اتوماسیون آمادگی آزمون با مدل‌های محلی؛ متد دیمد گارسیا برای حذف حفظ‌کردن

تصور کنید به‌جای ساعت‌ها خواندنِ خشکِ متون اداری، هر صفحه را با یک مصاحبه‌گر سخت‌گیر مرور کنید که دقیقاً می‌داند کجا اشتباه کرده‌اید. دیمد گارسیا مونوز-هیتا، مشاور شرکت Itelnet Consulting، در ۱۸ ژوئیه ۲۰۲۶ متد دقیق خود را برای تسلط بر آزمون‌های سخت‌گیرانه فناوری اطلاعات (TIC) با استفاده از هوش مصنوعی محلی افشا کرد. او می‌گوید: «به جای مطالعه غیرفعال، من از خط لوله‌ای استفاده می‌کنم که سرفصل‌های رسمی را به محیط‌های تست فعال تبدیل می‌کند.»

آمادگی برای آزمون‌های فنی دولتی معمولاً با ساعت‌های طاقت‌فرسای حفظ کردن تعاریف می‌گذرد. طبق تجربه گارسیا، مشکل اکثر داوطلبان نه در خواندن مطالب، بلکه در به‌کارگیری آن‌ها در شرایط پرفشار است. بسیاری از دانشجویان احساس می‌کنند مانند شرکت‌های کوچک و متوسط (Pymes) در مواجهه با هوش مصنوعی هستند: متوقف شده و ناکام. او برای حل این چالش، عادت‌های سنتی مطالعه را با یک حلقهٔ ساختاریافته جایگزین کرده است که محیط ارزیابی واقعی را شبیه‌سازی می‌کند و به‌جای تمرکز بر «disruption» یاdisruptive بودن، بر نتایج متمرکز است. این رویکرد در راستای جریان مدرن آموزش است که در آن استفاده از ابزارهای AI برای کاهش حجم کاری مدرسان و بهینه‌سازی زمان به یک استاندارد تبدیل شده است.

زمینه و چالش‌های TIC

مطالعه سنتی معمولاً شامل صرف ساعت‌ها زمان برای خواندن اسنادی است، بدون اینکه فرد بداند چگونه اطلاعات را در عمل به کار بگیرد. در این رقابت‌ها، زمان ارزشمندترین منبع است. هدف گارسیا این است که به‌جای جست‌وجوی یک «دستورالعمل جادویی»، سیستمی عملی برای شناسایی شکاف‌های دانشی طراحی کند.

به نقل از گزارش وب‌سایت dev.to، هستهٔ این سامانه بر پایهٔ Ollama استوار است تا بتواند مدل‌های وزن‌های باز (Open Weights) — یعنی مدل‌هایی که معماری‌شان علناً منتشر شده و لزوماً نیاز به سرورهای ابری ندارند — مانند Mistral یا Llama 2 را به‌صورت محلی اجرا کند. این رویکرد حریم خصوصی داده‌ها را تضمین کرده و وابستگی به ارائه‌دهندگانی چون OpenAI را حذف می‌کند. این فرآیند از یک مکانیسم پنج مرحله‌ای پیروی می‌کند:

خط لوله مطالعه با هوش مصنوعی

• تجزیهٔ سرفصل‌ها: محتوای رسمی به بلوک‌های موضوعی تقسیم می‌شود. برای مثال، در آزمون‌های اداری TIC، بلوک‌ها شامل امنیت شبکه، شبکه‌ها، سیستم‌عامل‌ها و پایگاه‌داده‌ها هستند. این مرحله شباهت زیادی به الگوهای اتوماسیون برنامه‌ریزی درسی دارد که در آن محتوا برای یادگیری بهینه دسته‌بندی می‌شود.
• تولید پرسش‌های محلی: کاربر از طریق Ollama، مدل را برای ساخت انواع سوالات تحریک می‌کند. مثلاً برای بخش امنیت شبکه، پرامپتِ «۵ سوال چهارگزینه‌ای دربارهٔ پروتکل IPSec بساز» ارسال می‌شود.
• تحریک تفکر انتقادی: سیستم از آزمون‌های آماده فراتر می‌رود. مدل می‌تواند سوالاتی دربارهٔ آسیب‌پذیری‌های SQL Injection طرح کند که دانش‌جو را مجبور کند هم ریسک و هم روش دقیق رفع و کاهش اثرات (mitigation) آن را توضیح دهد.
• حلقهٔ بازخورد: هوش مصنوعی پاسخ‌ها را ارزیابی می‌کند. اگر دانش‌جو مفهوم احراز هویت دو مرحله‌ای را درست توضیح دهد، مدل تأیید می‌کند؛ در غیر این صورت، او را به بررسی مجدد روش‌های احراز هویت و اهمیت امنیت اطلاعات ارجاع می‌دهد. ارزیابی‌ها بر اساس دقت، شفافیت و جامعیت در مقیاس ۱ تا ۵ انجام می‌شود. این سیستم ارزیابی هوشمند، یادآور روش‌های کاربردی خودکارسازی تصحیح اوراق است که دقت بازخوردها را افزایش می‌دهد.
• شناسایی نقاط کور: مدل موضوعاتی را که دانش‌جو به‌طور مداوم در آن‌ها شکست می‌خورد علامت‌گذاری می‌کند تا به‌جای مطالعهٔ کلی و سراسری، مرور متمرکز روی نقاط ضعف صورت گیرد.
• شبیه‌سازی مصاحبه: در مرحلهٔ نهایی، مدل زبانی بزرگ (LLM) نقش مصاحبه‌گر را می‌گیرد. اگرچه مدل یک مصاحبه‌گر «کامل» نیست، اما به دانش‌جو کمک می‌کند تا با فشار آزمون‌های شفاهی سازگار شده و بازخوردی فوری درباره پاسخ‌هایش دریافت کند.

گارسیا برای مقیاس‌پذیری این روش، از اسکریپت‌های Python استفاده می‌کند تا جریان کار را خودکار کند. به‌طور مشخص، او اسکریپتی ایجاد کرده است تا سوالات تولیدشده در Ollama را به فایل‌های CSV منتقل کند. این فایل‌ها سپس وارد صفحات گسترده (Spreadsheets) می‌شوند تا آزمون‌های آنلاین در مقیاس کامل ساخته شوند. در این ساختار، ابزارها کارهای تکراری و خسته‌کننده را انجام می‌دهند اما معلم انسانی همچنان هدایت‌کنندهٔ مسیر یادگیری است.

این تغییر رویکرد نشان می‌دهد که ارزش واقعی هوش مصنوعی در آموزش، نه در ارائهٔ میان‌بُری برای رسیدن به جواب، بلکه در «تشخیص دقیق» است. با خودکارسازی مرحلهٔ تست، دانش‌جو ۱۰۰٪ انرژی خود را روی نقاط ضعف واقعی‌اش متمرکز می‌کند. برای شما به عنوان کاربر، این یعنی هزینهٔ داشتن یک مدرس خصوصی باکیفیت و شخصی‌سازی شده، اکنون عملاً به اندازهٔ هزینهٔ برقِ یک واحد پردازش گرافیکی (GPU) محلی است.

گام بعدی شما

• نصب یک محیط اجرای محلی مانند Ollama برای حفظ حریم خصوصی داده‌های آموزشی در حین آزمایش پرامپت‌های مبتنی بر سرفصل.
• تبدیل سرفصل‌های درسی خود به بلوک‌های موضوعی کوچک برای تولید سوالات هدفمند.
• طراحی یک اسکریپت ساده در پایتون برای انتقال خروجی‌های مدل به فرمت CSV جهت ساخت آزمون.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.