درباره مدیر سایت

این نویسنده هنوز جزئیاتی وارد نکرده است.
مدیر سایت تاکنون 117 مطلب را ایجاد کرده است.

یادگیری ماشین با Microsoft Azure

1399-10-14T18:42:48+03:30

مهندسی یادگیری ماشین با استفاده از Microsoft Azure

مهندسی یادگیری ماشین چیست؟ (Machin Learning- ML)

مهندسان یادگیری ماشین در ساخت، آموزش و اعتبارسنجی مدل‌های یادگیری ماشین و ایجاد محصولات هوش مصنوعی (AI) تخصص دارند. آیا هر هفته فهرست پخش فایل‌های صوتی یا تصویری خودتان را مرور می‌کنید؟ یا مثلا به توصیه‌های بازی در کنسول Xbox دقت کرده‌اید؟ این موارد توسط مهندسان یادگیری ماشین ساخته شده‌اند.

یادگیری ماشین یکی از علوم جدید و بسیار پرطرفدار در شرکت‌های بزرگ است. امروزه، بسیاری از شرکت­‌های بزرگ مانند فیس بوک، مایکروسافت، آمازون و گوگل، بخش­ی مختص ML ایجاد شده است. بر اساس آمار، حقوق یک مهندس ML بطور متوسط ​​بیش از ۱۴۵۰۰۰ دلار در سال است! طبق گزارش‌های منتشر شده توسط لینکدین و در حوزه مشاغل نوظهور در سال ۲۰۲۰، مشاغل حوزه­ هوش مصنوعی در چهار سال گذشته بطور میانگین رشدی معال ۷۴٪ در هر سال را تجربه کرده‌اند. بر اساس همین گزارش، انتظار نمی­‌رود این روند طی چند سال آینده نیز کند شود. اگر بدنبال زمان مناسبی برای توسعه مهارت‌های یادگیری ماشین هستید، فرصت را از دست ندهید، همین حالا دست به کار شوید.

Microsoft Azure چیست؟

Microsoft Azure پلتفرمی ابری با بیش از ۲۰۰ محصول و خدمت در حوره ساخت، اجرا و مدیریت برنامه‌ها در چهارچوب‌های دلخواه شماست. این خدمات شامل پایگاه داده‌ها، یادگیری ماشین، اینترنت اشیا (IOT)، بلاکچین و ده‌ها سرویس و خدمت دیگر است.

طی سال‌های اخیر، بیش از ۸۵٪ از شرکت­های Fortune 500 از Azure استفاده می­‌کنند.  (Azure Machine Learning (AML یک سرویس یادگیری ماشین جهت ساخت و استقرار مدل‌های هوشمند است. با استفاده از این سرویس، دانشمندان علم داده و ML  قادر خواهند بود تا چرخه یادگیری ماشین را در ساخت، آموزش و استقرار مدل‌های ML توسعه دهند.

با این توضیحات، یکی از بازارهای بسیار مناسب در سال‌های پیش رو، ML خواهد بود. در دوره‌های آموزشی AML، دانشجویان با تقویت مهارت در ML و تجربه عملی در آموزش، اعتبارسنجی و ارزیابی مدل­ها با Microsoft Azure آموزش می‌بینند؛ و آمادگی لازم در آزمون‌های DP-100 شامل طراحی و اجرای راه حل در Data science را بدست می‌آورند.

پیش زمنیه‌های آموزشی

جهت ارتقای دانش در این حوزه، آشنایی با مفاهیم یادگیری نظارت شده و بدون نظارت، رگرسیون خطی، آمار و خوشه بندی k-means  نیز ضروری است. از طرفی یادگیری زبان برنامه نویسی Python به عنوان یکی از اصلی ترین زبان‌های برنامه نویسی باید در دستور کار شما قرار گیرد. شما نیاز به توانایی اسکریپت نویسی و تحلیل اسکریپت در محیط پایتون را داشته باشید و با متغیرها، حلقه‌ها، ماژول­ها، شرط ها و توابع پایتون آشنا باشید.

پروژه‌های مرسوم در این دوره عبارتند از:

  • بهینه سازی کانال ارتباطی ML در Azure

این پروژه، چگونی استفاده از از ابزارهایی مانند scikit-learn، Hyperdrive، AutoML و Azure ML SDK برای ساخت و پیکربندی کانال­‌های ارتباطی، ثبت دیتا و مدل­های بهینه ML را آموزش می‌دهد. این پروژه بر استفاده از آزمایش­‌هایی جهت تشخیص روش‌­های بهینه یادگیری ماشین تمرکز می‌شود.

عملیاتی ­کردن یادگیری ماشین

در این پروژه با استفاده از AutoML یک مدل ML را آموزش می‌بینید و سپس آنرا استقرار می‌دهید. همچنین نحوه درک و آموزش ML، محاسبه عملکرد کانال­های پایه و بررسی لاگ­ ها را آموزش می‌بینید.

آموزش و استقرار مدل یادگیری ماشین با Azure

در این پروژه یک مجموعه دیتای خارجی انتخاب و در فضای کاری Azure ثبت می‌شود. ابتدا مدل انتخابی خود را با این دیتا و استفاده از Auto ML و یکبار هم با تنظیمات خاص hyperparameters و Hyper Drive تمرین می‌­کنید. عملکرد این دو مدل را مقایسه گرده و مدل بهتر را در محیط تولید به کار می­گ‌یرید.

یادگیری ماشین با Microsoft Azure1399-10-14T18:42:48+03:30

بهترین مشاغل یادگیری ماشین در سال ۲۰۲۰

1399-10-06T19:40:42+03:30

بهترین مشاغل یادگیری ماشین در سال ۲۰۲۰

جنیفر شالمانوف ( Jennifer Shalamanov)

یادگیری ماشینی دیگر یک مفهوم علمی تخیلی نیست


در واقع یادگیری ماشین یک عملکرد واقعی از فناوری هوش مصنوعی است که ما هر روز از آن استفاده می‌کنیم. مهندسان این علم بر توسعه برنامه‌های کامپیوتری خاصی تمرکز کرده‌اند که می‌توانند به داده‌ها دسترسی پیدا کرده و از آنها برای خود-یادگیری (Self-Learning) استفاده کنند.

متخصصان هر روزه، به توسعه الگوریتم‌های یادگیری ماشین‌ با استفاده از مجموعه داده‌های آزمایشی، توسعه مدل‌های یادگیری ماشین و آزمایش بر روی ماشین‌ها می‌پردازند. هدف این است که ماشین بتواند بدون دخالت مستقیم انسان و بصورت آگاهانه تصمیم بگیرد.

شرکت‌ها، ارزشی که یادگیری ماشین در راستای توسعه محصولات و خدماتشان به ارمغان می‌آورد را  تشخیص داده‌اند و در صدد استخدام کارشناسان با مهارت یادگیری ماشین هستند. به اعتقاد این شرکت‌ها، ماشین‌ها قادر خواهند بود، بسیار سریعتر از انسان‌ها، مطالب را فرا بگیرند.

در سال ۲۰۲۰ آگهی‌های استخدامی در حوزه‌ مشاغل “یادگیری ماشین” و “هوش مصنوعی” ۳۰ درصد افزایش یافته است؛ در حالیکه افراد جویای کار در این حوزه، ۱۵ درصد کاهش یافته‌اند.

این افت درخواست در حوزه یادگیری ماشین، منجر به افزایش درآمدی مهندسان شده است. بر اساس آمار، حقوق مهندسان یادگیری ماشین از سال ۲۰۱۵ تاکنون ۳۴۴٪ افزایش یافته و متوسط ​​درآمد یک مهندس یادگیری ماشین سالانه به بیش از ۱۴۵،۰۰۰ دلار رسیده است.

شرکت های برتر به مهندسین یادگیری ماشین نیاز دارند

علی رغم وجود کتابخانه‌هایی مانند TensorFlow ، PyTorch و بسیاری دیگر، شرکت‌ها و بخصوص شرکت‌های کوچک‌تر قادر به یادگیری ماشین در محصولات خود هستند.

اگرچه این گامی بزرگ در راه پذیرش فراگیر یادگیری ماشین در صنعت آی تی است، اما بیشتر کارهای اساسی در یادگیری ماشین در شرکت‌های بزرگ اتفاق می‌افتد.

گوگل

یکی از شرکت‌های پیشرو در زمینه یادگیری ماشین و تحقیقات هوش مصنوعی در دنیا به شمار می‌رود. برخی از پروژه‌های برجسته این غول تکنولوژی عبارتند از:

  • پیش بینی سیل
  • پیش بینی پس لرزه زلزله
  • در حال توسعه کتابخانه منبع باز TensorFlow
  • دستیار مجازی (Google Duplex)
  • واقعیت افزوده (در Pixel 2)

علاوه بر تمام فناوری‌هایی که گوگل با استفاده از یادگیری ماشینی توسعه داده است، استانداردهای مختلفی در این حوزه نیز ایجاد کرده‌اند.

آمازون

تا به حال نام سرویس‌های وب آمازون (AWS) را شنیده‌اید؟ رایانش ابری آمازون بخش بزرگی از تجارت آن است. مهندسان یادگیری ماشین آمازون، طیف وسیعی از محصولات را با استفاده از هوش مصنوعی که در فضای ابری (Cloud) موجود است، تولید کرده‌اند. برخی از جالب ترین محصولات یادگیری ماشین AWS عبارتند از:

  • SageMaker: سرویسی برای توسعه دهندگان تولید، آموزش و استقرار مدل‌های یادگیری ماشین.
  • Lex: یک رابط مکالمه (AKA chatbot). همان چیزی که دستگاه الکسای آمازون را قدرت می‌بخشد.
  • DeepLens: دوربین قابل برنامه ریزی با قابلیت یادگیری که بعنوان ابزار آموزش یادگیری ماشین از آن استفاده می‌شود.

اپل

یکی دیگر از شرکت‌های برجسته که مهندسان یادگیری ماشین را استخدام می‌کند، با تمرکز در پنج زمینه:

  • زیرساخت یادگیری ماشین: سیستم‌هایی را بسازید که محققان یادگیری ماشین روی آن کار می‌کنند
  • یادگیری عمیق و یادگیری تقویت:(Deep Learning) تحقیقات یادگیری نظارت شده و بدون نظارت، نظریه‌های بازی و موارد دیگر
  • فناوری‌های گفتاری و پردازش زبان طبیعی: بر روی محصولاتی مانند Siri، تبدیل نوشتار به گفتار و سایر فناوری‌های NLP
  • Computer Vision: توسعه نرم افزار پردازش تصویر و شبکه‌های عصبی عمیق
  • تحقیقات کاربردی: تحقیق و توسعه آخرین نمونه‌های منتشر نشده و محرمانه اپل

فیس بوک

اگرچه فیس بوک سالها پیش بعنوان یک برنامه کاملاً ساده در شبکه‌های اجتماعی آغاز به کار کرد، اما تبدیل به یکی از برترین شرکت‌های فناوری در سیلیکون ولی شده است.

فیس بوک نه تنها از یادگیری ماشینی در محصولات خود برای ترجمه زبان‌ها، مبارزه با اطلاعات نادرست و شخصی سازی جدول زمانی کاربران خود استفاده می‌کند، بلکه در بسیاری از محصولات دیگر مانند Oculus VR نیز از این تکنولوژی بهره می‌برد.

اوبر

بر هیچ کس پوشیده نیست که Uber طی سال‌های اخیر در حال توسعه اتومبیل‌های خودران است. اما این تنها یکی از برنامه‌های شرکت در یادگیری ماشینی است. Uber همچنین از یادگیری ماشین در زمینه‌های زیر استفاده کرده است:

  • Michaelangelo: پلتفرم یادگیری ماشین اختصاصی اوبر که به توسعه دهندگان در ایجاد، آموزش و استقرار مدل‌ها کمک می‌کند
  • تقاضای کاربر و پیش بینی میزان بازدید
  • اعتبار هویت راننده

بهترین مشاغل یادگیری ماشین در سال ۲۰۲۰1399-10-06T19:40:42+03:30

چراغ کسب و کار (۱۳۹۹/۱۰/۰۷)

1399-10-09T16:58:16+03:30

موضوعات پرکاربرد سیستم حقوق و دستمزد سپیدار

تاریخ رویداد ۱۳۹۹/۰۹/۱۹

وبینار چراغ کسب و کار


شرکت سپیدار سیستم با درنظر گرفتن شرایط موجود کشور اقدام به برگزاری رویدادهای خود به صورت آنلاین می کند. از این رو این مجموعه تصمیم دارد تا وبینار چراغ کسب و کار را به همت شرکت سپیدان حساب ممتاز نماینده رسمی خود برگزار نماید.

سرفصل‌های آموزشی:

  • اهمیت داشتن دانش مالی و حسابداری برای مدیر و صاحب یک کسب و کار
  • هدف یک کسب و کار و شرکت از دیدگاه مالی و حسابداری
  • نقش واحد حسابداری در پیشبرد اهداف شرکت
  • اشتباه مدیران در گزینش نیروی حسابداری و مالی با توجه به اهداف
  • زیان های پنهان ناشی از عدم وجود سیستم مقایسه ای
  • نقش نرم افزار های مالی در تسریع اهداف مالی و حسابداری

مهمان برنامه:

  • جناب آقای امیر رضایی
    کارشناس امور مالی و مالیاتی

به اتمام رسید

چراغ کسب و کار (۱۳۹۹/۱۰/۰۷)1399-10-09T16:58:16+03:30

از ایده تا مدل کسب و کار

1399-10-05T21:14:30+03:30

از ایده تا مدل کسب و کار

برد شوگارز (Brad Sugars)

یکی از مزایای مربیگری در کسب و کار، فرصت کار با مشاغل مختلف، مفاهیم تجاری و عوامل موثر و غیرموثر موفقیت در کسب و کارهاست. من از صنعت مد تا غذای حیوانات درگیر موارد مختلف، منحصر به فرد و غیر متعارف بودم.

ایده‌های منحصر به فرد خیلی اوقات، موفق هستند، اما باید از نظر تجاری هم قابل استفاده بوده  و توانایی توسعه را داشته باشند. یکی از مشاغل غیر متعارفی که اخیراً با آن کار کردم ، یک شرکت در آفریقای جنوبی به نام Liza Clifford Bra Fitting Studio بود. یک شرکت موفق در حوزه تولید پوشاک بانوان با امکان شخصی سازی لباس برای هر مشتری.

لیزا در ارتباط با مشتریان بسیار موفق عمل می‌کرد. مساله او مانند اکثر کسب و کارهای ایده محور، یافتن راهکاری برای پایدار و زنده نگه داشتن کسب و کار بود؛ چیزی که فراتر از گفتن مردم است:

این ایده خوبییه، بخرش!

بعبارتی مردم می‌گویند: “این یک ایده عالی است! این پول من است و آیا می‌توانم مقداری بیشتر از آن داشته باشم؟” سپس، شما باید فعالیت کارآفرینی خود را در یک مدل سیستماتیک سازماندهی کنید تا نتایج پیش بینی کننده‌ای به دست آورید.

معنی آن چیست؟

تجارت می تواند بدون شما ادامه یابد. کسب و کارها مبتنی بر سیستم‌ها و فرایندهای مشخصی هستند که اگر اتفاقی هم برای صاحب کسب و کار رخ دهد، تجارت آن قادر به ادامه حیات خواهد بود؛ چرا که برنامه‌های تجاری و استراتژی‌های رشد و توسعه بصورت روزانه روی کاغذ و با یک تیم به اشتراک گذاشته می‌شود نه یک فرد.

این مسیر کمک می کند تا ایده بطور مداوم ایجاد شوند و از تجربیات مشتری برای بهبود استفاده کنیم. سیستم سازی، خلاقیت و توسعه خدمات را از بین نمی‌برد. در واقع به تیم کمک می‌کند تا پارامترهایی برای هر مشتری بطور جداگانه، در چارچوب ارزش‌ها و فرهنگ شرکت، فراهم نماید. در مورد شرکت لیزا، علی رغم اینکه یک فرایند خاص هر مشتری در حال اجراست که قابل تکرار برای سایر مشتریان نیز می‌تواند باشد، اما در واقع این یک تجربه شخصی برای هز خانم است.

همه چیز قابل اندازه گیری است

ایده ها می توانند مبهم و مبهم باشند. اعداد عینی هستند. چه تعداد مشتری با چه قیمت‌هایی سود کسب می‌کنند؟ برای حفظ توسعه، چه میزان حاشیه سود نیاز است؟ چه میزان از کسب و کار مربوط به خرید مشتریان قدیمی و راضی است تا هزینه بازاریابی کاهش یابد؟

پس از بدست آوردن این اعداد و ارقام، می‌توانید درمورد فعالیت‌هایی که برای تداوم موفقیت نیاز دارید، راحت‌تر تصمیم گیری نمایید. اطلاعات کامل در خصوص یک خرده فروشی ساده می‌تواند فروش روزانه را بصورت تصاعدی افزایش دهد. عدم وجود برنامه تبلیغات آنلاین می‌تواند باعث صرفه جویی در خرید محصولات جدید شما شود. شما باید آنچه از کسب و کارتان می‌دانید را مدیریت کرده و نتایج را بررسی نمایید.

فضای رشد در ساختار شرکت تعبیه شده است. برای ادامه حضور در کسب و کار، توسعه یک انتخاب نیست بلکه یک ضرورت است؛ حتی اگر شما مشاوری هستید که در منزل کار می‌کنید. باید مشتریان جدید را بدست آورید و جایگزین کسانی کنید که از شما جدا می‌شوند.

با این حال ، اگر هدف شما توسعه بیشتر مثل ایجاد واحدهای جدید، گسترش در سطح کشور و منطقه است، باید فرایندهای خود را برای این منظور آماده و مستند کنید. بزرگترین دلیل شکست کسب و کارها ، کمبود سرمایه نیست، بلکه کمبود دانش است. داشتن ایده برای یک کسب و کار بسیار خوب است، اما دانستن تفاوت بین یک ایده خوب و یک ایده تجاری خوب به معنای واقعی کلمه پول در بانک است.

قسمت اول

داستان بث و کارل و ایده‌ای که به اعتقاد آنها می تواند به یک تجارت بزرگ تبدیل شود

قسمت دوم

تصویر سازی بصری مدل کسب و کار. بوم کسب و کار، ابزاری بصری برای ساخت مدل های تجاری قدرتمند

قسمت سوم

نمونه سازی اولیه. یک مدل کسب و کار، بارها تغییر می کند بنابراین عاشق اولین مدل خود نشوید، چرا که ممکن است برای تغییرات آن مقاومت کنید

قسمت چهارم

نقشه محیط و مدل کسب و کارتان را تهیه کنید

قسمت پنجم

تمام جنبه های مدل کسب و کار خود را آزمایش کنید تا بفهمید چه چیزی مفید است ، چه چیزی مفید نیست و چه چیزی باید تغییر کند.

قسمت ششم

داستان خودتان را تعریف کنید. مدل کاری خود را به روشی روشن ، ساده و جذاب ارائه دهید.

از ایده تا مدل کسب و کار1399-10-05T21:14:30+03:30

آنا تام

1399-09-30T14:19:09+03:30
آنا تام
آنا تاممهندس تکنولوژی
مدیر ارشد مهندسی سیستم
Tarrytown ، نیویورک ، ایالات متحده

آنا، بیش از ۱۵ سال مدیر مهندسی فناوری، سیستم‌ها و روش‌ها، تجزیه و تحلیل داده‌ها و تیم‌های تحقیق و توسعه در شرکت‌های بزرگ جهانی است. موفقیت دائم او در تیم های عملیاتی تولید محصولات فنی پیچیده، از طراحی مفهومی تا محصول نهایی و از طریق آزمایشات اعتبار سنجی و راه اندازی محصول، از شاخص‌های بارز تام محسوب می‌شود. او یک استراتژیست باتجربه در تهیه نقشه راه تولید محصولات و فناوری نسل‌های جدید تکنولوژی در حوزه انرژی است. دارای مدرک تخصصی شش سیگما است که منجر به ابتکار عمل‌های کلیدی او در بهبود محصولات خروجی مشتریان می‌شود.

آنا تام1399-09-30T14:19:09+03:30

راه اندازی نیروگاه به روش Silicon Valley

1399-09-30T14:20:17+03:30

راه اندازی توربین‌های نیروگاهی به روش Silicon Valley

نوشته: بروس واستون

فرهنگ استارت آپی در شرکت‌های صنعتی بزرگ

کارشناسان حوزه مدیریت، عموما با “فرهنگ استارت آپ” که تلفیقی از چشم انداز و چابکی است، با وسواس برخورد می‌کنند. این فرهنگ برای شرکت‌ها، فرصت تولید سریع از نمونه اولیه تا محصول را در مدت زمان کوتاه‌ فراهم می‌کند. اما آیا این مدل در یک شرکت بزرگ صنعتی نیز قابلیت اجرا را دارد؟

GE سعی کرد تا با استفاده از مدل FastWorks، سرعت تولید را بالا ببرد. در اولین گام، مهندسان GE Power از این روش برای بهبود توربین گازی استفاده کردند. آنا تام، مدیر ارشد مهندسی در GE Power در این خصوص می گوید:

ما در گذشته محصولی می‌ساختیم که بنظرمان مشتری نیاز داشت و سپس با مشتری چک می‌کردیم، اما این بار، قبل از شروع کار به سراغ مشتریانمان رفتیم.

تام و تیمش می‌خواستند پلتفرم ۹E که مربوط به یکی از اصلی‌ترین توربین‌های GE هست را بهبود ببخشند. آنها با ۱۱ مشتری مذاکره و لیستی از درخواستهای‌شان را جمع آوری نمودند. گروهی از مشتریان درخواست تولید انرژی بیشتر داشتند، برخی افزایش میزان بازده توربین نسبت به میزان سوخت جزو اولویتشان بود و گروهی دیگر مدلی می‌خواستند که بتوان براحتی آنرا جایگزین ماژول توربین قبلی یعنی ۹E.03 کنند؛ همگی قابلیت اطمینان و انعطاف پذیری عملیاتی را از محصول جدید می‌خواستند و بالاتفاق درخواست تسریع در تحویل را داشتند.

با بررسی درخواست‌ها، تیم FastWorks تصمیم به تولید محصول جدیدی به نام ۹EMax گرفت که تمام نیازهای مشتریان را برآورده کند. این روند منجر به کاهش یکساله در تولید محصول شد و محصول نهایی با سرعت و کیفیت مطلوب تری آماده ارائه به بازار گردید.

روند توسعه GE FastWorks به مهندسین GE Power اجازه داد تا درخواست‌های مشتریان را همزمان اجرایی کنند.

پلتفرم ۹E GE در حوزه تولید توربین‌های گازی یکی از معروفترین محصولات این شرکت است. با طراحی مجدد توربین، مهندسان موفق به کاهش ۲۵ درصدی زمان تولید از چهارسال به سه سال شدند.

اگر هنوز ۳ سال بنظرتان طولانی است، دقت کنید که ۳۰۰ نفر عضو تیم توسعه در سرتاسر جهان بر روی این پروژه فعالیت می‌کنند. مهندسانی از ایالات متحده، لهستان و هند آنالیزهای پیکربندی را انجام داده و بدنه توربین، در فرانسه ساخته می‌شود.

یک چالش

تیم مهندسی بلافاصله با یک چالش بزرگ روبرو شد. توربین‌ها از یک سیستم “نازل آب” برای مهار انرژی گاز گرم شده استفاده می‌کنند. این سیستم، متشکل از چندین فن دایره‌ای شکل و پشت سر هم است که در امتداد یک شفت چرخان نصب می‌شوند. فرایند خنک کردنن در مدل ۹E.03 سه مرحله داشت، اما در ۹EMax نیاز به اضافه کردن یک مرحله جدید بود. اما مشکل اینجا بود که قسمت‌های جدید باید در همان فضای قبلی قرار می‌گرفتند.

زمان به سرعت در حال سپری شدن بود و یک گروه از مهندسان فقط بر روی ساده سازی روند کار متمرکز شدند. آنها سعی می‌کردند که گلوگاه‌های کار را به سرعت شناسایی کرده و به تیم تولید انتقال دهند. تام می گوید:

ما در زمان درست با متخصصان تصمیم گیری کردیم.

مهندسی همزمان (concurrent engineering)

فرایند FastWorks می‌تواند در پروژه‌های بزرگی مانند طراحی توربین ۹E نیز مورد استفاده قرار گیرد. این فرایند در مراحل مختلف به سرعت عمل کرده و GE به آن “مهندسی همزمان” می‌گوید؛ چرا که تیم‌های مهندسی بجای اینکه برای تکمیل هر مرحله منتظر یکدیگر باشند، می‌توانند بصورت موازی کار کنند.

تام می گوید در ابتدا، بیشتر تمرکزمان در تولید متوالی قطعات بود و هر گروه قطعات مورد نیاز گروه بعد را تولید و تحویل می‌داد. در سیستم قدیمی، برخی از این مراحل ممکن بود تا یکسال به طول انجامد.

در حال حاضر، بسیاری از قطعات بلافاصله پس از آماده شدن به فرایند بعدی تحویل داده می‌شوند. اگر مطمئن شویم که یک مرحله به اتمام رسیده، آنرا به تیم تولید بعدی منتقل می‌کنیم تا آنها بتوانند همزمان بر روی آن کار کنند.

به گفته تام “مهندسی همزمان”، تیم‌های پروژه را قادر می‌سازد تا بجای انتظار برای یکدیگر، بصورت موازی کار کنند.

با این تغییرات، تیم توانست به سرعت به اطلاعات، ایده‌ها و مشکلاتی که در حین پروژه اتفاق می‌افتاد، عکس العمل نشان دهد. یکی از قسمت‌هایی که این فرایند منجر به تغییر عمده در آن شد، سیستم خنک کننده بود.

قطعات توربین باید دائماً خنک شوند، در غیر اینصورت دمای حاصل از گاز گرم باعث تغییر شکل آنها می‌شود. تیم مهندسی متوجه شد که در روش سنتی، از لوله‌های موازی برای خنک کردن توربین استفاده می‌شد که آب از پایین به بالای هر قطعه منتقل می‌شد.

آنها سعی کردند با مهندسی مجدد، کانالها را بصورت ماریپچ بر روی قطعات نصب کنند و به این ترتیب آب در طول توربین جریان داشت. این اولین باری بود که از این روش بر روی سیستم عامل ۹E استفاده می‌شد. تام می گوید:

این طرح خنک کننده، بسیار کاراتر از روش‌هایی است که قبلاً در مورد ماشین‌های کلاس E استفاده می‌شد.

ماهیت پراکنده بودن تیم در کشورهای مختلف نیز یک امتیاز برای آن‌ها محسوب می‌شد. مهندسان در تمام ساعات شبانه روز می‌توانستند کار کنند و محصولات را از یک منطقه به منطقه دیگر انتقال دهند. اولین توربین ۹EMax که در ماه مارس عرضه شد، به همه نیازهای مشتریان پاسخ داد:

  • روش چهار مرحله‌ای حدود ۵ میلیون دلار در سال کمتر از ۹E.03 سوخت مصرف می‌کرد
  • و درآمد تا ۶ میلیون دلار در سال افزایش می‌یافت

تام می گوید: “این یک جهش بزرگ در عملکرد نسبت به ۹E.03 بود.”

در نهایت، بزرگترین پیشرفت در زمینه تولید ۹EMax روشی بود  که تولید نمونه آزمایشی در فرهنگ GE اجرا شد و به سرعت و با انعطاف زیاد توانستند محصولات جدید را تولید کنند. تام در این باره می‌گوید:

ما واقعاً از ماهیت جهانی GE و فرهنگ FastWorks خود بهره بردیم و شگفت زده شدیم.

راه اندازی نیروگاه به روش Silicon Valley1399-09-30T14:20:17+03:30

اریک ریس

1399-09-29T00:33:24+03:30
اریک ریس
اریک ریسکارآفرین
یک کارآفرین و نویسنده کتاب پرفروش نیویورک تایمز استارت آپ ناب است که بیش از یک میلیون نسخه فروش و به بیش از سی زبان ترجمه شده است. او خالق روش Lean Startup است که به یک جنبش جهانی در تجارت تبدیل شده و توسط افراد و شرکت‌های مختلف در سراسر جهان به کار گرفته می‌شود.

اریک ریس


پس از فارغ التحصیلی در رشته نرم افزار در سال ۲۰۰۱ به Silicon Valley نقل مکان کرد. وی تا زمان عرضه محصول دنیای مجازی سه بعدی تحت وب با شرکت There.com همکاری می‌کرد.

در سال ۲۰۰۴ ، ریس با پیوستن به ویل هاروی، یکی از بنیانگذاران There.com یک شبکه اجتماعی به نام IMVU رو تاسیس کردند. سرمایه گذار IMVU استیو بلانک، اصرار داشت که مدیران این شرکت باید در دوره‌های کارآفرینی دانشگاه برکلی شرکت کنند. در آنجا Ries روش Blank را برای بازخورد سریع مشتری فرا گرفت. او از این روش که به “توسعه مشتری” معروف است، در IMVU استفاده کرد و با ترکیب آن با نرم افزار، آزمایش‌های متنوعی را صورت داد. IMVU تقریباً ۵۰ بار در روز کد تولید می کند، یک چرخه توسعه غیر معمول سریع. Ries همچنین نسخه اولیه کتاب بلانک در مورد توسعه مشتری، چهار قدم تا ظهور مقدس را منتشر کرد.

هدف IMVU ادغام پیام های فوری با درآمد بالای هر مشتری از بازی‌های ویدیویی است. ریس و هاروی به دنبال بودجه هنگفت اولیه نبودند و ظرف مدت شش ماه یک محصول حداقلی را منتشر کردند. در سال ۲۰۰۶، این شرکت موفق به جذب یک میلیون دلار سرمایه گذاری از گروه Seraph گردید و در نهایت ۱۸ میلیون دلار دیگر نیز جمع کرد. در سال ۲۰۰۸ پس از پیوستن مدیر عامل جدید به IMVU ، ریس از سمت CTO کنار رفت و به عنوان ناظر هیئت مدیره باقی ماند.

اریک ریس1399-09-29T00:33:24+03:30

اشلی کیندرگان

1399-09-29T00:10:49+03:30
اشلی کیندرگان
اشلی کیندرگاننویسنده
جانشین مدیر تحریریه مجله Lazard Asset Management در نیویورک
نویسنده ، ویراستار و استراتژیست ارتباطات با تجربه در روزنامه نگاری و بازاریابی محتوا. اشلی علاقمند به تولید محتوا در فضاهای چندرسانه‌ای، حوزه دیجیتال و شبکه‌های اجتماعی است.

جادوی دیجیتال: چگونه اریک رایس، استارت آپ را برای GE به ارمغان آورد؟

ادامه مطلب

 

اشلی کیندرگان1399-09-29T00:10:49+03:30

جادوی دیجیتال در GE

1399-09-29T18:28:13+03:30

جادوی دیجیتال: چگونه اریک رایس، استارت آپ را برای GE به ارمغان آورد؟

نوشته: اشلی کیندرگان (Ashley Kindergan)

سیلیکون ولی به خاطر سرعت در تولید محصولات تکنولوژیک معروف است. تولید در Sprint های کوتاه که به سرعت پس از هر شکست، باگ‌ها فیکس شده و دوباره سعی می‌کنند. چرخه‌ای که ظاهرا شباهتی به فرایند دشوار و چندین ساله تولید ماشین‌های بزرگ صنعتی ندارد.
با این حال، زمانیکه اریک ریس، کارآفرین و نویسنده موفق برای اولین بار در سال ۲۰۱۲ از جنرال الکتریک بازدید کرد، به دنبال راهکاری برای سرعت بخشیدن به تولید محصولات این غول تکنولوژی فکر کرد. ایده اصلی این بود:

مهندسان و طراحان بیشتر به این فکر کنند که برای یک استارتاپ کار می‌کنند.

ریس در جدیدترین کتاب خود، “مسیر استارت آپ (The Startup Way)” نحوه همکاری با جنرال الکتریک را توضیح می‌دهد. او پارادایم “آیا می توان این محصول را ساخت؟” به “آیا این محصول باید ساخته شود؟” در شرکت ایجاد کرد. تغییری که به FastWorks معروف شد و فرایندی برای تولید سریعتر محصولات، یادگیری و تکرار ایجاد شد.

اولین چالش ریس این بود “پیش فرض‌های اعتقادی” شرکت را در مورد موتورهایش آزمایش کند: مشتریان به دنبال چند درصد بهره‌وری بودند؟ آیا شرکت، محصول را می‌فروشد یا اجاره می‌دهد؟

“بالا و بالاتر: Ries گفتگو را از “آیا می توان این محصول را ساخت؟” به “آیا این محصول باید ساخته شود؟” تغییر داد”

یادگیری از تولید کنندگان نرم افزار

ریس با همان روشی که فیس بوک یک ویژگی جدید را روی گروه کوچکی از کاربران آزمایش می‌کند، به مهندسان GE برنامه‌ای ارائه داد: آنها یک موتور را به آنچه که مشتریان می‌خواهند باید تغییر دهند. این چالش با تولید “حداقل محصول مناسب” یا MVP باید در ۶ ماه بجای ۵ سال اتفاق می‌افتاد.

چیزی که اریک واقعاً به ما کمک کرد در مورد آن فکر کنیم این بود که چگونه آنچه مشتری می خواهد را شناسایی کنیم؟

ویو گلدستاین، مدیر جهانی شتابدهی نوآوری GE و بنیانگذار FastWorks:

چگونه از آزمایشات خود درس می‌گیرید؟ چگونه پیشرفت می‌کنید؟ تصور نکنید که جواب را می‌دانید.

روش FastWorks به سرعت توسعه پیدا کرد. گلدشتاین متذکر شد که تعداد پروژه‌های FastWorks در عدد ۸۰۰ متوقف کرده چرا که این روش در سازمان جاری شده بود.

Ries در یکی از مصاحبه‌هایش، از داستان‌ موفقیت FastWorks با یک تیم آی تی ۲۵ نفره که از واحد مالی پشتیبانی می‌کرد یاد می‌کند. وقتی شروع به صحبت در مورد پذیرش ذهنیت خدمات مشتری در ارائه ابزاری که کارکنان باید از آن استفاده کنند کرد، می‌ترسید که او از اتاق بیرون کنند.

منظورت از مشتری شما چیه؟ اگر ما به همه بگوییم که باید این کار را انجام دهند ، آنها حتما انجام خواهند داد.

اما پس از چند روز آموزش FastWorks در یک تیم ۵ نفره‌، سعی کرد از کارکنان به عنوان مشتری استفاده کند. آنها به بخش‌های مختلف فرصت دادند تا زودتر از موعد، محصول جدید را دریافت کنند و قول دادند که هر ماه یک نسخه جدید قابل استفاده را ارائه دهند.

این یکی از داستانهای مورد علاقه من است زیرا هیچ کس باور نمی‌کرد که این افراد مانند کارآفرینان عمل کنند.

از نگاه او وقتی شرکت‌ها به کارمندان خود امکان آزمایش راهکارهای جدید را می‌دهند ، سریعتر نتیجه می‌گیرند. بارها امتحان می‌کنند ولی نتیجه، کاری می‌شود، کارستان. کار به فعالیتی تبدیل می‌شود که افراد شخصاً در آن سرمایه گذاری می‌کنند؛ و به این ترتیب که نوآوری توسعه می‌یابد.

امروزه FastWork یکی از اصلی‌ترین رموز موفقیت در GE است. به گفته ریس:

تحول دیجیتال واقعی تقریباً به جادو شبیه است، وقتی درست کار کند باورنکردنی است؛ اما نمی توان آن را به منابع خارجی واگذار کرد. برای تحول دیجیتال، باید مانند یک مشکل مدیریتی به آن نزدیک شوید. چگونه می‌توانم شرکتم را برای نوآوری مداوم بازسازی کنم؟

جادوی دیجیتال در GE1399-09-29T18:28:13+03:30

پرسشنامه تجربه کاربری

1399-09-14T20:22:13+03:30

دوست گرامی سلام،

ارتباط مستقیم و دائمی با کاربران و دریافت بازخوردهای ایشان می‌تواند استراتژی‌های توسعه محصولات هر کسب و کار را به گونه‌ای که بیشترین کاربرد را برای مخاطب داشته باشد، هدایت کند. تعریف‌های مختلفی از بازخورد در آموزش ارائه شده است که می‌توان آنها در دو پارادایم دسته‌بندی کرد:

  • در پارادایم قدیمی، فیدبک از جنس اطلاعاتی است که یک واسطه مانند معلم، دانش آموز، محتوا و تجربه ارائه داده و هدف آن کاهش فاصله بین هدف و عملکرد محصول با دیدگاه و نظرات مخاطبین است.
  • در پارادایم جدید اما، فیدبک تاکید بیشتری بر روی عملکرد دارد. فیدبک از اطلاعاتی که بالقوه مفید هستند، فراتر رفته و به فرایندی جهت تغییر رفتار مخاطبین ارائه می‌کند. به گفته کارشناسان فرایندی که در آن یادگیرندگان، اطلاعاتی راجع به کار خود و میزان تطابق آن با استانداردهای مرتبط دریافت می‌کنند تا  عملکردشان را بهبود بخشند.

ما نیز در آکادمی آموزشی پارسا تلاش می‌کنیم تا با دریافت نظرات کاربران گرامی، نسبت به تدوین و تصحیح استراتژی‌های توسعه‌ای کسب و کارمان در راستای ارتقای کیفیت خدمات، بصورت مداوم اقدام کنیم.

توضیحات فوق به این معناست که زمان ارزشمندی که شما جهت تکمیل این پرسشنامه صرف می‌کنید، گنجینه مهمی است که ما را در راستای این اهداف یاری می‌دهد.

ضمن تشکر از شما، درخواست می کنیم تا با نگاه کارشناسانه نسبت به تکمیل این پرسشنامه و تجربه کاربری خودتان از وب سایت و شبکه های اجتماعی آکادمی آموزشی پارسا اقدام نمایید.

به منظور قدردانی از زمانی که صرف می‌نمایید، هدیه کوچکی در نظر گرفتیم، شما می‌توانید با وارد کردن کد تخفیف زیر، از ۵% تخفیف در خرید محصولات ما استفاده نمایید.
 
کد تخفیف: Disc-questionnaire
 
روابط عمومی آکادمی آموزشی پارسا
تکمیل پرسشنامه

تجربهٔ کاربری (User Experience – UX)


به اختصار UX شامل رفتارها، نگرش‌ها و احساسات یک کاربر در استفاده از یک محصول، سامانه یا سرویس خاص است. تجربه کاربری جنبه‌های کاربردی، تجربه شده، اثرگذار به صورت عاطفی، معنادار و ارزش‌مند تعامل انسان و رایانه و مالکیت محصول را در بر می‌گیرد.

علاوه بر این، برداشت یک فرد از جنبه‌های مختلف یک سامانه مانند سودمندی، کاربری آسان و کارایی نیز در گسترهٔ تجربهٔ کاربری قرار می‌گیرد. به عبارت دیگر، تجربهٔ کاربری همان خاطره‌ای است که با استفاده از یک محصول، سامانه یا سرویس در ذهن کاربر نقش می‌بندد.

از آن جایی که تجربهٔ کاربری دربارهٔ ادراک‌های فردی و تفکراتی در رابطه با سامانه است، می‌تواند ماهیتاً تا حدی به عنوان یک امر ذهنی، نظری و درونی (سوبژکتیو) در نظر گرفته شود. هم‌چنین تجربهٔ کاربری یک مفهوم پویا است که به طور مداوم در طول زمان با توجه به تغییرات در شرایط استفاده و نیز گسترش یافتن زمینه‌های کاربرد آن، تغییر می‌کند.

منبع: ویکی پدیا

پرسشنامه تجربه کاربری1399-09-14T20:22:13+03:30

برگشت به بالا