اكتشف مستقبل الذكاء الاصطناعي مع الدكتور فيكاس أغراوال، كبير علماء البيانات الرئيسيين في Oracle Analytics Cloud. في هذا القيادة بجلسة البياناتفهو يشارك رؤى حول حل المشكلات في علوم البيانات، وMLops، وتأثير الذكاء الاصطناعي التوليدي على حلول المؤسسات. تمتد المناقشة من الأساليب العملية إلى المخاطر في مشاريع علوم البيانات، وتقدم النصائح الأساسية لعلماء البيانات الطموحين.
[المحتوى جزءا لا يتجزأ]
رؤى أساسية من محادثتنا مع فيكاس أغراوال
- في علم البيانات، يعد التركيز على فهم المشكلة أمرًا بالغ الأهمية، حيث يستغرق معظم الجهد.
- يجب أن يأخذ إثبات المفهوم الناجح (POC) في علم البيانات ليس فقط الجوانب التقنية ولكن أيضًا التطبيق العملي للحل وقابليته للتوسع.
- يعد التواصل الواضح ووضع توقعات واقعية مع العملاء أمرًا حيويًا لتجنب سوء الفهم المكلف الناتج عن ضجيج الذكاء الاصطناعي.
- يمتلك الذكاء الاصطناعي التوليدي القدرة على إحداث ثورة في حلول المؤسسات، خاصة في المجالات المتعلقة بالنص وواجهات المستخدم.
- بناء مهنة في علم البيانات يتطلب أساسًا متينًا في الرياضيات وفهمًا عميقًا للخوارزميات.
- في إعدادات المؤسسة، يتطلب ضمان مصداقية وموثوقية مخرجات الذكاء الاصطناعي تقنيات تحقق جديدة.
- مع تطور أدوات الذكاء الاصطناعي، يحتاج علماء البيانات إلى مهارات لتعزيز هذه الأدوات وتحسينها، وليس مجرد تشغيلها.
كيف يمكنك تحقيق التوازن بين العمق التقني والرؤية الكلية في علم البيانات؟
في عملي اليومي، أنا مدين بالكثير لمرشدي من مختلف المؤسسات والشركات المرموقة الذين غرسوا فيّ فلسفة مفادها أن التكنولوجيا هي وسيلة لتحقيق غاية، وليست الغاية نفسها. المفتاح هو قضاء قدر كبير من الوقت في فهم المشكلة، حيث يذهب حوالي 90% من الجهد إلى هناك. ويتعلق الباقي بإيجاد الحلول، والتي غالبًا ما تتضمن النظر في كيفية تعامل الآخرين مع المشكلات المماثلة وما يحتاجه العميل في النهاية. لقد كان هذا النهج أساسيًا في ربط التكنولوجيا بتأثير الأعمال.
ما هو أسلوبك في حل مشكلة العميل؟
بمجرد أن نحدد مشكلة تستحق الحل، نتأكد أولاً من أن لدينا البيانات اللازمة لمعالجتها. ثم نقوم بتقييم ما إذا كانت التكنولوجيا موجودة لحل المشكلة ضمن إطار زمني معقول. إذا رأينا مسارًا، حتى لو كان بعد بضع سنوات، فسنمضي قدمًا في إثبات المفهوم (POC). يعتبر إثبات المفهوم (POC) شاملاً، ويغطي كل شيء بدءًا من خطوط البيانات وحتى الوظائف الشاملة، على الرغم من أن قابلية التوسع في هذه المرحلة ليست هي الاهتمام الرئيسي. الهدف هو أن يكون لدينا مسار واضح للخوارزميات ومصادر البيانات وطبيعة المخرجات التي نهدف إليها.
كيف تتعامل مع مرحلة التحسين وعمليات تعلم الآلة؟
بعد إثبات المفهوم (POC) الناجح، ندخل مرحلة التحسين، حيث يكمن الجزء الأكبر من العمل. يتضمن ذلك التأكد من أن النموذج يتكيف مع عمليات الأعمال والمناطق الجغرافية المختلفة، ويمكنه تصحيح نفسه عندما يخرج عن نطاق التوزيع. يتعلق الأمر أيضًا بضمان إمكانية إعادة تدريب النموذج بكفاءة وتوسيع نطاقه بشكل مناسب. تعتبر هذه المرحلة حاسمة لأنها حيث ينتقل النموذج من المفهوم إلى الحل العملي القابل للنشر.
ما هي الأخطاء الأكثر شيوعًا في مشاريع علوم البيانات؟
عادة ما تدور الأخطاء الأكثر تكلفة حول ضجيج الذكاء الاصطناعي وسوء الفهم. من الضروري وضع توقعات واضحة ومتبادلة مع العميل. في كثير من الأحيان، يكون لدى العملاء توقعات عالية بسبب ضجة الصناعة حول الذكاء الاصطناعي، دون أن يدركوا أن أحدث التقنيات قد لا توفر دائمًا الإجابات الصحيحة التي يبحثون عنها. هناك مأزق آخر يتمثل في تعريف المشكلة بشكل غير صحيح، إما من خلال عدم معالجة مشكلة العميل مباشرة أو من خلال محاولة "غليان المحيط".
كيف تتفاعل مع الذكاء الاصطناعي التوليدي في سير عملك؟
لا يتم استخدام الذكاء الاصطناعي التوليدي على نطاق واسع في معظم المؤسسات بسبب المخاوف بشأن حقوق النشر وتلوث الملكية الفكرية. ومع ذلك، فإننا نستفيد من المواد مفتوحة المصدر المتوفرة تجاريًا. لقد تقدم الذكاء الاصطناعي التوليدي بشكل ملحوظ في مجالات مثل تلخيص النص وتوسيع النص وتقديم التوضيحات. تظل الجدارة بالثقة تحديًا، ونحن نستكشف تقنيات لتصفية المخرجات من نماذج اللغات الكبيرة (LLMs) لضمان موثوقيتها للاستخدام المؤسسي.
ما هو التأثير الذي تتوقع أن يحدثه الذكاء الاصطناعي التوليدي على حلول المؤسسات؟
من المرجح أن يكون للذكاء الاصطناعي التوليدي التأثير الأكثر أهمية على سير العمل الذي يتضمن تشغيل النص، مثل استرجاع المعلومات وواجهات المستخدم. على سبيل المثال، يمكنه تحسين البحث المؤسسي بشكل كبير عن طريق استرداد أجزاء نصية متشابهة لغويًا. ويمكنه أيضًا إحداث ثورة في واجهات اللغة الطبيعية لقواعد البيانات، مما يسمح للمستخدمين بطرح الأسئلة باللغة الطبيعية وتلقي استجابات SQL دقيقة.
ما هي النصيحة التي تقدمها لأولئك الذين يدخلون مجال علم البيانات اليوم؟
إنه وقت ممتع للعمل في علم البيانات، ولكن من المهم أن يكون لديك أساس قوي في الرياضيات وفهم الخوارزميات التي تعمل بها. ومع ازدياد تطور أدوات الذكاء الاصطناعي، فإن القدرة على تعزيزها وتحسينها ستكون مهارة قيمة. سيكون هناك طلب كبير على أولئك الذين يمكنهم إنشاء خوارزميات جديدة أو فهم تعقيدات الخوارزميات الحالية.
تلخيص المحادثة مع فيكاس أغراوال
في هذه الجلسة الثاقبة، شارك الدكتور فيكاس أغراوال الأفكار الأساسية للنجاح في مهنة علوم البيانات. بدءًا من التركيز على فهم المشكلات ووصولاً إلى التغلب على المخاطر واحتضان الذكاء الاصطناعي التوليدي، توفر المقابلة خريطة طريق. يُنصح علماء البيانات الطموحون ببناء أساس قوي في الرياضيات والخوارزميات لمجال في تطور مستمر. تبشر هذه المقابلة بعصر جديد من الابتكار في الذكاء الاصطناعي.
ترقبوا معنا القيادة بالبيانات لمتابعة رحلات المزيد من رواد الذكاء الاصطناعي وعلوم البيانات في الصناعة. يمكنك الخروج لدينا القادمة قيادة جلسات البيانات هنا!
مقالات ذات صلة
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://www.analyticsvidhya.com/blog/2023/11/decoding-the-data-science-ecosystem-with-vikas-agrawal/
