نقش افراد در پروژه هوش مصنوعی
کارآفرینیکسب‌و‌کار

نقش افراد در پروژه هوش مصنوعی: مروری بر اهمیت تیم‌سازی

    0
    مدت زمان مطالعه: ۴ دقیقه

    نقش افراد در پروژه هوش مصنوعی و راه‌اندازی آن کاملا متفاوت است. اولین نقش متعلق به خود شماست. اگر در شرف راه‌اندازی اولین پروژه‎‌ی هوش مصنوعی خود هستید، خودتان هم باید نقشی در پروژه بر عهده داشته باشید. هیچ‌گاه نباید مسئولیت‌های کلیدی را به فرد دیگری واگذار کنید و از آن‌جایی که هوش مصنوعی یکی از ستون‌های اصلی شرکت شماست، باید از همان ابتدا در آن نقش داشته باشید.

    نقش شما در این تیم، «تصمیم‌گیرنده» خواهد بود؛ یعنی فردی که می‌داند شرکت چطور از طریق یک کسب و کار هوش مصنوعی، برای کارکنان و مشتریان، ارزش‌آفرینی می‌کند. این‌که تنها ۳۰ دقیقه در هفته را به این پروژه‌ی اختصاص دهید کافی نیست؛ روزی چند ساعت را برای یادگیری بیشتر هوش مصنوعی کنار بگذارید. از آن‌جایی که هوش مصنوعی با داده‌ها سر و کار دارد، باید بدانید چطور بر مبنای داده‌ها تصمیم‌گیری کنید؛ به این فرآیند، تفکر مبتنی بر داده گفته می‌شود. هیچ اشکالی ندارد یک مربی با تجربه‌ی رهبری تیم‌های هوش مصنوعی داشته باشید برای این‌که به تفکر و تصمیم‌گیر مبتنی بر داده‌ی شما کمک کند؛ اما به خاطر داشته باشید که در نهایت شما تصمیم‌گیرنده و رهبر این تیم هستید. پیشنهاد ما این است که یک روانشناس (فارغ‌التحصیل از مقاطع تحصیلات تکمیلی) را به عنوان دستیار شخصی خود استخدام کنید؛ این متخصصان در تصمیم‌گیری مبتنی بر داده و اندازه‌گیری آن‌چه غیرقابل اندازه‌گیری است، تجربه دارند.

    نقش افراد در پروژه هوش مصنوعی

    # مدیر پروژه متخصص در هوش مصنوعی

    مبحث دیگر درمورد نقش افراد در پروژه هوش مصنوعی مربوط به مدیر پروژه است. نکته‌ی عجیب اینجاست که اکثر پروژه‌های هوش مصنوعی، هیچ مدیر پروژه‌ای ندارند. بسیاری از افراد در پروژه‌های خود از چارچوب SCRUM استفاده می‌کنند؛ اما این روش اغلب با شکست روبرو می‌شود. مدیر پروژه‌ی هوش مصنوعی، هم‌گام با شما، در مسیر دستیابی به موفقیت نقش بسیار مهمی ایفا می‌کند. اگر پروژه‌ای که در دست دارید جزو اولین پروژه‌های هوش مصنوعی شماست، فرد لازم برای این سمت را باید از بیرون شرکت انتخاب کرده و به کار بگیرید.

    مدیر پروژه‌ی هوش مصنوعی حوزه‌ی کاری مربوطه را می‌شناسد، و در عین حال با داده‌ها، مدیریت فرآیند و مدیریت پروژه نیز آشنایی دارد. او وظیفه دارد از انجام درست وظایف توسط اعضای تیم اطیمنان حاصل کند، انسجام تیمی را حفظ کند و فردی باشد که اعضاء در صورت بروز مشکل می‌توانند به او مراجعه کنند. شمار مدیران پروژه‌ی هوش مصنوعی اندک است و هزینه‌ی استخدام آن‌ها از مدیران پروژه‌ی معمولی بیشتر است. دقت داشته باشید نباید مدیران پروژه‌ای که در شرکتتان حضور دارند را انتخاب کنید، به این امید که کار را یاد خواهند گرفت! در رابطه با نقش افراد در پروژه هوش مصنوعی باید بدانید اگر بخواهید در هزینه‌های انتخاب فرد مناسب برای این نقش صرفه‌جویی کنید، در ادامه‌ی مسیر با پیامدهای منفی این تصمیم روبرو خواهید شد!

    # تحلیل‌گر داده

    هنگام بررسی نقش افراد در پروژه هوش مصنوعی باید به تحلیل‌گر داده توجه شود. شاید عنوان تحلیل‌گر داده کمی تجملاتی به نظر برسد، اما واقعیت این است که این نقش را می‌توانید با هر کدام از اعضای تیمتان پر کنید. وظایف این نقش شامل بررسی داده‌ها و معنای آن‌ها می‌باشد. فرض کنید یک صفحه اکسل با ۵۰ ستون دارید که هرکدام یک منبع داده را نشان می‌دهند. کارکنان شرکت شما که احتمالاً در حوزه‌ی کاری خود تخصص دارند می‌توانند فوراً به نتیجه برسند که مشکل شرکت کجاست (برای مثال نیاز به پیش‌بینی یا پیش‌گویی) و چطور می‌توان برای حل آن از این داده‌ها استفاده کرد. متخصص علوم داده شاید بتواند یک مدل برایتان بسازد، اما نمی‌تواند تصویر بزرگ‌تر و معنای این داده‌ها را درک کند و بفهمد این داده‌ها چطور ایجاد شده‌اند و چگونه به یکدیگر مرتبط می‌شوند.

    # مهندس داده

    در پروژه‌های هوش مصنوعی، عمده‌ی زمان صرف فرآیند مهندسی داده می‌شود و از این بابت است که درباره نقش افراد در پروژه هوش مصنوعی باید به این مبحث توجهی ویژه شود. فردی که این نقش را بر عهده دارد باید قبل از تحلیل یا مدلسازی، داده‌ها را دریافت، پیش‌پردازش و پردازش کند. اگر دیتاستی که در دست دارید کوچک باشد، مهندس داده شاید صرفاً کاماها را به نقطه‌ها تغییر دهد تا دیتاست‌های اروپایی و آمریکایی را ادغام کند. اما اگر حجم دیتاست به ترابایت می‌رسد، کار پیچیده‌تر خواهد شد. نقش مهندس داده در پروژه‌ی هوش مصنوعی نقشی کلیدی است. نباید از هر متخصص داده‌ای که می‌شناسید بخواهید این کار را انجام دهد؛ از یک سو ممکن است این پیشنهاد را به عنوان توهین تلقی کنند، و از سوی دیگر ممکن است هیچ ایده‌ای در مورد این کارها و وظایفش نداشته باشند. فرض کنید می‌خواهید مسئله‌ی بهینه‌سازی لحظه‌ای را حل کنید؛ در این صورت مهندس داده باید دانش خوبی در مورد دیتابیس‌ها، مدیریت آن‌ها، جستجو و مرتب کردن راهبردها و موضوعاتی از این دست داشته باشد.

    # مهندس یادگیری ماشینی اجرایی

    کسی کزیرکف، یکی از افراد کلیدی هوش مصنوعی در گوگل، پیشنهاد می‌کند که مهندسی اجرایی یادگیری ماشین را نیز به لیست نقش‌های لازم در یک پروژه یادگیری ماشینی اضافه کنیم. مهندس اجرایی یادگیری ماشینی، الگوریتم نمی‌سازد و یا حتی با جزئیات کارکرد آن‌ها آشنایی ندارد. این فرد باید همه‌ی مجموعه نرم‌افزارهای مربوط به مدل‌های هوش مصنوعی را بشناسد و نحوه‌ی کار با آن‌ها و ورود آن‌ها به خط تولید را بلد باشد. این متخصصان زیاد کد می‌نویسند و سعی می‌کنند کل سیستم را به کار بیاندازند. آن‌ها کل روال پردازشی یادگیری ماشینی را بلد هستند و به شما کمک می‌کنند مدل‌هایی خارق‌العاده خلق کنید. طبق نظرات کسی، برای این سِمت باید به دنبال فردی باشید که تحمل شکست بالایی دارد، زیرا کاری که انجام می‌دهد عملاً مانند یک جعبه‌ی سیاه است. برخی این نقش را به نام MLOps می‌خوانند.

    # متخصص علوم داده

    حالت ایده‌آل این است که متخصصان علوم داده آماردان و مهندسان اجرایی نیز باشند و علاوه بر این، با نحوه‌ی ساخت مدل‌های یادگیری عمیق نیز آشنایی داشته باشند؛ اما واقعیت خلاف این است. شایستگی‌هایی لازم برای این نقش بستگی به نوع مسئله‌ای دارد که می‌خواهید حل کنید. افراد می‌توانند در حوزه‌های مختلف، مثل پردازش زبان طبیعی، خودروهای خودران، بهینه‌سازی راهبردی در بانک‌داری و مواردی از این دست، تخصص داشته باشند. به همین دلیل قبل از این‌که متخصص داده برای پروژه‌ی خود به کار بگیرید، به کمک تیمتان همه‌ی جوانب مسئله‌ای که در دست دارید را بسنجید و آن را بشناسید.

    بدیهی است نقش‌های فراوانی دیگری نیز وجود دارند، اما مواردی که بیان کردیم نقش‌های کلیدی هستند که در آغاز کار به آن‌ها نیاز خواهید داشت. یک نکته‌ی دیگر! اگر این اولین پروژه هوش مصنوعی شماست، وقتتان را صرف به کارگیری پژوهشگران علوم داده نکنید. اولین پروژه‌ی شما باید از مدل‌هایی استفاده کند که به خوبی مورد مطالعه قرار گرفته و اثبات شده‌اند. وقت و انرژی خود را برای ظواهر و تجملات کار هدر ندهید. به خاطر داشته باشید که برای کاهش خطر، باید از میزان پیچیدگی کاست. بعد از این‌که داده ها را به خوبی شناختید و به این پی بردید که الگوریتم‌های out-of-the-box می‌توانند مناسب کار شما باشند، آن‌گاه می‌توانید به دنبال پژوهشگرانی با تخصص‌های بالاتر و متنوع‌تر باشید.

    این مطلب چه میزان برای شما مفید بوده است؟
    [کل: ۰ میانگین: ۰]

    در حضور دکتر سورنا ستاری از ۲۷ محصول حوزه فناوری همگرا رونمایی شد

    مقاله قبلی

    بررسی تراشه تسلا و ادعای ایلان ماسک درباره طراحی بهترین تراشه‌های جهان

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    بیشتر در کارآفرینی

    نظرات

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *