Gerai, kortos ant stalo – šis klausimas kyla visur. Technologijų susitikimuose, kavos pertraukėlėse darbe ir net tuose ilguose „LinkedIn“ pokalbiuose niekas neprisipažįsta skaitęs. Nerimas gana tiesmukas: jei dirbtinis intelektas gali atlikti tiek daug automatizavimo, ar tai duomenų mokslą paverčia... vienkartiniu? Greitas atsakymas: ne. Ilgesnis atsakymas? Tai sudėtinga, painu ir daug įdomiau nei paprastas „taip“ arba „ne“.
Straipsniai, kuriuos galbūt norėsite perskaityti po šio:
🔗 Duomenų mokslas ir dirbtinis intelektas: inovacijų ateitis
Tyrinėjama, kaip dirbtinis intelektas ir duomenų mokslas formuoja rytojaus inovacijų aplinką.
🔗 Ar dirbtinis intelektas pakeis duomenų analitikus: rimtas pokalbis
Dirbtinio intelekto poveikio duomenų analitikų vaidmenims ir pramonės poreikiams supratimas.
🔗 Duomenų valdymas dirbtinio intelekto įrankiams, į kuriuos turėtumėte atkreipti dėmesį
Pagrindinės duomenų valdymo praktikos, skirtos maksimaliai išnaudoti dirbtinio intelekto įrankių potencialą.
Kas iš tikrųjų daro duomenų mokslą vertingu 🎯
Štai esmė – duomenų mokslas nėra vien matematika ir modeliai. Jį galingu daro keistas statistinio tikslumo, verslo konteksto ir kūrybiško problemų sprendimo . Dirbtinis intelektas gali akimirksniu apskaičiuoti dešimt tūkstančių tikimybių. Bet ar jis gali nuspręsti, kuri problema yra svarbi įmonės pelnui? Arba paaiškinti, kaip ta problema susijusi su strategija ir klientų elgesiu? Čia įsikiša žmonės.
Iš esmės duomenų mokslas yra tarsi vertėjas. Jis paima gryną netvarką – negražias skaičiuokles, žurnalus, beprasmes apklausas – ir paverčia juos sprendimais, kuriais remdamiesi paprasti žmonės gali imtis veiksmų. Pašalinus tą vertimo sluoksnį, dirbtinis intelektas dažnai išspausdavo užtikrintas nesąmones. HBR tai kartoja jau daugelį metų: esmė ne tikslumo rodikliuose, o įtikinėjime ir kontekste [2].
Realybės patikrinimas: tyrimai rodo, kad dirbtinis intelektas gali automatizuoti daugybę užduočių viename darbe – kartais daugiau nei pusę . Tačiau darbo apimties nustatymas, sprendimų priėmimas ir prisitaikymas prie netvarkingo dalyko, vadinamo „organizacija“, vis dar labai žmogiška teritorija [1].
Greitas palyginimas: duomenų mokslas ir dirbtinis intelektas
Ši lentelė nėra tobula, tačiau joje išryškinami skirtingi jų vaidmenys:
| Funkcija / kampas | Duomenų mokslas 👩🔬 | Dirbtinis intelektas 🤖 | Kodėl tai svarbu |
|---|---|---|---|
| Pagrindinis dėmesys | Įžvalgos ir sprendimų priėmimas | Automatizavimas ir prognozavimas | Duomenų mokslas apibrėžia „ką“ ir „kodėl“ |
| Tipiniai vartotojai | Analitikai, strategai, verslo komandos | Inžinieriai, operacijų komandos, programinės įrangos programos | Skirtingos auditorijos, sutampantys poreikiai |
| Sąnaudų veiksnys 💸 | Atlyginimai ir įrankiai (nuspėjami) | Debesų kompiuterija (kintama masteliu) | Dirbtinis intelektas gali atrodyti pigesnis, kol naudojimas smarkiai išaugs |
| Stiprumas | Kontekstas + pasakojimas | Greitis + mastelio keitimas | Kartu jie yra simbiotiniai |
| Silpnumas | Lėtas atliekant pasikartojančias užduotis | Kovoja su dviprasmybe | Kodėl vienas nenužudys kito |
„Visiško pakeitimo“ mitas 🚫
Skamba įdomiai įsivaizduoti, kaip dirbtinis intelektas suryja kiekvieną duomenų apdorojimo užduotį, bet tai paremta klaidinga prielaida – kad visa duomenų mokslo vertė yra techninė. Didžioji jos dalis iš tikrųjų yra interpretacinė, politinė ir komunikacinė .
-
Nė vienas vadovas nesako: „Prašau, pateikite man 94 % tikslumo modelį.“
-
Jie sako: „Ar turėtume plėstis į šią naują rinką, taip ar ne?“
Dirbtinis intelektas gali generuoti prognozę. Tačiau jis neatsižvelgs į: reguliavimo problemas, kultūrinius niuansus ar generalinio direktoriaus rizikos apetitą. Analizės virsmas veiksmais vis dar yra žmogiškas žaidimas , kupinas kompromisų ir įtikinėjimų [2].
Kur dirbtinis intelektas jau keičia viską 💥
Būkime atviri – kai kurias duomenų mokslo dalis jau graužia dirbtinis intelektas:
-
Duomenų valymas ir paruošimas → Automatinės patikros aptinka trūkstamas vertes, anomalijas ir nuokrypius greičiau nei žmonės, sunkiai dirbantys su „Excel“.
-
Modelio parinkimas ir derinimas → „AutoML“ susiaurina algoritmų pasirinkimą ir tvarko hiperparametrus, taip sutaupydamas savaičių savaites nuo keitimo [5].
-
Vizualizacija ir ataskaitų teikimas → Įrankiai dabar gali kurti ataskaitų suvestines arba teksto santraukas iš vieno raginimo.
Kas tai jaučia labiausiai? Žmonės, kurių darbas sukasi apie pasikartojantį diagramų sudarymą ar pagrindinį modeliavimą. Išeitis? Pakilkite aukščiau vertės grandinėje: užduokite aštresnius klausimus, papasakokite aiškesnes istorijas ir formuluokite geresnes rekomendacijas.
Trumpa atvejo apžvalga: mažmenininkas testuoja „AutoML“ klientų praradimui nustatyti. Gaunamas patikimas pradinis modelis. Tačiau didžiausia pergalė pasiekiama, kai duomenų mokslininkas pakeičia užduoties formuluotę: vietoj „Kas atsisakys klientų?“ klausimo, ji tampa „Kokios intervencijos iš tikrųjų padidina grynąją pelno maržą pagal segmentus?“. Šis pokytis – kartu su bendradarbiavimu su finansų skyriumi siekiant nustatyti apribojimus – yra tai, kas kuria vertę. Automatizavimas pagreitina procesą, tačiau formuluotė atveria rezultatą.
Duomenų mokslininkų vaidmuo kinta 🔄
Užuot nykęs, darbas įgauna naujų formų:
-
Dirbtinio intelekto vertėjai – techniniai rezultatai pateikiami vadovams, kuriems rūpi pinigai ir prekės ženklo rizika, suprantamai.
-
Valdymas ir etika NIST dirbtinio intelekto rizikos valdymo sistema [3], nustatymas
-
Produktų strategai – duomenų ir dirbtinio intelekto integravimas į klientų patirtis ir produktų planus.
Ironiška, bet dirbtiniam intelektui perimant daugiau techninio darbo, žmogaus įgūdžiai – pasakojimas, srities vertinimas, kritinis mąstymas – tampa tomis dalimis, kurių negalima lengvai pakeisti.
Ką sako ekspertai ir duomenys 🗣️
-
Automatizavimas yra realus, bet dalinis : dabartinis dirbtinis intelektas gali automatizuoti daugybę užduočių daugelyje darbų, tačiau tai paprastai leidžia žmonėms pereiti prie didesnės vertės darbo [1].
-
Sprendimams reikia žmonių : HBR pabrėžia, kad organizacijos juda ne dėl neapdorotų skaičių – jos juda todėl, kad istorijos ir naratyvai skatina lyderius veikti [2].
-
Poveikis darbo vietoms ≠ masiniai atleidimai iš darbo : Pasaulio ekonomikos forumo duomenys rodo, kad įmonės tikisi, jog dirbtinis intelektas pakeis vaidmenis ir sumažins darbuotojų skaičių tose srityse, kuriose užduotys yra labai automatizuojamos, tačiau jos taip pat dvigubai daugiau dėmesio skiria perkvalifikavimui [4]. Ši tendencija labiau panaši į pertvarkymą, o ne į pakeitimą.
Kodėl baimė išlieka 😟
Žiniasklaidos antraštės klesti dėl pražūties. „DI pakeičia darbo vietas!“ yra įtikinama. Tačiau rimti tyrimai nuolat atskleidžia niuansus: užduočių automatizavimą, darbo eigos pertvarkymą ir naujų vaidmenų kūrimą [1][4]. Skaičiuotuvo analogija veikia: niekas nebedalina ilgaisiais skaičiais ranka, bet vis tiek reikia suprasti algebrą, kad žinotumėte, kada naudoti skaičiuotuvą.
Išlikti aktualiam: praktinis vadovas 🧰
-
Pradėkite nuo sprendimo. Savo darbą susiekite su verslo klausimu ir klaidos kaina.
-
Leiskite dirbtiniam intelektui kurti juodraščius, o jūs tobulinti. Jo rezultatus laikykite atspirties taškais – jūs pateikiate savo vertinimus ir kontekstą.
-
Integruokite valdymą į savo srautą. Lengvos šališkumo patikros, stebėsena ir dokumentacija, susieta su tokiomis sistemomis kaip NIST [3].
-
Pereikite prie strategijos ir komunikacijos. Kuo mažiau esate pririšti prie „mygtukų spaudymo“, tuo sunkiau jus automatizuoti.
-
Pažinkite savo automatinį mašininį mokymąsi. Įsivaizduokite jį kaip genialų, bet neapgalvotą praktikantą: greitą, nenuilstantį, kartais smarkiai klystantį. Jūs sukuriate apsauginį barjerą [5].
Taigi… Ar dirbtinis intelektas pakeis duomenų mokslą? ✅❌
Tiesus atsakymas: ne, bet jis jį pakeis . Dirbtinis intelektas perrašo įrankių rinkinį žmogaus interpretacijos, kūrybiškumo ir sprendimų poreikio . Geri duomenų mokslininkai yra vertingesni kaip vis sudėtingesnių rezultatų interpretuotojai.
Esmė tokia: DI pakeičia užduotis, o ne profesiją [1][2][4].
Nuorodos
[1] „McKinsey & Company“ – Generatyviojo dirbtinio intelekto ekonominis potencialas: kita produktyvumo riba (2023 m. birželis).
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
[2] „Harvard Business Review“ – duomenų mokslas ir įtikinėjimo menas (Scott Berinato, 2019 m. sausio–vasario mėn.).
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion
[3] NIST – Dirbtinio intelekto rizikos valdymo sistema (AI RMF 1.0) (2023 m.).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf
[4] Pasaulio ekonomikos forumas – Ar dirbtinis intelektas užveria duris pradinio lygio įsidarbinimo galimybėms? (2025 m. balandžio 30 d.) – įžvalgos iš „Darbų ateitis 2025“ .
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/
[5] He, X. ir kt. – „AutoML: pažangiausių technologijų apžvalga“ (arXiv, 2019).
https://arxiv.org/abs/1908.00709