هوش مصنوعی چیست و چرا اهمیت دارد؟
هوش مصنوعی (Artificial Intelligence یا AI) شاخه‌ای از علوم کامپیوتر است که به ساخت ماشین‌هایی می‌پردازد که قادر به انجام کارهایی هستند که معمولاً به هوش انسانی نیاز دارند.
این کارها شامل یادگیری، استدلال، حل مسئله، درک زبان طبیعی و تشخیص الگوها می‌شوند.
در دهه‌های اخیر، هوش مصنوعی به سرعت در حال پیشرفت بوده و تاثیرات عمیقی بر زندگی ما گذاشته است.
اهمیت هوش مصنوعی در این است که می‌تواند به ما کمک کند تا وظایف پیچیده را با سرعت و دقت بیشتری انجام دهیم، فرآیندها را خودکار کنیم و تصمیمات بهتری بگیریم.
#یادگیری_ماشین یکی از زیرشاخه‌های مهم هوش مصنوعی است که امکان می‌دهد سیستم‌ها بدون برنامه‌ریزی صریح، از داده‌ها یاد بگیرند.
این قابلیت، کاربردهای فراوانی در حوزه‌های مختلف از جمله پزشکی، مالی، حمل و نقل و تولید دارد.
برای مثال، در حوزه پزشکی، هوش مصنوعی می‌تواند به تشخیص زودهنگام بیماری‌ها، توسعه درمان‌های جدید و بهبود مراقبت از بیماران کمک کند.
در صنعت مالی، الگوریتم‌های هوش مصنوعی می‌توانند به شناسایی تقلب، مدیریت ریسک و ارائه خدمات مالی شخصی‌سازی‌شده کمک کنند.
در حمل و نقل، خودروهای خودران با استفاده از هوش مصنوعی می‌توانند ایمنی و کارایی ترافیک را افزایش دهند.
هوش مصنوعی در ویکی پدیا
فرصت‌های کسب‌وکارتان را به خاطر یک وبسایت قدیمی از دست می‌دهید؟ با رساوب، مشکل جذب نکردن مشتریان بالقوه از طریق وبسایت را برای همیشه حل کنید!
✅ جذب سرنخ‌های باکیفیت بیشتر
✅ افزایش اعتبار برند در نگاه مشتریان
⚡ دریافت مشاوره رایگان طراحی سایت شرکتی
تاریخچه و سیر تکاملی هوش مصنوعی
ایده هوش مصنوعی به دهه‌های 1950 برمی‌گردد، زمانی که محققانی مانند آلن تورینگ و جان مک‌کارتی شروع به بررسی امکان ساخت ماشین‌های هوشمند کردند.
در سال 1956، کنفرانس دارتموث به عنوان نقطه عطفی در تاریخ هوش مصنوعی شناخته می‌شود.
در این کنفرانس، اصطلاح «هوش مصنوعی» برای اولین بار به طور رسمی به کار رفت و برنامه‌های تحقیقاتی در این زمینه تدوین شدند.
در دهه‌های 1960 و 1970، پیشرفت‌هایی در زمینه سیستم‌های خبره و زبان‌های برنامه‌نویسی هوش مصنوعی مانند LISP حاصل شد.
با این حال، در دهه‌های 1980 و 1990، به دلیل محدودیت‌های سخت‌افزاری و نرم‌افزاری، هوش مصنوعی با یک دوره رکود مواجه شد که به عنوان «زمستان هوش مصنوعی» شناخته می‌شود.
در اوایل قرن بیست و یکم، با پیشرفت‌های چشمگیر در قدرت پردازش کامپیوترها و افزایش حجم داده‌های در دسترس، هوش مصنوعی دوباره رونق گرفت.
الگوریتم‌های یادگیری عمیق، به ویژه شبکه‌های عصبی عمیق، توانستند عملکرد بسیار بهتری در وظایفی مانند تشخیص تصویر و پردازش زبان طبیعی ارائه دهند.
این پیشرفت‌ها منجر به توسعه کاربردهای جدید و متنوعی از هوش مصنوعی در صنایع مختلف شد.
هوش مصنوعی با پشت سر گذاشتن این فراز و نشیب ها به جایگاه کنونی خود رسیده است.
انواع هوش مصنوعی
هوش مصنوعی را می‌توان بر اساس قابلیت‌ها و کاربردها به انواع مختلفی تقسیم کرد.
یکی از تقسیم‌بندی‌های رایج، تقسیم‌بندی بر اساس سطح هوشمندی است که شامل هوش مصنوعی ضعیف (Narrow AI)، هوش مصنوعی قوی (General AI) و ابرهوش مصنوعی (Super AI) می‌شود.
هوش مصنوعی ضعیف به سیستم‌هایی اشاره دارد که برای انجام یک وظیفه خاص طراحی شده‌اند و در همان زمینه تخصص دارند.
اکثر سیستم‌های هوش مصنوعی موجود در حال حاضر در این دسته قرار می‌گیرند.
برای مثال، سیستم‌های تشخیص چهره، دستیارهای صوتی مانند #سیری و #الکسا و الگوریتم‌های پیشنهاددهنده فیلم و موسیقی نمونه‌هایی از هوش مصنوعی ضعیف هستند.
هوش مصنوعی قوی به سیستم‌هایی اشاره دارد که قادر به انجام هرگونه وظیفه‌ای هستند که یک انسان می‌تواند انجام دهد.
این نوع هوش مصنوعی هنوز به طور کامل توسعه نیافته است، اما محققان در تلاشند تا به این هدف دست یابند.
ابرهوش مصنوعی به سیستم‌هایی اشاره دارد که از هوش انسانی فراتر می‌روند و قادر به حل مسائل پیچیده‌ای هستند که برای انسان‌ها غیرممکن است.
این نوع هوش مصنوعی هنوز در حد تئوری است و نگرانی‌هایی در مورد پیامدهای آن وجود دارد.
| نوع هوش مصنوعی | توضیحات |
|---|---|
| هوش مصنوعی ضعیف (Narrow AI) | متمرکز بر انجام یک وظیفه خاص |
| هوش مصنوعی قوی (General AI) | قادر به انجام هر وظیفه‌ای که انسان می‌تواند |
| ابرهوش مصنوعی (Super AI) | فراتر از هوش انسانی |
کاربردهای هوش مصنوعی در صنایع مختلف
هوش مصنوعی در حال حاضر در صنایع مختلفی کاربرد دارد و پتانسیل تحول آن‌ها را دارد.
در حوزه #پزشکی، هوش مصنوعی می‌تواند به تشخیص زودهنگام بیماری‌ها، توسعه درمان‌های جدید و بهبود مراقبت از بیماران کمک کند.
برای مثال، الگوریتم‌های هوش مصنوعی می‌توانند تصاویر پزشکی مانند MRI و CT Scan را تحلیل کرده و ناهنجاری‌ها را با دقت بیشتری تشخیص دهند.
در صنعت مالی، هوش مصنوعی می‌تواند به شناسایی تقلب، مدیریت ریسک و ارائه خدمات مالی شخصی‌سازی‌شده کمک کند.
الگوریتم‌های هوش مصنوعی می‌توانند الگوهای پیچیده در داده‌های مالی را شناسایی کرده و پیش‌بینی‌های دقیقی از بازار ارائه دهند.
در حوزه حمل و نقل، خودروهای خودران با استفاده از هوش مصنوعی می‌توانند ایمنی و کارایی ترافیک را افزایش دهند.
هوش مصنوعی در این خودروها به پردازش داده‌های حسگرها، تصمیم‌گیری در مورد مسیر و کنترل خودرو کمک می‌کند.
در صنعت تولید، هوش مصنوعی می‌تواند به بهبود فرآیندهای تولید، کاهش هزینه‌ها و افزایش کیفیت محصولات کمک کند.
ربات‌های هوشمند و سیستم‌های کنترل کیفیت با استفاده از هوش مصنوعی می‌توانند وظایف تکراری و خطرناک را انجام داده و خطاهای تولید را به حداقل برسانند.
آیا طراحی فعلی سایت فروشگاهی شما باعث از دست دادن مشتریان و فروش می‌شود؟
رساوب با طراحی سایت‌های فروشگاهی مدرن و کاربرپسند، راه حل شماست!
✅ افزایش چشمگیر نرخ تبدیل و فروش
✅ ایجاد برندینگ قوی و جلب اعتماد مشتریان
⚡ مشاوره رایگان طراحی سایت فروشگاهی از رساوب دریافت کنید!
یادگیری ماشین و یادگیری عمیق
یادگیری ماشین (Machine Learning یا ML) یکی از زیرشاخه‌های اصلی هوش مصنوعی است که به سیستم‌ها امکان می‌دهد بدون برنامه‌ریزی صریح، از داده‌ها یاد بگیرند.
الگوریتم‌های یادگیری ماشین می‌توانند الگوها و روابط موجود در داده‌ها را شناسایی کرده و از آن‌ها برای پیش‌بینی یا تصمیم‌گیری استفاده کنند.
یادگیری عمیق (Deep Learning یا DL) یکی از زیرمجموعه‌های یادگیری ماشین است که از شبکه‌های عصبی عمیق برای تحلیل داده‌ها استفاده می‌کند.
شبکه‌های عصبی عمیق از لایه‌های متعددی از نورون‌ها تشکیل شده‌اند که به آن‌ها امکان می‌دهد الگوهای پیچیده را در داده‌ها شناسایی کنند.
یادگیری عمیق در سال‌های اخیر به پیشرفت‌های چشمگیری در حوزه‌هایی مانند تشخیص تصویر، پردازش زبان طبیعی و ترجمه ماشینی منجر شده است.
برای مثال، سیستم‌های تشخیص چهره و دستیارهای صوتی از الگوریتم‌های یادگیری عمیق برای تحلیل تصاویر و صداها استفاده می‌کنند.
الگوریتم‌های ترجمه ماشینی نیز با استفاده از یادگیری عمیق می‌توانند متون را با دقت بیشتری ترجمه کنند.
یادگیری ماشین چیست؟
چالش‌ها و محدودیت‌های هوش مصنوعی
با وجود پیشرفت‌های چشمگیر، هوش مصنوعی هنوز با چالش‌ها و محدودیت‌هایی روبرو است.
یکی از چالش‌های اصلی، نیاز به داده‌های زیاد و با کیفیت است.
الگوریتم‌های یادگیری ماشین برای یادگیری و بهبود عملکرد خود به حجم زیادی از داده‌ها نیاز دارند.
اگر داده‌ها ناقص، نادرست یا غیرمعتبر باشند، عملکرد سیستم‌های هوش مصنوعی می‌تواند به شدت تحت تأثیر قرار گیرد.
چالش دیگر، مسئله تعصب در الگوریتم‌ها است.
اگر داده‌هایی که برای آموزش الگوریتم‌ها استفاده می‌شوند، تعصب‌آمیز باشند، سیستم‌های هوش مصنوعی نیز ممکن است تصمیمات تبعیض‌آمیزی بگیرند.
برای مثال، الگوریتم‌های تشخیص چهره ممکن است عملکرد ضعیف‌تری در تشخیص چهره افراد با نژادهای خاص داشته باشند اگر داده‌های آموزشی آن‌ها شامل تعداد کافی از تصاویر این افراد نباشد.
علاوه بر این، مسئله قابلیت تفسیرپذیری (Explainability) نیز یکی از چالش‌های مهم در هوش مصنوعی است.
بسیاری از الگوریتم‌های پیچیده، به ویژه شبکه‌های عصبی عمیق، به عنوان جعبه‌های سیاه عمل می‌کنند و درک اینکه چرا یک سیستم به یک تصمیم خاص رسیده است، دشوار است.
این مسئله می‌تواند اعتماد به سیستم‌های هوش مصنوعی را کاهش داده و استفاده از آن‌ها را در برخی حوزه‌ها محدود کند.
مسایل اخلاقی مرتبط با #هوش_مصنوعی نیز از دیگر چالش های این حوزه هستند.
آینده هوش مصنوعی
آینده هوش مصنوعی بسیار روشن و پر از پتانسیل است.
با پیشرفت‌های مداوم در سخت‌افزار و نرم‌افزار، انتظار می‌رود که هوش مصنوعی در سال‌های آینده به طور فزاینده‌ای در زندگی ما نفوذ کند.
در حوزه‌هایی مانند پزشکی، حمل و نقل، تولید و خدمات مشتریان، هوش مصنوعی می‌تواند تغییرات اساسی ایجاد کند و کارایی و بهره‌وری را افزایش دهد.
یکی از روندهای مهم در آینده هوش مصنوعی، توسعه هوش مصنوعی قابل اعتماد و مسئولانه است.
محققان در تلاشند تا الگوریتم‌هایی را توسعه دهند که قابل تفسیر، غیرمتعصب و قابل اعتماد باشند.
همچنین، تلاش‌هایی برای تدوین قوانین و مقرراتی در زمینه هوش مصنوعی در حال انجام است تا از استفاده مسئولانه و اخلاقی از این فناوری اطمینان حاصل شود.
| روند | توضیحات |
|---|---|
| هوش مصنوعی قابل اعتماد | توسعه الگوریتم‌های قابل تفسیر و غیرمتعصب |
| اتوماسیون پیشرفته | خودکارسازی فرآیندها در صنایع مختلف |
| همکاری انسان و ماشین | ترکیب توانایی‌های انسان و هوش مصنوعی |
همچنین، انتظار می‌رود که همکاری بین انسان و ماشین (Human-Machine Collaboration) در آینده افزایش یابد.
در این رویکرد، انسان‌ها و سیستم‌های هوش مصنوعی با همکاری یکدیگر به انجام وظایف می‌پردازند و از نقاط قوت یکدیگر بهره می‌برند.
این همکاری می‌تواند منجر به افزایش بهره‌وری، بهبود کیفیت و کاهش خطاها شود.
هوش مصنوعی روز به روز در حال پیشرفت است.
تاثیر هوش مصنوعی بر بازار کار
هوش مصنوعی تاثیرات قابل توجهی بر بازار کار خواهد داشت.
از یک سو، هوش مصنوعی می‌تواند باعث اتوماسیون بسیاری از وظایف تکراری و روتین شود و در نتیجه برخی از مشاغل از بین بروند.
از سوی دیگر، هوش مصنوعی می‌تواند مشاغل جدیدی را ایجاد کند که نیازمند مهارت‌های جدیدی هستند.
برای مثال، توسعه‌دهندگان هوش مصنوعی، تحلیلگران داده، متخصصان امنیت سایبری و مهندسان رباتیک از جمله مشاغلی هستند که انتظار می‌رود در سال‌های آینده تقاضا برای آن‌ها افزایش یابد.
برای اینکه بتوانیم از مزایای هوش مصنوعی در بازار کار بهره‌مند شویم و از پیامدهای منفی آن جلوگیری کنیم، نیازمند سرمایه‌گذاری در آموزش و بازآموزی نیروی کار هستیم.
همچنین، ایجاد سیاست‌هایی برای حمایت از افرادی که شغل خود را به دلیل اتوماسیون از دست می‌دهند، ضروری است.
هوش مصنوعی در زمینه ی بازار کار نقش بسزایی را دارد.
پیش بینی می شود که با گسترش استفاده از هوش مصنوعی، مشاغل مبتنی بر خلاقیت، حل مسئله و مهارت های اجتماعی از اهمیت بیشتری برخوردار شوند.
مشاغلی که نیازمند تعامل انسانی، همدلی و تفکر انتقادی هستند، کمتر در معرض اتوماسیون قرار خواهند گرفت.
هوش مصنوعی چگونه بازار کار را تحت تاثیر قرار می دهد؟
تحقیقات نشان می‌دهد ۸۰٪ مشتریان به شرکت‌هایی که سایت حرفه‌ای دارند بیشتر اعتماد می‌کنند. آیا سایت فعلی شما این اعتماد را جلب می‌کند؟
با خدمات طراحی سایت شرکتی رساوب، مشکل عدم اعتماد مشتریان و تصویر ضعیف آنلاین را برای همیشه حل کنید!
✅ ایجاد تصویر حرفه‌ای و افزایش اعتماد مشتریان
✅ جذب سرنخ‌های فروش بیشتر و رشد کسب‌وکار
⚡ دریافت مشاوره رایگان
هوش مصنوعی و اخلاق
توسعه و استفاده از هوش مصنوعی با مسائل اخلاقی متعددی همراه است.
یکی از مسائل اصلی، مسئله حریم خصوصی است.
سیستم‌های هوش مصنوعی برای یادگیری و بهبود عملکرد خود به حجم زیادی از داده‌ها نیاز دارند، که ممکن است شامل اطلاعات شخصی و حساس افراد باشد.
جمع‌آوری و استفاده از این داده‌ها باید با رعایت قوانین و مقررات مربوط به حریم خصوصی انجام شود.
مسئله دیگر، مسئولیت‌پذیری است.
اگر یک سیستم هوش مصنوعی یک اشتباه انجام دهد یا یک تصمیم نادرست بگیرد، چه کسی مسئول خواهد بود؟ توسعه‌دهندگان، کاربران یا خود سیستم؟ تعیین مسئولیت‌پذیری در سیستم‌های هوش مصنوعی پیچیده می‌تواند چالش‌برانگیز باشد.
مسئله سوم، تبعیض است.
همانطور که قبلا ذکر شد، اگر داده‌هایی که برای آموزش الگوریتم‌ها استفاده می‌شوند، تعصب‌آمیز باشند، سیستم‌های هوش مصنوعی نیز ممکن است تصمیمات تبعیض‌آمیزی بگیرند.
برای جلوگیری از این مسئله، باید تلاش شود تا داده‌های آموزشی متنوع و غیرمتعصب باشند.
در نهایت، نگرانی‌هایی در مورد تاثیر هوش مصنوعی بر ارزش‌های انسانی و کرامت انسانی وجود دارد.
برخی از افراد معتقدند که هوش مصنوعی می‌تواند باعث کاهش اهمیت نقش انسان در جامعه و تضعیف ارزش‌های انسانی شود.
مسائل اخلاقی هوش مصنوعی
چگونه هوش مصنوعی را یاد بگیریم؟
یادگیری هوش مصنوعی نیازمند ترکیبی از دانش تئوری و تجربه عملی است.
شروع با یادگیری مفاهیم پایه‌ای ریاضیات مانند جبر خطی، حساب دیفرانسیل و انتگرال و آمار ضروری است.
همچنین، آشنایی با زبان‌های برنامه‌نویسی مانند پایتون و R که به طور گسترده در هوش مصنوعی استفاده می‌شوند، مهم است.
پس از یادگیری مفاهیم پایه‌ای، می‌توانید شروع به مطالعه الگوریتم‌های یادگیری ماشین و یادگیری عمیق کنید.
منابع آموزشی آنلاین زیادی مانند دوره‌های Coursera، edX و Udacity وجود دارند که دوره‌های آموزشی جامعی در زمینه هوش مصنوعی ارائه می‌دهند.
همچنین، کتاب‌ها و مقالات علمی زیادی در این زمینه وجود دارند که می‌توانند به شما در یادگیری عمیق‌تر کمک کنند.
برای کسب تجربه عملی، می‌توانید در پروژه‌های هوش مصنوعی شرکت کنید.
شروع با پروژه‌های کوچک و ساده و به تدریج پیشرفت به پروژه‌های پیچیده‌تر می‌تواند به شما در یادگیری عملی مهارت‌های هوش مصنوعی کمک کند.
همچنین، شرکت در مسابقات هوش مصنوعی مانند Kaggle می‌تواند فرصتی برای یادگیری از سایر متخصصان و محک زدن مهارت‌های خود فراهم کند.
در نهایت، هوش مصنوعی یک حوزه پویا و در حال تحول است.
برای موفقیت در این حوزه، باید به طور مداوم دانش خود را به‌روز نگه دارید و از آخرین پیشرفت‌ها آگاه باشید.
هوش مصنوعی مبحث گسترده ای می باشد.
سوالات متداول
| السؤال | الإجابة |
|---|---|
| ما هو تعريف هوش مصنوعی (الذكاء الاصطناعي)؟ | هو مجال في علوم الكمبيوتر يهدف إلى إنشاء آلات ذكية يمكنها التفكير، التعلم، حل المشكلات، واتخاذ القرارات مثل البشر. |
| اذكر بعض تطبيقات الذكاء الاصطناعي الشائعة. | تشمل السيارات ذاتية القيادة، المساعدات الصوتية (مثل سيري وأليكسا)، أنظمة التوصية (مثل نتفليكس وأمازون)، التعرف على الوجه، والتشخيص الطبي. |
| ما الفرق بين الذكاء الاصطناعي الضيق (ANI) والذكاء الاصطناعي العام (AGI)؟ | الذكاء الاصطناعي الضيق متخصص في مهمة واحدة ومحددة، بينما الذكاء الاصطناعي العام يمتلك قدرة فكرية بشرية على أداء أي مهمة معرفية. |
| ما هو التعلم الآلي (Machine Learning) وعلاقته بالذكاء الاصطناعي؟ | التعلم الآلي هو فرع من فروع الذكاء الاصطناعي يركز على تطوير خوارزميات تسمح للأنظمة بالتعلم من البيانات دون برمجة صريحة. |
| ما هي الشبكات العصبية الاصطناعية (Artificial Neural Networks)؟ | هي نماذج حسابية مستوحاة من بنية ووظيفة الدماغ البشري، وتستخدم في التعلم العميق لمعالجة البيانات واكتشاف الأنماط المعقدة. |
| اذكر بعض التحديات الأخلاقية المتعلقة بالذكاء الاصطناعي. | تشمل قضايا الخصوصية، التحيز في البيانات والخوارزميات، فقدان الوظائف، والمسؤولية في حال وقوع أخطاء أو قرارات غير عادلة. |
| ما هو معالجة اللغات الطبيعية (Natural Language Processing – NLP)؟ | هو فرع من الذكاء الاصطناعي يركز على تمكين أجهزة الكمبيوتر من فهم، تفسير، وإنشاء اللغة البشرية بطريقة مفيدة وتفاعلية. |
| كيف يمكن للذكاء الاصطناعي أن يؤثر على سوق العمل؟ | يمكن أن يؤدي إلى أتمتة بعض المهام الروتينية، مما يتطلب إعادة تأهيل العمال وخلق وظائف جديدة في مجالات تصميم، تطوير، وصيانة أنظمة الذكاء الاصطناعي. |
| ما هي الرؤية الحاسوبية (Computer Vision)؟ | هي مجال في الذكاء الاصطناعي يمكن أجهزة الكمبيوتر من “رؤية” وفهم وتفسير الصور ومقاطع الفيديو بنفس الطريقة التي يفعلها البشر، مما يمكنها من التعرف على الأشياء والوجوه. |
| ما هي أهمية البيانات في تطوير أنظمة الذكاء الاصطناعي؟ | البيانات هي الوقود الذي يغذي أنظمة الذكاء الاصطناعي، خاصة في التعلم الآلي. جودة وكمية البيانات تؤثر بشكل كبير على دقة وأداء النماذج وقدرتها على التعلم واتخاذ القرارات الصحيحة. |
و دیگر خدمات آژانس تبلیغاتی رسا وب در زمینه تبلیغات
تحلیل داده هوشمند: طراحی شده برای کسب‌وکارهایی که به دنبال افزایش نرخ کلیک از طریق برنامه‌نویسی اختصاصی هستند.
تبلیغات دیجیتال هوشمند: بهینه‌سازی حرفه‌ای برای جذب مشتری با استفاده از هدف‌گذاری دقیق مخاطب.
سئو هوشمند: خدمتی اختصاصی برای رشد تحلیل رفتار مشتری بر پایه تحلیل هوشمند داده‌ها.
سئو هوشمند: خدمتی نوین برای افزایش رشد آنلاین از طریق بهینه‌سازی صفحات کلیدی.
بازاریابی مستقیم هوشمند: راه‌حلی سریع و کارآمد برای جذب مشتری با تمرکز بر تحلیل هوشمند داده‌ها.
و بیش از صد ها خدمات دیگر در حوزه تبلیغات اینترنتی ،مشاوره تبلیغاتی و راهکارهای سازمانی
تبلیغات اینترنتی | استراتژی تبلیعاتی | ریپورتاژ آگهی
منابع
مقدمه ای بر هوش مصنوعی
,هوش مصنوعی چیست و چه کاربردهایی دارد؟
,هوش مصنوعی چیست ؟ (+ کاربردها، مزایا و معایب)
,هوش مصنوعی چیست؟ همه چیز دربارهٔ AI
? آماده‌اید تا کسب‌وکار خود را در دنیای دیجیتال متحول کنید؟ آژانس دیجیتال مارکتینگ رساوب آفرین با تخصص در زمینه‌های مختلف از جمله طراحی وبسایت حرفه ای، سئو، و مدیریت شبکه‌های اجتماعی، مسیر رشد و موفقیت شما را هموار می‌کند.
📍 تهران ، خیابان میرداماد ،جنب بانک مرکزی ، کوچه کازرون جنوبی ، کوچه رامین پلاک 6
