Site icon آکادمی آمانج

بازار کار یادگیری ماشین در ایران

یادگیری ماشین در ایران

طبق گزارشات از سایت های بررسی مشاغل ، مهندس یادگیری ماشین به دلیل رشد تقاضا و حقوق زیاد بهترین شغل سال۲۰۱۹ نامیده شده است. متوسط درآمد فعلی این حرفه ۱۴۶.۰۸۵ دلاروبا نرخ رشد ۳۴۴ درصد در سال گذشته برخوردار است.بنابرین در حال حاضرمی توان گفت آینده مشاغل مرتبط با هوش مصنوعی به نسبت سایر حوزه های شغلی بسیار پررونق تر بوده و در این میان مهندسی یادگیری ماشینی در صدر قرار دارد.

شرکت هایی مانند گوگل ، کوئورا و فیس بوک افراد زیادی را با تخصص یادگیری ماشین استخدام می کنند. در دانشگاههای برتر دنیا تحقیقات گسترده ای در زمینه یادگیری ماشین وجود دارد و در شرکت های برتر هیچ محدودیتی در مورد حقوق افراد متخصص یادگیری ماشین  وجود دارد.
ایران نیز در رتبه ی ۱۵ جهان در زمینه هوش مصنوعی قرار دارد و تنها رقیب وی در خاورمیانه کشور ترکیه است. مسلما با پیشرفت روزافزون این حوزه و توسعه کاربرد های آن ایران می تواند به زودی جزو ۱۰ کشور برتر در زمینه یادگیری ماشین و هوش مصنوعی قرار بگیرد. دانشگاه های معتبر ایرانی تحقیقات زیادی در این حوزه انجام می دهند و به پیشرفت های قابل توجهی رسیده اند.

در این مقاله از سری آموزش های پایتون و یادگیری ماشین وبسایت آکادمی آمانج به بررسی بیشتر بازار کار و وضعیت یادگیری ماشین در ایران میپردازیم .

 

بازار کار یادگیری ماشین در جهان

 

 

شبکه اجتماعی لینکدین یکی از شبکه های اجتماعی نسبتا تخصصی است که بر اساس روابط تجاری و شغلی شکل گرفته و اطلاعات مرتبط با مشاغل مختلف در آن قابل دسترسی است. این شبکه اجتماعی به طور دوره ای نسبت به شرایط رشد و آینده مشاغل تحقیقاتی انجام داده و آن را منتشر می کند.

همکاران شبکه اجتماعی لینکدین اطلاعاتی را در مورد مشاغلی که طی چند سال اخیر بیش‌ترین رشد را تجربه کرده‌اند منتشر کرد و بر اساس آن مشخص شد مهارت‌های مرتبط با حوزه فناوری و داده از جمله بخش‌هایی بودند که میزان اشتغال‌زایی در آن‌ها سریع‌ترین رشد را داشته است و به خصوص آن دسته از افرادی که در عرصه مرتبط با داده‌ها فعالیت می‌کنند بیش‌تر از بقیه این رشد را پیش روی خود دیده‌اند.

 

۱۰ عنوان شغلی برتر با پررونق‌ترین بازارکاری در پنج سال گذشته بر اساس گزارش لینکدین عبارتند از:

 

پرتقاضاترین شغل‌ها در حوزه‌ی ماشین لرنینگ و هوش مصنوعی در ایران

۱-مهندس یادگیری ماشین (machine learning engineer)

۲-متخصص داده (data scientist)

۳-متخصص پژوهش (research scientist)

۴-مهندس تحقیق و توسعه (R&D engineer)

۵-توسعه‌دهنده‌ی هوش تجاری (BI developer)

۶-مهندس بینایی ماشین (computer vision engineer)

 

مهارت های مورد نیاز جهت استخدام در حوزه یادگیری ماشین در ایران

• تسلط به هسته اصلی برنامه نویسی پایتون

• تمسلط به اصول برنامه نویسی شی گرا (به خصوص در پایتون)

• تسلط به برنامه نویسی مهندسی با زبان پایتون

• خلاق در حل مسئله و طراحی و بهینه سازی الگوریتم

• تسلط بر کتابخانه های Numpy, Scipy, Matplotlib

• تسلط به کتابخانه یادگیری ماشین sklearn

• تجربه کار با کتابخانه های Tensorflow و nltk و OpenCV

• آشنایی به طراحی دیتابیس MongoDB

• آشنایی با مفاهیم یادگیری عمیق و پردازش تصویر

به طور کلی برای ورود به دنیای هوش مصنوعی به مهارت‌هایی زیر نیاز داریم

۱-دانش برنامه‌نویسی

۲-دانش ریاضیات و آمار و احتمال

برای فراگیری این مهارت‌ها، می‌توانید از کتاب های مرتبط در این زمینه و دوره‌های آنلاین مختلف استفاده کنید. همچنین، در کانون‌ها و دورهمی‌ها شرکت کنید. علاوه بر این‌ها، می‌توانید بر روی ارتباط کسب‌وکار با هوش مصنوعی مطالعه کنید.

 

اگر تصمیم به ورود به حوزه ماشین لرنینگ دارید بد نیست قبل از شروع به مقاله به فکر یادگیری ماشین هستید؟ این 6 مورد را به خاطر بسپارید “که برای مبتدیان بسیار مفید و انگیزشی خواهد بود مراجعه نمایید.

 

کاربردهای هوش مصنوعی و ماشین لرنینگ در شرکت‌های ایرانی

در کشور ما  شرکت ها و سرمایه گزارانی در حوزه یادگیری ماشین وجود دارند که از اهداف برخی از آن ها می توان به هدایت ایده ها به سمت تولید و عرضه ی محصول قابل اعتماد و با ارزش افزوده بالا جهت رشد و پرورش استعدادها و نیروی متخصص بازار کار اشاره کرد،SkillUp از سری رویدادهایی است که به شکل فصلی با همکاری کوئرا و دانشگاه شریف با هدف انتقال تجربه در حوزه‌ی جدید تکنولوژی برگزار می‌شود. در این قسمت بخشی از سخنان مدیران و سرمایه گذاران در زمینه یادگیری ماشین را خواهیم داشت :

 

     دکتر محمود کریمیان – مدیرعامل دیدئو

      رضا مرادی – توسعه‌دهنده بک‌اند در سخن

      محسن شجاعی – مدیر فنی پوشه

      هادی راسخ – مدیرعامل سلام‌سینما 

توضیح مختصری درباره‌ی کسب‌وکار خود بفرمایید:

رضا مرادی – توسعه‌دهنده بک‌اند در سخن:

سخن یک کسب‌وکار B2B است که کسب‌وکارها را قادر می‌سازد محصولات و خدمات خود را به صورت گفتاری به مشتریان ارائه دهند و از طریق صوت با آن‌ها ارتباط برقرار کنند.

محسن شجاعی – مدیر فنی پوشه:

پوشه زیرساخت Push Notification است. ما در واقع یک کسب‌وکار B2B هستیم و خدمات ارسال نوتیفیکیشن ارائه می‌کنیم. ما ۸۰ میلیون نصب فعال و حدود ۳۰ میلیون دستگاه یکتا داریم.

هادی راسخ – مدیرعامل سلام‌سینما:

سلام‌سینما چندین سال است که در حوزه‌ی فیلم و سینما فعالیت می‌کند. سلام‌سینما برای سرویس پیشنهاد فیلم خود از هوش مصنوعی استفاده می‌کند.

دکتر محمود کریمیان – مدیرعامل دیدئو:

دیدئو یک جستجوگر ویدیویی است از سال ۹۴ شروع به کار کرده است. دیدئو سعی می‌کند دسترسی به فیلم‌های مختلف پلتفرم‌هایی مانند یویتیوب را ممکن سازد. در حال حاضر حدود ۶ میلیون کاربر ماهانه داریم و هر ماه ۲۵ میلیون ویدیو در آن دیده می‌شود.

هوش مصنوعی چه کاربردهایی در کسب‌وکار شما دارد و چرا به سراغ هوش مصنوعی رفته‌اید؟

رضا مرادی:

تنها راهکار انجام کارهایی که مد نظر ماست، استفاده از هوش مصنوعی است. در تبدیل صوت به متن و درک صوت، پیچیدگی‌های مختلفی وجود دارد. ما باید بتوانیم بدون قاعده‌ی خاصی، این کار را انجام دهیم. ما از ابزارهای شناسایی صوت (Voice Recognition)، پردازش زبان طبیعی (nlp) و موتور تبدیل متن به گفتار (text-to-speech) استفاده می‌کنیم. ما به جاهای مختلفی خدمات ارائه می‌دهیم. به فرودگاه‌ها، ایرانسل، ۷۲۴ و … خدمات می‌دهیم. همچنین ما در حال ساخت سیستمی هستیم تا در سوانح طبیعی با تحلیل تصاویر هوایی و نظرات مردم در شبکه‌های اجتماعی، به امدادرسانی کمک کنیم.

محسن شجاعی:

ما سعی داریم با پیاده‌سازی هوش مصنوعی بر روی سرویس اصلی، مشتریان بیش‌تر و حرفه‌ای‌تری جذب کنیم. برای مثال مارکترها در کمپین‌های خود از A/B Testing استفاده می‌کنند. ما با استفاده از هوش مصنوعی، قبل از انجام اجرای کمپین، CTR را تخمین می زنیم و از این طریق نیاز به انجام تست‌های مختلف را از بین می‌بریم. همچنین، مارکترها می‌توانند با استفاده از سیستم ما، به شکل شخصی‌سازی‌شده برای افراد کمپین اجرا کنند. کار دیگری که ما انجام می‌دهیم، پیش‌بینی نارضایتی کاربران است.

هادی راسخ:

هدف ما از ابتدا استفاده از هوش مصنوعی نبود. از جایی تصمیم گرفتیم هوش مصنوعی را به کار بگیریم تا تجربه‌ی بهتری برای مخاطبان خلق کنیم.

محمود کریمیان:

وقتی دیدئو را شروع کردیم، در مورد حجم داده‌ها دیدی نداشتیم. ابتدا تصمیم گرفتیم ویدیوها را به صورت Bulk وارد سیستم کنیم. اما بعد از مدتی دیدیم، برای وارد کردن محتواهای خوب به پلتفرم، وقت و نیروی زیادی نیاز داریم. ما به سمت فرایند بلک لیستی رفتیم که می‌تواند تشخیص دهد یک محتوا مناسب است یا نه. این فرایند با استفاده از یک درخت دانش (knowledge graph) انجام می‌شود. دیدئو یک موتور پیشنهاددهنده نیز دارد که محتوای ویدیویی مورد علاقه کاربر را به وی نشان می‌دهد.

 

چالش های استارت آپ ها و سرمایه گذاران هوش مصنوعی و یادگیری ماشین در ایران

 

محمد احمدی  مدیر عامل و عضو هیات مدیره شرکت اسمارت آپ ونچرز سال‌هاست که به صورت شخصی در بازارهای مالی (عمدتا سرمایه‌گذاری در استارتاپ‌ها ) مشغول سرمایه گذاری میباشد وی در مصاحبه ای به بخشی از سوالات در خصوص سرمایه گزاری در حوزه هوش مصنوعی و یادگیری ماشین در ایران پاسخ داده که مهمترین آن ها را میخوانیم :

 از علل توجه خودتان به حوزه هوش مصنوعی بگویید.

هوش مصنوعی یکی از حوزه های ماست. دلیل این انتخاب، دید بلند مدتی است که داریم. هوش منصوعی در ایران ممکن است مقداری با مانیتایز شدن و کسب درآمد کردن و استفاده کاربردی و روزمره فاصله داشته باشد. اما حس می‌کنم در آینده جهان و آینده اقتصاد نقش جدی و پررنگی دارد. بنابراین ما نیاز داریم که آن را یاد بگیریم. یادگرفتن هوش مصنوعی تنها با خواندن کتاب و مقاله محقق نمی‌شود. بلکه یک سرمایه‌گذار باید در این حوزه سرمایه گذاری کند تا بتواند با مشکلات و دردسرهایش آشنا بشود.

 

ما با این دید، دو استارتاپ سرمایه گذاری کردیم؛ این فکت و دیالوگ که در زمینه هوش مصنوعی فعال هستن. اگر به سخنرانی‌هایی که در مورد نوآوری وجود دارد نگاه کنید متوجه می‌شوید که هوش مصنوعی وجه مشترک تمام صحبت های آینده پژوهان است. مثلاً بن هاروویتز با مقایسه نوآوری ۲۰ سال آینده با ۲۰ سال گذشته می‌گفت تمرکز و نقاط کانونی ما از گذشته تا امروز چگونه و چقدر تغییر کرده است؟ علی رغم تفاوت‌هایی که گذشته و آینده داشته و دارد تقریباً در همه آنها هوش مصنوعی و یادگیری ماشین قسمت جدی نوآوری در آینده است.

 

آیا نسبت علاقه مندی شما به این استارتاپ‌ها متفاوت است ؟ ارجحیت شما برای سرمایه گذاری به سمت هوش منصوعی است یا استارتاپ‌۹۹های خدماتی‌تر؟

می شود گفت هرکدام ریسک پروفایل متفاوتی دارند. یعنی بعضی از این استارتاپ ها نوع ریسک‌ها و بازگشت سرمایه‌شان متفاوت است. بعضی از این استارتاپ‌ها ریسک بسیار کمی دارند و به همان نسبت در آینده هم بازگشت سرمایه کمتری احتمالاً داشته باشند. بعضی از آنها ریسک بالقوه زیادی دارند و فاصله شان با کسب درآمد کردن ممکن است بیشتر باشد مانند هوش مصنوعی اما ما حس می کنیم که در آینده می‌توانند نقش جدی در سبد ما داشته باشد. به بیان دیگر؛ باید نسبت به بعضی از سرمایه‌گذاری‌ها دید بلند مدت تری داشته باشیم، مثل هوش مصنوعی اما به بعضی از آنها با اهدف کوتاه مدت‌تر و میان مدت‌تر پرداختیم.

 

آیا نکات تئوری در عمل هم درحال وقوع است؟ چون اینطور به نظر می‌رسد که بعضی استارت آپ ها ایده‌آل سرمایه‌گذاری هستند اما در عمل چنین اتفاق‌هایی رخ نمی‌دهد.

بله واقعیت دارد؛ مثلاً یکی از استارتاپ‌های ما به نام «گهواره» که به مادران از پیش از بارداری تا ۶ سالگی فرزند محتوا می‌دهد، در این حوزه از هوش مصنوعی استفاده می شود در تشخیص اینکه چه محتواهایی به درد چه افرادی می‌خورد. بنابراین اگر در حوزه سلامت وارد شده باشیم هوش مصنوعی به کار ما می‌آید. همینطور استارتاپ «کرفس» که در زمینه رژیم غذایی فعالیت می‌کند با بیگ دیتاها روبرو است و بنابراین عرصه مستقیم فعالیت هوش مصنوعی برای تشخیص الگوها و الگوریتم‌ها است.

 

ازسختی ها و چالش های کارسرمایه گذاران و استارتاپ های حوزه هوش مصنوعی در ایران ؟

من جواب این سؤال را به دو قسمت تقسیم می‌کنم؛ از دید سرمایه گذار و از دید استارتاپ. از دید سرمایه گذار چیزی که ماجرا را سخت می‌کند دوره نگهداری طولانی (HPR) است یعنی اینکه چقدر باید در یک سرمایه گذاری بمانی تا به سود برسی  در صنعت سرمایه گذاری این عدد بالاست یعنی عرف دنیا به ۵ تا ۷ سال می‌رسد؛

یعنی ۷ سال باید در استارتاپ بمانی تا با سود خارج شوی. اما سرمایه‌گذارهای ما عادت به سودهای کوتاه مدت دارند یعنی به دلیل واقعیت‌های اقتصادی کشورمان بسیاری از سرمایه گذارانمان دلال مسلک هستند تا حداکثر در سال آینده با سود خوبی خارج شوند. در حالی که این رویکرد برای فضای استارتاپی ممکن نیست.

سختی و مشکل استارتاپ‌ها این است که بسیاری از آنها بر اساس علاقه شان محصول ساخته‌اند نه نیاز بازار. ابتدا باید مشتری را پیدا کرد و بعد برای مشکل اون راهکار ارائه داد. به نظر من بیش از آنکه این مشکل، فنی باشد به نیازسنجی و شناخت بازار مربوط است. یعنی خیلی از استارتاپ‌ها جاهای غلطی را انتخاب می‌کنند.

 

مشاهده نسخه گرافیکی و کامل