Andrew Ng : با خرسندی «نقشه مهارت‌های مهندسی هوش مصنوعی» را معرفی می‌کنم.

«نقشه مهارت‌های مهندسی هوش مصنوعی» (AI Engineering Skills Map) با هدف شناسایی مهم‌ترین مهارت‌های مورد نیاز توسعه‌دهندگان در عصر هوش مصنوعی ارائه شده است.

هوش مصنوعی باعث شده است نرم‌افزارها در مقایسه با سال ۲۰۲۲ به شیوه‌ای کاملاً متفاوت ساخته شوند. برای افرادی که مهارت‌های لازم را برای بهره‌برداری از این تحول کسب کرده‌اند، فرصت‌های شغلی و پروژه‌های هیجان‌انگیز متعددی ایجاد شده است.

با این حال، در فضای اطلاعاتی شلوغ، تبلیغاتی و آکنده از بزرگ‌نمایی پیرامون هوش مصنوعی، این پرسش مطرح می‌شود که یادگیری کدام مهارت‌ها باید در اولویت قرار گیرد؟

برای پاسخ به این پرسش، نقشه‌ای از مهارت‌های مهندسی هوش مصنوعی تدوین شده است تا:

به توسعه‌دهندگان در اولویت‌بندی مهارت‌های مورد نیاز برای یادگیری کمک شود؛
امکان شناسایی و استخدام توسعه‌دهندگان ماهر برای کارفرمایان فراهم شود.

این نقشه بر اساس تحلیل بیش از ۱۰ هزار آگهی شغلی، انجام ده‌ها مصاحبه ساختاریافته با متخصصان هوش مصنوعی، مدیران استخدام و کارشناسان جذب نیرو، گردآوری داده از طریق نظرسنجی‌ها و ترکیب سایر داده‌های آنلاین تهیه شده است.

بر اساس نتایج این بررسی، چهار مورد به‌عنوان مهم‌ترین مهارت‌های مهندسی هوش مصنوعی شناسایی شده‌اند:

ساخت و استقرار برنامه‌های کاربردی هوش مصنوعی (Building and Deploying AI Applications)
اصول و بنیادهای مهندسی نرم‌افزار (Software Engineering Fundamentals)
استفاده از ایجنت‌های کدنویسی (Using Coding Agents)
طراحی و هدایت فرآیند ساخت محصول (Shaping the Build)

فرآیند تدوین این نقشه را می‌توان به‌صورت غیررسمی مشابه اجرای الگوریتم خوشه‌بندی روی مجموعه‌داده‌ای عظیم از آگهی‌های شغلی و مصاحبه‌های تخصصی در نظر گرفت. از طریق این فرآیند، مهارت‌هایی شناسایی شده‌اند که نه‌تنها در شرایط کنونی، بلکه در آینده نزدیک نیز از اهمیت بالایی برخوردار خواهند بود.

منظور از مهارت‌های مهندسی هوش مصنوعی چیست؟

در این نقشه، به‌جای تمرکز صرف بر نقش شغلی «مهندس هوش مصنوعی»، بر مفهوم گسترده‌تر «مهارت‌های مهندسی هوش مصنوعی» تأکید شده است.

عنوان «مهندس هوش مصنوعی» معمولاً به فردی اطلاق می‌شود که مسئولیت ساخت سیستم‌های هوش مصنوعی را بر عهده دارد؛ اما مهارت‌های مهندسی هوش مصنوعی به یک عنوان شغلی مشخص محدود نمی‌شوند.

امروزه انتظار می‌رود همه توسعه‌دهندگان نحوه کار با زیرساخت‌های ابری را بدانند، در حالی که تنها گروه محدودی از آن‌ها عنوان شغلی «مهندس رایانش ابری» را دارند. به همین ترتیب، مهارت‌های مهندسی هوش مصنوعی برای طیف گسترده‌ای از توسعه‌دهندگان ضروری خواهند بود؛ از جمله:

مهندسان فول‌استک
مهندسان داده
مهندسان DevOps
مهندسان یادگیری ماشین
مهندسان هوش مصنوعی

بنابراین، مهندسی هوش مصنوعی نباید صرفاً به‌عنوان یک موقعیت شغلی مستقل در نظر گرفته شود؛ بلکه باید آن را مجموعه‌ای از مهارت‌های فراگیر دانست که به بخش مهمی از توانمندی‌های همه توسعه‌دهندگان تبدیل خواهد شد.

ساخت و استقرار برنامه‌های کاربردی هوش مصنوعی

تفاوت بنیادین میاناپلیکیشن‌های هوش مصنوعی و نرم‌افزارهای سنتی در میزان پیش‌بینی‌پذیری خروجی آن‌ها نهفته است.

هنگامی که یک پرامپت به مدل زبانی بزرگ (LLM) ارائه می‌شود، از قبل نمی‌توان با قطعیت مشخص کرد چه پاسخی تولید خواهد شد. همچنین، پس از آموزش یک الگوریتم یادگیری عمیق، نمی‌توان دقیقاً پیش‌بینی کرد که برای نمونه‌های جدید چه خروجی‌ای ارائه می‌شود. در مقابل، رفتار نرم‌افزارهای سنتی معمولاً از پیش‌بینی‌پذیری بیشتری برخوردار است.

برای دستیابی به مهارت در ساخت و استقرار کاربردهای هوش مصنوعی، باید اجزای بنیادین این فناوری شناخته شوند. مهم‌ترین این اجزا عبارتند از:

مدل‌های زبانی بزرگ (LLMs)
مهندسی زمینه یا کانتکست (Context Engineering)
تولید مبتنی بر بازیابی (RAG)
ورک‌فلوهای ایجنتی (Agentic Workflows)
یادگیری ماشین (Machine Learning)
یادگیری عمیق (Deep Learning)

علاوه بر شناخت این مفاهیم، باید نحوه استفاده از روش‌های آماری برای اندازه‌گیری، هدایت و اعمال حاکمیت بر سیستم‌های هوش مصنوعی نیز آموخته شود. به کمک این روش‌ها می‌توان رفتار سیستم‌های هوش مصنوعی را تا حد امکان قابل پیش‌بینی‌تر و کنترل‌پذیرتر کرد.

یکی از مهارت‌های محوری در این حوزه، توانایی هدایت چرخه‌ای منضبط از «ارزیابی و تحلیل خطا» (Evals / Error Analysis Loop) است. از طریق این چرخه مشخص می‌شود که سیستم در کدام بخش‌ها عملکرد مطلوبی دارد، در چه شرایطی با شکست مواجه می‌شود و برای بهبود آن باید چه اقداماتی انجام شود.

اصول و بنیادهای مهندسی نرم‌افزار

با دستیابی به درکی عمیق از نحوه عملکرد نرم‌افزار، امکان ساخت سیستم‌های مؤثرتر، پایدارتر و قابل‌اعتمادتر فراهم می‌شود.

در مهندسی نرم‌افزار همواره باید میان عوامل مختلف بده‌بستان (Trade-off) برقرار شود. مهم‌ترین این عوامل عبارتند از:

هزینه
مقیاس‌پذیری
قابلیت اطمینان
سرعت
امنیت
حریم خصوصی

الزامات مرتبط با امنیت و حریم خصوصی نیز بر پیچیدگی تصمیم‌های مهندسی افزوده‌اند.

با درک اصول مهندسی نرم‌افزار، ابتدا می‌توان تشخیص داد که چه گزینه‌ها و بده‌بستان‌هایی در یک پروژه وجود دارند. در ادامه، تصمیم‌های مناسب‌تری در حوزه‌های زیر اتخاذ خواهند شد:

انتخاب پشته فناوری (Technology Stack)
طراحی معماری سیستم
طراحی و انتخاب محل ذخیره‌سازی داده‌ها
آزمایش و ارزیابی نرم‌افزار
تأمین امنیت و حریم خصوصی
بهینه‌سازی هزینه و عملکرد

نتایج حاصل از این رویکرد، معمولاً بسیار بهتر از شرایطی خواهند بود که یک توسعه‌دهنده کم‌تجربه، بدون شناخت بده‌بستان‌های فنی، راهکاری را صرفاً از طریق «کدنویسی حسی» (Vibe Coding) تولید کند.

در چنین شرایطی، ممکن است مشخص نباشد که ایجنت کدنویسی چه تصمیم‌هایی اتخاذ می‌کند و این تصمیم‌ها چه پیامدهایی خواهند داشت. انتخاب‌های انجام‌شده توسط ایجنت نیز ممکن است نامناسب باشند؛ زیرا زمینه و اطلاعات مورد نیاز به‌درستی در اختیار آن قرار نگرفته‌اند.

با تسلط بر اصول مهندسی نرم‌افزار، می‌توان ایجنت‌های کدنویسی را با استفاده از زبان دقیق و تخصصی این حوزه هدایت کرد. همچنین، امکان ارزیابی تصمیم‌های ایجنت و انتخاب آگاهانه میان گزینه‌های مختلف فراهم خواهد شد.

استفاده از ایجنت‌های کدنویسی

استفاده مؤثر از کدنویسی ایجنتی به یکی از مهارت‌های کلیدی برای همه توسعه‌دهندگان تبدیل شده است.

برای استفاده ماهرانه از ایجنت‌های کدنویسی، باید مدل ذهنی مناسبی از نحوه عملکرد آن‌ها شکل داده شود. همچنین، لازم است محدودیت‌های این ابزارها شناخته شوند و روش‌های مدیریت یا جبران این محدودیت‌ها مورد استفاده قرار گیرند.

در این فرآیند، باید مشخص شود که چه زمانی مداخله توسعه‌دهنده ضروری است و چه زمانی می‌توان به ایجنت اجازه داد وظایف خود را به‌صورت مستقل ادامه دهد. هدف آن است که نرم‌افزاری پایدار و قابل‌اعتماد ساخته شود، بدون آنکه زمان یا توکن بیش از اندازه مصرف شود.

برای دستیابی به این مهارت، توانایی انجام موارد زیر ضروری است:

مدیریت کانتکست ایجنت کدنویسی
ایجاد تعادل میان برنامه‌ریزی و اجرا
ارائه ابزارهای راستی‌آزمایی و ارزیابی به ایجنت
فراهم‌کردن امکان تکمیل مستقل حلقه‌های کاری
تدوین مشخصات شفاف برای پروژه
تشخیص مواردی که به تهیه مشخصات مفصل نیازی ندارند
هماهنگ‌سازی چند ایجنت برای همکاری با یکدیگر
پیشگیری از خطاهای پرریسک در محیط پروداکشن

برای مثال، باید از ایجاد تغییرات ناخواسته یا مخرب توسط ایجنت در پایگاه داده پروداکشن جلوگیری شود.

همچنین، با ارائه ابزارهای راستی‌آزمایی (Verifiers) یا ارزیابی‌ها (Evals)، می‌توان شرایطی ایجاد کرد که حلقه‌های کاری توسط ایجنت به‌صورت مستقل تکمیل شوند. در این حالت، امکان بررسی نتیجه کار و اصلاح خطاها بدون مداخله مداوم توسعه‌دهنده فراهم خواهد شد.

از آنجا که کدنویسی ایجنتی با سرعت بالایی در حال تحول است، استفاده ماهرانه از ایجنت‌های کدنویسی صرفاً به شناخت بهترین روش‌های کنونی محدود نمی‌شود. باید فرآیندی مستمر برای آزمایش ابزارهای جدید در نظر گرفته شود و هم‌زمان با تغییر بهترین شیوه‌ها، ورک‌فلوهای توسعه نیز تکامل یابند.

طراحی و هدایت فرآیند ساخت محصول

توانایی ایجنت‌های کدنویسی در پیاده‌سازی مشخصات شفاف و دقیق، با سرعت زیادی در حال بهبود است. در نتیجه، نقش مهندسان نیز به‌تدریج از اجرای صرف، به سمت تصمیم‌گیری درباره محتوای مشخصات و ماهیت محصولی که باید ساخته شود، تغییر یافته است.

دیگر نباید انتظار داشت که همواره طراحی کاملاً دقیق و پیکسل‌به‌پیکسل در اختیار مهندسان قرار داده شود و تنها اجرای آن از آن‌ها خواسته شود.

برای مهندسی مؤثر هوش مصنوعی، برخورداری از درک محصول (Product Sense)، شناخت زمینه کسب‌وکار و آگاهی از اهداف مشتریان ضروری است. با برخورداری از این توانمندی‌ها، امکان مشارکت فعال در طراحی، هدایت و پیشبرد فرآیند ساخت محصول فراهم می‌شود.

هوش مصنوعی همچنین فرصت بیشتری برای پذیرش مالکیت و اختیار در پروژه‌ها ایجاد کرده است. به کمک این فناوری، مسائل و فرصت‌های ارزشمند شناسایی می‌شوند و راهکارهای مناسب برای بهره‌برداری مسئولانه از آن‌ها توسعه می‌یابند.

برای استفاده مؤثر از این فرصت، باید نحوه پیشبرد پروژه‌ها آموخته شود. برای مثال، لازم است میان موقعیت‌های زیر تمایز قائل شد:

شرایطی که در آن باید یک محصول اولیه قابل ارائه (MVP) به‌سرعت ساخته و برای آزمایش در اختیار کاربران قرار داده شود؛
شرایطی که در آن باید سرعت توسعه کاهش یابد تا محصول با بررسی بیشتر و دقت بالاتری ساخته شود.

بنابراین، «طراحی و هدایت فرآیند ساخت محصول» تنها به تعریف مشخصات فنی محدود نمی‌شود؛ بلکه تشخیص مسئله مناسب، درک نیازهای کاربران، تعیین اولویت‌ها و انتخاب سرعت مناسب برای توسعه را نیز در بر می‌گیرد.

یادگیری مستمر؛ زیربنای مهارت‌های مهندسی هوش مصنوعی

در زیربنای همه مهارت‌های معرفی‌شده، ذهنیت یادگیری مستمر قرار دارد.

هوش مصنوعی همچنان با سرعت زیادی در حال تغییر است. در نتیجه، مهارت‌ها نیز باید به‌طور پیوسته توسعه داده شوند و روش‌های نوظهور و بهترین شیوه‌های جدید مورد استفاده قرار گیرند.

تمرکز اصلی DeepLearning.AI بر کمک به توسعه‌دهندگان برای کسب مهارت‌های مهندسی هوش مصنوعی قرار داده شده است. هر یک از چهار مهارت معرفی‌شده، در مطالب آینده با جزئیات بیشتری تشریح خواهند شد و نسخه‌ای جامع‌تر از «نقشه مهارت‌های مهندسی هوش مصنوعی» نیز ارائه خواهد شد.

با توجه به مسیری که مهندسی هوش مصنوعی در پیش گرفته است، فرصت‌های گسترده‌ای برای ساخت محصولات و سیستم‌های جدید ایجاد خواهد شد. انتظار می‌رود توسعه‌دهندگان، مهندسان و متخصصان فناوری نقشی مهم و اثرگذار در شکل‌گیری این آینده ایفا کنند.

جمع‌بندی

بر اساس «نقشه مهارت‌های مهندسی هوش مصنوعی»، چهار توانمندی اصلی برای موفقیت توسعه‌دهندگان در عصر هوش مصنوعی ضروری شناخته شده‌اند:

ساخت و استقرار برنامه‌های کاربردی هوش مصنوعی
تسلط بر اصول و بنیادهای مهندسی نرم‌افزار
استفاده مؤثر از ایجنت‌های کدنویسی
طراحی و هدایت فرآیند ساخت محصول

این مهارت‌ها صرفاً برای افرادی که عنوان شغلی «مهندس هوش مصنوعی» دارند در نظر گرفته نشده‌اند؛ بلکه انتظار می‌رود به بخشی اساسی از مجموعه مهارت‌های همه توسعه‌دهندگان تبدیل شوند.

در کنار این چهار محور، یادگیری مستمر نیز به‌عنوان یک ضرورت بنیادین مطرح شده است. با توجه به سرعت تحولات هوش مصنوعی، تنها از طریق یادگیری پیوسته، آزمایش ابزارهای جدید و به‌روزرسانی ورک‌فلوها می‌توان از فرصت‌های در حال ظهور این حوزه بهره‌برداری کرد.

منبع

The AI Engineering Skills Map