Artificial intelligence and data engineering

عنوان «هوش مصنوعی و مهندسی داده» دانشگاه پیزا دو بخش مکمل را کنار هم می‌گذارد. مدل هوش مصنوعی بدون دادهٔ درست کار نمی‌کند و داده هم بدون زیرساخت مناسب به‌موقع و قابل اعتماد به مدل نمی‌رسد. در این رشته فقط دربارهٔ انتخاب الگوریتم صحبت نمی‌شود؛ باید یاد بگیری اطلاعات چگونه جمع‌آوری، ذخیره، پاک‌سازی و در مقیاس واقعی پردازش می‌شوند. برنامه در مقطع ارشد و به زبان انگلیسی ارائه می‌شود.

در چنین دوره‌ای معمولاً یادگیری ماشین و آمار با پایگاه داده، سامانه‌های توزیع‌شده، پردازش کلان‌داده و معماری نرم‌افزار ترکیب می‌شوند. ممکن است مدلی برای پیش‌بینی بسازی، اما پیش از آن باید خط لوله‌ای داشته باشی که داده را با کیفیت مشخص آماده کند. اگر داده دیر، ناقص یا با تعریف متناقض برسد، پیچیده‌ترین مدل هم نتیجهٔ مفیدی نمی‌دهد.

کار مهندسی داده کمتر از بخش نمایشی هوش مصنوعی دیده می‌شود، اما ستون اصلی سامانه است. باید به امنیت، مقیاس‌پذیری، هزینه و امکان نگهداری فکر کنی. یک پروژهٔ دانشگاهی شاید روی لپ‌تاپ اجرا شود، ولی سرویس واقعی باید با دادهٔ تازه و کاربران متعدد پایدار بماند. همین‌جا مهارت کدنویسی تمیز، آزمون و مستندسازی اهمیت پیدا می‌کند.

پس از فارغ‌التحصیلی می‌توانی در مهندسی داده، مهندسی یادگیری ماشین، تحلیل کلان‌داده، معماری داده یا توسعهٔ پلتفرم‌های هوشمند کار کنی. بعضی نقش‌ها بیشتر روی ساخت زیرساخت تمرکز دارند و بعضی به آموزش و استقرار مدل نزدیک‌ترند. پروژه‌هایی که مسیر کامل داده تا خروجی را نشان دهند برای رزومه بسیار ارزشمندند.

اگر مدرکت را از ایران گرفته‌ای، رشته‌های مستقیم‌تر برای ورود به این دوره معمولاً مهندسی کامپیوتر، علوم کامپیوتر، مهندسی نرم‌افزار، علم داده، مهندسی برق و ریاضی هستند. با مدرک آمار، مهندسی صنایع، فیزیک یا مکاترونیک هم ممکن است بتوانی اقدام کنی، اما بهتر است ریزنمراتت نشان بدهد که برنامه‌نویسی، ساختمان داده، الگوریتم، جبر خطی، احتمال و آمار را به‌اندازهٔ کافی گذرانده‌ای. اسم مدرک به‌تنهایی تعیین‌کننده نیست و دانشگاه تطابق درس‌ها و واحدها را جداگانه بررسی می‌کند؛ پس این فهرست را راهنمای اولیه بدان، نه تضمین پذیرش.