نقشه راه رسیدن به شغل در دنیای هوش مصنوعی از دیدگاه " Andrew Ng " قسمت ۴
نقشه راه رسیدن به شغل مناسب در دنیای هوش مصنوعی از دیدگاه مرد شماره یک هوش مصنوعی دنیا " Andrew Ng "
فصل ۵
«« پیدا کردن پروژه هایی که اهداف شغلی شما را تکمیل می کنند »»
نیازی به گفتن نیست که ما تنها باید بر روی پروژه هایی کار کنیم که برای مردم اخلاق مدار و سودمند باشند. اما این محدودیت ها تنوع زیادی برای انتخاب باقی می گذارند. در فصل قبل، من در مورد چگونگی شناسایی ، حوزه و پروژه های AI اشاره کردم.
این فصل و فصل بعدی بر روی انتخاب و اجرای پروژه ها با نگاهی به توسعه شغلی تاکید خواهیم داشت.
شروع کوچک بسیار بهتر بوده، چراکه با رشد مهارت ها ، میتوان از پروژه های اولیه برای یادگیری استفاده کرده و به تدریج به پروژه های بزرگ تر نزدیک شوید.
زمانی که کار خود را شروع می کنید، از دیگران انتظار نداشته باشید که ایده ها یا منابع عالی را در یک بشقاب به شما یکجا تحویل بدهند. بسیاری از افراد با کار بر روی پروژه های کوچک در اوقات فراغت خود شروع می کنند.
با موفقیت های اولیه (حتی موفقیت های کوچک) تحت کنترل شما، مهارت های در حال رشد شما توانایی شما برای رسیدن به ایده های بهتر را افزایش می دهند و عملا متقاعد کردن دیگران برای کمک به شما برای رسیدن به پروژه های بزرگ تر آسان تر می شود.
اگر ایده پروژه ندارید چه؟ در اینجا به چند روش برای تولید آن ها اشاره می کنیم:
1) به پروژه های موجود بپیوندید
اگر کس دیگری را با یک ایده پیدا کردید، از او بخواهید به پروژه آن ها بپیوندد.
2) به خواندن و صحبت کردن با مردم ادامه دهید
من هر زمان که زمان زیادی را صرف خواندن، گذراندن دوره، یا صحبت کردن با متخصصان حوزه می کنم، ایده های جدیدی پیدا می کنم. مطمئنم که تو هم همین کار را بکنی به نتیجه مشابه خواهی رسید.
3) بر روی یک حوزه مشخص و ثابت تمرکز کنید
بسیاری از محققان در تلاش برای پیشرفت فناوری پایه ای AI هستند (مثلا، با اختراع نسل بعدی ترانسفورماتورها یا افزایش مقیاس مدل های زبانی)
بنابراین، در حالی که این سطح از علم هیجان انگیز بوده، با این حال همچنان بسیار سخت بنظر می رسد. اما باید توجه داشته باشیم؛ کاربردهای متنوعی که یادگیری ماشین هنوز به کار گرفته نشده است، بسیار بسیار گسترده است!
من خوش شانس هستم که توانستم شبکه های عصبی را برای همه چیز، از پرواز مستقل هلی کوپتر گرفته تا تبلیغات آنلاین، به کار ببرم، تا حدودی به این خاطر که چون افراد نسبتا کمی روی این برنامه ها کار می کردند، مشغول به فعالیت در این حوزه ها شدم. اگر شرکت یا دانشگاه شما به یک برنامه خاص اهمیت بیشتری می دهد، شما باید احتمالات یادگیری ماشین را در آن حوزه بررسی کنید. چراکه می تواند به شما نگاه اولیه ای به یک برنامه کاربردی بالقوه خلاقانه بدهد (برنامه ای که در آن می توانید کار منحصر به فردی انجام دهید ) که هیچ کس دیگری تا کنون آن را انجام نداده است.
4) یک کلاه برداری دو طرفه راه بیندازید
حتی اگر یک شغل تمام وقت داشته باشید، یک پروژه سرگرم کننده که ممکن است به چیزی بزرگ تر تبدیل شود یا نشود می تواند خلاقیت شما را تحریک کرده و ارتباط با همکاران مختلفی را تقویت کند.
زمانی که من یک استاد تمام وقت بودم، کار کردن بر روی آموزش آنلاین بخشی از "کار" من نبود . سرگرمی جالبی بود که من اغلب به خاطر علاقه به تحصیل روی آن کار می کردم. تجربیات اولیه من در ضبط ویدئو در خانه بعدها به من کمک کرد تا بر روی آموزش آنلاین به شیوه ای اصولی تر کار کنم.
Silicon Valley مملو از داستان هایی از شرکت های تازه تاسیس دانش بنیان است که به عنوان پروژه های جانبی آغاز شده اند. تا زمانی که با کارفرمای شما تعارض ایجاد نکند، این پروژه ها می توانند سنگ بنای یک کار مهم باشند.
با توجه به چند ایده پروژه، باید به کدام یک از آن ها بپردازید؟ این یک چک لیست سریع از عواملی است که باید در نظر بگیرید:
1) آیا پروژه به شما کمک می کند از لحاظ فنی رشد کنید؟
در حالت ایده آل، باید به اندازه کافی چالش برانگیز باشد تا مهارت های خود را گسترش دهید، اما نه آنقدر سخت که شانس موفقیت کمی داشته باشید. این کار شما را در مسیر تسلط بر پیچیدگی فنی بیشتری قرار می دهد.
2) آیا هم تیمی های خوبی دارید که با آن ها کار کنید؟
اگر نه، آیا کسانی هستند که شما بتوانید با آن ها در مورد مسائل صحبت کنید؟ ما چیزهای زیادی از افراد اطراف خود یاد می گیریم، و همکاران خوب تاثیر بزرگی بر روی رشد شما خواهند داشت.
3) آیا این پروژه ، سنگ بنای مهمی برای پروژه های بزرگ تر خواهد بود ؟
اگر پروژه موفق باشد، آیا پیچیدگی فنی و یا اثربخشی آن در حوزه کسب وکار میتواند آن را به سنگ بنای مهمی برای پروژه های بزرگ تر تبدیل کند؟ اگر پروژه بزرگ تر از چیزی باشد که قبلا روی آن کار کرده اید، شانس خوبی برای این کار وجود دارد.
در نهایت، از ناتوانی در تجزیه و تحلیل اجتناب کنید. منطقی نیست که یک ماه در مورد پروژه ای که یک هفته طول می کشد تا تکمیل شود تصمیم بگیرید. شما در طول مسیر شغلی خود بر روی پروژه های متعددی 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 AI، به جای رویکرد مرسوم "آماده، هدف، آتش"، می توانید پیشرفت خود را با رویکرد جدیدی به نام "آماده، آتش، هدف " سرعت ببخشید. کار کردن بر روی پروژه ها نیازمند ایجاد انتخاب های دشوار در مورد اینکه چه چیزی باید ساخته شود و چگونه باید در مورد آن کار کرد. در اینجا دو سبک متمایز آورده شده است:
رویکرد اول "آماده، هدف، آتش " : با دقت برنامه ریزی کنید و اعتبارسنجی دقیقی انجام دهید. تعهد و اجرا تنها زمانی انجام می شود که شما اعتماد به نفس بالایی در یک جهت داشته باشید. این رویکرد تمایل دارد زمانی که هزینه اجرا بالا است با یک مطالعه می تواند روشن کند که یک پروژه چقدر می تواند مفید یا با ارزش باشد. برای مثال، اگر بتوانید چند مورد استفاده دیگر (رستوران ها، خطوط هوایی، تله کام، و ... ) را به ذهن متبادر کرده و این موارد را ارزیابی کنید تا یکی از امیدوارکننده ترین آن ها را شناسایی کنید،
رویکرد دوم "آماده، آتش، هدف " : به سمت توسعه حرکت کنید و شروع به اجرا کنید. این به شما این امکان را می دهد که مشکلات را به سرعت کشف کنید و در صورت لزوم در طول مسیر حرکت کنید.
فرض کنید که شما یک ربات مشتری مدار برای خرده فروشان ساخته اید و فکر می کنید می تواند به رستوران ها نیز کمک کند. آیا باید برای مطالعه بازار رستوران قبل از شروع توسعه زمان صرف کنید، به آرامی حرکت کنید اما خطر اتلاف وقت و منابع را کم کنید؟ یا فورا به سراغ آن بروید، به سرعت حرکت کنید و ریسک بالاتر عکس العمل نشان دادن یا شکست خوردن را بپذیرید؟
در این رویکرد معمولا فرایند کاری به این گونه خواهد بود که اگر میتوانید با هزینه کم اجرا کنید و در طی انجام این کار، مشخص کنید که آیا مسیر ممکن و شدنی است یا خیر و همچنین نقاط عطف مهمی را کشف کرده که میتواند آن اتفاق را عملی سازد. به عنوان مثال، اگر شما بتوانید یک نمونه اولیه را به سرعت بسازید تا ببینید آیا کاربران آن محصول را می خواهند یا نه، و اگر اصلاح و ارتقاء آن با توجه به نتایج نظر خواهی از مخاطبین قابل قبول و شدنی باشد، پس منطقی است که به سرعت وارد آن شوید.
هر دو رویکرد طرفداران خود را دارند و بهترین انتخاب به موقعیت بستگی دارد.
بعد از توافق بر سر جهت پروژه، وقتی به ساخت یک مدل یادگیری ماشینی می رسیم که بخشی از محصول است, شخصا نسبت به رویکرد "آماده, آتش, هدف" تعصب خاصی دارم .
مدل های ساخت یک فرآیند تکراری هستند. برای بسیاری از کاربردها، هزینه آموزش و تحلیل خطای هدایت، بعنوان عامل بازدارنده عمل نخواهد کرد. علاوه بر این، انجام یک مطالعه که مدل مناسب، داده ها و پارامترهای بیش از حد را روشن کند، بسیار دشوار است. بنابراین منطقی به نظر می رسد که یک سیستم پیوسته را به سرعت بسازیم و آن را بازبینی کنیم تا زمانی که به خوبی کار کند.
اما زمانی که تعهد به یک جهت به معنای سرمایه گذاری پرهزینه یا ورود به یک در یک طرفه است (یعنی تصمیمی که معکوس کردن آن دشوار است)، غالبا باید زمان بیشتری را از قبل صرف کنید تا مطمئن شوید که واقعا ایده خوبی است یا خیر.