Lynda Weinman
بسیاری لیندا واینمن را "مادر آموزش اینترنتی" لقب داده اند. وی که هم اکنون (2016) ۶۰ سال سن دارد در ۱۹۹۵ سایتی را راه اندازی کرد که به عنوان منبعی رایگان برای دانش آموزان محسوب می شد. طی آن دوران لیندا به صورت خودآموز در حال یادگیری طراحی وب بود و تلاش داشت تا آموخته هایش را با سایرین نیز به اشتراک بگذارد. هر چند این روزها مسئله یاد شده امری عادی به حساب می آید اما در اواسط دهه نود -روزگاری که هنوز یوتیوبی نبود- یادگیری طراحی وب به صورت خودجوش چندان مسئله رایجی محسوب نمی گشت.
اشتیاق آن روزهای لیندا در یادگیری ، حالا به لطف وب سایت و سرویسی هایی همانند آنچه خود او راه اندازی کرده به میلیون ها نفر دیگر در سراسر دنیا نیز سرایت نموده و آنها می توانند با اندک هزینه ای و در هر جا و مکانی آنچه که دوست دارند را فرا بگیرند.
ناگفته نماند که پیدا کردن مسیر صحیح کسب و کار، حتی برای لیندا واینمن نیز بدون فراز و نشیب نبوده و وی هم مانند هر فرد موفق دیگری در راه رسیدن به پیروزی پستی و بلندی های بسیاری را از سر گذرانده.
درک نیازی که هیچکس به آن پاسخ نداده بود
وقتی در سال ۱۹۹۳ واینمن طراحی وب را اندک اندک فرا گرفته و قصد آموزش دادن آن را پیدا کرد، ابتدا به کتاب فروشی مراجع نمود و سعی کرد کتابی را به عنوان مرجع انتخاب و از روی آن به دانش آموزان خود درس بدهد. اما وی متوجه شد کتاب فروشی ها و کتابخانه ها تنها راهنماهایی بسیار فنی و پیچیده را ارائه می نمایند که درک شان برای افراد معمولی و با دانش متوسط تقریباً غیر ممکن محسوب می شود.
لیندا واینمن میگوید: به یاد می آورم که با خود فکر کردم شاید چنین کتابی هنوز وجود ندارد. بلافاصله از کتاب فروشی به خانه رفتم و ایده ی اولیه نوشتن آن را پیاده سازی کردم.
کمی بعد کتاب "طراحی گرافیک های تحت وب" که به باور بسیاری اولین کتاب ساده و قابل درک توسط عموم در رابطه با حرفه طراحی وب بود، توسط افراد بسیاری در سراسر دنیا به عنوان یک مرجع غیر فنی مورد استفاده قرار می گرفت و محبوبیتی غیر قابل باور به دست آورده بود.
درست در همان زمان و در سال ۱۹۹۵ واینمن آدرس ایمیل فردی را مشاهده نمود که به صورت debbie@debbie.com بود و مشتاق شد بداند آیا دامنه ی لیندا نیز برای ثبت کردن در دسترس قرار دارد یا خیر. وی این دامنه را خریداری و وبسایتی تحت آن راه انداخت تا از طریقش بتواند با دانش آموزان و همچنین خوانندگان کتاب خود ارتباط برقرار نماید.
شروعی کوچک و توسعه ای آهسته و پیوسته
بعد از موفقیت کتاب واینمن همسر او، بروس هون (Bruce Heavin)، که در اصل موسس کمپانی لیندا نیز محسوب می شود، پیشنهاد داد در طول تعطیلات بهاره یکی از سالن های کامپیوتر دانشگاهی را اجاره نموده و در آن به مدت یک هفته دوره آموزش طراحی وب برگزار نمایند.
آنها این ایده را عملی کردند و سپس به منظور جذب افراد علاقه مند بنر تبلیغاتی را روی سایت لیندا قرار دادند. نه تنها ظرفیت کلاس یاد شده بسیار سریع پر گشت، بلکه افراد از گوشه و کنار دنیا و حتی مثلاً شهر وین برای حضور در آن ثبت نام نمودند.
اینکه تنها یک بنر در سایت خود قرار دهیم و سپس مردم از سراسر دنیا برای حضور در کلاس مان ثبت نام نمایند، باعث شده بود تا شوکه شویم.
آن کارگاه های یک هفته ای بسیار زود باعث شدند تا کسب و کار امروزی لیندا و همسرش پایه گذاری گردد. واینمن از درآمد حق امتیاز کتاب خود با ارزش ۲۰ هزار دلار استفاده کرد و مدرسه طراحی وبی را راه اندازی نمود که دوره هایش در هر ماه به سرعت پیش فروش شده و ظرفیت شان تکمیل می گشت. لیندا می گوید: "مشتریان زیادی وجود داشتند که مجبور بودیم به آنها نه بگوییم، زیرا ظرفیتی برای پذیرش شان وجود نداشت".
اوج گیری پس از بحران
کسب و کار لیندا پس از چند سال توانست ۳۵ فرصت شغلی را ایجاد و درآمدی ۳.۵ میلیون دلاری را فراهم کند. اما در سال ۲۰۰۱ و پس از انفجار حباب دات کام و حوادث مرتبط به یازده سپتامبر، تمایل افراد به یادگیری دروس طراحی وب کاهشی عجیب پیدا کرد، تا جایی که واینمن و همسرش در ادامه دادن مسیر مردد شده بودند.
کمپانی آنها دچار بحرانی جدی گشت، واینمن و هون ۷۵ درصد کارمندان خود را اخراج کردند و تنها ۹ نفر در استخدام شان باقی ماند. دفتر و مقر برگزاری دوره های لیندا نیز کوچک تر گشت و سعی را بر این گذاشتند تا واحد هایی با قیمت ارزان تر اجاره نمایند.
روز های سیاهی بود و حتی خودم تردید داشتم که می توانیم این کسب و کار را ادامه دهیم یا خیر.
خود واینمن در مورد آن ایام می گوید: "همه در حال نبرد برای بقا بودند و سعی می کردند سر خود را بالای آب نگه دارند. ما نیز وضعیتی مشابه را تجربه می کردیم و در نهایت درست همین زمان بود که تصمیم گرفتیم خدمات خود را به صورت کاملاً آنلاین ارائه نماییم."
روزگاری که ایده یاد شده شکل گرفت و سپس عملی گشت (ارائه خدمات به صورت آنلاین) تماشای فیلم بر روی کامپیوترها تازه در حال رواج یافتن بود. لیندا دات کام تصمیم گرفت در ازای سرویسی که ارائه می کند هزینه حق اشتراکی ۲۵ دلاری را به صورت ماهیانه دریافت نماید.
افراد اندکی از این راهکار استقبال کردند. واینمن می گوید: "درآمد مان به شدت افت کرده بود. روز های سیاهی بود و حتی خودم تردید داشتم که می توانیم این کسب و کار را ادامه دهیم یا خیر."
با تنها ۱۰۰۰ نفر پرداخت کننده حق اشتراک ماهیانه، بقای کمپانی به نظر بسیار سخت می رسید. ایجاد یک جامعه ی آنلاین زمان بر است و لیندا به خود امید می داد که آنها مسیر شان را عوض نکرده اند بلکه راهی تازه را شروع نموده اند پس باید صبر پیشه کنند. او توضیح می دهد که "همه چیز بسیار آهسته پیش رفت. ولی کم کم پرداخت حق اشتراک ماهیانه آنلاین رواج پیدا کرد و مقدار آن هر ساله چندین برابر شد".
در ۲۰۰۶ تعداد مشترکین به ۱۰۰.۰۰۰ نفر رسید و واینمن و همسرش ۱۵۰ کارمند خود را به همراه خانواده هایشان به دیزنی لند بردند تا موفقیت بزرگی که رقم خورده بود را جشن بگیرند.
ایجاد فرهنگ سازمانی مناسب در زمان رشد
اینکه اعضا و کارمندان شرکت همانند یک خانواده با یکدیگر در تعامل باشند همواره برای لیندا حائز اهمیت بوده و او حتی همیشه تلاش داشته تا افراد تحت استخدام خود را با اسم کوچک بشناسد و صدا بزند. ولی رشد سریع کمپانی و رسیدن تعداد کارمندان به عدد ۵۰۰، رفته رفته چالش هایی تازه را پدید می آورد و سبب می گردد واینمن در ایده آل های خود بازنگری نماید.
وی می گوید: "چالش اصلی بر سر تعیین سمت و مقام افراد بود. اینکه با هر کس چه برخوردی باید صورت بگیرد. همه ی کسانی که رشدی سریع را در شرکت خود تجربه کرده اند می دانند که ایجاد سلسله مراتب تا چه حد اهمیت دارد."
در ۲۰۰۷ تصمیم بر این شد تا یک مدیرعامل جهت اداره ی بهتر مجموعه به آن اضافه گردد. به گفته ی خود لیندا "درست در همان زمان بود که او تصمیم گرفت در رفتارها و برخوردهای خود سیاست بیشتری داشته و بروکراتیک تر عمل نماید".
ایجاد فرهنگ سازمانی برای شرکتی با بیش از ۵۰۰ کارمند کاری بسیار دشوار خواهد بود ولی حتی آنچه از این مسئله نیز دشوارتر به حساب می آید پایه ریزی درست و مطابقت دادن افراد با فرهنگ یاد شده است. اینکار در زمانی که یک شرکت نوپا و کوچک محسوب می شود چندان سخت نیست و شاید ضروری هم نباشد ولی با رشد آن صورت پذیرفتنش الزام می یابد.
پیش به سوی موفقیت
مدتی است که بسیاری تصور می کنند دوره های آموزش ویدئویی می توانند آینده آموزش به حساب بیایند.
در طی سال های اخیر کمپانی واینمن توسط افراد گوناگونی که در حرفه ی خود بهترین هستند دوره های آنلاین متعددی را ایجاد نموده و سعی کرده نشان دهد این دوره های آنلاین راه و روش یادگیری را برای همیشه متحول کرده اند.
لیندا دات کام قالبی معین و کارآمد را برای دوره های آموزشی اش پدید آورده و سپس کوشش کرده تا از نظر موضوعی نیز در بین مطالب مورد تدریس خود تنوع ایجاد نماید. روزگاری در وب سایت مورد بحث تنها ۲۰ دوره آموزش ویدئویی آنلاین وجود داشت، اما اکنون این رقم به ۶۳۰۰ رسیده که شامل ۲۶۷.۰۰۰ ویدئوی آموزشی می گردد.
ارائه ی کتابخانه ای ویدئویی به جای اینکه از افراد درخواست شود تا در دوره هایی مشخص با روال معمول و پیوسته شرکت نمایند، عاملی بوده که سبب گشته شیوه ی آموزشی لیندا دات کام نسبت به سایرین کاملاً متفاوت گردد.
واینمن می گوید: "مدتی است که بسیاری تصور می کنند دوره های آموزش ویدئویی می توانند آینده آموزش به حساب بیایند. ما به خاطر همین تفاوت مان مورد توجه قرار داشته و تحت نظر سایرین هستیم".
فروش به لینکدین Linked in
من به شخصه بر روی اثری که از همکاری دو کمپانی با یکدیگر پدید می آید متمرکز هستم.
واینمن زمانی که متوجه می شود لینکدین قصد خرید کمپانی اش را دارد، در ابتدا شوکه می گردد. او و همسرش هرگز به دنبال فروش شرکت خود و یافتن مشتری برای آن نبوده اند و البته در سن ۶۰ سالگی وی هنوز هم احساس می نموده که برای بازنشستگی بسیار زود است.
اما رفته رفته به این نتیجه می رسند که این فروش و ادغام دو کمپانی با یکدیگر احتمالاً امری منطقی و موثر خواهد بود. هر دو شرکت به نوعی تلاش داشته اند به افراد کمک کنند تا وضعیت شغلی خود را بهبود بخشند و احتمالاً در کنار یکدیگر بسیار بهتر از گذشته می توانند این هدف را محقق کنند.
واینمن می گوید: "بسیاری از مردم بر روی رقم معامله صورت پذیرفته تمرکز دارند و شاید این مسئله برای افرادی که با صنعت ما آشنا نیستند یک شگفتی محسوب شود. ولی خود من به شخصه بر روی اثری که از همکاری دو کمپانی با یکدیگر پدید می آید متمرکز هستم و اولین چیزی که در رابطه با این موضوع به ذهنم می رسد، میزان بزرگی این اثرگذاری است."
به نظر می آید حتی لیندا واینمن هم از موفقیت خودش شگفت زده است و تصور چنین روزی را نداشته. بر خلاف بسیاری از بنیانگذاران کمپانی ها مهم تکنولوژیک امروزی ، وی با هدف کسب درآمد های کلان شروع به کار نکرده و قصد اولیه اش هرگز ایجاد کمپانی نبوده که توسط لینکدین به ارزش ۱.۵ میلیارد دلار خریداری شد. او تنها سعی داشته آنچه که برای خودش جذاب بوده، یعنی طراحی وب را به سایرین نیز بیاموزد.
واینمن که بر حسب اتفاق بدل به یک معلم گشته، می گوید: "من نه چندان گنگ بودم و نه به آن صورت خوره ی دنیای تکنولوژی. افراد زیادی پیش من می آمدند و می پرسیدند چگونه این کار را انجام می دهی؟ یا چگونه آن کار را انجام می دهی؟ هرگز با خودم فکر نکرده بودم به اشتراک گذاشتن دانش در رابطه با آنچه که برایت جالب است، در واقع همان تدریس کردن محسوب می شود."
در حالکیه لیندا اعتقاد دارد تنها در زمان و مکان مناسبی حضور داشته، سخت است بدل شدن یک دامنه ی ۳۵ دلاری به کسب و کاری ۱.۵ میلیارد دلاری را حاصل یک اتفاق بدانیم.
با راهنماییهای تخصصی دن سالیوان، معمار ابری، نویسنده و متخصص گوگل کلود، به استراتژیهای هوش مصنوعی که اهداف سازمانی را پیش میبرند، بپردازید. یاد بگیرید که چگونه فناوریهای هوش مصنوعی را با اهداف تجاری همسو کنید. بهترین شیوهها را برای تهیه دادهها، تضمین کیفیت دادهها و حفظ حریم خصوصی کشف کنید. از طریق مباحثی مانند پردازش دستهای و جریانی، مدیریت دادهها، مسیرهای حسابرسی و چارچوبهای اخلاقی در ابتکارات هوش مصنوعی، بینشهایی در مورد دادههای ساختاریافته، نیمه ساختاریافته و بدون ساختار کسب کنید. دانش خود را در زمینههای حیاتی مانند ادغام دادهها، رعایت مقررات و مهندسی ویژگیها افزایش دهید. خود را به مهارتهایی برای تجزیه و تحلیل چالشهای دادههای دنیای واقعی و بهینهسازی زیرساخت هوش مصنوعی سازمان خود مجهز کنید. چه وظیفه شما تغییر فرآیندهای تجاری باشد و چه پیشبرد قابلیتهای هوش مصنوعی، این دوره ابزارهایی را ارائه میدهد که میتوانند به شما در پیمایش محیطهای داده پیچیده و دستیابی به راهحلهای هوش مصنوعی مقیاسپذیر و قابل اعتماد کمک کنند.
نمونه ویدیوی آموزشی ( زیرنویسها جدا از ویدیو است و میتوانید آنرا نمایش ندهید ) :
[فارسی]
01 مقدمه
01-01 به این دوره خوش آمدید
01-02 چیزهایی که باید بدانید
02 اصول جمع آوری داده ها
02-01 شناسایی منابع داده
02-02 جمع آوری داده های ساختاری ، نیمه ساختار یافته و بدون ساختار
02-03 تکنیک های نمونه گیری داده ها و ملاحظات آماری
02-04 گردش کار برای جمع آوری داده های خودکار
چالش 02-05: معیارهای مربوط به جمع آوری داده ها را شناسایی کنید
02-06 راه حل: معیارهای مربوط به جمع آوری داده ها را شناسایی کنید
03 چارچوب کیفیت داده
معیارهای کیفیت داده 03-01
03-02 روش اعتبار سنجی و تأیید داده ها
03-03 روش تشخیص و اصلاح خطا
03-04 چالش: ارزیابی کیفیت داده ها
03-05 راه حل: ارزیابی کیفیت داده ها
04 آماده سازی داده
04-01 عادی سازی و استاندارد سازی داده ها
04-02 رسیدگی به داده ها و دور دست های گمشده
04-03 تکنیک های تقویت داده
04-04 ویژگی مهندسی و انتخاب
چالش 04-05: ویژگی های مهندس
راه حل 04-06: ویژگی های مهندس
05 سیستم ذخیره سازی AI
05-01 انواع سیستم های ذخیره سازی: ذخیره شیء
05-02 انواع سیستم های ذخیره سازی: ذخیره سازی بلوک و پرونده
05-03 انواع سیستم های ذخیره سازی: بانکهای اطلاعاتی
05-04 چالش: انتخاب سیستم ذخیره سازی
05-05 راه حل: انتخاب سیستم ذخیره سازی
06 زیرساخت پردازش AI
06-01 سیستم های پردازش دسته ای
سیستم های پردازش جریان 06-02
06-03 پردازش AI مقیاس
چالش 06-04: انتخاب یک چارچوب
راه حل 06-05: انتخاب یک چارچوب
07 بهینه سازی گردش کار فرآیند AI
07-01 مدیریت ابرداده
07-02 فروشگاه های ویژگی
ذخیره سازی 07-03
07-04 چالش: قابلیت های فروشگاه ویژگی
راه حل 07-05: قابلیت های فروشگاه ویژگی
08 پردازش داده های زمان واقعی برای برنامه های AI
08-01 معماری رویداد محور
08-02 الگوهای ادغام داده در زمان واقعی
08-03 سیستم های نظارت و هشدار
چالش 08-04: الگوهای معماری
راه حل 08-05: الگوهای معماری
09 مدیریت داده ایمن برای اجرای AI
09-01 انطباق و مقررات امنیتی
09-02 روشهای AI حفظ حریم خصوصی
09-03 چارچوب های حاکمیت داده
09-04 مسیرهای حسابرسی و ورود به سیستم
09-05 چالش: روشهای حفظ حریم خصوصی
09-06 راه حل: روشهای حفظ حریم خصوصی
10 ملاحظات اخلاقی
10-01 اخلاق هوش مصنوعی و استفاده از داده های مسئول
10-02 شفافیت و توضیح
10-03 دستورالعمل ها و استانداردهای اخلاقی
10-04 چالش: اصول اخلاقی
10-05 راه حل: اصول اخلاقی
11 نتیجه گیری
11-01 مراحل بعدی
[ENGLISH]
01 Introduction
01-01 Welcome to this course
01-02 Things you should know
02 Data Collection Fundamentals
02-01 Identifying data sources
02-02 Structured, semi-structured, and unstructured data collection
02-03 Data sampling techniques and statistical considerations
02-04 Workflows for automated data collection
02-05 Challenge: Identify relevant data collection metrics
02-06 Solution: Identify relevant data collection metrics
03 Data Quality Frameworks
03-01 Data quality metrics
03-02 Data validation and verification procedures
03-03 Error detection and correction methodologies
03-04 Challenge: Data quality assessment
03-05 Solution: Data quality assessment
04 Data Preparation
04-01 Data normalization and standardization
04-02 Handling missing data and outliers
04-03 Data augmentation techniques
04-04 Feature engineering and selection
04-05 Challenge: Engineer features
04-06 Solution: Engineer features
05 AI Storage Systems
05-01 Types of storage systems: Object storage
05-02 Types of storage systems: Block and file storage
05-03 Types of storage systems: Databases
05-04 Challenge: Storage system selection
05-05 Solution: Storage system selection
06 AI Processing Infrastructure
06-01 Batch processing systems
06-02 Stream processing systems
06-03 Scaling AI processing
06-04 Challenge: Choosing a framework
06-05 Solution: Choosing a framework
07 Optimizing AI Process Workflows
07-01 Metadata management
07-02 Feature stores
07-03 Caching
07-04 Challenge: Feature store capabilities
07-05 Solution: Feature store capabilities
08 Real-Time Data Processing for AI Applications
08-01 Event-driven architectures
08-02 Real-time data integration patterns
08-03 Monitoring and alerting systems
08-04 Challenge: Architecture patterns
08-05 Solution: Architecture patterns
09 Secure Data Management for AI Implementation
09-01 Security compliance and regulation
09-02 Privacy-preserving AI methods
09-03 Data governance frameworks
09-04 Audit trails and logging
09-05 Challenge: Privacy-preserving methods
09-06 Solution: Privacy-preserving methods
10 Ethical Considerations
10-01 AI ethics and responsible data use
10-02 Transparency and explainability
10-03 Ethical guidelines and standards
10-04 Challenge: Ethical principles
10-05 Solution: Ethical principles
11 Conclusion
11-01 Next steps
دن سالیوان یک متخصص معماری سازمانی در معماری داده، آنالیتیک ها، data mining، آمار، نمونه سازی داده، big data ، و محاسبه cloud است. به علاوه، او در ژنتیک، بیوانفورمتیک، و زیست شناسی محاسبه ای، PhD دارد. دَن به طور مرتب با Spark، Oracle، NoSQL، MongoDB، Redis، R و Python کار می کند. او سابقه نگارش طولانی درباره موضوعاتی نظیر محاسبه cloud، big data، Hadoop و امنیت دارد.