نصائح لبناء مهنة كمطور للذكاء الاصطناعي

يؤكد دليل الإعداد للعمل كمطور للذكاء الاصطناعي الصادر حديثًا من جمعية IEEE للكمبيوتر أن المسار الأكثر ديمومة لوظائف الذكاء الاصطناعي لا يتم تحديده من خلال إتقان أي أداة أو نموذج واحد. وبدلا من ذلك، يعتمد الأمر على تنمية مزيج متوازن من الأساسيات التقنية والمهارات التي تركز على الإنسان، وهي القدرات التي من غير المرجح أن تحل الآلات محلها.

ويعيد الذكاء الاصطناعي تشكيل سوق العمل بشكل أسرع مما يستطيع أصحاب العمل مواكبة معظم البرامج الأكاديمية، وفقًا للدليل. ويمكن لأنظمة الذكاء الاصطناعي الآن تحليل الجرائم السيبرانية، والتنبؤ بفشل المعدات في التصنيع، وإنشاء النصوص والأكواد والصور على نطاق واسع، مما يؤدي إلى تسريح العمال بشكل جماعي في جزء كبير من قطاع التكنولوجيا. لقد أثار هذا الأمر قلق الخريجين الجدد الذين هم على وشك دخول سوق العمل وكذلك المهنيين في بداية حياتهم المهنية.

ومع ذلك، يظل الطلب على خبرات الذكاء الاصطناعي قويا في الصناعات المصرفية، والرعاية الصحية، وتجارة التجزئة، والأدوية، التي تتسابق شركاتها لنشر أدوات الذكاء الاصطناعي المنتجة لتحسين الإنتاجية وصنع القرار – ومواكبة المنافسة.

ويترك المشهد غير المستوي العديد من المراقبين في حيرة من أمرهم بشأن أفضل السبل للتحضير لمهنة في مجال يعيد تعريف نفسه. إن معالجة حالة عدم اليقين هذه هي محور الدليل، الذي كتبه سان موروجيسان وروديكا نيامتو.

موروجيسان هو أحد كبار أعضاء IEEE مدى الحياة، وهو أستاذ مساعد في جامعة ويسترن سيدني، في بنريث، أستراليا. نيامتو هو عضو في معهد مهندسي الكهرباء والإلكترونيات (IEEE)، وهو أستاذ في التدريس وباحث في مجال التنقيب عن البيانات في معهد ورسستر للفنون التطبيقية في ماساتشوستس.

يوضح ملف PDF المكون من 24 صفحة القابل للتنزيل ما يجب أن يركز عليه محترفو الذكاء الاصطناعي الطموحون، وما هي المهارات التي من المرجح أن تظل ذات قيمة وسط الأتمتة السريعة، ولماذا أصبحت وظائف الذكاء الاصطناعي أقل بشكل متزايد حول بناء الخوارزميات بمعزل عن غيرها وأكثر حول تطبيقها بشكل مدروس عبر المجالات.

يؤكد الدليل على القدرة على التكيف باعتبارها الشرط المحدد لدخول هذا المجال، بدلاً من الطلاقة في أي لغة أو إطار برمجة معين.

لماذا يتم إعادة تعريف وظائف الذكاء الاصطناعي؟

تؤدي أنظمة الذكاء الاصطناعي مهام كانت تتطلب في السابق ذكاءً بشريًا. يقول المؤلفون إن ما يميز الوضع الحالي عما كان عليه عندما تم تقديم الذكاء الاصطناعي، ليس فقط الأداء المحسن، بل النطاق الموسع أيضًا. يتم الآن استخدام التعرف على الأنماط، والاستدلال، والتحسين، والتعلم الآلي في كل قطاع من قطاعات الاقتصاد تقريبًا.

على الرغم من أنه من المتوقع أن تؤدي الأتمتة إلى تقليل عدد الأدوار البشرية في الإنتاج، والدعم المكتبي، وخدمة العملاء، والمجالات ذات الصلة، فإن الطلب يتزايد على الأشخاص الذين يمكنهم تصميم وتوجيه ودمج أنظمة الذكاء الاصطناعي، كما يكتب موروجيسان ونيمتو.

يستشهد الدليل باستبيانات للمديرين التنفيذيين حول تأثير الذكاء الاصطناعي على استراتيجيات التوظيف والاحتفاظ بهم، بما في ذلك تلك التي أجرتها شركة ماكينزي وشركاه. وتظهر التقارير نقصًا في التوظيف في مجال تكنولوجيا المعلومات المتقدمة وتحليلات البيانات، فضلاً عن عدم كفاية التفكير النقدي والإبداع لدى المتقدمين: المهارات التي يصعب أتمتتها.

ويصور المؤلفون عدم التطابق على أنه فرصة للخريجين والمهنيين في بداية حياتهم المهنية للتحضير بشكل استراتيجي، مع التركيز على القدرات التي من المرجح أن تظل ذات صلة مع تطور أدوات الذكاء الاصطناعي.

تطوير المهارات التكميلية

ويتوافق النهج الاستراتيجي مع نصيحة نيل تومسون، مدير أبحاث FutureTech في مختبر علوم الكمبيوتر والذكاء الاصطناعي التابع لمعهد ماساتشوستس للتكنولوجيا، والذي تم اقتباسه في الدليل. يشجع طومسون العمال على تطوير المهارات التي تكمل الذكاء الاصطناعي بدلاً من التنافس معه.

ويقول: “عندما نرى تقدمًا تكنولوجيًا سريعًا مثل هذا، يجب على العمال التركيز على المهارات والمهن التي تطبق الذكاء الاصطناعي على المجالات المجاورة”. “إن تطبيق الذكاء الاصطناعي في العلوم، على وجه الخصوص، يتمتع بإمكانات هائلة في الوقت الحالي وقدرة على إطلاق فوائد كبيرة للبشرية.”

الأساس الفني لا يزال مهما

ويؤكد الدليل أن القدرة على التكيف ليست بديلا عن الدقة التقنية. لا تزال مهنة الذكاء الاصطناعي القابلة للحياة تتطلب أساسًا قويًا في البيانات والتعلم الآلي والبنية التحتية للحوسبة.

يقول المؤلفون إن مجالات المعرفة الأساسية تشمل هياكل البيانات، ومعالجة البيانات على نطاق واسع، وأدوات معالجة البيانات وتحليلها.

ويقولون إن مفاهيم التعلم الآلي الأساسية، مثل التعلم الخاضع للإشراف وغير الخاضع للإشراف، والشبكات العصبية، والتعلم المعزز، تظل ضرورية.

نظرًا لأن العديد من أنظمة الذكاء الاصطناعي تعتمد على الحوسبة القابلة للتطوير، فإن الإلمام بالمنصات السحابية مثل Amazon Web Services وGoogle Cloud وMicrosoft Azure أمر مهم، وفقًا لمؤلفي الدليل.

الرياضيات تدعم كل ذلك. يشكل الجبر الخطي وحساب التفاضل والتكامل والاحتمالات أساس معظم خوارزميات الذكاء الاصطناعي.

برزت لغة بايثون باعتبارها اللغة السائدة في بناء النماذج وتجربتها.

من الخوارزميات إلى الأطر

يسلط المؤلفون الضوء على قيمة الخبرة العملية مع أطر التطوير المستخدمة على نطاق واسع. يُستخدم PyTorch، الذي طورته شركة Meta AI، بشكل شائع لوضع نماذج أولية لنماذج التعلم العميق في الأوساط الأكاديمية والصناعة. يوفر Scikit-learn أدوات مفتوحة المصدر للتصنيف والانحدار والتجميع داخل نظام Python البيئي.

“عندما نرى تقدمًا تكنولوجيًا سريعًا مثل هذا، يجب على العمال التركيز على المهارات والمهن التي تطبق الذكاء الاصطناعي على المجالات المجاورة. —نيل طومسون، معهد ماساتشوستس للتكنولوجيا

TensorFlow، وهي مكتبة برامج للتعلم الآلي والذكاء الاصطناعي أنشأتها Google، تدعم بناء ونشر أنظمة التعلم الآلي على مستويات متعددة من التجريد.

يؤكد المؤلفون على أن مثل هذه الأدوات أقل أهمية ككلمات رئيسية للسيرة الذاتية بقدر ما تكون بمثابة أدوات لفهم كيفية تصرف النماذج ضمن قيود العالم الحقيقي.

المهارات الناعمة كتأمين وظيفي

ونظرًا لأن مشاريع الذكاء الاصطناعي غالبًا ما تنطوي على مشاكل غامضة وفرق متعددة التخصصات، فإن المهارات الشخصية تلعب دورًا مركزيًا متزايدًا، وفقًا للدليل. يقول المؤلفون إن التفكير النقدي وحل المشكلات ضروريان، لكن التواصل أصبح أكثر أهمية. يجب على العديد من المتخصصين في مجال الذكاء الاصطناعي شرح سلوك النظام والقيود والمخاطر لأصحاب المصلحة غير التقنيين.

ويصف نيمتو التواصل والتفكير السياقي بأنهما مهارات خالدة تزداد قيمتها مع توسع الأتمتة، خاصة عندما تقترن بالقيادة والمرونة والالتزام بالتعلم المستمر.

يقول موروجيسان إن العمق الفني يجب أن يتوافق مع القدرة على التعاون والتكيف.

الخبرة قبل الألقاب

يوصي الدليل بأن يفكر الطلاب في العمل في المشاريع البحثية في الكلية، بالإضافة إلى التدريب الداخلي مدفوع الأجر، للتعرف على سير عمل الذكاء الاصطناعي الحقيقي والأدوار الوظيفية مع الخبرة العملية.

يعد بناء محفظة مشاريع الذكاء الاصطناعي أمرًا بالغ الأهمية. تسمح المستودعات مفتوحة المصدر على منصات مثل GitHub للوافدين الجدد بإظهار المهارات التطبيقية بما في ذلك العمل في مجال أمن الذكاء الاصطناعي، وتخفيف التحيز، واكتشاف التزييف العميق. يوصي الدليل بالبقاء على اطلاع دائم من خلال قراءة الأوراق الأكاديمية، وأخذ الدورات، وحضور المؤتمرات. يمكن أن يساعد القيام بذلك الطلاب في الحصول على أساس متين في الأساسيات والبقاء على صلة بالمجال سريع الحركة بعد بدء حياتهم المهنية.

أدوار المبتدئين التي تفتح الأبواب

تشمل مناصب البداية الشائعة مساعد أبحاث الذكاء الاصطناعي، ومهندس تعلم الآلة المبتدئ، ومحلل البيانات المبتدئ. تجمع الأدوار عادةً بين مهام الدعم والفرص للمساعدة في تطوير النماذج ومعالجة البيانات مسبقًا وتوصيل النتائج من خلال التقارير والمرئيات، وفقًا للدليل.

تعزز كل نقطة بداية الرسالة المركزية للدليل: يتم بناء وظائف الذكاء الاصطناعي من خلال التعاون والتعلم، وليس فقط من خلال العبقرية التقنية المعزولة.

الفضول كاستراتيجية طويلة المدى

يحث Murugesan محترفي الذكاء الاصطناعي الطموحين على تبني التعلم المستمر والبحث عن الموجهين ومعالجة الأخطاء كجزء من عملية التعلم.

يقول: “كن فضوليًا دائمًا”. “تعلم من الفشل. الأخطاء والنكسات هي جزء من الرحلة. احتضنها واستمر.”

ويعكس نيمتو هذا المنظور، مشيرًا إلى أن الذكاء الاصطناعي من المرجح أن يؤثر على كل مهنة تقريبًا، مما يجعل شغف الفرد بعمله والتوافق مع الأهداف التنظيمية أكثر أهمية من مطاردة أحدث اتجاهات التكنولوجيا.

في مجال يمكن أن تصبح فيه أدوات اليوم قديمة في غضون عام، فإن الحجة الأساسية للدليل بسيطة: إن مهنة الذكاء الاصطناعي الأكثر ثباتًا للمستقبل لا تُبنى على ما تعرفه الآن ولكن على مدى استمرارك في التعلم عندما تتغير الأمور.