چگونه مسیر شغلی خود را در هوش مصنوعی بیابید و بسازید!

فهرست مطالب

دیدگاه های گردآوری شده از:

اندرو ان. جی (اینگ) (Andrew Ng)

بنیان گذار یادگیری عمیق و هوش مصنوعی (deeplearning.ai)

هوش مصنوعی جریانی جدید است که همه زمینه‌های زندگی انسان را متحول و بهبود می‌بخشد.

اندرو ان. جی
مجموعه‌ای که اخیرن در وبسایت دیپ‌لرنینگ منتشر شد. متن حاضر، ترجمه این مجموعه می‌باشد

مقدمه: کدنویسی هوش مصنوعی سواد جدید است

امروزه ما این را بدیهی می‌دانیم که بسیاری از مردم خواندن و نوشتن را می‌دانند. من امیدوارم که روزی به همان اندازه رایج شود که مردم بدانند چگونه کد بنویسند، مخصوصن برای هوش مصنوعی.

چند صد سال پیش، جامعه سواد زبانی را به عنوان یک مهارت ضروری تلقی نمی‌کرد. تعداد کمی از مردم خواندن و نوشتن را یاد گرفتند و بقیه به آنها اجازه خواندن و نوشتن را دادند. قرن‌ها طول کشید تا سواد گسترش یابد، و اکنون جامعه از نظر سواد غنی‌تر شده است.

کلمات امکان ارتباط عمیق انسان با انسان را فراهم می‌کنند. کد عمیق ترین شکل ارتباط انسان و ماشین است. همان طور که ماشین ها در زندگی روزمره مرکزی‌تر می شوند، این ارتباطات اهمیت بیشتری پیدا می کند.

مهندسی نرم‌افزار سنتی – نوشتن برنامه‌هایی که به‌صراحت دنباله‌ای از مراحل را به کامپیوتر می‌گویند که باید اجرا شوند – مسیر اصلی سواد کدنویسی بوده است. بسیاری از کلاس های برنامه نویسی مقدماتی از ایجاد یک بازی ویدیویی یا ساختن یک وب سایت به عنوان مثال استفاده می کنند .اما هوش مصنوعی، یادگیری ماشین و علم داده الگوی جدیدی را ارائه می دهند که در آن رایانه ها دانش را از داده ها استخراج می کنند. این فناوری مسیر بهتری را برای کدنویسی ارائه می دهد.

بسیاری از یکشنبه ها، از پیتزا فروشی محله ام یک تکه پیتزا می خرم. آقایی که پشت پیشخوان است برای یادگیری نحوه ساخت یک بازی ویدیویی یا نوشتن نرم افزار وب سایت خود دلیل کافی ندارد. (فراتر از رشد شخصی و لذت کسب مهارت جدید).

اما هوش مصنوعی و علم داده حتی برای یک پیتزاساز ارزش زیادی دارد. یک مدل رگرسیون خطی ممکن است او را قادر به تخمین بهتر تقاضا کند تا بتواند زنجیره تامین و پرسنل رستوران را بهینه کند. او بهتر می توانست فروش پیتزای هاوایی را پیش بینی کند – پیتزای مورد علاقه من! – بنابراین او می توانست از قبل پیتزای هاوایی بیشتری درست کند و مدت زمان انتظار مشتریان را کاهش دهد.

تقریباً در هر موقعیتی که داده تولید می کند، استفاده از هوش مصنوعی و علم داده را می توان یافت. نابراین، طیف گسترده‌ای از حرفه‌ها کاربردهای بیشتری برای برنامه‌های کاربردی هوش مصنوعی سفارشی و بینش‌های حاصل از داده‌ها نسبت به مهندسی نرم‌افزار سنتی پیدا می‌کنند. این باعث می شود سواد در کدنویسی مبتنی بر هوش مصنوعی حتی از کدنویسی سنتی ارزشمندتر باشد. این می تواند افراد بی شماری را قادر سازد تا از داده ها استفاده کنند تا زندگی خود را غنی تر کنند.

امیدوارم وعده ساخت برنامه‌های کاربردی هوش مصنوعی، حتی بیشتر از ساخت نرم‌افزارهای سنتی پایه، افراد بیشتری را به یادگیری نحوه ی کدنویسی تشویق کند. اگر جامعه این شکل جدید سواد را به دلیل داشتن توانایی خواندن و نوشتن بپذیرد، همه ما سود خواهیم برد.

فصل اول: سه گام برای رشد شغلی

رشد سریع هوش مصنوعی منجر به افزایش سریع مشاغل هوش مصنوعی شده است و بسیاری از افراد در حال ایجاد مشاغل هیجان انگیز در این زمینه هستند. شغل یک مسیر طولانی است و مسیر آن سرراست نیست. در طول سالیان متمادی، من این امتیاز را داشتم که هزاران دانشجو و همچنین مهندسان شرکت‌های بزرگ و کوچک را ببینم که در زمینه هوش مصنوعی هدایت شوند.

در اینجا چارچوبی برای ترسیم مسیر شما وجود دارد.

یادگیری: سه مرحله کلیدی رشد شغلی شامل یادگیری مهارت‌های اساسی، کار بر روی پروژه‌ها (برای عمیق کردن مهارت‌های خودتان، ساختن پورتفولیو و ایجاد تأثیر) و یافتن شغل می باشد که این مراحل روی هم چیده می شوند:

پروژه‌ها: در ابتدا، شما بر یادگیری مهارت های اساسی تمرکزکنید. فصل هایی با موضوعاتی در مورد یادگیری مهارت های فنی اساسی. پس از کسب مهارت های فنی اساسی، کار بر روی پروژه ها را آغاز خواهید کرد. در این دوره، شما همچنین به یادگیری ادامه خواهید داد. فصل هایی با محوریت پروژه ها.

شغل: بعداً برای یافتن شغل کار خواهید کرد. در طول این فرآیند، به یادگیری و کار روی پروژه های معنادار ادامه خواهید داد. فصل هایی با تمرکز بر جستجوی کار. این مراحل در طیف وسیعی از حرفه ها کاربرد دارند، اما هوش مصنوعی شامل عناصر منحصر به فردی است. مثلا:

یادگیری مهارت های اساسی یک فرآیند طولانی مدت شغلی است:

هوش مصنوعی در حال ظهور است و بسیاری از فناوری‌ها هنوز در حال تکامل هستند. در حالی که پایه‌های یادگیری ماشینی و یادگیری عمیق در حال بلوغ هستند – و دوره‌های آموزشی روشی کارآمد برای تسلط بر آنها است – فراتر از این پایه‌ها، به‌روز ماندن با فناوری در حال تغییر در هوش مصنوعی مهم‌تر از زمینه‌هایی است که پخته تر هستند.

کار بر روی پروژه ها اغلب به معنای همکاری با سهامدارانی است که در زمینه هوش مصنوعی مهارت ندارند:

این می تواند یافتن یک پروژه مناسب، تخمین جدول زمانی پروژه و بازگشت سرمایه و تعیین انتظارات را چالش برانگیز کند. علاوه بر این، ماهیت بسیار تکراری پروژه‌های هوش مصنوعی منجر به چالش‌های ویژه‌ای در مدیریت پروژه می‌شود: چگونه می‌توانید برنامه‌ای برای ساختن یک سیستم داشته باشید، در حالی که از قبل نمی‌دانید چقدر طول می‌کشد تا به دقت هدف دست یابید؟ حتی پس از اینکه سیستم به هدف برخورد کرد، ممکن است تکرار بیشتر برای رسیدگی به رانش پس از استقرار ضروری باشد.

نظرات متناقض در مورد مهارت های هوش مصنوعی و نقش های شغلی:

در حالی که جستجوی شغل در هوش مصنوعی می تواند شبیه به جستجوی شغل در سایر بخش ها باشد، تفاوت های مهمی نیز وجود دارد. بسیاری از شرکت‌ها هنوز در تلاشند تا بفهمند به کدام مهارت‌های هوش مصنوعی نیاز دارند و چگونه افرادی را که این مهارت‌ها را دارند استخدام کنند. چیزهایی که روی آنها کار کرده اید ممکن است به طور قابل توجهی متفاوت از هر چیزی باشد که مصاحبه کننده شما دیده است، و به احتمال زیاد مجبور خواهید بود کارفرمایان مستعد را در مورد برخی از عناصر کار خود آموزش دهید.

فصل دوم: یادگیری مهارت های فنی برای یک شغل امیدوار کننده در هوش مصنوعی

در فصل قبل، من سه مرحله کلیدی را برای ایجاد شغل در هوش مصنوعی معرفی کردم: یادگیری مهارت های فنی اساسی، کار بر روی پروژه ها، و یافتن شغل، که همگی توسط عضویت در یک جامعه پشتیبانی می شوند. در این فصل، من می‌خواهم عمیق‌تر به مرحله اول بپردازم: یادگیری مهارت‌های اساسی.

مقالات تحقیقاتی بیشتری در مورد هوش مصنوعی منتشر شده است که هر کسی بتواند در طول عمرش بخواند. بنابراین، هنگام یادگیری، اولویت بندی انتخاب موضوع بسیار مهم است. من معتقدم مهمترین موضوعات برای یک حرفه فنی در یادگیری ماشین عبارتند از:

  • مهارت‌های اساسی یادگیری ماشین: برای مثال، درک مدل‌هایی مانند رگرسیون خطی، رگرسیون لجستیک، شبکه‌های عصبی، درخت‌های تصمیم‌گیری، خوشه‌بندی و تشخیص ناهنجاری‌ها مهم است. فراتر از مدل‌های خاص، درک مفاهیم اصلی در پس چگونگی و چرایی کار یادگیری ماشین، مانند سوگیری/واریانس، توابع هزینه، منظم‌سازی، الگوریتم‌های بهینه‌سازی و تجزیه و تحلیل خطا بسیار مهم‌تر است.
  • یادگیری عمیق: این به بخش بزرگی از یادگیری ماشین تبدیل شده است که بدون درک درستی از آن، به سختی می توان در این زمینه برتری یافت! دانستن اصول اولیه شبکه‌های عصبی، مهارت‌های عملی برای کارکرد آن‌ها (مانند تنظیم فراپارامتر)، شبکه‌های کانولوشن، مدل‌های توالی و ترانسفورماتورها ارزشمند است.
  • ریاضیات مرتبط با یادگیری ماشین: حوزه‌های کلیدی شامل جبر خطی (بردارها، ماتریس‌ها و دستکاری‌های مختلف آنها) و همچنین احتمال و آمار (شامل احتمال گسسته و پیوسته، توزیع‌های احتمال استاندارد، قوانین اساسی مانند استقلال و قاعده بیز، و آزمایش فرضیه). علاوه بر این، تجزیه و تحلیل داده های اکتشافی (EDA) — استفاده از تجسم ها و روش های دیگر برای کاوش سیستماتیک یک مجموعه داده — یک مهارت دست کم گرفته شده است. من EDA را به ویژه در توسعه هوش مصنوعی مبتنی بر داده مفید یافتم، جایی که تجزیه و تحلیل خطاها و به دست آوردن بینش می تواند واقعاً به پیشرفت کمک کند! در نهایت، یک درک شهودی اولیه از حساب دیفرانسیل و انتگرال نیز کمک خواهد کرد. ریاضیات مورد نیاز برای انجام خوب یادگیری ماشینی در حال تغییر است. به عنوان مثال، اگرچه برخی از کارها به حساب دیفرانسیل و انتگرال نیاز دارند، نرم افزار تمایز خودکار بهبود یافته امکان ابداع و پیاده سازی معماری شبکه های عصبی جدید را بدون انجام هیچ گونه محاسبه ای ممکن می سازد. این یک دهه پیش تقریبا غیرممکن بود.
  • توسعه نرم‌افزار: در حالی که فقط با مهارت‌های مدل‌سازی یادگیری ماشین می‌توانید شغلی پیدا کنید و کمک‌های بزرگی کنید، اگر بتوانید نرم‌افزار خوبی برای پیاده‌سازی سیستم‌های هوش مصنوعی پیچیده بنویسید، فرصت‌های شغلی شما افزایش می‌یابد. این مهارت ها شامل اصول برنامه نویسی، ساختمان داده ها (به ویژه آنهایی که به یادگیری ماشین مربوط می شوند، مانند دیتا فریم)، الگوریتم ها (از جمله موارد مربوط به پایگاه های داده و دستکاری داده ها)، طراحی نرم افزار، آشنایی با پایتون، و آشنایی با کتابخانه های کلیدی مانند TensorFlow یا PyTorch و scikit-learn می باشد.

حتی پس از تسلط بر همه چیز در این لیست، امیدوارم به یادگیری ادامه دهید و به عمیق کردن دانش فنی خود ادامه دهید. من بسیاری از مهندسان یادگیری ماشین را می‌شناسم که از مهارت‌های عمیق‌تری در زمینه‌های کاربردی مانند پردازش زبان طبیعی یا بینایی رایانه، یا در حوزه فناوری مانند مدل‌های گرافیکی احتمالی یا ساختن سیستم‌های نرم ‌افزاری مقیاس‌ پذیر بهره می‌برند.

چگونه این مهارت ها را به دست می آورید؟ محتوای خوب زیادی در اینترنت وجود دارد، و از نظر تئوری، خواندن ده ها صفحه وب می تواند کارساز باشد. اما زمانی که هدف درک عمیق است، خواندن صفحات وب از هم گسیخته ناکارآمد است، زیرا آنها تمایل به تکرار یکدیگر دارند، از اصطلاحات متناقض استفاده می کنند (که سرعت شما را کاهش می دهد)، کیفیت متفاوتی دارند و شکاف هایی ایجاد می کنند. به همین دلیل است که یک دوره خوب — که در آن مجموعه ای از مطالب به شکلی منسجم و منطقی سازماندهی شده است — اغلب کارآمدترین راه برای تسلط بر مجموعه ای معنادار از دانش است. وقتی دانش موجود در دوره ها را جذب کردید، می توانید به مقالات تحقیقاتی و سایر منابع بروید.

در نهایت، هیچ کس نمی تواند همه چیزهایی را که باید بداند در یک آخر هفته یا حتی یک ماه جمع آوری کند. همه کسانی را که می شناسم در یادگیری ماشینی عالی هستند، یادگیرنده طولانی مدت دارند. با توجه به سرعت تغییر رشته ما، انتخابی به غیر از ادامه یادگیری وجود دارند، اگر می‌خواهید ادامه دهید.

چگونه می توانید برای سال ها سرعت یادگیری را ثابت نگه دارید؟ اگر بتوانید عادت به یادگیری اندکی هر هفته را در خود پرورش دهید، می توانید با تلاش کمتری پیشرفت چشمگیری داشته باشید.

بهترین راه برای ایجاد یک عادت جدید:

یکی از کتاب های مورد علاقه من بی جی فاگ، ریز عادت های موثر: عادت‌های کوچک که تغییرات بزرگ ایجاد می‌کنند. فاگ توضیح می دهد که بهترین راه برای ایجاد یک عادت جدید، شروع کوچک و موفقیت است، نه اینکه خیلی بزرگ شروع کنید و شکست بخورید. به عنوان مثال، به جای تلاش برای 30 دقیقه ورزش در روز، او توصیه می کند که فقط یک بار فشار دادن انجام دهید و آن را به طور مداوم انجام دهید.

این رویکرد ممکن است برای کسانی از شما که می خواهند زمان بیشتری را صرف مطالعه کنند مفید باشد. اگر با مسئول دانستن خود برای تماشای مثلاً 10 ثانیه یک ویدیوی آموزشی در روز شروع کنید — و این کار را به طور مداوم انجام دهید — عادت به مطالعه روزانه به طور طبیعی رشد می کند. حتی اگر در این 10 ثانیه چیزی یاد نگیرید، عادت دارید هر روز کمی مطالعه کنید. در برخی روزها، ممکن است یک ساعت یا بیشتر به مطالعه بپردازید.

آیا برای به دست آوردن شغل در هوش مصنوعی باید ریاضیات را یاد بگیرید؟ برای اینکه یک مهندس یادگیری ماشین شوید چقدر باید ریاضی بدانید؟

آیا ریاضی یک مهارت اساسی برای هوش مصنوعی است؟ دانستن بیشتر ریاضیات همیشه خوب است! اما چیزهای زیادی برای یادگیری وجود دارد که، از نظر واقع بینانه، اولویت بندی ضروری است. در اینجا نحوه تقویت پیشینه ریاضی خود آورده شده است.

برای فهمیدن اینکه دانستن چه چیزی مهم است، برای من مفید است که بپرسم برای تصمیم گیری برای کاری که می خواهید انجام دهید چه چیزی باید بدانید. در DeepLearning.AI، ما اغلب می‌پرسیم: “کسی برای رسیدن به اهدافش چه چیزی باید بداند؟” هدف ممکن است ساختن یک مدل یادگیری ماشینی، معماری یک سیستم یا گذراندن یک مصاحبه شغلی باشد.

درک ریاضیات پشت الگوریتم هایی که استفاده می کنید اغلب مفید است، زیرا به شما امکان می دهد که خطاهای آن را برطرف کنید. اما عمق دانش مفید در طول زمان تغییر می کند. همانطور که تکنیک‌های یادگیری ماشینی بالغ می‌شوند و قابل اعتمادتر و کلیدی می‌شوند، به رفع خطاهای کمتری نیاز دارند و ممکن است درک سطحی‌تر از ریاضیات برای کارکرد آنها کافی باشد.

به عنوان مثال، در دوره قبلی یادگیری ماشین، کتابخانه های جبر خطی برای حل سیستم های معادلات خطی (برای رگرسیون خطی) پخته نبودند. باید درک می‌کردم که این کتابخانه‌ها چگونه کار می‌کنند تا بتوانم از میان کتابخانه‌های مختلف انتخاب کنم و از دام‌های گردآوری عددی اجتناب کنم. اما با رشد کتابخانه‌های جبر خطی عددی، اهمیت این مورد کمتر شد.

یادگیری عمیق هنوز یک فناوری نوظهور است، بنابراین وقتی یک شبکه عصبی را آموزش می‌دهید و الگوریتم بهینه‌سازی برای همگرا شدن تلاش می‌کند، درک ریاضیات پشت گرادیان کاهشی، تکانه و الگوریتم بهینه‌ سازی آدام به شما کمک می‌کند تصمیمات بهتری بگیرید. به طور مشابه، اگر شبکه عصبی شما کار خنده‌داری انجام می‌دهد — مثلاً روی تصاویر با وضوح مشخصی پیش‌بینی‌های بدی انجام می‌دهد، اما نه دیگران — درک ریاضیات پشت معماری شبکه‌های عصبی، شما را در موقعیت بهتری برای فهمیدن اینکه چه کاری انجام دهید، قرار می‌دهد.

البته، من همچنین یادگیری را با کنجکاوی تشویق می کنم. اگر به چیزی علاقه مند هستید، بدون توجه به اینکه چقدر ممکن است مفید باشد، آن را یاد بگیرید! شاید این منجر به یک جرقه خلاقانه یا پیشرفت فنی شود.

فصل چهارم: زمینه های پروژه های هوش مصنوعی موفقیت آمیز

یکی از مهم ترین مهارت های یک طراح هوش مصنوعی توانایی شناسایی ایده هایی است که ارزش کار روی آنها را دارند. این چند فصل آینده در مورد یافتن و کار بر روی پروژه‌ها بحث می‌کند تا بتوانید تجربه کسب کنید و پورتفولیوی خود را بسازید.

در طول سال ها، من با به کار گیری یادگیری ماشینی در تولید، مراقبت های بهداشتی، تغییرات آب و هوا، کشاورزی، تجارت الکترونیک، تبلیغات و سایر صنایع لذت برده ام. چگونه فردی که در همه این بخش ها متخصص نیست، می تواند پروژه های معناداری را در آنها پیدا کند؟ در اینجا پنج مرحله برای کمک به شما در انجام پروژه ها آورده شده است.

گام اول: یک مشکل تجاری (نه مشکل هوش مصنوعی) را شناسایی کنید:

من دوست دارم یک متخصص در این زمینه پیدا کنم و بپرسم: «سه چیز اصلی که دوست داشتید بهتر عمل کنند کدامند؟ چرا هنوز کار نمی کنند؟» به عنوان مثال، اگر می‌خواهید هوش مصنوعی را در تغییرات آب و هوایی اعمال کنید، ممکن است متوجه شوید که اپراتورهای شبکه برق نمی‌توانند به ‌طور دقیق پیش‌بینی کنند که منابع متناوب مانند باد و خورشید در آینده چقدر برق تولید می‌کنند.

گام دوم: بارش فکری راه حل های هوش مصنوعی:

وقتی جوانتر بودم، اولین ایده ای را که در مورد آن هیجان زده بودم، اجرا می کردم. گاهی اوقات این کار خوب بود، اما گاهی اوقات من یک ایده حتی بهتر را از دست می‌دادم که ممکن بود تلاش بیشتری برای ساختن آن لازم نباشد.

هنگامی که یک مشکل را درک کردید، می توانید راه حل های بالقوه را به طور موثرتری در ذهن خود ایجاد کنید. به عنوان مثال، برای پیش‌بینی تولید برق از منابع متناوب، ممکن است استفاده از تصاویر ماهواره‌ای برای نقشه‌ برداری دقیق‌تر مکان توربین‌های بادی، استفاده از تصاویر ماهواره‌ای برای تخمین ارتفاع و ظرفیت تولید توربین‌های بادی، یا استفاده از داده‌های آب‌ وهوا برای پیش‌بینی بهتر پوشش ابر و تابش خورشیدی در نظر گرفته شود. گاهی اوقات راه حل خوبی برای هوش مصنوعی وجود ندارد و این نیز اشکالی ندارد.

گام سوم: امکان سنجی و ارزش راه حل های بالقوه را ارزیابی کنید:

شما می توانید با نگاه کردن به کارهای منتشر شده، کارهایی که رقبا انجام داده اند، یا شاید ساختن یک اثبات سریع برای اجرای مفهوم، تعیین کنید که آیا یک رویکرد از نظر فنی امکان پذیر است یا خیر.

شما می توانید ارزش آن را با مشورت با کارشناسان این زمینه (مثلاً اپراتورهای شبکه برق، که می توانند در مورد سودمندی راه حل های بالقوه ذکر شده در بالا توصیه کنند) تعیین کنید.

گام چهارم: نقاط عطف و مرحله های برجسته را تعیین کنید:

هنگامی که یک پروژه را به اندازه کافی ارزشمند تلقی کردید، گام بعدی این است که معیارهای مورد نظر را تعیین کنید. این شامل معیارهای یادگیری ماشینی (مانند دقت) و معیارهای تجاری (مانند درآمد) می شود.

تیم‌ های یادگیری ماشینی اغلب با معیارهایی که یک الگوریتم یادگیری می‌تواند بهینه‌سازی کند، راحت‌تر هستند. اما ممکن است لازم باشد برای رسیدن به معیارهای تجاری مانند معیارهای مربوط به تعامل کاربر، درآمد و غیره، خارج از منطقه راحتی و امن خود حرکت کنیم. متأسفانه، هر مشکل تجاری را نمی توان با بهینه سازی دقت مجموعه تست کاهش داد! اگر قادر به تعیین نقاط عطف معقول نیستید، ممکن است نشانه آن باشد که باید در مورد مشکل بیشتر بدانید. یک اثبات سریع مفهوم می تواند به ارائه دیدگاه گمشده کمک کند.

گام پنجم: بودجه برای منابع:

درباره همه چیزهایی که برای انجام پروژه نیاز دارید فکر کنید، از جمله داده ها، پرسنل، زمان، و هر ادغام یا پشتیبانی که ممکن است از تیم های دیگر نیاز داشته باشید. به عنوان مثال، اگر برای خرید تصاویر ماهواره ای به بودجه نیاز دارید، مطمئن شوید که در بودجه در نظر گرفته شده است.

کار بر روی پروژه ها یک فرآیند تکراری است. اگر در هر مرحله ای متوجه شدید که مسیر فعلی غیرممکن است، به مرحله قبلی بازگردید و به درک جدید خود ادامه دهید. آیا زمینه ای وجود دارد که شما را هیجان زده کند که در آن هوش مصنوعی ممکن است تفاوت ایجاد کند؟ امیدوارم این مراحل شما را در کاوش آن از طریق کار پروژه راهنمایی کند – حتی اگر هنوز در آن زمینه تخصص عمیقی ندارید. هوش مصنوعی همه مشکلات را حل نمی کند، اما به عنوان یک جامعه، بیایید هر کجا که می توانیم به دنبال راه هایی برای تأثیر مثبت باشیم.

فصل پنجم: یافتن پروژه هایی که مکمل اهداف شغلی شما هستند

ناگفته نماند که ما فقط باید روی پروژه هایی کار کنیم که متعهد، اخلاقی و برای مردم مفید باشند. اما این محدودیت ها تنوع زیادی را برای انتخاب باقی می گذارد. در فصل قبل، در مورد چگونگی شناسایی و محدوده پروژه های هوش مصنوعی نوشتم. این فصل و فصل بعدی رویکرد کمی متفاوت دارند: انتخاب و اجرای پروژه ها با نگاهی به توسعه شغلی.

یک شغل پربار شامل پروژه‌های زیادی خواهد بود که امیدواریم در طول زمان در وسعت، پیچیدگی و تأثیرگذاری رشد کنند. بنابراین، از کوچک شروع کنید. از پروژه های اولیه برای یادگیری استفاده کنید و به تدریج با رشد مهارت های خود به پروژه های بزرگتر گام بردارید.

وقتی شروع به کار می کنید، انتظار نداشته باشید دیگران ایده ها یا منابع عالی را در یک سینی به شما تحویل دهند. بسیاری از مردم با کار بر روی پروژه های کوچک در اوقات فراغت خود شروع می کنند. با موفقیت های اولیه — حتی موفقیت های کوچک رضایت بخش — مهارت های در حال رشد شما، توانایی شما را برای ارائه ایده های بهتر را افزایش می دهد و متقاعد کردن دیگران برای کمک به شما برای انجام پروژه های بزرگ تر آسان تر می شود.

اگر هیچ ایده‌ای برای انجام پروژه نداریم، چه کاری باید کنیم؟

  • به پروژه های موجود بپیوندید. اگر فردی که دارای ایده می باشد را پیدا کردید، از ایشان بخواهید که به پروژه شان بپیوندید.
  • به خواندن و صحبت کردن با مردم ادامه دهید. هر وقت که زمان زیادی را صرف مطالعه، شرکت در دوره ها یا صحبت با کارشناسان درهوش مصنوعی می کنم، ایده های جدیدی به ذهنم می رسد. من مطمئن هستم که شما نیز چنین خواهید کرد.
  • روی زمینه های کاربردی تمرکز کنید. بسیاری از محققان در تلاش برای پیشرفت فناوری مقدماتی هوش مصنوعی هستند —مثلاً با اختراع نسل بعدی ترانسفورماتورها یا بزرگ‌ تر کردن مدل‌های زبان — بنابراین، اگرچه این یک جهت هیجان‌انگیز است، اما بسیار سخت است. اما کاربردهای متنوعی وجود دارد که یادگیری ماشین هنوز برای آنها اعمال نشده است! من خوش شانس هستم که توانستم شبکه های عصبی را برای همه چیز از پرواز با هلیکوپتر خودران گرفته تا تبلیغات آنلاین به کار ببرم، تا حدی به این دلیل که وقتی افراد نسبتا کمی روی آن زمینه های کابردی کار می کردند، وارد عمل شدم. اگر شرکت یا مدرسه شما به کاربرد خاصی اهمیت می دهد، امکانات یادگیری ماشین را بررسی کنید. این می تواند یک نگاه اولیه به یک کاربرد خلاقانه به شما بدهد — برنامه ای که در آن می توانید کار منحصر به فردی را انجام دهید — که هیچ کس تاکنون انجام نداده است.
  • یک مشغله جانبی را توسعه دهید. حتی اگر یک شغل تمام وقت دارید، یک پروژه سرگرم‌ کننده که ممکن است به چیزی بزرگ‌ تر تبدیل شود یا نشود، می‌تواند خلاقیت‌ها را تحریک کند و روابط را با همکاران تقویت کند. زمانی که من یک استاد تمام وقت بودم، کار بر روی آموزش آنلاین بخشی از “شغل” من (که انجام تحقیقات و کلاس های آموزشی بود) نبود. این یک سرگرمی سرگرم کننده بود که اغلب به دلیل علاقه به آموزش روی آن کار می کردم. تجربیات اولیه من در ضبط ویدیو در خانه به من کمک کرد که بعداً به روشی اساسی تر روی آموزش آنلاین کار کنم. “سیلیکون ولی” پر از از داستان‌های استارت‌ آپ‌هایی است که به عنوان پروژه‌های جانبی شروع شده‌اند. تا زمانی که با کارفرمای شما درگیری ایجاد نشود، این پروژه ها می توانند گام هایی برای چیزی مهم باشند.

با توجه به چند ایده پروژه موجود، به کدام یک باید بپردازید؟ در اینجا یک چک لیست سریع از عواملی است که باید در نظر بگیرید:

  • آیا این پروژه به رشد فنی شما کمک می کند؟ در حالت ایده آل، باید به اندازه کافی چالش برانگیز باشد که مهارت های خود را گسترش دهید، اما نه آنقدر سخت که شانس کمی برای موفقیت داشته باشید. این شما را در مسیری قرار می دهد تا بر پیچیدگی های فنی هر چه بیشتر مسلط شوید.
  • آیا هم گروهی های خوبی برای همکاری دارید؟ اگر نه، آیا افرادی هستند که بتوانید با آنها در مورد مسائل صحبت کنید؟ ما از اطرافیانمان چیزهای زیادی یاد می گیریم و همکاران خوب تاثیر زیادی در رشد شما خواهند داشت.
  • آیا می تواند یک پله باشد؟ اگر پروژه موفقیت آمیز باشد، آیا پیچیدگی فنی و یا تاثیر تجاری آن را به پله ای معنادار برای پروژه های بزرگتر تبدیل می کند؟ اگر پروژه بزرگتر از پروژه هایی است که قبلاً روی آنها کار کرده اید، به احتمال زیاد می تواند چنین پله ای باشد.

در نهایت، از توقف زیاد روی تجزیه و تحلیل اجتناب کنید. منطقی نیست که یک ماه را صرف تصمیم گیری در مورد کار روی پروژه ای کنید که تکمیل آن یک هفته طول می کشد. شما در طول زندگی حرفه ای خود بر روی چندین پروژه کار خواهید کرد، بنابراین فرصت کافی برای اصلاح تفکر خود در مورد آنچه ارزشمند است خواهید داشت. با توجه به تعداد زیاد پروژه های ممکن هوش مصنوعی، به جای رویکرد مرسوم “آماده، هدف، آتش”، می توانید با “آماده، آتش، هدف” پیشرفت خود را سرعت ببخشید.

روش آماده، آتش، هدف

کار بر روی پروژه ها، نیازمند انتخاب های سخت در مورد اینکه چه چیزی بسازید و چگونه انجام شود. در اینجا دو سبک متمایز وجود دارد:

  • رویکرد آماده، هدف، آتش: با دقت برنامه ریزی کنید و اعتبارسنجی دقیق را انجام دهید. زمانی اجرا کنید که درجه بالایی از اطمینان را داشته باشید.
  • رویکرد آماده، آتش، هدف: به مرحله توسعه بروید و اجرا را شروع کنید. این به شما امکان می دهد مشکلات را به سرعت کشف کنید و در صورت لزوم در مسیر حرکت کنید.

فرض کنید یک ربات گفتگوی خدمات مشتری برای خرده فروشان ساخته اید و فکر می کنید که می تواند به رستوران ها نیز کمک کند. آیا باید قبل از شروع توسعه، زمانی را برای مطالعه بازار رستوران اختصاص دهید، به آرامی حرکت کنید اما خطر اتلاف وقت و منابع را کاهش دهید؟ یا فوراً به داخل بپرید، به سرعت حرکت کنید و خطر بیشتری از چرخش یا شکست را بپذیرید؟

هر دو رویکرد طرفداران خود را دارند و بهترین انتخاب بستگی به موقعیت دارد.

رویکرد آماده، هدف، آتش زمانی که هزینه اجرا بالا است و مطالعه می تواند روشن کند که یک پروژه چقدر می تواند مفید یا ارزشمند باشد، برتر است. برای مثال، اگر می‌توانید چند مورد دیگر (رستوران‌ها، خطوط هوایی، شرکت‌های مخابراتی و غیره) را بارش فکری (Brainstorming) کنید و این موارد را ارزیابی نمائید تا امیدوار کننده‌ ترین مورد را شناسایی کنید، ممکن است ارزش آن را داشته باشد که زمان بیشتری را قبل از متعهد شدن به یک مسیر اختصاص دهید.

آماده، آتش، هدف بهتر است اگر بتوانید با هزینه کم اجرا کنید و با انجام این کار، تعیین کنید که آیا جهت قابل اجرا است یا خیر و ترفندهایی را کشف کنید که باعث می شود آن کار کند. به عنوان مثال، اگر بتوانید به سرعت یک نمونه اولیه بسازید تا بفهمید که آیا کاربران آن محصول را می‌خواهند یا خیر، و اگر لغو یا چرخش پس از مقدار کمی کار قابل قبول است، پس منطقی است که به سرعت وارد آن شوید. وقتی گرفتن عکس ارزان است، گرفتن عکس های زیاد نیز منطقی است. در این حالت، فرآیند در واقع آماده، آتش، هدف، آتش، هدف، آتش، هدف، آتش است.

پس از توافق بر سر یک پروژه، وقتی نوبت به ساخت یک مدل یادگیری ماشینی می‌ رسد که بخشی از محصول است، نسبت به رویکرد آماده، آتش، هدف تعصب دارم. ساخت مدل ها یک فرآیند تکراری است. برای بسیاری از کاربردها، هزینه آموزش و انجام تجزیه و تحلیل خطا زیاد نیست. علاوه بر این، انجام مطالعه ای که مدل، داده ها و فراپارامترهای مناسب را روشن کند، بسیار دشوار است. بنابراین منطقی است که یک سیستم end-to-end را به سرعت بسازیم و آن را تا زمانی که به خوبی کار کند بازبینی کنیم.

اما وقتی متعهد شدن به یک جهت به معنای انجام یک سرمایه گذاری پرهزینه یا ورود به یک در یک طرفه است (یعنی تصمیمی که برگشت آن سخت است)، اغلب ارزش دارد که از قبل زمان بیشتری را صرف کنید تا مطمئن شوید که واقعاً ایده خوبی است.

فصل ششم: ساختن یک پورتفولیو از پروژه هایی که پیشرفت مهارت را نشان می دهد

در طول یک حرفه، احتمالاً روی پروژه‌هایی پشت سر هم کار می‌کنید که هر کدام از نظر دامنه و پیچیدگی رشد می‌کنند. مثلا:

1. پروژه های کلاسی

چند پروژه اول ممکن است تکالیف با محدوده محدود با پاسخ های درست از پیش تعیین شده باشد. اینها اغلب تجربیات یادگیری عالی هستند!

2. پروژه های شخصی

ممکن است به تنهایی یا با دوستان روی پروژه های کوچک کارکنید. به عنوان مثال، ممکن است یک الگوریتم شناخته شده را دوباره پیاده سازی کنید، یادگیری ماشینی را برای یک سرگرمی (مانند پیش بینی اینکه آیا تیم ورزشی مورد علاقه شما برنده خواهد شد) اعمال کنید، یا یک سیستم کوچک اما مفید در محل کار خود در اوقات فراغت خود بسازید (مانند یادگیری ماشینی). اسکریپت مبتنی بر اسکریپت که به یک همکار کمک می کند تا برخی از کارهای خود را خودکار کند). شرکت در مسابقاتی مانند مسابقاتی که توسط Kaggle برگزار می شود نیز یکی از راه های کسب تجربه است.

3. ایجاد ارزش

سرانجام، مهارت کافی برای ساختن پروژه هایی به دست خواهید آورد که دیگران ارزش ملموس تری در آن ببینند. این راه را برای منابع بیشتر باز می کند. به عنوان مثال، به جای توسعه سیستم‌های یادگیری ماشین در اوقات فراغت خود، ممکن است بخشی از کار شما شود و ممکن است به تجهیزات، زمان محاسبه، بودجه برچسب‌گذاری یا تعداد سران بیشتر دسترسی داشته باشید.

4. افزایش وسعت و پیچیدگی

موفقیت‌ها بر روی یک دیگر ساخته می‌شوند و دری را به روی رشد فنی بیشتر، منابع بیشتر و فرصت‌های پروژه‌ای قابل توجه بیشتر باز می‌کنند.

هر پروژه تنها یک گام در یک سفر طولانی تر است، امیدوارم که تاثیر مثبتی داشته باشد. علاوه بر این:

  • نگران شروع خیلی کوچک نباشید. یکی از اولین پروژه های تحقیقاتی یادگیری ماشینی من شامل آموزش یک شبکه عصبی بود تا ببینم چقدر می تواند تابع sin (x) را تقلید کند. این خیلی مفید نبود، اما یک تجربه یادگیری عالی بود که به من امکان داد به سمت پروژه های بزرگتر حرکت کنم.
  • ارتباطات مهم است. اگر می‌خواهید دیگران ارزش کار شما را ببینند و منابعی را که می‌توانید در پروژه‌های بزرگ‌ تر سرمایه‌ گذاری کنید، به شما اعتماد کنند، باید بتوانید تفکر خود را توضیح دهید. برای شروع یک پروژه، انتقال ارزش چیزی که امیدوار هستید که بسازید به همکاران، مربیان و مدیران کمک می کند — و به آنها کمک می کند تا اشکالات استدلال شما را مشخص کنند. پس از اتمام کار، توانایی توضیح آشکار آنچه که به دست آورده اید به دیگران کمک می کند تا دری را به روی پروژه های بزرگتر باز کنند.
  • رهبری فقط برای مدیران نیست. وقتی به مرحله کار بر روی پروژه‌های بزرگ‌ تر هوش مصنوعی که نیاز به کار گروهی دارند، برسید، توانایی شما برای رهبری پروژه‌ها مهم‌تر می‌شود، چه در موقعیت رسمی رهبری باشید یا نه. بسیاری از دوستان من با موفقیت شغل فنی و نه مدیریتی را دنبال کرده‌اند و توانایی آنها برای کمک به هدایت یک پروژه با به کارگیری بینش‌های فنی عمیق — به عنوان مثال، زمانی که در یک معماری فنی جدید سرمایه‌ گذاری کنند یا اطلاعات بیشتری از نوع خاصی جمع‌آوری کنند — به آنها اجازه داد که به عنوان رهبر رشد کنند و همچنین به بهبود چشمگیر پروژه کمک کرد.

ایجاد مجموعه‌ ای از پروژه‌ها، به‌ ویژه پروژه‌‌هایی که پیشرفت در طول زمان، از کارهای ساده به پیچیده را نشان می‌دهد، کمک بزرگی در جستجوی کار خواهد بود.

فصل هفتم: یک چهارچوب ساده برای آغاز جستجوی شغل در زمینه هوش مصنوعی

یافتن شغل دارای چند مرحله قابل پیش بینی است که شامل انتخاب شرکت هایی است که می خواهید برای آنها درخواست دهید، آماده شدن برای مصاحبه، و در نهایت انتخاب نقش و مذاکره در مورد حقوق و مزایا. در این فصل، من می‌خواهم روی چارچوبی تمرکز کنم که برای بسیاری از جویندگان کار در هوش مصنوعی مفید است، به‌ ویژه کسانی که از حوزه‌های مختلف وارد هوش مصنوعی می‌شوند.

اگر به شغل بعدی خود فکر می کنید، از خود بپرسید:

  • آیا نقش ها را عوض می کنید؟ به عنوان مثال، اگر شما یک مهندس نرم افزار، دانشجوی دانشگاه یا فیزیکدانی هستید که به دنبال تبدیل شدن به یک مهندس یادگیری ماشین هستید، این یک تغییر نقش است.
  • آیا در حال تغییر صنایع هستید؟ به عنوان مثال، اگر برای یک شرکت مراقبت های بهداشتی، شرکت خدمات مالی یا یک سازمان دولتی کار می کنید و می خواهید برای یک شرکت نرم افزاری کار کنید، این یک تغییر در صنایع است.

یک مدیر محصول در یک استارت ‌آپ فناوری که در همان شرکت (یا شرکت دیگری) دانشمند داده می‌شود، نقش خود را تغییر داده است. یک بازاریاب در یک شرکت تولیدی که در یک شرکت فناوری بازاریاب می شود، صنعت خود را تغییر داده است. یک تحلیلگر در یک شرکت خدمات مالی که مهندس یادگیری ماشین در یک شرکت فناوری می شود، نقش و صنعت را تغییر داده است.

اگر به‌ دنبال اولین شغل خود در هوش مصنوعی هستید، احتمالاً تغییر نقش یا صنعت را آسان ‌تر از انجام هر دو به طور همزمان خواهید یافت. فرض کنید شما تحلیلگری هستید که در خدمات مالی کار می کند:

  • اگر شغلی در زمینه علم داده یا یادگیری ماشین در خدمات مالی پیدا کردید، می‌توانید در حین کسب دانش و تخصص در هوش مصنوعی، از دانش خاص دامنه خود استفاده کنید. پس از مدتی کار در این نقش، موقعیت بهتری برای تغییر به یک شرکت فناوری خواهید داشت (اگر هنوز هدف شما این است).
  • از طرف دیگر، اگر در یک شرکت فناوری تحلیلگر شوید، می توانید به استفاده از مهارت های خود به عنوان یک تحلیلگر ادامه دهید، اما آنها را در صنعت متفاوت به کار ببرید. عضویت در یک شرکت فناوری همچنین یادگیری از همکاران در مورد چالش های عملی هوش مصنوعی، مهارت های کلیدی برای موفقیت در هوش مصنوعی و غیره را بسیار آسان تر می کند.

اگر به دنبال تغییر نقش هستید، یک استارت‌آپ می‌تواند مکان آسان‌تری نسبت به یک شرکت بزرگ باشد. در حالی که موارد استثنا وجود دارد، استارت آپ ها معمولا افراد کافی برای انجام تمام کارهای مورد نظر را ندارند. اگر بتوانید در انجام وظایف هوش مصنوعی کمک کنید – حتی اگر کار رسمی شما نباشد – احتمالاً کار شما مورد قدردانی قرار خواهد گرفت. این زمینه را برای تغییر نقش احتمالی بدون نیاز به ترک شرکت فراهم می کند. در مقابل، در یک شرکت بزرگ، یک سیستم پاداش سفت و سخت به احتمال زیاد به شما برای انجام کارتان به خوبی (و مدیرتان برای حمایت از شما در انجام کاری که برای آن استخدام شده‌اید) پاداش می‌دهد، اما به احتمال زیاد به کمک‌ های بیرون از محدوده شغلی شما پاداش نمی‌دهد.

پس از مدتی کار کردن در نقش و صنعت مورد نظر خود (به عنوان مثال، یک مهندس یادگیری ماشین در یک شرکت فناوری)، شما به خوبی از ملزومات آن نقش در آن صنعت در سطح بالاتری خواهید داشت. شما همچنین یک شبکه در آن صنعت خواهید داشت تا به شما کمک کند. بنابراین جستجوهای شغلی آینده — اگر بخواهید به نقش و صنعت پایبند باشید — به احتمال زیاد آسان تر خواهد بود.

هنگام تغییر شغل، به سمت ناشناخته ها قدم برمی دارید، به خصوص اگر در حال تغییر نقش یا صنعت هستید. یکی از کم استفاده ترین ابزارها برای آشنایی بیشتر با نقش و/یا صنعت جدید، مصاحبه اطلاعاتی است. در فصل بعدی بیشتر در مورد آن به اشتراک خواهم گذاشت.

غلبه بر عدم قطعیت

چیزهای زیادی در مورد آینده وجود دارد که نمی دانیم: چه زمانی بیماری آلزایمر را درمان خواهیم کرد؟ چه کسی در انتخابات بعدی پیروز خواهد شد؟ یا در یک زمینه تجاری، سال آینده چند مشتری خواهیم داشت؟

با تغییرات زیادی که در جهان در حال وقوع است، بسیاری از مردم در مورد آینده، به خصوص در مورد یافتن شغل، استرس دارند. من تمرینی دارم که به من کمک می کند حس کنترل را دوباره به دست بیاورم. در مواجهه با عدم قطعیت، سعی می کنم:

  • فهرستی از سناریوهای قابل قبول تهیه کنید و بیان کنید که نمی دانم کدام یک اتفاق خواهد افتاد.
  • برای هر سناریو یک برنامه اقدام ایجاد کنید.
  • به اجرای اقداماتی که معقول به نظر می رسد، اقدام کنید.
  • سناریوها و برنامه ها را به صورت دوره ای با توجه به آینده مرور کنید.

به عنوان مثال، در طول همه‌گیری کووید-19 در مارس 2020، این تمرین برنامه‌ریزی سناریو را انجام دادم. بهبودی سریع (سه ماهه)، متوسط (یک ساله) و آهسته (دو ساله) از کووید-19 را تصور کردم و برای مدیریت هر مورد برنامه ریزی کردم. این برنامه ‌ها به من کمک کردند تا جایی که می‌توانم اولویت ‌بندی کنم.

همین روش می تواند برای زندگی شخصی نیز اعمال شود. اگر مطمئن نیستید که امتحانی را قبول می‌کنید، پیشنهاد شغلی دریافت می‌کنید یا به شما ویزا داده می‌شود — که همه اینها می‌تواند استرس‌زا باشد — می‌توانید بنویسید که در هر یک از سناریوهای احتمالی چه کاری انجام می‌دهید. فکر کردن در مورد احتمالات و دنبال کردن برنامه ها می تواند به شما کمک کند تا بدون توجه به آنچه که به ارمغان می آورد، به طور موثر در آینده حرکت کنید.

پاداش: با آموزش هوش مصنوعی و آمار، می توانید برای هر سناریو یک احتمال را محاسبه کنید. من طرفدار روش ابر پیش بینی هستم، که در آن قضاوت های بسیاری از کارشناسان در یک تخمین احتمال ترکیب می شوند.

فصل هشتم: استفاده از مصاحبه های اطلاعاتی برای یافتن شغل مناسب

اگر در حال آماده شدن برای تغییر نقش شغلی هستید (مثلاً برای اولین بار به عنوان مهندس یادگیری ماشین مشغول به کار شوید) یا صنایع (مثلاً برای اولین بار در یک شرکت فناوری هوش مصنوعی کار می کنید)، در مورد شغل مورد نظر شما موارد زیادی وجود دارد که احتمالا نمی دانید. یک تکنیکی که به عنوان مصاحبه اطلاعاتی شناخته می شود، روشی عالی برای یادگیری است.

یک مصاحبه اطلاعاتی شامل یافتن فردی در شرکت یا نقشی است که مایلید در مورد آن بیشتر بدانید و به طور غیررسمی با او در مورد کارش مصاحبه کنید. چنین گفتگوهایی جدای از جستجوی شغل است. در واقع، مصاحبه با افرادی که دارای موقعیت‌هایی هستند که با علاقه مندی های شما مطابقت دارند، قبل از اینکه برای شروع جستجوی کار آماده شوید، مفید است.

  • مصاحبه های اطلاعاتی به ویژه با هوش مصنوعی مرتبط هستند. از آنجایی که این رشته در حال پیشرفت است، بسیاری از شرکت ها از عناوین شغلی به روش های مختلف استفاده می کنند. در یک شرکت، ممکن است از دانشمندان داده انتظارداشته باشند که اغلب داده های تجاری را تجزیه و تحلیل کنند و نتیجه گیری را ارائه دهند. در دیگری، آنها ممکن است کد تولید و نگهداری را بنویسند. یک مصاحبه اطلاعاتی می تواند به شما کمک کند تا بفهمید افراد هوش مصنوعی در یک شرکت مشخص واقعاً چه می کنند.
  • با گسترش سریع فرصت ها در هوش مصنوعی، بسیاری از افراد برای اولین بار شغل هوش مصنوعی را انتخاب می کنند. در این مورد، یک مصاحبه اطلاعاتی می‌تواند برای یادگیری آنچه اتفاق می‌افتد و این که چه مهارت‌ هایی برای انجام کارخوب لازم است، ارزشمند باشد. به عنوان مثال، می توانید یاد بگیرید که یک شرکت بخصوص از چه الگوریتم ها، فرآیندهای استقرار و پشتوانه ی نرم افزاری استفاده می کند. ممکن است تعجب کنید — اگر قبلاً با جنبش هوش مصنوعی داده محور آشنا نیستید — بدانید که بیشتر مهندسان یادگیری ماشین چقدر زمان صرف تمیز کردن مجموعه داده‌ها می‌کنند.

پیشاپیش در مورد مصاحبه شونده و شرکت از قبل، برای مصاحبه های اطلاعاتی آماده شوید تا بتوانید سوالات مناسب و متفکرانه کنید. ممکن است بپرسید:

  • در یک هفته یا یک روز معمولی چه می کنید؟
  • مهمترین وظایف در این نقش چیست؟
  • چه مهارت هایی برای موفقیت مهم هستند؟
  • تیم شما چگونه برای دستیابی به اهداف خود با یکدیگر همکاری می کند؟ فرآیند استخدام چگونه است؟
  • با توجه به نامزدهایی که در گذشته برجسته بودند، چه چیزی آنها را قادر به درخشش کرد؟

پیدا کردن کسی برای مصاحبه همیشه آسان نیست، اما بسیاری از افرادی که امروز در پست‌های ارشد هستند، در زمانی که تازه کار بودند از کسانی که پیش از آن‌ها وارد این حوزه شده بودند، کمک دریافت کردند و بسیاری مشتاق به پرداخت آن هستند. اگر بتوانید با کسی که قبلاً در شبکه شما حضور دارد تماس بگیرید – شاید دوستی که پیش از شما این انتقال را انجام داده است یا کسی که در همان مدرسه شما تحصیل کرده است – عالی است! جلساتی مانند Pie & AI نیز می توانند به شما در ایجاد شبکه کمک کنند.

در نهایت، مؤدب و حرفه ای باشید و از افرادی که با آنها مصاحبه کرده اید تشکر کنید. و وقتی فرصتی پیدا کردید، لطفاً آن را نیز جبران کنید و به کسی که بعد از شما می آید کمک کنید. اگر درخواستی برای یک مصاحبه اطلاعاتی از شخصی در جامعه DeepLearning.AI دریافت کردید، امیدوارم به او کمک کنید تا قدمی بلند بگذارد! اگر علاقه مند به کسب اطلاعات بیشتر در مورد مصاحبه های اطلاعاتی هستید، این مقاله را از مرکز شغلی UC Berkeley توصیه می کنم.

من چندین بار به اهمیت شبکه سازی در جامعه ای که در آن فعالیت دارید، اشاره کرده ام. افرادی که ملاقات کرده‌اید، فراتر از ارائه اطلاعات ارزشمند، می‌توانند با ارجاع کردن شما به کارفرمایان بالقوه نقش ارزشمندی ایفا کنند.

فصل نهم: یافتن شغل هوش مصنوعی مناسب برای شما

در این فصل، می خواهم در مورد چند نکته خوب برای یافتن شغل بحث کنم. جستجوی کار معمولی مسیری نسبتاً قابل پیش بینی را دنبال می کند.

  • در مورد نقش ها و شرکت ها به صورت آنلاین یا با صحبت با دوستان تحقیق کنید.
  • در صورت تمایل، مصاحبه های اطلاعاتی غیررسمی را با افرادی در شرکت هایی ترتیب دهید که برای شما جذاب هستند.
  • بدون واسطه و مستقیم درخواست دهید یا اگر می توانید، از شخصی در داخل مجموعه توصیه بگیرید.
  • با شرکت هایی که به شما دعوت نامه می دهند مصاحبه کنید.
  • یک یا چند پیشنهاد دریافت کنید و یکی را انتخاب کنید. یا اگر پیشنهادی دریافت نکردید، از مصاحبه‌کننده‌ها، کارکنان منابع انسانی، پلتفرم های بحث آنلاین یا هر کسی در شبکه‌ تان که می‌تواند به شما در طراحی حرکت بعدی کمک کند، بازخورد بخواهید.

اگرچه ممکن است این فرآیند آشنا باشد، اما هر جستجوی شغلی متفاوت است. در اینجا چند نکته برای افزایش شانس یافتن موقعیتی وجود دارد که از پیشرفت شغلی شما پشتیبانی می کند و شما را قادر می سازد به رشد خود ادامه دهید.

به اصول اساسی توجه کنید. یک رزومه قانع کننده، مجموعه ای از پروژه های فنی و یک عملکرد مصاحبه قوی، قفل درها را باز می کند. حتی اگر ارجاعی از شخصی در یک شرکت داشته باشید، رزومه و نمونه کارهای شما، اولین برخورد شما با بسیاری از افرادی خواهد بود که از قبل درباره شما اطلاعی ندارند. رزومه خود را به روزرسانی کنید و مطمئن شوید که به خوبی تحصیلات و تجربه ی شما را مرتبط با شغلی که می خواهید ارائه می دهد. ارتباطات خود را با هر شرکت سفارشی کنید تا توضیح دهید که چرا مناسب هستید. قبل از مصاحبه، از استخدام کننده بپرسید که چه انتظاری دارید. برای بررسی و تمرین پاسخ‌های سوالات رایج در مصاحبه، مهارت‌های کلیدی و مطالعه مطالب فنی، وقت بگذارید تا مطمئن شوید که آنها در ذهن شما به روز هستند. پس از آن، یادداشت برداری کنید تا به شما کمک کند آنچه گفته شد را به خاطر بسپارید.

محترمانه و مسئولانه ادامه دهید. با یک طرز فکر مثبت و برنده به مصاحبه ها بروید و مذاکرات را پیشنهاد دهید. خشم سریع‌ تر از منطقی بودن در رسانه‌های اجتماعی پخش می‌شود، بنابراین داستانی در مورد اینکه چگونه یک کارفرما به کسی دستمزد کمتری می‌دهد بیشتر به چشم می آید، در حالی که داستان‌هایی درباره نحوه رفتار منصفانه یک کارفرما با فردی چنین نیست. بیشتر کارفرمایان، اخلاقی و منصف هستند بنابراین اجازه ندهید داستان های مربوط به بخشی از افراد که تجربه بدرفتاری را داشته اند، بر رویکرد شما تأثیر بگذارد. اگر شغلی را ترک می‌کنید، حرفه ای از کار خارج شوید. به کارفرمای خود اطلاع کافی بدهید، تمام تلاش خود را در آخرین ساعت کاری خود به کار ببندید، کارهای ناتمام را تا جایی که می توانید انتقال دهید، و به گونه ای ترک کنید که مسئولیت هایی را که به شما سپرده شده است انجام شود.

انتخاب کنید با چه کسی کار کنید. وسوسه انگیز است که به دلیل پروژه هایی که روی آنها کار خواهید کرد، موقعیتی را به دست آورید. اما هم گروهی هایی که با آنها کار خواهید کرد حداقل به همان اندازه مهم هستند. ما تحت تأثیر اطرافیانمان هستیم، بنابراین همکاران شما تفاوت بزرگی ایجاد خواهند کرد. به عنوان مثال، اگر دوستان شما سیگار می کشند، این احتمال افزایش می یابد که شما نیز سیگار بکشید. من مطالعه‌ای را نمی‌شناسم که این را نشان دهد، اما تقریباً مطمئن هستم که اگر بیشتر همکاران شما سخت کار کنند، به طور مداوم یاد بگیرند و هوش مصنوعی بسازند تا برای همه مردم مفید باشد، احتمالاً شما نیز همین کار را انجام خواهید داد. (به هر حال، برخی از شرکت های بزرگ تا زمانی که پیشنهادی را نپذیرفته اید به شما نمی گویند که هم گروهی های شما چه کسانی خواهند بود. در این مورد، پافشاری کنید و برای شناسایی و صحبت با هم گروهی های احتمالی تلاش کنید. سیاست های سخت گیرانه ممکن است این کار را غیرممکن کند. به شما کمک می کند، اما به نظر من، این خطر پذیرش پیشنهاد را افزایش می دهد، زیرا احتمال اینکه در نهایت با یک مدیر یا هم گروهی هایی که مناسب نیستند قرار بگیرید را افزایش می دهد.)

از جامعه خود کمک بگیرید. بسیاری از ما فقط تعداد کمی از ما در حرفه خود به دنبال کار می رویم، بنابراین تعداد کمی از ما تمرین زیادی برای انجام آن به خوبی انجام می دهیم. با این حال، در مجموع، افراد جامعه نزدیک شما احتمالاً تجربه زیادی دارند. از تماس با آنها خجالت نکشید. دوستان و همکاران می توانند مشاوره ارائه دهند، دانش درونی را به اشتراک بگذارند، و شما را به دیگرانی که ممکن است کمک کنند ارجاع دهند. هنگامی که برای اولین پست هیئت علمی خود درخواست دادم از دوستان و مربیان حمایت گر کمک زیادی گرفتم و بسیاری از نکاتی که به من دادند مفید بود.

من می دانم که فرآیند جستجوی شغل، چقدر می تواند ترسناک باشد. به جای اینکه به آن به عنوان یک جهش بزرگ نگاه کنید، یک رویکرد افزایشی را در نظر بگیرید. با شناسایی نقش های احتمالی و انجام چند مصاحبه اطلاعاتی شروع کنید. اگر این مکالمات به شما می‌گویند که قبل از اینکه آماده درخواست شوید، باید یادگیری بیشتری انجام دهید، عالی است! حداقل شما یک مسیر روشن رو به جلو دارید. مهمترین بخش هر مسیر برداشتن اولین قدم است و آن قدم می تواند کوچک باشد.

فصل دهم: کلید های ایجاد یک شغل در هوش مصنوعی

مسیر موفقیت شغلی درهوش مصنوعی پیچیده‌ تر از آن چیزی است که بتوانم در یک کتاب الکترونیکی کوتاه پوشش دهم. امیدوارم فصل های گذشته به شما انگیزه ای برای حرکت به جلو بدهد. در اینجا موارد دیگری وجود دارد که باید در هنگام ترسیم مسیر موفقیت در مورد آنها فکر کنید

1.کار گروهی

وقتی پروژه‌های بزرگ را انجام می‌دهیم، با کارگروهی بهتر از کار فردی موفق می‌شویم. توانایی همکاری، تأثیرگذاری و تأثیرپذیری از دیگران بسیار مهم است. بنابراین، مهارت های بین فردی و ارتباطی واقعا مهم است. (به هر حال، من قبلاً یک ارتباط دهنده بسیار بد بودم.)

2. شبکه سازی

من از شبکه سازی متنفرم! به عنوان یک فرد درونگرا، لبخند زدن و دست دادن در یک مهمانی، فعالیتی وحشتناک است. ترجیح می دهم در خانه بمانم و کتاب بخوانم. با این وجود، من خوش شانس هستم که دوستان واقعی زیادی در هوش مصنوعی پیدا کردم. افرادی که من با کمال میل می خواهم از آنها حمایت کنم و همچنین روی آنها حساب می کنم. هیچ فردی جزیره نیست، و داشتن یک شبکه حرفه ای قوی می تواند در لحظاتی که به کمک یا مشاوره نیاز دارید، شما را به جلو پیش ببرد. به جای شبکه سازی، فکر کردن در مورد ایجاد یک جامعه مفیدتر است. بنابراین به جای تلاش کردن برای ایجاد شبکه شخصی خودم، به جای آن بر ایجاد جوامعی تمرکز می کنم که بخشی از آنها هستم. این یک عارضه جانبی دارد که به من کمک می کند با افراد بیشتری آشنا شوم و همچنین دوستانی پیدا کنم.

3. جستجوی کار

از بین تمام مراحل ایجاد یک شغل، این مرحله بیشتر مورد توجه قرار می گیرد. متأسفانه، توصیه های بد زیادی در این مورد در اینترنت وجود دارد. (به عنوان مثال، بسیاری از مقاله‌ها خواستار داشتن نگرش همراه با دشمنی نسبت به کارفرمایان آینده هستند، که فکر نمی‌کنم مفید باشد.) اگرچه ممکن است به نظر برسد که یافتن شغل هدف نهایی است، اما این تنها یک قدم کوچک در مسیر طولانی یک حرفه است.

4. نظم فردی

تعداد کمی از مردم می دانند که آیا شما آخر هفته های خود را به یادگیری می گذرانید یا به تماشای تلویزیون می پردازید – اما آنها به مرور متوجه تفاوت خواهند شد. بسیاری از افراد موفق عادت های خوبی در غذاخوردن، ورزش، خواب، روابط شخصی، کار، یادگیری و مراقبت از خود دارند. چنین عاداتی به آنها کمک می کند تا در عین حال سالم بمانند.

5. نوع دوستی

من متوجه شدم که کسانی که به دیگران در مسیری که خود طی می کنند کمک می کنند، اغلب به نتایج بهتری برای خود دست می یابند.

فصل یازدهم: غلبه بر سندرم ایمپاستر یا خود ویرانگری

قبل از اینکه به فصل پایانی این کتاب بپردازیم، می‌خواهم به موضوع مهم افرادی که درهوش مصنوعی تازه وارد هستند، بپردازم که گاهی اوقات سندروم خود ویرانگری را تجربه می‌ کنند، جایی که کسی — صرف نظر از موفقیت‌هایش در زمینه هوش مصنوعی —متعجب می‌شود که آیا کلاهبردارهست و واقعاً به این جامعه تعلق دارد یا خیر. من می‌خواهم مطمئن شوم که این شما یا هیچ‌کس دیگری را از رشد در هوش مصنوعی باز نمی دارد.

اجازه بدهید که شفاف سازی کنم: اگر می‌خواهید بخشی از جامعه هوش مصنوعی باشید، من با آغوش باز از شما استقبال می‌کنم. اگر می خواهید به ما بپیوندید، کاملاً به ما تعلق دارید!

تخمین زده می شود که 70 درصد از افراد در زمانی نوعی از سندرم خود ویرانگری را تجربه می کنند. بسیاری از افراد با استعداد به طور عمومی در مورد این تجربه صحبت کرده اند، از جمله شریل سندبرگ، مدیر سابق فیس بوک، میشل اوباما، بانوی اول ایالات متحده، تام هنکس بازیگر و مایک کانن بروکس، مدیر عامل شرکت Atlassian. در جامعه ما حتی در بین افراد ماهر و ومتخصص هم اتفاق می افتد. اگر خودتان هرگز این را تجربه نکرده اید، عالی است! امیدوارم در تشویق و استقبال همه کسانی که می خواهند به انجمن ما بپیوندند به من بپیوندید.

هوش مصنوعی از نظر فنی پیچیده است و افراد باهوش و بسیار توانمند خود را دارد. اما به راحتی می توان فراموش کرد که برای خوب شدن در هر کاری، اولین قدم این است که پیگیر باشی و آن را رها نکنی. اگر در پیگیری در هوش مصنوعی موفق بوده اید – تبریک می گویم، شما در مسیر درست قرار دارید!

من یک بار برای فهمیدن ریاضیات پشت رگرسیون خطی تلاش کردم. زمانی که رگرسیون لجستیک به طور عجیبی روی داده‌هایم انجام شد، من گیج شدم و چند روز طول کشید تا یک اشکال در پیاده‌سازی یک شبکه عصبی ساده پیدا کنم. امروزه، من هنوز بسیاری از مقالات تحقیقاتی را برای خواندن چالش برانگیز می بینم، و اخیراً هنگام تنظیم یک فرا پارامتر شبکه عصبی (که خوشبختانه یکی از مهندسان همکار آن را حل کرد) اشتباه آشکاری را مرتکب شدم.

بنابراین اگر شما نیز بخش هایی از هوش مصنوعی را چالش برانگیز می دانید، اشکالی ندارد. ما همه آنجا بوده ایم. من تضمین می‌کنم که هرکسی که یک مقاله مهم هوش مصنوعی منتشر کرده است، در مقطعی با چالش‌های فنی مشابهی دست و پنجه نرم می‌کند.

در اینجا مواردی وجود دارد که می تواند کمک کند.

  • آیا مربی یا همکاران حمایت کننده ای دارید؟ اگر هنوز این کار را نکرده‌اید، در رویدادهای Pie & AI یا رویدادهای دیگر شرکت کنید، از پلتفرم بحث و گفتگو استفاده کنید و روی پیدا کردن برخی از آنها کار کنید. اگر مربیان یا مدیران شما از رشد شما حمایت نمی کنند، کسانی را پیدا کنید که از رشد شما حمایت می کنند. من همچنین در حال کار بر روی چگونگی رشد یک جامعه هوش مصنوعی حمایت گر هستم و امیدوارم بتوانم پیدا کردن و ارائه پشتیبانی را برای همه آسان‌تر کنم.
  • هیچ کس در همه چیز متخصص نیست. آنچه را که به خوبی انجام می دهید را تشخیص دهید. اگر کاری که شما به خوبی انجام می دهید این است که یک دهم مقالات The Batch را درک کرده و برای دوستان خود توضیح دهید، پس شما در مسیر هستید! بیایید کار کنیم تا شما دو دهم مقالات را بفهمید.

دختر سه ساله من (که به سختی می تواند تا 12 بشمرد) مرتب سعی می کند چیزهایی را به پسر یک ساله ام آموزش دهد. مهم نیست که چقدرتوانایی دارید — اگر حداقل به اندازه یک کودک سه ساله آگاه هستید — می توانید دیگران را تشویق کنید و پشت سر خود بلند کنید. انجام این کار به شما نیز کمک خواهد کرد، زیرا دیگران پشت سر شما تخصص شما را می شناسند و همچنین شما را تشویق می کنند که به پیشرفت خود ادامه دهید. وقتی دیگران را دعوت می کنید تا به جامعه هوش مصنوعی بپیوندند، که امیدوارم انجام دهید، این شک و تردید را نیز کاهش می دهد که شما قبلاً یکی از ما هستید.

هوش مصنوعی آنقدر بخش مهمی از دنیای ما است که من دوست دارم هر کسی که می‌خواهد بخشی از آن باشد، به عنوان عضوی از جامعه ما احساس راحتی کند. بیایید با هم کار کنیم تا آن را عملی کنیم.

کلام آخر (دیدگاه پایانی)

از هر روز نهایت استفاده را ببرید.

هر سال در روز تولدم، به روزهای پشت سر و روزهایی که پیش رو فکر می کنم.

شاید شما در ریاضیات خوب باشید؛ من مطمئن هستم که می توانید با یک محاسبه سریع به سؤال زیر پاسخ دهید. اما اجازه بدهید من از شما یک سوال بپرسم و لطفاً بدون حساب و کتاب پاسخ دهید

گمان می‌کنید طول عمر یک انسان معمولی چند روز است؟

20000 روز

100000 روز

1 میلیون روز

5 میلیون روز

وقتی از دوستان می پرسم، خیلی ها عددی را از بین صدها هزار انتخاب می کنند. (بسیاری دیگر نمی توانند در برابر محاسبه پاسخ مقاومت کنند که باعث آزار من است!)

زمانی که دانش آموز مقطع کارشناسی ارشد بودم، به یاد دارم که با استفاده از یک ماشین حساب خواستم تا امید به زندگی ام را بفهمم. ماشین حساب گفت من می توانم انتظار داشته باشم که در مجموع 27649 روز زندگی کنم. برای من جالب بود که این عدد چقدر کم است. آن را با فونت بزرگ چاپ کردم و به عنوان یادآوری روزانه روی دیوار دفترم چسباندم.

این تمام روزهایی است که باید با عزیزانمان بگذرانیم، یاد بگیریم، برای آینده بسازیم و به دیگران کمک کنیم. هر کاری که امروز انجام می دهید، آیا ارزش ۱/۳ زندگی شما را دارد؟

پی‌نوشت: فایل اصلی این مجموعه‌ی ارزشمند را می‌توانید از این آدرس که در کانال تلگرام علم داده منتشر شد است، دانلود نمائید.

مترجم: سپیده قاضی عسگر

بازخوانی: محمد پور محمدی فلاح

پست‌های مرتبط با این مقاله:

دیدگاهتان را بنویسید

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

مدرسه زمستانی علم داده

یک فرصت استثنایی برای ورود به دنیای تک و تحلیل داده!