Er data science en del av AI? Slik henger de sammen i praksis

Spør du ti personer om data science er en del av kunstig intelligens, får du antakelig ti litt forskjellige svar. Kortversjonen: nei, data science er ikke en underkategori av AI — de to feltene overlapper kraftig, men har hver sin tyngdepunkt og hvert sitt opphav.

Dette er verdt å få klart for seg før du velger retning, fordi en jobbannonse fra en bank i Oslo og en fra et teknologiselskap i Trondheim kan bruke de samme ordene om helt ulike roller.

Er data science en del av AI, eller omvendt?

Tenk på det som to sirkler som delvis dekker hverandre. Data science handler om å hente innsikt ut av data: samle inn, rense, analysere og presentere tall slik at noen kan ta en bedre beslutning. Kunstig intelligens handler om å bygge systemer som utfører oppgaver vi vanligvis forbinder med menneskelig tenkning — gjenkjenne bilder, forstå språk, forutsi hva som skjer videre.

Maskinlæring er det store overlappsfeltet. En data scientist bruker maskinlæring som ett verktøy blant mange. En AI-ingeniør bruker maskinlæring som selve kjernen i produktet.

Et konkret eksempel: en dagligvarekjede vil vite hvor mye laks de bør bestille til helgen. En data scientist graver i salgshistorikk, vær og helligdager, lager en prognosemodell og leverer et anslag til innkjøpssjefen. Samme kjede vil også ha en app som automatisk foreslår oppskrifter ut fra hva kunden har i handlekurven — det er mer et rent AI-produkt, der modellen jobber direkte mot brukeren uten en analytiker i midten.

Begge bruker Python, begge bruker data, begge bruker maskinlæring. Men målet er forskjellig. Hvis du vil ha en lengre gjennomgang av hvordan feltene skiller seg, har vi skrevet en egen forklaring på forskjellen mellom AI og datascience som er verdt å lese parallelt.

De fire typene kunstig intelligens

Et spørsmål som dukker opp ofte er hva «de fire typene AI» egentlig er. Dette er en vanlig faglig inndeling, og den er grei å kunne på et intervju.

• Reaktive maskiner: systemer uten hukommelse som bare reagerer på det de ser akkurat nå. Et sjakkprogram som velger neste trekk er et klassisk eksempel.
• Begrenset hukommelse: systemer som bruker nylige data til å ta bedre valg. De aller fleste praktiske AI-løsningene i dag, inkludert selvkjørende biler og anbefalingsmotorer, hører hjemme her.
• Teori om sinn: hypotetiske systemer som forstår følelser og intensjoner hos mennesker. Dette finnes foreløpig bare på forskningsstadiet.
• Selvbevisst AI: systemer med egen bevissthet. Dette er rent teoretisk og eksisterer ikke.

Poenget her er at nesten alt du møter i arbeidslivet i Norge i dag — svindeldeteksjon i en bank, chatboter, prognoser — tilhører den andre kategorien. Resten er mer science fiction enn stillingsannonse.

Data science vs. AI-roller side om side

Siden begrepene glir over i hverandre, hjelper det å se de typiske rollene ved siden av hverandre.

	Data scientist / analytiker	AI- / maskinlæringsingeniør
Hovedmål	Forstå data og gi beslutningsstøtte	Bygge modeller som kjører i et produkt
Typiske verktøy	Python, SQL, pandas, Power BI	Python, PyTorch, TensorFlow, skyplattformer
Hvem leverer du til	Ledelse, markedsavdeling, produktteam	Utviklingsteam og sluttbrukere
Styrke du trenger	Statistikk og kommunikasjon	Programvareutvikling og modelldrift
Vanlig i Norge	Bank, forsikring, helse, offentlig sektor	Teknologiselskaper, startups, konsulenthus

De fleste som starter i feltet begynner på data science-siden, rett og slett fordi det finnes flere innstegsstillinger der. Mange glir deretter mot AI-ingeniørrollen når de har fått praktisk erfaring.

Hvilken jobb er best etter at du har lært AI?

«Hvilken jobb er best» har egentlig ikke ett svar, men noen roller er lettere å komme inn i for nykommere i det norske markedet. Data analyst er ofte det mykeste innstegspunktet, fordi du kan vise verdi raskt uten å bygge kompliserte modeller fra bunnen. Data scientist er neste steg. AI-ingeniør og maskinlæringsingeniør krever gjerne litt mer programvareerfaring.

Det finnes også roller som kombinerer teknisk kunnskap med noe annet: en produktansvarlig som forstår hva en modell kan og ikke kan, eller en analytiker i en HR- eller markedsavdeling som bruker AI-verktøy daglig uten å bygge dem selv. Hvis du er nysgjerrig på hvor disse rollene passer inn, gir oversikten over kursene våre innen teknologi et bilde av hvilke veier folk faktisk går.

Min erfaring er at folk undervurderer hvor mye kommunikasjon betyr. En modell som ingen i ledelsen stoler på, blir aldri brukt. Evnen til å forklare hva tallene betyr for en som ikke kan statistikk er ofte det som skiller en god data scientist fra en gjennomsnittlig en.

Kan AI overta jobben til data scientists?

Det korte svaret er nei, men jobben endrer seg. AI-verktøy skriver allerede kode, rydder data og foreslår modeller. Det gjør den kjedelige delen raskere. Men noen må fortsatt bestemme hvilke spørsmål som er verdt å stille, sjekke om dataene er pålitelige, og vurdere om et resultat gir mening i virkeligheten.

Et eksempel: et verktøy kan fortelle deg at kundene som kjøper mest også bor nærmest et varehus. En data scientist spør om det egentlig er beliggenheten som driver salget, eller om det er noe annet som henger sammen med begge deler. Den kritiske vurderingen lar seg ikke automatisere bort med det første.

Det som skjer er altså en forskyvning: mindre tid på manuelt arbeid, mer tid på problemforståelse og skjønn. De som lærer å bruke AI-verktøyene som en forlengelse av eget arbeid, kommer til å stå sterkere enn de som ignorerer dem.

Hvordan komme i gang

Du trenger ikke en mastergrad for å starte. Python og SQL er grunnmuren, statistikk kommer etter hvert, og et par prosjekter med ekte datasett i porteføljen sier mer til en arbeidsgiver enn en lang liste med kurs. Mange i Norge kombinerer læring med jobb, og da er tempoet du velger viktigere enn selve pensumet.

Hvis du vil ha struktur og veiledning fremfor å lære alt på egen hånd, dekker bootcampen i data science og AI både analysedelen og maskinlæringsdelen i ett løp, slik at du slipper å velge side før du vet hva du liker.

Data science og AI er to overlappende felt, ikke ett som rommer det andre — og det beste for de fleste nybegynnere er å lære begge deler og spisse seg senere. Vil du se hvordan et komplett løp er bygd opp, ta en titt på innholdet i data science- og AI-bootcampen.