علم داده

در سال های اخیر، کاربرد هوش مصنوعی به ویژه یادگیری ماشینی در حوزه مدیریت منابع انسانی رشد قابل توجهی داشته است، و به دلیل جدید بودن این حوزه، برای بسیاری از مدیران و خبرگان حوزه منابع انسانی ناشناخته است. همچنین، در سال های متمادی شاهد تولید داده های زیادی در این حوزه و زمینه های مرتبط با آن هستیم که تحلیل آنها در فعالیت های منابع انسانی با دشواری همراه است. توانمندی های علم داده و یادگیری ماشینی توانسته است با گزارش ها و تحلیل های توصیفی، تشخیصی، پیش بینی کننده و تجویزی کمک های شایانی به این حوزه و فراتر از آن به راهبری سازمان داشته باشد. در این راستا هدف از انجام پژوهش، بررسی اقداماتی است که تاکنون در حوزه هوشمندی مدیریت منابع انسانی انجام شده است و به سه سوال اصلی پاسخ داده می شود. سوال اول شناسایی فعالیت هایی از مدیریت منابع انسانی است که قابل هوشمندسازی می باشند. در سوال دوم، به شناسایی کاربرد انواع الگوریتم های یادگیری ماشینی در در این حوزه پرداخته شده است. در سوال سوم، بر مبنای سطوح بلوغ تحلیل های پیشرفته داده،طبقه بندی "الگوریتم های یادگیری ماشینی در کارکردهای هوشمندی مدیریت منابع انسانی" صورت پذیرفته است. برای پاسخگویی، طیف وسیعی از مقالات از پایگاه ها و مجلات معتبر علمی استخراج و بر اساس روش ترکیبی در هم تنیده(همزمان) مورد بررسی قرار گرفتند.در بخش کمی از الگوریتم های متن کاوی با استفاده از زبان پایتون و در بخش کیفی از تحلیل مضمون با استفاده از نرم افزار MAXQDA2020 استفاده شده است.

پیشرفت انقلاب صنعتی چهارم در دو عرصه ی پژوهش و عمل، موضوعات زیادی را از جمله مدیریت عملیات تحت تاثیر قرارداده و مطالعه ی ابعاد آن و فرصت های پیش رو به موضوعی نوظهور و در حال رشد درمیان پژوهشگران تبدیل شده است. هدف این نوشتار نیز، تبیین همین نگرش ها و فرصتهای تحقیقاتی جدید در حوزه مدیریت عملیات است که به کمک مروری بر مطالعات موج چهارم انقلاب صنعتی در میان رشتههای مختلف انجام خواهد شد. بنابراین در ابتدا، به تحلیل مطالعات انجامشده در زمینه انقلاب صنعتی چهارم پرداخته خواهد شد. برای آشنایی با دیدگاه های محققان در این زمینه، در نهمین کنفرانس IFAC MIM برلین در آگوست 2019 از پژوهشگران مهندسی صنایع، مدیریت عملیات، تحقیق در عملیات، کنترل و علم داده یک نظرسنجی گسترده و بینرشته ای در سطح جهانی انجام شده است. با استفاده از یافته های نظرسنجی و تحلیل مبانی نظری، چارچوب های ساختاری و مفهومی قابل درکی ارائه شده است که وضعیت فعلی انقلاب صنعتی را به تصویر کشیده است. درنهایت بر پایه ی این مبانی، فرصت های جذاب پژوهشی را در زمینه مدیریت عملیات استخراج و دراختیار پژوهشگران و علاقه مندان قرار داده است.

 امروزه فناوری های جدید، مجموعه های متنوعی از داده ها را در علوم مهندسی تولید می کنند. علم داده، ابزارهای لازم برای ذخیره سازی، تجزیه و تحلیل و مدیریت این مجموعه داده ها را ارائه کرده و سبب ایجاد تحولی جدی در توسعه علم و فناوری گردیده است. در آینده ای نزدیک تقریباً در همه حوزه ها، مشاغل سنتی به سرعت با مشاغل داده محور جایگزین می شوند. نبودن نیروی انسانی کارآمد و آموزش دیده مانعی جدی برای مدیریت داده های حجیم در سازمان ها، بنگاه ها و دستگاه های اجرایی است. در نتیجه، آموزش و به کارگیری علم داده در مقطع کارشناسی و تحصیلات تکمیلی در رشته های مهندسی و از جمله مهندسی شیمی اجتناب ناپذیر است. در این مقاله، به بررسی اهمیت ایجاد دروس مرتبط با علم داده، آموزش روش های ارزیابی داده های کلان و نقش این آموزش ها در توسعه مهندسی شیمی در دانشگاه و صنعت پرداخته می شود. برای این منظور، دروس علم داده در دانشگاه های برتر مورد بررسی قرار می گیرد و در نهایت پیشنهادهایی برای ایجاد دروس علوم داده در برنامه آموزشی مهندسی شیمی در ایران ارائه می شود. هم چنین سرفصل هایی به منظور نحوه ارائه این درس یا دروس پیشنهاد می گردد. ارائه این آموزش ها به مهندسین شیمی، می تواند آن ها را به منظور کسب فرصت های شغلی و نحوه مواجهه با داده های حجیم و کلان در صنایع شیمیایی یاری نماید.

در چشم انداز تحولی سرمایه گذاری خطرپذیر، هوش مصنوعی نه تنها به عنوان یک فرصت سرمایه گذاری، بلکه به عنوان یک ابزار تحول آفرین ظاهر شده که راهبرد های سرمایه گذاری و کارایی عملیاتی صندوق های سرمایه گذاری را بازتعریف می کند. صندوق های سرمایه گذاری پیشرو مانند A16Z، Sequoia و Capital Tiger از هوش مصنوعی بهره می برند تا نه تنها فرآیندهای خود بهبود دهند، بلکه از آن برای کشف گنجینه های پنهان در دریای بیکران فرصت های سرمایه گذاری استفاده کنند. این رویکرد نوین به هوش مصنوعی یعنی استفاده از آن برای پیدا کردن فرصت های سرمایه گذاری برای اقتصادهای رو به رشد مانند ایران فرصتی برای جذب سرمایه خارجی و سرمایه گذاری در موقعیت های بهتر است. بنابراین، سیاست گذاری های کلان باید در راستای فراهم سازی بسترهای لازم برای استفاده از هوش مصنوعی در جهت کشف موقعیت های سرمایه گذاری باشد. این هدف، مستلزم چهار رکن است: فراهم سازی داده های لازم، امکان پردازش داده با هوش مصنوعی برای یافتن موقعیت های مناسب سرمایه گذاری، ارتقای عملیات های روزانه صندوق ها و سیگنال مؤثر به سرمایه گذار خارجی برای یافتن شریک محلی. همچنین سرمایه گذار با تبیین قوانین مناسب برای هوش مصنوعی شامل حریم خصوصی داده باید امکان استفاده از این فناوری را برای صندوق ها فراهم کند. سیاست گذار می تواند برای تسریع در زمینه استفاده از هوش مصنوعی برای صندوق های سرمایه گذاری حتی به طور فعالانه در تشکیل پایگاه داده ی سرمایه گذاری و تولید نرم افزارهای محلی برای عملیات های صندوق ها مشارکت کند.