Kaip dirbtinis intelektas naudojamas duomenų moksle: praktinis vadovas

Įsivaizduokite Vilniaus el. parduotuvę, kuri per parą sulaukia dešimčių tūkstančių užsakymų. Duomenų mokslininkas surenka pirkimų istoriją, o dirbtinis intelektas iš tos istorijos išmoksta, kuriems klientams verta siūlyti tam tikrą prekę — ir daro tai automatiškai, be žmogaus įsikišimo kiekvienu atveju. Būtent taip atrodo klausimo „kaip dirbtinis intelektas naudojamas duomenų moksle" atsakymas kasdienėje praktikoje.

Šie du dalykai dažnai painiojami, nors nėra tas pats. Duomenų mokslas — tai visas darbas su duomenimis: rinkimas, valymas, analizė, išvados. Dirbtinis intelektas — dalis įrankių dėžės, kurią duomenų mokslininkas naudoja tada, kai reikia, kad sistema pati mokytųsi iš pavyzdžių.

Kur baigiasi duomenų mokslas ir prasideda dirbtinis intelektas

Duomenų mokslas apima daug žingsnių, kur AI net nedalyvauja. Duomenų surinkimas iš duomenų bazės, lentelių tvarkymas, trūkstamų reikšmių užpildymas, pirmi grafikai Excel'yje ar Power BI — visa tai klasikinis analitinis darbas.

Dirbtinis intelektas įsijungia tada, kai iš duomenų reikia išmokti modelį, gebantį prognozuoti ar priimti sprendimą. Mašininis mokymasis — populiariausia šiandieninio AI forma — remiasi būtent duomenimis. Nėra švarių, tvarkingų duomenų — nebus ir gero modelio. Todėl duomenų mokslininkas ir AI praktiškai neatsiejami: vienas paruošia dirvą, kitas joje auga.

Paprastas pavyzdys, kurį supras ir visiškas naujokas. Kauno logistikos įmonė nori žinoti, kuriuos siuntinius vėluos pristatyti. Duomenų mokslininkas surenka praėjusių metų pristatymų duomenis — maršrutą, orą, savaitės dieną, siuntos svorį. Tada apmoko mašininio mokymosi modelį atpažinti požymius, būdingus vėluojantiems siuntiniams. Kitą kartą, dar prieš išvažiuojant automobiliui, sistema pasako: „šis maršrutas turi 80 % tikimybę vėluoti". Tai ir yra AI duomenų moksle — ne magija, o statistika, pritaikyta dideliam pavyzdžių kiekiui.

Ką konkrečiai daro dirbtinis intelektas duomenų mokslininko darbe

Dažniausiai AI atsiranda keliuose etapuose. Pirmiausia — prognozavimas: pardavimų, klientų nutekėjimo, įrangos gedimų. Antra — klasifikavimas: ar el. laiškas yra šlamštas, ar transakcija įtartina. Trečia — tekstų ir vaizdų apdorojimas: klientų atsiliepimų analizė, dokumentų automatinis skirstymas.

Pastaraisiais metais prisidėjo generatyvinis AI. Duomenų mokslininkai jį naudoja kodo rašymui pagreitinti, duomenų aprašymams generuoti, net sintetiniams duomenų rinkiniams kurti, kai realių duomenų trūksta. Tai keičia darbo tempą, bet nepanaikina paties darbo — kažkas turi patikrinti, ar modelio išvados apskritai turi prasmę.

Įrankiai, su kuriais dirbama Lietuvos rinkoje, gana universalūs. Python su bibliotekomis pandas, scikit-learn ir PyTorch, SQL duomenų užklausoms, o vizualizacijai — Power BI arba Tableau. Šių įrankių moko ir mūsų duomenų mokslo ir AI bootcamp programa, kur teorija iškart pritaikoma realiems projektams.

AI ar duomenų mokslas — kuris „geresnis"?

Šis klausimas užduodamas dažnai, bet jis klaidingai suformuluotas. Tai tarsi klausti, kas geriau — virtuvė ar peilis. Duomenų mokslas yra platesnė sritis, o AI — vienas iš galingiausių jos įrankių. Rinktis reikia ne tarp jų, o tarp to, kokiam darbui norite pasiruošti.

Kad būtų aiškiau, štai kaip skiriasi kasdienė orientacija abiejose pusėse:

Aspektas	Klasikinis duomenų mokslas / analitika	Dirbtinio intelekto (ML) darbas
Pagrindinis tikslas	Suprasti, kas įvyko ir kodėl	Prognozuoti ir automatizuoti sprendimus
Tipinis rezultatas	Ataskaita, dashboard'as, įžvalga	Apmokytas modelis, veikiantis realiu laiku
Svarbiausi įgūdžiai	SQL, statistika, vizualizacija	Mašininis mokymasis, modelių derinimas
Dažni įrankiai	Power BI, pandas, Excel	scikit-learn, PyTorch, TensorFlow
Kam tinka	Mėgstantiems aiškias istorijas iš duomenų	Mėgstantiems eksperimentus ir kodą

Praktikoje ribos susilieja. Duomenų analitikas Vilniuje neretai naudoja bent paprastus prognozės modelius, o AI inžinierius pusę laiko praleidžia tvarkydamas duomenis. Todėl geras specialistas moka abu dalykus, o ne renkasi vieną „stovyklą".

Ar dirbtinis intelektas pakeis duomenų mokslininkus?

Trumpas atsakymas — ne, bet darbas keisis. AI jau dabar rašo kodą greičiau nei žmogus ir automatizuoja nuobodžias užduotis, tokias kaip duomenų valymas ar paprastų grafikų kūrimas. Tačiau kažkas turi nuspręsti, kokį klausimą apskritai užduoti duomenims, patikrinti, ar modelis nediskriminuoja tam tikrų klientų, ir paaiškinti vadovybei, ką rezultatai reiškia verslui.

Būtent šie sprendimai reikalauja žmogaus konteksto. Modelis nežino, kad Lietuvos rinka maža ir kad viena netipinė savaitė prieš šventes gali iškreipti visą prognozę. Duomenų mokslininkas žino. Todėl artimiausiais metais didesnę vertę turės tie, kurie moka dirbti kartu su AI — naudoti jį kaip pagalbininką, o ne konkurentą.

Jei norite pamatyti, kaip visa tai atrodo skirtingose technologijų srityse, pravartu peržvelgti visą Code Labs Academy kursų sąrašą ir palyginti kryptis prieš apsisprendžiant.

Nuo ko pradėti Lietuvoje

Pradžia paprastesnė, nei atrodo. Pirmiausia verta įsisavinti Python pagrindus ir SQL — be jų nei duomenų mokslo, nei AI toli nenueisi. Toliau — statistika ir bent vienas mašininio mokymosi projektas nuo pradžios iki pabaigos, kad matytumėte visą kelią: nuo netvarkingų duomenų iki veikiančio modelio.

Mokytis galima savo tempu arba struktūruotai su mentoriumi. Tiems, kas nori patys valdyti grafiką, tinka savarankiško tempo duomenų mokslo ir AI mokymai — dirbate tada, kada patogu, bet su aiškia programa. Svarbiausia — kuo greičiau pradėti dirbti su realiais duomenimis, o ne tik skaityti teoriją.

Duomenų mokslas ir dirbtinis intelektas nėra varžovai — tai vieno amato dvi pusės, ir rinkoje labiausiai vertinami žmonės, mokantys jas sujungti. Jei norite pradėti nuo tvirto pagrindo su mentorių palaikymu, peržiūrėkite duomenų mokslo ir AI bootcamp turinį bei kainas ir pasirinkite jums tinkamą mokymosi formatą.