Hvordan brukes AI i data science? En praktisk forklaring

En strømleverandør i Trondheim vil vite hvilke kunder som sannsynligvis bytter til en konkurrent neste måned. En dataforsker samler inn forbruksdata, klagehistorikk og fakturainfo, trener en modell som lærer mønstrene bak tidligere oppsigelser, og gir salgsavdelingen en liste over kunder å ringe først. Den modellen er AI. Datagrunnlaget, spørsmålet og tolkningen er data science. Det er akkurat i dette skjæringspunktet de fleste jobber ligger i dag.

Spørsmålet «hvordan brukes AI i data science» dukker opp fordi grensene har blitt utydelige. Kort sagt: AI er en av verktøykassene en dataforsker bruker for å svare på spørsmål og lage prediksjoner. Under går vi gjennom hva det betyr i praksis, med eksempler du kan se for deg selv om du aldri har skrevet en kodelinje.

Hva AI faktisk gjør inne i et data science-prosjekt

Et typisk prosjekt følger noen faser: samle data, rydde data, utforske, bygge modell, evaluere og sette i produksjon. AI kommer inn i modellsteget, men også i stadig flere av de andre.

I modellsteget bruker en dataforsker maskinlæring for å finne mønstre som er for kompliserte til å skrives som faste regler. Skal du forutsi hvor mye en leilighet på Grünerløkka koster, kan du ikke sette opp én formel som dekker alt. En modell lærer seg sammenhengen mellom areal, etasje, tilstand og pris ut fra tusenvis av tidligere salg. Det er maskinlæring, altså en gren av AI.

De siste årene har generativ AI også flyttet inn i selve arbeidsflyten. Dataforskere bruker språkmodeller til å skrive utkast til kode, forklare feilmeldinger, lage testdata og oppsummere lange rapporter. Det gjør ikke jobben for deg, men det fjerner en del rutinearbeid. Du må fortsatt vite om svaret er riktig.

Et konkret bilde: en kundeserviceavdeling i Bergen får tusen e-poster om dagen. En dataforsker bygger et system som sorterer dem automatisk etter tema og hastegrad, slik at de mest kritiske havner øverst. Sorteringen skjer med en språkmodell. Beslutningen om hva som teller som «kritisk», og kontrollen av at systemet ikke bommer, er menneskearbeid.

Jobber en dataforsker med AI? Ja, men ikke bare AI

Det korte svaret er ja. Men det er verdt å skille mellom to ting som ofte blandes.

En stor del av jobben handler om data som ikke krever avansert AI i det hele tatt. Å hente tall fra en database, rense dem, lage en oversiktlig graf og forklare hva den betyr for ledelsen, er kjernearbeid i de fleste analytiker- og dataforskerroller i Norge. SQL, Python og litt statistikk tar deg langt.

AI-delen kommer på toppen. Når spørsmålet er «hva kommer til å skje», og ikke bare «hva har skjedd», trenger du prediktive modeller. Da bruker dataforskeren rammeverk som scikit-learn, og for tyngre oppgaver PyTorch eller TensorFlow. Hvis du vil se hvordan disse ferdighetene bygges opp steg for steg, gir bootcampen i data science og AI hos Code Labs Academy et bilde av hva som faktisk inngår.

Her er en enkel sammenligning av de to sidene av rollen:

	Klassisk dataanalyse	AI / maskinlæring
Spørsmålet	Hva har skjedd, og hvorfor?	Hva kommer til å skje?
Typiske verktøy	SQL, Excel, Python, dashbord	scikit-learn, PyTorch, språkmodeller
Resultat	Rapport, graf, innsikt	Prediksjon, anbefaling, automatisering
Krav til data	Moderat	Ofte store mengder

De fleste stillinger blander de to. En analytiker i en norsk bank bruker mesteparten av tiden på rapportering, men trekker inn en prediktiv modell når det trengs.

Blir data science overtatt av AI?

Dette er bekymringen bak det mest stilte spørsmålet, og den fortjener et ærlig svar. AI-verktøy automatiserer allerede deler av arbeidet en dataforsker gjør. Kode skrives raskere, standardanalyser går på autopilot, og en del enkle oppgaver forsvinner.

Men det som forsvinner, er sjelden hele jobben. Det er de mest mekaniske bitene. Igjen står arbeidet med å stille riktig spørsmål, forstå forretningen, vurdere om dataene er til å stole på, og forklare et resultat til folk uten teknisk bakgrunn. En modell kan si at kundefrafallet vil øke med tolv prosent. Den kan ikke avgjøre om tallet skyldes en dårlig kampanje eller en feil i datagrunnlaget. Det gjør mennesket.

Så jobben endrer seg mer enn den forsvinner. Den som kan bruke AI-verktøyene godt, blir mer verdt, ikke overflødig. Det gjelder særlig i et lite marked som det norske, der bedrifter ofte trenger folk som både kan modellene og kan snakke med resten av organisasjonen. Vil du sammenligne ulike læringsveier inn i feltet, finner du en oversikt over kursene til Code Labs Academy.

Hva er 30 %-regelen for AI?

Du støter kanskje på «30 %-regelen» når du leser om AI. Det er ikke en offisiell lov, men en tommelfingerregel som brukes på et par ulike måter, og det er greit å vite hva folk mener.

Den vanligste tolkningen handler om automatisering: AI overtar gjerne rundt 30 prosent av oppgavene i en jobb, ikke hele jobben. En dataforsker som bruker AI-verktøy godt, frigjør altså tid i stedet for å bli erstattet. Den tiden går til det maskinen ikke klarer alene.

En annen variant handler om tillit til modeller: hvis en AI-modell tar feil oftere enn rundt en tredjedel av tilfellene på en gitt oppgave, er den for upålitelig til å brukes uten tett menneskelig kontroll. Prosenten er ikke hellig, men poenget er sunt. Du måler alltid hvor ofte modellen bommer før du stoler på den. Det er en av de første tingene du lærer å gjøre skikkelig i praksis.

Hvordan komme i gang uten teknisk bakgrunn

Du trenger ikke en mastergrad i matematikk. De fleste som bytter til dataroller i Norge, kommer fra helt andre fag. En ingeniør, en økonom eller en markedsfører har allerede en fordel: de forstår et fagområde og vet hvilke spørsmål som er verdt å svare på.

Startpunktet er som regel Python og litt statistikk, deretter dataanalyse, og til slutt maskinlæring. Rekkefølgen er viktig. Hopper du rett på AI-modeller uten å forstå dataene under, bygger du på løs grunn. Vil du ta det i eget tempo ved siden av jobb, kan et selvstudium i data science og AI være et fornuftig første skritt.

AI er ikke noe som truer data science utenfra. Det er blitt en del av verktøykassen, og de mest ettertraktede dataforskerne er de som bruker den bevisst samtidig som de forstår hva som skjer bak kulissene. Vil du se hva en strukturert vei inn koster og hvordan den er lagt opp, kan du sammenligne prisene og formatene og ta det derfra.