Արդյո՞ք տվյալագիտությունը կփոխարինվի արհեստական ​​բանականությամբ։

Լավ, խաղաքարտերը սեղանին են. այս հարցը ամենուր է ծագում։ Տեխնոլոգիական հանդիպումների ժամանակ, աշխատանքային սուրճի ընդմիջումների ժամանակ, և այո, նույնիսկ LinkedIn-ի այդ երկարաշունչ թեմաներում ոչ ոք չի խոստովանում, որ կարդում է։ Մտահոգությունը բավականին անկեղծ է. եթե արհեստական ​​բանականությունը կարող է այդքան շատ ավտոմատացում կառավարել, արդյո՞ք դա տվյալագիտությունը դարձնում է… միանգամյա օգտագործման։ Արագ պատասխան՝ ոչ։ Ավելի երկար պատասխան՞։ Այն բարդ է, խառնաշփոթ և շատ ավելի հետաքրքիր, քան միանշանակ «այո»-ն կամ «ոչ»-ը։

Հոդվածներ, որոնք կարող են ձեզ դուր գալ կարդալ սրանից հետո.

🔗 Տվյալագիտություն և արհեստական ​​բանականություն. նորարարության ապագան
Ուսումնասիրելով, թե ինչպես են արհեստական ​​բանականությունը և տվյալագիտությունը ձևավորում վաղվա նորարարական լանդշաֆտը։

🔗 Արդյո՞ք արհեստական ​​բանականությունը կփոխարինի տվյալների վերլուծաբաններին. իրական խոսակցություններ
Հասկանալով արհեստական ​​բանականության ազդեցությունը տվյալների վերլուծաբանների դերերի և արդյունաբերության կարիքների վրա։

🔗 Արհեստական ​​բանականության գործիքների տվյալների կառավարում, որը պետք է դիտարկել
Արհեստական ​​բանականության գործիքների ներուժը մեծացնելու համար տվյալների կառավարման հիմնական գործելակերպեր։

Ի՞նչն է իրականում արժեքավոր դարձնում տվյալագիտությունը 🎯

Ահա թե ինչն է խնդիրը. տվյալների գիտությունը միայն մաթեմատիկա և մոդելներ չէ: Այն հզոր է դարձնում վիճակագրական ճշգրտության, բիզնես համատեքստի և ստեղծագործական խնդիրների լուծման մի փոքր հպման : Արհեստական ​​բանականությունը կարող է մի ակնթարթում հաշվարկել տասը հազար հավանականություն, անշուշտ: Բայց կարո՞ղ է այն որոշել, թե որ խնդիրն է կարևոր ընկերության զուտ շահույթի համար: Կամ բացատրել, թե ինչպես է այդ խնդիրը կապված ռազմավարության և հաճախորդների վարքագծի հետ: Ահա թե որտեղ են մարդիկ միջամտում:

Իր էությամբ, տվյալագիտությունը մի տեսակ թարգմանչի նման է։ Այն վերցնում է հում խառնաշփոթ՝ տգեղ աղյուսակներ, գրանցամատյաններ, հարցումներ, որոնք իմաստ չունեն, և դրանք վերածում է որոշումների, որոնց հիման վրա սովորական մարդիկ կարող են իրականում գործել։ Հեռացրեք թարգմանության այդ շերտը, և արհեստական ​​բանականությունը հաճախ վստահ անհեթեթություններ է թքում։ HBR-ը տարիներ շարունակ ասել է սա. գաղտնիքը ճշգրտության չափանիշները չեն, այլ համոզումն ու համատեքստը [2]:

Իրականության ստուգում. ուսումնասիրությունները ցույց են տալիս, որ արհեստական ​​բանականությունը կարող է ավտոմատացնել աշխատանքի ընթացքում բազմաթիվ առաջադրանքներ՝ երբեմն կեսից ավելին ։ Բայց աշխատանքի շրջանակը որոշելը, դատողություններ անելը և «կազմակերպություն» կոչվող խառնաշփոթ բանի հետ համապատասխանեցնելը՞։ Դեռևս շատ մարդկային ոլորտ է [1]:

Հակիրճ համեմատություն. Տվյալների գիտություն ընդդեմ արհեստական ​​բանականության

Այս աղյուսակը կատարյալ չէ, բայց այն ընդգծում է նրանց կատարած տարբեր դերերը.

«Լիարժեք փոխարինման» առասպելը 🚫

Հիանալի է հնչում պատկերացնել, որ արհեստական ​​բանականությունը կլանում է տվյալների հետ կապված բոլոր աշխատանքները, բայց դա հիմնված է սխալ ենթադրության վրա՝ որ տվյալագիտության ամբողջ արժեքը տեխնիկական է։ Դրա մեծ մասը իրականում մեկնաբանական, քաղաքական և հաղորդակցական ։

• Ոչ մի ղեկավար չի ասում. «Խնդրում եմ, տվեք ինձ 94% ճշգրտությամբ մոդել»։

• Նրանք ասում են. «Պե՞տք է ընդլայնվենք այս նոր շուկայում, այո՞, թե՞ ոչ»։

Արհեստական ​​բանականությունը կարող է կանխատեսում ստեղծել։ Ինչը այն հաշվի չի առնի՝ կարգավորիչ գլխացավերը, մշակութային նրբերանգները կամ գործադիր տնօրենի ռիսկի ախորժակը։ Վերլուծությունը գործողության վերածելը դեռևս մարդկային խաղ է ՝ լի փոխզիջումներով և համոզմամբ [2]:

Որտեղ արհեստական ​​բանականությունն արդեն ամեն ինչ խառնում է 💥

Եկեք անկեղծ լինենք. տվյալագիտության որոշ մասեր արդեն իսկ «կերվում» են արհեստական ​​բանականության կողմից։

• Տվյալների մաքրում և նախապատրաստում → Ավտոմատացված ստուգումները հայտնաբերում են բացակայող արժեքները, անոմալիաները և շեղումները ավելի արագ, քան մարդիկ, որոնք ծանրաբեռնում են Excel-ը։

• Մոդելի ընտրություն և կարգաբերում → AutoML-ը նեղացնում է ալգորիթմի ընտրության հնարավորությունները և մշակում հիպերպարամետրերը՝ խնայելով շաբաթներ տևող փոփոխական աշխատանք [5]:

• Վիզուալիզացիա և հաշվետվություն → Գործիքները այժմ կարող են մեկ հուշումից ստեղծել վահանակներ կամ տեքստային ամփոփագրեր։

Ո՞վ է դա ամենաշատը զգում։ Մարդիկ, որոնց աշխատանքը կենտրոնանում է կրկնվող գրաֆիկների կազմման կամ պարզ մոդելավորման վրա։ Ելքը՞։ Բարձրացեք արժեքային շղթայի ավելի բարձր հորիզոնականներ. տվեք ավելի սուր հարցեր, պատմեք ավելի հստակ պատմություններ և մշակեք ավելի լավ առաջարկություններ։

Կարճ օրինակ. մանրածախ վաճառողը ստուգում է AutoML-ը արտահոսքի համար: Այն ներկայացնում է ամուր բազային մոդել: Սակայն մեծ հաղթանակը գալիս է, երբ տվյալագետը վերաձևակերպում է խնդիրը. «Ո՞վ կարտադրի արտահոսքը» հարցի փոխարեն այն դառնում է «Ո՞ր միջամտություններն են իրականում մեծացնում զուտ շահույթը ըստ հատվածի»: Այդ փոփոխությունը՝ գումարած ֆինանսական ոլորտի հետ համագործակցությունը՝ սահմանափակումներ սահմանելու համար, այն է, ինչը որոշում է արժեքը: Ավտոմատացումը արագացնում է գործընթացը, բայց շրջանակումն է բացահայտում արդյունքը:

Տվյալների գիտնականների դերը զարգանում է 🔄

Մարելու փոխարեն, աշխատանքը վերափոխվում է նոր ձևերի.

1. Արհեստական ​​​​ինտելեկտի թարգմանիչներ ՝ տեխնիկական արդյունքները դարձնելով մարսելի այն առաջնորդների համար, ովքեր հոգ են տանում դոլարի և ապրանքանիշի ռիսկի մասին։

2. Կառավարման և էթիկայի ղեկավարում - կողմնակալության թեստավորման, մոնիթորինգի և վերահսկողության կազմակերպում, որը համապատասխանում է NIST-ի AI RMF-ի [3]:

3. Արտադրանքի ռազմավարագետներ ՝ տվյալները և արհեստական ​​բանականությունը միահյուսելով հաճախորդների փորձի և արտադրանքի ճանապարհային քարտեզների մեջ։

Հեգնական է, որ քանի որ արհեստական ​​բանականությունը ստանձնում է ավելի բարդ տեխնիկական աշխատանք, մարդկային հմտությունները ՝ պատմություն պատմելը, ոլորտային դատողությունը, քննադատական ​​մտածողությունը, դառնում են այն մասերը, որոնք դուք հեշտությամբ չեք կարող փոխարինել։

Ինչ են ասում փորձագետներն ու տվյալները 🗣️

• Ավտոմատացումը իրական է, բայց մասնակի . ներկայիս արհեստական ​​բանականությունը կարող է ավտոմատացնել բազմաթիվ առաջադրանքներ բազմաթիվ աշխատատեղերի ներսում, բայց դա սովորաբար մարդկանց ազատություն է տալիս անցնելու ավելի բարձր արժեք ունեցող աշխատանքի [1]:

• Որոշումների համար մարդիկ են անհրաժեշտ . HBR-ը նշում է, որ կազմակերպությունները չեն շարժվում հում թվերի պատճառով. դրանք շարժվում են, քանի որ պատմություններն ու պատմությունները առաջնորդներին ստիպում են գործել [2]:

• Ազդեցությունը աշխատատեղերի վրա ≠ զանգվածային կրճատումներ . Համաշխարհային տնտեսական ֆորումի տվյալները ցույց են տալիս, որ ընկերությունները ակնկալում են, որ արհեստական ​​բանականությունը կփոխի դերերը և կկրճատի անձնակազմը այնտեղ, որտեղ առաջադրանքները բարձր ավտոմատացված են, բայց նրանք նաև կրկնապատկում են վերապատրաստման ծրագրերը [4]: ​​Այս միտումն ավելի շատ նման է վերաձևավորման, քան փոխարինման:

Ինչու է վախը շարունակվում 😟

Մեդիա վերնագրերը ծաղկում են կործանարար կերպով։ «Արհեստական ​​բանականությունը փոխարինում է աշխատատեղերը» վաճառվում է։ Սակայն լուրջ ուսումնասիրությունները մշտապես ցույց են տալիս նրբերանգը՝ առաջադրանքների ավտոմատացում, աշխատանքային հոսքի վերաձևավորում և նոր դերերի ստեղծում [1][4]։ Հաշվիչի հետ համեմատությունը գործում է. այլևս ոչ ոք ձեռքով երկար բաժանում չի անում, բայց դուք դեռ պետք է հասկանաք հանրահաշիվը՝ իմանալու համար, թե երբ օգտագործել հաշվիչը։

Մնալով համապատասխան. Գործնական ձեռնարկ 🧰

• Սկսեք որոշումից։ Կապեք ձեր աշխատանքը բիզնես հարցի և սխալվելու հետևանքների հետ։

• Թող արհեստական ​​բանականությունը նախագծի, դուք՝ կատարելագործեք։ Վերաբերվեք դրա արդյունքներին որպես մեկնարկային կետեր՝ դուք եք բերում դատողություն և համատեքստ։

• Ձեր հոսքի մեջ ներառեք կառավարում: Թեթևակի ստուգումներ, մոնիթորինգ և փաստաթղթավորում, որոնք կապված են NIST-ի նման շրջանակների հետ [3]:

• Անցում դեպի ռազմավարություն և հաղորդակցություն։ Որքան քիչ կապված լինեք «կոճակ սեղմելու» հետ, այնքան ավելի դժվար կլինի ձեզ ավտոմատացնել։

• Իմացեք ձեր AutoML-ը։ Պատկերացրեք այն որպես հանճարեղ, բայց անխոհեմ պրակտիկանտ՝ արագ, անխոնջ, երբեմն չափազանց սխալ։ Դուք եք ապահովում պաշտպանիչ պատնեշները [5]:

Այսպիսով… Արդյո՞ք արհեստական ​​բանականությունը կփոխարինի տվյալագիտությունը։ ✅❌

Անմիջական պատասխանը. Ոչ, բայց այն կվերաձևի այն : Արհեստական ​​բանականությունը վերաշարադրում է գործիքակազմը մարդկային մեկնաբանության, ստեղծագործականության և դատողության անհրաժեշտությունը : Ամեն դեպքում, լավ տվյալագետներն ավելի արժեքավոր են որպես ավելի ու ավելի բարդ արդյունքների մեկնաբաններ:

Հիմնական եզրակացությունը՝ արհեստական ​​բանականությունը փոխարինում է առաջադրանքներին, այլ ոչ թե մասնագիտությանը [1][2][4]:

Հղումներ

[1] McKinsey & Company - Գեներատիվ արհեստական ​​բանականության տնտեսական ներուժը. Հաջորդ արտադրողականության սահմանը (հունիս 2023):
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier

[2] Harvard Business Review - Տվյալների գիտություն և համոզման արվեստ (Սքոթ Բերինատո, հունվար-փետրվար 2019):
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion

[3] NIST - Արհեստական ​​բանականության ռիսկերի կառավարման շրջանակ (AI RMF 1.0) (2023):
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

[4] Համաշխարհային տնտեսական ֆորում - Արդյո՞ք արհեստական ​​բանականությունը փակում է մուտքի մակարդակի աշխատանքային հնարավորությունների դռները (2025 թվականի ապրիլի 30) - Աշխատատեղերի ապագան 2025-ից :
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/

[5] Հե, Խ. և այլք - AutoML. Արդի վիճակի ուսումնասիրություն (arXiv, 2019):
https://arxiv.org/abs/1908.00709

Գտեք արհեստական ​​բանականության վերջին նորույթները պաշտոնական արհեստական ​​բանականության օգնականների խանութում

Մեր մասին