Duomenų mokslas ir dirbtinis intelektas: kuo jie skiriasi ir kaip veikia kartu
Atnaujinta August 28, 20264 Perskaityta minučių
Įsivaizduokite Vilniaus el. parduotuvę, kuri per savaitgalį gauna 40 000 užsakymų. Duomenų mokslas paaiškina, kodėl trečiadieniais pardavimai krenta, o dirbtinis intelektas automatiškai rekomenduoja pirkėjui prekę dar prieš jam ją susiradus. Tai du atskiri dalykai, kurie dirba kartu – ir būtent čia daugelis pradedančiųjų susipainioja.
Klausimas „duomenų mokslas ir dirbtinis intelektas – kuo skiriasi?“ pasirodo beveik kiekviename pokalbyje su žmogumi, svarstančiu apie karjerą technologijose. Trumpas atsakymas: duomenų mokslas yra platesnė sritis, apimanti duomenų rinkimą, valymą ir aiškinimą, o dirbtinis intelektas – vienas iš įrankių, kurį duomenų mokslas naudoja, kad kompiuteris „išmoktų“ priimti sprendimus.
Kuo iš tikrųjų skiriasi duomenų mokslas ir dirbtinis intelektas
Duomenų mokslas prasideda nuo klausimo verslui: kodėl klientai išeina? Kurie produktai neša daugiausia pelno? Specialistas surenka duomenis, juos sutvarko, randa dėsningumus ir paverčia išvadas suprantamu grafiku ar ataskaita. Didelė darbo dalis – ne modeliai, o nuobodus, bet būtinas duomenų valymas.
Dirbtinis intelektas eina toliau. Užuot tik aprašęs, kas įvyko, jis bando numatyti, kas įvyks, arba automatiškai atlikti veiksmą. Kai jūsų telefonas atpažįsta veidą, o „Spotify“ pasiūlo naują dainą, veikia mašininio mokymosi modelis – konkreti dirbtinio intelekto atmaka.
Paprastas pavyzdys, kurį supras ir visiškas naujokas. Duomenų mokslininkas išanalizuoja praeitų metų būsto skelbimus Kaune ir pastebi, kad kaina priklauso nuo ploto, aukšto ir atstumo iki centro. Dirbtinis intelektas paima tuos pačius duomenis ir sukuria modelį, kuris naujam butui iškart pasiūlo kainą – be žmogaus įsikišimo.
Kur baigiasi vienas ir prasideda kitas
Ribos sąmoningai neaiškios, nes praktikoje jos persidengia. Duomenų analitikas gali visą karjerą praleisti dirbdamas su „SQL“ ir „Power BI“ ir niekada nepaleisti nė vieno neuroninio tinklo. Kitas specialistas didžiąją dienos dalį treniruoja modelius. Abu dirba su duomenimis, bet skirtingu gyliu.
Kaip dirbtinis intelektas naudojamas duomenų moksle
Šiandien AI yra ne konkurentas duomenų mokslui, o jo pagreitintuvas. Modeliai padeda greičiau atrasti dėsningumus milijonuose eilučių, kurių žmogus rankiniu būdu peržiūrėti tiesiog nespėtų. Keli konkretūs pavyzdžiai iš Lietuvos rinkos:
- Bankas naudoja mašininį mokymąsi, kad realiu laiku pažymėtų įtartinas korteles operacijas.
- Logistikos įmonė prognozuoja paklausą sandėliuose ir sumažina prekių perteklių.
- Sveikatos priežiūros startuolis analizuoja tyrimų duomenis, kad gydytojui greičiau pasiūlytų galimą diagnozę.
Visais atvejais žmogus lieka sprendimų grandinėje. Modelis pateikia pasiūlymą, o specialistas jį patikrina. Jei norite gilesnio, žingsnis po žingsnio paaiškinimo, kaip šie procesai sudėliojami praktikoje, verta peržiūrėti duomenų mokslo ir AI mokymo programą su realiais projektais.
Ar dirbtinis intelektas pakeis duomenų mokslą?
Trumpas atsakymas – ne, bent jau ne taip, kaip baiminamasi. AI įrankiai automatizuoja nuobodžias užduotis: rašo pirminį kodą, siūlo grafikų tipus, greitai sutvarko lentelės formatus. Bet kažkas turi užduoti teisingą klausimą, patikrinti, ar duomenys nemeluoja, ir paaiškinti vadovybei, ką rezultatas reiškia verslui.
Ką AI daro sunkiau nei žmogus? Suprasti kontekstą. Modelis nežino, kad tam tikras pardavimų šuolis įvyko dėl vienkartinės akcijos, o ne dėl tendencijos. Toks vertinimas ir lieka žmogaus darbas. Todėl paklausa ne mažėja – ji keičia formą. Vietoje rankinio duomenų kapstymo darbdaviai ieško žmonių, mokančių dirbti kartu su AI įrankiais.
Jei domina, kokie vaidmenys atsiveria ir kaip jie susiję tarpusavyje, apie tai plačiau kalbame technologijų kursų apžvalgoje.
Kas geriau: duomenų mokslas ar dirbtinis intelektas?
Šis klausimas panašus į „kas geriau – variklis ar automobilis?“. Jie ne konkuruoja, o vienas be kito silpnesni. Vis dėlto, jei kalbame apie karjeros pradžią, verta pamatyti juos šalia.
| Duomenų mokslas | Dirbtinis intelektas / mašininis mokymasis | |
|---|---|---|
| Pagrindinis tikslas | Suprasti ir paaiškinti duomenis | Numatyti arba automatizuoti sprendimą |
| Tipinis įrankis | „Python“, „SQL“, „Power BI“ | „TensorFlow“, „PyTorch“, „scikit-learn“ |
| Kasdienis darbas | Analizė, ataskaitos, vizualizacijos | Modelių treniravimas ir tobulinimas |
| Reikalinga matematika | Statistika, tikimybės | Tiesinė algebra, optimizavimas |
| Tinka, jei mėgstate | Ieškoti istorijos duomenyse | Statyti sistemas, kurios „mokosi“ |
Praktinis patarimas naujokui: pradėkite nuo duomenų mokslo pagrindų. Statistika, „Python“ ir gebėjimas išvalyti duomenis yra tas pamatas, ant kurio vėliau lengva užsidėti mašininį mokymąsi. Šokti tiesiai į neuroninius tinklus be šio pamato – kaip mokytis vairuoti lenktynių trasoje.
Nuo ko pradėti Lietuvoje
Įėjimas į sritį nebūtinai reikalauja universiteto diplomo. Daug duomenų analitikų ir jaunesniųjų duomenų mokslininkų Vilniuje ir Kaune atėjo iš kitų sričių – finansų, marketingo, inžinerijos. Svarbiausia parodyti darbdaviui realų projektą: paimti viešus duomenis, juos išanalizuoti ir aiškiai pristatyti išvadas.
Struktūruotas kelias padeda nesiblaškyti. Jei dirbate ir norite mokytis savo tempu, verta pažiūrėti savarankiško mokymosi duomenų mokslo ir AI programą, kur medžiaga sudėliota nuosekliai – nuo pirmų „Python“ eilučių iki veikiančio modelio.
Realistiškas terminas pradedančiajam nuo nulio iki pirmo portfelio projekto – keli mėnesiai nuoseklaus darbo, ne kelios savaitės. Tai maratonas su aiškiais etapais, o ne sprintas.
Svarbiausia žinutė: duomenų mokslas ir dirbtinis intelektas nėra pasirinkimas „arba–arba“ – jie dirba kartu, ir stipriausi specialistai supranta abu. Jei norite pamatyti, kaip visa tai atrodo praktikoje ir kiek kainuoja mokymai, peržiūrėkite mokymo programų kainas ir formatus ir ženkite pirmą žingsnį šiandien.
