به گزارش شهرآرانیوز؛ دادههای جمعآوریشده از سوی وبسایت کاریابی ایندید (Indeed) نشان میدهد در آمریکا، آگهیهای شغلی حوزه علوم که در آنها «هوش مصنوعی» بهعنوان یکی از مهارتهای موردنیاز مطرح شده، با سرعت زیادی افزایش یافته است. به همین دلیل، شناخت انتظارات کارفرمایان از کارکنان در عصر هوش مصنوعی اهمیت بیشتری پیدا کرده است.
به نقل از نیچر، موسسه کوادرام (Quadram Institute) در نورویچ بریتانیا یکی از نمونههای این تغییر است. این موسسه در زمینه علوم غذایی و زیستشناسی روده فعالیت میکند، اما دنیل فیگز، مدیرعامل آن، معتقد است پژوهشگران این مجموعه باید با یادگیری ماشینی و هوش مصنوعی نیز آشنایی داشته باشند.
فیگز توضیح میدهد که بخش قابلتوجهی از پژوهشهای انجامشده در حوزه فعالیت کوادرام به یادگیری ماشین و غربالگری پرظرفیت اختصاص دارد و دادههای بهدستآمده از این فرایندها نیز در بسیاری از موارد با استفاده از ابزارهای هوش مصنوعی مورد تحلیل قرار میگیرند.
او میگوید اگر فردی متناسب با موقعیت شغلی موردنظر، فاقد این مهارتها باشد، چنین مسئلهای میتواند یک علامت هشدار تلقی شود.
{$sepehr_key_243680}
تقاضای رو به رشد برای مهارتهای هوش مصنوعی
بررسی آگهیهای شغلی حوزه علوم در آمریکا و بریتانیا از سال ۲۰۲۰ نشان میدهد تقاضا برای مهارتهای مرتبط با هوش مصنوعی پس از همهگیری کرونا افزایش قابلتوجهی داشته و همچنان بالاتر از سطح سال ۲۰۲۰ قرار دارد.
این روند در شرایطی رخ داده که استخدام نیروی علمی پس از رسیدن به بیشترین میزان خود در سال ۲۰۲۲، وارد مسیر نزولی شده و اکنون حتی پایینتر از سطح پیش از همهگیری قرار دارد.
با وجود این شرایط، پژوهشگران لزوماً نباید نگران جایگزین شدن مشاغل علمی با سامانههای هوش مصنوعی باشند. یادگیری نحوه استفاده از این ابزارها و توانایی تفسیر نتایج آنها میتواند به پژوهشگران کمک کند یک گام جلوتر باشند. البته برای این کار نیازی نیست همه چیز درباره هوش مصنوعی را بدانند.
رجینا برزیلای، دانشمند علوم رایانه در موسسه فناوری ماساچوست (MIT) در کمبریج، دورهای تخصصی را برای آموزش مهارتهای هوش مصنوعی به دانشمندان برگزار میکند.
او برای توضیح میزان دانش موردنیاز، هوش مصنوعی را به آشپزی تشبیه میکند. به گفته او، برای اینکه فرد در آشپزخانه احساس راحتی کند، لازم نیست تمام دستورهای غذایی دنیا را بداند؛ بلکه داشتن یک درک بسیار ابتدایی کافی است. او این وضعیت را با استفاده از رایانه نیز مقایسه میکند و میگوید برای کار کردن با رایانه، لازم نیست فرد دانشمند علوم رایانه باشد.
مجله نیچر با ۹ نفر از پژوهشگران و استخدامکنندگان گفتوگو کرده است تا مشخص شود دانشمندان در حوزههای مختلف، در عصر هوش مصنوعی به چه مهارتهایی بیشتر نیاز خواهند داشت.
برای افزایش دانش هوش مصنوعی چه کارهایی باید انجام داد؟
پژوهشگران باید بتوانند در فعالیتهای روزمره کاری خود فناوریهای هوش مصنوعی را امتحان کنند و با آنها کار کنند. شرکت در دورههای آموزشی هوش مصنوعی و یادگیری ماشینی نیز توصیه میشود.
یکی دیگر از راهها این است که از هوش مصنوعی بخواهند برای یک پروژه کدنویسی انجام دهد، سپس کد تولیدشده را خطبهخط بررسی کنند و نحوه عملکرد آن را یاد بگیرند.
در مقابل، نباید پروژهای مبتنی بر ابزارهای هوش مصنوعی پیشنهاد شود، بدون اینکه فرد بتواند توانایی و مهارت لازم برای اجرای آن را نشان دهد. همچنین نباید هر پاسخی را که یک چتبات ارائه میدهد بدون بررسی پذیرفت و تلاش برای یادگیری تمام مفاهیم هوش مصنوعی بهصورت همزمان نیز رویکرد مناسبی نیست.
{$sepehr_key_243681}
کنجکاوی؛ مهارتی مهمتر از ابزارهای خاص
استخدامکنندگان بارها به نیچر گفتهاند که در بسیاری از موارد، به جای جستوجوی مهارتهای فنی مشخص، بیشتر به دنبال افرادی هستند که کنجکاو باشند، علاقه به یادگیری درباره هوش مصنوعی داشته باشند و بتوانند این ویژگی را در رزومه خود نشان دهند.
معاون پژوهشی کلینیک مایو در روچستر ایالت مینهسوتا میگوید مهمتر از داشتن مهارتهای مشخص این است که فرد حاضر باشد وارد این حوزه شود؛ چه از طریق آموزش غیررسمی و چه با اختصاص چند ساعت برای استفاده از محتوای آموزشی متنباز. کلینیک مایو در ماه مه حدود ۳۰ موقعیت پژوهشی خالی داشت.
به گفته او، دلیل اهمیت این ویژگی آن است که حوزه هوش مصنوعی با سرعت زیادی تغییر میکند؛ بنابراین اگر استخدام افراد بر اساس توانایی کار با ابزارهای مشخصی مانند اوپن کلاو (OpenClaw) یا آلفاژنوم (AlphaGenome) انجام شود، چنین معیاری ممکن است خیلی زود منسوخ شود.
کریستوفر والش، مدیرعامل شرکت نوپای TileBio در گلاسگو بریتانیا که از هوش مصنوعی برای تحلیل تصاویر پزشکی استفاده میکند، نیز همین دیدگاه را دارد.
او میگوید مدلهای زبانی بزرگ یادگیری اطلاعات جدید را بسیار آسان کردهاند، البته به شرط آنکه منابع مورد استفاده بررسی و صحت آنها تأیید شود. به اعتقاد او، نخستین قدم این است که فرد صرفاً کنجکاوی لازم برای انجام این کار را داشته باشد و برای یادگیری مطالب جدید آمادگی نشان دهد.
بسیاری از موسسات آموزشی نیز در کنار برنامههای درسی علوم، دورههایی برای آموزش هوش مصنوعی ارائه میکنند.
نحوه «فکر کردن» هوش مصنوعی را بشناسید
یکی از چالشهای استفاده از ابزارهای هوش مصنوعی این است که کاربران ممکن است به نتایج تولیدشده بیش از اندازه اعتماد کنند و آنها را بدون بررسی انتقادی دادهها بپذیرند.
والش میگوید هوش مصنوعی در بسیاری از مواقع بر اساس چیزی که کاربر بیان کرده، نتیجهای ارائه میدهد که تصور میکند کاربر انتظار دیدن آن را دارد.
به گفته او، هوش مصنوعی تمایل دارد «مردم را راضی کند»؛ به این معنا که پاسخهایی ارائه میدهد که با انتظار کاربر سازگار هستند.
برزیلای نیز هشدار میدهد که احتمالهایی که هوش مصنوعی اعلام میکند باید با دقت بررسی شوند، زیرا این احتمالها ممکن است با واقعیت مشاهدهشده تطابق نداشته باشند.
برای نمونه، اگر یک مدل هوش مصنوعی اعلام کند که احتمال وجود سلولهای سرطانی در یک تصویر رادیولوژی ۸۰ درصد است، باید این پرسش مطرح شود که آیا میتوان واقعاً به این احتمال ۸۰ درصد اعتماد کرد یا خیر.
برای پاسخ به این پرسش باید مشخص شود که آیا تخمین احتمال ارائهشده از سوی مدل با دادههای آزمایشی بهروز کالیبره شده است یا نه؛ به عبارت دیگر، آیا برآوردهای مدل با توزیع واقعی دادهها مطابقت دارند یا خیر.
مدلهای غربالگری سرطان، برای مثال، اغلب با استفاده از موارد تاریخی ارزیابی میشوند. در نتیجه، زمانی که همین مدلها برای بررسی جمعیتهای جدید به کار گرفته میشوند، آستانههای خطری که مدل بر اساس آنها تصمیم میگیرد ممکن است دیگر با واقعیت مطابقت نداشته باشند.
در یک پژوهش منتشرنشده، عزیز آید، متخصص هوش مصنوعی، و همکارانش دریافتند مدل هوش مصنوعی MIRAI در ارزیابی خطر ابتلا به سرطان پستان در زنان دچار خطا شده است. چنین خطایی میتواند سلامت افراد را به خطر بیندازد، زیرا ممکن است مدل برخی زنانی را که باید برای غربالگری پیشرفته معرفی شوند، شناسایی نکند.
مدلهای هوش مصنوعی گاهی میتوانند به توضیح مشاهدات غیرمنتظره کمک کنند و همین مسئله ممکن است مسیر تکرارهای بعدی یک مطالعه را مشخص کند. با این حال، توصیههای ارائهشده از سوی هوش مصنوعی باید همواره با روشهای دیگر نیز تأیید شوند.
داشتن درکی از تواناییهای مدل اهمیت زیادی دارد، اما در کنار آن باید دانست این تواناییها زمانی که مدل روی یک ماشین اجرا میشود یا با مجموعهدادههای مختلف تعامل دارد، دقیقاً چه معنایی پیدا میکنند.
{$sepehr_key_243682}
تواناییهای خود را بشناسید
به نظر میرسد در عصر هوش مصنوعی، بسیاری از طرحهای پژوهشی مملو از ایدههایی درباره نحوه استفاده از این فناوری هستند. با این حال، مدیران استخدام میگویند نویسندگان این طرحها اغلب مشخص نمیکنند که آیا تیم پژوهشی آنها تجربه کافی برای اجرای این ایدهها را دارد یا خیر.
صرف نوشتن این جمله که «برای دستیابی به اهداف خود از هوش مصنوعی استفاده خواهیم کرد»، بدون ارائه جزئیات و سابقه عملی، چندان قابل اعتماد نیست.
تالیسیا کوآلو، رئیس بخش پژوهش پیشگیری و تشخیص زودهنگام در سازمان پژوهشی سرطان در لندن، میگوید هوش مصنوعی در بسیاری از طرحهای پیشنهادی که این سازمان دریافت میکند، حضور دارد.
او معتقد است کمیتههای تأمین مالی باید اطمینان حاصل کنند که پژوهشگران رویکردهای مبتنی بر هوش مصنوعی را درک میکنند و میتوانند جزئیات استفاده از آنها، نحوه عملکرد الگوریتمها و محدودیتهایشان را توضیح دهند.
به گفته کوآلو، سادهترین و بهترین راه برای اینکه کمیتههای ارزیابی متوجه شوند یک فرد نحوه استفاده از روشهای هوش مصنوعی را میداند، مشاهده مقالههای علمی منتشرشده او در این حوزه است. در غیر این صورت، او پیشنهاد میکند افراد دارای تخصص مرتبط به تیم پروژه اضافه شوند؛ البته اعضای تیم نیز باید تا حدی با هوش مصنوعی آشنایی داشته باشند.
کوآلو تأکید میکند که درک الگوریتمها و تکنیکهای کدنویسی اهمیت زیادی دارد. علاوه بر این، افراد باید بدانند چگونه برای ابزارهای هوش مصنوعی پرامپت بنویسند؛ برای مثال، یک پرسش را به شیوههای مختلف مطرح کنند و صحت پاسخ دریافتشده را بررسی و اعتبارسنجی کنند.
کمی پایتون یاد بگیرید
پایتون (Python) به زبان برنامهنویسی پیشفرض بخش بزرگی از حوزه علوم تبدیل شده است و بسیاری از چارچوبهای قدرتمندی که برای برنامهنویسی هوش مصنوعی مورد استفاده قرار میگیرند نیز بر پایه این زبان ساخته شدهاند.
برای افرادی که قصد دارند عمیقتر وارد این حوزه شوند، داشتن مقداری مهارت در پایتون اهمیت زیادی دارد. تسلط نسبی به این زبان، امکان استفاده از هوش مصنوعی در فعالیتهای کاری را فراتر از چتباتهای آنلاین که بیشتر مردم با آنها کار میکنند، فراهم میکند.
برای کسانی که قصد همکاری با همکاران بخش محاسباتی را دارند، یادگیری پایتون ضرورت مطلق ندارد؛ اما افرادی که در حوزه هوش مصنوعی تخصص دارند، قطعاً توصیه میشود با این زبان آشنا باشند.
{$sepehr_key_243683}
کار را با پروژههای ساده آغاز کنید
لورا هلکس، زیستشناس مرکز I-X، در زمینه خودکارسازی آزمایشها فعالیت میکند.
او برای شروع توصیه میکند از یک ابزار هوش مصنوعی بخواهید یک برنامه ساده بنویسد. برای نمونه، میتوان از سرویسی مانند کلود کد استفاده کرد که شرکت آنتروپیک در سانفرانسیسکو آن را ساخته است.
پس از آن، باید نتیجه تولیدشده را باز کنید و تلاش کنید بفهمید ابزار دقیقاً چه کاری انجام داده است. هلکس پیشنهاد میکند از هوش مصنوعی بخواهید یک بازی ساده، مانند شبیهساز تنیس روی میز، ایجاد کند.
به گفته او، اجازه دهید هوش مصنوعی یک محصول حداقلی ایجاد کند، سپس آن را بررسی و حتی خراب کنید. هر خط را امتحان کنید، واقعاً با آن بازی کنید و تلاش کنید بفهمید چه اتفاقی در حال رخ دادن است. برای انجام این کار لازم نیست برنامهنویس باشید؛ امروزه میتوان کد پایتون را بهراحتی درک کرد.
منبع: ایسنا