به عنوان یک مدیر تیمهای هوش مصنوعی، اطلاعرسانی و آگاهی از آخرین تحولات برای هدایت موثر متخصصان بسیار مهم است. مهندسان نیازمند بازخورد در زمینههای فنی و بین فردی هستند. این نکته را ویویک گوپتا (Vivek Gupta) در سخنرانی خود با عنوان «پرورش و پرورش مهندسان قوی هوش مصنوعی» در کنفرانس توسعه بوستون مطرح کرد. او بر اهمیت اختصاص زمان برای یادگیری، درخواست کمک و همکاری تیمی تاکید میکند.
گوپتا معتقد است که مدیران باید از دانش گستردهای برخوردار باشند تا بتوانند به طور موثر تیم را هدایت کنند. آنها باید با علوم کاربردی آشنایی داشته باشند و همواره در جریان آخرین تحولات قرار داشته باشند. اگرچه مهندسان ارشد متخصصین اصلی هستند، اما مدیران باید ایدههایی برای پیشبرد کارها ارائه دهند.
یکی از مهمترین نیازهای مهندسان، دریافت بازخورد است. بسیاری از آنها پس از فارغالتحصیلی با کمبود بازخورد مواجه میشوند و تمایل دارند بدانند چگونه عملکردشان را بهبود بخشند. گوپتا پیشنهاد میکند که به مهندسان زمان کافی برای یادگیری و آزمایش ایدههای جدید داده شود.
تشویق مهندسان به پرسشگری نیز از اهمیت ویژهای برخوردار است. اغلب، آنها تا زمانی که در یک مشکل گیر کردهاند، سوالی نمیپرسند. مدیران باید مهندسان را تشویق کنند تا با متخصصین ارشد و مدیران مشورت کنند و در صورت نیاز، از آنها کمک بگیرند.
همکاری بینرشتهای نیز برای موفقیت بسیار مهم است. گوپتا معتقد است که ایدههایی در تیمهای دیگر وجود دارد که میتواند به مهندسان کمک کند تا کار خود را بهبود بخشند یا از تکرار تلاشها جلوگیری کنند. تشویق آنها به حضور در جلسات و ارائه های طراحی پروژه، امکان یادگیری از تجربیات دیگران را فراهم میکند.
مهندسین ارشد میتوانند نقش مربی برای مهندسان جوانتر ایفا کنند. آموزش مربیگری به متخصصین ارشد میتواند این فرآیند را در سازمان گسترش دهد.
مدیریت دادهها و اهمیت بازخورد
کارشناسان هوش مصنوعی که در محیطهای عملیاتی فعالیت میکنند، باید با نحوه عملکرد دانشمندان داده آشنا باشند. آنها همچنین باید به مدیریت داده برای یادگیری ماشین (MLOps) مسلط باشند، که با رویکردهای سنتی تفاوت دارد.
پیگیری اطلاعات مورد استفاده برای آموزش مدلها و مجموعههای تست اعتبارسنجی ضروری است. انتقال داده بین مکانهای مختلف، قالببندی مجدد یا تجمیع آنها نیز از جمله وظایف مهم هستند. حفظ ثبات در مدیریت دادهها برای آموزش مجدد مکرر بسیار حیاتی است. گوپتا پیشنهاد میکند با ساخت خطوط لوله آموزشی، این فرآیند را خودکارسازی کنید.
حضور انسان در حلقه (Human-in-the-loop) برای اعتبارسنجی پاسخها، بررسی کد تولید شده یا مقایسه گزینههای مختلف ضروری است. بازخورد کاربر نقشی حیاتی در بهبود عملکرد مدلها ایفا میکند. نظرات مثبت و منفی کاربران نه تنها نشاندهنده کیفیت کار هستند، بلکه اطلاعاتی ارزشمند برای اصلاح و بهبود مدلها ارائه میدهند.
در گفتگو با ویویک گوپتا درباره پرورش مهندسان هوش مصنوعی سوالاتی مطرح شد:
- InfoQ: چه اقداماتی برای تسهیل یادگیری و آزمایش ایدههای جدید توسط مهندسان انجام میدهید؟
ما به طور منظم مسابقات هک برگزار میکنیم و در مسابقه هک سالانه مایکروسافت شرکت میکنیم. علاوه بر این، در پایان هر اسپرینت (اسپرینتهای ۲ هفتهای)، یک روز اختصاصی برای یادگیری داریم. تیم ما همچنین جلسات «یادگیری در حین ناهار» را برای به اشتراک گذاشتن دانش و دعوت از سخنرانان مهمان برگزار میکند. اخیراً، بیشتر تمرکز یادگیری بر روی عاملها (Agents) و استفاده از کمکرسانیهای مبتنی بر هوش مصنوعی برای کدنویسی بوده است. این فرصتها به مهندسان اجازه میدهند تا تجربیات جدید خود را نشان دهند. - InfoQ: همکاری بین مهندسین ارشد در تیم شما چگونه انجام میشود؟
- InfoQ: MLOps چگونه میتواند به مدیریت صحیح مدلهای زبانی بزرگ (LLM) کمک کند؟
ما با مدلهای زبانی بزرگ، همان چالشهایی را داریم که پیش از این با مدلهای سنتی داشتیم. اکنون در حال تنظیم دقیق آنها هستیم، بنابراین باید اطلاعاتی که برای تنظیم دقیق استفاده کردهایم را پیگیری کنیم. ما به خطوط لوله برای ارزیابی پرامپتها نیاز داریم و باید یک کتابخانه از پرامپتها برای مدلهای مختلف ایجاد کنیم. با اینکه LLMها عملکرد متفاوتی نسبت به گذشته دارند، اصول MLOps همچنان در اطمینان از رویکرد مهندسیشده برای سناریوهای تولیدی با LLMها کاربرد دارد.
📌 توجه: این مطلب از منابع بینالمللی ترجمه و بازنویسی شده است.