Important role
۱۲۴
لطفا به هیچ عنوان برای این عنوان های شغلی با این رنج حقوق پیشنهادی، درخواست ندین. آنقدر که قضیه واضحه که حتی نخواستم متن طولانی بنویسم و حالت امری نوشتم. قطعا متخصصی که مهارتهای مورد نیاز شما رو داشته باشه و سابقه کار مورد نیاز شما الان با پنجاه درصد حقوق و بیمه بیکاری از این عدد خیلی بیشتر دریافت میکنه.
الان با پنجاه درصد حقوق و بیمه بیکاری از این عدد خیلی بیشتر دریافت میکنه.۵۳بیشتر مردم فکر میکنند همهٔ مدلهای هوش مصنوعی شبیه هم هستند.اما در سیستمهای واقعی هوش مصنوعی، مخصوصاً در ایجنتهای هوش مصنوعی (AI Agents)، انواع مختلف مدلهای زبانی نقشهای متفاوتی دارند.این ۸ نوع مدل، آیندهٔ سیستمهای مدرن هوش مصنوعی را شکل میدهند:۱. GPT (ترنسفورمر از پیش آموزشدیده مولد)برای تولید محتوا، پاسخگویی و استدلال عمومی.۲. MoE (ترکیب متخصصها)شبکههای تخصصی مختلف را فعال میکند → سریعتر و بهینهتر در مقیاس بزرگ.۳. LRM (مدل بزرگ استدلال)برای تفکر چندمرحلهای پیچیده و تصمیمگیری طراحی شده است.۴. VLM (مدل بینایی-زبان)تصویر و متن را بهصورت همزمان درک میکند.۵. SLM (مدل زبانی کوچک)سبک، سریع و کمهزینه؛ مناسب برای مسیریابی درخواستها یا وظایف ساده.۶. LAM (مدل بزرگ اقدام)بر انجام عمل، استفاده از ابزارها و تعامل با APIها تمرکز دارد.۷. HLM (مدل زبانی سلسلهمراتبی)مسائل پیچیده را به لایهها و بخشهای ساختاریافته تقسیم میکند.۸. LCM (مدل بزرگ مفهومی)بهجای تمرکز صرف بر کلمات یا توکنها، مفاهیم سطح بالا را درک میکند.
تغییری که الان در حال رخ دادن است:از یک مدل واحد: به سیستمهای چندمدلیاز چتبات : به ایجنت هوش مصنوعیاز پاسخ دادن : به انجام دادن
مهندسان برجستهٔ هوش مصنوعی فقط یک مدل انتخاب نمیکنند؛آنها معماری مناسب مدل را متناسب با نیاز هر مسئله طراحی میکنند.
اگر در حال ساخت AI Agent هستی، درک این تفاوتها میتواند مزیت مهم تو باشد.
کانال تحلیل داده و هوش مصنوعی@ai_with_mina
تغییری که الان در حال رخ دادن است:از یک مدل واحد: به سیستمهای چندمدلیاز چتبات : به ایجنت هوش مصنوعیاز پاسخ دادن : به انجام دادن
مهندسان برجستهٔ هوش مصنوعی فقط یک مدل انتخاب نمیکنند؛آنها معماری مناسب مدل را متناسب با نیاز هر مسئله طراحی میکنند.
اگر در حال ساخت AI Agent هستی، درک این تفاوتها میتواند مزیت مهم تو باشد.
کانال تحلیل داده و هوش مصنوعی@ai_with_mina
۱۱از حق نگذریم،
سوپر اپ خیلی عجیب بود، یه فایل سه مگ رو ارسال نمیکرد اما تماس صوتی و تصویریش عالی بود(بود یا هست؟) . فول hd
سوپر اپ
خیلی عجیب بود، یه فایل سه مگ رو ارسال نمیکرد اما تماس صوتی و تصویریش عالی بود(بود یا هست؟) . فول hd۴این مقاله از Towards Data Science درباره استفاده از یادگیری ماشین برای پیشبینی نتایج جام جهانی ۲۰۲۶ است که از ۱۱ ژوئن در استادیوم مکزیکوسیتی آغاز میشود.
نویسنده مجموعهای از دادهها شامل حدود ۴۹٬۰۰۰ بازی فوتبال (از سال ۱۸۷۲ تا ۲۰۲۶) را گرد هم آورده که شامل امتیازات الو (Elo)، نتایج بازیها و محل برگزاری مسابقات است.
نکات اصلی مقاله:
• نویسنده با رویکردی احتمالاتی، چند مدل یادگیری ماشین مختلف (از جمله LightGBM) را با هم مقایسه میکند تا بهترین مدل برای پیشبینی نتایج بازیها (برد میزبان، برد مهمان، یا تساوی) را پیدا کند.
• یکی از یافتهها این است که مدلها تمایل دارند نتیجه تساوی را نادیده بگیرند و آن را به اشتباه بهعنوان «برد میزبان» پیشبینی کنند، در حالی که حدود ۲۰٪ بازیها واقعاً با تساوی پایان مییابند.
• برای بهبود این مشکل، ویژگیهای جدیدی مانند تفاوت امتیاز تیمها، نرخ تساوی در ۵ بازی اخیر، و اینکه آیا بازی در زمین خودی، زمین بیطرف یا دوستانه برگزار میشود، به مدل اضافه میشوند. یه نگاه فنی و جذاب به دنیای فوتبال از دریچهی داده و یادگیری ماشین، برای کسایی که هم به فوتبال علاقه دارن هم به دیتا ساینس.لینک مقاله:https://towardsdatascience.com/can-machine-learning-predict-the-world-cup/?utm_campaign=tds daily&utm_medium=email&_hsenc=p2ANqtz--LU3CIkhxuvYVyz6NFMt1dg7-nDryNr1Thfi5oncaXlzuiYqjk_TH3XJRK6HiYbSiUUR9NumraggEdIFFHxbqqN45M-g&_hsmi=423013673&utm_source=newsletter
نویسنده مجموعهای از دادهها شامل حدود ۴۹٬۰۰۰ بازی فوتبال (از سال ۱۸۷۲ تا ۲۰۲۶) را گرد هم آورده که شامل امتیازات الو (Elo)، نتایج بازیها و محل برگزاری مسابقات است.
نکات اصلی مقاله:
• نویسنده با رویکردی احتمالاتی، چند مدل یادگیری ماشین مختلف (از جمله LightGBM) را با هم مقایسه میکند تا بهترین مدل برای پیشبینی نتایج بازیها (برد میزبان، برد مهمان، یا تساوی) را پیدا کند.
• یکی از یافتهها این است که مدلها تمایل دارند نتیجه تساوی را نادیده بگیرند و آن را به اشتباه بهعنوان «برد میزبان» پیشبینی کنند، در حالی که حدود ۲۰٪ بازیها واقعاً با تساوی پایان مییابند.
• برای بهبود این مشکل، ویژگیهای جدیدی مانند تفاوت امتیاز تیمها، نرخ تساوی در ۵ بازی اخیر، و اینکه آیا بازی در زمین خودی، زمین بیطرف یا دوستانه برگزار میشود، به مدل اضافه میشوند.
یه نگاه فنی و جذاب به دنیای فوتبال از دریچهی داده و یادگیری ماشین، برای کسایی که هم به فوتبال علاقه دارن هم به دیتا ساینس.لینک مقاله:https://towardsdatascience.com/can-machine-learning-predict-the-world-cup/?utm_campaign=tds daily&utm_medium=email&_hsenc=p2ANqtz--LU3CIkhxuvYVyz6NFMt1dg7-nDryNr1Thfi5oncaXlzuiYqjk_TH3XJRK6HiYbSiUUR9NumraggEdIFFHxbqqN45M-g&_hsmi=423013673&utm_source=newsletter۵
چرا پیرسون برای روابط غیرخطی مناسب نیست؟
همبستگی پیرسون تنها تغییرات خطی را اندازهگیری میکند. اگر دادهها دارای رابطه غیرخطی باشند، پیرسون نمیتواند آن را به درستی تشخیص دهد، زیرا این روش بر اساس محاسبه میانگین و انحراف معیار عمل میکند. در مقابل، همبستگی اسپیرمن که بر اساس رتبهبندی دادهها است، میتواند روابط غیرخطی را نیز به خوبی شناسایی کند.
به عنوان مثال اگر رابطه بین رشد جمعیت و مصرف انرژی که به صورت نمایی و لگاریتمی است را بررسی کنیم، همبستگی اسپیرمن مناسب تر است
همبستگی پیرسون تنها تغییرات خطی را اندازهگیری میکند. اگر دادهها دارای رابطه غیرخطی باشند، پیرسون نمیتواند آن را به درستی تشخیص دهد، زیرا این روش بر اساس محاسبه میانگین و انحراف معیار عمل میکند. در مقابل، همبستگی اسپیرمن که بر اساس رتبهبندی دادهها است، میتواند روابط غیرخطی را نیز به خوبی شناسایی کند.
به عنوان مثال اگر رابطه بین رشد جمعیت و مصرف انرژی که به صورت نمایی و لگاریتمی است را بررسی کنیم، همبستگی اسپیرمن مناسب تر است
روش جدید کلاهبرداری برای کاریابی
همیشه چنین پیشنهادهایی وجود داشتن، خصوصا برای افرادی که دنبال کار ریموت میگردن. کارهای غیر شرافتمندانهای که حداقل یه آدم حرفهای برای حفظ شخصیت خودش باید ازشون اجتناب کنه.
اینا یه تیم میسازن که خوب بلد باشه در حوزههای مختلف مصاحبه کنه، بعد به آدمهای جویای کار در شرکتهای خارجی، خدمات مصاحبه میدن. مثلا به جای اون شخص مصاحبه میکنن و از مصاحبهی آنلاین و تسک و ... ردش میکنن، ولی در نهایت یه شخص دیگه میره در مصاحبهی HR شرکت میکنه و سر کار میره.طبیعتا مشتری اینجور کلاهبرداریها، آدمای کم سوادی هستن که احتمالا بعد از چند ماه هم لو میرن و اخراج میشن و میرن سراغ یه شرکت دیگه که سرش کلاه بذارن.چرا این تکنیکها کار میکنه؟ چون شرکتها هرچقدر بزرگتر شدن، فرآیند استخدامیشون هم ماشینیتر شده و سوالاتی مثل "آیا این همون آدم مصاحبهی قبلیه" رو از خودشون نمیپرسن.
حالا چه خطراتی ایجاد میکنه؟1- کسی که سر شرکتهای بزرگ کلاه میذاره، سر شما هم میذاره. مصاحبه رو قبول میشید ولی بهتون میگن رد شدید و پولی نمیدن. یا چنین حرکاتی.2- بازار رو خراب میکنید، شرکتها دیگه به افراد خارجی مثل ایرانیها کمتر اعتماد میکنن. طبیعتا این اتفاق الانم تا حدود زیادی افتاده.3- مصاحبههای آنلاین سختتر و سختتر میشن، برای اینکه جلوی همین حرکتها رو بگیرن. ولی در عمل این گروههای کلاهبردار خودشون رو وفق میدن، ولی کارجوهای عادی لطمه میبینن.
حالا از اینا بگذریم، پیام آخرش خیلی برام دردناک بود. چرا ایران باید پیشتاز تامین نیروی انسانی چنین تیمهایی باشه؟!هموطنان عزیز، عزت خودتون رو حفظ کنید و شرافتتون رو برای درآمد غیرقانونی زیر پا نذارید.
همیشه چنین پیشنهادهایی وجود داشتن، خصوصا برای افرادی که دنبال کار ریموت میگردن. کارهای غیر شرافتمندانهای که حداقل یه آدم حرفهای برای حفظ شخصیت خودش باید ازشون اجتناب کنه.
اینا یه تیم میسازن که خوب بلد باشه در حوزههای مختلف مصاحبه کنه، بعد به آدمهای جویای کار در شرکتهای خارجی، خدمات مصاحبه میدن. مثلا به جای اون شخص مصاحبه میکنن و از مصاحبهی آنلاین و تسک و ... ردش میکنن، ولی در نهایت یه شخص دیگه میره در مصاحبهی HR شرکت میکنه و سر کار میره.طبیعتا مشتری اینجور کلاهبرداریها، آدمای کم سوادی هستن که احتمالا بعد از چند ماه هم لو میرن و اخراج میشن و میرن سراغ یه شرکت دیگه که سرش کلاه بذارن.چرا این تکنیکها کار میکنه؟ چون شرکتها هرچقدر بزرگتر شدن، فرآیند استخدامیشون هم ماشینیتر شده و سوالاتی مثل "آیا این همون آدم مصاحبهی قبلیه" رو از خودشون نمیپرسن.
حالا چه خطراتی ایجاد میکنه؟1- کسی که سر شرکتهای بزرگ کلاه میذاره، سر شما هم میذاره. مصاحبه رو قبول میشید ولی بهتون میگن رد شدید و پولی نمیدن. یا چنین حرکاتی.2- بازار رو خراب میکنید، شرکتها دیگه به افراد خارجی مثل ایرانیها کمتر اعتماد میکنن. طبیعتا این اتفاق الانم تا حدود زیادی افتاده.3- مصاحبههای آنلاین سختتر و سختتر میشن، برای اینکه جلوی همین حرکتها رو بگیرن. ولی در عمل این گروههای کلاهبردار خودشون رو وفق میدن، ولی کارجوهای عادی لطمه میبینن.
حالا از اینا بگذریم، پیام آخرش خیلی برام دردناک بود. چرا ایران باید پیشتاز تامین نیروی انسانی چنین تیمهایی باشه؟!هموطنان عزیز، عزت خودتون رو حفظ کنید و شرافتتون رو برای درآمد غیرقانونی زیر پا نذارید.
۳۱OpenClaw یک پروژه متنباز (Open Source) است که به آن «عامل هوش مصنوعی» (AI Agent) میگویند. برخلاف ChatGPT که فقط در قالب چت به شما پاسخ میدهد، OpenClaw میتواند به ابزارها، فایلها، مرورگر، ایمیل، پیامرسانها و سیستمعامل متصل شود و کارها را برای شما انجام دهد. (OpenClaw)به زبان ساده:
• ChatGPT پاسخ میدهد.• OpenClaw پاسخ میدهد + اقدام میکند. (OpenClaw Docs)
OpenClaw چه کارهایی میتواند انجام دهد؟
• خواندن و نوشتن فایلها• جستجو در وب• اجرای دستورات سیستمعامل• مدیریت ایمیل و تقویم• اتصال به WhatsApp، Telegram، Slack، Discord و سایر سرویسها• اجرای Workflow های خودکار• استفاده از MCP Server ها و ابزارهای خارجی (Hugging Face)مثلاً میتوانید به آن بگویید:
«هر روز صبح ایمیلهای مهمم را بررسی کن، خلاصهشان را برایم بفرست و جلسات امروز را از تقویم استخراج کن.»یا:«مقالات جدید RAG و Agentic AI را پیدا کن و خلاصهشان را در یک فایل Markdown ذخیره کن.»
چرا این روزها معروف شده؟چون روی کامپیوتر شخصی اجرا میشود و میتواند با مدلهای مختلف کار کند:• GPT• Claude• Gemini• Grok• مدلهای محلی از طریق Ollama و LM Studio مانند Qwen، Llama و Mistral (openclawdoc.com)
ارتباط OpenClaw با Mac Mini چیست؟
بسیاری از افراد یک Mac Mini با حافظه زیاد (مثلاً 64 یا 128 گیگابایت) میخرند تا:
• OpenClaw را 24 ساعته اجرا کنند.• مدلهای محلی را با Ollama اجرا کنند.• هزینه API های Claude یا OpenAI را کاهش دهند. (build.nvidia.com)
آیا واقعاً میتوان بدون API کار کرد؟
بله، اما کیفیت به مدل محلی و سختافزار بستگی دارد.
برای کارهای ساده:• Qwen• Llama• Mistralخوب عمل میکنند.
اما برای Agentهای پیچیده، بسیاری از کاربران هنوز از Claude یا GPT استفاده میکنند چون عملکرد Agentic و Tool Calling قویتری دارند. برخی کاربران Reddit نیز گزارش کردهاند که اجرای کامل OpenClaw با مدلهای محلی نیازمند سختافزار قدرتمند است. (Reddit) .. در مقاله زیر با آموزش این ابزار آشنا شوید : https://towardsdatascience.com/run-a-local-llm-with-openclaw-on-your-mac-mini/?utm_campaign=tds daily&utm_medium=email&_hsenc=p2ANqtz-_NnTgZ1ofKf2GOwm6ysIqdZmoKD98HQ9lqThxhUmRigIEenw67OKEkKG61qLdXOOIDas2XGTNzDziOkCmbo922D2vxoQ&_hsmi=424339380&utm_source=newsletter
• ChatGPT پاسخ میدهد.• OpenClaw پاسخ میدهد + اقدام میکند. (OpenClaw Docs)
OpenClaw چه کارهایی میتواند انجام دهد؟
• خواندن و نوشتن فایلها• جستجو در وب• اجرای دستورات سیستمعامل• مدیریت ایمیل و تقویم• اتصال به WhatsApp، Telegram، Slack، Discord و سایر سرویسها• اجرای Workflow های خودکار• استفاده از MCP Server ها و ابزارهای خارجی (Hugging Face)مثلاً میتوانید به آن بگویید:
«هر روز صبح ایمیلهای مهمم را بررسی کن، خلاصهشان را برایم بفرست و جلسات امروز را از تقویم استخراج کن.»یا:«مقالات جدید RAG و Agentic AI را پیدا کن و خلاصهشان را در یک فایل Markdown ذخیره کن.»
چرا این روزها معروف شده؟چون روی کامپیوتر شخصی اجرا میشود و میتواند با مدلهای مختلف کار کند:• GPT• Claude• Gemini• Grok• مدلهای محلی از طریق Ollama و LM Studio مانند Qwen، Llama و Mistral (openclawdoc.com)
ارتباط OpenClaw با Mac Mini چیست؟
بسیاری از افراد یک Mac Mini با حافظه زیاد (مثلاً 64 یا 128 گیگابایت) میخرند تا:
• OpenClaw را 24 ساعته اجرا کنند.• مدلهای محلی را با Ollama اجرا کنند.• هزینه API های Claude یا OpenAI را کاهش دهند. (build.nvidia.com)
آیا واقعاً میتوان بدون API کار کرد؟
بله، اما کیفیت به مدل محلی و سختافزار بستگی دارد.
برای کارهای ساده:• Qwen• Llama• Mistralخوب عمل میکنند.
اما برای Agentهای پیچیده، بسیاری از کاربران هنوز از Claude یا GPT استفاده میکنند چون عملکرد Agentic و Tool Calling قویتری دارند. برخی کاربران Reddit نیز گزارش کردهاند که اجرای کامل OpenClaw با مدلهای محلی نیازمند سختافزار قدرتمند است. (Reddit) .. در مقاله زیر با آموزش این ابزار آشنا شوید : https://towardsdatascience.com/run-a-local-llm-with-openclaw-on-your-mac-mini/?utm_campaign=tds daily&utm_medium=email&_hsenc=p2ANqtz-_NnTgZ1ofKf2GOwm6ysIqdZmoKD98HQ9lqThxhUmRigIEenw67OKEkKG61qLdXOOIDas2XGTNzDziOkCmbo922D2vxoQ&_hsmi=424339380&utm_source=newsletter
۳وظایف کاری من در این روزهای هوش مصنوعی
دو سال پیش، بخش بزرگی از روز کاری برای من Data Scientist کدنویسی بود. این روزها، لزوماً اینطور نیست.
دو سال پیش، بخش زیادی از روز من صرف اینها میشد: نوشتن و Debug کردن SQL و Python Feature Engineering و مدلسازی ساختن گزارش و اسلاید نوشتن Documentation و البته ساعتها جنگیدن با یک باگ که معلوم نبود چرا وجود دارد!
AI بخش زیادی از کارهای مکانیکی را تغییر داده . اما چیزی که تغییر کرده، فقط ابزارها نیستند؛ خودِ مهارتهای موردنیاز یک Data Scientist هم در حال تغییرند. همین Prompt Engineering تخصصی که برای حرفه ای شدنش دوره می بینم و وقت میگذارم. خوب قبلا شاید کوتاه ازش می پرسیدیم: "دقت این مدل را خلاصه کن."باید بتوانم دقیق مشخص کنم:چه چیزی را میخواهم؟ در چه بازهای؟ با چه Metricهایی؟ با چه Precisionای؟ چه چیزهایی نباید حدس زده شوند؟
در کنار آن، یک مهارت مهم دیگر هم اضافه شده:
ارزیابی خروجی AI: بخشی از کار امروز من این است که خروجی AI را بررسی کنم، Promptهای مختلف را مقایسه کنم و تشخیص بدهم کجا باید به AI اعتماد کرد و کجا نه. هوش مصنوعی که خیلی توهم داره گاهی، کمال گرا و پیچیده.
موضوع مهم دیگر، هزینه است. همانطور که در ML همیشه لازم نیست پیچیدهترین مدل را انتخاب کنیم، در دنیای LLM هم همیشه بزرگترین و گرانترین مدل بهترین انتخاب نیست. گاهی یک Rule ساده، یک SQL Query، یک مدل سنتی ML یا حتی یک مدل کوچکتر، انتخاب بسیار بهتری است.
Data Cleaning، Feature Selection، Caching، انتخاب مدل مناسب و کنترل Token Usage حالا بخشی از تفکر Data Science در دنیای LLM است.
نقش Data Scientist از «ساختن مدل» به «حل مسئله» نزدیکتر شده است.
AI میتواند کد بنویسد، میتواند SQL تولید کند، میتواند Dashboard و Presentation را Draft کند.
حتی میتواند نتایج یک مدل را تحلیل کند. اما هنوز باید یک نفر تشخیص دهد:اصلاً چه مسئلهای ارزش حل کردن دارد؟آیا این Metric واقعاً درست انتخاب شده؟ آیا این عدد منطقی است؟ آیا این نتیجه با Domain سازگار است؟
آیا این مدل واقعاً یک Business Problem را حل میکند؟
با وجود همهی این تغییرات، بخش عمدهای از کار من در لایهی زیرین همچنان همان است.
هنوز جلسه دارم و باید با اعضای تیم همکاری کنم.🟢 هنوز باید تصمیم بگیرم که اصلاً چه مسئلهای ارزش مدلسازی دارد.
هنوز باید متوجه شوم چه زمانی یک خلاصهی تولیدشده توسط AI با اعتمادبهنفس کامل، چیزی را بیان میکند که واقعیت ندارد. هنوز باید آنقدر دانش Domain داشته باشم که وقتی یک عدد «کمی» اشتباه به نظر میرسد، آن را تشخیص دهم؛ نه اینکه فقط زمانی متوجه اشتباه شوم که عدد کاملاً غیرمنطقی باشد.
و همچنان در مواقع لازم از Traditional ML استفاده میکنم.
اگر چیزی تغییر کرده باشد، این است که قضاوت و تشخیص انسانی حالا مهمتر شده، نه کماهمیتتر. چون این همان بخشی از کار است که هیچوقت کاملاً خودکار نشد.قبلاً ساعتها صرف ساختن یک presentation از صفر میکردم.
حالا میتوانم در عرض چند دقیقه یک پیشنویس اولیه از یک dashboard مناسب برای ارائه به stakeholderها یا یک ساختار اولیه برای اسلایدها تولید کنم.
در نگاه اول، به نظر میرسد این موضوع باید باعث شود بعدازظهرم آزاد شود.اما در عمل، فقط باعث شده همان زمان آزادشده را در جلسههای بیشتری بگذرانم و برای افراد توضیح دهم که مدل چه چیزی پیدا کرده و چرا این یافته اهمیت دارد؛ چون سرعت انجام کار آنقدر بالا رفته که stakeholderها انتظار دارند تعامل و check-inهای بیشتری داشته باشیم.
دو سال پیش، بخش بزرگی از روز کاری برای من Data Scientist کدنویسی بود. این روزها، لزوماً اینطور نیست.
دو سال پیش، بخش زیادی از روز من صرف اینها میشد:
نوشتن و Debug کردن SQL و Python Feature Engineering و مدلسازی ساختن گزارش و اسلاید نوشتن Documentation و البته ساعتها جنگیدن با یک باگ که معلوم نبود چرا وجود دارد!AI بخش زیادی از کارهای مکانیکی را تغییر داده . اما چیزی که تغییر کرده، فقط ابزارها نیستند؛ خودِ مهارتهای موردنیاز یک Data Scientist هم در حال تغییرند. همین Prompt Engineering تخصصی که برای حرفه ای شدنش دوره می بینم و وقت میگذارم. خوب قبلا شاید کوتاه ازش می پرسیدیم: "دقت این مدل را خلاصه کن."باید بتوانم دقیق مشخص کنم:چه چیزی را میخواهم؟ در چه بازهای؟ با چه Metricهایی؟ با چه Precisionای؟ چه چیزهایی نباید حدس زده شوند؟
در کنار آن، یک مهارت مهم دیگر هم اضافه شده:
ارزیابی خروجی AI: بخشی از کار امروز من این است که خروجی AI را بررسی کنم، Promptهای مختلف را مقایسه کنم و تشخیص بدهم کجا باید به AI اعتماد کرد و کجا نه. هوش مصنوعی که خیلی توهم داره گاهی، کمال گرا و پیچیده.
موضوع مهم دیگر، هزینه است. همانطور که در ML همیشه لازم نیست پیچیدهترین مدل را انتخاب کنیم، در دنیای LLM هم همیشه بزرگترین و گرانترین مدل بهترین انتخاب نیست. گاهی یک Rule ساده، یک SQL Query، یک مدل سنتی ML یا حتی یک مدل کوچکتر، انتخاب بسیار بهتری است.
Data Cleaning، Feature Selection، Caching، انتخاب مدل مناسب و کنترل Token Usage حالا بخشی از تفکر Data Science در دنیای LLM است.
نقش Data Scientist از «ساختن مدل» به «حل مسئله» نزدیکتر شده است.
AI میتواند کد بنویسد، میتواند SQL تولید کند، میتواند Dashboard و Presentation را Draft کند.
حتی میتواند نتایج یک مدل را تحلیل کند. اما هنوز باید یک نفر تشخیص دهد:اصلاً چه مسئلهای ارزش حل کردن دارد؟آیا این Metric واقعاً درست انتخاب شده؟ آیا این عدد منطقی است؟ آیا این نتیجه با Domain سازگار است؟
آیا این مدل واقعاً یک Business Problem را حل میکند؟
با وجود همهی این تغییرات، بخش عمدهای از کار من در لایهی زیرین همچنان همان است.
هنوز جلسه دارم و باید با اعضای تیم همکاری کنم.🟢 هنوز باید تصمیم بگیرم که اصلاً چه مسئلهای ارزش مدلسازی دارد. هنوز باید متوجه شوم چه زمانی یک خلاصهی تولیدشده توسط AI با اعتمادبهنفس کامل، چیزی را بیان میکند که واقعیت ندارد. هنوز باید آنقدر دانش Domain داشته باشم که وقتی یک عدد «کمی» اشتباه به نظر میرسد، آن را تشخیص دهم؛ نه اینکه فقط زمانی متوجه اشتباه شوم که عدد کاملاً غیرمنطقی باشد. و همچنان در مواقع لازم از Traditional ML استفاده میکنم.اگر چیزی تغییر کرده باشد، این است که قضاوت و تشخیص انسانی حالا مهمتر شده، نه کماهمیتتر. چون این همان بخشی از کار است که هیچوقت کاملاً خودکار نشد.قبلاً ساعتها صرف ساختن یک presentation از صفر میکردم.
حالا میتوانم در عرض چند دقیقه یک پیشنویس اولیه از یک dashboard مناسب برای ارائه به stakeholderها یا یک ساختار اولیه برای اسلایدها تولید کنم.
در نگاه اول، به نظر میرسد این موضوع باید باعث شود بعدازظهرم آزاد شود.اما در عمل، فقط باعث شده همان زمان آزادشده را در جلسههای بیشتری بگذرانم و برای افراد توضیح دهم که مدل چه چیزی پیدا کرده و چرا این یافته اهمیت دارد؛ چون سرعت انجام کار آنقدر بالا رفته که stakeholderها انتظار دارند تعامل و check-inهای بیشتری داشته باشیم.
۵