مصاحبه‌های علوم داده در دوران هوش مصنوعی

هوش مصنوعی به شکل قابل توجهی روش کار روزمره دانشمندان داده را دگرگون می‌کند. برای باقی ماندن در رقابت، این متخصصان باید یاد بگیرند چگونه بهره‌وری خود را با کمک هوش مصنوعی افزایش دهند و فرصت‌های جدیدی خلق کنند. در همین حال، این تغییرات چالشی تازه برای مدیران جذب نیرو ایجاد می‌کند: چگونه می‌توان بهترین استعدادهایی را یافت که در عصر هوش مصنوعی موفق عمل کنند؟

یکی از اقدامات اساسی در تشکیل تیم‌های علوم داده توانمند و مجهز به هوش مصنوعی، بازطراحی فرایند استخدام است تا توانایی داوطلبان در همکاری مؤثر با هوش مصنوعی به‌طور دقیق‌تر ارزیابی شود.

در این مقاله، دیدگاه خود را در مورد چگونگی تغییر مصاحبه‌های شغلی برای دانشمندان داده در عصر هوش مصنوعی ارائه می‌کنیم. اگرچه تمرکز اصلی بر نقش‌های تحلیلگر داده‌های علمی (Data Scientist Analytics – DSA) است اما بسیاری از این ایده‌ها برای سایر جایگاه‌های حوزه داده، از جمله مهندسان یادگیری ماشین (Machine Learning Engineers – MLE) نیز کاربرد دارد.

1. ساختار سنتی مصاحبه برای دانشمندان داده

پیش از پرداختن به تغییرات آتی، ابتدا نگاهی به ساختار فعلی مصاحبه‌های شغلی برای دانشمندان داده می‌اندازیم. فرایند معمول، علاوه بر تماس اولیه با مسئول جذب نیرو و بررسی مدیر استخدام، شامل مراحل زیر است:

• مصاحبه‌های کدنویسی: بررسی مهارت‌های SQL و پایتون داوطلب برای سنجش نحو (syntax) و منطق پایه‌ای برنامه‌نویسی.
• مصاحبه‌های آماری: پرسش‌هایی در حوزه آمار و احتمال و کاربردهای رایج آماری در گردش‌کار علوم داده، مانند آزمون A/B و استنتاج علی.
• مصاحبه‌های یادگیری ماشین: بررسی دقیق الگوریتم‌ها، تجربیات و پروژه‌های مرتبط با یادگیری ماشین.
• مصاحبه‌های کسب‌وکار: تحلیل یک مسأله فرضی برای ارزیابی تفکر تحلیلی و درک کسب‌وکار، شامل شاخص‌ها، قیف‌ها، استراتژی‌های رشد و حفظ مشتری و رویکردهای تحلیلی.
• مصاحبه‌های رفتاری: پرسش‌هایی مانند «یک پروژه را برایم توضیح بده» یا «زمانی که با فلان چالش روبرو شدی چه کردی؟» برای سنجش نحوه برخورد داوطلب با موقعیت‌های خاص و میزان تناسب فرهنگی او.
• مصاحبه‌های بین‌وظیفه‌ای: هرچند نقش دانشمند داده فنی است اما ماهیتی میان‌وظیفه‌ای دارد چرا که هدف نهایی ایجاد اثر واقعی بر کسب‌وکار از طریق داده است. بسیاری از فرایندهای مصاحبه شامل یک دور گفت‌وگو با شریک تجاری برای ارزیابی دانش حوزه، مهارت‌های ارتباطی و توانایی همکاری با ذی‌نفعان می‌شود.

از این فهرست می‌توان دریافت که مصاحبه‌های دانشمند داده معمولاً ترکیبی متوازن از ارزیابی‌های فنی و غیرفنی هستند. با ورود هوش مصنوعی، برخی مراحل به‌طور چشمگیری دگرگون خواهند شد، در حالی‌که برخی دیگر اهمیت بیشتری پیدا می‌کنند. در ادامه، این تغییرات را دقیق‌تر بررسی خواهیم کرد.

2. چگونه مصاحبه‌ها در عصر هوش مصنوعی دگرگون خواهند شد

تغییر ساختار مصاحبه‌ها به دو عامل اصلی بستگی دارد:

1. قابلیت هوش مصنوعی در انجام وظیفه: آیا هوش مصنوعی قادر است آن وظیفه را با سرعت و دقت انجام دهد؟
2. ارزیابی بهره‌گیری هوشمندانه داوطلب: آیا آن وظیفه می‌تواند نشان دهد که داوطلب توانایی استفاده مؤثر و سنجیده از هوش مصنوعی را دارد؟

مصاحبه‌های کدنویسی: اولین مرحله‌ای که احتمالاً تغییر خواهد کرد

هوش مصنوعی توانایی انجام سریع بسیاری از وظایف ساده‌ کدنویسی را دارد، به همین دلیل، مصاحبه‌های کدنویسی یکی از نخستین بخش‌هایی هستند که تحت تأثیر این فناوری قرار می‌گیرند. در مصاحبه‌های سنتی، داوطلبان باید کوئری‌های SQL یا کدهای پایتون را به‌درستی بنویسند. سؤالات SQL معمولاً شامل ترکیب جدول‌ها (joins)، استفاده از CTE، توابع تجمعی (aggregations) و توابع پنجره‌ای (window functions) است. در پایتون، پرسش‌ها غالباً مربوط به دست‌کاری داده‌ها با کتابخانه‌های pandas و numpy یا مسائل سبک LeetCode می‌شوند.

واقعیت این است که هوش مصنوعی امروزه می‌تواند بسیاری از این سؤالات را به‌راحتی حل کند. آزمایش‌ها نشان داده‌اند که مدل‌هایی مانند ChatGPT، Claude و Gemini قادرند حتی مسائل SQL ساده را با دقت بالا پاسخ دهند. چالش واقعی کدنویسی برای دانشمندان داده، نه در نوشتن نحو صحیح بلکه در دو جنبه است:

1. درک ساختار داده و شناسایی جدول‌ها و فیلدهای مناسب
2. ترجمه مسائل کسب‌وکاری و تحلیلی به کد و کوئری‌های کاربردی

به عبارت دیگر، مصاحبه‌های کدنویسی فعلی بیشتر نحو و قواعد پایه را می‌سنجند و کمتر توانایی حل مسأله واقعی را ارزیابی می‌کنند، این محدودیت حتی پیش از ظهور هوش مصنوعی وجود داشت. اکنون که هوش مصنوعی می‌تواند این وظایف را به سرعت انجام دهد، این بخش از مصاحبه نیازمند بازنگری است.

چگونه مصاحبه‌های کدنویسی را معنادارتر کنیم؟

اولین قدم، اجازه دادن به داوطلبان برای استفاده از ابزارهای هوش مصنوعی مانند GitHub Copilot یا Cursor در طول مصاحبه است تا محیط کاری مجهز به هوش مصنوعی شبیه‌سازی شود. این رویکرد به‌تدریج در صنعت پیاده‌سازی شده است. برای مثال، Canva به‌تازگی مصاحبه‌های کدنویسی با هوش مصنوعی را معرفی کرده و شرکت Greenhouse نیز اعلام کره است:

«ما استفاده شفاف از هوش مصنوعی مولد را در فرایند مصاحبه برای برخی موقعیت‌ها خوش‌آمد می‌دانیم، به شرطی که داوطلبان بتوانند پرامپت‌هایی که می‌نویسند را به‌خوبی توضیح دهند و تصمیمات فنی خود را کامل تشریح کنند.»

به نظر من، اجازه دادن به داوطلبان برای استفاده از هوش مصنوعی بهتر از صرف تلاش برای جلوگیری از «تقلب» است چرا که در محیط کار نیز انتظار می‌رود از آن استفاده کنند.

یک ایده عملی: فراهم کردن محیطی با چند جدول مستند و درخواست از داوطلب برای حل یک مسأله زنده با کمک هوش مصنوعی. به جای پرسش‌های ساده مثل «یک کوئری برای محاسبه MAU از سال ۲۰۲۴ بنویس»، می‌توان سؤال‌های بازتری مطرح کرد: «چگونه افت مشتریان از سال ۲۰۲۴ به بعد را بررسی می‌کنید؟».

ارزیابی تنها بر اساس صحت کد نخواهد بود بلکه بر نحوه چارچوب‌بندی تحلیل، تفسیر نتایج و تعامل داوطلب با ابزار هوش مصنوعی نیز تمرکز دارد: چگونه پرامپت می‌دهد، چگونه نتایج را تکرار و ارزیابی می‌کند. البته این کار مصاحبه‌کننده را نیز به چالش می‌کشد زیرا باید با دیتاست‌ها آشنا باشد، منطق داوطلب را دنبال کند، سؤالات تکمیلی بپرسد و پاسخ‌ها را ارزیابی کند.

یک روش جایگزین، درخواست از داوطلب برای ارزیابی خروجی‌های تولیدشده توسط هوش مصنوعی است. این روش پیاده‌سازی ساده‌تری دارد و فشار کم‌تری به مصاحبه‌گر و داوطلب وارد می‌کند. در این شیوه، داوطلب باید منطق کسب‌وکار را به‌طور کامل درک و بررسی کند که آیا کد تولیدشده توسط هوش مصنوعی درست است، آیا موارد خاص نادیده گرفته شده، راه‌حل بهینه‌تر وجود دارد یا امکان بهبود کد هست. این نوع پرسش امکان ایجاد معیار ارزیابی استاندارد و سنجش توانایی واقعی داوطلب در همکاری با هوش مصنوعی را فراهم می‌کند.

مصاحبه‌های آمار و یادگیری ماشین: نظریه کمتر، بافت بیشتر

حال بیایید به مصاحبه‌های آماری و یادگیری ماشین بپردازیم. هوش مصنوعی معلم خوبی است زیرا مفاهیم پایه‌ای آمار و یادگیری ماشین را به‌روشنی توضیح می‌دهد و می‌تواند در یافتن روش‌های مختلف تحلیلی کمک کند. برای مثال می‌توانید از ChatGPT بخواهید: «p-value را مثل یک کودک پنج‌ساله برایم توضیح بده».

با این وجود، تنها داشتن دانش تئوری کافی نیست تا بتوان روش‌ها را به‌طور مؤثر در بستر واقعی کسب‌وکار به‌کار برد. نمونه‌ای از این مسأله را می‌توان در مقاله من درباره ارزیابی ابزار Google Data Science Agent مشاهده کرد؛ این ابزار در ایجاد چارچوب مدل‌سازی و ارائه کد اولیه عملکرد خوبی دارد اما نیازمند تعریف دقیق مسأله و استفاده از دیتاست تمیز است. تخصص انسانی همچنان برای مهندسی ویژگی‌ها، انتخاب بهترین روش‌های علمی متناسب با حوزه و بهینه‌سازی مدل‌ها ضروری است.

با توجه به این نکات، مصاحبه‌های آماری و یادگیری ماشین باید از تمرکز صرف بر پرسش‌های تئوری یا نوشتن کد از ابتدا فاصله بگیرند و بیشتر با مصاحبه‌های موردکاوی کسب‌وکار ترکیب شوند تا توانایی داوطلب در کاربرد عملی دانش نظری به‌طور واقعی ارزیابی شود. به جای پرسش‌های جداگانه مانند «تفاوت رگرسیون Ridge و Lasso چیست؟» یا «چگونه اندازه نمونه برای تست A/B را محاسبه می‌کنید؟»، مسائل واقعی ارائه دهید و مشاهده کنید که داوطلب چگونه آن‌ها را تحلیل می‌کند، آیا روش پیشنهادی منطقی است و ایده‌های خود را به‌طور شفاف و منطقی بیان می‌کند.

این بدان معنا نیست که دانش عمیق آماری و یادگیری ماشین دیگر لازم نیست بلکه این دانش به‌صورت یکپارچه و در قالب بحث‌های موردی مورد ارزیابی قرار می‌گیرد. برای مثال، هنگام بررسی یک سناریوی فرضی تشخیص تقلب، می‌توان پرسید چرا داوطلب XGBoost را به‌جای Random Forest انتخاب کرده و آیا برای داده‌های ناقص درآمد خانوار جایگزین کردن مقادیر با میانه بهتر است یا صفر.

خوشبختانه، چنین مصاحبه‌های ترکیبی فنی-تجاری هم‌اکنون در صنعت رایج هستند و پیش‌بینی می‌کنم با گسترش هوش مصنوعی، استفاده از این قالب‌ها بیش از پیش افزایش یابد.

مصاحبه‌های رفتاری و میان‌وظیفه‌ای: عمدتاً بدون تغییر اما با چرخش‌های جدید

دو نوع مصاحبه باقی‌مانده یعنی مصاحبه‌های رفتاری و میان‌وظیفه‌ای، به احتمال زیاد همان ساختار کنونی را حفظ خواهند کرد. این مصاحبه‌ها مهارت‌های نرم داوطلبان را، از جمله توانایی همکاری میان‌وظیفه‌ای، مهارت‌های ارتباطی، حل تعارض، مسئولیت‌پذیری و همچنین دانش حوزه‌ای ارزیابی می‌کنند. این موارد همانند قبل، قابلیت جایگزینی توسط هوش مصنوعی را ندارند.

با این حال، ممکن است نوع سؤالات تغییر کند. مصاحبه‌کنندگان می‌توانند سؤالاتی درباره تجربه گذشته داوطلبان در استفاده از ابزارهای هوش مصنوعی اضافه کنند تا بهتر دریابند چگونه از این فناوری برای افزایش بهره‌وری و حل مسائل استفاده می‌کنند. به‌عنوان مثال، یک مدیر محصول ممکن است بپرسد: «چگونه می‌توانیم از هوش مصنوعی برای بهبود فرآیند ورود مشتریان (onboarding) استفاده کنیم؟» این نوع مکالمات می‌تواند توانایی داوطلب را در شناسایی موارد کاربرد هوش مصنوعی که ارزش واقعی کسب‌وکار را افزایش می‌دهند، آشکار سازد.

تمرینات خانگی: همچنان بحث‌برانگیز اما مفید

علاوه بر قالب‌های رایج مصاحبه، نوعی مصاحبه بحث‌برانگیز نیز وجود دارد که گاهی در فرآیندهای استخدام دانشمندان داده به کار گرفته می‌شود: وظایف خانگی. در این روش، معمولاً یک دیتاست در اختیار داوطلب قرار می‌گیرد و از او خواسته می‌شود تحلیل انجام دهد یا مدل بسازد. گاهی سؤالات راهنما ارائه می‌شوند و گاهی خیر. خروجی‌ها می‌توانند از یک Jupyter Notebook ساده تا یک اسلاید حرفه‌ای و کامل متفاوت باشند.

می‌دانم برخی داوطلبان از این روش متنفرند زیرا انجام آن زمان‌بر است و اگرچه مسئولان استخدام می‌گویند متوسط زمان مورد نیاز حدود ۴ ساعت است، در عمل بیشتر طول می‌کشد چرا که داوطلبان می‌خواهند کامل و بهترین کار خود را ارائه دهند. بدتر این‌که ممکن است بدون حتی فرصتی برای گفتگو با تیم رد شوند، بسیار ناامیدکننده است؛ بنابراین جای تعجب ندارد که برخی تیم‌ها گزارش داده‌اند وظایف خانگی باعث افزایش انصراف داوطلبان در مسیر استخدام می‌شود (و برخی تیم‌ها آن را حذف کرده‌اند).

با این حال، وظایف خانگی ارزش خود را دارند. این روش مهارت‌های تمام‌عیار داوطلب را از مرحله چارچوب‌بندی مسأله، کدنویسی، نگارش تا ارائه می‌سنجد. با توجه به اینکه داوطلبان در محیط محلی خود و با ابزارهای مورد علاقه‌شان کار می‌کنند، اکنون می‌توانند از هوش مصنوعی برای انجام سریع‌تر و بهتر این وظایف بهره ببرند بنابراین در عصر هوش مصنوعی، این نوع ارزیابی می‌تواند متداول‌تر شود و انتظارات بیشتری از عمق، تفسیر و نوآوری داشته باشد. چالش اصلی برای مدیران استخدام، طراحی یک وظیفه است که هوش مصنوعی نتواند به راحتی آن را حل کند یا تنها حداقل پاسخ قابل قبول را ارائه دهد. به‌عنوان مثال، یک کار ساده دستکاری داده مناسب نیست اما یک سؤال باز که نیازمند فرضیات مبتنی بر دانش حوزه، بحث درباره Trade-off و اولویت‌بندی باشد، بسیار مؤثرتر است. همچنین انجام یک مصاحبه زنده پس از ارسال کار همیشه به اعتبارسنجی درک داوطلب کمک می‌کند.

مقایسه قالب‌های سنتی در مقابل قالب‌های جدید در عصر هوش مصنوعی

3. پیامدها برای داوطلبان

آنچه پیش‌تر بیان شد، دیدگاه من درباره تحولات فرایندهای مصاحبه دانشمندان داده در عصر هوش مصنوعی است. با این حال، اجرای این تغییرات، به‌ویژه در شرکت‌های بزرگ با فرایندهای جذب نیرو استاندارد و تثبیت‌شده، ممکن است مدتی طول بکشد.

داوطلبان برای آماده‌سازی بهتر باید بدانند چه زمانی و چگونه از هوش مصنوعی به‌طور هوشمندانه استفاده کنند. با شروع اجازه استفاده از هوش مصنوعی در مصاحبه‌ها و حتی ارزیابی نحوه بهره‌گیری از آن، فهم این موضوع اهمیت حیاتی پیدا کرده است. نباید صرفاً پرامپت وارد کرده و خروجی را کپی کرد بلکه باید بدانید هوش مصنوعی در چه زمینه‌هایی عملکرد خوبی دارد و در چه حوزه‌هایی محدود است و همچنین توانایی ارزیابی خروجی‌ها را داشته باشید.

علاوه بر این، هوش مصنوعی می‌تواند ابزار بسیار مفیدی برای آماده‌سازی مصاحبه باشد و به شما کمک کند موقعیت شغلی را بهتر درک کنید، برنامه آماده‌سازی تنظیم نمایید و شبیه‌سازی مصاحبه انجام دهید.

همچنین درک عمیق کسب‌وکار برای داوطلبان اهمیت بالایی دارد زیرا با کمک هوش مصنوعی مهارت‌های فنی آسان‌تر قابل کسب هستند اما فهم حوزه و کسب‌وکار عامل تمایز محسوب می‌شود. بنابراین توصیه می‌شود داوطلبان با ذی‌نفعان در محل کار همکاری کنند تا دانش کسب‌وکار خود را توسعه دهند و در آماده‌سازی مصاحبه، زمان کافی برای بررسی محصول شرکت، شاخص‌های کلیدی، روش‌های رشد و استراتژی حفظ مشتری اختصاص دهند.

با خواندن این مطلب، امیدوارم داوطلبان بتوانند هوشمندانه‌تر برای آینده مصاحبه‌ها آماده شوند و مدیران استخدام نیز بتوانند روش‌های تیم خود را به‌روز کنند.