استخدام در عصر انقلاب هوش مصنوعی چگونه است

چهارشنبه ۱۷ بهمن ۱۳۹۷ - ۱۳:۰۰
مطالعه 10 دقیقه
شرکت‌هایی که از فناوری‌های هوش مصنوعی استفاده می‌کنند، به چه نیروی کاری نیاز دارند و در مقابل، باید چه فرصت‌هایی برای کارشناسان AI فراهم کنند؟
تبلیغات

در سال‌های آینده، هوش مصنوعی (AI) به یکی از ابزارهای استراتژیک اغلب کسب‌وکارها تبدیل خواهد شد. اما در این راه یک چالش عمده نیز وجود دارد: استخدام. درواقع، تشخیص افرادی که می‌توانند این تکنولوژی را به نحو عالی به کار بگیرند، دشوار است و حتی در یک گام جلوتر، احتمالاً در سیلیکون‌ولی جنگ سختی بر سر نیروی کار ماهر این حوزه رخ خواهد داد.

اما شرکت‌هایی که می‌خواهند مسیر پیشرفت خود را با موفقیت طی کنند، باید مهارت‌های کلیدی موردنیاز خود را بشناسند. در این مطلب، این مهارت‌ها را از زبان کارشناسان کسب‌وکار می‌شنویم:

Dialpad

دن اوکانل، مدیر ارشد استراتژی و عضو هیئت‌مدیره‌ی شرکت Dialpad

«من فکر می‌کنم تیم‌های AI (پردازش زبان طبیعی، یادگیری ماشین و غیره)، ضرورتاً باید از ترکیب پیش‌زمینه‌های مختلف برخوردار باشند. بنابراین استخدام متخصصان دانشگاهی و PHDهایی که قدرت تفکر و ساخت آخرین نوآوری‌ها را دارا هستند، ضروری است. اما درعین‌حال ما به نیروهای مجرب محیط کسب‌وکار نیز نیاز داریم. افرادی که می‌دانند چگونه باید کدنویسی کنند یا از فرایند حمل‌ونقل محصول آگاه‌اند. افرادی که به اوج و افول یک استارتاپ یا شرکت، عادت دارند. شما نمی‌توانید صرفاً با نیروهای آکادمیک پیش بروید، یا بالعکس، فقط از افراد باتجربه استفاده کنید. ما متوجه شده‌ایم که برای ساخت مدل‌ها، طراحی گزینه‌ها و امکانات و عرضه‌ی محصولات به بازار، به ترکیب هر دو گروه نیاز داریم.»

صوفس مکس‌کاسی، معاون بخش علوم داده شرکت HackerRank

«بسیاری از شرکت‌ها، هنوز نمی‌دانند که برای یکپارچه‌سازی AI و کسب‌وکار، به یک تیم بزرگ از متخصصان یادگیری عمیق (deep learning) نیاز ندارند. شما برای تکمیل صحیح امور، به چند کارشناس و یک تیم پشتیبانی متشکل از مهندسین تحقیق، مهندسین محصول و مدیران محصول نیاز دارید. گستره‌ی هوش مصنوعی، بسیار وسیع‌تر از یادگیری عمیق است و کسب‌وکارها باید به‌دنبال کارمندانی باشند که در زمینه‌ی یادگیری ماشین، قوی هستند. بسیاری از کارجویانی که از پیشینه‌ی تئوری یادگیری ماشین برخوردار هستند، ابزارهای موردنیاز برای یادگیری شغل مرتبط را نیز دارا هستند. اصولاً آموزش مهارت‌های ضروری هوش مصنوعی به نیروی کار مستعد، برای کسب‌وکار شما ارزان‌تر و سریع‌تر از این تمام می‌شود که بخواهید یک متخصص تمام‌عیار هوش مصنوعی پرورش دهید. بهتر است مهندسین خوب تحقیقاتی استخدام کنید، زیرا این افراد می‌توانند مقالات و معادلات علمی را تحویل بگیرند و سریعاً آن‌ها را به کد تبدیل کنند. نیروی کار هدف، معمولاً مهندسینی هستند که در رشته‌های علوم کامپیوتر، فیزیک و برق، از پایه‌ی فنی برخوردارند. آن‌ها درکنار یک یا چند متخصص AI، یک تیم قدرتمند AI را تشکیل می‌دهند. کافی است که به این گروه یک مدیر محصول هم اضافه کنید تا به آن‌ها بگوید چه محصولی بسازند. پس‌ازآن شما یک نیروگاه دارید!»

Zendesk

کریس هاسلر، مدیر تحقیقات داده شرکت Zendesk

«هر فردی که در حوزه AI کار می‌کند، باید بتواند کدنویسی کند و از مهارت‌های جامع ریاضی و آمار هم برخوردار باشد. شما برای به‌کارگیری موفق هوش مصنوعی، به یک PHD نیاز ندارید، اما کنجکاوی و اشتیاق واقعی به یادگیری، به شما کمک می‌کند در این حوزه سریع‌تر پیشرفت کنید. البته مهارت پیاده‌سازی و اعتبارسنجی ایده‌های عملی خودتان هم مزیت بزرگی محسوب می‌شود. ما پرسنل خودمان را با موفقیت از بین رشته‌هایی استخدام کردیم که روی آزمایش و حل مسئله متمرکز بودند. تیم علوم داده‌ی Zendesk از افرادی تشکیل‌ شده که دارای سوابق متنوعی در رشته‌های ژنتیک، اقتصاد، داروسازی، علوم اعصاب، علوم کامپیوتر و یادگیری ماشین هستند.»

Teradata

عطیف کریشی، معاون ارشد روش‌های نوظهور در شرکت Teradata

«می‌توان استدلال کرد که مهارت‌های AI شبیه به علم داده است : ترکیبی از ریاضیات، علوم کامپیوتر و تخصص دامنه. اما واقعیت این است که مدل‌های هوش مصنوعی، (تا حدود زیادی) بر مبنای دو چیز پیش‌بینی می‌شوند: اتوماسیون و داده‌ها.

پیچیدگی فزاینده در خودکارسازی جوانب کلیدی ساخت، آموزش و استقرار مدل‌های هوش مصنوعی (نظیر انتخاب مدل، نمایش ویژگی‌ها، تنظیم پارامترها و غیره)، به این معنی است که مهارت‌های موردنیاز باید روی چرخه‌ی حیات مدل و اصول مدیریت ریسک مدل متمرکز شود. زیرا ما می‌خواهیم از قابل‌اعتماد بودن، شفافیت، ایمنی و ثبات مدل، اطمینان حاصل کنیم. این موارد عمدتاً بین نقش‌های مختلف سازمان که با سیاست، مقررات، اخلاق، فناوری و علم اطلاعات سروکار دارند، پخش هستند. اما به‌منظور مقیاس دهی هوش مصنوعی، همه‌ی این نقش‌ها باید همگرا شوند.»

Deep Instinct

گای کاسپی، مدیرعامل و هم‌بنیانگذار Deep Instinct

«افرادی که دارای سوابق عالی آکادمیک هستند، به یکی از این دو جهات گرایش پیدا می‌کنند: برخی از آن‌ها تا زمانی‌که یک پروژه در سطح بسیار بالا تکمیل نشود، آن را رها نمی‌کنند. این افراد غالباً سررسید زمانی یا مهلت تحویل پروژه را از دست می‌دهند. گروه دوم برعکس‌اند: آن‌ها به استانداردهای سطح علمی دانشگاهی کفایت می‌کنند، حال‌آنکه ممکن است استانداردهای فوق، الزامات تولید سازمانی را برآورده نکند. ما به‌دنبال افرادی هستیم که هم پیش‌زمینه‌ی دانشگاهی خوبی دارند و درعین‌حال، گرایش و تمایل شدیدی به محصول یا عملیات باکیفیت دارند.»

باتوجه‌به این اظهارات، به نظر می‌رسد کارمندانی که می‌خواهند در بخش هوش مصنوعی استخدام شوند، باید مهارت‌های متنوعی را در خود ارتقا دهند. از طرف دیگر، شرکت‌ها نیز باید برای جذب این گروه از نیروی کار در رقابتی جدی شرکت کنند و هزینه‌ی زیادی بپردازند. مؤسسه‌ی آموزشی یوداسیتی شاهد خوبی برای افزایش تقاضای دوره‌های آموزشی رشته‌ی AI است. این مؤسسه در وبلاگ خود، از افزایش نرخ ثبت‌نام متقاضیان در حوزه‌های هوش مصنوعی و یادگیری ماشین می‌نویسد. در این گزارش آمده که تقاضای شرکت در دوره‌های AI و هوش مصنوعی، از سال ۲۰۱۷ تا سال ۲۰۱۸ بیش از ۳۰ درصد افزایش‌ یافته و در سال ۲۰۱۸ نیز با افزایش خیره‌کننده‌ی ۷۰ درصدی مواجه بوده است.

از طرف دیگر، شرکت‌هایی که مایل‌اند بهترین کارمندان را در بخش هوش مصنوعی خود به کار بگیرند، باید دوره‌های آموزشی مفید و باکیفیتی را برای پرسنل خود برگزار کنند. در غیر این‌صورت همه‌ی تلاش آن‌ها برای استخدام هوشمندانه‌ی متخصصان، با خطر شکست رو‌به‌رو خواهد بود. بیایید ببینیم شرکت‌های برتر جهان، چه برنامه‌ای برای آموزش مهارت‌های هوش مصنوعی در نظر گرفته‌اند:

Kryon Systems

اوهاد بارنوی، معاون ارشد دپارتمان موفقیت مشتری شرکت Kryon Systems

«در شرکت ما، برنامه‌ی آموزشی توسعه‌دهندگان AI، با یک دوره‌ی مشروح درک پلتفرم Kryon  آغاز می‌شود. دوره‌ی آنلاین «کریون آکادمی»، برنامه‌ای برای آموزش مؤثر هوش مصنوعی به‌موازات سایر آموزش‌های لازم شغلی است. توسعه‌دهندگان باید طی یک ترم سه‌ماهه، در جلسات توسعه‌ی حرفه‌ای آنلاین و QA (پرسش و پاسخ) شرکت کنند.»

کریس هاسلر، مدیر علوم داده شرکت Zendesk

«ازآنجاکه تحقیق و فناوری حوزه‌ی AI به‌سرعت در حال پیشرفت است، افرادی که در این بخش کار می‌کنند باید دائماً در حال یادگیری و ارتقا و به‌روزرسانی مهارت‌های خود باشند. در شرکت Zendesk، ما یک کلوپ کاغذی هفتگی را اداره می‌کنیم که در جلسات آن، درباره‌ی آخرین تحقیقات هوش مصنوعی مرتبط با کارمان صحبت می‌کنیم. به‌علاوه، تیم ما در «روزهای لابراتوار»، زمان و فرصت کافی را برای آزمایش ایده‌های جدید در اختیار دارد.»

Teradata

عطیف کریشی، معاون ارشد روش‌های نوظهور در شرکت Teradata

«گرچه بسیاری از کارمندان، با شرکت در دوره‌های همگانی و انبوه آموزش آزاد (MOOCs)، مجموعه مهارت‌های خود را در حوزه‌ی یادگیری عمیق ارتقا می‌دهند، اما به‌ندرت کارشناسانی را می‌بینید که در عمل هم این مهارت‌ها را اجرا می‌کنند. بین این دو گروه، تفاوت قابل‌توجهی وجود دارد. مسلماً کلاس‌ها و رقابت‌های آموزشی، گام مهمی در مسیر درست هستند، اما جایگزین اقدامات عملی و تجربه‌های واقعی نمی‌شوند.

سازمان‌ها باید تیم‌های AI خود را در واحدهای مختلف  کسب‌وکار مستقر کنند، تا آن‌ها با مشکلات و چالش‌هایی که خط تجاری شرکت، در پروسه‌ی ساخت قابلیت‌های هوش مصنوعی با آن‌ها مواجه است، آشنا شوند. در این صورت آموزه‌هایی که در مراکز آموزش عالی به کارمندان ارائه‌شده، رنگ عملی و کاربردی‌تری به خود می‌گیرد و تجربه‌های واقعی سازمان را به جلو پیش می‌برد.»

گای کاسپی، مدیرعامل و هم‌بنیانگذار Deep Instinct

«در شرکت Deep Instinct، آموزش‌ها در دو حوزه متمرکز می‌شوند: درک جامع از یادگیری عمیق، یادگیری ماشین و کلان داده؛ به‌علاوه یک بخش اضافی: دامنه‌ی محصول ما. به‌عنوان‌مثال در طول دوره‌ی آموزشی، کارشناسان امنیت سایبری دائماً دانش خود را با کارشناسان یادگیری عمیق به اشتراک می‌گذارند. به این دلیل که وقتی یک کارشناس یادگیری عمیق یا یادگیری ماشین، دو طول دوره‌ی آموزشی با علوم دیگری مثل امنیت سایبری نیز سروکار دارد، عملکرد مؤثرتری خواهد داشت و با مسائل دنیای واقعی هم بهتر سازگار می‌شود.»

Callsign

یوگش پاتل، مدیر ارشد فناوری و مدیر تحقیقاتی هوش مصنوعی شرکت Callsign

«در حوزه‌ی کلان داده، مرز بین مهندسین داده، مهندسین نرم‌افزار و دانشمندان داده، وضوح خود را از دست می‌دهد. دراین‌بین کشش و تقاضای بیشتری برای دانشمندان داده وجود دارد و طبیعتاً مهندسین داده و مهندسین نرم‌افزار، تلاش می‌کنند مهارت‌های خودشان را به دانشمندان داده نزدیک کنند. از زمانی‌که «یادگیری عمیق» معرفی‌ شده است، دیگر زمان کمتری برای اکتشاف داده، پاک کردن داده و مهندسی ویژگی یا feature engineering صرف می‌شود. لااقل در تئوری! شاید به همین دلیل است که ما هرروز شاهدیم افراد بیشتری خودشان را به‌عنوان دانشمند داده معرفی می‌کنند. اما کاری که این کارشناسان در عمل انجام می‌دهند، صرفاً اضافه کردن رویکرد بروت فورس ( Brute Force) به یادگیری ماشین است.

علاوه‌بر این، برخی از شرکت‌ها و مؤسسات آموزشی نیز ادعا می‌کنند که حضور در این دوره‌ها، مستلزم هیچ پیش‌نیازی درزمینه‌ی کار با داده یا آمار نیست. شاید این موضوع برای بعضی از صنایع صادق باشد، ولی ما در بخش امنیت سایبری، به افرادی نیاز داریم که درک جامعی از دامنه و مفاهیم علمی داده دارند. کارشناسانی که معانی و خواص آماری و همچنین روابط بین رفتارهای داده در انواع منابع داده را به‌خوبی می‌فهمند و می‌شناسند. این کارشناسان باید به‌خوبی متوجه شوند که ویژگی‌ها داده و منابع داده، چگونه هر الگوریتم مفروض را تحت تأثیر قرار می‌دهند، به‌ویژه زمانی‌که با مشکلات ناهماهنگی و عدم توازن طبقه‌بندی مواجهیم. به‌عنوان‌مثال در تمارین شناسایی تقلب اعتباری، کارشناسان باید درباره چگونگی، زمان و مکان وقوع انواع تراکنش‌ها، قوه‌ی تحلیل و فراست خوبی داشته باشند، زیرا این پارامترها، پیش‌شرط ِتدوین و آزمایش فرضیه‌های تجربی هستند. در همین مثال، ما باید بفهمیم زمانی‌که تعداد محدود یا هیچ تراکنش مفروضی وجود ندارد و تنظیم یا سازگاری الگوریتم هم ضروری است، یک الگوریتم گروه‌بندی خاص، چگونه و تحت تأثیر چه عواملی قرار می‌گیرد.»

Artificial Intelligence

الکس اسپینلی، مدیر فناوری LivePerson

«مدیران و رهبران باید مفاهیم را یاد بگیرند. آن‌ها باید یاد بگیرند که کاربردهای هوش مصنوعی، به چه چیزهای اطلاق می‌شود و به چه مواردی اشاره ندارد.

به‌عنوان‌مثال، AI توسط داده‌ها و نمونه‌ها طراحی می‌شود. مسائلی که از تاریخچه و سوابق محدودی برخوردار هستند، نمونه‌ی خوبی برای مسائلی که به‌آسانی به کمک هوش مصنوعی حل می‌شود، نیستند. این جریان با عنوان شروع سرد، شناخته می‌شود.

خروجی‌های AI همیشه قابل پیش‌بینی نیست. این بدان معنی است که ماهیت خطی طراحی محصول و جریان کار تغییر می‌کند. توجه کنید که مهندسی معکوس، یعنی پی بردن به اینکه چرا یک سیستم AI جواب خاصی ارائه می‌دهد، اصلاً آسان نیست. یکی دیگر از مؤلفه‌های مهم فرایند آموزش، توسعه‌ی مهارت‌های جدید طراحی محصول است که از مزایای هوش مصنوعی بهره بگیرد. طراحان محصول و رهبران، باید آمار و احتمال را به روش‌های جدید یاد بگیرند.»

JazzHR

کوری برکی، مدیر منابع انسانی JazzHR

«بسیاری از شرکت‌ها، روی آموزش کارکنان خود سرمایه‌گذاری می‌کنند تا مطمئن شوند که با پیشرفت‌های تکنولوژی و صنعت، به‌روز می‌مانند. درحالی‌که ریاضی و فناوری کامپیوتر، به‌عنوان ستون فقرات نقش‌های مبتنی بر AI عمل می‌کنند، اما بازهم تداوم آموزش و یادگیری این حوزه، کاملاً ضروری است. امروزه بسیاری از راهکارهای آموزش آنلاین، گواهینامه‌ها و مدارک دانشگاهی متنوع و مرتبطی را به متقاضیان پیشنهاد می‌دهند. آن‌ها به کارمندان کمک می‌کنند که دانش خود را در رشته یا فیلد برنامه‌نویسی، یادگیری ماشین، مدل‌سازی گرافیکی و ریاضیات پیشرفته، توسعه دهند. ضروری است که شرکت‌ها؛ فرصت توسعه و پیشرفت این گروه از نیروی کار جدید را فراهم کنند، تا آن‌ها بتوانند مهارت‌های خود را به‌خوبی در عمل به کار بگیرند و بهترین راهکارها و نکات را از همتایان خود بیاموزند.

مقاله رو دوست داشتی؟
نظرت چیه؟
داغ‌ترین مطالب روز
تبلیغات

نظرات