News - چگونه دانشگاه کالیفرنیای جنوبی (USC) ذهن‌های پشت جدیدترین الگوریتم‌های هوش مصنوعی را آموزش می‌دهد.

هوش مصنوعی ممکن است شبیه جادو به نظر برسد، اما پشت هر چت‌بات، خودروِ خودران، سازندهٔ تصاویر و دستیارِ دیجیتال ریاضی پنهان است — مقدار زیادی از آن. با تحول هوش مصنوعی صنایع از بهداشت و درمان تا مالی و سرگرمی، تقاضا برای کارشناسانی که ریاضیات پشت این فناوری را می‌دانند رو به افزایش است. USC Dornsife College of Letters, Arts and Sciences با ارائهٔ دورهٔ جدیدِ کارشناسی ارشد در علوم دادهٔ ریاضی به تأمین این نیاز کمک می‌کند — برنامه‌ای تحصیلات تکمیلی طراحی شده تا دانشجویان را نه تنها برای استفاده از هوش مصنوعی آموزش دهد، بلکه برای درک و ساخت آن. «علوم داده همان ریاضیات است»، گفت آرون لودا، رئیس بخش علوم فیزیکی و ریاضیات و استاد ریاضیات، فیزیک و نجوم. «اگر می‌خواهید AI را درک کنید، باید ریاضیِ پشتِ کارکردِ آن را درک کنید. این چیزی است که این برنامه را منحصر به فرد می‌کند.» رویکرد منحصر به فرد برنامه به پیچ و خم‌های AI می‌پردازد. بسیاری از برنامه‌های تحصیلات تکمیلی تمرکز بر نحوهٔ کاربرد الگوریتم‌های موجود دارند: داده‌ها را وارد می‌کنید، مدل‌ها را اجرا می‌کنید و خروجی‌ها را تفسیر می‌کنید. اما این ابزارها به سرعت قدیمی می‌شوند، لودا می‌گوید. «وقتی برنامه‌ای را تمام می‌کنید که فقط کاربردها را آموزش می‌دهد، ممکن است الگوریتم‌هایی که آموخته‌اید از رده خارج شده باشند.» این برنامه رویکردی متفاوت اتخاذ می‌کند. هدف از آن این است که پایهٔ ریاضی لازم برای پیاده‌سازی آخرین الگوریتم‌ها، فهم دلیل کارکرد آنها و طراحی ابزارهای آینده را به دانشجو بدهد. این برنامه که این پاییز آغاز به کار کرده و حضوری است و سه تا چهار ترم طول می‌کشد، نظریهٔ احتمال، بهینه‌سازی، جبر خطی و مدل‌سازی آماری را — که همگی ستون‌های اصلی یادگیری ماشینِ مدرن هستند — برجسته می‌کند. دانشجویان همچنین تجربهٔ عملی کار با مجموعه‌های دادهٔ واقعی از زمینه‌هایی مانند علوم زمین، زیست‌شناسی، شیمی و فیزیک به دست می‌آورند. «ما می‌خواهیم دانشجویان تئوری را گرفته و آن را به مسئله‌های واقعی اعمال کنند»، می‌گوید شیائوهویی چن، هم‌مدیر برنامه و استاد مشترکِ ریاضیات. «این یادگیریِ تجربی، پرتفولیویی می‌سازد که می‌تواند به کارفرمایان آینده یا برنامه‌های دکترا ارائه شود.» چن، استادیار ریاضیات، یادآور می‌شود که برنامه پاسخگوی نیاز رو به رشد در صنایع گوناگون است. «هر بخش اکنون به داده‌ها برای هدایت تصمیم‌گیری‌ها تکیه می‌کند»، او گفت. «بر خلاف سایر برنامه‌ها که عمدتاً آموزش می‌دهند چگونه از کتابخانه‌های کدِ موجود استفاده کنید، برنامهٔ ما دانشجویان را برای ایجاد تکنیک‌ها و الگوریتم‌های نو می‌آموزد. فارغ‌التحصیلان با ترکیبی بی‌نظیر از ریاضیات پیشرفته و مهارت‌های آماری، همراه با تجربهٔ عملی، از برنامه خارج می‌شوند.» دانشجویان می‌گویند این رویکرد متمایز است. کانگ نگوین پس از تحصیل در دورهٔ کارشناسی دربارهٔ داده‌کاوی و انجام پژوهش در یادگیری تقویتی ثبت‌نام کرد. «می‌خواستم به مدرسه‌ای بروم که به من اجازه دهد پایهٔ نظری ریاضیاتم را عمیق‌تر کنم و همزمان آن را در مسائل داده‌کاوی دنیای واقعی به کار ببرم»، او گفت. «ما با چالش‌های واقعی روبه‌رو می‌شویم و روی الگوریتم‌های یادگیری ماشین کار می‌کنیم. و کلاس‌های کوچک به من اجازه می‌دهد با استادان به‌طور نزدیکی کار کنم و به پرسش‌های پژوهشی عمیق‌تر پرداخته و پژوهش کنم.» علاوه بر این، موقعیت USC در لس‌آنجلس مزایای بی‌نظیری ارائه می‌دهد، از جمله دسترسی به کارآموزی و شبکه‌سازی با شرکت‌های فناوری محلی، استودیوهای سرگرمی و شرکت‌های نوپا. همچنین دانشجویان از شبکهٔ فارغ‌التحصیلان Trojan و پشتیبانی شغلی برخوردارند، از جمله رویدادهای سخنران صنعتی و برنامه‌های راهنمایی. تجربهٔ واقعی — و چشم‌اندازهای شغلی. شیل گناترْا، رئیس دپارتمان ریاضیات USC Dornsife و استاد ریاضیات، تأکید کرد که این برنامه با رویکردهای گستردهٔ دانشگاه مکمل است، به‌ویژه مؤسسهٔ اخلاق و اعتماد در محاسبات. «یک تلاشِ دانشگاهی برای اطمینان از اینکه AI نه تنها قدرتمند بلکه اخلاقی و قابل اعتماد باشد وجود دارد»، گفت، «و این برنامه نقش کلیدی در آن ایفا می‌کند.» فراتر از آماده بودن برای مشاغل در هوش مصنوعی، فارغ‌التحصیلان همچنین برای نقش‌های پژوهشی پیشرفته و تحصیلات دکترا آماده خواهند شد. «در حال حاضر، بخش AI و حوزه‌های هم‌جوار به سرعت در حال رشد هستند»، گفت هم‌مدیر برنامه چن. «پیش‌بینی‌های بازار نشان می‌دهد بازار فناوری AI تا سال 2030 می‌تواند به ۱.۸ تریلیون دلار برسد و حقوق متخصصان داده با میانگینِ شش رقمی است. اما مهم‌تر این است که دانشجویان مهارت‌هایی می‌آموزند که به آن‌ها اجازه می‌دهد با پیشرفت حوزه کنار بیایند و چشم‌اندازهای بلندمدتشان را تقویت کنند.» دانشجویان هم‌اکنون به پژوهش‌های جاه‌طلبانه‌ای می‌پردازند. کانگ نگوین در پروژه‌های یادگیری تقویتی با تمرکز بر نظریهٔ باندیت و تکنیک‌های بهینه‌سازی سیاست کار می‌کند. هم‌کلاسی او، ویرج بانسال، بررسی می‌کند که چگونه ریاضیات نظری، از جمله زمینه‌هایی مانند نظریهٔ نمایش، می‌تواند مدل‌های یادگیری ماشین را راهنمایی کند. «این برنامه به ما اجازه می‌دهد آزمایش کنیم و کاوش کنیم»، بانسال گفت. «ما یاد می‌گیریم که نه تنها اجراکنندگان AI باشیم، بلکه سازندگان و نوآوران.» این دقیقاً همان ذهنیتی است که برنامه برای پرورش آن طراحی شده است، می‌گوید استانیسلاو مینسکر، استاد ریاضیات و هم‌مدیر برنامه. «اگر می‌خواهید فراتر از برنامهٔ سنتی داده‌کاوی بروید و AI را از پایه درک و بسازید، اینجا همان جایی است که باید این کار را انجام دهید.»