ویرگول
ورودثبت نام
فرزانه کوئینی
فرزانه کوئینیفرزانه کوئینی نویسنده و پژوهشگر هوش مصنوعی
فرزانه کوئینی
فرزانه کوئینی
خواندن ۶ دقیقه·۲ ماه پیش

رشته هوش مصنوعی و رباتیک؛ چیزی که قبل از ورود به دانشگاه نمی‌دانستم

اگر قبل از ورود به دانشگاه کسی از من می‌پرسید «هوش مصنوعی و رباتیک دقیقاً چیست؟»، احتمالاً جوابم چیزی شبیه این بود:

«خب... هوش مصنوعی یعنی کامپیوترهای باهوش و رباتیک هم یعنی ساختن ربات!»

امروز که چند سال از ورودم به این رشته گذشته، اگر همان سؤال را از من بپرسند، قبل از جواب دادن کمی مکث می‌کنم.

نه چون جوابش را نمی‌دانم.

چون فهمیده‌ام جوابش آن‌قدرها هم ساده نیست.

و اگر قرار باشد برای کسی که می‌خواهد وارد این رشته شود فقط چیزهایی را بگویم که کاش قبل از ورود به دانشگاه می‌دانستم، احتمالاً این‌ها را می‌گویم.

۱. قرار نیست از روز اول ربات بسازی!

اسم «هوش مصنوعی و رباتیک» احتمالاً در ذهن خیلی‌ها تصویر جذابی ایجاد می‌کند.

ربات‌هایی که راه می‌روند.

بازوهای مکانیکی.

ماشین‌های خودران.

ربات‌های انسان‌نما.

و کلی چیز هیجان‌انگیز دیگر.

اما واقعیت دانشگاه خیلی زود تو را از این تصویر بیرون می‌آورد.

قبل از اینکه بخواهی یک ربات بسازی، باید چیزهای زیادی یاد بگیری.

برنامه‌نویسی.

ریاضیات.

الگوریتم‌ها.

ساختمان داده.

منطق.

کنترل.

پردازش داده.

یادگیری ماشین.

شبکه‌های عصبی.

و کلی مفهوم دیگر که شاید در نگاه اول هیچ شباهتی به رباتی که در ذهنت ساخته بودی نداشته باشند.

بعدتر متوجه می‌شوی که همین‌ها هستند که پایه‌ی آن ربات را می‌سازند.

۲. ریاضی واقعاً مهم است

این یکی را احتمالاً دوست نداشتم قبل از ورود به دانشگاه بشنوم!

اگر با خودت می‌گویی:

«من فقط می‌خواهم با هوش مصنوعی کار کنم، پس چرا باید ریاضی بخوانم؟»

باید بگویم ریاضی بخش جدایی‌ناپذیر این حوزه است.

ماتریس‌ها، احتمال، آمار، مشتق، بهینه‌سازی و مفاهیم ریاضی مختلف، در بخش‌های زیادی از یادگیری ماشین و یادگیری عمیق حضور دارند.

البته این به معنی آن نیست که باید از همان روز اول یک نابغه‌ی ریاضی باشی.

اما اگر از ریاضی فرار می‌کنی، احتمالاً در این رشته چند بار دوباره به آن برخورد خواهی کرد!

من خودم به مرور فهمیدم که وقتی فقط فرمول را حفظ می‌کنی، خیلی زود گم می‌شوی.

وقتی بفهمی آن فرمول قرار است چه مسئله‌ای را حل کند، داستان متفاوت می‌شود.

۳. برنامه‌نویسی فقط یک درس دانشگاهی نیست

قبل از ورود به رشته ممکن است فکر کنی برنامه‌نویسی یکی از چند درس دانشگاه است که پاسش می‌کنی و تمام.

اما در هوش مصنوعی، برنامه‌نویسی خیلی بیشتر از یک درس است.

برای کار کردن با داده، ساختن مدل، آموزش، آزمایش و تحلیل نتایج، باید بتوانی کد بنویسی.

پایتون هم به یکی از ابزارهای بسیار مهم در این حوزه تبدیل شده است.

اما یک نکته مهم وجود دارد:

لازم نیست از همان روز اول یک برنامه‌نویس حرفه‌ای باشی.

خیلی چیزها را در مسیر یاد می‌گیری.

مهم‌تر از اینکه در شروع چقدر بلدی، این است که بتوانی وقتی به یک مسئله جدید رسیدی، آن را بشکنی و قدم‌به‌قدم حلش کنی.

۴. هوش مصنوعی یعنی فقط ChatGPT و ربات‌های انسان‌نما نیست

امروز وقتی اسم هوش مصنوعی می‌آید، احتمالاً خیلی‌ها سریع یاد چت‌بات‌ها، تولید تصویر یا ابزارهای معروف هوش مصنوعی می‌افتند.

اما حوزه‌ی هوش مصنوعی بسیار گسترده‌تر است.

بینایی ماشین.

پردازش زبان طبیعی.

تشخیص الگو.

سیستم‌های توصیه‌گر.

یادگیری ماشین.

یادگیری عمیق.

پردازش گفتار.

رباتیک.

و حوزه‌های بسیار دیگری که هر کدام دنیای خودشان را دارند.

چیزی که کاربر نهایی می‌بیند، فقط بخش کوچکی از چیزی است که پشت آن اتفاق می‌افتد.

۵. ممکن است ساعت‌ها کار کنی و نتیجه چیزی نباشد که انتظار داشتی

این را شاید قبل از ورود به دانشگاه نمی‌دانستم.

گاهی برای یک پروژه کلی وقت می‌گذاری.

داده آماده می‌کنی.

کد می‌نویسی.

مدل را آموزش می‌دهی.

منتظر می‌مانی.

نتایج را بررسی می‌کنی.

و در نهایت...

مدل خوب کار نمی‌کند.

یا دقت آن چیزی نیست که انتظار داشتی.

یا کد خطا می‌دهد.

یا نتیجه‌ای که گرفتی با چیزی که تصور می‌کردی تفاوت زیادی دارد.

و اینجا یکی از مهم‌ترین مهارت‌ها شکل می‌گیرد:

توانایی ناامید نشدن از نتیجه‌ی اول.

در کارهای فنی، «کار نکردن» همیشه به معنی شکست نیست.

گاهی دقیقاً همان چیزی است که به تو نشان می‌دهد باید چه چیزی را تغییر بدهی.

۶. یک عدد به تنهایی چیزی را ثابت نمی‌کند

این یکی از چیزهایی است که با بیشتر شدن تجربه، بیشتر متوجهش می‌شوی.

مثلاً اگر کسی بگوید:

«مدل من ۹۷ درصد دقت دارد.»

اولین سؤال نباید این باشد که «وااای! چقدر خوب!»

باید بپرسی:

روی چه داده‌ای؟

چند نمونه؟

چه نوع مسئله‌ای؟

با چه معیاری ارزیابی شده؟

داده‌های آموزش و آزمون چطور تقسیم شده‌اند؟

آیا مدل روی داده‌های جدید هم عملکرد مناسبی دارد؟

و کلی سؤال دیگر.

در هوش مصنوعی، عددها مهم‌اند؛ اما معنای پشت عددها مهم‌تر است.

۷. قوی‌ترین مدل همیشه بهترین مدل نیست

این را هم احتمالاً کسی که تازه وارد حوزه شده کمتر انتظار دارد.

ممکن است یک مدل خیلی بزرگ و پیچیده عملکرد خوبی داشته باشد.

اما اگر قرار باشد آن را روی یک دستگاه کوچک اجرا کنی، ناگهان مسئله تغییر می‌کند.

حافظه محدود است.

توان پردازشی محدود است.

مصرف انرژی اهمیت پیدا می‌کند.

سرعت پاسخ‌گویی مهم می‌شود.

در چنین شرایطی شاید مدلی که کمی دقت پایین‌تری دارد، اما سبک‌تر و سریع‌تر است، انتخاب مناسب‌تری باشد.

این همان جایی است که می‌فهمی مهندسی فقط پیدا کردن «بیشترین عدد» نیست.

گاهی باید بین چند معیار مختلف تعادل برقرار کنی.

۸. پایان‌نامه فقط یک فایل چندصدصفحه‌ای نیست

قبل از اینکه پایان‌نامه داشته باشی، شاید تصور کنی یک موضوع انتخاب می‌کنی، چند مقاله می‌خوانی، آزمایش می‌کنی و در نهایت فایل را تحویل می‌دهی.

اما وقتی واقعاً واردش می‌شوی، متوجه می‌شوی بخش بزرگی از کار، پیدا کردن سؤال درست است.

اینکه دقیقاً چه مشکلی را می‌خواهی حل کنی؟

چرا این مشکل مهم است؟

روش‌های قبلی چه کرده‌اند؟

تو چه چیزی می‌خواهی اضافه کنی؟

چطور باید آزمایش کنی؟

چطور بفهمی نتیجه‌ات واقعاً معتبر است؟

و شاید سخت‌ترین قسمت:

وقتی نتیجه مطابق انتظار نیست، چه کار باید بکنی؟

برای من، این بخش از مسیر یکی از جاهایی بود که فاصله‌ی بین «درس دانشگاه» و «پژوهش واقعی» را بهتر نشان داد.

۹. مدرک به تنهایی کافی نیست

این شاید مهم‌ترین چیزی باشد که به کسی که می‌خواهد وارد این رشته شود می‌گویم.

دانشگاه می‌تواند پایه‌ی خوبی به تو بدهد.

می‌تواند مفاهیم را معرفی کند.

می‌تواند تو را با حوزه‌های مختلف آشنا کند.

اما در نهایت، اگر می‌خواهی وارد بازار کار شوی، باید خودت هم یاد بگیری.

پروژه انجام بدهی.

کد بنویسی.

اشتباه کنی.

مقاله بخوانی.

با ابزارهای واقعی کار کنی.

و مهم‌تر از همه، یاد بگیری چطور چیزهایی را که نمی‌دانی پیدا و یاد بگیری.

چون در حوزه‌ای مثل هوش مصنوعی، همه‌چیز آن‌قدر سریع تغییر می‌کند که حتی اگر امروز خیلی چیزها را بلد باشی، باز هم فردا چیزهای جدیدی برای یاد گرفتن وجود دارد.

۱۰. و چیزی که بیشتر از همه نمی‌دانستم...

فکر می‌کردم وقتی وارد رشته هوش مصنوعی و رباتیک می‌شوم، قرار است بیشتر درباره‌ی ماشین‌ها یاد بگیرم.

اما در عمل، بخش زیادی از مسیر به من یاد داد که چطور مسئله حل کنم.

چطور وقتی جواب را نمی‌دانم، از سؤال فرار نکنم.

چطور یک مشکل بزرگ را به قسمت‌های کوچک‌تر تقسیم کنم.

چطور نتیجه‌ای را که دوست ندارم، بررسی کنم.

چطور بفهمم یک عدد واقعاً چه معنایی دارد.

و چطور قبول کنم که گاهی «نمی‌دانم» شروع خوبی برای یاد گرفتن است.

اگر امروز کسی از من بپرسد:

«رشته هوش مصنوعی و رباتیک چطور رشته‌ای است؟»

دیگر نمی‌گویم:

«یعنی ساختن ربات و کار با هوش مصنوعی.»

احتمالاً می‌گویم:

اگر به حل مسئله، یاد گرفتن مداوم، برنامه‌نویسی، ریاضیات و فهمیدن اینکه ماشین‌ها چطور می‌توانند از داده‌ها یاد بگیرند علاقه داری، ممکن است این رشته برایت جذاب باشد.

اما اگر فقط به خاطر اینکه اسم «هوش مصنوعی» این روزها جذاب و پرسر و صداست می‌خواهی واردش شوی، بهتر است قبلش کمی بیشتر درباره‌ی خود رشته فکر کنی.

چون پشت آن ربات‌های جذاب و ابزارهای هوشمندی که هر روز می‌بینیم، ساعت‌ها ریاضی، کدنویسی، آزمایش، خطا و حل مسئله وجود دارد.

و شاید همین چیزی باشد که قبل از ورود به دانشگاه نمی‌دانستم:

هوش مصنوعی بیشتر از اینکه درباره‌ی ماشین‌های هوشمند باشد، درباره‌ی آدم‌هایی است که باید یاد بگیرند چطور مسئله‌های پیچیده را حل کنند.

هوش مصنوعیرباتیک
۳
۰
فرزانه کوئینی
فرزانه کوئینی
فرزانه کوئینی نویسنده و پژوهشگر هوش مصنوعی
شاید از این پست‌ها خوشتان بیاید