه و بدون نیاز به بازنویسی، میان سرورهای داخلی و ابرهای خارجی جابجا کند و قدرت چانه‌زنی زیرساختی خود را بالا ببرد. در حالی که حاکمیت سعودی با قوانین سخت‌گیرانه موفق شده ۵۳ درصد از پردازش‌های حساس را در «جغرافیای فیزیکی» عربستان حبس کند، پدیده «هوش مصنوعی سایه» این حصار را از درون می‌شکند. زمانی که کارکنان سازمانی برای تسریع کار خود، داده‌های حساس شرکتی یا دولتی را در چت‌بات‌های عمومی خارجی (نظیر ChatGPT یا Claude) وارد می‌کنند، عملاً «نشت اطلاعاتی رفتاری» رخ می‌دهد. این نشان می‌دهد که در عصر جنگ شناختی و فناوری‌های زایا، حکمرانی اینترنت دیگر تنها با بومی‌سازی دیتاسنترها و اعمال فایروال‌های ملی محقق نمی‌شود؛ بلکه نیازمند «حاکمیت بر رفتار دیجیتال کاربر» و استقرار مدل‌های زایای سازمانی ایزوله است تا نیاز پرسنل به ابزارهای خارجی غیررسمی را خنثی کند. 🏷 پیوست خبری-تحلیلی 🌐 متاکاگ | فراتر از شناخت

💠 چگونه مسموم‌سازی هوش مصنوعی جایگزین پروپاگاندای سنتی می‌شود؟ | واکاوی گزارش تحلیلی رسانه اوکراینی UNITED24 Media پیرامون نسل جدید تسلیحات سایبر-شناختی و اسناد افشا شده از پروژه‌های مخفیانه دست‌کاری الگوریتمی در سال ۲۰۲۶ | ▫️ گذار از اقناع به گیج‌سازی رسانه‌ای: برخلاف پروپاگاندای کلاسیک که هدفش تحمیل یک روایت دولتی واحد بر توده‌ها بود، جنگ شناختی مدرن (Cognitive Warfare) به دنبال ایجاد «آشوب الگوریتمی» است. هدف اصلی این استراتژی، باورپذیر کردن یک دروغ نیست، بلکه خسته، مأیوس و اشباع کردن ذهن مخاطب از داده‌هاست؛ تا جایی که توانایی پردازش و تشخیص واقعیت را از دست بدهد و دچار فلج تصمیمی شود. نمود عینی این تاکتیک در بمباران اطلاعاتی و ایجاد دودکش‌های رسانه‌ای بلافاصله پس از حملات نظامی (نظیر هدف قرار گرفتن صومعه تاریخی کیف در ژوئن ۲۰۲۶) دیده می‌شود. ▫️ تکامل مدل «کنترل بازتابی» (Reflexive Control): ریشه‌های عملیاتی این حوزه به دکترین شوروی در دهه ۱۹۶۰ بازمی‌گردد؛ مدل پویایی که به‌جای تکذیب صرف فکت‌ها، الگوهای اطلاعاتی متناقض و مهندسی‌شده را به حریف تزریق می‌کرد تا او را به سمت اتخاذ تصمیمات خودویرانگر هدایت کند. شکل تکامل‌یافته این ایده در سال ۲۰۱۴ با تکنیک «شیر آتش‌نشانی دروغ» (Firehose of Falsehood) برای فلج کردن خطوط زمانی تصمیم‌گیری غرب در جریان الحاق کریمه با موفقیت آزمایش شد. ▫️ تغییر تاکتیک از بات‌های متنی به صنایع خلاق: بر اساس بیانیه‌های نهادهای نظارتی بریتانیا (مربوط به تحریم‌های مِی ۲۰۲۶ علیه موسسه توسعه اینترنت روسیه - IRI)، ساختار عملیات شناختی از اکانت‌های فیک و بات‌های ساده فراتر رفته است. سرمایه‌گذاری بر تولید فیلم‌های سینمایی بلند و بازی‌های ویدئویی دست‌کاری‌شده، شیوه نوظهوری است که روایت‌های ژئوپلیتیک را به عنوان پیش‌زمینه ذهنی، مستقیماً در لایه‌های پنهان سرگرمی جهانی جاسازی می‌کند. ▫️ پروژه ۲۰۲۶؛ آلوده‌سازی فرامراجع هوش مصنوعی: طبق اسناد افشا شده از «آژانس طراحی اجتماعی مسکو» (SDA) در ژوئن ۲۰۲۶، پدیده نوظهور در این نبرد، تکنیک «مسموم‌سازی داده‌ها» (Data Poisoning) است. در این پروژه با ساخت دامنه‌های شبیه‌سازی‌شده (Clone) و کاملاً هم‌نام با مراجع معتبری مانند ویکی‌پدیا در کشورهایی نظیر آلمان و ارمنستان و بهینه‌سازی آن‌ها برای موتورهای جستجو، فکت‌های تحریف‌شده تاریخی و سیاسی به صورت گسترده پمپاژ می‌شوند. 🔺 خطر استراتژیک دکترین جدید، هدف قرار دادن دقیق «نقطه کور» اکوسیستم اطلاعاتی مدرن است. در معماری رسانه‌ای فعلی، کاربران و حتی نخبگان سیاسی دیگر مقالات تحلیلی عمیق را مطالعه نمی‌کنند؛ بلکه از مدل‌های زبانی بزرگ (LLM) و چت‌بات‌های هوش مصنوعی می‌خواهند که واقعیت را برای آن‌ها «خلاصه‌سازی» کند. این پلتفرم‌ها نیز برای پاسخ‌دهی، داده‌های وب و فروم‌های عمومی (مانند ردیت) را تجمیع می‌کنند. در این فضا، مهاجم شناختی نیازی به هک کردن اتاق خبر یک رسانه جریان اصلی ندارد؛ بلکه صرفاً با تزریق نویز الگوریتمی و آلوده کردن استخر داده‌های آموزشی وب، سیستم‌های هوش مصنوعی را وادار می‌کند که روایت‌های دست‌کاری‌شده را به عنوان «حقیقت عینی و اجماع علمی» به خورد کاربر بدهند. در ساختار جدید رقابت قدرت‌ها، اطلاعات دیگر صرفاً ابزاری برای پیام‌رسانی یا عملیات روانی سنتی نیست، بلکه «ماده اولیه زیرساخت‌های محاسباتی» است. تکنیک مسموم‌سازی داده‌ها نشان می‌دهد که جنگ شناختی از سطح روان‌شناختی صرف، به سطح فناورانه ماشین منتقل شده است. زمانی که هوش مصنوعی مولد به واسطه منابع دست‌کاری‌شده دچار توهم ساختاریافته شود، «حاکمیت الگوریتمی» به ابزار اصلی نفوذ ژئوپلیتیک تبدیل می‌شود. پیامد بلندمدت این روند، ریسک پنهانِ نابودی مفهوم «مرجعیت فکت» (Authority of Fact) در فضای مجازی است؛ روندی که در آن هوشمندترین ابزارهای پردازش داده نیز بدون آنکه بدانند، به بازوی نهایی عملیات اثرگذاری اطلاعاتی رقیب تبدیل می‌شوند و خروجی چت‌بات‌ها عملاً به تسلیحات شناختی تبدیل می‌گردد. 🏷 پیوست خبری-تحلیلی 🌐 متاکاگ | فراتر از شناخت

📚 کتاب پروژهٔ مِیوِن: یک سرهنگ تفنگداران دریایی، تیمش، و طلوع جنگ هوش مصنوعی #معرفی_کتاب #هفته_پنجاه‌و‌پنجم 📄 چند خطی درمورد کتاب: کتاب «پروژه میون» نوشته کاترینا مانسون، داستان پشت‌پردهٔ یکی از مهم‌ترین پروژه‌های نظامی عصر دیجیتال را روایت می‌کند؛ پروژه‌ای که هوش مصنوعی را از حاشیهٔ نظریه به قلب میدان‌های واقعی جنگ کشاند. مانسون با تکیه بر بیش از دویست مصاحبه، به‌جای پرداختن به پیچیدگی‌های الگوریتم‌ها، روی آدم‌ها متمرکز می‌شود؛ از سرهنگی که به‌دنبال کاهش تلفات بود تا مهندسانی که پشت صفحه‌کلید نشسته‌اند. این کتاب روایتی انسانی از جاه‌طلبی‌ها، تردیدها و نبردهای اخلاقی درون پنتاگون و سیلیکون‌ولی است. ماجرای همکاری جنجالی با گوگل و اعتراض کارمندان آن، این کتاب را به مستندی پرهیجان از تقاطع فناوری و جنگ تبدیل کرده است. 🔗 برای دانلود/ خریداری کتاب 🔗 برای مطالعه و اطلاعات بیشتر 🌐 متاکاگ | فراتر از شناخت

✍ روایت متاکاگ از کتاب پروژه میون 🔹اگر هفته‌های گذشته درباره نظریه رقابت هوش مصنوعی نظامی، معماری راهبردی آن، و مبانی مهندسی جنگ الکترونیک شناختی نوشتیم، کتاب این هفته چیز دیگری به دست می‌دهد: خودِ داستان را، از درون. کاترینا مانسون، خبرنگار بلومبرگ در حوزه فناوری‌های نوظهور و امنیت ملی، پیش از آن خبرنگار دفاعی فایننشال‌تایمز - سه سال و بیش از دویست مصاحبه صرف کرد تا بازسازی کند چگونه یک تیم کوچک در اتاقی در پنتاگون، هوش مصنوعی را از حاشیه گفت‌وگوهای نظری به قلب نبرد واقعی کشاند. این نخستین کتاب اوست، و به فهرست بهترین کتاب‌های سال اکونومیست راه یافته است. آنچه این کتاب را از آثار پیشین این ستون متمایز می‌کند، انتخاب راوی است. مانسون به‌جای شرح الگوریتم‌ها، آدم‌ها را روایت می‌کند - جاه‌طلبی‌ها، رقابت‌ها، تردیدها و قطعیت‌های کسانی که پشت صفحه‌کلید نشسته‌اند. 🔹سرهنگی که نمی‌خواست دوباره تسلیت‌نامه بنویسد شخصیت محوری کتاب، درو کوکور، سرهنگ بازنشسته تفنگداران دریایی و افسر اطلاعاتی سابق است. مدیر رسمی پروژه میوِن، ژنرال جک شاناهان، چهره‌ای شناخته‌شده و عمومی این پروژه بوده؛ اما به روایت مانسون، این کوکور بود که اجرای روزانه پروژه را هدایت می‌کرد و پیش از آنکه پروژه رسماً کلید بخورد، بخش بزرگی از چشم‌انداز بنیادین آن را نیز شکل داده بود. محرک او، به گفته ناشر، دوگانه بود: مرگ سربازان آمریکایی در میدان‌های نبرد، و نگرانی از جنگی آینده با چینی که خود را با هوش مصنوعی مسلح می‌کرد. پروژه میوِن در سال ۲۰۱۷ با مسئله‌ای به‌ظاهر ساده آغاز شد: حجم فیلم‌های نظارتی پهپادها از عراق و سوریه و افغانستان چنان زیاد شده بود که تحلیل‌گران انسانی از پردازش آن عاجز بودند. راه‌حل، آموزش الگوریتم‌هایی بود که بتوانند خودکار اشیا، خودروها و افراد را در این فیلم‌ها شناسایی کنند. اما آنچه با یک مسئله محدود «شناسایی خودکار هدف» آغاز شد، طی چند سال به زیرساختی گسترده‌تر تبدیل شد: به گفته یکی از منتقدان کتاب، تنها پروژه میوِن نبود که در پنتاگون در جریان بود، بلکه بخشی از مجموعه‌ای در حدود هشتصد پروژه مرتبط با هوش مصنوعی بود که هم‌زمان پیش می‌رفتند. میراث مستقیم میوِن امروز در قالب چیزی به نام «سامانه هوشمند میوِن» ادامه دارد که، به گفته مانسون در مصاحبه‌ای درباره کتاب، اکنون در تمام فرماندهی‌های رزمی آمریکا و در پشتیبانی عملیات‌های نظامی این کشور به‌کار گرفته می‌شود. 🔹شورشی در گوگل که مسیر یک صنعت را عوض کرد بخش مرکزی کتاب به رویدادی می‌پردازد که در تاریخ رابطه سیلیکون‌ولی و پنتاگون نقطه‌عطف محسوب می‌شود. برای اجرای الگوریتم‌های تشخیص تصویر، تیم میوِن به سراغ گوگل رفت - غول فناوری‌ای که در آن زمان، برخلاف امروز، همکاری با نهادهای نظامی برایش گزینه‌ای بحث‌برانگیز بود. وقتی خبر این همکاری در سال ۲۰۱۸ درون گوگل درز کرد، هزاران کارمند نامه اعتراضی امضا کردند، شماری استعفا دادند، و شرکت سرانجام اعلام کرد قرارداد میوِن را تمدید نخواهد کرد. این شورش داخلی، گوگل را به تدوین اصولی برای استفاده مسئولانه از هوش مصنوعی واداشت - اما شکافی که در همان لحظه باز شد، هرگز کاملاً بسته نشد: شرکت‌هایی چون پلانتیر، آمازون و مایکروسافت وارد همان خلأ شدند، و پلانتیر به‌ویژه از دل همین رقابت، به یکی از بزرگ‌ترین بازیگران فناوری دفاعی آمریکا تبدیل شد. آنچه مانسون در این بخش به‌خوبی نشان می‌دهد، این است که اعتراض کارکنان گوگل فقط جابه‌جایی مسئولیت بود: فناوری متوقف نشد، فقط پیمانکارش عوض شد. این الگو - مقاومت اخلاقی در یک نقطه، و ادامه بی‌وقفه مسیر از نقطه‌ای دیگر - یکی از بینش‌های مهم کتاب برای هر کسی است که می‌خواهد بفهمد چرا اعتراض‌های اخلاقی در صنعت فناوری، هرچند صادقانه، به‌ندرت مسیر کلی توسعه یک فناوری را متوقف می‌کنند. 🔹جعبه سیاهی که باید به آن اعتماد کرد، بی‌آنکه بشود آن را باز کرد وقتی تصمیمی با پیامد مرگ و زندگی به سامانه‌ای واگذار می‌شود که منطق درونی‌اش برای انسان قابل‌ردیابی نیست، مسئولیت کجا می‌ایستد؟ تفاوت این کتاب با آثار پیشین در این است که این پرسش را دیگر به‌صورت انتزاعی طرح نمی‌کند، بلکه با نام، تاریخ، و مرگ مستقیم افرادی که در آن اتاق نشسته بودند، روایت می‌کند. مانسون نشان می‌دهد که خودِ نظامیان - در تمام رده‌ها - از احتمال تصمیم‌گیری مستقل ماشین درباره مرگ و زندگی نگران بوده‌اند؛ نگرانی‌ای که از درون همان نهاد جوشیده است.

🔹چرا این کتاب امسال، این‌قدر فوریت دارد کتاب مانسون در خلأ منتشر نشده است. سالی که این اثر به بازار آمد، همان سالی است که دولت دوم ترامپ بودجه چشمگیری به هوش مصنوعی و خودمختاری نظامی اختصاص داده، درحالی‌که دبیرکل سازمان ملل هم‌زمان خواستار ممنوعیت «ربات‌های قاتل» شده است. و از این هم مهم‌تر: همین سال، فناوری هدف‌گیری مبتنی بر هوش مصنوعی که ریشه‌اش مستقیماً به میوِن بازمی‌گردد، از مرحله آزمایش پنتاگون عبور کرد و در عملیات واقعی و پرشدتی در منطقه غرب آسیا به‌کار گرفته شد - از جمله در جنگی که اسرائیل و آمریکا در بهار امسال با ایران آغاز کردند. ناشر کتاب همین پرسش را صریح مطرح می‌کند: آیا این فناوری دقت را بالا می‌برد و جان انسان نجات می‌دهد، یا جعبه‌سیاهی بنیادین غیرقابل‌اعتماد است که خطا و فاجعه را در مقیاس بزرگ رها می‌کند؟ پاسخ این پرسش، به گواه گزارش‌های میدانی که هنوز در حال جمع‌بندی و راستی‌آزمایی‌اند، نه ساده است و نه یک‌دست. 🌐 متاکاگ | فراتر از شناخت

🎙روایت صوتی کتاب پروژهٔ مِیوِن پروژهٔ مِیوِن را بشنوید | یک پادکست تحلیلی دربارهٔ تولد جنگ هوش مصنوعی 🌐 متاکاگ | فراتر از شناخت

💠 اسکیل «پیش بینی کننده سوالات آزمون» 🤯 مگه میشه هوش مصنوعی سوالات امتحانات رو پیش بینی کنه؟!!! 🔷 پاسخ اینه که بله؛ اگر آزمون شما استاندارد و اصولی باشه البته! با ما همراه باشید تا بگم اگه مدل «ایرانی!» هم بود، میشه یه کاریش کرد!!! #اورجینال_متاکاگ #انحصاری #آموزش #هوش_مصنوعی #Claude #اسکیل

💎 فایل این اسکیل فوق العاده

📖 اسکیل Test Psychic یک گردش کار ۵ مرحله ای داره که در نوع خودش بی نظیر و بی مانند هست: 1️⃣ دکتر کوماراوادیولو (زبان شناس، محقق، پروفسور دانشگاه San Jose کالیفرنیا) در مجموعه کتب خودشون فلسفه ای رو ابداع کردند که از عُرف و متدها و اصول پیشین فاصله گرفته و اساتید زبان رو به ساخت شیوه اختصاصی خودشان تشویق می کنند. از آنجا که این ذهنیت، تازگی و دقت خاصی داره، ما از اون به عنوان پایه این اسکیل استفاده کردیم. (البته جزئیات ش خیلی بیشتر از این حرفاس و علمیه!) اسکیل با این دید، سوالات چندسال اخیر و همچنین منابع آزمون که شما آپلود کردید رو بررسی می کنه! 2️⃣ الگویابی: پیدا کردن سوالات پرتکرار. 3️⃣ ذهن خوانی: پی بردن به طرز تفکر طراحان و اینکه به چه موضوعاتی علاقه مند هستند و یا حتی اینکه توجه شان در سال آینده به کدام قسمت ها منعطف خواهد شد! 4️⃣ شروع کردن به نوشتن و طرح سوالات. 5️⃣ پاسخ دهی به سوالات از دیدگاه یک استاد و مربی (پاسخ های تشریحی مفصل و آموزشی) 💥 این اسکیل از الگوی ۷۰-۲۰-۱۰ برای طرح سوالات استفاده می کند: ۷۰ درصد سوالات لنگر (پر تکرار) + ۲۰ درصد سوالات ترند (پیش بینی شده با توجه به الگوی سوالات سالهای قبل) + ۱۰ درصد سوالات کاملا غیر قابل پیش بینی و کمی رندوم 💥 این اسکیل از نکات و بنیان های ابزارهای مشابه پولی و پریمیوم نیز بهره می گیرد! 💢 #تجربه_نگار همون طور که اولش گفتم، این اسکیل برای آزمون های اصولی مثل SAT و IELTS فوق العاده س و حتی برای آزمون های داخلی که به قاعده خاصی پایبند نیستند هم حداقل در نقش مرور شب امتحان فوق العاده هستند اما ۴ تا کار هست که اگه بکنید کیفیت کار رو تا حد زیادی بالا می بره (حتی برای کنکور خودمون!!!) 1️⃣ استفاده از کلاد و مدل Fable 5 2️⃣ از اسکیل «نقش ساز» استفاده کنید برای ساخت فایل markdown ذهن یک طراح آزمون ایرانی! یا هر فرد دیگری (حالا ساخت همین هم نکات خاص خودشو داره البته!!) 3️⃣ حتما از Claude Code استفاده کنید چون اونوقت کلاد اون ۵ تا کاری که بالا گفتم رو خودش تنهایی انجام نمیده؛ ۵ تا ساب ایجنت می سازه تا براش انجام بدن!! 4️⃣ فایل PDF تمامی منابع به همراه فایل .MD یا .TXT سوالات ۱۰ سال اخیر به همراه پاسخ کلیدی یا تشریحی شون رو داخل Local Folder بذارید یعنی همون پوشه ای در کامپیوتر که کلاد به اون دسترسی داره! دلیل ش هم اینه که نمونه سوالات که از اینترنت دانلود می کنید اکثرا تصویر اسکن شده هستند و OCR کلاد خیلی قوی نیست. بهتره برای استخراج متن شون از Google AI Studio کمک بگیرین. 👇 سوالی اگه بود: 🆔 @MetaCognition

📒 نمونه فایلی که این اسکیل در انتها به شما میده. فقط ۲ تا نکته: 1️⃣ آزمون های فارسی هم مشکلی ندارن! 2️⃣ برنامه Markdown View رو از Microsoft Store بگیرید تا در کامپیوتر این فایل ها رو بتونین ببینید. #آموزش #هوش_مصنوعی #اسکیل 🌐 متاکاگ | فراتر از شناخت