پیش به سوی بی نهایت ها

​

 در دنیایی که هرروز نفوذ و تأثیر هوش مصنوعی در همه‌ی صنایع گسترش می‌یابد، آیا هنوز به وجود شرکت‌ها نیاز داریم؟

پیشرفت‌های اخیر هوش مصنوعی و فناوری‌های کامپیوتری باعث می‌شود ما دوباره به برخی سؤالات بنیادین برگردیم: یک بنگاه (شرکت)، چیست؟ شرکت‌ها چه‌کارهایی را بهتر از بازارها انجام می‌دهند؟ ویژگی‌های متمایز شرکت‌ها در عصر قراردادهای هوشمند و هوش مصنوعی چیست؟

در کنار پیشرفت پرسرعت AI، گفتگوها و مباحثات زیادی در مورد این سؤال که «پس چه چیزی برای انسان‌ها باقی‌مانده است؟» صورت گرفته است. اغلب پاسخ‌ها به این نکته اشاره دارند که انسان‌ها، باید روی اموری متمرکز شوند که مختص و منحصر به آن‌ها است: خلاقیت، شهود و همدلی شخصی. اکنون سؤال دیگری مطرح می‌شود: پس شرکت‌ها چه می‌شوند؟

این سؤال از بسیاری جهات یک سؤال قدیمی محسوب می‌شود. اقتصاددانان مشهوری نظیر رونالد  (برنده‌ی جایزه‌ی 

نوبل اقتصاد ۱۹۹۱) و الیور ئی. ویلیامسون معتقد بودند که کار اصلی شرکت‌ها این است که به روش‌های کارآمد، فرم‌های پیچیده‌ی فعالیت‌های اقتصادی را هماهنگ کنند. اگر فناوری کامپیوتر، توانایی ساده و مؤثر سازی تراکنش‌های هزینه را داشته باشد، با فراگیر شدن قراردادهای هوشمند، نقش سنتی مدیریتی نیروهای انسانی کاملاً حذف می‌شود.

برای مثال وقتی به الکسا می‌گوییم «مقدار بیشتری غذای سگ سفارش بده» زنجیره‌ای از فعالیت‌ها شروع می‌شود و چند ساعت بعد، سفارش را دریافت می‌کنیم. در این پروسه هیچ نیروی انسانی دخالت نداشته است. یک شرکت واحد این پروسه را هماهنگ کرده است، اما افراد ثالثی نیز در آن حضور دارند (مثل تولیدکنندگان غذای سگ، تحویل‌دهندگان). گروه ثالث نیز فعالیت‌های خود را با 

آمازون هماهنگ و یکپارچه کرده‌اند.

استدلال هماهنگ‌سازی، به معنی درون‌سازی تراکنش‌ها و تبادلات و باهدف افزایش کارایی آن‌ها است. اما آیا این استدلال، علت واقعی وجود شرکت‌ها است؟  جولیان بیرکینشاو، استاد استراتژی و کارآفرینی دانشکده‌ی بازرگانی لندن، در یکی از مقالات جدید خود توضیح می‌دهد که با در نظر گرفتن نقش کامپیوترها به‌عنوان تسهیل‌کنندگان تراکنش‌ها و تبادلات، حالا بنگاه‌ها در چهار حوزه نقش منحصربه‌فردی به عهده‌دارند.

​

شرکت‌ها تنش بین اولویت‌های رقابتی را مدیریت می‌کنند

در حال حاضر شرکت‌ها باید از منابع سابق خود، حداکثر بهره‌برداری را بکنند تا سود به دست آورند. درعین‌حال آن‌ها باید به دنبال منابع جدید «مزیت» باشند، تا از حیات و بقای آتی خود مطمئن شوند. برقراری تعادل بین این دو فعالیت، کمی عجیب به نظر می‌رسد. درواقع شرکت‌ها باید بین «بهره‌برداری» و «اکتشاف» تعادل برقرار کنند.

هوش مصنوعی با راهکارهایی نظیر اتوماسیون پروسه‌ها، بهبود روش‌های حل مسئله و تضمین کیفیت، به شرکت‌ها کمک می‌کند از منابع سودآور فعلی خود بهتر استفاده کنند. به‌علاوه هوش مصنوعی می‌تواند در جستجوی منابع جدید سودآور هم باشد. مثال معروف این قضیه، AlphaGo است. این برنامه‌ی کامپیوتری، استراتژی برنده‌ای را ارائه داد که هیچ بازیکن انسانی تاکنون به آن دست نیافته بود. حالا کامپیوترها قطعات موسیقی می‌نویسند و مناظری شبیه به نقاشی‌های پیکاسو را نقاشی می‌کنند.

مقالات مرتبط:

• تأثیر هوش مصنوعی بر سطوح تصمیم‌گیری سازمانی

• چگونه با استفاده از هوش‌ مصنوعی ارتباط با مشتری را قوی ‌تر کنیم

اما AI، در زمینه‌ی مدیریت تنش بین این فعالیت‌ها، مفید واقع نمی‌شود، یعنی به‌عنوان‌مثال نمی‌داند که چه فعالیتی باید بیش از سایرین انجام شود. چنین انتخاب‌هایی مستم تصمیم‌گیری دقیق است: وزن بخشیدن به فاکتورهای کمی و کیفی، حساسیت به شرایط و دخیل کردن فاکتورهای حسی و شهودی به پروسه‌ها. این قابلیت‌ها به هوش و ساختار سازمانی وابسته‌اند و در حال حاضر AI هیچ کمکی به آن‌ها نمی‌کند. پروژه‌ی Project Debater شرکت 

IBM، دقیقاً نشان داد که AI به لحاظ ساخت و تفسیر یک دیدگاه، بسیار قدرتمند عمل می‌کند اما به همان اندازه انسان‌ها نیز در توازن بخشیدن به دیدگاه‌ها و نقطه‌نظرها، موفق‌تر هستند.

​

شرکت‌ها با در نظر گرفتن چشم‌انداز بلندمدت، ارزش ایجاد می‌کنند

شرکت‌ها نه‌تنها به‌طور روزانه اختلافات بهره‌برداری و اکتشاف منابع را برطرف می‌کنند، بلکه در بلندمدت نیز این تنش‌ها را مدیریت می‌کنند. سامانتا گوشال و پیتر موران، همکاران بیرکینشاو در مقاله‌ای به‌تفصیل توضیح می‌دهند که شرکت‌ها برخلاف بازار، منابع را برای بهترین استفاده‌ی کوتاه‌مدت به کار نمی‌گیرند. شرکت‌ها عمدتاً منابع را به شیوه‌ای به کار می‌گیرند که در بلندمدت بیشترین ارزش را ایجاد کنند. این منطقِ «یک گام به عقب، دو گام به جلو»، خودش را در پروژه‌های ریسک‌پذیر 

تحقیق و توسعه، دستیابی به اهداف پایداری، پرداخت دستمزدهای بالاتر از نرخ متوسط بازار به‌منظور بهبود وفاداری و نظیر آن نشان می‌دهد. در این زمینه، هوش مصنوعی تنها در صورتی می‌تواند استراتژی‌های هوشمندانه‌ای را طراحی کند که قوانین بازی از پیش تعیین‌شده و پایدار باشد. به این مثال توجه کنید:

Innovator’s Dilemma یا اختلال نوآوری، توصیف زمانی است که یک تکنولوژی جدید و رو به رشد، به حدی فراگیر می‌شود که مدل کسب‌وکار شرکت‌ها را مختل می‌کند. به همین دلیل ما باید پیش از وقوع چنین حادثه‌ای، روی تکنولوژی‌های مدرن سرمایه‌گذاری کنیم. همان‌طور که جف بزوس می‌گوید، شرکت‌های موفق همیشه باید برای استقبال و سازگاری با فناوری‌های جدید آمادگی داشته باشند. آیا هوش مصنوعی می‌تواند این مفهوم را درک کند؟

​

شرکت‌ها از طریق اهداف خود، ارزش ایجاد می‌کنند

بعد دوم تفکر بلندمدت، 

انگیزه بخشی فردی و تیمی است. راتان تاتا واژه‌ی هدف را دکمه‌ی CTA روحی یا «فراخوان اخلاقی و معنوی برای عمل» معنی می‌کند. همان چیزی که باعث می‌شود مردم به تلاش‌های دائمی و همیشگی خود بپردازند.، ساعت‌ها کار کنند و اشتیاق و 

خلاقیت خود را به محیط کار هدیه کنند.

این مفهوم که شرکت، دارای نوعی کیفیت اجتماعی (هدف یا هویت) است که فراتر از مفاهیم اقتصادی قرار دارد، موضوع جدیدی نیست و از زمانه‌ای دور متخصصان و دانشمندان زیادی به آن اشاره‌کرده‌اند. بااین‌حال هنوز هم افرادی که شرکت‌ها را در چهارچوب قرارداد و معاملات خلاصه می‌کنند، فکر می‌کنند کارمندان صرفاً از پاداش‌های بیرونی انگیزه می‌گیرند.

این افراد باید نگاهی به سازمان‌های خیریه، جنبش‌های نرم‌افزاری اوپن سورس و بسیاری از مؤسسات غیرخصوصی دیگر داشته باشند. در این صورت متوجه می‌شوند زمانی که بحث 

پول در میان نباشد، مردم واقعاً سخت‌تر و پرانرژی‌تر کار می‌کنند. وظیفه‌ی رهبر این است که هدف شرکت را به شیوه‌ای با کارمندان و هواداران به اشتراک بگذارد که انگیزه‌های عاطفی آن‌ها را تقویت کند. این اقدام، عملی منحصراً انسانی است.

به‌عبارت‌دیگر، شرکت‌های موفق با نهادینه کردن حس هدف و هویت، کارکنان و مشتریان را جذب می‌کنند. وقتی فنّاوری خاصی مثل بلاک چین، سیستمی را بنا می‌گذارد که قابل هک شدن نیست و فرصت‌طلبان نمی‌توانند از آن استفاده‌های نادرستی کنند؛ بازهم مردم ترجیح می‌دهند اعتقاد و ایمان خود را به سایر مردم حفظ کنند.

​

 شرکت‌ها با ترویج رفتارهای غیرمنطقی، ارزش ایجاد می‌کنند

ما افراد زیادی را می‌شناسیم که با به چالش کشیدن قوانین، به 

موفقیت دست‌یافته‌اند مثل استیو جابز، ایلان ماسک و ریچارد برانسون. این افراد کاملاً غیرمنطقی، بجای اینکه خودشان را با قوانین جهان سازگار کنند، به دنبال انطباق جهان با دیدگاه خود بودند. واقعیت این است که اگر می‌خواهیم پیشرفتمان را فراتر از l,hvnd آنچه قبلاً دیده و شناخته‌شده، ببینیم، به چنین افرادی در شرکتمان نیاز داریم.

غیرمنطقی بودن، ماهیتی متضاد با دنیای هوش مصنوعی است. کامپیوترها از طریق الگوریتم‌های پیچیده یا با استناد به داده‌های قبلی کار می‌کنند و در هر دو مورد نمی‌توانند از چهارچوب‌ها خارج شوند.

برای مثال در حوزه‌ی مدیریت سرمایه‌گذاری، پلتفرم‌ها و مشاورهای آنلاین (Robo-advisor) با هزینه‌ای بسیار کمتر از مشاورهای مالی انسانی، هم معامله می‌کنند و هم مشاوره‌ی سرمایه‌گذاری ارائه می‌دهند. اما همان‌طور که فاینانشال تایمز سال گذشته نوشت «در بحث سرمایه‌گذاری، حماقت انسانی هوش مصنوعی را شکست می‌دهد». به‌عبارت‌دیگر اگر شما می‌خواهید بازار را شکست دهید، باید برخلاف حرکت همگان اقدام کنید، برخلاف دانش درک شده‌ی بازار تصمیم بگیرید و البته، ریسک این انتخاب را بپذیرید. شما باید بدانید که شاید قضاوت و زمان‌بندی اشتباهی کرده باشید. این دو ویژگی، مختص انسان است.

بنابراین یکی از ویژگی‌های متمایز شرکت‌ها این است که این نوع رفتار غیرمنطقی را پرورش می‌دهند. البته، بسیاری از شرکت‌ها با استفاده از سیستم‌های دقیق کنترل و مجازات کردن شکست‌ها، سعی می‌کنند واریانس موجود را کاهش دهند. استدلال این است که با افزایش نفوذ و تأثیر هوش مصنوعی، بسیاری از فعالیت‌های پایه و قراردادهای ساده خودکار می‌شوند. در این مرحله حرکت شرکت‌ها به سمت دیگری خواهد بود: پرورش افکار خارج از چهارچوب، تشویق تست و آزمون‌وخطا و تحمل شکست.

ویتالیک بوترین در یکی از مقالات اخیر Fast Company توضیح داد که چگونه می‌توان از طریق برنامه‌های اتریوم، تمامی عناصر سرویس اوبر را فراهم کرد، به‌طوری‌که به‌صورت کاملاً یکپارچه کار کنند. به گفته‌ی او کل فرایند اساساً مثل قبل خواهد بود، با این تفاوت که نقش عامل واسطه (اوبر) حرف می‌شود. شاید حرف بوترین درست باشد، ولی وماً به این معنی نیست که یک سرویس کامپیوتری، بهترین گزینه است.

برای مثال، در سال ۲۰۱۶ یک سازمان مستقل توزیع‌شده (DAO) در اتریوم راه‌اندازی شد. ایده این بود که سیستم فوق، بدون دخالت انسان، با استفاده از قوانین تعیین‌شده و تکنولوژی بلاکچین، به‌صورت یکپارچه کار می‌کند. اما این سیستم نقص فنی کوچکی داشت و همین نقص باعث شد یکی از کاربران، ۵۵ میلیون دلار را از این سیستم مالی خارج کند. این حادثه باعث شد بنیان‌گذاران اتریوم برای اولین بار Hard Fork را در بلاکچین خود ایجاد کنند و پول ازدست‌رفته را بازگردانند.

مهم نیست که قدرت تکنولوژی تا کجا افزایش می‌یابد. گاهی اوقات مقدار کمی قضاوت انسانی لازم است تا موارد را به مسیر درست هدایت کند.

​

پیش به سوی بی نهایت ها

علم داده چیست؟

اساس علم داده یا دیتا ساینس (به انگلیسی Data Science) متشکل از نظریه‌ها و مباحث مرتبط با چند رشتهٔ علمی مختلف است. در آن، با استفاده از روش‌های علمی، الگوریتم‌ها، فرایندها و سامانه‌های مختلف سعی می‌شود تا از داده‌های ذخیره‌شدهٔ سازمان‌ها و مؤسسه‌ها به مقاصد مختلف بهره‌برداری بشود. دانشمند داده باید در زمینه‌ها مختلفی مهارت داشته باشد که مهم‌ترین آن‌ها مفاهیم آماری، علوم کامپیوتری و دانش مرتبط با دنیای کسب‌وکار است. کار اصلی دانشمند داده تجزیه‌وتحلیل داده‌هایی است که در بانک‌های اطلاعاتی سازمان‌ها و مؤسسه‌ها ذخیره‌سازی شده‌اند. داده‌هایی که از اینترنت، گوشی‌های هوشمند، مشتری‌ها و … گردآوری شده‌اند.
در علم داده سعی بر آن است تا با واکاوی و تجزیه‌وتحلیل داده‌ها، اطلاعات ارزشمندی در اختیار مسئولان سازمان‌ها قرار داده بشود تا با استفاده از آن، بتوانند با نوآوری بیشتری خدمات خود را ارائه یا محصولات‌شان را تولید کنند و به‌دنبال آن، بازخورد بهتری دریافت کنند. داده‌های سازمان در این فرایند نقش کلیدی دارند، اما مهم‌تر از آن اطلاعاتی است که با تخصص و مهارت دانشمند داده حاصل می‌شود و فعالیت‌های آتی سازمان، بر اساس آن برنامه‌ریزی می‌شوند.

مهارت‌های مورد نیاز برای فعالیت در حوزهٔ علم داده

۱. تجربه و مهارت در کار بار زبان‌های برنامه‌نویسی کامپیوتر 

۲. داشتن اطلاعات کاربردی در زمینهٔ فعالیت: دانشمند داده باید درک کاملی از زمینه‌ای که در آن فعالیت می‌کند (زمینهٔ کاری مؤسسه یا سازمانی که برای آن کار می‌کند) داشته باشد. تنها در این صورت می‌تواند راه‌حل مناسب را برای مسائل پیچیده ارائه کند. راه‌حلی که در هماهنگی با اهداف سازمان محل فعالیتش باشد.

۳. مهارت‌های ارتباطی: یافته‌های دانشمند داده فنی و تحلیلی هستند. او باید این یافته‌ها را به‌شکلی قابل‌فهم و به زبانی ساده در اختیار بخش مربوطه در سازمان محل فعالیت قرار بدهد. به‌علاوه صرف تخصص در علم داده کافی نیست و دانشمند داده باید با برقراری ارتباط مؤثر با بخش‌های غیرفنی سازمان (به‌عنوان مثال تیم‌های بازاریابی) درک کاملی از نیازهای آن‌ها پیدا کند. تنها در این صورت است که قادر به تجزیه‌وتحلیل درست داده‌ها خواهد بود.

۴. داشتن مهارت فنی در سطح عالی در زمینه‌های زیر:

• ریاضیات (جبر خطی، حسابداری، احتمالات)؛
• آمار؛
• ابزارها و تکنیک‌های یادگیری ماشین (به انگلیسی Machine Learning که یکی از شاخه‌های هوش مصنوعی است و در آن به تنظیم و طراحی الگورتیم‌هایی پرداخته می‌شود که با استفاده از آن‌ها بتوان امکان یادگیری روندها را برای کامپیوتر و برخی سیستم‌ها فراهم کرد)؛
• داده‌کاوی (فرآیند شناسایی روندهای مختلف در حجم زیادی از داده‌ها)؛
• پاکسازی داده (پیدا کردن داده‌های بی‌ارزش یا نادرست و اصلاح یا حذف آن‌ها)؛
• تکنیک‌های گزارش‌نویسی و مصورسازی داده (شاخه‌ای از آمار توصیفی و مرتبط به مطالعهٔ چگونگی نمایش داده و انتقال اطلاعات است)؛
• تکنیک‌های مرتبط با داده‌های ساختارنیافته.

ویژگی‌های دانشمند داده

دانشمند علم داده باید در چند زمینهٔ مختلف دانش و تخصص داشته باشد. مهم‌ترین این زمینه‌ها، دانش آماری و مهارت‌های کامپیوتری لازم برای حل کردن مسائل پیچیده است. او با استفاده از انواع مدل‌های توصیفی، پیش‌بینی و استنباطی قادر به ریشه‌یابی و پیش‌بینی مشکلات احتمالی خواهد بود و بر اساس عوامل مختلف راه‌حل مناسب برای آن‌ها را ارائه خواهد کرد.

دانشمند داده علاوه بر تخصص در زمینهٔ علوم کامپیوتری، با ریاضیات هم آشنا است. مهارت‌های فرد متخصص در علم داده از حوزه‌های تکنولوژی و کسب‌وکار فراتر می‌رود. به همین خاطر است که تمامی سازمان‌ها و مؤسسه‌های کوچک و بزرگ به‌دنبال افراد متخصص در علم داده می‌گردند.

آموزش علم داده

تبدیل شدن به دانشمند داده کار ساده‌ای نیست و به مجموعه‌ای از تخصص‌ها و مهارت‌های مختلف نیاز دارد. اما نباید فراموش کرد که در حال حاضر، فرصت‌های شغلی بسیار خوبی برای افراد متخصص در علم داده وجود دارد و کسب مهارت در آن، می‌تواند به‌منزلهٔ مهاجرت به آمریکا، کانادا، مهاجرت به استرالیا و دیگر کشورهای توسعه‌یافته باشد و مشخصاً، چشم‌انداز بسیار روشنی برای آینده به‌دنبال دارد. راهکار اول برای کسب تخصص در علم داده کمی طولانی‌تر است و شامل سه مرحلهٔ زیر می‌شود:

1. دریافت مدارک تحصیلی در مدارج لیسانس، فوق لیسانس یا دکتری در یکی از رشته‌های مهندسی صنایع، علوم کامپیوتر، فناوری اطلاعات، ریاضی، فیزیک یا رشته‌ای مرتبط با موارد یاد شده همچون مدیریت؛
2. گذراندن دوره‌های آموزشی و دریافت مدرک معتبر در زمینهٔ علوم داده یا رشته‌ای مرتبط با آن؛
3. کسب تخصص در زمینه‌ای که قصد فعالیت در آن را دارید (همچون حوزه‌های صنایع، سلامت، بازاریابی، کسب‌وکار و …).

مهارت‌های مورد نیاز برای فعالیت در حوزهٔ علم داده

۱. تجربه و مهارت در کار بار زبان‌های برنامه‌نویسی کامپیوتر (در برنامه‌های آموزش علم داده که در ادامه شرح داده خواهد شد، کار با دو زبان برنامه‌نویسی R و Python آموزش داده می‌شود).

۲. داشتن اطلاعات کاربردی در زمینهٔ فعالیت: دانشمند داده باید درک کاملی از زمینه‌ای که در آن فعالیت می‌کند (زمینهٔ کاری مؤسسه یا سازمانی که برای آن کار می‌کند) داشته باشد. تنها در این صورت می‌تواند راه‌حل مناسب را برای مسائل پیچیده ارائه کند. راه‌حلی که در هماهنگی با اهداف سازمان محل فعالیتش باشد.

۳. مهارت‌های ارتباطی: یافته‌های دانشمند داده فنی و تحلیلی هستند. او باید این یافته‌ها را به‌شکلی قابل‌فهم و به زبانی ساده در اختیار بخش مربوطه در سازمان محل فعالیت قرار بدهد. به‌علاوه صرف تخصص در علم داده کافی نیست و دانشمند داده باید با برقراری ارتباط مؤثر با بخش‌های غیرفنی سازمان (به‌عنوان مثال تیم‌های بازاریابی) درک کاملی از نیازهای آن‌ها پیدا کند. تنها در این صورت است که قادر به تجزیه‌وتحلیل درست داده‌ها خواهد بود.

۴. داشتن مهارت فنی در سطح عالی در زمینه‌های زیر:

• ریاضیات (جبر خطی، حسابداری، احتمالات)؛
• آمار؛
• ابزارها و تکنیک‌های یادگیری ماشین (به انگلیسی Machine Learning که یکی از شاخه‌های هوش مصنوعی است و در آن به تنظیم و طراحی الگورتیم‌هایی پرداخته می‌شود که با استفاده از آن‌ها بتوان امکان یادگیری روندها را برای کامپیوتر و برخی سیستم‌ها فراهم کرد)؛
• داده‌کاوی (فرآیند شناسایی روندهای مختلف در حجم زیادی از داده‌ها)؛
• پاکسازی داده (پیدا کردن داده‌های بی‌ارزش یا نادرست و اصلاح یا حذف آن‌ها)؛
• تکنیک‌های گزارش‌نویسی و مصورسازی داده (شاخه‌ای از آمار توصیفی و مرتبط به مطالعهٔ چگونگی نمایش داده و انتقال اطلاعات است)؛
• تکنیک‌های مرتبط با داده‌های ساختارنیافته.

ویژگی‌های دانشمند داده

دانشمند علم داده باید در چند زمینهٔ مختلف دانش و تخصص داشته باشد. مهم‌ترین این زمینه‌ها، دانش آماری و مهارت‌های کامپیوتری لازم برای حل کردن مسائل پیچیده است. او با استفاده از انواع مدل‌های توصیفی، پیش‌بینی و استنباطی قادر به ریشه‌یابی و پیش‌بینی مشکلات احتمالی خواهد بود و بر اساس عوامل مختلف راه‌حل مناسب برای آن‌ها را ارائه خواهد کرد.

دانشمند داده علاوه بر تخصص در زمینهٔ علوم کامپیوتری، با ریاضیات هم آشنا است. مهارت‌های فرد متخصص در علم داده از حوزه‌های تکنولوژی و کسب‌وکار فراتر می‌رود. به همین خاطر است که تمامی سازمان‌ها و مؤسسه‌های کوچک و بزرگ به‌دنبال افراد متخصص در علم داده می‌گردند.

آموزش علم داده

تبدیل شدن به دانشمند داده کار ساده‌ای نیست و به مجموعه‌ای از تخصص‌ها و مهارت‌های مختلف نیاز دارد. اما نباید فراموش کرد که در حال حاضر، فرصت‌های شغلی بسیار خوبی برای افراد متخصص در علم داده وجود دارد و کسب مهارت در آن، می‌تواند به‌منزلهٔ مهاجرت به آمریکا، کانادا، مهاجرت به استرالیا و دیگر کشورهای توسعه‌یافته باشد و مشخصاً، چشم‌انداز بسیار روشنی برای آینده به‌دنبال دارد. راهکار اول برای کسب تخصص در علم داده کمی طولانی‌تر است و شامل سه مرحلهٔ زیر می‌شود:

1. دریافت مدارک تحصیلی در مدارج لیسانس، فوق لیسانس یا دکتری در یکی از رشته‌های مهندسی صنایع، علوم کامپیوتر، فناوری اطلاعات، ریاضی، فیزیک یا رشته‌ای مرتبط با موارد یاد شده همچون مدیریت؛
2. گذراندن دوره‌های آموزشی و دریافت مدرک معتبر در زمینهٔ علوم داده یا رشته‌ای مرتبط با آن؛
3. کسب تخصص در زمینه‌ای که قصد فعالیت در آن را دارید (همچون حوزه‌های صنایع، سلامت، بازاریابی، کسب‌وکار و …).

شرح وظایف دانشمند داده

وظیفهٔ اصلی دانشمند داده استخراج معانی مختلف و کاربردی از انواع داده است (ساختار‌یافته، نیمه‌ساختاریافته، ساختارنیافته). داده‌ای که به‌طور بی‌وقفه وارد بانک‌های اطلاعاتی سازمان می‌شود. استخراج داده از بانک‌های اطلاعاتی، فراهم کردن داده برای تجزیه‌وتحلیل‌های گوناگون، طراحی و ساخت مدل‌های آماری و تألیف گزارش‌هایی به زبان ساده و قابل‌فهم از داده‌های مصورسازی شده (گزارش‌هایی که در اختیار مسئولان سازمان قرار می‌گیرد)، از مهم‌ترین وظایف دانشمند داده هستند. در ادامه می‌توانید سایر وظایف دانشمند داده را مشاهده کنید:

• گردآوری داده؛
• آماده‌سازی داده؛
• تجزیه‌وتحلیل داده‌های اکتشافی (به‌اختصار EDA؛ مرحلهٔ اول در تحلیل هرگونه داده است و شامل بررسی اشتباهات و فعالیت‌های این‌چنینی می‌شود)؛
• ارزیابی و تفسیر نتایج حاصل‌شده از تجزیه‌وتحلیل داده‌های اکتشافی؛
• طراحی و ساخت مدل‌های آماری؛
• امتحان کردن و گسترش این مدل‌ها؛
• بهینه‌سازی مدل‌ها.

چشم‌انداز فعالیت در زمینهٔ علم داده

با کسب تخصص در زمینهٔ علم داده و فعالیت در آن علاوه بر داشتن امنیت شغلی، چشم‌اندازی بسیار امیدوارکننده پیش رو خواهید داشت. در حال حاضر دستمزدهای در نظر گرفته‌شده برای کسانی که در این زمینه تخصص دارند بیشتر از میانگین دستمزدهای شغل‌های دیگر است (به‌عنوان مثال دستمزد دانشمند داده در مقایسه با مهندس نرم‌افزار و تحلیل‌گر داده ۵۰٪ بیشتر است) و به‌علاوه، انتظار می‌رود طی سال‌های آتی نیاز به افراد متخصص در علم داده بیشتر و بیشتر بشود.

در حال حاضر سازمان‌ها و کسب‌وکارهای مختلف بیش از هر زمان دیگری برای تصمیم‌گیری متکی به داده‌های جمع‌آوری‌شده در بانک‌های اطلاعاتی‌شان هستند. به همین خاطر نیاز به کسانی که توانایی سازماندهی، گردآوری، تفسیر و استخراج الگوها و برآورد روندهای مختلف از داده‌ها را داشته باشند، محسوس‌تر از همیشه است. گردآوری داده توسط کسب‌وکارها مسئله‌ای است که در آینده با جدیت بیشتری ادامه خواهد یافت. با این تفاسیر طی سال‌های آتی تقاضا برای افراد متخصص در زمینهٔ علم داده روندی روبه‌رشد خواهد داشت.

پیش به سوی بی نهایت ها