Ar dirbtinis intelektas pakeis duomenų mokslą? Blaivus žvilgsnis
Atnaujinta September 28, 20264 Perskaityta minučių
Vienas dažniausių klausimų, kurį girdime iš žmonių, galvojančių apie karjerą duomenyse: „Ar dirbtinis intelektas pakeis duomenų mokslą, kol aš spėsiu jį išmokti?“ Trumpas atsakymas — ne, bet jis pakeis tai, kaip duomenų mokslininkai dirba kasdien, ir tai jau vyksta.
Verta atskirti du dalykus. AI automatizuoja rutininę duomenų darbo dalį — kodo rašymą, lentelių valymą, modelių parinkimą. Bet klausimą „kokį klausimą apskritai turėtume užduoti?“ vis dar sprendžia žmogus. Būtent čia ir slypi skirtumas tarp įrankio ir profesijos.
kaip AI naudojamas duomenų moksle
Duomenų mokslas ir dirbtinis intelektas yra susiję glaudžiau, nei atrodo iš šono. Mašininis mokymasis — didelė AI dalis — praktiškai yra duomenų mokslo įrankis. Kai treniruojate modelį prognozuoti, kurie klientai nutrauks prenumeratą, jūs naudojate AI metodus duomenų mokslo tikslui.
Šiandien AI įsiterpia į beveik kiekvieną projekto etapą:
- Kodo generavimas: įrankiai kaip GitHub Copilot ar ChatGPT parašo Python funkciją per kelias sekundes. Analitikas nebekopijuoja to paties
pandasfragmento dešimtą kartą. - Duomenų valymas: modeliai atpažįsta trūkstamas reikšmes, dublikatus ar keistus įrašus greičiau nei ranka rašomos taisyklės.
- Modelių parinkimas: automatinio mašininio mokymosi (AutoML) platformos išbando dešimtis algoritmų ir pasiūlo geriausią.
Įsivaizduokite Vilniaus el. parduotuvės analitiką. Jam reikia suprasti, kodėl krenta pakartotinių pirkimų skaičius. AI padeda greitai sujungti užsakymų duomenis, sugeneruoti pirmines diagramas ir net pasiūlyti hipotezę. Bet nuspręsti, kad problema — per lėtas pristatymas į regionus, o ne kaina, ir tą įtikinamai paaiškinti vadovybei — tai analitiko darbas. AI pateikia juodraštį. Sprendimą priima žmogus.
Jei norite pamatyti, kaip šie du dalykai susipina praktikoje, duomenų mokslo ir AI bootcamp programa būtent tam ir skirta — mokote mašininio mokymosi ne teoriškai, o realiose užduotyse.
ar duomenų mokslas išnyks, ar tiesiog pasikeis
Istorija čia pamokanti. Kai atsirado skaičiuoklės, buhalteriai nepradingo — jų darbas tapo analitiškesnis. Kai atsirado SQL, duomenų bazių administratoriai neišnyko. Automatizacija paprastai nustumia žmogų nuo mechaninės užduoties link sprendimų priėmimo.
Tas pats vyksta su AI ir duomenų mokslu. Užduotys, kurias lengva aprašyti taisyklėmis, automatizuojamos pirmiausia. Užduotys, reikalaujančios konteksto, etikos ir bendravimo su žmonėmis, lieka.
| Ką AI daro gerai (automatizuojama) | Kur reikia duomenų mokslininko | |
|---|---|---|
| Kodas | Generuoja standartinius Python/SQL fragmentus | Suprojektuoja visą duomenų sprendimą |
| Duomenys | Valo ir jungia struktūruotus duomenis | Įvertina, ar duomenys apskritai patikimi |
| Modeliai | Parenka ir sutreniruoja algoritmus | Sprendžia, ar modelis etiškas ir tinkamas verslui |
| Rezultatas | Sukuria pirminę diagramą | Paverčia rezultatą sprendimu, kurį supranta vadovybė |
Pastebite tendenciją? Kairioji stulpelio pusė — greitas juodraštis. Dešinioji — atsakomybė. AI kol kas neatsako už klaidingą sprendimą; už jį atsako žmogus, pasirašęs po ataskaita.
kokie duomenų vaidmenys atsparūs automatizacijai
Klausimas „kurios profesijos išgyvens AI amžių?“ populiarus neatsitiktinai. Duomenų srityje geriausiai laikosi tie vaidmenys, kur techninis įgūdis susipina su verslo sprendimu ir bendravimu:
- Duomenų mokslininkas, kuris ne tik treniruoja modelį, bet ir gina jį prieš rizikos komandą.
- Mašininio mokymosi inžinierius, kuris paleidžia modelį į realią sistemą ir prižiūri, kad jis nesugestų.
- Duomenų analitikas, gebantis paversti skaičius aiškia istorija vadovybei.
Bendras vardiklis — sprendimas, atsakomybė, komunikacija. Jei mokate paaiškinti, kodėl modelis klysta ir ką dėl to daryti, jūsų vertė tik auga. Jei renkame skirtingus duomenų kelius Lietuvoje, verta pasižiūrėti, kuo skiriasi duomenų inžinierius, analitikas ir mokslininkas, nes AaI kiekvieną iš jų paliečia skirtingai.
kokių įgūdžių mokytis, kad AI būtų sąjungininkas
Užuot bijoję, kad AI atims darbą, geriau išmokti juo naudotis kaip svertu. Praktiškai tai reiškia tris kryptis.
Pirma — pagrindai vis dar būtini. Statistika, Python, SQL ir duomenų vizualizavimas niekur nedingo. AI parašo kodą, bet jūs turite atpažinti, kada tas kodas subtiliai klaidingas. Be pagrindų negalite patikrinti mašinos.
Antra — verslo mąstymas. Modelis, kuris tiksliai prognozuoja, bet sprendžia nesvarbią problemą, yra bevertis. Gebėjimas susieti duomenis su tuo, kas iš tikrųjų svarbu įmonei Kaune, Klaipėdoje ar Vilniuje, yra tai, ko AI nepasiūlo pats.
Trečia — darbas su pačiu AI. Prompt inžinerija, didelių kalbos modelių integravimas į duomenų sprendimus, generatyvinių įrankių patikimumo vertinimas. Tai jau tapo įprasta duomenų specialisto darbo dalimi.
Man asmeniškai atrodo, kad būtent čia yra proga. Žmogus, kuris moka pagrindus ir dar geba paspartinti save AI įrankiais, dirba už du. Tokį profilį darbdaviai renkasi pirmiausia.
Jei norite mokytis savo tempu ir be griežto grafiko, savarankiško mokymosi duomenų mokslo ir AI kursas leidžia pereiti medžiagą palaipsniui — patogu, jei jau dirbate.
ką realiai daryti šiandien
AI nepakeis duomenų mokslo, bet pakeis duomenų mokslininkus, kurie atsisako mokytis nuo tų, kurie to nedaro. Skirtumas nedidelis įgūdžių prasme, bet didelis karjeros prasme.
Praktinis žingsnis būtų nustoti klausti „ar verta?“ ir pradėti nuo pagrindų — statistikos ir Python — kartu iškart pridedant AI įrankius į savo darbo eigą. Taip įgunate ne konkuruoti su mašina, o naudoti ją.
Trumpai: duomenų mokslas ir AI juda kartu, o labiausiai laimi tie, kurie moka abu. Jei norite pradėti nuo aiškaus plano ir suprasti kainą bei formatus, peržiūrėkite duomenų mokslo bootcamp kainas ir programų sąlygas ir pasirinkite tempą, kuris tinka jūsų gyvenimui.
