سال اول دوره دکتری در ایرلند روزی با یکی از دوستان آیریش سال بالاتری حرف می‌زدم که اشاره کرد در دوران کارشناسی در رشته مهندسی نرم‌افزار در ایرلند درسی درباره تفکر نقاد داشتند ... همزمان به این فکر می‌کردم ما کجای برنامه آموزشی‌مون در ایران در رشته‌های مهندسی چنین درس‌هایی داریم ... چیزی یادم نیومد ...الان رو نمی‌دونم ولی آن زمان چنین چیزی نداشتیم ...
بعد از گفتگو با ایشان، کمی درباره تفکر نقاد مطالعه کردم و دیدم خوشبختانه روش فکری من با تفکر نقاد همخوانی داره ... بعدها، وقتی در بازار کارِ های‌تک در ایرلند مشغول به کار شدم و در فضاهای کاری مختلف از جمله استارتاپ‌ها، شرکت‌های بزرگ (شامل اینتل) و دانشگاه کار کردم دیدم چقدر آشنایی با تفکر نقاد می‌تونه در مسیر شغلی مهندسی نرم‌افزار و دیتاساینس موثر و ضروری باشه. در نتیجه تصمیم گرفتم در این ایمیل به موضوع اهمیت و نقش تفکر نقاد در مسیرهای شغلی فنی به‌خصوص حوزه دیتا بپردازیم.
تفکر نقاد یا تفکر انتقادی به ما این امکان را می‌ده تا با قصد محک زدن مسئله یا مبحثی، در مورد اون پرسش‌های مناسب بپرسیم، اطلاعات مربوط به اون رو جمع‌آوری کنیم، در گام بعدی اون داده‌ها را دسته‌بندی و با منطق استدلال کنیم، و در پایان به یه نتیجهٔ قابل اطمینان درباره‌ی اون مسئله برسیم.
در ادامه بیایید ببینیم چرا مجهز بودن به تفکر نقاد در مسیر شغلی حوزه دیتا مهمه:
۱- قابلیت حل مسئله: در مشاغل حوزه دیتا، خصوصاً دیتاساینس، ما عموماً با مسايل پیچیده‌ای روبرو می‌شیم که باید با استفاده از دیتای موجود و الگوریتم‌های یادگیری ماشینی اونها رو حل کنیم. در این مسیر، تفکر نقاد کمک زیادی به ما در شکستن این مسایل به بخش‌های کوچکتر، آنالیزهای اون بخش‌ها و پیدا کردن راه‌حل براشون و نهایتاً سرهم کردنشون تا رسیدن به راه‌حل برای مسئله موجود می‌کنه. یک مثال عملی این موضوع، مسئله رایج در حوزه دیتا، مسئله تمیز کردن داده‌ها و پیش‌پردازش‌شون هست. تفکر نقاد به ما کمک می‌کند با تجزیه و تحلیل کردن روش‌های موجود بتونیم بهترین و موثرترین روش برای مسئله موجودمون رو انتخاب بکنیم.
۲- تفسیر داده‌ها: همونطوری که می‌دونید داده یکی از ۳ ضلع مهم هوش مصنوعی یعنی داده، قدرت پردازش، و الگوریتم هست. بنابراین، یکی از کارهای مهم دیگه در حوزه داده تفسیر داده‌هاست تا بتونیم به درک درستی از مسئله و داده‌ها برسیم. تفکر نقاد کمک می‌کنه بتونیم فرضیات موجود رو به چالش بکشیم، بایاس‌های احتمالی در داده‌ها رو درک کنیم و مانع‌شون بشیم، و نهایتاً بتونیم به یک تفسیر درست از داده‌ها در مسئله برسیم.
یکی از مثال‌های ساده در مورد بایاس وقتیه که داده‌های شما واقعیت موجود رو پوشش نمی‌دن، مثل اون سیستم تشخیص چهره‌ای که فقط سفید پوست‌ها رو می‌تونست تشخیص بده و بعد متوجه شدن داده‌هایی که باهاش سیستم رو آموزش دادند فقط تصویر چهره افرادسفید پوست رو شامل می‌شده.
به عنوان یک مثال از تفکر نقاد در تفسیر داده تشخیص پیک‌های غیرمنطقی مثلاً در داده‌های فروش هست. به عنوان یک دیتاساینتیست، اول چنین پیک‌هایی رو به کمپین‌های موفق ممکنه ربط بدید … اما اگه مشکوک بودن، به عنوان یکی از المان‌های تفکر نقاد، رو همراه خودتون داشته باشید عوامل دیگه مثل ترندهای فصلی یا تغییراتی که در چشم‌انداز رقابت در بازار اتفاق می‌افته رو هم در نظر می‌گیرد … چنین نگاه نقادانه‌ای کمک می‌کنه درک درستی از داده پیدا کنید تا در نتیجه بتونید ماشین لرنینگ رو به خوبی به داده‌ها اعمال کنید و نتیجه خوب و درستی تولید کنید.
۳- انتخاب و توسعه الگوریتم: به عنوان یک دیتاساینتیست یکی از کارهای مهم شما انتخاب الگوریتم درست و یا، اگه کار نوآورانه‌ای دارید انجام می‌دید، توسعه یه الگوریتمِ درستِ جدید هست. تفکر نقاد اینجا این قدرت رو به شما می‌ده تا بتونید تجزیه و تحلیل درستی انجام بدید و بهترین تصمیم در انتخاب الگوریتم رو بگیرید …
اگه غیر این باشه کارتون میشه سعی و خطا کردن و یا کورکورانه انتخاب الگوریتم‌ها به این امید که یکی‌شون به خوبی جواب بدن … این یعنی صرف وقت و هزینه زیاد و ناامیدی از اینکه نتونستید خروجی خوبی تولید کنید و نمی‌تونید دیتاساینتیست قابلی بشید …
به عنوان یک مثال، ممکنه در مسئله‌ای بین batch processing و یا real-time processing بخواید انتخاب کنید. تفکر نقاد به شما کمک می‌کنه بتونید اونا رو سبک و سنگین کنید و به مزایا و معایبشون وزن درستی بدید تا نهایتاً به بهترین انتخاب برسید. اینجا درباره Batch vs Real Time Processing می‌تونید بخونید.
حالا که به اهمیت تفکر نقاد (که در هر مسیر شغلی و حتی زندگی مهم هست) واقف شدیم بیایید ببینیم چطور میشه اون رو تقویت کرد.
۱- یادگیری مستمر: باید سعی کنیم دایم از نوآوری‌ها و اتفاقات جدید در حوزه کاری‌مون آگاه، و به روز باشیم. این کمک می‌کنه چشم‌اندازها و ایده‌های جدیدی در شما شکل بگیره که منجر به توسعه تفکر نقاد در ما خواهد شد.
۲- تمرین حل مسئله: باید سعی کنیم به طور مستمر خودمون رو درگیر فعالیت‌های متمرکز حول حل مسئله کنیم. این می‌تونه شامل درگیر کردن خودمون در حل مسايل پیچیده حوزه دیتا، شرکت در چالش‌ها و مسابقات حوزه داده، و حتی درگیر شدن در حل پازل و کارهای فکری باشه.
اینها مثل کار با وزنه برای بدنسازی و تقویت ماهیچه‌ها، قوت تجزیه و تحلیل ما و تفکر نقاد رو تقویت می‌کنند.
۳- تفکر انعکاسی و بازتابی: وقت‌هایی که صرف فکر کردن به تصیم‌هایی که می‌گیریم یا فکرهایی که پشت مسايل هستند می‌کنیم می‌تونن کمک شایانی به تقویت تفکر انتقادی ما بکنند. این تمرین می‌تونه کمک کنه بایاس‌ها و پیش‌فرض‌هایی که در جریان فکر کردن و تجزیه و تحلیل‌مون اثر میزارن رو پیدا کنیم و بشناسیم‌شون … این تمرین رو هم در پروژه‌های تخصصی حوزه داده می‌تونیم انجام بدیم و هم در مسايل جاری زندگی … مثلا چرا فلانی این کار رو کرد … یا چرا فلان ورزشکار ۲۶ ساله تصمیم گرفت بره لیگ عربستان … یا چرا بازیکن ۳۷ ساله فلان پیشنهاد عالی عربستان رو رد کرد … یا چرا ایلان ماسک تصمیم گرفت توییتر رو بخره …
در طول روز تا دلتون بخواد جا برای فکر کردن به فکرهای پشت مسائل هست … فقط کافیه قضاوت رو (که مثل سیستم ایمنی بدن کار می‌کنه و می‌خواد فکر کردن به چیزایی که مخالفشون هستیم رو متوقف کنه) خنثی کنیم و به فکرمون اجازه بدیم آزادنه به همه جا سر بکشه و بعد برگرده سرجاش با نتایجی که بدست آورده …
۴- دنبال چشم‌انداز متنوع بودن: اگه با آدم‌ها با چشم‌انداز و مسیرهای فکری متفاوت و حتی متضاد در برخورد باشیم این کمک می‌کنه ذهن‌مون بتونه یاد بگیره از دیدگاه‌های مختلفی به مسائل نگاه کنه … مثلا تصور کنید در حوزه کاری دیتا روش و سبک خاصی رو می‌پسندید … اگه همیشه بخواید در حلقه افراد با همین سبک بمونید طبیعتاً چیز اضافه‌ای به شما اضافه نمی‌شه … اما اگه در معرض کارها و حرف‌های آدمهای دیگری با روش‌های متفاوت دیگه باشید قوه تفکر انتقادی شما رشد می‌کنه و می‌تونید روش‌های جدیدی به کارهاتون اضافه کنید. فراتر از حوزه دیتا این مسئله در امور عادی زندگی هم مهم و کاربردی است … نیاز نیست کسانی را که نمی‌پسندیم آنفالو کنیم و حذفشون کنیم … شنیدن حرف‌هاشون می‌تونه مفید باشه …
یاد دوران فوق‌لیسانس در خوابگاه می‌افتم که هم فلتی‌ها ما که دانشجوی دکتری بودند سقفشون چکه می‌کرد و یکشون موقتاً رفته بود فلت روبرو که آدمهای خلاف‌تری بودن :). وقتی به ایشون گفتیم آقا مراقب اینا باش و بیا پیش ما اونجا برات مناسب نیست ایشون گفت گاهی باید پیش کسانی که مناسب نیست باشی تا یاد بگیری اون طرف جه خبره …
۵- سوال پرسیدن: به ندرت باید همینطوری مستقیم چیزی رو قبول کنیم. همیشه خوبه که سوال بپرسیم و برای مسايل دنبال فکت و شواهد باشیم (البته با لحن و روشی درست). این کار خصوصاً در مشاغل داده که همه چیز داده-محور و فکت-محور هستند خیلی مهمه. برای خیلی از ما سوال پرسیدن شاید حس خوبی درست نکنه و فکر می‌کنیم اگه بپرسیم یا زیاد بپرسیم معنی بدی می‌ده (البته که سوال پرسیدن قبل از فکر کردن خوب نیست).
یه خاطره بگم … سال ۲۰۱۴ بود که پروفسور تاکئو کاناده ژاپنی که از خدایان بینایی ماشین هست و مشاور استارتاپ‌مون بود در دابلین برای یک هفته داشتیم. برای یک هفته ایشون کلی برنامه ریخته بودیم … یکیش این بود که پروژه‌هایی که تیم R&D ما روشون کار می‌کرد رو یکی یکی ارايه بدیم و از ایشون فیدبک بگیریم … در همون یکی دو تا ارائه اول بود که متحیر و مبهوت از این همه سوالی که ایشون در هر ارائه می‌پرسید شدم … به شدت فعالانه گوش می‌داد (بعدا در این باره می‌نویسم)، خیلی سوال‌های خوبی و حتی گاهی پایه و باز هم حتی جاهایی که شک داشت رو می‌پرسید، … وقتی پرسیدن‌ها و گوش دادن‌هاش تموم می‌شد چیزی که می‌دیدید باورتون نمی‌شد … ایشون شروع به خلق می‌کرد … باید می‌نشستی و می‌دیدی که چطور با یه وایت‌بورد سفید شروع می‌کنه و نیم ساعت بعد حجم زیادی ایده رو پیرامون اون موضوع خلق می‌کنه … بهره بردن از ایشون در اون اقامت یک هفته‌ای در دابلین بزرگترین کلاس درس زندگی من بود … یادمه بهشون گفتم کاش من چند سال پیش دکتری خونده بودم و دانشجوی شما می‌بودم …
در پایان یادمون باشه که تفکر نقاد، مثل سیکس‌پک و ماهیچه‌های در هم پیچیده، قابل رشد و توسعه در گذر زمان هست و وقتی که صرفش می‌کنیم حسابی پربار بهمون برمی‌گرده.
امیدوارم این پست براتون مفید بوده باشه. نوشتن این مطالب به طور روزانه در خبرنامه فراتر از الگوریتم از من وقت قابل توجهی می‌گیره اما با افتخار و خوشحالی انجامش می‌دم. سهم شما می‌تونه این باشه که با دیگران لطفا به اشتراک بزارید تا بتونیم به دست افراد بیشتری برسونیمشون.
اگر در مسیرهای شغلی دیتا هستید به خبرنامه فراتر از الگوریتم بپیوندید تا هر روز در یک ایمیل نوشته‌های من درباره موارد زیر در اینباکس تحویل‌تون بشه.
✅ مسیر شغلی علم داده (دیتاساینس) برای تازه‌کارها و حرفه‌ای‌ها،
✅ مهارت‌های نرم لازم برای موفقیت در این حرفه،
✅ تغییر مسیر شغلی به علم داده
✅ نکات مدیریتی فنی و کسب و کار در حوزه علم داده
ارادتمند - دکتر علیرضا دهقانی
✨ مدیر برنامه‌ی تکنولوژی در حوزه هوش مصنوعی و علم داده در ایرلند
