Confidence صحت نیست
اطمینان خروجی باید روی دادهٔ واقعی کالیبره شود. عدد بزرگ، ضمانت یا تأیید استاندارد نیست.
فصل ۱۲ · Learning paths
یک سامانه، چهار مسیر یادگیری
مدیر، کارشناس استاندارد، تیم داده و IT لازم نیست از یک نقطه و با یک عمق شروع کنند. این برنامه زبان مشترک میسازد و سپس هر نقش را تا توان تصمیمگیری و اجرای مسئولانه پیش میبرد.
محتوای آموزشی PILOTتمرینهای SYNTHETIC · PILOTگواهی سازمانی ROADMAP
پیش از شروع: سه مرز فکری
AI مرجع نیست
قاعدهٔ قطعی و منبع تصویبشده مقدماند؛ مدل تنها proposal میدهد و در تولید فعلی خاموش است.
نمونه، production نیست
تمام تمرینهای این صفحه ساختگیاند. دادهٔ واقعی فقط پس از طبقهبندی، حذف/کاهش شناسهٔ شخصی و تصویب مالک استفاده میشود.
خروجی دوره چیست؟
فراگیر باید بتواند یک نتیجه را بخواند، مرجع تصمیم را تشخیص دهد، ایراد را با evidence ثبت کند و بداند چه زمانی باید سامانه متوقف و پرونده به انسان ارجاع شود.
مسیر را بر اساس مسئولیت انتخاب کنید
زمانها برآورد پیشنهادی برای برنامهریزی پایلوتاند؛ ساعات رسمی فقط پس از آزمون با فراگیر واقعی و تصویب مالک علمی تعیین میشوند.
کاربر و مدیر تازهکار
مفهوم داده محصول، وضعیتها، ریسک، KPI و پرسشهایی که باید از تیم فنی بپرسد.
کارشناس پایش/استاندارد
قاعده، facet، ambiguity، reason code، defect، داوری و golden set.
کارشناس داده و ارزیابی
نمونهگیری، توافق داوران، exact/F1/ECE/PSI، cohort و ادعای قابل دفاع.
معمار و بهرهبردار
API، هویت، mTLS/OIDC هدف، observability، incident، release و rollback.
| نقش | ترتیب پیشنهادی فصلها | توان نهایی |
|---|---|---|
| مدیر/سیاستگذار | مبانی ← ارزیابی ← حکمرانی ← مرجع | تصویب دامنه، KPI، ریسک و مرز ادعا |
| کارشناس استاندارد | مبانی ← استانداردسازی ← عملیات ← defectها ← Harness | داوری مستند و طراحی rule/canonical candidate |
| کارشناس داده | استانداردسازی ← داده/RAG ← ارزیابی ← defectها | ساخت dataset، holdout و گزارش کیفیت |
| IT/Security | معماری ← API ← امنیت ← عملیات ← Harness | طراحی اتصال و پذیرش بهرهبرداری |
برنامهٔ درسی از پایه تا حرفهای
دادهٔ محصول و معنای استاندارد
raw، normalized، canonical، identifier، attribute و provenance.
مطالعه فصل ↗قواعد-اول و abstention
چرا exact lookup و rule پیش از retrieval/model اجرا میشوند.
مطالعه فصل ↗فارسی، واحد و اسم خاص
Unicode، نیمفاصله، first-word، واحد و قفل ترجمه.
مطالعه فصل ↗شرکت، استان و کارشناس
تفاوت سؤال، اختیار، صف، reason و escalation هر نقش.
مطالعه فصل ↗سنجش علمی
dataset manifest، holdout، F1، ECE، PSI، CI و latency.
مطالعه فصل ↗RAG و حقوق منبع
طبقهبندی، corpus، retrieval، citation و poisoning.
مطالعه فصل ↗مهندسی Context و Prompt
context envelope، schema، memory planes و post-validation.
مطالعه فصل ↗قرارداد API
workflow scope، error contract، retry، trace و idempotency.
مطالعه فصل ↗هویت و دفاع چندلایه
least privilege، egress، secrets، audit و incident.
مطالعه فصل ↗انتشار و بازگشت
artifact، manifest، backup-first، origin/public gate و rollback.
مطالعه فصل ↗RACI و پذیرش خدمت
مالک، stage gate، change control و ادعای مجاز.
مطالعه فصل ↗کالبدشکافی نقص واقعی
از مشاهده D‑01…D‑13 تا معیار پذیرش و شاهد.
مطالعه فصل ↗آزمایشگاههای عملی
همهٔ دادهها SYNTHETIC هستند و نتیجه بهعنوان ارزیابی سامانهٔ تولیدی قابل استفاده نیست.
Lab A · از متن تا خروجی اتمی
ورودی «گوشت گوساله بی استخوان 1000 گرم» را به raw، normalized، base name، facet، leftover و provenance تقسیم کنید؛ سپس با فصل استانداردسازی مقایسه کنید.
Lab B · سؤال روشن بهجای حدس
برای ورودی ناقص، یک clarification بنویسید که فیلد هدف، دو گزینه، دلیل سؤال و مسیر انصراف را مشخص کند.
Lab C · طراحی معیار defect
برای D‑04، sampling frame، n، target، evidence و شرط بازگشایی پس از drift را تعریف کنید.
Lab D · محاسبهٔ ظرفیت
در آزمایشگاه KPI، حجم، referral rate و زمان داوری را تغییر دهید و ظرفیت تیم را پیش از تنظیم آستانه بسنجید.
Lab E · Threat tabletop
سناریوی «سند میگوید دستورهای سیستم را نادیده بگیر» را با data fence، allowlist، citation و post-validation مهار کنید.
Lab F · قرارداد اتصال
برای workflow استان، payload حداقلی، idempotency key، retry policy و audit fields را بدون قرار دادن provider secret در client طراحی کنید.
چک فهم با پاسخ توضیحی
۱. خروجی confidence=0.97 است؛ آیا auto-resolve مجاز است؟
نه الزاماً. باید cohort، ECE، نوع ریسک، قواعد protected، نبود ambiguity و آستانهٔ مصوب بررسی شوند. confidence تنها یکی از ورودیهای تصمیم است.
۲. کاربر یک پیشنهاد را پذیرفت؛ آیا canonical memory باید همان لحظه تغییر کند؟
خیر. پذیرش به candidate feedback میرود؛ سپس curate، replay، comparison و approval لازم است.
۳. endpoint سلامت provider سبز است؛ آیا inference پذیرفته شده؟
خیر. سلامت پیکربندی/adapter با canary واقعی، کیفیت structured output، هزینه و پذیرش داده متفاوت است.
۴. آزمونهای کد موفقاند؛ آیا D‑01 بسته است؟
خیر. بازپردازش کامل، قبولی معیار روی دادهٔ تعیینشده، evidence و تأیید کتبی کارشناس لازم است.
۵. RAG سندی پیدا نکرد؛ بهترین پاسخ چیست؟
abstain یا ارجاع به انسان/منبع رسمی. تولید پاسخ بدون citation معتبر، دانش مستند محسوب نمیشود.
۶. آیا کلید OpenAI باید در مرورگر سامانهٔ شرکت باشد؟
خیر. مرورگر با backend سازمان کار میکند؛ backend با credential محدود Assist. provider secret در مرز امن سرویس باقی میماند.
پروژهٔ پایانی نقشمحور
کارشناس استاندارد
یک cohort ساختگی را داوری، reason taxonomy را تکمیل و یک CorrectionEvent نامزد همراه evidence و معیار پذیرش ارائه کند.
داده و کیفیت
manifest مجموعه، split کور، agreement، F1/ECE/PSI و claim card شامل n و CI تولید کند.
IT/Security
sequence اتصال، scopeها، negative tests، SLO، incident و rollback drill را طراحی کند.
مدیر/مالک خدمت
یک stage-gate memo شامل دامنه، ریسک غیرقابل تحمل، KPI/owner، بودجه و تصمیم go/no-go تنظیم کند.
| معیار نمرهدهی | وزن پیشنهادی | خطای مردودکننده |
|---|---|---|
| صحت مفهومی و GS1/domain | ۳۰٪ | تبدیل پیشنهاد AI به مرجع رسمی |
| Evidence و بازتولیدپذیری | ۲۵٪ | ادعای عددی بدون dataset/n/version |
| امنیت و اختیار | ۲۰٪ | افشای secret یا bypass نقش |
| عملیاتیبودن | ۱۵٪ | نبود owner/rollback/escalation |
| وضوح برای مخاطب | ۱۰٪ | پنهانکردن محدودیت واقعی |
برای تبدیل این مرجع به برنامهٔ رسمی آموزش
- تعیین مالک علمیکمیتهٔ استانداردسازی اصطلاحات، مثالها و scope را تأیید کند.
- ساخت بستهٔ دادهٔ آموزشینمونهٔ anonymized و versioned با مجوز استفاده و پاسخ مرجع.
- تعریف نقش و صلاحیتپیشنیاز، ساعات، ارزیابی و اختیار پس از قبولی مشخص شود.
- آزمون با فراگیر واقعیcompletion، خطای مفهومی، زمان انجام و feedback اندازهگیری شود.
- نسخه و بازآموزیبا تغییر rule/API/policy، درس مرتبط بازبینی و تاریخ انقضا اعلام شود.