مدل‌های زبانی بزرگ یا LLMها یکی از فناوری‌های مهم هوش مصنوعی هستند که در تولید محتوا، برنامه‌نویسی، تحلیل اطلاعات، آموزش و بسیاری از فعالیت‌های روزمره کاربرد دارند. به همین دلیل، افراد زیادی می‌خواهند یادگیری این فناوری را شروع کنند و از آن در کار یا زندگی شخصی خود بهره ببرند.
بااین‌حال، شروع یادگیری LLM همیشه به معنای پیشرفت سریع نیست. بعضی افراد ساعت‌ها درباره مدل‌های مختلف مطالعه می‌کنند، اما فرصت کافی برای تمرین ندارند. برخی دیگر تصور می‌کنند با نوشتن چند دستور ساده می‌توانند در همه زمینه‌ها به نتیجه‌ای حرفه‌ای برسند. گروهی نیز پاسخ‌های تولیدشده توسط هوش مصنوعی را بدون بررسی می‌پذیرند و به‌تدریج عادت‌های نادرستی پیدا می‌کنند.
برای یادگیری مؤثر، لازم نیست از همان ابتدا تمام جزئیات ریاضی، معماری شبکه‌های عصبی یا روش‌های آموزش مدل را بدانید. مهم‌تر این است که مسیر مناسبی انتخاب کنید، مفاهیم پایه را بفهمید و به‌صورت منظم تمرین کنید.
در این مقاله، ۱۲ اشتباه رایج مبتدی‌ها در یادگیری مدل‌های زبانی بزرگ را بررسی می‌کنیم و برای هرکدام راهکارهایی کاربردی ارائه می‌دهیم.
۱. شروع یادگیری بدون هدف مشخص
یکی از رایج‌ترین اشتباهات مبتدی‌ها این است که یادگیری را بدون تعیین هدف آغاز می‌کنند. آن‌ها درباره مدل‌های مختلف مطالعه می‌کنند، ابزارهای متنوع را امتحان می‌کنند و آموزش‌های زیادی می‌بینند، اما در پایان نمی‌دانند قرار است از این دانش برای حل چه مسئله‌ای استفاده کنند.
یادگیری LLM می‌تواند مسیرهای متفاوتی داشته باشد:
- استفاده از ابزارهای هوش مصنوعی برای انجام کارهای روزمره
- تولید محتوا و بهبود فرایند نگارش
- برنامه‌نویسی با کمک مدل‌های زبانی
- تحلیل داده و پردازش اسناد
- ساخت چت‌بات و دستیار هوشمند
- اتصال مدل‌ها به نرم‌افزارها از طریق API
- آموزش، تنظیم دقیق یا توسعه مدل‌های زبانی
هر مسیر به مجموعه متفاوتی از مهارت‌ها نیاز دارد. برای مثال، فردی که می‌خواهد از مدل‌ها برای تولید محتوا استفاده کند، لازم نیست از ابتدا آموزش شبکه‌های عصبی را به‌صورت عمیق مطالعه کند. در مقابل، کسی که قصد توسعه مدل یا پژوهش در این حوزه را دارد، باید مبانی یادگیری ماشین، ریاضیات و برنامه‌نویسی را جدی‌تر دنبال کند.
راهکار: ابتدا یک هدف مشخص برای یک ماه آینده تعیین کنید؛ مثلاً یادگیری پرامپت‌نویسی، تحلیل اسناد یا ساخت یک برنامه ساده مبتنی بر LLM. سپس مطالب آموزشی را بر اساس همان هدف انتخاب کنید.
۲. تلاش برای یادگیری همه مفاهیم به‌صورت هم‌زمان
حوزه مدل‌های زبانی بزرگ بسیار گسترده است. اصطلاحاتی مانند Transformer، Tokenization، Embedding، Attention، Fine-tuning، RAG و Inference ممکن است در ابتدای مسیر گیج‌کننده باشند.
برخی مبتدی‌ها تلاش می‌کنند تمام این مفاهیم را در چند روز یاد بگیرند. نتیجه معمولاً انباشته شدن اطلاعات پراکنده بدون درک ارتباط میان آن‌هاست.
برای مثال، ممکن است فرد تعریف Embedding را حفظ کند، اما نداند این مفهوم در یک برنامه جست‌وجوی معنایی چه کاربردی دارد.
ترتیب پیشنهادی برای یادگیری
۱. شناخت مفهوم مدل زبانی بزرگ و کاربردهای آن
۲. یادگیری نحوه تعامل با مدل و نوشتن پرامپت
۳. آشنایی با محدودیت‌ها، توهم هوش مصنوعی و ارزیابی پاسخ
۴. شناخت مفاهیم پایه مانند توکن، زمینه مکالمه و تولید متن
۵. یادگیری API و برنامه‌نویسی، در صورت نیاز
۶. آشنایی با RAG، Embedding و Fine-tuning برای پروژه‌های پیشرفته‌تر
این ترتیب برای همه افراد یکسان نیست، اما کمک می‌کند مفاهیم پایه پیش از ورود به موضوعات پیچیده‌تر شکل بگیرند.
۳. حفظ کردن اصطلاحات به‌جای درک کاربرد آن‌ها
دانستن تعریف اصطلاحات فنی مفید است، اما حفظ کردن واژه‌ها به‌تنهایی مهارت عملی ایجاد نمی‌کند.
برای نمونه، فردی ممکن است بداند RAG مخفف Retrieval-Augmented Generation است، اما نتواند توضیح دهد چرا این روش در پاسخ‌گویی بر اساس اسناد سازمانی کاربرد دارد.
یا ممکن است مفهوم پنجره زمینه را بداند، اما هنگام تحلیل یک سند طولانی، محدودیت‌های پردازش متن را در نظر نگیرد.
چگونه مفاهیم را عمیق‌تر یاد بگیریم؟
برای هر مفهوم، سه سؤال مطرح کنید:
- این مفهوم به چه معناست؟
- چه مشکلی را حل می‌کند؟
- در چه شرایطی مفید نیست یا محدودیت دارد؟
سپس یک مثال عملی بسازید. برای مثال، پس از یادگیری مفهوم توکن، یک متن کوتاه را به مدل بدهید و بررسی کنید طول ورودی و خروجی چه تأثیری بر محدودیت مصرف یا پردازش دارد.
به این ترتیب، مفاهیم نظری به دانش قابل استفاده تبدیل می‌شوند.
۴. تصور اینکه مدل زبانی همیشه درست می‌گوید
یکی از مهم‌ترین اشتباهات مبتدی‌ها، اعتماد بیش از حد به پاسخ‌های مدل است. LLMها می‌توانند پاسخ‌هایی روان، منظم و قانع‌کننده تولید کنند، اما این ویژگی‌ها تضمین‌کننده صحت اطلاعات نیستند.
مدل ممکن است آمار اشتباه ارائه دهد، منبعی غیرواقعی معرفی کند، در محاسبات خطا داشته باشد یا درباره قابلیت یک نرم‌افزار اطلاعات قدیمی بدهد.
چگونه پاسخ مدل را بررسی کنیم؟
- ادعاهای مهم را با منابع معتبر مقایسه کنید.
- نام‌ها، تاریخ‌ها، آمارها و نقل‌قول‌ها را جداگانه بررسی کنید.
- برای محاسبات از ابزار مستقل استفاده کنید.
- کد تولیدشده را در محیط آزمایشی اجرا کنید.
- اگر پاسخ مبهم است، از مدل بخواهید فرضیات و محدودیت‌های خود را مشخص کند.
برای مثال، اگر مدل درباره یک ویژگی امنیتی در نسخه مشخصی از نرم‌افزار توضیح می‌دهد، بهتر است مستندات رسمی همان نسخه را بررسی کنید.
یادگیری LLM فقط به معنای یاد گرفتن نحوه دریافت پاسخ نیست؛ توانایی تشخیص پاسخ نادرست نیز بخشی اساسی از این مهارت است.
۵. نوشتن پرامپت‌های مبهم و ناقص
پرامپت یا Prompt همان دستور، پرسش یا اطلاعاتی است که در اختیار مدل قرار می‌دهید. کیفیت پرامپت می‌تواند بر ارتباط، دقت و قالب خروجی تأثیر بگذارد.
پرامپت‌هایی مانند «درباره هوش مصنوعی توضیح بده» فضای بسیار گسترده‌ای برای تفسیر ایجاد می‌کنند. در چنین شرایطی، مدل ممکن است پاسخی ارائه دهد که با نیاز واقعی شما مطابقت ندارد.
نمونه یک پرامپت ضعیف
«یک مقاله درباره امنیت بنویس.»
نمونه یک پرامپت بهتر
«یک مقاله آموزشی برای کاربران مبتدی درباره امنیت حساب‌های آنلاین بنویس. متن باید حدود ۱۲۰۰ کلمه باشد، شامل مقدمه، شش بخش اصلی، مثال‌های کاربردی و پرسش‌های متداول باشد. اصطلاحات فنی را ساده توضیح بده و برای ادعاهای مهم از منبع معتبر استفاده کن. اگر اطلاعاتی قابل تأیید نیست، آن را قطعی بیان نکن.»
در پرامپت بهتر، هدف، مخاطب، قالب و محدودیت‌ها مشخص شده‌اند.
چه عناصری یک پرامپت خوب را می‌سازند؟
- هدف روشن
- زمینه کافی
- مخاطب مشخص
- قالب خروجی
- محدودیت‌ها و معیارهای کیفیت
- نمونه خروجی، در صورت نیاز
برای بهبود این مهارت، می‌توانید مقاله راهنمای شروع کار با هوش مصنوعی مولد را مطالعه کنید.
۶. تغییر مداوم ابزارها و دنبال کردن هر مدل جدید
هر چند وقت یک‌بار ابزار یا مدل جدیدی معرفی می‌شود و ممکن است مبتدی‌ها احساس کنند باید فوراً سراغ آن بروند. این رفتار می‌تواند باعث پراکندگی یادگیری شود.
امروز کار با یک ابزار را شروع می‌کنند، فردا به سراغ مدل دیگری می‌روند و روز بعد آموزش تازه‌ای را دنبال می‌کنند؛ در نتیجه، هیچ‌کدام را به اندازه کافی یاد نمی‌گیرند.
آیا باید فقط از یک ابزار استفاده کرد؟
نه لزوماً. آشنایی با چند ابزار برای مقایسه قابلیت‌ها مفید است، اما در مرحله شروع بهتر است یک ابزار اصلی انتخاب کنید و مهارت‌های پایه را با آن تمرین کنید.
پس از تسلط نسبی، می‌توانید ابزارهای دیگر را با معیارهای مشخص مقایسه کنید:
- کیفیت پاسخ در وظیفه موردنظر
- امکانات
- هزینه
- محدودیت مصرف
- پشتیبانی از زبان فارسی
- امنیت و حریم خصوصی
هدف این نیست که نام تمام مدل‌ها را بدانید؛ هدف این است که بتوانید ابزار مناسبی را برای حل یک مسئله واقعی انتخاب کنید.
۷. فقط تماشای آموزش و نداشتن تمرین عملی
تماشای ویدئوها و خواندن مقالات می‌تواند مفید باشد، اما یادگیری زمانی تثبیت می‌شود که مفاهیم را در عمل به کار ببرید.
برخی افراد دوره‌های متعددی را دنبال می‌کنند، ولی هیچ پروژه‌ای نمی‌سازند. در نتیجه، هنگام مواجهه با یک مسئله واقعی نمی‌دانند چگونه آموخته‌های خود را به کار بگیرند.
روش پیشنهادی: هر مفهوم را با یک تمرین همراه کنید
اگر پرامپت‌نویسی یاد می‌گیرید، یک درخواست را با چند دستور متفاوت آزمایش کنید.
اگر درباره خلاصه‌سازی مطالعه می‌کنید، یک سند کوتاه را با دو روش خلاصه کنید و نتایج را مقایسه کنید.
اگر API یاد می‌گیرید، یک برنامه کوچک بسازید که یک درخواست به مدل ارسال کند و پاسخ را نمایش دهد.
اگر RAG را مطالعه می‌کنید، یک نمونه ساده طراحی کنید که پاسخ‌ها را بر اساس چند سند مشخص تولید کند.
قاعده کاربردی: پس از یادگیری هر مفهوم، سعی کنید یک مثال عملی بسازید که نشان دهد آن مفهوم چه مشکلی را حل می‌کند.
۸. بی‌توجهی به محدودیت‌های مدل‌های زبانی
مدل‌های زبانی در بسیاری از وظایف توانمند هستند، اما محدودیت‌هایی نیز دارند. نادیده گرفتن این محدودیت‌ها می‌تواند باعث شود کاربر انتظار غیرواقعی داشته باشد.
محدودیت‌های مهم عبارت‌اند از:
- احتمال تولید اطلاعات ساختگی
- نبود دسترسی همیشگی به اطلاعات روز
- خطا در برخی محاسبات و استدلال‌ها
- محدودیت در پردازش ورودی‌های طولانی
- پاسخ‌های متناقض
- ضعف در برخی زبان‌ها یا حوزه‌های تخصصی
- وابستگی کیفیت پاسخ به زمینه و دستور کاربر
برای مثال، اگر مدلی به اطلاعات زنده بازار دسترسی ندارد، نباید قیمت فعلی یک محصول را بدون بررسی منبع معتبر از آن انتظار داشت.
شناخت محدودیت‌ها به شما کمک می‌کند وظایف مناسب‌تری انتخاب کنید و برای قسمت‌هایی که نیاز به دقت بالا دارند، روش‌های کنترل کیفیت در نظر بگیرید.
۹. نادیده گرفتن امنیت و حریم خصوصی
برخی مبتدی‌ها برای دریافت پاسخ بهتر، هر نوع اطلاعاتی را در اختیار مدل قرار می‌دهند؛ حتی زمانی که اطلاعات شامل داده‌های شخصی، اسناد محرمانه یا اطلاعات دسترسی به سامانه‌هاست.
این رفتار می‌تواند خطر نشت اطلاعات یا نقض سیاست‌های سازمانی را افزایش دهد.
چه اطلاعاتی را نباید بدون بررسی ارسال کرد؟
- رمزهای عبور و کلیدهای API
- اطلاعات هویتی و مالی مشتریان
- قراردادها و اسناد محرمانه
- کدهای اختصاصی سازمان
- اطلاعات حساس کارکنان
- تنظیمات امنیتی زیرساخت‌ها
پیش از استفاده از یک سرویس، سیاست حریم خصوصی و نحوه پردازش داده‌های آن را بررسی کنید. اگر اطلاعات حساس برای انجام کار ضروری نیستند، آن‌ها را از ورودی حذف کنید.
همچنین، به خاطر داشته باشید که ابزارهای متصل به ایمیل، فایل‌ها و پایگاه‌های داده ممکن است ریسک‌های بیشتری ایجاد کنند و باید با مجوزهای محدود و کنترل‌شده استفاده شوند.
۱۰. تلاش برای یادگیری مباحث پیشرفته پیش از تسلط بر مبانی
موضوعاتی مانند Fine-tuning، آموزش مدل، کوانتیزه‌سازی، زیرساخت GPU، ارزیابی مدل و معماری‌های بازیابی اطلاعات اهمیت زیادی دارند؛ اما همه کاربران در شروع به آن‌ها نیاز ندارند.
برای نمونه، فردی که فقط می‌خواهد با استفاده از یک API متنی تولید کند، الزاماً نیازی ندارد از ابتدا روش‌های آموزش مدل با میلیاردها پارامتر را یاد بگیرد.
در مقابل، کسی که قصد دارد مدل را روی داده‌های اختصاصی تنظیم کند یا یک سامانه هوش مصنوعی پیشرفته بسازد، باید به‌تدریج با مبانی فنی عمیق‌تر آشنا شود.
چگونه سطح یادگیری را انتخاب کنیم؟
سطح اول: کاربر ابزارهای هوش مصنوعی
- نوشتن پرامپت
- بررسی کیفیت پاسخ
- خلاصه‌سازی و تولید متن
- شناخت خطاها و محدودیت‌ها
- رعایت امنیت و حریم خصوصی
سطح دوم: توسعه‌دهنده برنامه‌های مبتنی بر LLM
- آشنایی با API
- مبانی برنامه‌نویسی
- مدیریت ورودی و خروجی
- کنترل خطا و هزینه
- آشنایی با Embedding و RAG
سطح سوم: متخصص فنی مدل‌های زبانی
- یادگیری ماشین و شبکه‌های عصبی
- معماری Transformer و Attention
- ارزیابی مدل
- Fine-tuning
- زیرساخت محاسباتی و بهینه‌سازی
این مسیرها الزاماً کاملاً جدا نیستند؛ می‌توانید با توجه به نیازتان از یک سطح شروع کنید و بعداً به سراغ مباحث دیگر بروید.
۱۱. نداشتن معیار برای سنجش پیشرفت
یکی دیگر از اشتباهات رایج این است که فرد پیشرفت خود را صرفاً با احساس شخصی یا تعداد آموزش‌های دیده‌شده می‌سنجد.
ممکن است ساعت‌ها مطالعه کرده باشید، اما همچنان نتوانید یک وظیفه را با کیفیت مناسب انجام دهید. از طرف دیگر، ممکن است با چند تمرین هدفمند مهارتی کاربردی به دست آورده باشید، حتی اگر دوره آموزشی زیادی نگذرانده باشید.
چگونه پیشرفت خود را اندازه‌گیری کنیم؟
برای هر مهارت، یک خروجی قابل سنجش تعیین کنید.
| مهارت | معیار پیشرفت |
|---|---|
| پرامپت‌نویسی | توانایی تولید خروجی مطابق قالب و هدف |
| ارزیابی پاسخ | شناسایی ادعاهای نادرست و منابع نامعتبر |
| خلاصه‌سازی | حفظ نکات اصلی بدون تحریف معنا |
| کار با API | ساخت برنامه ساده و مدیریت خطا |
| تحلیل اسناد | استخراج دقیق اطلاعات از سند مشخص |
| امنیت | شناسایی اطلاعات حساس و محدود کردن دسترسی |
هر چند هفته یک‌بار، تمرین‌های قبلی را تکرار کنید و ببینید آیا کیفیت، سرعت یا دقت شما بهتر شده است یا خیر.
۱۲. نداشتن برنامه یادگیری منظم
یادگیری پراکنده معمولاً باعث می‌شود برخی مفاهیم فراموش شوند و تمرین‌ها نیمه‌کاره بمانند. لازم نیست هر روز چند ساعت زمان صرف کنید؛ استمرار و تمرکز معمولاً از برنامه‌های سنگین اما کوتاه‌مدت مفیدتر است.
برنامه پیشنهادی چهار هفته‌ای برای شروع یادگیری LLM
هفته اول: شناخت مبانی
- مفهوم مدل زبانی بزرگ را یاد بگیرید.
- با کاربردها و محدودیت‌های اصلی آشنا شوید.
- هر روز چند پرسش متفاوت از یک ابزار بپرسید.
- پاسخ‌ها را از نظر کیفیت و دقت بررسی کنید.
هفته دوم: پرامپت‌نویسی
- دستورهای مبهم را به درخواست‌های دقیق تبدیل کنید.
- نقش زمینه، مخاطب و قالب خروجی را آزمایش کنید.
- برای یک وظیفه، چند پرامپت متفاوت بنویسید.
- نتایج را مقایسه و بهترین دستور را ثبت کنید.
هفته سوم: پروژه عملی
یک پروژه کوچک متناسب با هدف خود انتخاب کنید؛ مانند تولید پیش‌نویس مقاله، خلاصه‌سازی اسناد، تحلیل یک فایل متنی یا ساخت یک برنامه ساده مبتنی بر API.
هفته چهارم: ارزیابی و بهبود
- خروجی پروژه را با معیارهای مشخص بررسی کنید.
- خطاهای رایج را ثبت کنید.
- امنیت و حریم خصوصی را ارزیابی کنید.
- پروژه را بر اساس نتایج آزمون بهبود دهید.
در پایان چهار هفته، هدف این نیست که به متخصص تمام جنبه‌های LLM تبدیل شوید؛ بلکه باید بتوانید از ابزارها آگاهانه‌تر استفاده کنید و مسیر یادگیری بعدی خود را مشخص سازید.
چطور از اشتباهات گذشته برای یادگیری بهتر استفاده کنیم؟
خطاهای یادگیری فقط موانع پیشرفت نیستند؛ اگر ثبت و تحلیل شوند، می‌توانند به راهنمایی برای تمرین‌های بعدی تبدیل شوند.
برای هر اشتباه، سه مورد را یادداشت کنید:
۱. چه اتفاقی افتاد؟
۲. علت احتمالی چه بود؟
۳. دفعه بعد چه تغییری باید ایجاد شود؟
برای مثال، اگر مدل در خلاصه‌سازی یک سند مهم را حذف کرد، ممکن است لازم باشد قالب خلاصه را دقیق‌تر تعریف کنید، سند را بخش‌بندی کنید یا خروجی را با متن اصلی تطبیق دهید.
اگر پرامپت نتیجه نامناسبی تولید کرد، بررسی کنید که آیا زمینه کافی، محدودیت‌های روشن و معیارهای موفقیت در آن وجود داشته‌اند یا خیر.
این روش به‌تدریج یک مجموعه تجربه شخصی ایجاد می‌کند که از آموزش‌های عمومی به نیازهای واقعی شما نزدیک‌تر است.
پرسش‌های متداول درباره یادگیری مدل‌های زبانی بزرگ
برای یادگیری LLM باید برنامه‌نویسی بلد باشیم؟
خیر. برای استفاده از ابزارهای آماده و پرامپت‌نویسی، معمولاً به دانش برنامه‌نویسی نیاز ندارید. اما برای توسعه برنامه‌های مبتنی بر API، ساخت سامانه‌های RAG یا کارهای فنی پیشرفته، مهارت برنامه‌نویسی بسیار مفید یا ضروری است.
یادگیری مدل‌های زبانی بزرگ چقدر زمان می‌برد؟
مدت زمان به هدف، تجربه قبلی و میزان تمرین بستگی دارد. یادگیری اصول اولیه استفاده از ابزارها ممکن است در چند هفته امکان‌پذیر باشد؛ اما توسعه حرفه‌ای سامانه‌های مبتنی بر LLM به زمان و تجربه بیشتری نیاز دارد.
آیا باید ریاضیات پیشرفته یاد بگیریم؟
برای استفاده روزمره از ابزارها، معمولاً نیازی به ریاضیات پیشرفته نیست. اما برای مطالعه عمیق یادگیری ماشین، آموزش مدل‌ها و پژوهش در معماری‌های زبانی، آمار، جبر خطی و مبانی بهینه‌سازی اهمیت پیدا می‌کنند.
بهترین روش یادگیری LLM چیست؟
ترکیب مطالعه مفاهیم پایه، تمرین عملی، ارزیابی خروجی‌ها و ساخت پروژه‌های کوچک روش مناسبی است. بهتر است هر مفهوم را با یک مسئله واقعی تمرین کنید.
آیا استفاده از هوش مصنوعی برای یادگیری اشتباه است؟
خیر. می‌توانید از LLM برای توضیح مفاهیم، ساخت تمرین، مقایسه روش‌ها و دریافت بازخورد کمک بگیرید. بااین‌حال، پاسخ‌ها را بررسی کنید و برای مسائل مهم از منابع مستقل استفاده کنید.
آیا لازم است تمام مدل‌های زبانی را بشناسیم؟
خیر. بهتر است ابتدا یک ابزار مناسب انتخاب کنید، مبانی را یاد بگیرید و سپس در صورت نیاز مدل‌های دیگر را مقایسه کنید. شناخت عمیق چند ابزار مرتبط با هدف شما معمولاً مفیدتر از آشنایی سطحی با ده‌ها ابزار است.
جمع‌بندی
یادگیری مدل‌های زبانی بزرگ زمانی مؤثرتر می‌شود که هدف روشنی داشته باشید، مفاهیم را به‌ترتیب یاد بگیرید و هر آموخته را در یک تمرین واقعی به کار ببرید.
مهم‌ترین اشتباهات مبتدی‌ها عبارت‌اند از شروع بدون هدف، حفظ اصطلاحات به‌جای درک کاربردها، نوشتن پرامپت‌های مبهم، اعتماد بیش از حد به پاسخ‌ها، تغییر مداوم ابزارها، نداشتن تمرین عملی و بی‌توجهی به امنیت و حریم خصوصی.
برای جلوگیری از این اشتباهات، مسیر یادگیری خود را متناسب با نیازتان طراحی کنید، پیشرفت را با معیارهای مشخص بسنجید و به‌جای تلاش برای یادگیری همه‌چیز در مدت کوتاه، روی حل مسائل واقعی تمرکز کنید.
اصل کلیدی: برای یادگیری LLM لازم نیست از همان روز اول متخصص باشید؛ کافی است از مفاهیم پایه شروع کنید، به‌صورت منظم تمرین کنید و هر بار یک مهارت را به‌طور قابل سنجش بهبود دهید.