موقعیت‌های شغلی مرتبط با یادگیری ماشین

موقعیت‌های شغلی یادگیری ماشین

با درک اهمیت دانش و اطلاعات، بسیاری به فکر استفاده از داده‌های موجود افتادند و سعی کردند در تصمیم‌گیری‌ها از نتایج تحلیل داده استفاده کنند. نه فقط شرکت‌ها، بلکه اشخاص برای ادارهٔ بهتر امور شخصی، دولت‌ها برای ادارهٔ کشور و دانشمندان برای گسترش علم از آن بهره گرفتند.

از گذشته تحلیل و ارزیابی اطلاعات شرکت‌ها از اهمیت فوق‌العاده برخوردار بوده‌است و همیشه آمار و گزارش‌های یک شرکت در تصمیمات آیندهٔ آن تاثیرگذار بوده‌اند. حتی یک مغازه‌دار با بررسی فاکتورهای فروش می‌تواند در مورد خرید‌های آینده تصمیمات بهتری بگیرد و یا یک موسسهٔ تبلیغاتی می‌تواند روشهای تبلیغی خود را پس از بررسی بازخورد مردم مورد بازبینی قرار دهد.

همانطور که گفته شد، مردم هم به تحلیل داده علاقه‌مند شده‌اند؛ مثل ثبت روزانه یا هفتگی وزن، میزان پیاده روی روزانه، ثبت مخارج ماهانه و پیدا‌ کردن روش‌هایی برای کاهش هزینه‌ها، زمانی که روزانه صرف شبکه‌های اجتماعی مثل اینستاگرام،تلگرام،واتساپ و …. می‌شود و بسیاری از گزارش‌های دیگر که افراد برای مقاصد شخصی خود از این اطلاعات استفاده می‌کنند.

نیاز جامعه به بررسی آمار و داده‌ها سبب به وجود آمدن تخصص‌هایی در این زمینه شد. افرادی در سازمان‌ها مشغول به کار شدند تا امور مرتبط با داده را انجام دهند. بسته به نوع فعالیت افراد اسامی مختلفی به آن‌ها نسبت داده می‌شود. احتمالا کلماتی مثل دانشمند داده، تحلیلگر داده و مهندس یادگیری ماشین به گوشتان خورده و شاید خیلی متوجه تفاوت‌های آن‌ها نشده‌اید.

در این قسمت هر کدام را معرفی می‌کنیم و کاربرد آن‌ها را در مثال‌هایی می‌بینیم.

تحلیل‌گر داده (Data Analyst)

مثال: شاهین و رفقا و سایت‌فروش محصولات کشاورزی و باغبانی

شاهین و رفقا یک سایت فروش محصولات کشاورزی زده‌اند و مدتیست که کارشان سکه شده‌است. پیچیدگی کسب و کار آنها در حال افزایش است و روش خاصی در خرید و فروش کالا ندارند. وقتی چیزی تمام می‌شود تازه به فکر خرید آن می‌افتند و معمولا کمی از نیاز مردم عقب هستند. برای بررسی آمار فروش کالا‌های مختلف باید هر بار یک عملیات گزارش‌گیری روی پایگاه داده انجام دهند و چون تجربهٔ کافی ندارند هم وقت زیادی صرف می‌شود و هم کارهای تکراری را باید بارها و بارها انجام دهند. بعضی روزها و شب‌ها تقاضا بسیار بالا می‌رود و شاهین و رفقا دلیل این اتفاقات را نمی‌دانند. آنها می‌ترسند که در آینده‌ای نه چندان دور معضلاتی در کارشان پیش بیاید و به همین دلیل به فکر استخدام فردی جدید هستند اما نمی‌دانند دنبال چه کسی بگردند. به نظر شما کمبود چه کسی در گروه کوچک آنها حس می‌شود؟ درست است. یک تحلیل‌گر داده.

چرا نخست تحلیل‌گر داده را مورد بررسی قرار می‌دهیم؟ زیرا تحلیل‌گر داده شدن، نسبت به دیگر شغل‌های مرتبط با داده آسان‌تر است و قبل از آنها وجود داشته است.

همانطور که گفته شد، اهمیت اطلاعات در حال افزایش است و عصر جدید عصر اطلاعات نامیده می‌شود اما دادهٔ خام قبل از تبدیل شدن به دانش نیازمند ذخیره سازی مناسب و آماده‌سازی‌هایی می‌باشد. تحلیل‌گر داده، معماری مناسب برای جمع‌آوری اطلاعات یک سازمان را طراحی می‌کند و پایگاه داده مناسب برای این کار را انتخاب می‌کند؛ داده‌های خام را از منابع داخلی و خارجی جمع‌آوری می‌کند و پس‌ از آماده‌سازی و انتخاب قالب مناسب، آنها را در پایگاه‌ داده‌ای که طراحی کرده ذخیره می‌کند.

سپس داده‌ها را مورد بررسی قرار می‌دهد و از داده اطلاعات مفید استخراج می‌کند. او برای اینکار باید اطلاعاتی در مورد زمینه فعالیت‌های سازمان و اهداف آن داشته باشد. نتیجهٔ فعالیت‌های تحلیل‌گر داده می‌تواند گزارش‌های کلی یا روابط بین داده‌ها باشد و معمولا در جهت اهداف سازمان است.

او با افراد مختلف سازمان در ارتباط است و نتایج به دست آمده را به شکلی قابل فهم و ساده و متناسب با موقعیت افراد در اختیار آن‌ها می‌گذارد. علاوه بر این‌ها تحلیل‌گر داده باید قدرت تحلیل بالا و دید نقادانه به مسائل داشته باشد.

داشتن مهارت‌های برنامه‌نویسی برای تحلیل‌گر داده ضروری نمی‌باشد و می‌تواند از نرم‌افزار‌ها یا سرویس‌های وب برای انجام کارهای خود استفاده کند.

دانشمند داده (Data Scientist)

مثال: شرکت خفن و تصمیم بزرگ

یک شرکت خفن در حوزه IT می‌خواهد حوزهٔ فعالیت‌هایش را گسترش دهد و بین خرید چند شرکت مردد است. نیاز به یک تحلیل عمیق و حرفه‌ای برای این انتخاب حس می‌شود. پارامتر‌های بسیاری باید مورد بررسی قرار بگیرند؛ مثل سوابق، آمار فروش، محبوبیت. سپس باید آیندهٔ شرکت‌های پیشنهادی پیش بینی شود.اعضای تیم علم دادهٔ شرکت دست به کار می‌شوند. شبکه‌های مجازی را بررسی و نظرات مردم را با ابزار‌هایی جمع‌آوری می‌کنند و میزان نظرات مثبت و منفی مشخص می‌شود. از یادگیری ماشین استفاده می‌کنند و سود آیندهٔ شرکت‌ها را پیش‌بینی می‌کنند و در نهایت پیشنهاد خرید شرکتی را می‌دهند که به نظرشان از دید رقبا مخفی مانده و آیندهٔ درخشانی دارد.

علم داده طیف وسیعی از مباحث را در بر می‌گیرد و تعریف واحدی برای آن وجود ندارد. علم داده گاهی محدوده‌ای از مفاهیم مرتبط با داده را در بر می‌گیرد و بسیاری از تحلیل‌ها و موقعیت‌های شغلی مرتبط با داده می‌توانند زیر مجموعه‌های علم داده قرار بگیرند.

با گسترش روش‌ها و ابزارهایی که استفاده از یادگیری ماشین را آسان می‌کنند توجه بسیاری سمت این عنوان شغلی جلب شد و بسیاری در صدد فراگیری و استفاده از آن برآمدند. همانطور که گفته شد تعابیر بسیاری برای دانشمند داده وجود دارد و توضیح و معرفی آن با پیچیدگی‌هایی همراه است.

می‌توان گفت دانشمند داده سطح بالاتری از تحلیلگر داده دارد و نیازمند دانش آماری و ریاضیاتی و برنامه‌نویسی قوی‌تری نسبت به تحلیلگر داده است. همهٔ اموری که تحلیل‌گر انجام می‌دهد، دانشمند هم می‌تواند انجام دهد و علاوه بر آن باید با مفاهیم یادگیری ماشین و دانش برنامه‌نویسی آشنا باشد تا بتواند ابزارهایی برای تحلیل عمیق‌تر داده طراحی کند.

گاهی دانشمندان داده با حوزهٔ تجارت هم آشنایی دارند تا در مورد تصمیمات تجاری یک شرکت بتوانند پیشنهادات سازنده دهند یا در تصمیم‌گیری‌ها آن‌ها را یاری دهند. دانشمند داده همچنین از امکانات یادگیری ماشین و هوش مصنوعی برای ایجاد برخی محصولات در شرکت استفاده می‌کند. اموری مانند سیستم پیشنهاد دهنده، تشخیص ایمیل Spam، پیش‌بینی، بهینه‌سازی، دسته‌بندی و دیگر عملیاتی که توسط یادگیری ماشین انجام شده و در امور شرکت مفید واقع می‌شوند.

دانشمند داده امور داده‌کاوی را معمولا با زبان‌های برنامه‌نویسی و کتابخانه‌های آن انجام می‌دهد ولی تحلیل‌گر از پلتفرم‌ها و نرم‌افزار‌ها استفاده می‌کند. تحلیل‌گر با همه در ارتباط است و معمولا سوالات را دیگران برایش مطرح می‌کنند اما دانشمند داده خودش سوالات را طرح می‌کند، سوالاتی که در تصمیمات شرکت تاثیرگذار هستند.

مهندس داده (Data Engineer)

مثال: شرکت مخابراتی

فرض کنید شرکتی بین‌المللی در حوزهٔ تجهیزات مخابراتی در حال فعالیت است. داده‌های مورد نیاز شرکت از همه نقاط دنیا و به شکل پیوسته در حال تولید هستند و بعضی کشورها از فرمت‌های مختلفی برای ارسال داده استفاده می‌کنند.

در این شرکت یک تحلیل‌گر داده و یک دانشمند داده مشغول به کار‌‌ند. از آن‌ها خواسته می‌شود تا روند تقاضا برای ایجاد زیرساخت مخابراتی در سال بعد را پیش‌بینی کنند. همچنین گزارشی جامع از میزان پیشرفت پروژه‌ها در همه جای دنیا ارائه دهند.

این دو متخصص وقت زیادی صرف یافتن دادهٔ مورد نیاز خود و نحوهٔ جمع‌آوری و تجمیع این داده می‌کنند و به خاطر عدم آشنایی با مفاهیم کلان‌داده (big data) و مراکز ایجاد داده، کار به کندی پیش می‌رود و نمی‌توانند کار را به اتمام برسانند.

به نظر شما جای خالی چه کسی در این شرکت حس می‌شود؟ جواب مهندس داده است.

با ظهور کلان‌داده و انفجار داده، روش‌های پیشین مدیریت و ذخیره سازی داده پاسخگو نبود و مفاهیم و ابزار‌های جدیدی برای مدیریت این پدیده به‌وجود آمد. مدیریت جریان های داده و یکپارچه‌سازی آن در شرکت‌های بزرگ تبدیل به تکلیف جدیدی شد و به تدریج یک موقعیت شغلی جدید به‌وجود آمد. این جایگاه جدید داده‌ها را از منابع مختلف و با قالب‌های مختلف می‌گیرد و در اختیار تحلیل‌گران و توسعه‌دهندگان و دیگر مصرف‌کنندگان داده قرار می‌دهد.

کار یک مهندس داده را از جنبه‌های مختلفی می‌توان مورد بررسی قرار داد. می‌توان کار او را با مفاهیم کلان‌داده شرح داد یا روند رسیدن دادهٔ خام به دست مصرف‌کنندگان داده را به او نسبت داد.

او پس از مشورت با دیگر اعضای شرکت انتخاب می‌کند که چه داده‌ای از میان سیل دادهٔ تولیدی در اختیار شرکت قرار بگیرد. پس از انتخاب منابع داده، داده‌های منابع مختلف را یکپارچه می‌کند و برای نگهداری بهینهٔ آن‌ها برنامه‌ریزی می‌کند.

مهندس یادگیری ماشین (Machine Learning Engineer)

مثال:‌ دانشجوی محقق

حمید یادگیری ماشین را به شکل خودآموز فرا گرفته و پس از تلاش فراوان توانسته ابزاری بسازد که اطلاعات موجود در اینستاگرام و توییتر افراد را می‌گیرد و با استفاده از یادگیری ماشین، لیستی از سایت‌های مناسب را در اختیار فرد قرار می‌دهد.

او این سیستم را روی چند نفر از دوستان و آشنایان امتحان کرده و نتیجه قابل قبول بوده‌است. اما حالا او می‌خواهد این ایده را تبدیل به یک سرویس کند اما نمی‌داند از کجا شروع کند!

این عنوان شغلی معمولا با دانشمند‌ داده اشتباه گرفته می‌شود. مهندس یادگیری ماشین در واقع نقطهٔ تلاقی مهندسی نرم‌افزار و علم داده است. این موقعیت هم همانطور که حدس زدید بسیار حرفه‌ای است.

تعریفات بسیاری برای مهندس یادگیری ماشین وجود دارد و اگر از متخصصان تعریف این عنوان را بپرسید احتمالا هر کدام جواب متفاوتی به شما خواهد داد؛ با این وجود سعی می‌کنیم برخی ویژگی‌های اصلی یک مهندس یادگیری ماشین را شرح دهیم و با کمک هم او را بشناسیم.

مهندس یادگیری ماشین نقاط مشترک فراوانی با مهندس داده دارد. هر دو در فرآیند رسیدن داده از محل تولید تا مدل نقش داشته و با ساختار‌های داده و پیچیدگی‌های مرتبط با آن آشنایی دارند. دانش یادگیری ماشین برای مهندس داده اجباری نبود ولی برای مهندس یادگیری ماشین الزامی است.

مهندس یادگیری ماشین علاوه بر اینکه داده را تا رسیدن به مدل همراهی می‌کند، مسئول رساندن خروجی به کاربر نهایی نیز هست. او مدل تولید شده را بررسی می‌کند و یا پس از انجام بررسی‌های لازم، مدل نظری را وارد فرآیند عملیاتی می‌کند. او باید پیچیدگی‌های محاسباتی و حافظه‌ای را محاسبه کند و مدل طراحی شده توسط دانشمند داده را برای کار در مقیاس بزرگ آماده کند.

وظایف مهندس یادگیری ماشین جنبهٔ نظری و عملیاتی دارند. به این صورت که او باید دانش کاملی از الگوریتم‌ها و روش‌های یادگیری ماشین داشته باشد. هم قبل از استقرار مدل، آن را مورد بررسی و تحلیل قرار دهد و هم بر فرآیند عملیاتی ساختن آن و محاسبهٔ پیچیدگی‌ها نظارت داشته باشد. سپس بعد از از استقرار، مسئول نظارت و رسیدگی به آن خواهد بود.

بسیاری از کاربرد‌های جذاب یادگیری ماشین مانند سیستم‌های پیشنهاد دهنده و دستیار‌های صوتی و بسیاری کاربرد‌های دیگر توسط مهندسان یادگیری ماشین به مرحلهٔ عمل رسیده‌اند و این اهمیت کار آن‌ها را نشان می‌دهد.

جمع‌بندی کلی

همانطور که دیدیم استفاده از داده شغل‌های بسیاری بوجود آورده و اگر در ابتدای مسیر انتخاب شغل هستید، می‌توانید به آن فکر کنید برای آن برنامه ریزی کنید. شغل‌های مرتبط با داده همچنین در اقصی نقاط دنیا از مشاغل پولساز و با درآمد مناسب به حساب می‌آیند. معمولا حقوق دانشمند داده از تحلیل‌گر داده بیشتر است و مهندس یادگیری ماشین و مهندس داده از دوتای قبلی بیشتر. گاهی همین مشاغل اشاره شده را با عنوان‌های متفاوتی به دلیل تغییر حوزه کاری می‌بینیم اما مشاغل دیگری نیز در این حوزه به طور کلی وجود دارند که در این بخش تنها به مهمترین‌های آن‌ها پرداختیم. گاهی اوقات مرز وظایف مشخص نیست و کار مهندس داده را ممکن است تحلیل‌گر انجام دهد یا برعکس!

شناخت این موقعیت‌ها می‌تواند به شما در انتخاب مسیر یادگیری دید بهتری بدهد. علاوه بر مشاغلی که رابطه مستقیم با داده و یادگیری ماشین دارند، از امکانات این تکنولوژي در حوزه‌های بسیاری می‌توان استفاده کرد و می‌توانید مانند جعبه ابزاری آنرا همیشه همراه خود داشته باشید.

برای مطالعه مقاله چرخه تب تکنولوژی در هوش مصنوعی بر روی لینک کلیک کنید