Во ред, карти на маса - ова прашање се појавува насекаде. На технолошките состаноци, на паузите за кафе на работа и да, дури и во тие долги теми на LinkedIn никој не признава дека чита. Загриженоста е прилично директна: ако вештачката интелигенција може да се справи со толку многу автоматизација, дали тоа ја прави науката за податоци некако… за еднократна употреба? Брз одговор: не. Подолг одговор? Комплицирано е, хаотично и многу поинтересно од едно рамно „да“ или „не“.
Статии што можеби ќе ве интересираат по оваа:
🔗 Наука за податоци и вештачка интелигенција: Иднината на иновациите
Истражување како вештачката интелигенција и науката за податоци го обликуваат иновацискиот пејзаж на утрешниот ден.
🔗 Дали вештачката интелигенција ќе ги замени аналитичарите на податоци: Вистински муабети
Разбирање на влијанието на вештачката интелигенција врз улогите на аналитичарите на податоци и потребите на индустријата.
🔗 Управување со податоци за алатки за вештачка интелигенција што треба да ги разгледате
Клучни практики за управување со податоци за максимизирање на потенцијалот на алатките за вештачка интелигенција.
Што всушност ја прави науката за податоци вредна 🎯
Еве ја работата - науката за податоци не е само математика плус модели. Она што ја прави моќна е овој чуден коктел од статистичка прецизност, деловен контекст и допир на креативно решавање проблеми . Вештачката интелигенција може да пресмета десет илјади веројатности во еден миг, секако. Но, дали може да одлучи кој проблем е важен за профитот на компанијата? Или да објасни како тој проблем се поврзува со стратегијата и однесувањето на клиентите? Тука влегуваат луѓето.
Во својата суштина, науката за податоци е како преведувач. Таа зема суров хаос - грди табели, логови, анкети кои немаат смисла - и ги претвора во одлуки врз основа на кои обичните луѓе всушност можат да дејствуваат. Отстранете го тој слој за превод и вештачката интелигенција често истура самоуверени глупости. HBR го кажува ова со години: тајната состојка не е метриката за точност, туку убедувањето и контекстот [2].
Проверка на реалноста: студиите сугерираат дека вештачката интелигенција може да автоматизира многу задачи во рамките на една работа - понекогаш и повеќе од половина . Но, обемот на работата, донесувањето одлуки и усогласувањето со хаотичната работа наречена „организација“? Сè уште е многу човечка територија [1].
Брза споредба: Наука за податоци наспроти вештачка интелигенција
Оваа табела не е совршена, но ги истакнува различните улоги што ги играат:
| Карактеристика / Агол | Наука за податоци 👩🔬 | Вештачка интелигенција 🤖 | Зошто е важно |
|---|---|---|---|
| Примарен фокус | Увид и донесување одлуки | Автоматизација и предвидување | Науката за податоци ги поставува прашањата „што“ и „зошто“ |
| Типични корисници | Аналитичари, стратези, бизнис тимови | Инженери, оперативни тимови, софтверски апликации | Различна публика, преклопувачки потреби |
| Фактор на трошоци 💸 | Плати и алатки (предвидливи) | Облачно пресметување (променливо во размер) | Вештачката интелигенција може да изгледа поевтино сè додека употребата не се зголеми |
| Јачина | Контекст + раскажување приказни | Брзина + скалабилност | Заедно, тие се симбиотски |
| Слабост | Бавно за повторувачки задачи | Се бори со двосмисленост | Точно зошто едниот не го убива другиот |
Митот за „целосна замена“ 🚫
Звучи убаво да се замисли дека вештачката интелигенција ги „голта“ сите работни задачи поврзани со податоци, но тоа е изградено врз погрешна претпоставка - дека целата вредност на науката за податоци е техничка. Поголемиот дел од неа е всушност интерпретативен, политички и комуникативен .
-
Ниеден раководител не вели: „Ве молам, дајте ми модел со точност од 94%.“
-
Тие велат: „Дали треба да се прошириме на овој нов пазар, да или не?“
Вештачката интелигенција може да генерира прогноза. Што нема да земе предвид: регулаторни главоболки, културни нијанси или апетитот за ризик на извршниот директор. Анализата што се претвора во акција е сè уште човечка игра , полна со компромиси и убедување [2].
Каде што вештачката интелигенција веќе ги потресува работите 💥
Да бидеме искрени - делови од науката за податоци веќе се „јадат живи“ од вештачката интелигенција:
-
Чистење и подготовка на податоци → Автоматизираните проверки откриваат недостасувачки вредности, аномалии и отстапувања побрзо од луѓето кои се мачат со Excel.
-
Избор и подесување на модел → AutoML ги стеснува изборите на алгоритми и се справува со хиперпараметри, заштедувајќи недели маневрирање [5].
-
Визуелизација и известување → Алатките сега можат да креираат контролни табли или текстуални резимеа од еден единствен потсетник.
Кој го чувствува тоа најмногу? Луѓе чии работни места се вртат околу повторувачко градење графикони или основно моделирање. Излез? Преместете се повисоко во вредносниот синџир: поставувајте поостри прашања, раскажувајте појасни приказни и формулирајте подобри препораки.
Краток преглед на случајот: еден трговец на мало го тестира AutoML за одлив на купувачи. Тој нуди солиден основен модел. Но, големата победа доаѓа кога научникот за податоци ја преформулира задачата: наместо „Кој ќе одливува купувачи?“, станува „Кои интервенции всушност ја зголемуваат нето маржата по сегмент?“. Таа промена - плус партнерството со финансиите за поставување ограничувања - е она што ја движи вредноста. Автоматизацијата ги забрзува работите, но рамката го отклучува резултатот.
Улогата на научниците за податоци еволуира 🔄
Наместо да бледнее, работата се трансформира во нови форми:
-
Преведувачи со вештачка интелигенција - правење технички резултати лесни за сварливост за лидерите кои се грижат за парите и ризикот на брендот.
-
Водечки улоги во управувањето и етиката - поставување тестирање на пристрасност, следење и контрола усогласени со стандарди како што е AI RMF на NIST [3].
-
Стратези за производи - вплетување на податоци и вештачка интелигенција во искуствата на клиентите и патните планови на производите.
Иронично, како што вештачката интелигенција презема сè потешка техничка работа, човечките вештини - раскажување приказни, проценка на доменот, критичко размислување - стануваат делови што не можете лесно да ги замените.
Што велат експертите и податоците 🗣️
-
Автоматизацијата е реална, но делумна : Сегашната вештачка интелигенција може да автоматизира многу задачи во рамките на многу работни места, но тоа обично им овозможува на луѓето да се префрлат кон работа со повисока вредност [1].
-
За одлуките се потребни луѓе : HBR истакнува дека организациите не се движат поради сурови бројки - тие се движат затоа што приказните и наративите ги тераат лидерите да дејствуваат [2].
-
Влијание врз работните места ≠ масовни отпуштања : Податоците од WEF покажуваат дека компаниите очекуваат вештачката интелигенција да ги менува улогите и да го намалува персоналот таму каде што задачите се високо автоматизирани, но тие исто така го удвојуваат преквалификувањето [4]. Моделот повеќе личи на редизајн отколку на замена.
Зошто стравот продолжува 😟
Медиумските наслови цветаат на пропаст. „Вештачката интелигенција ги заменува работните места!“ се продава. Но, сериозните студии постојано ја покажуваат нијансата: автоматизација на задачите, редизајн на работниот тек и креирање нови улоги [1][4]. Аналогијата со калкулаторот функционира: никој повеќе не прави долго делење рачно, но сепак треба да ја разберете алгебрата за да знаете кога да го користите калкулаторот.
Останување релевантно: Практичен прирачник 🧰
-
Започнете со одлуката. Поврзете ја вашата работа со деловното прашање и цената на грешката.
-
Нека вештачката интелигенција го скицира нацртот, вие го усовршувате. Третирајте ги нејзините резултати како почетни точки - вие внесувате проценка и контекст.
-
Вградете управување во вашиот тек. Лесни проверки на пристрасност, мониторинг и документација поврзани со рамки како NIST [3].
-
Преминете кон стратегија и комуникација. Колку помалку сте врзани за „притискање копчиња“, толку потешко е да се автоматизирате.
-
Запознајте го вашиот AutoML. Замислете го како брилијантен, но невнимателен практикант: брз, неуморен, понекогаш многу погрешен. Вие ги обезбедувате заштитните огради [5].
Значи… Дали вештачката интелигенција ќе ја замени науката за податоци? ✅❌
Директниот одговор: Не, но ќе го преобликува . Вештачката интелигенција го преработува комплетот алатки - намалувајќи ја макотрпната работа, зголемувајќи го обемот и менувајќи ги вештините што се најважни. Она што не го отстранува е потребата од човечка интерпретација, креативност и проценка . Ако ништо друго, добрите научници за податоци се повредни како толкувачи на сè посложени резултати.
Заклучок: Вештачката интелигенција ги заменува задачите, а не професијата [1][2][4].
Референци
[1] McKinsey & Company - Економскиот потенцијал на генеративната вештачка интелигенција: Следната граница на продуктивноста (јуни 2023 година).
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
[2] Harvard Business Review - Наука за податоци и уметност на убедување (Скот Беринато, јануари–февруари 2019 година).
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion
[3] NIST - Рамка за управување со ризици од вештачка интелигенција (AI RMF 1.0) (2023).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf
[4] Светски економски форум - Дали вештачката интелигенција ги затвора вратите за можностите за работа на почетно ниво? (30 април 2025 година) - сознанија од „ Иднината на работните места 2025“ .
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/
[5] Хе, Х. и др. - AutoML: Преглед на состојбата на технологијата (arXiv, 2019).
https://arxiv.org/abs/1908.00709