Managing Applied AI & LLM Research Projectsمدیریت پروژههای هوش مصنوعی و LLM کاربردی
As Project Manager at the IUST Innovation Center for Cognitive Sciences and Technologies, I lead interdisciplinary teams (AI, DevOps, UI/UX) building data-driven content-generation and Persian chatbot systems.
A few principles that worked for us:
- Define evaluation metrics **before** building — benchmark LLMs on accuracy, quality, and reliability.
- Document every project phase; knowledge transfer is part of the deliverable.
- Keep the human-in-the-loop for Persian generation quality.
Managing AI is less about Gantt charts and more about aligning evaluation, data, and iteration speed.
به عنوان مدیر پروژه در مرکز نوآوری علوم شناختی و فناوریهای شناختی (IUST)، تیمهای میانرشتهای (هوش مصنوعی، DevOps، UI/UX) را در ساخت سامانههای تولید محتوای دادهمحور و چتبات فارسی رهبری میکنم.
چند اصل که برای ما جواب داد:
- پیش از ساخت، **معیارهای ارزیابی** را تعریف کنید — مدلهای زبانی را روی دقت، کیفیت و قابلیت اتکا بسنجید.
- هر فاز پروژه را مستند کنید؛ انتقال دانش بخشی از خروجی است.
- برای کیفیت تولید فارسی، انسان را در چرخه نگه دارید.
مدیریت هوش مصنوعی کمتر درباره نمودار گانت است و بیشتر درباره همراستا کردن ارزیابی، داده و سرعت تکرار.