دوشنبه 5 مرداد 1405 – 09:30
فیل چن در مقاله‌ای با معرفی ۶ راهبرد کلیدی، مهم‌ترین مهارت‌های لازم را برای موفقیت شغلی در عصر هوش مصنوعی و حفظ مزیت رقابتی انسان بررسی می‌کند.
به گزارش سرویس هوش مصنوعی تک‌ناک، مدل‌های هوش مصنوعی با سرعتی بی‌سابقه در حال پیشرفت هستند و هر روز بخش بیشتری از وظایفی را انجام می‌دهند که زمانی تنها از عهده انسان برمی‌آمد. این تحول باعث شده است بسیاری از دانشجویان، برنامه‌نویسان و متخصصان جوان این پرسش را مطرح کنند در دنیایی که عامل‌های هوش مصنوعی می‌توانند کدنویسی کنند، مسئله حل نمایند و حتی پژوهش انجام دهند، چه مهارت‌هایی همچنان ارزشمند باقی خواهند ماند. فیل چن، متخصص ارشد یادگیری ماشین و محقق سابق Scale AI، گوگل دیپ‌مایند و OpenAI در مقاله‌ای تلاش کرده است به همین پرسش پاسخ دهد. او با تکیه بر تجربه شش سال حضور در خط مقدم توسعه هوش مصنوعی، شش استراتژی را معرفی می‌کند که به اعتقاد او مسیر شغلی نسل آینده را شکل خواهند داد.
فیل چن که سابقه فعالیت در استارت‌آپ شخصی خود، Helm AI، Scale AI، گوگل دیپ‌مایند، OpenAI و گوگل را دارد، می‌گوید که هنگام جذب نیرو برای شرکت جدید خود متوجه شد معیارهایی که تا چند سال پیش برای استخدام مهندسان نرم‌افزار اهمیت داشتند، دیگر پاسخگوی نیاز شرکت‌های مبتنی بلیل، مصاحبه‌های استخدامی شرکت او به جای حفظ کردن الگوریتم‌ها یا نوشتن کد، توانایی افراد را در درک سریع محیط، تشخیص مسائل مهم و اجرای راه‌حل در همان شرایط ارزیابی می‌کند.
چن توصیه می‌کند که هنگام انتخاب یک شرکت، ابتدا از خود بپرسید که آیا آن مجموعه واقعاً در حال حل بزرگ‌ترین نسخه از مسئله خود است یا فقط نسخه‌ای کوچک و محدود از آن را دنبال می‌کند. پس از آن نیز باید بررسی کرد که آیا تیم شرکت توانایی واقعی حل آن مسئله را دارد یا خیر.
او تأکید می‌کند که هیچ محصولی از همان نسخه نخست کامل نیست و تقریباً همه پروژه‌های موفق حاصل بازنگری و اصلاح مداوم هستند.
با وجود جذابیت هر دو پیشنهاد، او تصمیم گرفت در گوگل دیپ‌مایند روی آموزش و اجرای مدل‌های مرزی فعالیت کند. یک سال بعد نیز دوباره پیشنهاد همکاری از هر دو شرکت را رد کرد و OpenAI را انتخاب کرد.
چن در پایان مقاله خود می‌نویسد که پژوهشگر بودن بیش از آنکه یک عنوان شغلی باشد، یک ذهنیت است. از نگاه او، پژوهشگر کسی است که کنجکاوی لازم را برای آزمودن ایده‌های جدید داشته باشد، بتواند با محدودیت‌های زیرساختی مقابله کند، سامانه‌ها را با جزئیات کامل بشناسد، مشکلات را سریع برطرف کند و ارزش نتایج خود را به‌گونه‌ای توضیح دهد که منابع بیشتری برای ادامه کار در اختیار او قرار گیرد.