به گزارش ایسنا، دادههای گردآوریشده توسط وبسایت کاریابی ایندید (Indeed) نشان میدهد که در آمریکا، تعداد آگهیهای شغلی حوزه علوم که در آنها «هوش مصنوعی» به عنوان یک مهارت موردنیاز ذکر شده، به سرعت در حال افزایش است؛ بنابراین باید بدانیم که در عصر هوش مصنوعی کارفرماها چه چیزی از کارمندان میخواهند.
به نقل از نیچر، یکی از نمونهها، موسسه کوادرام (Quadram Institute) در شهر نورویچ بریتانیا است که در زمینه علوم غذایی و زیستشناسی روده تخصص دارد. با وجود تمرکز اصلی این موسسه بر این حوزهها، به گفته دنیل فیگز، مدیرعامل موسسه، پژوهشگران باید با یادگیری ماشینی و هوش مصنوعی نیز آشنایی داشته باشند.
به گفته او، بخش قابلتوجهی از فعالیتهای پژوهشی در حوزه کاری کوادرام به یادگیری ماشین و غربالگری پرظرفیت مربوط میشود و دادههای حاصل از این فرایندها نیز اغلب با ابزارهای هوش مصنوعی تحلیل میشوند.
فیگز میافزاید: اگر فردی، بسته به موقعیت شغلی، فاقد تمام این مهارتها باشد، این موضوع یک علامت هشدار محسوب میشود.
تقاضا برای هوش مصنوعی
آگهیهای شغلی حوزه علوم در آمریکا و بریتانیا از سال ۲۰۲۰ نشان میدهند که تقاضا برای مهارتهای هوش مصنوعی پس از همهگیری کرونا جهشی چشمگیر داشته و همچنان بالاتر از سطح سال ۲۰۲۰ است؛ این در حالی است که استخدام نیروی علمی پس از رسیدن به اوج خود در سال ۲۰۲۲، روندی نزولی در پیش گرفته و اکنون حتی از سطح پیش از همهگیری نیز پایینتر قرار گرفته است.
با این حال، به جای نگرانی از اینکه سامانههای هوش مصنوعی جایگزین مشاغل علمی شوند، پژوهشگران میتوانند با یادگیری نحوه استفاده و تفسیر ابزارهای هوش مصنوعی، یک گام جلوتر باشند. آنها نیز لازم نیست همه چیز را بدانند.
رجینا برزیلای، دانشمند علوم رایانه در موسسه فناوری ماساچوست (MIT) در کمبریج، دورهای تخصصی برای آموزش مهارتهای هوش مصنوعی به دانشمندان برگزار میکند.
او این موضوع را به آشپزی تشبیه میکند: برای اینکه در آشپزخانه احساس راحتی کنید، لازم نیست همه دستورهای غذایی دنیا را یاد بگیرید، اما باید یک درک بسیار ابتدایی داشته باشید. او همچنین این وضعیت را مشابه استفاده از رایانه میداند: برای استفاده از رایانه لازم نیست دانشمند علوم رایانه باشید.
مجله نیچر با ۹ نفر از استخدامکنندگان و پژوهشگران گفتوگو کرده تا مشخص کند در عصر هوش مصنوعی، مهمترین مهارتها برای دانشمندان در حوزههای مختلف چه خواهد بود.
بایدها و نبایدها برای افزایش دانش هوش مصنوعی
باید بتوانید در فعالیتهای روزمره کاری خود با فناوریهای هوش مصنوعی آزمایش انجام دهید و کار کنید و باید در یک دوره هوش مصنوعی و یادگیری ماشینی شرکت کنید. همچنین باید از هوش مصنوعی بخواهید برای یک پروژه کدنویسی کند، سپس کد را خطبهخط بررسی کنید و یاد بگیرید چگونه کار میکند.
نباید پروژهای مبتنی بر ابزارهای هوش مصنوعی پیشنهاد دهید، بدون اینکه بتوانید نشان دهید مهارت لازم برای اجرای آن را دارید. نباید هر چیزی را که یک چتبات ارائه میدهد، بدون بررسی باور کنید و نباید تلاش کنید همه چیز را یکباره یاد بگیرید.
کنجکاو باشید
استخدامکنندگان بارها به نیچر گفتهاند که به جای مهارتهای فنی مشخص، بیشتر به دنبال نامزدهایی هستند که کنجکاو باشند و تمایل به یادگیری بیشتر درباره هوش مصنوعی داشته باشند و بتوانند این ویژگی را در رزومه خود نشان دهند.
معاون پژوهشی کلینیک مایو در روچستر ایالت مینهسوتا، میگوید: اینکه فرد حاضر باشد آستینها را بالا بزند و وارد این حوزه شود، چه از طریق آموزش غیررسمی و چه با صرف چند ساعت برای استفاده از محتوای آموزشی متنباز، اهمیت بیشتری دارد. کلینیک مایو در ماه مه تقریبا ۳۰ موقعیت پژوهشی باز داشت.
به گفته او، این ویژگی از داشتن مهارتهای مشخص مهمتر است، زیرا این حوزه با سرعت زیادی در حال تغییر است. اگر معیار استخدام این باشد که افراد حتما بتوانند از ابزارهای هوش مصنوعی خاصی مانند اوپن کلاو (OpenClaw) یا آلفاژنوم (AlphaGenome) استفاده کنند، این معیار خیلی زود منسوخ خواهد شد.
کریستوفر والش، مدیرعامل شرکت نوپای TileBio در گلاسگو بریتانیا که از هوش مصنوعی برای تحلیل تصاویر پزشکی استفاده میکند نیز با این دیدگاه موافق است.
او میگوید: این روزها یادگیری اطلاعات جدید با استفاده از مدلهای زبانی بزرگ واقعا آسان است، به شرطی که منابع را بررسی و صحت آنها را تایید کنید. بنابراین توصیه من این است که صرفا کنجکاوی لازم برای انجام این کار را داشته باشید. بروید و برای یادگیری چیزهای جدید آمادگی داشته باشید. فکر میکنم این اولین قدم است.
بسیاری از موسسات آموزشی، در کنار برنامههای درسی علوم، دورههای آموزش هوش مصنوعی نیز ارائه میکنند.
با نحوه «فکر کردن» هوش مصنوعی آشنا شوید
یکی از مشکلات استفاده از ابزارهای هوش مصنوعی این است که کاربران ممکن است بیش از حد به نتایجی که این ابزارها تولید میکنند اعتماد کنند، بدون اینکه دادهها را به صورت انتقادی بررسی کنند.
والش میگوید: اغلب اوقات، هوش مصنوعی نتایجی به شما میدهد که فکر میکند میخواهید ببینید، بر اساس چیزی که گفتهاید.
به گفته او، هوش مصنوعی «مردم را راضی میکند»؛ یعنی تمایل دارد پاسخهایی ارائه دهد که با انتظار کاربر همخوان باشد.
به گفته برزیلای، یکی از مواردی که باید با دقت بررسی شود، احتمالهایی است که هوش مصنوعی اعلام میکند؛ زیرا این احتمالها ممکن است با واقعیت مشاهده شده مطابقت نداشته باشند.
برای مثال، اگر یک مدل هوش مصنوعی بگوید احتمال اینکه یک تصویر رادیولوژی سلولهای سرطانی را نشان دهد ۸۰ درصد است، باید پرسید: آیا میتوانم به این احتمال ۸۰ درصد اعتماد کنم؟
این موضوع مستلزم آن است که مشخص شود آیا برآورد احتمال ارائه شده توسط مدل، با دادههای آزمایشی بهروز کالیبره شده است یا خیر؛ یعنی آیا برآوردهای مدل با توزیع واقعی دادهها مطابقت دارند یا خیر.
برای مثال، مدلهای غربالگری سرطان اغلب بر اساس موارد تاریخی ارزیابی میشوند. بنابراین وقتی از این مدلها برای تحلیل جمعیتهای جدید استفاده میشود، آستانههای خطری که مدل بر اساس آنها تصمیمگیری میکند، ممکن است دیگر با واقعیت مطابقت نداشته باشند.
در یک پژوهش منتشر نشده، عزیز آید، متخصص هوش مصنوعی و همکارانش دریافتند که مدل هوش مصنوعی MIRAI در ارزیابی خطر ابتلا به سرطان پستان در زنان دچار خطا شده است. این مسئله میتواند سلامت افراد را به خطر بیندازد، زیرا ممکن است برخی زنان که باید برای غربالگری پیشرفته معرفی شوند، از سوی مدل شناسایی نشوند.
گاهی مدلها میتوانند به توضیح مشاهدات غیر منتظره کمک کنند و همین موضوع میتواند مسیر تکرارهای بعدی مطالعات را مشخص کند. با این حال، همیشه توصیههای هوش مصنوعی را از روشهای دیگری نیز تایید کنید.
بسیار مهم است که درکی از تواناییهای مدل داشته باشید، اما در عین حال باید بدانید این تواناییها وقتی مدل روی یک ماشین اجرا میشود یا با مجموعهدادهها تعامل میکند، چه معنایی دارند.
بدانید چه چیزهایی را میدانید
در عصر هوش مصنوعی، به نظر میرسد بیشتر طرحهای پژوهشی مملو از ایدههایی درباره نحوه استفاده از این فناوری هستند. با این حال، مدیران استخدام میگویند نویسندگان این طرحها اغلب نشان نمیدهند که تیم آنها تجربه لازم برای اجرای ایدههای مطرح شده را دارد.
صرفا نوشتن اینکه «برای دستیابی به اهداف خود از هوش مصنوعی استفاده خواهیم کرد» بدون ارائه جزئیات و تجربه عملی، چندان قابل اعتماد نیست.
تالیسیـا 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، دیده میشود.
او میگوید کمیتههای تامین مالی باید ببینند که پژوهشگران این رویکردهای هوش مصنوعی را درک میکنند و جزئیات نحوه استفاده از آنها، نحوه عملکرد الگوریتم و محدودیتهای آن را توضیح میدهند.
کوآلو میگوید سادهترین و بهترین راه برای اینکه کمیتههای ارزیابی متوجه شوند فرد میداند چگونه از روشهای هوش مصنوعی استفاده کند، داشتن مقالههای علمی منتشر شده در این حوزه است. او در غیر این صورت پیشنهاد میکند افرادی با تخصص مرتبط را به اعضای تیم پروژه اضافه کنند؛ البته هر یک از اعضای تیم باید تا حدی با هوش مصنوعی آشنا باشند.
کوآلو تاکید میکند درک الگوریتمها و تکنیکهای کدنویسی بسیار مهم است؛ همچنین افراد باید بدانند چگونه برای ابزارهای هوش مصنوعی پرامپت بنویسند، برای مثال یک پرسش را به شکلهای مختلف مطرح کنند و درستی پاسخ دریافت شده را بررسی و اعتبارسنجی کنند.
کمی پایتون یاد بگیرید
زبان برنامهنویسی پایتون (Python) به زبان پیشفرض بخش بزرگی از حوزه علوم تبدیل شده و بسیاری از چارچوبهای قدرتمند مورد استفاده برای برنامهنویسی هوش مصنوعی نیز بر پایه پایتون هستند.
برای افرادی که میخواهند عمیقتر وارد این حوزه شوند، داشتن مقداری توانایی در پایتون، یک موضوع بسیار مهم است. تسلط نسبی به پایتون راه دیگری برای وارد کردن هوش مصنوعی به فعالیتهای کاری فراهم میکند؛ فراتر از چتباتهای آنلاین که بیشتر مردم از آنها استفاده میکنند. برای افرادی که میخواهند با همکاران بخش محاسباتی همکاری کنند، پایتون ضرورت مطلق ندارد؛ اما برای کسانی که در حوزه هوش مصنوعی تخصص دارند، قطعا توصیه میشود با پایتون آشنا شوند.
از پروژههای ساده شروع کنید
لورا هلکس، زیستشناس مرکز I-X، در زمینه خودکارسازی آزمایشها تخصص دارد.
او برای شروع پیشنهاد میکند از یک ابزار هوش مصنوعی بخواهید یک برنامه ساده بنویسد؛ برای مثال میتوان از سرویسی مانند کلود کد که توسط شرکت آنتروپیک در سانفرانسیسکو ساخته شده است، استفاده کرد.
سپس باید نتیجه را باز کنید و تلاش کنید بفهمید ابزار دقیقا چه کاری انجام داده است. او پیشنهاد میکند از هوش مصنوعی بخواهید یک بازی ساده مانند شبیهساز تنیس روی میز ایجاد کند.
اجازه دهید یک محصول حداقلی ایجاد کند، سپس آن را بررسی کنید و خرابش کنید؛ هر خط را امتحان کنید، واقعا با آن بازی کنید و سعی کنید بفهمید چه اتفاقی میافتد. برای این کار لازم نیست برنامهنویس باشید؛ این روزها میتوانید به راحتی کد پایتون را درک کنید.
انتهای پیام
