Skip to main content

چه چیزی شاهد AI component محسوب می‌شود

توجه: این سند ترجمه خودکار نسخه اصلی انگلیسی است.

چه چیزی شاهد AI component محسوب می‌شود

وقتی DecAIHub بررسی می‌کند که آیا پروژه AI component کارکردی دارد، دنبال artifactهای قابل تأیید می‌گردد — نه متن بازاریابی، نه وعده، نه پیوندهای برند. این صفحه انواع شواهدی را فهرست می‌کند که محور AI reality در امتیاز DecAI Fit را تقویت می‌کنند، از قوی‌ترین تا ضعیف‌ترین.

خلاصه: شاهد AI یعنی artifactهایی که می‌توان بازرسی، آزمایش یا به‌طور مستقل تأیید کرد — کد، مستندات، متریک‌ها با روش‌شناسی، دموهای کارکردی و ارزیابی‌های شخص ثالث.

شواهد Tier-1 (قوی‌ترین)

منابع Tier-1 یعنی artifactهایی که خود پروژه منتشر یا کنترل می‌کند. برای محور AI reality، قوی‌ترین شواهد Tier-1 شامل این‌هاست:

  • مخزن عمومی با کد AI/ML — اسکریپت‌های آموزش مدل، منطق inference، خطوط لولهٔ داده، مراحل پیش‌پردازش. مخزنی با کامیت‌ها، انتشارها و تست‌ها بسیار قوی‌تر از یک مخزن placeholder با README است.
  • مستندات فنی — توصیف معماری مدل، قالب‌های ورودی/خروجی، نسخه‌های مدل و تاریخچهٔ به‌روزرسانی. این پاسخ می‌دهد «چه مدلی، چگونه کار می‌کند و چه نسخه‌ای در حال اجراست».
  • متریک‌های کیفیت با روش‌شناسی — بنچمارک‌ها یا نتایج ارزیابی منتشرشده که مشخص می‌کنند چه چیزی، روی چه داده‌ای، کی و با چه نسخه‌ای از مدل اندازه‌گیری شده است. متریک‌های بدون این زمینه شاهد نیستند.
  • دموها یا endpointهای کارکردی — رابط، API یا سندباکسی در دسترس عموم که AI component را می‌توان در آن آزمود. دمویی که ورودی‌های واقعی را پردازش می‌کند و خروجی‌های AI‌محور برمی‌گرداند، شاهد مستقیم است.
  • گزارش‌های ممیزی یا ارزیابی‌های شخص ثالث — سنجش‌های مستقل کیفیت، انصاف، ایمنی یا عملکرد مدل توسط نهادی شناخته‌شده.

الگوهایی که شواهد Tier-1 را تقویت می‌کنند

همهٔ artifactهای Tier-1 یکسان قانع‌کننده نیستند. چند الگوی قابل مشاهده شواهد را باورپذیرتر می‌کنند:

  • عمق تاریخچهٔ کامیت. مخزنی با ماه‌ها یا سال‌ها کامیت تدریجی، pull requestها، بازبینی کد و انتشارهای نسخه‌دار، تلاش مهندسی پایدار را نشان می‌دهد. یک آپلود یکجای منفرد وزن بسیار کمتری دارد.
  • پوشش تست و خطوط لولهٔ CI. تست‌های خودکار برای inference مدل، اعتبارسنجی داده و endpointهای یکپارچه‌سازی نشانهٔ سیستمی در سطح production است، نه یک اثبات مفهوم.
  • مدل‌های نسخه‌دار و changelogها. وقتی مستندات پیگیری می‌کند کدام نسخهٔ مدل به‌کار گرفته شده، بین نسخه‌ها چه تغییری کرده و چرا، این نشانهٔ سیستمی زنده با چرخهٔ توسعهٔ فعال است.
  • خروجی‌های بازتولیدپذیر. اگر دمو یا API برای ورودی‌های یکسان در نشست‌های مختلف نتایج سازگار و توضیح‌پذیر برگرداند، این قوی‌تر از یک نمایش یک‌باره است.
  • جدایی منطق AI از boilerplate. کدبیسی که ماژول‌های AI/ML آن به‌روشنی قابل شناسایی‌اند — جدا از داربست فرانت‌اند، اسکریپت‌های استقرار یا قراردادهای توکن — تأیید اینکه AI component واقعاً چه می‌کند را آسان‌تر می‌کند.

شواهد Tier-2 (زمینه، نه اثبات)

منابع Tier-2 زمینه می‌دهند اما به‌تنهایی AI component کارکردی را اثبات نمی‌کنند:

  • مصاحبه‌ها یا AMAهایی که تیم رویکرد AI، معماری یا فرایند آموزش را توصیف می‌کند.
  • توضیحات aggregatorها (CoinGecko، DeFiLlama و غیره) که به قابلیت‌های AI اشاره می‌کنند.
  • اعلامیه‌های همکاری با ارائه‌دهندگان AI یا آزمایشگاه‌های پژوهشی.

شواهد Tier-2 می‌توانند یک یافتهٔ Tier-1 را پشتیبانی کنند اما نمی‌توانند جای آن را بگیرند. همکاری با یک شرکت AI اثبات نمی‌کند که پروژه AI کارکردی خودش را دارد.

شواهد Tier-2 کی اهمیت پیدا می‌کنند

منابع Tier-2 وقتی مرتبط می‌شوند که artifactهای Tier-1 را تأیید کنند یا شکاف‌هایی را پر کنند که Tier-1 به‌تنهایی مبهم می‌گذارد:

  • مصاحبهٔ فنی‌ای که در آن تیم معماری توصیف‌شده در مستنداتش را قدم‌به‌قدم مرور می‌کند، به اسناد Tier-1 اعتبار می‌افزاید.
  • لیستینگ aggregator که با قابلیت‌های توصیف‌شده در وایت‌پیپر خود پروژه مطابقت دارد، نشانهٔ سازگاری است.
  • سخنرانی کنفرانس با دموی زنده که رفتار API عمومی پروژه را بازتاب می‌دهد، تقویت می‌کند که دمو از پیش نوشته نشده است.

اما بدون artifactهای زیرین Tier-1، حتی منابع Tier-2 قانع‌کننده هم زمینه باقی می‌مانند — برای فهم ارزشمند، برای تأیید ناکافی.

چه چیزی حساب نمی‌شود

برخی artifactها شبیه شواهدند اما AI component کارکردی را اثبات نمی‌کنند. سیگنال‌های کاذب رایج شامل متن بازاریابی، مخازن خالی، متریک‌های بدون روش‌شناسی و API wrapperهای بدون منطق اختصاصی است. برای فهرست تفصیلی، ببینید چه چیزی شاهد AI محسوب نمی‌شود.

DecAIHub شواهد AI را چگونه ثبت می‌کند: پرچم‌های AI_0 تا AI_4

محور AI reality از پنج پرچم دودویی برای ثبت شواهد یافت‌شده استفاده می‌کند:

پرچم چه چیزی را بررسی می‌کند مقدار
AI_0 آیا دست‌کم یک اعلام نیت AI در سطح Tier-1 وجود دارد (نقشهٔ راه، به‌روزرسانی رسمی) 1 / 0
AI_1 آیا توصیفی از کار AI وجود دارد 1 / 0
AI_2 آیا دمو یا نمونه‌های کارکردی وجود دارد 1 / 0
AI_3 آیا متریک‌های کیفیت با زمینه وجود دارد (چه چیزی، روی چه داده‌ای، کی) 1 / 0
AI_4 آیا توصیف فنی، معماری یا نسخه‌های مدل وجود دارد 1 / 0

هرچه پرچم‌های بیشتری برابر ۱ باشند، ai_score بالاتر و DecAI Fit پروژه بهتر است. اگر هیچ پرچمی تنظیم نشده باشد، ai_score = 0 و DecAI Fit نمی‌تواند از ۰ فراتر رود.

ترکیب پرچم‌ها چگونه به سطح اطمینان نگاشت می‌شود

هر پرچم به پرسشی باریک پاسخ می‌دهد، اما ترکیب آن‌ها تصویر کامل‌تری ترسیم می‌کند:

پرچم‌های تنظیم‌شده تفسیر معمول
فقط AI_0 نیت اعلام شده؛ هنوز AI کارکردی تأیید نشده
AI_0 + AI_1 AI با کلمات توصیف شده؛ نه دمو، نه متریک، نه معماری
AI_0 + AI_1 + AI_2 دموی کارکردی وجود دارد؛ همچنان بدون متریک یا عمق فنی
AI_0 + AI_1 + AI_2 + AI_4 دمو و معماری موجودند؛ اندازه‌گیری کیفیت غایب است
هر پنج (AI_0 تا AI_4) قوی‌ترین پروفایل شواهد: نیت، توصیف، دمو، متریک و معماری

پروژه برای گرفتن ai_score غیرصفر لازم نیست هر پنج پرچم را برآورده کند. حتی AI_0 به‌تنهایی (نیت با منبع Tier-1) باعث ai_score = 1 می‌شود. اما پرچم‌های بالاتر به سقف بالاتری برای DecAI Fit کمک می‌کنند.

چرا روش‌شناسی برای متریک‌ها مهم است

عددی تنها — «دقت ۹۵٪»، «تأخیر کم»، «state-of-the-art» — بدون زمینه شاهد نیست. DecAIHub متریک‌ها را فقط زمانی معنادار می‌داند که به چهار پرسش پاسخ دهند: چه چیزی اندازه‌گیری شد (دقت، F1، تأخیر، perplexity)، روی چه داده‌ای (بنچمارک عمومی، مجموعهٔ آزمون اختصاصی، ترافیک production)، کی (تاریخ ارزیابی)، و چه نسخه‌ای از مدل نتیجه را تولید کرد. بدون این‌ها، متریک یک ادعاست، نه شاهد.

آزمون چهار پرسش

هنگام ارزیابی هر متریک منتشرشده، این چک‌لیست را اعمال کنید:

  1. چه چیزی — آیا متریک نام‌گذاری و تعریف شده است؟ «دقت» مبهم است؛ «دقت دسته‌بندی top-1» مشخص است.
  2. روی چه داده‌ای — آیا مجموعه‌دادهٔ ارزیابی مشخص شده است؟ بنچمارک عمومی امکان بازتولید مستقل می‌دهد؛ مجموعهٔ آزمون اختصاصی نه، اما نام بردن آن بهتر از سکوت است.
  3. کی — آیا تاریخ یا تگ انتشار هست؟ مدل‌ها در طول زمان تغییر می‌کنند؛ متریک بدون برچسب زمانی شاید سیستم فعلی را بازتاب ندهد.
  4. چه نسخه‌ای — آیا نسخهٔ مدل یا سیستم ذکر شده است؟ اگر پروژه چند نسخهٔ مدل عرضه کرده، متریک باید به یکی مشخص گره بخورد.

اگر هر یک از این چهار مورد غایب باشد، متریک در ارزیابی DecAIHub از «شاهد» به «ادعا» تنزل می‌کند. ممکن است همچنان به‌عنوان ادعای ثبت‌شده در کارت پروژه بیاید، اما در تنظیم پرچم AI_3 روی ۱ نقشی نخواهد داشت.

چگونه از این چک‌لیست استفاده کنیم

هنگام خواندن کارت پروژه، بررسی کنید که آیا جدول Evidence به artifactهای فهرست Tier-1 بالا ارجاع می‌دهد. اگر کارت ai_score = 0 نشان می‌دهد یا نگرانی AI-washing را پرچم می‌زند، یعنی این artifactها تا تاریخ تأیید یافت نشده‌اند — این اتهامی علیه پروژه نیست.

وقتی artifactهای Tier-1 جدید پیدا شوند، کارت به‌روزرسانی می‌شود و امتیاز ممکن است تغییر کند.

گام‌های عملی برای خوانندگان

  • از جدول Evidence شروع کنید. دنبال لینک به مخازن، مستندات یا دموها بگردید. اگر جدول Evidence خالی است یا فقط به منابع Tier-2/3 ارجاع می‌دهد، ادعای AI reality تأییدنشده است.
  • روی artifactها کلیک کنید. لینک مخزن فقط به‌اندازهٔ محتوایش ارزش دارد. آن را باز کنید و دنبال کد AI/ML بگردید، نه فقط README یا اسکریپت‌های استقرار.
  • تاریخ تأیید را بررسی کنید. شواهد یک عکس لحظه‌ای‌اند. کارتی که شش ماه پیش تأیید شده شاید وضعیت فعلی پروژه را بازتاب ندهد؛ به همین دلیل DecAIHub پس از ۵۵۰ روز جریمهٔ کهنگی اعمال می‌کند.
  • با فهرست ضدالگوها تطبیق دهید. اگر الگوهایی از چه چیزی شاهد AI محسوب نمی‌شود می‌بینید، شواهد را متناسب با آن وزن‌دهی کنید.

این چک‌لیست به‌تنهایی چه چیزی را اثبات نمی‌کند

  • برآورده کردن همهٔ معیارهای شواهد اثبات نمی‌کند که AI کیفیت بالایی دارد یا برای کاربران نهایی مفید است. اثبات می‌کند artifactها وجود دارند و قابل بازرسی‌اند.
  • شواهد Tier-1 از خود پروژه اثبات نمی‌کنند استقلال را. دادهٔ خوداظهاری در حالت ایده‌آل باید با ارزیابی شخص ثالث تأیید شود.
  • سابقهٔ کامل شواهد اثبات نمی‌کند که توکن ضروری است. AI reality یک محور DecAI Fit است؛ token necessity محوری دیگر.

پرسش‌های متداول

کامل‌ترین شاهد AI در یک پروژهٔ کریپتو چیست؟

مخزن عمومی حاوی کد AI/ML با تاریخچهٔ کامیت معنادار، همراه با متریک‌های کیفیت منتشرشده که روش‌شناسی کامل دارند (چه چیزی، روی چه داده‌ای، کی و کدام نسخهٔ مدل اندازه‌گیری شده). وقتی هر دوی این‌ها وجود دارند و با دمو یا endpoint کارکردی پشتیبانی می‌شوند، پروفایل شواهد در کامل‌ترین حالت است. هیچ artifact منفردی به‌تنهایی قطعی نیست — ترکیب کد، متریک‌ها و خروجی‌های آزمون‌پذیر است که AI تأییدشده را از ادعاهای تأییدنشده جدا می‌کند.

آیا پروژه می‌تواند بدون کد متن‌باز AI واقعی داشته باشد؟

بله. کد متن‌باز شفاف‌ترین شکل شواهد است، اما تنها شکل نیست. پروژه می‌تواند AI را با مستندات فنی مفصل، بنچمارک‌های منتشرشده با روش‌شناسی، APIهای کارکردی که خروجی‌های AI‌محور قابل تأیید برمی‌گردانند، یا ارزیابی‌های مستقل شخص ثالث نشان دهد. اما بدون دست‌کم یک artifact قابل بازرسی — کد، دمو یا ارزیابی — چیزی برای تأیید توسط DecAIHub (یا هر کس دیگر) وجود ندارد. هرچه پروژه بسته‌تر باشد، بیشتر بر تأیید Tier-2 (مصاحبه‌ها، دادهٔ aggregatorها، نمایش‌های کنفرانسی) برای ساختن اعتبار تکیه می‌کند.

آیا دموی کارکردی اثبات می‌کند AI واقعی است؟

دموی کارکردی شاهدی قوی است، اما به‌تنهایی اثبات قطعی نیست. یک فرانت‌اند خوش‌طراحی می‌تواند رفتاری AI‌گونه را با پاسخ‌های hardcode‌شده، نتایج از پیش محاسبه‌شده یا فراخوانی‌های پنهان به API شخص ثالث شبیه‌سازی کند. DecAIHub دموها را وقتی شاهد قوی‌تری می‌داند که با مستندات API، شناسه‌های نسخهٔ مدل یا خروجی‌های بازتولیدپذیر برای ورودی‌های مختلف همراه باشند. دمویی که ورودی‌های دلخواه کاربر را می‌پذیرد و خروجی‌های متنوع و متناسب با زمینه برمی‌گرداند، قانع‌کننده‌تر از نمایشی هدایت‌شده با مثال‌های از پیش تعیین‌شده است.

حداقل شواهد لازم برای ai_score غیرصفر چیست؟

حداقل، یک اعلام نیت AI در سطح Tier-1 است — یک مدخل نقشهٔ راه، پست رسمی وبلاگ یا صفحهٔ مستنداتی که برنامه‌های مرتبط با AI را صریحاً بیان می‌کند. این پرچم AI_0 را روی ۱ می‌گذارد و ai_score = 1 تولید می‌کند. گرچه این پایین‌ترین امتیاز غیرصفر ممکن است، پروژه‌هایی را که رسماً به مسیر AI متعهد شده‌اند از آن‌هایی که اصلاً AI را ذکر نکرده‌اند جدا می‌کند. برای رسیدن به امتیازهای بالاتر، پروژه باید artifactهای بیشتری ارائه دهد: توصیف AI component (AI_1)، دموها (AI_2)، متریک‌ها با روش‌شناسی (AI_3) و جزئیات معماری فنی (AI_4).

منابع خارجی

  • CommonMark specification — استاندارد نشانه‌گذاری به‌کاررفته در همهٔ صفحات ویکی DecAIHub، از جمله کارت‌های پروژه و explainerها.
  • Model Cards for Model Reporting (Mitchell et al., 2019) — چارچوبی بنیادین برای مستندسازی عملکرد، کاربرد موردنظر و محدودیت‌های مدل AI؛ هم‌راستا با اصول شفافیتِ پشت معیارهای شواهد DecAIHub.
  • NIST AI Risk Management Framework — چارچوب دولت آمریکا برای شناسایی و مدیریت ریسک‌های AI، شامل راهنمایی دربارهٔ مستندسازی، آزمون و روش‌شناسی ارزیابی.

همچنین ببینید

No comments to display

Back to top