آگهی کارشناس هوش مصنوعی منتشر می‌شود، ده‌ها رزومه می‌رسد و پس از چند مصاحبه روشن می‌شود هیچ‌کدام دقیقاً آن چیزی نیست که سازمان لازم دارد. مشکل از بازار کار آغاز نشده؛ از آگهی‌ای آغاز شده که نقش را تعریف نکرده بود.

هوش مصنوعی یک تخصص واحد نیست. کسی که خط لولهٔ داده می‌سازد، کسی که مدل را آموزش می‌دهد و کسی که خروجی مدل را به محصولی قابل استفاده تبدیل می‌کند، سه مهارت متفاوت‌اند و به‌ندرت در یک نفر جمع می‌شوند. پیش از هر تصمیمی دربارهٔ استخدام محلی یا دورکار، باید روشن باشد کدام‌یک را می‌خواهید.

اول نقش را تعریف کنید، بعد آگهی بدهید

در بیشتر پروژه‌های کسب‌وکاری، اولویت نخست مهندس داده است نه پژوهشگر مدل. تا وقتی داده پراکنده، ناسازگار و بدون تاریخچه است، بهترین متخصص یادگیری ماشین هم کاری از پیش نمی‌برد. نقش دوم کسی است که دامنهٔ کسب‌وکار را می‌شناسد و می‌تواند بگوید کدام خروجی در عمل قابل استفاده است. نقش سوم مهندسی است که راهکار را پایدار و قابل نگهداری می‌کند. ترتیب استخدام معمولاً باید همین باشد.

محلی یا دورکار: معیارهای انتخاب

• حساسیت داده: اگر داده اجازهٔ خروج از شبکهٔ سازمان را ندارد، حضور فیزیکی یا دسترسی کنترل‌شده شرط است.
• بلوغ فرآیند داخلی: تیم دورکار در سازمانی که مستندسازی و تعریف روشن وظیفه ندارد، بازدهی خود را از دست می‌دهد.
• جنس کار: کار پژوهشی و پروژه‌ای با دورکاری سازگارتر است؛ کاری که به گفت‌وگوی روزمره با واحدهای عملیاتی نیاز دارد، کمتر.
• هزینه در برابر هماهنگی: دورکاری معمولاً دسترسی به استعداد گسترده‌تری می‌دهد، اما هزینهٔ هماهنگی و مدیریت را بالا می‌برد.

ساختن از درون یا آوردن از بیرون

در بسیاری از سازمان‌ها بهترین نامزد از پیش داخل شرکت است: کارشناسی که فرآیند را عمیق می‌شناسد و مهارت تحلیلی دارد. آموزش چنین فردی معمولاً سریع‌تر و پایدارتر از جذب متخصصی است که باید ماه‌ها صرف شناخت کسب‌وکار کند. آوردن از بیرون آنجا توجیه دارد که مهارت لازم واقعاً در سازمان وجود ندارد و زمان‌بندی مجال آموزش نمی‌دهد. ترکیب این دو، یعنی یک متخصص باتجربه در کنار دو نفر از داخل، معمولاً پایدارترین نتیجه را می‌دهد.

چالش واقعی در ایران: نگه‌داشتن، نه یافتن

نیروی فنی توانمند در ایران کم نیست؛ آنچه دشوار است ماندگاری اوست. متخصصی که در سازمان شما آموزش می‌بیند، به‌سرعت برای بازار بیرونی و کارفرمای خارج از کشور جذاب می‌شود. حقوق تنها یکی از عوامل است و معمولاً همان عاملی است که سازمان کوچک نمی‌تواند در آن رقابت کند. آنچه در عمل نگه می‌دارد، کار جدی و قابل افتخار، اختیار تصمیم فنی و مسیر رشد روشن است. اگر متخصص شما ماه‌ها صرف پاک‌سازی دستی داده کند، ماندنش را نباید انتظار داشت.

مسیر سه‌ماههٔ ساختن تیم

• ماه اول: فهرست کنید کدام کارها را واقعاً باید در داخل سازمان انجام دهید و کدام را می‌توان به پیمانکار سپرد. تنها برای دستهٔ نخست نقش تعریف کنید.
• ماه دوم: یک نفر با تجربهٔ عملی جذب کنید و هم‌زمان دو کارشناس داخلی را به‌عنوان همراه او تعیین کنید. سنجش مصاحبه را روی مسئله‌ای واقعی از داده‌های خودتان بگذارید، نه پرسش‌های نظری.
• ماه سوم: مالکیت یک فرآیند مشخص را به این گروه بسپارید و اختیار تصمیم فنی را به آنان بدهید. انتقال دانش را از روز نخست الزامی کنید تا وابستگی به یک نفر شکل نگیرد.

خطاهای رایج در استخدام

• جست‌وجوی فردی که هم‌زمان مهندس داده، متخصص مدل و توسعه‌دهندهٔ نرم‌افزار باشد؛ چنین آگهی معمولاً بی‌پاسخ می‌ماند یا نامزد نامناسب جذب می‌کند.
• ارزیابی نامزدها با پرسش‌های نظری، به‌جای یک تمرین کوتاه روی دادهٔ واقعی سازمان.
• استخدام پیش از آماده بودن داده؛ متخصص تازه‌وارد ماه‌ها بی‌کار می‌ماند یا مشغول کاری می‌شود که برای آن استخدام نشده است.
• نبود برنامهٔ انتقال دانش، که سازمان را به یک نفر گره می‌زند و خروج او را به بحران تبدیل می‌کند.

چگونه بفهمیم انتخاب درست بوده است

شاخص مناسب، شمار مدل‌های ساخته‌شده نیست. سه نشانه گویاتر است: فاصلهٔ زمانی میان تعریف یک مسئله تا نخستین خروجی قابل ارزیابی؛ شمار فرآیندهایی که بدون حضور آن فرد خاص همچنان کار می‌کنند؛ و اینکه آیا کارشناسان داخلی به‌مرور توانسته‌اند بخشی از کار را مستقل پیش ببرند یا نه.

پرسش‌های پرتکرار

• برای شروع چند نفر لازم است؟
  در مقیاس کسب‌وکار کوچک و متوسط، یک نفر باتجربه در کنار یک یا دو کارشناس داخلی برای نخستین پروژه کافی است.
• آیا سپردن کار به پیمانکار بیرونی درست است؟
  برای نخستین نمونهٔ اولیه بله، به شرط آنکه مالکیت داده، کد و مستندات نزد شما بماند و انتقال دانش در قرارداد دیده شود.
• مهارت فنی مهم‌تر است یا شناخت کسب‌وکار؟
  در سازمان‌های کوچک، شناخت کسب‌وکار معمولاً کمیاب‌تر و دیرآموزتر است؛ مهارت فنی پایه را می‌توان سریع‌تر تکمیل کرد.

جمع‌بندی

انتخاب میان استخدام محلی و دورکار، پس از تعریف دقیق نقش، تصمیم ساده‌ای است. آنچه سرنوشت را تعیین می‌کند ترتیب درست استخدام، سپردن کار جدی به تیم و برنامه‌ای روشن برای نگه‌داشتن آنهاست. یک تیم کوچک و پایدار از تیمی بزرگ و پرگردش نتیجهٔ بیشتری می‌دهد.

واژه‌نامه

• مهندس داده: کسی که مسیر گردآوری، انتقال و آماده‌سازی داده را می‌سازد و نگه می‌دارد.
• مهندس یادگیری ماشین: کسی که مدل را آموزش می‌دهد و آن را برای استفادهٔ پایدار در محیط واقعی آماده می‌کند.
• خط لولهٔ داده: زنجیرهٔ خودکار مراحلی که داده را از منبع تا نقطهٔ مصرف می‌رساند.
• ساخت یا خرید: انتخاب میان توسعهٔ توانمندی در داخل سازمان و تأمین آن از بیرون.
• نگه‌داشت: توانایی سازمان در حفظ نیروی کلیدی پس از سرمایه‌گذاری روی آموزش او.
• انتقال دانش: مستندسازی و آموزشی که کار را از وابستگی به یک فرد خارج می‌کند.
• عامل هوشمند: نرم‌افزاری که یک هدف را می‌گیرد و گام‌های لازم تا رسیدن به نتیجه را خود انجام می‌دهد.

اقدام این هفته

این هفته، فهرستی از سه وظیفه‌ای که در پروژهٔ هوش مصنوعی خود دارید تهیه کنید و مشخص کنید هر کدام به کدام نقش نیاز دارد: مهندس داده، متخصص مدل یا توسعه‌دهندهٔ محصول. سپس برای نقشی که اولویت اول شماست، یک آگهی دقیق بنویسید که به‌جای عناوین کلی، مسئولیت‌ها و خروجی‌های مشخص را شرح دهد. در پایان هفته، این آگهی را با سه نفر از همکاران خود مرور کنید و از آن‌ها بخواهید بگویند آیا می‌دانند دقیقاً دنبال چه کسی هستید.

منابع

• راهنمای استخدام برای نقش‌های هوش مصنوعی (Harvard Business Review)
• وضعیت هوش مصنوعی در ۲۰۲۳ (McKinsey)
• استراتژی‌های جذب استعداد هوش مصنوعی (SHRM)
• راهنمای نهایی استخدام استعداد هوش مصنوعی (Forbes)
• پنج گام برای استخدام استعداد هوش مصنوعی (Gartner)