پرسش و پاسخ: آیا هوش مصنوعی یادگیری را سخت‌تر می‌کند؟ آنچه یک مدیر سابق می خواهد هر دانش آموز بداند

ویرایش شده توسط Swati Mestri، بررسی توسط اندرو زینین

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

زمانی که میریام فریدل در سال 2020 در Capital One شروع به کار کرد، هوش مصنوعی مولد همچنان یک کنجکاوی تحقیقاتی بود. زمانی که او در سال 2026 شرکت را به عنوان معاون مهندسی یادگیری ماشین ترک کرد، ابزارهای هوش مصنوعی در حال نوشتن کد، ساختن برنامه‌ها و تغییر شکل نحوه کار افراد بودند.

ما با فریدل، که اخیرا به دانشکده علوم داده دانشگاه ویرجینیا پیوسته است، در مورد واقعیت های ناوبری مدرسه و کار در عصر هوش مصنوعی صحبت کردیم. در این مصاحبه، فریدل مهارت‌های هوش مصنوعی را که کارفرمایان به دنبال آن هستند، توضیح می‌دهد، توضیح می‌دهد که علم داده چگونه تغییر کرده است و توضیح می‌دهد که چگونه می‌توان از این فناوری برای تقویت، اما نه جایگزین یادگیری استفاده کرد.

سخت ترین بخش علم داده، درک درستی مشکل برای حل است. اگر مجموعه داده های عظیمی دارید، هوش مصنوعی می تواند در برخی از کاوش و مدل سازی داده ها به شما کمک کند، اما نمی تواند به شما بگوید که آیا در وهله اول مشکل درستی را حل می کنید یا خیر. شما باید درک کنید که چرا ما کاری را که انجام می دهیم انجام می دهیم. ما در صدد رسیدن به چه چیزی هستیم؟ این چگونه بر انسان های واقعی تأثیر می گذارد؟ علم داده همچنین به زمینه‌های تجاری زیادی نیاز دارد، که اغلب به شکلی در دسترس نیست که بتواند به طور موثر توسط هوش مصنوعی استفاده شود.

آنچه ما در دانشکده علوم داده آموزش می دهیم برای درک نحوه عملکرد هوش مصنوعی است. توابع اتلاف، رگرسیون خطی، نزول گرادیان - اینها بلوک های سازنده در مسیر درک ترانسفورماتورها، معماری ای هستند که LLM ها بر اساس آن ساخته می شوند. اطمینان از اینکه دانش‌آموزان ما واقعا زیربنای فنی این فناوری را درک می‌کنند، آنها را قادر می‌سازد تا هم با دقت فنی و هم با شک و تردید از آن استفاده کنند.

تکیه کورکورانه به LLM ها می تواند مشکل ساز باشد زیرا آنها بسیار متعصب هستند. آنها اغلب فقط به شما چیزی را می گویند که می خواهید بشنوید، و این در واقع برای تصمیم گیری های تاثیرگذار بسیار بد است. شما به انسان دیگری نیاز دارید که به عقب براند و مطمئن شود که مشکل درست را به دلایل درست حل می کنید.

سیستم‌های هوش مصنوعی مولد بر اساس داده‌هایی که قبلا دیده‌اند خروجی تولید می‌کنند و می‌تواند زباله کامل باشد. مدل زیربنایی می گوید: "این پیش بینی من است. در اینجا آنچه کاربر بر اساس آنچه می پرسد و آنچه من دیده ام می خواهد."

LLM ها این کار را در مقیاس پیچیده تری انجام می دهند. درک نکردن ماهیت این فناوری می تواند باعث شود مردم به آنچه در حال بیرون آمدن است اعتماد کورکورانه داشته باشند. شما باید نسبت به آنچه می بینید شک و تردید سالم داشته باشید.

بخشی از آن ناشی از دانش و تجربه شماست، و بخشی از آن ناشی از درک اساسی تر از داده ها و نحوه عملکرد این مدل ها و سیستم ها است. ما سخت تلاش می کنیم تا این درک را در دانش آموزان خود القا کنیم.

یکی از چیزهایی که از صنعت برای من تغییر بزرگی داشته است این است که چگونه از هوش مصنوعی در زمانی که سال ها (یا حتی دهه ها) تخصص دارید در مقابل زمانی که برای اولین بار چیزی یاد می گیرید، استفاده کنم. بسیاری از شرکت ها همکارانی دارند که از هوش مصنوعی در مواردی استفاده می کنند که قبلا در آنها متخصص هستند، بنابراین آنها درک خوبی از نحوه سنجش خروجی دارند و می تواند یک شتاب دهنده واقعی باشد. برای دانش‌آموزانی که برای اولین بار مفاهیم اساسی را یاد می‌گیرند، هنوز دانشی در مورد چگونگی بهینه‌سازی هوش مصنوعی به دست نیاورده‌اند.

اگر دانش‌آموزی هستید که از هوش مصنوعی استفاده می‌کنید، باید برای مواردی باشد که می‌توانید پاسخ آنها را تأیید کنید. اگر دانش‌آموزان فقط چیزهایی را در Claude یا ChatGPT قرار می‌دهند و فرض می‌کنند که پاسخی که می‌دهد صادقانه است، بدون اینکه هیچ راهی برای تأیید آن وجود داشته باشد، این استفاده خوبی از هوش مصنوعی نیست و می‌تواند فرآیند یادگیری شما را کوتاه کند.

توانایی فکر کردن به مشکلات سخت و ناامید شدن و پیشروی - اینگونه یاد می گیرید و اینگونه نوآوری می کنید. چیزهای جدید ایجاد می شوند زیرا بعضی چیزها سخت هستند.

از هوش مصنوعی برای تازه کردن چیزهایی که می دانید در ذهن خود استفاده کنید. اگر هرگز یک رگرسیون خطی در پایتون یا R ایجاد نکرده‌اید و سعی می‌کنید یاد بگیرید که چگونه کار می‌کند و خروجی‌ها چیست، هوش مصنوعی می‌تواند در شروع کار و گیر کردن شما بسیار مفید باشد، اما باید به سختی فکر کنید. از هوش مصنوعی مانند یک TA، مانند یک شریک مبارزه استفاده کنید، اما شما باید در واقع کار را انجام دهید. اگر تبدیل به این شود که "فقط از کلود می خواهم به من بگوید چه کار کنم"، جایگزین یادگیری شما می شود.

Claude Code واقعا از نظر کیفیت کدی که یک LLM می تواند تولید کند، نوار را افزایش داد. همچنین می‌تواند به چیزهایی کمک کند که می‌توانند احساس سختی کنند یا در فرآیند یادگیری شما نقشی اساسی ندارند. اخیرا از آن برای کمک به ایجاد طرح هایی برای به اشتراک گذاشتن با دانش آموزانم استفاده کرده ام. من هرگز نمی توانم به یاد بیاورم که نحو را ترسیم کنم، و هوش مصنوعی به آزاد کردن زمان من کمک می کند تا در مورد مفاهیم اساسی بیشتری که می خواهم آموزش دهم فکر کنم، بنابراین درگیر ساختن یک طرح دقیقا همانطور که می خواهم، درگیر نشوم.

در Capital One، ما دوست داشتیم سعی کنیم همه چیز را به‌جز تفکر خلاق و حل مسئله، خودکار کنیم. از این ابزارها استفاده کنید تا شما را از کارهایی که تکراری هستند و نیازی به مشارکت انسانی زیادی ندارند رها کنید. این به ما فرصت می دهد تا به مشکلات پیچیده تر و جالب تر فکر کنیم.

من معمولا دوست دارم به این سؤال پاسخ دهم و به دانشجویان بگویم که کارفرمایان به دنبال چه چیزی نیستند. تایپ یک درخواست در ChatGPT، چند دقیقه صبر کردن و برش و چسباندن پاسخ بدون بازبینی یک مهارت نیست.

کارفرمایان به دنبال افرادی هستند که بصیرت داشته باشند تا بدانند چه زمانی هوش مصنوعی شتاب دهنده ای برای پیشبرد نوآوری است و چه زمانی که کارها را اشتباه می کند. وقتی از پایتخت وان خارج شدم، اگر شما کدی را که توسط یک مامور نوشته شده بود مرتکب می‌شدید، می‌گفتید: "من، انسان، مسئول کارهایی هستم که این کد انجام می‌دهد."

وقتی خطری در میان باشد، آنها به دنبال افرادی هستند که قضاوت خوبی داشته باشند و بتوانند صاحب این ریسک شوند. این امر مستلزم دانش بهترین شیوه‌های کدنویسی و طراحی سیستم‌ها و توانایی شناسایی زمانی است که چیزها ممکن است شکست بخورند. داشتن درک عمیق از اصول فنی، شما را در استفاده موثر از هوش مصنوعی بسیار بهتر می کند.

اگر دانشمند داده هستید، کارفرمایان می‌خواهند بدانند چگونه می‌توانید از هوش مصنوعی برای ایجاد خطوط لوله یا سرعت بخشیدن به فرآیند توسعه مدل استفاده کنید. این ممکن است مانند عاملی به نظر برسد که با دانش خاص یا نرده‌هایی که شما در جای خود قرار داده‌اید، مدلی می‌سازد.

اگر شما یک محقق هستید، کارفرمایان به دنبال شخصی هستند که عمیقا معماری LLM و نحوه مشارکت شما در مرز را درک کند.

اگر مهندس هستید، کارفرمایان از شما می‌پرسند که آیا می‌توانید سیستم‌هایی بسازید که از LLM به عنوان بخشی از یک اکوسیستم گسترده‌تر استفاده کنید. آنها می خواهند بدانند که شما می توانید از ابزار هوش مصنوعی هم برای نوشتن کد و هم برای ساخت عوامل استفاده کنید، و اینکه می توانید کد تولید شده را به درستی تست کنید و مطمئن شوید که همان کاری را که فکر می کنید انجام می دهد انجام می دهد.

در کل، اگر بتوانید اپلیکیشنی بسازید که از هوش مصنوعی استفاده کند یا مهارتی برای کارهای تکراری بنویسید، از مزیت خواهید بود.

سخت ترین مشکلاتی که من به عنوان یک مدیر اجرایی باید با آن دست و پنجه نرم می کردم، چالش های تکنولوژیکی نبودند. آنها در حال کشف مشکل مناسب برای حل، اجرای آن و کار با انسان های دیگر بودند. مهارت‌های فنی مهم است، اما ارتباط مؤثر و تمایل به حل مشکلات مهم است.

این به معنای برخورد با ناامیدی (هم از من و هم دیگران)، دادن و دریافت بازخورد دشوار و مدیریت دیدگاه های متضاد بود. گاهی اوقات لازم است برای تیم خود تصمیماتی بگیرید که ممکن است کسی را ناراحت کند.

اگر به رهبری علاقه دارید، مهم است که از خود بپرسید: "آیا می توانم برای حل مشکلات سخت سخت تلاش کنم و آیا می توانم با سایر انسان ها به شیوه ای منصفانه و مهربانانه برخورد کنم؟"

سواتی مستری دارای مدرک لیسانس در مهندسی الکترونیک است و از سال 2019 به عنوان ویرایشگر محتوا کار کرده است. او ویرایش اسناد تحقیقاتی در زمینه فناوری، مراقبت های بهداشتی و علم مواد را تجربه کرده است و علاقه خاصی به فناوری و فضا دارد. نمایه کامل →

فوق لیسانس فیزیک با تجربه تحقیق. علاقه مندان به اخبار علمی طولانی مدت. نقش کلیدی در موفقیت سرمقاله Science X ایفا می کند. نمایه کامل →