هوش مصنوعی و IT

علاقه به فناوری ممکن است با یک اپلیکیشن جذاب یا یک گجت هوشمند آغاز شود، اما یک آموزش دانشگاهی خوب می‌پرسد چه چیزی در ورای ظاهر نهفته است: داده‌ها چگونه سازماندهی می‌شوند؟ سیستم چگونه کار می‌کند؟ چگونه آن را آزمایش می‌کنیم؟ و چه کسی تحت تأثیر تصمیمات آن قرار می‌گیرد؟ این رشته تحصیلی، مبانی محاسبات، توسعه نرم‌افزار و سیستم‌ها و تجزیه و تحلیل داده‌ها را با گرایش‌های تخصصی در هوش مصنوعی یا سایر حوزه‌ها، بسته به برنامه، ترکیب می‌کند.

نام‌های مشابه، رویکردهای متفاوت

علوم کامپیوتر، فناوری اطلاعات، مهندسی نرم‌افزار، علوم داده و هوش مصنوعی یکسان نیستند. آنها ممکن است دوره‌های مشترکی داشته باشند، اما در تمرکز خود متفاوت هستند، از مبانی نظری گرفته تا سیستم‌ها، برنامه‌ها، داده‌ها و طراحی مهندسی. بنابراین، شما باید برنامه درسی را بخوانید، نه اینکه صرفاً به دلیل اینکه عنوان آن شامل یک اصطلاح مشترک است، یک برنامه را انتخاب کنید. [1]

چارچوب CS2023 از ACM، IEEE-CS و AAAI به درک وسعت آموزش علوم کامپیوتر کمک می‌کند، اما هر برنامه فناوری را به یک مدل واحد تبدیل نمی‌کند. برنامه درسی واقعی دانشگاه همچنان بهترین راهنما برای آنچه یک دانشجو مطالعه خواهد کرد و نحوه توزیع آن بین مبانی نظری، برنامه‌ها و پروژه‌ها است. [1]

برنامه‌نویسی به عنوان ابزاری برای ایجاد تفکر

از طریق برنامه‌نویسی، دانش‌آموزان یاد می‌گیرند که مسائل را به بخش‌هایی تقسیم کنند، مراحل واضحی را تدوین کنند، فرضیات را آزمایش کنند و خطاها را تجزیه و تحلیل کنند. پیشرفت با تعداد زبان‌های برنامه‌نویسی که می‌توانند نام ببرند سنجیده نمی‌شود، بلکه با توانایی آنها در درک یک مسئله و نوشتن راه‌حلی که قابل خواندن، آزمایش و بهبود باشد، سنجیده می‌شود.

آنها می‌توانند با یک پروژه کوچک که به یک نیاز خاص پاسخ می‌دهد شروع کنند: سازماندهی قرارهای شخصی، تجزیه و تحلیل داده‌های در دسترس عموم یا طراحی یک رابط کاربری ساده. بهتر است یک پروژه محدود را با مستندسازی و آزمایش تکمیل کنید تا اینکه یک پروژه عظیم را شروع کنید که اجزای آن را نمی‌توانند توضیح دهند یا نگهداری کنند.

هوش مصنوعی به یک پایه نیاز دارد، نه فقط یک عنوان

مطالعه هوش مصنوعی به ریاضیات، آمار، داده‌ها و الگوریتم‌ها و همچنین طراحی مدل، ارزیابی و درک محدودیت‌های آنها مرتبط است. استفاده از یک ابزار آماده می‌تواند یک نقطه شروع مفید باشد، اما جایگزین یادگیری نحوه اندازه‌گیری نتایج، داده‌هایی که سیستم به آنها متکی است و جایی که ممکن است اشتباه کند، نمی‌شود. [1]

در یک پروژه آموزشی، دانش‌آموزان باید تفاوت بین آموزش و ارزیابی را درک کنند و از ارائه یک نتیجه چشمگیر بدون توضیح نحوه اندازه‌گیری آن خودداری کنند. همچنین مفید است که در وهله اول مناسب بودن استفاده از هوش مصنوعی را زیر سوال ببرند. یک راه حل ساده‌تر ممکن است برای یک مشکل مشخص واضح‌تر و کارآمدتر باشد. این توانایی انتخاب، نشانه بلوغ فنی است.

امنیت و حریم خصوصی بخشی از طراحی هستند

هنگام ساخت هر برنامه‌ای، دانش‌آموزان باید داده‌هایی را که جمع‌آوری می‌کنند، چه کسی می‌تواند به آن دسترسی داشته باشد، چگونه ذخیره و حذف می‌شود و چه مجوزهایی مورد نیاز است، در نظر بگیرند. این وظیفه‌ای نیست که تا پایان پروژه به تعویق بیفتد، بلکه بخشی از تعریف آن از ابتدا است. داده‌های شخصی واقعی هرگز نباید در یک تجربه آموزشی بدون مبنای قانونی، رضایت و مجوزهای مناسب استفاده شوند.

می‌توان از داده‌های عمومی مصنوعی یا دارای مجوز استفاده کرد و مرزهای پروژه باید به وضوح مستند شوند. مجوزهای مربوط به کد، کتابخانه‌ها و تصاویر باید رعایت شود و کار دیگران نباید به عنوان کار خود شخص ارائه شود. اعتماد به محصول با اعتماد به نحوه ساخت آن آغاز می‌شود.

چگونه دانشگاه‌ها را مقایسه کنیم؟

به مبانی ریاضی و برنامه‌نویسی، دوره‌های سیستم‌ها و داده‌ها، ماهیت پروژه‌ها، امکانات آزمایشگاهی و مکانیسم‌های مربیگری و ارزیابی نگاه کنید. بپرسید که دانشجویان چگونه کار گروهی، کنترل نسخه، آزمایش و مستندسازی را یاد می‌گیرند و چه فرصت‌های کارآموزی یا تحقیقاتی تبلیغ می‌شود، همراه با الزامات مشارکت.

هنگام ذکر اعتباربخشی فنی یا مهندسی، باید برنامه خاص و دامنه آن بررسی شود. ABET توضیح می‌دهد که اعتباربخشی آن مربوط به برنامه‌های فردی است، نه کل دانشگاه، و نشان دهنده رتبه‌بندی ترجیحات نیست. بنابراین، یک لوگو در یک صفحه عمومی برای تعیین وضعیت هر تخصص یا دپارتمان کافی نیست. [2]

نمونه کارهای قابل تأیید

نمونه کارها ممکن است شامل یک پروژه واضح، بیان مسئله، یک روش کار، آزمایش‌ها، محدودیت‌های شناخته شده و آنچه دانشجو آموخته است باشد. این عناصر به جای یک تصویر پروفایل یا لیستی از دوره‌ها، شواهدی از شایستگی را در اختیار خواننده قرار می‌دهند. در پروژه‌های گروهی، نقش فرد باید به وضوح بیان شود، بدون اینکه کل کار تیم به یک نفر نسبت داده شود.

بسته به برنامه و تجربه، علایق ممکن است به سمت نرم‌افزار، داده، سیستم‌ها، امنیت یا تحقیق تکامل یابند. هیچ عنوانی حقوق یا شغل را تضمین نمی‌کند و تغییرات سریع در ابزارها جایگزین یک پایه علمی محکم نمی‌شود. ارزش پایدار در توانایی یادگیری، تجزیه و تحلیل و ساخت مسئولانه و سپس توضیح واضح آنچه ساخته شده است برای کسانی است که از آن استفاده می‌کنند یا آن را توسعه می‌دهند.