شاید وقتش رسیده «سنیور بودن» رو دوباره تعریف کنیم.
یه زمانی سنیور یعنی: «من بلدم.»امروز بیشتر یعنی: «من سریع یاد می‌گیرم، سریع خودمو تطبیق می‌دم، با ابزارهای جدید بهتر مسئله رو می‌فهمم و سریع‌تر حلش می‌کنم.»
بسیاری از ما توی این ۱۵ سال اخیر کم چیز یاد نگرفتیم؛
روی کوئری‌های پیچیده SQL کار کردیم و با دیتابیس‌هایی سروکله زدیم که یک Query بد، می‌توانست کل سیستم را زمین‌گیر کند. با Bash، grep، sed و Linux Automation زندگی کردیم و یاد گرفتم خیلی از مسائل را قبل از اینکه برایشان ابزار جدید بسازم، با چند خط اسکریپت حل کنیم. با Mainframe کار کردیم؛ دنیایی از Batch Processing، JCL، DB2، CICS و سیستم‌هایی که شاید قدیمی به نظر برسند، اما هنوز ستون فقرات بعضی از بزرگ‌ترین کسب‌وکارهای دنیا هستند. در پروژه‌های ERP درگیر فرایندهای واقعی سازمان شدیم؛ مالی، عملیات، سفارش، انبار، منابع انسانی، Workflow و Integration با ده‌ها سامانه دیگر. فهمیدیم در سیستم‌های Enterprise فقط کدنویسی مهم نیست؛ Legacy، پایداری، کنترل تغییر، Master Data، امنیت، Integration و فهم واقعی فرایند کسب‌وکار گاهی از خود تکنولوژی مهم‌ترند. سال‌ها Unit Test و Integration Test نوشتیم و یاد گرفتیم نرم‌افزاری که تست نشود، دیر یا زود هزینه‌اش را جای دیگری پس می‌دهد. Pipelineهای CI/CD طراحی کردیم و با این مسئله درگیر بودیم که چطور توسعه را سریع کنیم، بدون اینکه پایداری قربانی سرعت شود. با Elasticsearch و Queryهای پیچیده‌اش کار کردیم و طعم واقعی Search، Indexing و Performance را چشیدیم. با HTML، CSS، JavaScript و طراحی بصری کار کردیم و فهمیدیم تجربه کاربر فقط مسئله تیم UI نیست؛ بخشی از خود محصول است. داشبوردهای پیچیده با Kibana و Grafana ساختیم و ساعت‌ها دنبال این بودیم که از دل لاگ و داده عملیاتی، چیزی قابل فهم برای تصمیم‌گیری بیرون بکشیم. با Scala و Spark کار کردیم و پروژه‌های Big Data را از طراحی معماری تا اجرا جلو بردیم.
ولی امروز یه سؤال جدی از خودمون می‌پرسیم:
واقعاً این لیست هنوز به‌تنهایی برای ما اعتبار می‌سازه؟
فکر نمی‌کنم.
امروز کسی که مسئله رو خوب می‌فهمه و بلدِ درست از Cursor، مدل‌های زبانی، Agentها و ابزارهای AI استفاده کنه، می‌تونه در خیلی از همین کارها از آدمی که فقط به مهارت‌های چند سال قبلش تکیه کرده جلو بزنه.
این یعنی تجربه بی‌ارزش شده؟ نه.اتفاقاً تجربه هنوز مزیت بزرگیه؛ به شرطی که تبدیل نشه به لنگر.
دانش فنی، تجربه و درک عمیق مسئله + توانایی استفاده حرفه‌ای از AI، ترکیب جدیدِ سنیور بودنه.
پس شاید رزومه آینده کمتر درباره این باشه که:
«چه چیزهایی بلدم؟»
و بیشتر درباره این باشه که:
«چقدر سریع می‌تونم چیز جدید یاد بگیرم و با ابزارهای امروز یک مسئله واقعی رو حل کنم؟»
در دنیایی که تانک و موشک اومده، بهترین شمشیرزن بودن هنوز جذابه…ولی دیگه مزیت رقابتی نیست.
یه زمانی سنیور یعنی: «من بلدم.»امروز بیشتر یعنی: «من سریع یاد می‌گیرم، سریع خودمو تطبیق می‌دم، با ابزارهای جدید بهتر مسئله رو می‌فهمم و سریع‌تر حلش می‌کنم.»
بسیاری از ما توی این ۱۵ سال اخیر کم چیز یاد نگرفتیم؛
روی کوئری‌های پیچیده SQL کار کردیم و با دیتابیس‌هایی سروکله زدیم که یک Query بد، می‌توانست کل سیستم را زمین‌گیر کند. با Bash، grep، sed و Linux Automation زندگی کردیم و یاد گرفتم خیلی از مسائل را قبل از اینکه برایشان ابزار جدید بسازم، با چند خط اسکریپت حل کنیم. با Mainframe کار کردیم؛ دنیایی از Batch Processing، JCL، DB2، CICS و سیستم‌هایی که شاید قدیمی به نظر برسند، اما هنوز ستون فقرات بعضی از بزرگ‌ترین کسب‌وکارهای دنیا هستند. در پروژه‌های ERP درگیر فرایندهای واقعی سازمان شدیم؛ مالی، عملیات، سفارش، انبار، منابع انسانی، Workflow و Integration با ده‌ها سامانه دیگر. فهمیدیم در سیستم‌های Enterprise فقط کدنویسی مهم نیست؛ Legacy، پایداری، کنترل تغییر، Master Data، امنیت، Integration و فهم واقعی فرایند کسب‌وکار گاهی از خود تکنولوژی مهم‌ترند. سال‌ها Unit Test و Integration Test نوشتیم و یاد گرفتیم نرم‌افزاری که تست نشود، دیر یا زود هزینه‌اش را جای دیگری پس می‌دهد. Pipelineهای CI/CD طراحی کردیم و با این مسئله درگیر بودیم که چطور توسعه را سریع کنیم، بدون اینکه پایداری قربانی سرعت شود. با Elasticsearch و Queryهای پیچیده‌اش کار کردیم و طعم واقعی Search، Indexing و Performance را چشیدیم. با HTML، CSS، JavaScript و طراحی بصری کار کردیم و فهمیدیم تجربه کاربر فقط مسئله تیم UI نیست؛ بخشی از خود محصول است. داشبوردهای پیچیده با Kibana و Grafana ساختیم و ساعت‌ها دنبال این بودیم که از دل لاگ و داده عملیاتی، چیزی قابل فهم برای تصمیم‌گیری بیرون بکشیم. با Scala و Spark کار کردیم و پروژه‌های Big Data را از طراحی معماری تا اجرا جلو بردیم. ولی امروز یه سؤال جدی از خودمون می‌پرسیم:
واقعاً این لیست هنوز به‌تنهایی برای ما اعتبار می‌سازه؟
فکر نمی‌کنم.
امروز کسی که مسئله رو خوب می‌فهمه و بلدِ درست از Cursor، مدل‌های زبانی، Agentها و ابزارهای AI استفاده کنه، می‌تونه در خیلی از همین کارها از آدمی که فقط به مهارت‌های چند سال قبلش تکیه کرده جلو بزنه.
این یعنی تجربه بی‌ارزش شده؟ نه.اتفاقاً تجربه هنوز مزیت بزرگیه؛ به شرطی که تبدیل نشه به لنگر.
دانش فنی، تجربه و درک عمیق مسئله + توانایی استفاده حرفه‌ای از AI، ترکیب جدیدِ سنیور بودنه.
پس شاید رزومه آینده کمتر درباره این باشه که:
«چه چیزهایی بلدم؟»
و بیشتر درباره این باشه که:
«چقدر سریع می‌تونم چیز جدید یاد بگیرم و با ابزارهای امروز یک مسئله واقعی رو حل کنم؟»
در دنیایی که تانک و موشک اومده، بهترین شمشیرزن بودن هنوز جذابه…ولی دیگه مزیت رقابتی نیست.
۲
NEXUS Studio فراتر از یک دستیار سازمانی.
هر درخواست، فقط یک سؤال نیست.NEXUS زمینه را می‌فهمد، برنامه می‌سازد، عامل‌ها را هماهنگ می‌کند و مسیر را با نتیجه تطبیق می‌دهد.NEXUS Studioابزارها را به‌کار می‌گیرد، نتیجه را ارزیابی می‌کند و عملیات حساس را فقط در چارچوب سیاست‌های سازمان اجرا می‌کند.
مزیت واقعی NEXUS Studio معماری پشت Agentهاست: Context Engineering، Agentic Harness، Dynamic Planning، Governance، Tool/MCP، Sandbox و Recovery.
هر درخواست، فقط یک سؤال نیست.NEXUS زمینه را می‌فهمد، برنامه می‌سازد، عامل‌ها را هماهنگ می‌کند و مسیر را با نتیجه تطبیق می‌دهد.NEXUS Studioابزارها را به‌کار می‌گیرد، نتیجه را ارزیابی می‌کند و عملیات حساس را فقط در چارچوب سیاست‌های سازمان اجرا می‌کند.
مزیت واقعی NEXUS Studio معماری پشت Agentهاست: Context Engineering، Agentic Harness، Dynamic Planning، Governance، Tool/MCP، Sandbox و Recovery.
۱در دنیای هوش مصنوعی، مزیت رقابتی فقط از علم و فناوری نمی‌آید؛ از ساختن یک اکوسیستم درست می‌آید.
هیچ سازمانی قرار نیست همه اجزای زنجیره ارزش AI را به‌تنهایی بسازد؛ از زیرساخت و داده گرفته تا مدل، محصول، یکپارچه‌سازی و بازار.
مسئله اصلی این است که بدانیم: کدام بخش را خودمان می‌سازیم، کجا شریک می‌شویم و چه پارتنرهایی می‌توانند همراه با رشد ما توسعه پیدا کنند.
آینده متعلق به سازمان‌هایی است که شبکه شریکِ قابل توسعه در زنجیره ارزش هوش مصنوعی می‌سازند.
در همین مسیر، تفاهم‌نامه همکاری میان شرکت فناوری اطلاعات لاجورد تکوین و مرکز سیستم‌های اطلاعات و علوم داده دانشگاه صنعتی شریف (ISDS) با هدف توسعه همکاری‌های مشترک و شکل‌دهی ظرفیت‌های مکمل در اکوسیستم هوش مصنوعی منعقد شد.
هیچ سازمانی قرار نیست همه اجزای زنجیره ارزش AI را به‌تنهایی بسازد؛ از زیرساخت و داده گرفته تا مدل، محصول، یکپارچه‌سازی و بازار.
مسئله اصلی این است که بدانیم: کدام بخش را خودمان می‌سازیم، کجا شریک می‌شویم و چه پارتنرهایی می‌توانند همراه با رشد ما توسعه پیدا کنند.
آینده متعلق به سازمان‌هایی است که شبکه شریکِ قابل توسعه در زنجیره ارزش هوش مصنوعی می‌سازند.
در همین مسیر، تفاهم‌نامه همکاری میان شرکت فناوری اطلاعات لاجورد تکوین و مرکز سیستم‌های اطلاعات و علوم داده دانشگاه صنعتی شریف (ISDS) با هدف توسعه همکاری‌های مشترک و شکل‌دهی ظرفیت‌های مکمل در اکوسیستم هوش مصنوعی منعقد شد.
۲۲
دیروز OpenAI اعلام کرد که یک سیستم چندعاملی بسیار بزرگ توانسته به مسئله ناویه–استوکس، یکی از مسائل مشهور جایزه هزاره، پاسخ دهد؛ آن هم با هزاران عامل هوش مصنوعی، صدها میلیارد توکن و حجم عظیمی از توان پردازشی.
اما شاید بخش مهم‌تر ماجرا خودِ پاسخ ریاضی نباشد.
تا امروز تصور ما این بود که در مرزهای علم، «نبوغ، شهود و سال‌ها پژوهش» عامل اصلی برتری است. حالا متغیر تازه‌ای با قدرت وارد بازی شده: بودجه پردازشی یا Compute.
یعنی ممکن است یک پژوهشگر یا تیم دانشگاهی سال‌ها روی یک مسئله کار کند، اما یک شرکت بزرگ با دسترسی به مدل‌های پیشرفته، هزاران Agent و چند میلیون دلار پردازش، در مدت کوتاهی همان مسیر را طی کند یا حتی زودتر به نتیجه برسد.
اینجا مسئله فقط «انسان در برابر ماشین» نیست؛مسئله، پژوهشگر مستقل در برابر سازمانی با تقریباً نامحدود Compute است.
حاشیه‌های اخیر درباره پژوهشگرانی که پیش‌تر روی همین مسئله کار می‌کردند نیز یک سؤال جدی‌تر ایجاد کرده است: در آینده «تقدم علمی»، مالکیت ایده و اعتبار کشف چگونه تعریف خواهد شد، وقتی ماشین می‌تواند روی سرنخ‌های موجود با مقیاسی غیرقابل‌مقایسه کار کند؟
به نظرم مهم‌ترین پیام این اتفاق روشن است:
پژوهش علمی در حال تغییر مدل است.
دانشگاه، پژوهشگاه یا پژوهشگری که همچنان با الگوی قدیمیِ «یک تیم کوچک + چند سال تحقیق + توان محاسباتی محدود» جلو برود، احتمالاً در بسیاری از حوزه‌ها دیگر توان رقابت نخواهد داشت.
مزیت آینده فقط داشتن دانشمند بهتر نیست؛ترکیبی است از:
انسان توانمند + AI + Agentها + داده + زیرساخت + Compute.
شاید هنوز برای گفتن اینکه «عصر پژوهش انسانی تمام شده» خیلی زود باشد؛ اما برای گفتن اینکه قواعد بازی پژوهش عوض شده‌اند، دیگر زود نیست.
اما شاید بخش مهم‌تر ماجرا خودِ پاسخ ریاضی نباشد.
تا امروز تصور ما این بود که در مرزهای علم، «نبوغ، شهود و سال‌ها پژوهش» عامل اصلی برتری است. حالا متغیر تازه‌ای با قدرت وارد بازی شده: بودجه پردازشی یا Compute.
یعنی ممکن است یک پژوهشگر یا تیم دانشگاهی سال‌ها روی یک مسئله کار کند، اما یک شرکت بزرگ با دسترسی به مدل‌های پیشرفته، هزاران Agent و چند میلیون دلار پردازش، در مدت کوتاهی همان مسیر را طی کند یا حتی زودتر به نتیجه برسد.
اینجا مسئله فقط «انسان در برابر ماشین» نیست؛مسئله، پژوهشگر مستقل در برابر سازمانی با تقریباً نامحدود Compute است.
حاشیه‌های اخیر درباره پژوهشگرانی که پیش‌تر روی همین مسئله کار می‌کردند نیز یک سؤال جدی‌تر ایجاد کرده است: در آینده «تقدم علمی»، مالکیت ایده و اعتبار کشف چگونه تعریف خواهد شد، وقتی ماشین می‌تواند روی سرنخ‌های موجود با مقیاسی غیرقابل‌مقایسه کار کند؟
به نظرم مهم‌ترین پیام این اتفاق روشن است:
پژوهش علمی در حال تغییر مدل است.
دانشگاه، پژوهشگاه یا پژوهشگری که همچنان با الگوی قدیمیِ «یک تیم کوچک + چند سال تحقیق + توان محاسباتی محدود» جلو برود، احتمالاً در بسیاری از حوزه‌ها دیگر توان رقابت نخواهد داشت.
مزیت آینده فقط داشتن دانشمند بهتر نیست؛ترکیبی است از:
انسان توانمند + AI + Agentها + داده + زیرساخت + Compute.
شاید هنوز برای گفتن اینکه «عصر پژوهش انسانی تمام شده» خیلی زود باشد؛ اما برای گفتن اینکه قواعد بازی پژوهش عوض شده‌اند، دیگر زود نیست.
۵
گزارشی از همکاری‌های علمی و پژوهشی دانشکده مهندسی برق و مرکز علوم داده و هوش مصنوعی ( ISDS )شریف با دانشگاه‌ها و مراکز علمی پاکستان از جمله دانشگاه ملی علوم و فناوری پاکستان (NUST)، مرکز ملی هوش مصنوعی پاکستان و دانشگاه قائداعظم ارائه شد.
۱
هوش مصنوعی دیگر صرفاً یک فناوری جدید نیست؛ بلکه به‌تدریج در حال تبدیل‌شدن به یکی از مؤلفه‌های اصلی تصمیم‌گیری، مدیریت و خلق ارزش در سازمان‌هاست.در همین راستا، مرکز سیستم‌های اطلاعات و علوم داده دانشگاه صنعتی شریف (ISDS) با همکاری مدرسه کسب‌وکار ماهان، در حال طراحی یک بوت‌کمپ تخصصی ویژه مدیران با تمرکز بر کاربرد هوش مصنوعی در فضای کسب‌وکار و مدیریت است.در نخستین نشست این برنامه، جمعی از مدیران ارشد، متخصصان و اساتید گرد هم آمدند تا درباره نیازهای واقعی مدیران، چالش‌های سازمان‌ها و چارچوب علمی و اجرایی این بوت‌کمپ تبادل نظر کنند.هدف این است که این دوره صرفاً به معرفی ابزارهای AI محدود نشود؛ بلکه مدیران بتوانند درک بهتری از فرصت‌های هوش مصنوعی، تصمیم‌گیری مبتنی بر AI، تحول سازمانی، خلق ارزش و نحوه به‌کارگیری عملی این فناوری در سازمان‌ها به دست آورند.این نشست، نقطه آغاز طراحی تجربه‌ای آموزشی است که قرار است فاصله میان «دانستن درباره هوش مصنوعی» و «استفاده واقعی از آن در مدیریت» را کمتر کند.
#ISDS #AI
#ISDS #AI
۲۱
نشست تخصصی هم‌اندیشی مدیران ارشد و متخصصان، با همکاری مرکز سیستم‌های اطلاعات و علوم داده شریف (ISDS) و مدرسه کسب‌وکار ماهان، با محوریت نقش هوش مصنوعی در مدیریت و تحول کسب‌وکار.
۲۱