شیدهوش
LDR·2·01مدیریت میانیمتنی

پیاده‌سازی هوش مصنوعی در سازمان و مدیریت ریسک آن

سطح میانی از دوره‌ی سه‌سطحی هوش مصنوعی برای مدیران: اجرای اولین پروژه از داده تا پیش‌بینی، حاکمیت و ریسک، و نمونه‌های کاربرد در سازمان.

  • ۱۷ درس
  • ۲۰ ساعت مطالعه
  • ۱۷ درس رایگان
  • ۳ درس منتشرشده، بقیه در حال نگارش

در این دوره یاد می‌گیرید OUTCOMES

  • اولین پروژه‌ی هوش مصنوعی را گام‌به‌گام اجرا کنید: جمع‌آوری و برچسب‌گذاری داده، پاک‌سازی، آموزش مدل و بررسی دقت
  • از داده‌ی شش ماه گذشته پیش‌بینی ساده‌ی حجم کار بسازید و آن را به تصمیم نیروی انسانی برسانید
  • سوگیری در هوش مصنوعی را بشناسید و جلویش بایستید
  • حاکمیت هوش مصنوعی را برپا کنید: چه کسی مسئول است، چه قانونی حاکم است، و کیفیت چطور پایش می‌شود
  • از نمونه‌های واقعی بانک، بیمارستان، فروش، منابع انسانی و IT درس بگیرید

مسیر یادگیری PATH

سرفصل‌های پیاده‌سازی هوش مصنوعی در سازمان و مدیریت ریسک SYLLABUS

۰۱مراحل اجرای اولین پروژه‌ی هوش مصنوعی در سازمانچگونه یک پروژه‌ی واقعی هوش مصنوعی را اجرا کنم؟۸ درس · ۴۴۰ دقیقه۱۱. گام اول: جمع‌آوری و برچسب‌گذاری داده برای هوش مصنوعیبیشتر پروژه‌های هوش مصنوعی به‌خاطر داده‌ی آشفته شکست می‌خورند، نه الگوریتم. جمع‌آوری و برچسب‌گذاری داده با راهنمای یک‌صفحه‌ای، گام‌به‌گام و با مثال.۵۰ دقیقه۲۲. گام دوم: پاک‌سازی و آماده‌سازی دادهپاک‌سازی و آماده‌سازی داده پیش از آموزش مدل هوش مصنوعی: حذف کلمات ناپاک و لینک‌ها تا مدل روی محتوای اصلی متن تمرکز کند.طرح درس۶۰ دقیقه۳۳. گام سوم: آموزش مدل هوش مصنوعیآموزش مدل هوش مصنوعی با ابزارهای رایگان: Python، Pandas برای پردازش داده، Scikit-learn برای ساخت مدل و Google Colab بدون نصب.طرح درس۶۰ دقیقه۴۴. گام چهارم: بررسی دقت مدلدقت مدل هوش مصنوعی را چطور بسنجیم و خطاهای رایجش را چطور گزارش کنیم؛ دستاورد: مدلی که ۵۰۰ ایمیل را دسته‌بندی می‌کند، با گزارش دقت.طرح درس۳۰ دقیقه۵۵. پیش‌بینی تقاضا با داده‌ی شش ماه گذشتهپیش‌بینی تقاضا با هوش مصنوعی از داده‌ی شش ماه گذشته: حجم درخواست‌های تیمتان را پیش‌بینی کنید، مثلاً «هر دوشنبه ۲۰٪ درخواست بیشتر».طرح درس۶۰ دقیقه۶۶. الگوهای هفتگی و ماهانه در دادهالگوهای هفتگی و ماهانه را در داده‌ی درخواست‌ها پیدا کنید تا تیم برای روزهای شلوغ، مثل دوشنبه‌ها، از پیش آماده باشد.طرح درس۶۰ دقیقه۷۷. مدل ساده‌ی سری زمانیمدل سری زمانی به زبان ساده: با داده‌ی گذشته، حجم کار چهار هفته‌ی آینده را پیش‌بینی کنید.طرح درس۶۰ دقیقه۸۸. از پیش‌بینی هوش مصنوعی تا تصمیم نیروی انسانیپیش‌بینی هوش مصنوعی را به برنامه‌ریزی نیروی انسانی برسانید: نمودار پیش‌بینی، جدول درخواست‌های هر روز و توصیه‌ی نیرو برای روزهای شلوغ.طرح درس۶۰ دقیقه
۰۲مدیریت ریسک هوش مصنوعی: سوگیری، حاکمیت و قوانینهوش مصنوعی چه ریسک‌هایی دارد؟ چگونه کنترل کنیم؟۴ درس · ۴۲۰ دقیقه۹۱. سوگیری در هوش مصنوعی — وقتی الگوریتم منصف نیستسوگیری در هوش مصنوعی (Bias) از داده‌ی آموزشی می‌آید و همان تعصب را با سرعت و مقیاس بیشتر تکرار می‌کند؛ با مثال غربالگری رزومه و سؤال‌های پیشگیری.۶۰ دقیقه۱۰۲. حاکمیت هوش مصنوعی — چه کسی مسئول استاصول حاکمیت هوش مصنوعی در سازمان: سیاست هوش مصنوعی با مثال، مسئول مشخص برای هر سامانه، و حلقه‌ی بازخورد و اصلاح.طرح درس۱۲۰ دقیقه۱۱۳. قوانین و اخلاق هوش مصنوعیقوانین و اخلاق هوش مصنوعی برای مدیران: GDPR، قانون هوش مصنوعی اتحادیه اروپا (AI Act)، شفافیت و حق توضیح برای کسی که درباره‌اش تصمیم گرفته شده.طرح درس۱۲۰ دقیقه۱۲۴. کنترل کیفیت و نظارت مستمر بر هوش مصنوعیکنترل کیفیت هوش مصنوعی پس از استقرار: دقت مدل ماه‌به‌ماه افت می‌کند؛ کی زیر نظر بگیریم و کی متوقف کنیم و دوباره آموزش دهیم.طرح درس۱۲۰ دقیقه
۰۳نمونه‌های کاربرد هوش مصنوعی در سازمان: بانک تا منابع انسانیسازمان‌های دیگر چگونه از هوش مصنوعی استفاده می‌کنند؟۵ درس · ۳۰۰ دقیقه۱۳۱. بانک: تشخیص تقلب با هوش مصنوعیکاربرد هوش مصنوعی در بانکداری: تشخیص تقلب در تراکنش‌های بانکی با الگوهایی مثل «سه بار در پنج دقیقه»، و اثرش بر تقلب و هشدار کاذب.طرح درس۶۰ دقیقه۱۴۲. بیمارستان: اولویت‌بندی بیمار در اورژانسکاربرد هوش مصنوعی در بیمارستان: اولویت‌بندی (تریاژ) بیماران اورژانس با نشانه‌های حیاتی و سابقه‌ی بیماری، تا بیمار فوری زودتر دیده شود.طرح درس۶۰ دقیقه۱۵۳. فروش: پیش‌بینی فروش و درآمدپیش‌بینی فروش با هوش مصنوعی به‌جای حدس فروشنده‌ها: با داده‌ی گذشته‌ی مشتری، مرحله‌ی معامله و فصل، درآمد دوره‌ی بعد را پیش‌بینی کنید.طرح درس۶۰ دقیقه۱۶۴. غربالگری داوطلبان با هوش مصنوعی — یک مورد واقعیهوش مصنوعی در استخدام و منابع انسانی: رزومه‌ها را اولویت‌بندی کند، نه رد؛ نمونه‌ی غربالگری ۳۰۰۰ درخواست در سال و گام‌به‌گام برای استفاده‌ی امن.۶۰ دقیقه۱۷۵. IT: پیش‌بینی خرابی و نگهداری پیش‌بینانهنگهداری پیش‌بینانه با هوش مصنوعی: از لاگ خرابی‌های گذشته و زمان نگهداری، خرابی سرور را پیش‌بینی کنید و پیش از وقوع رفعش کنید.طرح درس۶۰ دقیقه

پروژه‌ی پایان سطح میانی: سیستم هوش مصنوعی کارکننده برای یک فرآیند CAPSTONE

آن‌چه در پایان این سطح، برای سازمان خودتان تحویل می‌دهید:

  • داده‌ی جمع‌آوری و پاک‌سازی‌شده
  • مدل آموزش‌دیده و سنجیده
  • سیاست‌های ابتدایی حاکمیت و بازبینی

پرسش‌های متداول

دوره‌ی پیاده‌سازی هوش مصنوعی در سازمان رایگان است؟

بله. همه‌ی درس‌ها رایگان‌اند و بدون ثبت‌نام خوانده می‌شوند. ثبت‌نام فقط برای ذخیره‌ی پیشرفت شماست.

چالش‌های پیاده‌سازی هوش مصنوعی در سازمان چیست؟

بیشتر پروژه‌ها نه به‌خاطر الگوریتم، که به‌خاطر داده‌ی آشفته یا ناکافی شکست می‌خورند. بعد از آن سوگیری در داده، نبود مسئول مشخص برای هر سامانه، و افت دقت مدل با گذشت زمان. فصل اول با داده شروع می‌کند و فصل دوم حاکمیت و ریسک را می‌گوید.

برای آموزش هوش مصنوعی مدیران باید برنامه‌نویسی بلد باشم؟

نه. دوره‌ی هوش مصنوعی برای مدیران برای تصمیم‌گیرنده نوشته شده، نه برنامه‌نویس: هدفش این است که سؤال درست را از تیم فنی بپرسید و پروژه را هدایت کنید.

همه‌ی درس‌ها نوشته شده‌اند؟

هنوز نه. از ۱۷ درس این سطح، ۳ درس متن کامل دارد و بقیه فعلاً طرح درس‌اند: مفهوم، مثال و چالش هر درس آمده و متن کاملش به‌تدریج اضافه می‌شود.

دوره‌ی هوش مصنوعی برای مدیران چند سطح دارد؟

سه سطح: مقدماتی (هوش مصنوعی چیست و کجای سازمان کار می‌کند)، میانی (پیاده‌سازی اولین پروژه و مدیریت ریسک) و پیشرفته (استراتژی، مدیریت تغییر و نقشه‌ی راه). هر سطح یک دوره‌ی جداست و می‌شود از هر کدام شروع کرد.

دوره‌های دیگر این تالار

آکادمی هوش مصنوعی شیدهوش — بخشی از shidhoosh.com