مهندس یادگیری عمیق کیست و چه مهارت‌هایی باید داشته باشد؟

از دیدگاه کار و اشتغال، دو نقش مهم در دنیای یادگیری عمیق وجود دارد که پژوهش‌گر یادگیری عمیق (Deep Learning Researcher) و مهندس یادگیری عمیق کاربردی (Applied Deep Learning Engineer) نام دارند. گروه اول برای انجام کارهای خود به دانش آماری و مبتنی بر ریاضیات نیاز دارند تا بتوانند مفاهیم یادگیری عمیق را به‌درستی درک کنند و در ادامه فناوری‌ها و الگوریتم‌های جدید را ابداع کنند. گروه دوم روی کار با فناوری‌ها، الگوریتم‌ها و الگوهایی متمرکز هستند که نتیجه پژوهش‌های گروه اول است، به‌‌طوری که در نهایت محصولی تولید شود که جواب‌گوی نیازهای صنعت باشد. 

امروزه شرکت‌های فعال در حوزه هوش مصنوعی و یادگیری عمیق، تیم‌ها را به شکل‌های گوناگون سازمان‌دهی می‌کنند و از اصطلاحات مختلفی برای شرح وظایف آن‌ها استفاده می‌کنند که شبیه به هم هستند، اما یکسان نیستند. عاملی که باعث سردرگمی برخی افراد می‌شود، این است که برخی مفاهیم و مهارت‌های دنیای هوش مصنوعی، مثل مهندسی داده و مدل‌سازی شباهت‌هایی با هم دارند، در حالی که کاملا یکسان نیستند. پرسش مهمی که مطرح می‌شود این است که شرح وظایف هر شغل چیست یا استخدام‌کنندگان دنبال کدام مهارت‌ها هستند؟ برای رسیدن به پاسخی دقیق، وب‌سایت analyticsvidhya مصاحبه‌ای با 100 متخصص حوزه علم داده و یادگیری ماشین انجام داد. بعد از جمع‌آوری همه اطلاعات، شغل‌های فنی این حوزه را به 6 دسته اصلی تقسیم کرد که هر کدام از آن‌ها مهارت‌های خاص خود را می‌طلبند. در این مقاله قصد داریم مهارت‌های موردنیاز یک مهندس یادگیری عمیق را بر مبنای داده‌های وب‌سایت analyticsvidhya بررسی کنیم.

یک پروژه هوش مصنوعی بر مبنای یک برنامه پنج مرحله‌ای به‌سرانجام می‌رسد. این پنج مرحله به‌اندازه‌ای گسترده و پرجزئیات هستند که هیچ متخصصی زمان و مهارت کافی برای تکمیل تمامی این پنج مرحله را به‌تنهایی ندارد. به همین‌ دلیل است که اعضای یک تیم مهارت‌های مختلفی دارند و هر یک روی بخش خاصی از این چرخه متمرکز هستند. در شکل ۱، شش عنوان شغلی که نقش مهمی در این پنج مرحله دارند را به‌همراه شرح وظایف آن‌ها مشاهده می‌کنید. همان‌گونه که اشاره شد، برای آماده‌سازی یک تیم هوش مصنوعی به مجموعه تخصص‌هایی نیاز دارید تا بتوانید چرخه عمر پنج مرحله‌ای پروژه‌های هوش مصنوعی را کامل کنید. به‌طور معمول، تیم‌های توسعه هوش مصنوعی از همان ابتدا روی مباحث مهندسی داده و مدل‌سازی متمرکز هستند، زیرا باید امکان تحقق یک ایده یا عملیاتی کردن یک پروژه را اعتبارسنجی و تایید کنند. وقتی پروژه وارد مراحل توسعه می‌شود، تیم روی نحوه به‌کارگیری، تحلیل نیازمندی‌های کسب‌وکار و زیرساخت هوش مصنوعی متمرکز می‌شود. 

شکل 1

مهندس یادگیری عمیق چه شرح وظایفی دارد؟ 

مهندس یادگیری عمیق وظیفه مهندسی داده، مدل‌سازی و استقرار فرآیندهای کاری را برعهده دارد. از مهم‌ترین وظایف این فرد به موارد زیر باید اشاره کرد:

• وظایف مرتبط با داده‌ها: تعریف الزامات داده‌ای، جمع‌آوری، برچسب‌‌گذاری، بازرسی، پاک‌سازی، افزودن و انتقال داده‌ها.
• وظایف مرتبط با مدل‌سازی: آموزش مدل‌های یادگیری عمیق، تعریف استانداردهای ارزیابی، جست‌وجوی فراپارامترها و پژوهش‌های کاربردی با هدف ارائه راه‌حل‌های نوین.
• وظایف مرتبط با استقرار: تبدیل کد نمونه‌های اولیه به کدی قابل اجرا، آماده‌سازی محیط ابری برای به‌کارگیری مدل یا بهینه‌سازی زمان‌های پاسخ و حفظ پهنای باند.

مهندس یادگیری عمیق به چه مهارت‌هایی نیاز دارد؟

مهندسان یادگیری عمیق به مجموعه مهارت‌هایی نیاز دارند که ترکیبی از مباحث مهندسی، دنیای تجارت و علم است (شکل 2). در شرایطی‌که مهندسان یادگیری عمیق روی کدنویسی نمونه‌های اولیه و کدهای محصول متمرکز هستند، دانشمندان علم داده عمدتا روی کدنویسی نمونه‌های اولیه و مهندسان نرم‌افزار روی نوشتن کد محصول متمرکز هستند. در مقام مقایسه با شرح وظایف مهندسان یادگیری ماشین، مهندسان یادگیری عمیق باید در ارتباط با مباحث دیگری نیز دانش کافی داشته باشند. به‌طور مثال، یک مهندس یادگیری عمیق ممکن است روی اپلیکیشن‌هایی که مبتنی بر یادگیری عمیق هستند، مانند تشخیص گفتار، پردازش زبان طبیعی و بینایی کامپیوتر کار ‌کند. به ‌همین دلیل، باید با معماری‌های مختلف شبکه‌های عصبی (شبکه‌های کاملا متصل، شبکه عصبی کانولوشن، شبکه عصبی بازگشتی و نمونه‌های مشابه) آشنا باشند.

اگر تمایل دارید سطح مهارت‌های خود در ارتباط با عنوان شغلی مهندس یادگیری عمیق را محک بزنید، پیشنهاد می‌کنیم تست‌های استانداردسازی‌شده یادگیری ماشین، یادگیری عمیق، علم داده، ریاضیات، کدنویسی الگوریتمی و مهندسی نرم‌افزار که در سایت https://workera.ai/product/workera-test/ قرار داده شده را انجام دهید.

شکل 2

مهندس یادگیری عمیق باید در مورد چه مباحثی دانش کافی داشته باشد؟ 

در حالت کلی، شرح وظایف مهندسان یادگیری عمیق در شرکت‌های مختلف تقریبا مشابه است. به‌همین دلیل، یک مهندس یادگیری عمیق باید در ارتباط با مهارت‌های زیر دانش کافی داشته باشد:

آر یا پایتون، مناسب برای یادگیری عمیق و یادگیری ماشین[ML1] 

زبان‌های رایجی که برای یادگیری عمیق استفاده می‌شوند پایتون و آر هستند. هر دو زبان‌ ویژگی‌های خودشان را دارند و این‌گونه نیست که اگر یکی از آن‌ها را یاد گرفتید، باید دومی را کنار بگذارید. وقتی شروع به ‌یادگیری یکی از آن‌ها می‌کنید باید تمام جزئیات فنی و ترکیب نحوی آن‌ها را بیاموزید تا بتوانید بدون مشکل برای کدنویسی الگوریتم‌های هوشمند از آن‌ها استفاده کنید. سعی کنید تا جایی‌که امکان دارد روی یادگیری کتابخانه‌های مرتبط با حوزه کاری‌تان متمرکز شوید تا بتوانید در پروژه‌های واقعی بدون مشکل از آن‌‌ها استفاده کنید. خوشبختانه در یادگیری این زبان‌ها مشکل خاصی وجود ندارد، کافی است منبع مطمئن و شناخته‌شده را انتخاب کنید و روزی چند ساعت زمان صرف یادگیری زبان انتخابی کنید. 

مبانی علوم کامپیوتر و ساختار داده‌ها

آشنایی با نحوه عملکرد الگوریتم‌های یادگیری ماشین و یادگیری عمیق به‌تنهایی کافی نیست و در عمل باید دانش و مهارت‌های یک مهندس نرم‌افزار در ارتباط با مفاهیمی مثل ساختار داده‌ها، چرخه حیات توسعه نرم‌افزار، گیت‌هاب و الگوریتم‌ها (مرتب‌سازی، جست‌وجو و بهینه‌سازی) را بدانید. وقتی روی یک پروژه در دنیای واقعی کار می‌کنید، مشتری تمایلی ندارد تا جزئیات فنی عملکرد یک ‌مدل را بداند، برای او مهم خدماتی است که برنامه یا سرویس ارائه می‌کند. بنابراین، باید تا حد امکان طراحی ساخت‌یافته و به دور از پیچیدگی باشد. 

خیلی از علاقه‌مندان به علوم داده فکر می‌کنند برای کار در حوزه هوش مصنوعی و یادگیری عمیق باید در مورد تعدادی کمی از الگوریتم‌ها دانش کافی داشته باشند و در ادامه به‌سراغ یادگیری یک یا چند کتابخانه و چارچوب کاربردی بروند. به‌بیان دیگر، تمایلی ندارند روی یادگیری مفاهیم مخصوص ساختار داده متمرکز شوند. در حالی‌که وقتی روی یک پروژه کار می‌کنید، برای این‌که برنامه کاربردی از منظر حافظه و سرعت اجرا، کارآمد باشد باید از ساختار داده درستی استفاده کرده باشید. 

ریاضیات در دنیای هوش مصنوعی 

اگر مهندس نرم‌افزار هستید، مشکل خاصی از بابت تبدیل ایده‌ها به کدهای نرم‌افزاری ندارید، اما هنگامی‌که صحبت از یادگیری ماشین به‌میان می‌آید باید دانش کافی در ارتباط با ریاضیات و مفاهیم آماری داشته باشید، زیرا کمک می‌کند تا هر مدل الگوریتمی را تحلیل کنید و آن‌را بر اساس نیازی که دارید تنظیم کنید. 

متاسفانه برخی بر این باور هستند که بیشتر الگوریتم‌های موردنیاز از قبل نوشته و آزمایش شده‌اند، بنابراین هنگام استفاده از آن‌ها کافی است چند تغییر کوچک در آن‌ها اعمال کنیم تا قابل استفاده در حوزه‌های مختلف باشند. این دیدگاه اشتباه است. ریاضیات پای ثابت تمامی مشاغل هوش مصنوعی و حتا برنامه‌نویسی است. برای آن‌که بتوانید خروجی‌ها را تحلیل کنید، از واریانس (انحراف معیار)، نقطه عطف و موارد دیگر استفاده کنید، باید در ارتباط با مباحث آماری و ریاضی دانش کافی داشته باشید. آمار به فرآیند تجزیه‌و‌تحلیل مجموعه داده‌هایی اشاره دارد که برای تعیین خواص ریاضی منحصربه‌فرد آن داده‌ها انجام می‌شود. یادگیری ماشین و عمیق از عملیات‌های آماری شروع شده و سپس فراتر می‌روند. میانگین، میانه، نما، واریانس، و انحراف معیار شاخص‌هایی هستند که برای توصیف مجموعه داده‌ها استفاده می‌شوند. تسلط بر مبحث احتمالات به درک بهتر مدل‌های مختلف هوش مصنوعی و یادگیری ماشین کمک فراوانی می‌کند. 

سرویس‌های استقرار و فناوری‌های کاربردی در حوزه  فرانت‌اند و رابط کاربری

هنگامی که مدلی را طراحی، پیاده‌سازی کردید و توسعه دادید، اکنون باید در قالب چارت‌ها یا ارائه‌های بصری آن‌را به‌دیگران نشان دهید، زیرا در عمل افراد دانش فنی دقیق در ارتباط با درک مسائل پیچیده ندارند و حتا ممکن است اطلاعی در مورد نحوه کار الگوریتم‌ها نداشته باشند؛ از این‌رو باید در قالب مفاهیم ساده عملکرد و کاری که الگوریتم انجام می‌دهد را شرح دهید. علاوه بر این، عاملی که می‌تواند میزان استقبال از الگوریتم را بیشتر کند، یک رابط کاربری جذاب است تا نشان دهد چه محصولی تولید کرده‌اید. از این‌رو، آشنایی با کتابخانه‌ها و چارچوب‌هایی مثل جنگو، فلکس و حتا جاوااسکریپت کمک می‌کند یک رابط کاربری جذاب وب‌محور آماده کنید.  هنگامی‌که همه چیز آماده شد باید از فناوری‌هایی مثل آپاچی و Wamp برای تکمیل کار خود استفاده کنید. اگر بخشی از یک تیم بزرگ هستید، توسعه‌دهندگان متخصص زیادی در حوزه‌های بک‌اند و فرانت‌اند وجود دارند، اما اگر عضو یک تیم کوچک هستید، احتمالا خودتان باید هر دو بخش توسعه فرانت‌اند و بک‌اند را انجام دهید،؛ کار سختی است، اما گاهی‌اوقات مجبور هستید فراتر از حیطه کاری خود گام بردارید. 

دانش لازم در ارتباط با محاسبات ابری

روزبه‌روز حجم داده‌ها بزرگ‌تر و بزرگ‌تر می‌شود و به‌ همین دلیل نمی‌توان آن‌ها را روی یک سرور محلی مدیریت کرد. برای همین باید به‌سمت فناوری‌های ابر حرکت کرد. این پلتفرم‌ها طیف گسترده‌ای از خدمات کاربردی از ارائه داده‌های اولیه تا زیرساختی برای توسعه مدل را ارائه می‌دهند. برخی از این پلتفرم‌ها راهکارهای مبتنی بر یادگیری عمیق نیز ارائه می‌کنند. از مشهورترین آن‌ها می‌توان به آژور، گوگل کلاود یا AWS اشاره کرد. موارد مذکور فناوری‌هایی هستند که توصیه می‌شود به فکر یادگیری آن‌ها باشید. آشنایی با مباحث مرتبط با رایانش ابری کمی سخت است، اما اگر قرار است از ماشین‌های مجازی ابرمحور در این زمینه استفاده ‌کنید باید اصول اولیه این حوزه را یاد بگیرید. اما اگر علاقه دارید تا چیزهای بیشتری یاد بگیرید حتما به‌عنوان مهندس یادگیری عمیق روی مباحث پردازش ابری کار کنید.

مهندس یادگیری عمیق از چه ابزاری استفاده می‌کند؟

مهندسان یادگیری عمیق در شرکت‌های مختلف از ابزارهای متفاوتی استفاده می‌کنند، اما در این بین برخی ابزارها شاخص‌تر هستند. از ابزارهای پرکاربرد در این زمینه به موارد زیر باید اشاره کرد:

• به‌طور معمول، مهندسان یادگیری عمیق از پایتون برای مدل‌سازی استفاده می‌کنند. از کتابخانه‌ها و چارچوب‌هایی که باید به فکر یادگیری آن‌ها باشید باید به Numpy، Scikit-learn، Matplotlib، TensorFlow و PyTorch اشاره کرد. 
• با توجه به این‌که داده‌ها در بانک‌های اطلاعاتی قرار می‌گیرند، آشنایی با نحوه پیاده‌سازی محاوره‌های SQL ضروری است. 
• آشنایی با زبان‌های برنامه‌نویسی شیء‌گرا (مثل پایتون، جاوا و سی‌پلاس‌پلاس) و فناوری‌های ابرمحور مثل AWS، GCP و آژور ضروری است. 
• آشنایی با سیستم‌های کنترل نسخه مثل گیت و Suversion برای پیشبرد اهداف پروژه ضروری است. 

هنگامی‌که صحبت از کدنویسی پروژه‌ها به‌میان می‌آید، انتخاب‌های مختلفی در دسترس مهندسان یادگیری عمیق وجود دارد، با این‌حال، محیط توسعه یکپارچه Jupyter Notebook،Sublime  و ابزارهای پیگیری و مدیریت پروژه مثل JIRA مهم هستند. 

کلام آخر 

جهان پیرامون ما همگام‌ با پیشرفت هوش مصنوعی و زیرشاخه‌های آن در حال تغییر است و به‌همین دلیل نیاز به مهندسان یادگیری ماشین و هوش مصنوعی محسوس‌تر از قبل شده است. در بسیاری از دستگاه‌ها، از گوشی هوشمند گرفته تا تجهیزات اینترنت اشیاء و خودروهای خودران، هوش مصنوعی نقش مهمی در آینده خواهد داشت. اهمیت این نقش روزبه‌روز بیشتر می‌شود، به‌طوری‌که برآورد می‌شود طی دو سال آینده، هوش مصنوعی بیش از ۲ میلیون فرصت شغلی جدید ایجاد کند.