مدیر گروه رشته مهندسی صنایع دانشگاه اصفهان مطرح كرد
مایندمپ جامع نقشه راه هوشمند برای آینده ای متفاوت در آموزش و صنعت
سرگرمی کامپیوتری: اصفهان مایندمپ جامع، نقشه راهی هوشمند برای حل چالش های پیچیده آموزش و صنعت، اتصال بین بخش های مختلف را راحت می کند.
در دنیای پیچیده و پویای امروز، هر سازمان و شرکتی که بخواهد در زمینه 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 بعنوان 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 به شکل شفاف و سازمان یافته درآورند و از این طریق 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 بعنوان یک ابزار استراتژیک 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 بخصوص 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 بهره وری و دقت کمک شایانی کند. در این راستا با عنایت به پیچیدگی های روز افزون زنجیره های تامین در سطح بین المللی، احتیاج 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 هیات علمی گروه مهندسی صنایع و آینده پژوهی دانشگاه اصفهان طراحی شده است، می تواند به محققان و متخصصان کمک نماید که با درک ساختارمندتری به مطالعه و تحلیل موضوعات در رابطه با زنجیره تامین 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 نیز احتیاج به بازبینی دارند. دیگر نمی توان انتظار داشت که پژوهشها تنها با ارائه مقالات و کتاب ها تاثیر گذار باشند. اطلاعات به سرعت تولید و منتشر می شود و ابزارهای هوش مصنوعی توانایی ارائه خلاصه ها، تحلیل ها و حتی تولید محتوا را دارند.
وی با عنایت به این تغییرات می افزاید: ضروریست که نگاههای آموزشی و پژوهشی نیز متناسب با نیازهای نسل جدید و ابزارهای نوین بازتعریف شوند. دغدغه ما این بود که چگونه می توانیم خروجی پژوهشی ارائه دهیم که هوش مصنوعی قادر به تولید آن نباشد، پژوهشی که عمیق، کاربردی و منحصربه فرد باشد.
دکترای مهندسی صنایع بیان می کند: در این راستا، پروژه ای در دانشگاه ارائه شد که از هیچ ابزار هوش مصنوعی قابل دستیابی نبود و توسط مجموعه ای از متخصصان و شرکتهای 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 تامین استفاده شد. بعنوان نمونه، در پروسه انتخاب مدیر برای یک واحد سازمانی، معمولا جلسات مختلفی با حضور چندین متخصص برگزار می گردد. در این جلسات، شاخصهای مختلفی برای انتخاب مدیر مطرح می شوند؛ مانند تخصص در حوزه مربوطه، تعهد کاری و مسئولیت پذیری، سوابق درخشان در مدیریت یا کارشناسی، اما تفسیر این شاخصها پیچیده است. برای نمونه تعهد کاری چگونه باید سنجیده شود؟ آیا تنها بر طبق سوابق کاری ارزیابی می شود یا احتیاج به معیارهای کمی و کیفی دقیق تری دارد؟
گلی با اشاره به اینکه نقشه ذهنی در اینجا ابزاری قدرتمند است که می تواند تمامی شاخصهای ذهنی را به شکل 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 شاخصها تعیین و در جلسات کوتاه و موثر، شاخصهای دقیق و کاربردی استخراج شوند.
وی می گوید: مدیریت زنجیره تامین یکی از حوزه های بسیار پیچیده و گسترده است که در آن چندین شرکت و واحد مختلف به شکل 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 اشاره به اینکه هر زنجیره تامین شامل بخش های مختلفی است، از تولید مواد اولیه گرفته تا توزیع و فروش غائی اظهار می کند: در هر مرحله، عوامل گوناگونی همچون مسایل مالی، ریسک های زنجیره ای، حسابداری، مدیریت استراتژیک و برنامه ریزی تاکتیکی مطرح است.
گلی ضمن 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 استفاده از نقشه ذهنی شاخصهای موثر در مدیریت زنجیره تامین بطور دقیق شناسایی شوند، پروسه تصمیم گیری بهینه سازی و هماهنگی و ادغام اطلاعات میان شرکت ها تسهیل شود، بعنوان 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 لطمه های زیست محیطی می شود.
وی خاطرنشان می کند: پروژه نقشه ذهنی و زنجیره تامین نشان داد که با استفاده از تفکر خلاقانه و نگاههای نوین میتوان در فرایندهای پیچیده ای مانند مدیریت زنجیره تامین، انتخاب مدیران و توسعه پژوهش های علمی تحول ایجاد کرد. این تکنیک نه تنها فرایندهای تصمیم گیری را ساده تر و شفاف تر می کند، بلکه سبب افزایش کارآیی و اثربخشی در حوزه های علمی و اجرائی می شود.
دکترای مهندسی صنایع با اشاره به اینکه در فرایندهای پیچیده ای مانند مدیریت زنجیره تامین، معمولا حل یک مسئله به زمان زیادی نیاز دارد، می افزاید: امکان دارد ماه ها و حتی سال ها جلسات مختلفی برگزار گردد تا مشخص شود که چطور می توان یک مشکل را برطرف کرد. بعنوان مثال، فرض کنید شرکتی بزرگ مانند فولاد مبارکه می خواهد مسئله آلودگی خودرا حل کند. برای این کار، ضروری است با شرکتهای پایین دستی و بالادستی خود، واحدهای تولیدی و توزیعی و حتی نهادهای فروش و توزیع ارتباط بگیرد. این مورد نیازمند تشکیل تیم های گوناگون و برگزاری جلسات پی درپی است. در این فرآیند، معمولا نظرات افراد به درستی تجمیع نمی شود و هر کسی دیدگاه خودرا مطرح می کند بدون این که در نهایت به یک راهکار 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 حوزه زنجیره تامین 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 دست یابند. برای نمونه، فرض کنید یک شرکت می خواهد تکنولوژی جدیدی را در فرایندهای خود پیاده سازی کند. در حالت عادی، این شرکت باید چندین متخصص را دعوت کند، جلسات مختلفی برگزار گردد و دراین میان، 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 امکان دارد چند هفته زمان ببرد.
وی با اشاره به 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 شاخصهای از پیش تعریف شده و دسته بندی شده صورت می گیرد. برای نمونه، در حوزه زنجیره تامین، شاخصهای مختلفی برای ارزیابی عملکرد شرکت ها وجود دارد که معمولا در منابع متعدد پراکنده اند. تمامی این اطلاعات را جمع آوری و در چارچوب یک ساختار منظم سازمان دهی کردیم. در نتیجه، بجای آنکه افراد مدت ها در منابع مختلف جست وجو کنند، تنها کافی است لیست شاخصها 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، وبسایت های علمی و حتی داده های تولیدشده توسط ابزارهای هوش مصنوعی است. این اطلاعات در چارچوب مجموعه ای از باکس های منظم ارائه شده که در آن شاخه های مختلف به تفکیک مشخص شده اند. برای نمونه، در حوزه انرژی های تجدیدپذیر، افراد می توانند ابتدا زمینه کاری خودرا برگزیده، سپس حوزه های مرتبط را شناسایی و در نهایت موضوع موردنظر خودرا تعریف کنند. این تکنیک نه تنها در صنایع کاربرد دارد، بلکه در محیط های دانشگاهی نیز برای دانشجویانی که قصد دارند موضوعی جدید برای رساله خود تعریف کنند، بسیار مناسب می باشد، همین طور این پروژه کمک می نماید که موازی کاری های علمی و صنعتی کاهش پیدا کند. برای نمونه، اگر یک سازمان قصد داشته باشد جایگاه خودرا در زنجیره تامین بررسی نموده و موقعیت خودرا بهبود بخشد، نیازی نیست مجدداً به دنبال شاخصهای جدید بگردد. این اطلاعات از پیش آماده و در چارچوب یک ساختار منظم ارائه شده اند تا سازمان ها بتوانند مستقیماً وارد مرحله ارزیابی و تصمیم گیری شوند.
گلی اظهار می کند: بازخوردهای دریافتی از این پروژه نیز فراتر از انتظار ما بود. این تکنیک در شبکه های اجتماعی ارائه شد و بازخوردهای بسیار مثبتی دریافت کردیم. یکی از این بازخوردها بوسیله ی یک متخصص آلمانی در حوزه طراحی صنعتی بود که اظهار داشت تا حالا چنین سطحی از دقت و جزییات در هیچ پروژه مشابهی مشاهده نکرده است. این نشان داده است که با وجود پیشرفت ابزارهای هوش مصنوعی، هنوز هم میتوان با نگاههای خلاقانه و دقیق، پروژه های منحصربه فرد و ارزشمندی ارائه داد.
نمی توان بطور کامل به هوش مصنوعی اتکا کرد
ی ضمن اشاره به این که در این پروژه، ما سعی کردیم ثابت نماییم که هرچند هوش مصنوعی می تواند 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 تامین کنندگان خود استفاده نماید. تمامی داده ها به ابزار داده شد و خروجی ارائه 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 بهره برداری از دانش تخصصی، یک رتبه بندی جدید و دقیق ارائه 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 بعنوان راهنما در این فرایندها حضور داشته باشند تا داده های ارائه شده توسط هوش مصنوعی را تحلیل و اصلاح کنند.
گلی می افزاید: همان گونه که در گذشته، ترجمه های ماشینی ابتدایی مانند گوگل ترنسلیت خطاهای زیادی داشتند و سال ها طول کشید که با بازخورد کاربران بهبود یابند، ابزارهای هوش مصنوعی نیز بازهم درحال یادگیری و تکامل هستند، ازاین رو اتکای کامل به این ابزارها می تواند لطمه زا باشد.
وی با اشاره به اینکه در یکی از تجربیات دیگر، مقاله ای که ما برای یک ژورنال معتبر (Q1) ارسال کرده بودیم، به علت 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 غائی جملات بر عهده نویسنده است، مقاله پذیرفته شد. با این وجود، بازخورد آنها این بود که در آینده، ضروری است در پایان مقاله ذکر شود که از ابزار هوش مصنوعی در پروسه نگارش استفاده شده است.
دکترای مهندسی صنایع اضافه می کند: این مورد اهمیت آگاهی رسانی به محققان، بویژه دانشجویان دکترا را نشان داده است. استفاده ناصحیح از هوش مصنوعی امکان دارد سبب رد شدن مقاله و حتی محرومیت چندساله نویسنده از ارسال مقاله به ژورنال های معتبر شود، ازاین رو محققان باید بدانند که این ابزارها در صورت استفاده صحیح می توانند فرایندهای پژوهشی را تسریع کنند، اما در صورت استفاده ناصحیح امکان دارد لطمه های جدی به روند علمی آنها وارد شود.
گلی می گوید: با عنایت به گستره وسیع کارهای انجام شده در حوزه طراحی سیستم های مدیریت زنجیره تامین و استفاده از ابزارهای مختلف، باید تاکید کرد که پروژه های این چنینی بخصوص در حوزه 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 نیز درنظر بگیریم. بعنوان مثال، در حالیکه والمارت یک ساختار بسیار دقیق برای شبکه خرده فروشی خود ارائه کرده، اما قسمتهایی 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 واقع، مانند این بود که روی یک میز هزاران برگه کوچک قرار داده شده و باید تمامی آنها در چارچوب 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 مورد اهمیت بالای ساختاردهی اطلاعات و شفاف سازی مفاهیم کلیدی را نشان داده است.
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 این راستا، 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 نیز بهره بردیم، اما نکته مهم این بود که هیچ گاه خروجی های این ابزارها را بدون بررسی و تأیید منابع علمی معتبر (مانند مقالات علمی و پایگاه های علمی نظیر) نپذیرفتیم. در واقع، 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 غائی نه تنها غنی و قابل اعتماد باشد، بلکه برمبنای اصول علمی مستحکم پیش برود.
گلی تصریح می کند: حال که این سیستم دارای بالاتر از ۳۰۰ هزار موضوع پژوهشی بالقوه در حوزه زنجیره تامین 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 حوزه های در رابطه با انرژی های تجدیدپذیر، تکنولوژی های جدید و مسایل مالی شبکه های تامین نیز راهکار ها و موضوعات پژوهشی متنوعی را ارائه می دهد.
وی درباره ی چالش بزرگی که حال 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 حالیکه 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: ضروریست که سیستم آموزشی بگونه ای بازبینی و اصلاح گردد که دانشجویان و محققان نه تنها از مزایای ابزارهای هوش مصنوعی بهره ببرند، بلکه همیشه مسئولیت صحت و دقت محتوای تولیدی خودرا نیز بر عهده بگیرند. فرهنگ سازی در این حوزه نقش مهمی ایفا می کند. نیازمند این هستیم که ضمن آموزش نحوه صحیح استفاده از ابزارهای جدید، تاکید نماییم که این ابزارها تنها بعنوان ابزارهای کمکی عمل می کنند و جایگزین تفکر انسانی نمی شوند. اگر این مسئله به درستی مدیریت نشود، در آینده امکان دارد شاهد نسلی از دانش آموختگان باشیم که فاقد مهارت های تحلیلی و قدرت استدلال مستقل هستند. برای جلوگیری از این وضعیت، دانشگاه ها، مراکز علمی و حتی رسانه های خبری باید به شکل جدی در جهت 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، بخصوص در سالهای اخیر، بطور محسوسی مشاهده شده است. خیلی از دانشجویان تنها به واسطه فشارهای اجتماعی، خانوادگی یا حتی الزامی وارد دانشگاه می شوند و این در شرایطی است که انگیزه و علاقه واقعی برای یادگیری در آنها کمتر دیده می شود.
وی یکی از دلیلهای اصلی این وضعیت را تغییرات سریع در حوزه های علمی و فناوری می داند و می گوید: بعنوان 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، امکان دارد تا زمان فارغ التحصیلی دانشجو به کلی دگرگون شده باشد. این پویایی و سرعت تغییر، سبب شده که خیلی از مطالب دانشگاهی در این عرصه ها نیازمند بازبینی و بروزرسانی مداوم باشند. همین مسئله سبب شده برخی کارشناسان پیشنهاد دهند که دوره کارشناسی بجای چهار سال، در چارچوب یک دوره دوساله فشرده و کاربردی برگزار گردد. 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 شرایطی است که نظام آموزشی فعلی عمدتا 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 نمایند که دانشجویان بتوانند با آمادگی بیشتر وارد بازار کار شوند، البته برخی اعتقاد دارند که دانشگاه ها نباید خودرا با تغییرات سریع هماهنگ کنند و باید بازهم بر نقش سنتی خود بعنوان نهادهای علمی پایبند بمانند. با این وجود، در شرایط فعلی 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 حوزه فناوری بودند و شرکتهای 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 شرکتهای پیشرو در فناوری از دانشگاه ها جلوتر حرکت می کنند. این مسئله ضرورت تحول در نظام آموزشی را بالاتر از پیش آشکار می کند. در این راستا، ما در تلاش بوده ایم تا در کلاس های درسی نگاهی عملی تر و کاربردی تر را دنبال نماییم. برای 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 تنها یادگیری را مؤثرتر می کند، بلکه دانشجویان را برای ورود به فضای کسب و کار نیز آماده تر می سازد، البته این تحول نیازمند همکاری و هم افزایی تمامی اعضاء هیات 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 سالهای اخیر خیلی از اساتید نیز 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، کوشیده ایم تا آموزش های دانشگاهی را بگونه ای بازطراحی نماییم که بتواند پاسخگوی نیازهای صنعت و جامعه باشد. این مسئله دغدغه ای جدی بوده و بازهم درحال پیگیری آن هستیم.
منبع: pcfun.ir
این مطلب را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب