مدیر گروه رشته مهندسی صنایع دانشگاه اصفهان مطرح كرد
مایندمپ جامع نقشه راه هوشمند برای آینده ای متفاوت در آموزش و صنعت
به گزارش نیو وبلاگ، اصفهان مایندمپ جامع، نقشه راهی هوشمند برای حل چالش های پیچیده آموزش و صنعت، اتصال بین بخش های مختلف را آسان می کند.
در دنیای پیچیده و پویای امروز، هر سازمان و شرکتی که بخواهد در حوزه رقابتی باقی بماند، باید از ابزارهای نوین و تفکرات نوین بهره ببرد. یکی از این ابزارهای قدرتمند که توانسته در این سال ها به کمک خیلی از صنایع و پژوهشگران بیاید، مفهوم «مایندمپ» یا نقشه ذهنی است. نقشه های ذهنی به عنوان ابزاری برای تحلیل و بررسی مسایل پیچیده و ارتباط میان بخش های مختلف سازمانی، نقش اساسی ایفا می کنند. این نقشه ها می توانند به مدیران، پژوهشگران و دانشجویان کمک کنند تا تفکرات خودرا بصورت شفاف و سازمان یافته درآورند و از این راه به تحلیل و حل مسایل پیچیده بپردازند.
در حوزه های مختلف، همچون مدیریت زنجیره تامین، فناوری اطلاعات و حتی بخش های علمی و تحقیقاتی، استفاده از نقشه های ذهنی به عنوان یک ابزار راهبردی به سرعت درحال رشد است. این ابزار به افراد کمک می نماید تا چالش ها و فرصت ها را به روشنی شناسایی کنند و مسیرهای بهینه را برای رسیدن به اهداف خود طراحی نمایند. در این راستا، کاربرد مایندمپ ها خصوصاً در ترکیب با تکنولوژی های نوین مانند هوش مصنوعی، به ابزاری بی نظیر و کارآمد تبدیل گشته است که می تواند فرایندهای تحلیل و بررسی را تسریع و به راندمان و دقت کمک شایانی کند. در همین جهت باتوجه به پیچیدگی های بیش از پیش زنجیره های تأمین در سطح بین المللی، نیاز به ابزاری جامع و یکپارچه برای درک بهتر این حوزه بالاتر از پیش احساس می شد. «مایندمپ جامع زنجیره تأمین» که با هدایت علیرضا گلی، عضو هیأت علمی گروه مهندسی صنایع و آینده پژوهی دانشگاه اصفهان طراحی شده است، می تواند به محققان و متخصصان کمک نماید با درک ساختارمندتری به مطالعه و تحلیل موضوعات در رابطه با زنجیره تأمین بپردازند.
علیرضا گلی، مدیر گروه رشته مهندسی صنایع و آینده پژوهی دانشگاه اصفهان به ایسنا می گوید: در دنیای امروز که تکنولوژی به سرعت درحال تغییر است، روش های سنتی تولید علم، نگارش کتاب و مقالات علمی هم نیاز به بازبینی دارند. دیگر نمی توان انتظار داشت که تحقیقات تنها با عرضه مقالات و کتاب ها اثرگذار باشند. اطلاعات به سرعت تولید و منتشر می شود و ابزارهای هوش مصنوعی توانایی عرضه خلاصه ها، تحلیل ها و حتی تولید محتوا را دارند.
وی باتوجه به این تغییرات می افزاید: لازم است که رویکرد های آموزشی و پژوهشی هم متناسب با نیازهای نسل جدید و ابزارهای نوین بازتعریف شوند. دغدغه ما این بود که چگونه می توانیم خروجی پژوهشی عرضه دهیم که هوش مصنوعی قادر به تولید آن نباشد، پژوهشی که عمیق، کاربردی و منحصربه فرد باشد.
دکترای مهندسی صنایع بیان می کند: در همین جهت، پروژه ای در دانشگاه عرضه شد که از هیچ ابزار هوش مصنوعی قابل دستیابی نبود و توسط مجموعه ای از متخصصان و شرکت های دانش بنیان شکل گرفت. در این پروژه، بجای اتکا بر روش های سنتی مانند نگارش کتاب یا مقاله، از نگاهی تعاملی و ساختارمند به نام نقشه ذهنی یا مایند مپ زنجیره تأمین استفاده شد. به عنوان نمونه، در پروسه انتخاب مدیر برای یک واحد سازمانی، به طور معمول جلسات مختلفی با حضور چندین متخصص انجام می شود. در این جلسات، فاکتورهای مختلفی برای انتخاب مدیر مطرح می شوند؛ مانند تخصص در عرصه مربوطه، تعهد کاری و مسئولیت پذیری، سوابق درخشان در مدیریت یا کارشناسی، اما تفسیر این فاکتورها پیچیده است. بعنوان مثال تعهد کاری چگونه باید سنجیده شود؟ آیا تنها بر طبق سوابق کاری ارزیابی می شود یا نیاز به معیارهای کمی و کیفی دقیق تری دارد؟
گلی با اعلان اینکه نقشه ذهنی در اینجا ابزاری قدرتمند است که می تواند تمامی فاکتورهای ذهنی را بصورت تصویری و شفاف نمایش دهد، ادامه می دهد: این تکنیک کمک می نماید تا جایگاه هر شاخص در پروسه تصمیم گیری مشخص شود، معیارهای کمی برای سنجش فاکتورها تعیین و در جلسات کوتاه و موثر، فاکتورهای دقیق و کاربردی استخراج شوند.
وی می گوید: مدیریت زنجیره تأمین یکی از حوزه های بسیار پیچیده و گسترده است که در آن چندین شرکت و واحد مختلف بصورت سلسله مراتبی با یکدیگر همکاری می کنند. این زنجیره می تواند در صنایع مختلفی مانند پوشاک، مواد غذایی، خودرو، تجهیزات اداری و بسیاری دیگر دیده شود.
مدیر گروه رشته مهندسی صنایع و آینده پژوهی دانشگاه اصفهان با اعلان اینکه هر زنجیره تأمین شامل بخش های مختلفی است، از تولید مواد اولیه گرفته تا توزیع و فروش نهائی اظهار می کند: در هر مرحله، عوامل گوناگونی همچون مسایل مالی، ریسک های زنجیره ای، حسابداری، مدیریت راهبردی و برنامه ریزی تاکتیکی مطرح است.
گلی با اشاره به این که در پروژه ما، تیم های متخصص از رشته های گوناگون، مانند محیط زیست، حسابداری و مدیریت صنعتی گرد هم آمدند، می گوید: هدف این بود که با بهره گیری از نقشه ذهنی فاکتورهای موثر در مدیریت زنجیره تأمین بطور دقیق شناسایی شوند، پروسه تصمیم گیری بهینه سازی و هماهنگی و ادغام اطلاعات میان شرکتها تسهیل شود، به عنوان مثال در صنعت پوشاک، اگر مواد اولیه بی کیفیت تولید شود، این نقص در مراحل بعدی تشدید شده و در نهایت منجر به تولید محصولی نامرغوب می شود که زودتر دور ریخته شده و منجر به تولید ضایعات و صدمه های زیست محیطی می شود.
وی خاطرنشان می کند: پروژه نقشه ذهنی و زنجیره تأمین نشان داد که با بهره بردن از تفکر خلاقانه و رویکرد های نوین می توان در فرایندهای پیچیده ای مانند مدیریت زنجیره تامین، انتخاب مدیران و توسعه پژوهش های علمی تحول ایجاد کرد. این تکنیک نه فقط فرایندهای تصمیم گیری را ساده تر و شفاف تر می کند، بلکه باعث افزایش کارآیی و اثربخشی در عرصه های علمی و اجرائی می شود.
دکترای مهندسی صنایع با اعلان اینکه در فرایندهای پیچیده ای مانند مدیریت زنجیره تامین، به طور معمول حل یک مساله به زمان زیادی نیاز دارد، می افزاید: ممکنست ماه ها و حتی سال ها جلسات مختلفی اجرا شود تا مشخص شود که چطور میتوان یک مشکل را برطرف کرد. به عنوان مثال، فرض کنید شرکتی بزرگ مانند فولاد مبارکه در نظر دارد مساله آلودگی خودرا حل کند. برای این کار، لازم است با شرکت های پایین دستی و بالادستی خود، واحدهای تولیدی و توزیعی و حتی نهادهای فروش و توزیع ارتباط بگیرد. این مساله نیازمند تشکیل تیم های مختلف و برگزاری جلسات پی درپی است. در این فرآیند، به طور معمول نظرات افراد به درستی تجمیع نمی شود و هر کسی دیدگاه خودرا مطرح می کند بدون این که در نهایت به یک چاره جامع برسند.
گلی ادامه می دهد: در این راه نگاهی را پیاده سازی کردیم که بتواند این مشکلات را برطرف کرده و به هر شرکت یا دانشگاهی که در عرصه زنجیره تأمین فعالیت می کند، دیدگاه کاملی از این حوزه عرضه نماید. این رویکرد شامل ایجاد مجموعه ای از اطلاعات جامع، ساختاریافته و دسته بندی شده است که می تواند به افراد کمک نماید تا در زمان بسیار کوتاه تری به راهکارهای عملیاتی برسند. بعنوان مثال، فرض کنید یک شرکت در نظر دارد تکنولوژی جدیدی را در فرایندهای خود پیاده سازی کند. در حالت عادی، این شرکت باید چندین متخصص را دعوت کند، جلسات مختلفی اجرا شود و در این بین، افراد ناچار هستند منابع مختلفی از مقالات، کتاب ها و سایت های علمی را جست وجو کنند تا بتوانند یک شاخص جدید برای ارزیابی عملکرد شرکت بیابند. این پروسه ممکنست چند هفته بطول بیانجامد.
وی با اعلان اینکه با رویکرد جدیدی که توسعه دادیم، توانستیم این پروسه طولانی را به چند دقیقه کاهش دهیم، می گوید: این تکنیک به کمک مجموعه ای از فاکتورهای از پیش تعریف شده و دسته بندی شده به انجام می رسد. بعنوان مثال، در عرصه زنجیره تامین، فاکتورهای مختلفی برای ارزیابی عملکرد شرکتها وجود دارد که به طور معمول در منابع مختلف پراکنده اند. تمامی این اطلاعات را جمع آوری و در قالب یک ساختار منظم سازمان دهی کردیم. در نتیجه، بجای آن که افراد مدت ها در منابع مختلف جست وجو کنند، تنها کافی است لیست فاکتورها را مشاهده کرده و شاخص مناسب خودرا انتخاب کنند.
مدیر گروه رشته مهندسی صنایع دانشگاه اصفهان تصریح می کند: این پروژه اصولا یک کلکسیون بزرگ از اطلاعات است که شامل کتاب ها، مقالات، وب سایت های علمی و حتی داده های تولیدشده توسط ابزارهای هوش مصنوعی است. این اطلاعات در قالب مجموعه ای از باکس های منظم عرضه شده که در آن شاخه های مختلف به تفکیک مشخص شده اند. بعنوان مثال، در عرصه انرژی های تجدیدپذیر، افراد می توانند ابتدا زمینه کاری خودرا انتخاب نموده، سپس حوزه های مرتبط را شناسایی و در نهایت مبحث موردنظر خودرا تعریف کنند. این تکنیک نه فقط در صنایع کاربرد دارد، بلکه در محیط های دانشگاهی هم برای دانشجویانی که قصد دارند موضوعی جدید برای پایان نامه خود تعریف کنند، بسیار مناسب می باشد، همین طور این پروژه کمک می نماید که موازی کاری های علمی و صنعتی کم شود. بعنوان مثال، اگر یک سازمان قصد داشته باشد جایگاه خودرا در زنجیره تأمین بررسی نموده و موقعیت خودرا بهبود بخشد، نیازی نیست مجدداً بدنبال فاکتورهای جدید بگردد. این اطلاعات از پیش آماده و در قالب یک ساختار منظم عرضه شده اند تا سازمان ها بتوانند مستقیماً وارد مرحله ارزیابی و تصمیم گیری شوند.
گلی اظهار می کند: بازخوردهای دریافتی از این پروژه هم فراتر از انتظار ما بود. این تکنیک در رسانه های اجتماعی معرفی گردید و بازخوردهای بسیار مثبتی دریافت کردیم. یکی از این بازخوردها ازطریق یک متخصص آلمانی در عرصه طراحی صنعتی بود که اظهار داشت تا حالا چنین سطحی از دقت و جزییات در هیچ پروژه مشابهی مشاهده نکرده است. این نشان میدهد که با وجود پیشرفت ابزارهای هوش مصنوعی، هنوز هم می توان با رویکرد های خلاقانه و دقیق، پروژه های منحصربه فرد و ارزشمندی عرضه داد.
نمی توان بطور کامل به هوش مصنوعی اتکا کرد
ی با اشاره به این که در این پروژه، ما سعی کردیم ثابت نماییم که هرچند هوش مصنوعی قادر می باشد خیلی از وظایف را انجام دهد، اما استفاده صرف از این ابزارها بدون مداخله و دانش متخصصان می تواند گمراه کننده باشد، خاطرنشان می کند: در یکی از تجربیات ما، یک شرکت قصد داشت از ابزارهای هوش مصنوعی برای رتبه بندی تأمین کنندگان خود استفاده نماید. تمامی داده ها به ابزار داده شد و خروجی عرضه شد، اما این خروجی با واقعیت های شرکت همخوانی نداشت و محاسبات انجام شده توسط هوش مصنوعی فاقد دقت و انسجام بود. در نهایت، ناچار شدیم با بررسی دقیق اطلاعات و استفاده از دانش تخصصی، یک رتبه بندی جدید و دقیق عرضه نماییم.
دکترای مهندسی صنایع ادامه می دهد: این تجربه نشان داد که هوش مصنوعی می تواند در فرایندهای پژوهشی و صنعتی بسیار مفید باشد، اما نمی توان بطور کامل به آن اتکا کرد. متخصصان باید به عنوان راهنما در این فرایندها حضور داشته باشند تا داده های عرضه شده توسط هوش مصنوعی را تحلیل و اصلاح کنند.
گلی می افزاید: همانطور که در گذشته، ترجمه های ماشینی ابتدایی مانند گوگل ترنسلیت خطاهای زیادی داشتند و سال ها طول کشید با بازخورد کاربران بهبود یابند، ابزارهای هوش مصنوعی هم بازهم درحال یادگیری و تکامل هستند، بدین سبب اتکای کامل به این ابزارها می تواند صدمه زا باشد.
وی با اعلان اینکه در یکی از تجربیات دیگر، مقاله ای که ما برای یک ژورنال معتبر (Q1) ارسال کرده بودیم، به سبب استفاده از هوش مصنوعی مورد بررسی دقیق قرار گرفت، اظهار می کند: در نهایت، با تأیید این که محتوای مقاله توسط متخصصان بازنگری و ویرایش شده و مسئولیت نهائی جملات بر عهده نویسنده است، مقاله پذیرفته شد. با این وجود، بازخورد آنها این بود که در آینده، لازم است در آخر مقاله ذکر شود که از ابزار هوش مصنوعی در پروسه نگارش استفاده شده است.
دکترای مهندسی صنایع اضافه می کند: این مساله اهمیت آگاهی رسانی به محققان، بویژه دانشجویان دکترا را نشان میدهد. استفاده ناصحیح از هوش مصنوعی ممکنست باعث رد شدن مقاله و حتی محرومیت چندساله نویسنده از ارسال مقاله به ژورنال های معتبر شود، بدین سبب محققان باید بدانند که این ابزارها در صورت استفاده صحیح می توانند فرایندهای پژوهشی را تسریع کنند، اما در صورت استفاده ناصحیح ممکنست صدمه های جدی به روند علمی آنها وارد شود.
گلی می گوید: باتوجه به گستره وسیع کارهای انجام شده در عرصه طراحی سیستم های مدیریت زنجیره تأمین و استفاده از ابزارهای مختلف، باید تاکید کرد که پروژه های این چنینی خصوصاً در عرصه های پیچیده مانند زنجیره تامین، نیازمند درنظر گرفتن جنبه های مختلف علمی، صنعتی و فناوری هستند. ما در طراحی سیستم خودمان علاوه بر بررسی نمونه های موفق در کشورهای دیگر، همچون سیستم خرده فروشی والمارت در آمریکا، سعی کردیم که نقاط ضعف و کمبودهای آنها را هم درنظر بگیریم. به عنوان مثال، در صورتیکه والمارت یک ساختار بسیار دقیق برای شبکه خرده فروشی خود عرضه کرده، اما بخشهایی مانند اینترنت اشیا و زیرشاخه های آنرا پوشش نداده است.
وی ادامه می دهد: یکی از چالش های بزرگ در پروسه طراحی مایند مپ، دسته بندی اطلاعات وسیع و متنوع بود. در حقیقت، مانند این بود که روی یک میز هزاران برگه کوچک قرار داده شده و باید تمامی آنها در قالب چند شاخه اصلی سازمان دهی شوند. بعد از کار دقیق و فشرده، ما در نهایت توانستیم پنج شاخه اصلی را تعریف نماییم، اما جالب اینجاست که نیمی از زمان پروژه صرف همین پروسه تعیین این پنج حوزه شد. این مساله اهمیت بالای ساختاردهی اطلاعات و شفاف سازی مفاهیم کلیدی را نشان میدهد.
دکترای مهندسی صنایع می افزاید: از آنجائیکه این سیستم ماهیت پویا دارد، ما همیشه پذیرای نظرات متخصصان و محققان مختلف هستیم تا در صورت مشاهده ایراد یا نقص، بتوانیم آنرا اصلاح و ارتقا دهیم. در همین جهت، برای تسهیل پروسه بازخوردگیری، فرمی طراحی کردیم که در آن از افراد می خواهیم هرگونه ایراد یا پیشنهاد خودرا ثبت کنند تا در نسخه های بعدی سیستم لحاظ شود، همین طور در پروسه جمع آوری اطلاعات، از ابزارهای هوش مصنوعی هم بهره بردیم، اما نکته مهم این بود که هیچگاه خروجی های این ابزارها را بدون بررسی و تأیید منابع علمی معتبر (مانند مقالات علمی و پایگاه های علمی نظیر) نپذیرفتیم. در حقیقت، هر واژه، مفهوم یا شاخصی که توسط هوش مصنوعی پیشنهاد می شد، ابتدا در منابع معتبر جست وجو و در صورت تأیید، در سیستم گنجانده می شد. این رویکرد سبب شد که خروجی نهائی نه فقط غنی و قابل اعتماد باشد، بلکه برمبنای اصول علمی مستحکم جلو برود.
گلی تصریح می کند: حالا که این سیستم دارای بالاتر از ۳۰۰ هزار مبحث پژوهشی بالقوه در عرصه زنجیره تأمین است، این حجم گسترده از موضوعات می تواند پاسخگوی نیازهای صنعتی و دانشگاهی در سطوح مختلف باشد. به بیان دیگر، این پروژه به حدی جامع است که حتی در عرصه های در رابطه با انرژی های تجدیدپذیر، تکنولوژی های جدید و مسایل مالی شبکه های تأمین هم راه حل ها و موضوعات پژوهشی متنوعی را عرضه می دهد.
وی در رابطه با چالش بزرگی که حالا با آن مواجه هستیم، بیان می کند: برخی افراد به اشتباه تصور می کنند ابزارهای هوش مصنوعی می توانند جایگزین فرایندهای فکری و تحلیلی شوند. در صورتیکه تجربه نشان داده است که هرچند این ابزارها می توانند سرعت پروسه جست وجو و جمع آوری داده ها را بالا برند، اما در نهایت این دانش و تفکر انسانی است که باید نتایج را تحلیل، تأیید و اصلاح نماید.
سیستم آموزشی باید بازبینی و اصلاح شود
دیر گروه رشته مهندسی صنایع دانشگاه اصفهان اظهار می کند: لازم است که سیستم آموزشی به شکلی بازبینی و اصلاح گردد که دانشجویان و محققان نه فقط از مزایای ابزارهای هوش مصنوعی بهره ببرند، بلکه همیشه مسئولیت صحت و دقت محتوای تولیدی خودرا هم بر عهده بگیرند. فرهنگ سازی دراین خصوص نقش مهمی ایفا می کند. نیازمند این هستیم که ضمن آموزش نحوه صحیح استفاده از ابزارهای جدید، تاکید نماییم که این ابزارها تنها به عنوان ابزارهای کمکی عمل می کنند و جایگزین تفکر انسانی نمی شوند. اگر این مساله به درستی مدیریت نشود، در آینده ممکنست شاهد نسلی از دانش آموختگان باشیم که فاقد مهارت های تحلیلی و قدرت استدلال مستقل هستند. برای پیش گیری از این وضعیت، دانشگاه ها، مراکز علمی و حتی رسانه های خبری باید بطور جدی در امتداد تقویت تفکر انتقادی و پیشرفت مهارت های پژوهشی گام بردارند.
گلی ادامه می دهد: یکی از چالش های مهمی که در نظام آموزش عالی کشور با آن مواجه هستیم، کاهش انگیزه برای ورود به دانشگاه و کسب مدرک تحصیلی است. این موضوع، خصوصاً در سالیان اخیر، بطور محسوسی مشاهده شده است. خیلی از دانشجویان تنها بواسطه فشارهای اجتماعی، خانوادگی یا حتی الزامی وارد دانشگاه می شوند و این در حالیست که انگیزه و علاقه واقعی برای یادگیری در آنها کمتر دیده می شود.
وی یکی از علل اصلی این وضعیت را تغییرات سریع در عرصه های علمی و فناوری می داند و می گوید: به عنوان مثال، در رشته هایی مانند هوش مصنوعی، فناوری های بیمارستانی و سایر زمینه های مرتبط، آن چه در ترم اول دوره کارشناسی تدریس می شود، ممکنست تا زمان فارغ التحصیلی دانشجو به کلی دگرگون شده باشد. این پویایی و سرعت تغییر، سبب شده که خیلی از مطالب دانشگاهی در این زمینه ها نیازمند بازبینی و بروزرسانی مداوم باشند. همین مساله سبب شده برخی کارشناسان پیشنهاد دهند که دوره کارشناسی بجای چهار سال، در قالب یک دوره دوساله فشرده و کاربردی اجرا شود. چونکه در خیلی از مواقع دانشجویان با گذراندن چهار سال در دانشگاه، فرصت های کاری و تجربی مهمی را از دست می دهند. این در حالیست که نظام آموزشی فعلی به طور عمده مبتنی بر مباحث تئوریک و غیرکاربردی است و کمتر به مهارت های عملی و نیازهای بازار کار توجه می کند. در این راستا، دانشگاه ها باید نقش خودرا بازتعریف کرده و با تمرکز بیشتر بر مباحث کاربردی و مهارت محور، زمینه ای فراهم آورند که دانشجویان بتوانند با آمادگی بیشتر وارد بازار کار شوند، البته برخی معتقدند که دانشگاه ها نباید خودرا با تغییرات سریع هماهنگ کنند و باید بازهم بر نقش سنتی خود به عنوان نهادهای علمی پایبند بمانند. با این وجود، در وضعیت کنونی که فناوری با سرعت بالایی درحال پیشرفت است، این دیدگاه چندان کارآمد به نظر نمی رسد.
دکترای مهندسی صنایع اضافه می کند: دانشگاه ها زمانی پیشرو در عرصه فناوری بودند و شرکت های صنعتی و فناورانه برای دریافت دانش و راهکارهای علمی به آنها مراجعه می کردند، اما هم اکنون، در خیلی از موارد این روند معکوس شده است و شرکت های پیشرو در فناوری از دانشگاه ها جلوتر حرکت می کنند. این مساله لزوم تحول در نظام آموزشی را بالاتر از پیش آشکار می کند. در همین جهت، ما در تلاش بوده ایم تا در کلاس های درسی نگاهی عملی تر و کاربردی تر را دنبال نماییم. بطور مثال، در یکی از دروس در رابطه با زنجیره ارزش، از یک محصول واقعی (نظیر یکی از محصولات زمزم) برای آموزش دانشجویان استفاده کردیم. با تحلیل اطلاعات درج شده روی این محصول، دانشجویان توانستند به اشتباهات و نقص های موجود در زنجیره ارزش این شرکت پی ببرند. این تکنیک آموزشی که مبتنی بر نمونه های واقعی و ملموس است، نه فقط یادگیری را مؤثرتر می کند، بلکه دانشجویان را برای ورود به فضای کسب وکار هم آماده تر می سازد، البته این تحول نیازمند همکاری و هم افزایی تمامی اعضای هیأت علمی است. متاسفانه هنوز برخی اساتید بر تدریس مطالب قدیمی و جزوه های ۲۰ سال پیش اصرار دارند که این امر مانع رشد و پویایی آموزش دانشگاهی می شود. با این وجود، خوشبختانه در سالیان اخیر خیلی از اساتید هم به این نتیجه رسیده اند که باید خودرا با مباحث جدید و به روز، همچون هوش مصنوعی و یادگیری ماشین، آشنا کنند تا بتوانند در آموزش های خود از آنها بهره ببرند. در این راستا، تلاش نموده ایم تا آموزش های دانشگاهی را به شکلی بازطراحی نماییم که بتواند پاسخگوی نیازهای صنعت و جامعه باشد. این مساله دغدغه ای جدی بوده و بازهم درحال پیگیری آن هستیم.
این مطلب را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب