És a kérdések e hosszú listájához hozzáadhatjuk a személyes kételyeinket is bátran: Most, hogy van mesterséges intelligencia, még mindig szükségünk van grafikusokra? Mind nagyon jó kérdések, ha nem is kissé annyira drámaiak mintha vége lenne a világnak. Megkérhetjük a GenMI-t, hogy generáljon egy képet így és úgy, és az meg is teszi. Lehet, hogy nem fog tetszeni, és finomíthatunk rajta, de megteszi bizonnyal előbb vagy utóbb. Vagy megkérhetjük, hogy írjon egy verset X témáról, és meg is fogja írni legott. Profi költőknek lehet, hogy nem fog tetszeni, de egy baráti vacsoraasztalnál rendezett versmondó versenyre elég jó lesz. Azt is megkérhetjük, hogy írjon levelet a Mikulásnak, vagy írjon panaszlevelet az Y termékről, ami nem működik. És mindkét esetben fog is.
Szóval igen. A GenMI képes írásokat vagy képeket generálni, melyek tökéletesen elfogadhatóak a mindennapi feladatokhoz. De vajon elég professzionális-e? Meg tud írni egy egész értelmes könyvet vagy egy film cselekményét? Talán, ha pontosan megmondjuk, hogy mit írjon, hogyan „pörgesse” biztos, de az igazán professzionális munkához még nem biztos, hogy elég jó. Mégis, lehet, hogy éppen megfelel a laikusoknak.
Az MI tud kódot írni
Az MI szinte tökéletesen tud Python kódot írni. Hát nem fantasztikus? Mivel kevesebb időnk marad a kódolásra, több időnk marad arra, hogy átgondoljuk, mit is kellene megvalósítani. Olvastuk Dennis Ganzaroli bejegyzését a Minard-féle táblázatról Napóleon 1812-es oroszországi hadjáratáról? Nos, neki megvoltak az adatok, és úgy döntött, hogy Python segítségével vizualizálja azokat a KNIME Analytics Platform által kínált Python csomópontokon keresztül. Az 5.1-es verzió óta a KNIME Analytics Platform integrált néhány GenMI funkciót a keretrendszerébe, melyet KNIME AI vagy röviden K-AI néven is ismerünk. Minden Python-csomópont különösen a konfigurációs párbeszédablakban kínál egy K-AI chatbotot, ahol a munkafolyamat-építő tanácsot kérhet, hogyan írja meg azt a bizonyos Python-kódot, melyre szüksége van.
Dennis lényegében csevegett a K-AI-val, és azt kérte, hogy írja meg a Python-kódot a Minard adatainak vizualizálásához. Bár az első próbálkozás nem volt kielégítő, tovább finomította azt további javaslatokkal, melyeket a K-AI elfogadott és beépített a kódtervezetbe. Anélkül, hogy bármit is elvennénk Dennis Python-kód írási képességétől, itt a K-AI (a KNIME mesterséges intelligencia-ügynöke) végezte el az összes munkát. Az 5.1-es verzió óta a KNIME Analytics Platform a K-AI néven ismert keretrendszerébe integrált néhány GenMI funkciót, hogy segítse a felhasználót munkafolyamatok létrehozásában is. A KNIME Analytics Platform munkapadjában balról felülről a negyedik fül vezet a K-AI csevegőterületre, ha a K-AI bővítmény telepítve van. Itt a felhasználó cseveghet a K-AI-val tanácsért („Q&A” opció) vagy a munkafolyamat felépítéséhez („Build” opció). Ebben a Vittorio Haardt által írt cikkben megtanulhatja, hogy mik azok az LLM-ek, és hogyan segíthet a K-AI időt megtakarítani a munkafolyamatok összeállításában. A K-AI nem olyan szakértő a KNIME munkafolyamatok összeállításában, mint a Python kód írásában, de a munkafolyamatok összeállításának képességei kiadásról kiadásra gyorsan javulnak.
Mi marad az adattudósok számára?
Mindezek az új MI-képességek kissé túlterhelőnek hangzanak, és elgondolkodtatnak minket, hogy mi marad még hátra számunkra. Különösen mint adattudósok, modelloktatók, Python programozók, KNIME munkafolyamat-építők, mi marad majd nekünk? Először is, az MI nem épít magától dolgokat, nem képez modelleket, nem ír Python szkripteket, nem épít KNIME munkafolyamatokat, csak úgy. Meg kell neki mondani, hogy így és hogyan. Dennis Ganzaroli cikkében a szerzőnek meg kellett adni a feladatot, majd addig finomítani, amíg az eredmény nem lett az, amit várt. Még akkor is, ha a mesterséges intelligenciát használjuk támogatásként, a projekt tulajdonosának a további lépésekben le kell írnia az egész folyamatot: mit kell építeni, hogyan, milyen adatokból, és így tovább.
Másodszor, a mesterséges intelligencia nem ellenőrzi a helyességet. A mesterséges intelligencia egy eredményt ad. Annak értékelése, hogy ez helyes-e, nem tartozik a feladatai közé. A mesterséges intelligenciának továbbra is szüksége van egy szakértő felhasználó általi helyesség-ellenőrzésre: az adattudományi helyesség és az üzleti megalapozottság ellenőrzésére. Ehhez egy „ügyes” végfelhasználóra van szükség, aki tudja, hogy mit és hogyan kell elérni.
Ha az eredmény nem helyes vagy nem felel meg a felkérés szerinti feladatnak, a „végső” felhasználónak vagy finomítania kell azt jobb felkéréssel, vagy kézzel kell hozzátennie a hiányzó részeket. Ez egyenesen a harmadik ponthoz vezet: a mesterséges intelligencia modellek finomhangolásához. Mostanában kialakulóban van az a tendencia, hogy az MI-modelleket mindenképpen finomhangoljuk. Ehhez mindenképpen pedig még mindig hús és vér adattudósokra van szükség.
Az MI által generált képek és a grafikusok párhuzamát folytatva, az MI mindenféle képet képes generálni. Azonban csak a grafikus a végén tudja ellenőrizni a kép minőségét, és szükség esetén javításokkal segíteni. Az utóbbi időben túl sok „csúnya” képet láttunk, melyek akkor sem javultak, amikor az emberek azt mondták, hogy mesterséges intelligenciával generálták őket. Attól, hogy képesek vagyunk MI-vel képeket generálni, még nem leszünk grafikusok. Az, hogy képesek vagyunk javítani és korrigálni őket, igen.
Szükségünk van még emberi erőforrásra?
Mindezek után már nem lesz szükségünk tisztán végrehajtókra. Különösen az alapvető feladatokhoz az MI egyre jobb és jobb lesz, és a tiszta „végrehajtókra” egyre kevésbé lesz szükség. Azonban továbbra is szükségünk lesz olyan szakemberekre, akik ismerik az adattudományi folyamatot és annak matematikai követelményeit, tudják, hogyan kell korrigálni és átirányítani az MI erőfeszítéseit, és hogyan kell értelmezni a gépi elme által generált eredményeket. A gyakorlatban a modellek és szolgáltatások létrehozásától és képzésétől a fogyasztásuk és finomításuk felé haladunk. Hosszú történet röviden: továbbra is szükségünk van adattudósokra. Bár a szerepkör valószínűleg megváltozik a következő jövőben. A programozás helyett inkább az algoritmusokra és az adattudományi folyamatra fog összpontosítani. Ennek során az alacsony kódú eszközök még inkább megközelíthetővé és gyorsabbá teszik majd az egész folyamat megvalósítását. Több általános adattudósra lesz szükségünk, akik jól ismerik az algoritmusok matematikáját, jó kommunikátorok, és ügyesek abban, hogy a mesterséges intelligenciát a kívánt eredmény felé irányítsák és korrigálják.
Az adattudomány halott?
Az adattudomány valószínűleg nem halott, de biztosan változik. Nem az lesz a legjobb adattudós, aki gyorsabban tud kódolni, hanem aki jobban tudja irányítani az adattudományi projekt összeállítását, figyelembe véve az adatintegrációt, az adatminőséget, az adattörténetet, a gépi tanulási algoritmusokat, az eredmények értelmezését és a folyamat helyességét. Generalistábbak leszünk? Valószínűleg az adattudományi projekt kezdeti szakaszában több generalistára lesz szükségünk, akik többet dolgoznak a folyamaton. Ugyanakkor továbbra is szükségünk lesz szakértő adattudósokra, akik felülvizsgálják és korrigálják a mesterséges intelligencia kimenetét. A grafikusokhoz hasonlóan az adattudósok is ki fogják használni a megoldások mesterséges intelligencián keresztül történő gyorsabb megvalósításának előnyeit, de továbbra is ébernek kell maradniuk az MI által nyújtott megoldások minőségét illetően.
Az üzleti élet jövője
Az adattudomány napjaink egyik leggyorsabban fejlődő területe az üzleti életben. Napról napra egyre több vállalkozás ismeri fel az adatelemzés fontosságát, és fordul az adattudósokhoz, hogy segítsenek nekik jobb döntéseket hozni. Miért olyan fontos az adattudomány? És mitől olyan felkapott terület ez mostanában?
Mi is az az adattudomány?
Az adattudomány egy interdiszciplináris terület, mely tudományos módszereket, folyamatokat és rendszereket használ arra, hogy a különböző formájú, strukturált és strukturálatlan adatokból tudást és meglátásokat nyerjen. Ez egy viszonylag új terület, mely a statisztika, az informatika és az informatika metszéspontjából alakult ki. Az adattudósok különféle módszereket használnak az adatok tisztítására, feldolgozására és elemzésére. Ezután eredményeiket a döntéshozatal javítására, problémák megoldására és új termékek vagy szolgáltatások kifejlesztésére használják fel. Az erős technikai készségek mellett az adattudósoknak képesnek kell lenniük arra is, hogy eredményeiket hatékonyan kommunikálják a nem műszaki közönség felé. Mivel az adatvezérelt döntéshozatal iránti igény egyre nő, az adattudomány egyre fontosabb terület lesz.
Hogyan profitálhatnak a vállalatok belőle?
Az adatvezérelt világban az adatok erejét hasznosítani tudó vállalkozások jelentős versenyelőnyre tesznek szert. Az adattudományi kezdeményezések segíthetik a vállalkozásokat ebben azáltal, hogy olyan meglátásokat nyújtanak, melyeket jobb döntések meghozatalára, a működés javítására, valamint új termékek és szolgáltatások kifejlesztésére használhatnak fel. Az adatok erejét kihasználva a vállalkozások mélyebb megértést szerezhetnek ügyfeleikről, megtalálhatják a kínálatuk javításának módjait, és megalapozottabb döntéseket hozhatnak arról, hogy hova osszák be az erőforrásaikat. A mai üzleti környezetben az adattudomány többé már nem egy „szép dolog”, hanem a siker elengedhetetlen eszköze. Az előrelátó vállalkozások befektetnek az adattudományi kezdeményezésekbe, hogy a versenytársak előtt maradjanak, és hosszú távú sikerre tegyék magukat.
Milyen készségekre van szükség?
Az adattudományi szerepek a modern gazdaságban a legkeresettebb állások közé tartoznak. E szerepek sikeres betöltéséhez a jelölteknek erős alapokkal kell rendelkezniük a statisztikai elemzés és a matematika terén. Emellett jártasnak kell lenniük az adatbányászati technikák alkalmazásában is, hogy mintákat és felismeréseket tárjanak fel. Emellett a hatékony adattudósoknak képesnek kell lenniük arra, hogy eredményeiket egyértelműen kommunikálják mind a technikai, mind a nem technikai közönség számára. Ezért az erős íráskészség és a prezentációs készség elengedhetetlen. Végül pedig az adattudományi szerepek sikerének kulcsa a gyors tempójú, folyamatosan változó környezetben való munkavégzés képessége. Azok, akik rendelkeznek ezekkel a készségekkel, jó helyzetben találják magukat a mai munkaerőpiacon.
Hogyan találhatunk és toborozhatunk adattudósokat?
Azoknak a vállalkozásoknak, melyek tehetséges adattudósokat szeretnének találni és toborozni, érdemes megfontolniuk egy adattudományi platform használatát. Az adattudományi platform egy felhőalapú fejlesztési környezet, mely lehetővé teszi a vállalkozások számára, hogy adattudományi projektjeiket az elejétől a végéig kezeljék. Egy adattudományi platform használatával a vállalkozások biztosíthatják, hogy rendelkezzenek a szükséges eszközökkel és erőforrásokkal ahhoz, hogy megtalálják az igényeiknek legmegfelelőbb adattudósokat. Emellett egy adattudományi platform segíthet a vállalkozásoknak a toborzási folyamat racionalizálásában, és megkönnyítheti a tehetséges adattudósok megtalálását és felvételét.
Az adattudományi csapatok kihívásai
Az adattudományi csapatok egyik legnagyobb kihívása az egyértelmű elvárások hiánya. Az adattudomány viszonylag új terület, és gyakran zavaros, hogy mit is csinálnak valójában az adattudósok. Ennek eredményeképpen az adattudományi csapatok gyakran találják magukat olyan projekteken, melyek kívül esnek a hatáskörükön, vagy amelyek nem illeszkednek a vállalat céljaihoz. Egy másik gyakori kihívás a jó minőségű adatok beszerzésének nehézsége. Az adattudományi csapatok gyakran több forrásból származó adatokra támaszkodnak, és ezeket az adatokat nehéz lehet megtisztítani és szabványosítani. Ez következetlenségekhez és hibákhoz vezethet a végtermékben. Végül az adattudományi csapatok gyakran küzdenek a kommunikációval. Mivel az adattudomány összetett terület, nehéz lehet elmagyarázni az eredményeket a nem műszaki érdeklődőknek. Ez mindkét oldalon frusztrációhoz vezethet, és megnehezítheti az adatvezérelt döntéshozatal megvalósítását egy szervezeten belül.
Trendek az adattudomány világában
Az adattudomány világában néhány új trend van éppen most kialakulóban. Az egyik a mesterséges intelligencia használata az adatok elemzésének segítésére. Az adatok egyre növekvő rendelkezésre állásával az emberek számára egyre nehezebbé válik a minták azonosítása és az előrejelzések készítése. A mesterséges intelligencia azonban sokkal gyorsabban átfésüli az adatokat, és olyan mintákat is képes azonosítani, amelyek szabad szemmel nem láthatók. Ennek eredményeképpen az MI egyre fontosabb szerepet játszik az adattudományban.
Egy másik kialakulóban lévő trend a nyílt forráskódú szoftverek használata. A múltban az adattudósok gyakran támaszkodtak saját fejlesztésű szoftverekre, melyek drágák és nehezen beszerezhetők voltak. A nyílt forráskódú szoftverek azonban egyre népszerűbbek, mivel ingyenesek és könnyebben beszerezhetők. Emellett a nyílt forráskódú szoftverek gyakran rugalmasabbak, mint a saját fejlesztésű szoftverek, így könnyebben testre szabhatók az egyedi igényekhez. Ennek eredményeképpen a nyílt forráskódú szoftverek valószínűleg fontos szerepet fognak játszani az adattudományban a jövőben.
Az adattudomány olyan terület, melynek népszerűsége és jelentősége egyre nő. A vállalkozások hasznot húzhatnak az adattudományi kezdeményezésekből azáltal, hogy az adatokat jobb döntések meghozatalára, a trendek azonosítására és az ügyfelek viselkedésének megértésére használják fel. Az adattudományi munkakörben való munkavégzéshez erős analitikai készségekre van szükség, és képesnek kell lenni az összetett információk hatékony kommunikálására. a vállalkozások olyan általános kihívásokkal szembesülnek, mint az erőforrások hiánya és a tehetséghiány. A megfelelő eszközökkel és stratégiákkal azonban a vállalkozások leküzdhetik ezeket az akadályokat, és élvezhetik az adattudományi csapat előnyeit.
Az adattudóstól a végrehajtóig
Talán már hallottuk, vagy olvastunk róla, hogy az adattudós munkakör haldoklik, és nem sokat tehetünk azért, hogy megőrizzük kényelmes fizetésünket, rocksztár-szerű imidzsünket és felfújt egónkat. Nyilvánvaló, hogy itt a drámai hatás kedvéért túlzásba visszük a dolgokat, de az üzenet mégis aggodalomra ad okot sok adattudós szakember számára, akik elkezdték érezni a vérszagot az ipari vizeikben, ahogy egyre több vezetői csapat dobálózik olyan fogalmakkal, mint a „polgári adattudós”, az „analitika demokratizálása” és az „automatizált gépi tanulás”. Ilyen félelmeket szított néhány évvel ezelőtt Matt Tucker „Az adattudós halála” című cikke, amely a Data Science Centralon jelent meg, bár nem ez volt az első ilyen állítás. De vajon az adattudósok, ahogyan ma ismerjük őket, valóban egy kihalásra ítélt fajta lenne? A bejegyzés hátralévő részében ezt a gondolatot vizsgáljuk, miközben egy alternatív perspektívát kínálunk arra vonatkozóan, hogyan nézhet(ne) ki a jövő a jelenlegi adattudományi szakemberek számára.
A gépek felemelkedése
A legalapvetőbb szinten az érvelés valahogy így hangzik: az adattudósok számos tevékenysége számszerűsíthető vagy statisztikai jellegű, és ennek következtében automatizálható. Ezért minél jobban össze tudjuk „hangszerelni” a statisztikai modelleket automatizált módon, annál kevésbé van szükség arra, hogy az adattudósok húzzák azokat a karokat, melyek kiválasztják, optimalizálják és bevetik az adatvezérelt meglátásaikat. Valóban, az olyan vállalatok és termékek, mint a DataRobot, a Google AutoML, valamint az előre betanított, szolgáltatásalapú adattudományi modellekhez való egyre szélesebb körű hozzáférés (Azure Cognitive Services, Google Ai Services, AWS, Watson) jelentős előrelépést tettek az ilyen, „mesterséges adattudósok” elérésében.
A népszerűségtől a szükségszerűségig
Az amúgy is mindig is rosszul definiált területre vonatkozó eme borús előrejelzés ellenére azok, akik az adattudós címre tartanak igényt, ennek ellenére bőséges készséget fejlesztettek ki ahhoz, hogy a mesterséges adattudomány eljövendő hullámával együtt fejlődjenek. Így a világ Skynet-jeiről alkotott képeket, melyek az „emberi adattudósok” utolsó megmaradt erődítményeinek megdöntésére készülnek, fel kell váltanunk a mesterséges intelligencia technológiáinak hype-hullámát meglovagló „felfedezők” képével, melyek alapvetően olyan készségekbe ágyazottak, melyeket csak az emberi adattudósok értenek igazán. Az ilyen fejlődés eléréséhez három olyan terület van, amelyre a gyakorló adattudósnak összpontosítania kell, és melyet a jövő munkáltatójának inspirálnia kell: a folyamatosan fejlődő és táguló eszköztár, a felhasználói élmény fontossága és a szakma evangelizálása.
Folyamatosan fejlődő eszköztár
Ha van valami, amiben az adattudósok jók, akkor az az, hogy elkapják a fonalat (és útközben néhány új eszközt is persze nyilvánvalóan). Maga az adattudomány fogalma egy olyan divatos kifejezés, melyet sok, az üzleti életben bármilyen statisztikai ismerettel rendelkező szakember csatolt magához, hogy javítsa piacképességét, méghozzá jó hatásfokkal. Miért várhatnánk, hogy a mesterséges intelligencia építő hulláma másképp lesz?
Ahogy az adattudós fogalma fejlődött, úgy fejlődtek a hozzá kapcsolódó eszközök is, és így az ezen a területen dolgozó szakemberek folyamatos „versenyfutásba” kerültek, hogy relevánsak maradjanak azáltal, hogy kiteszik magukat a legújabb elérhetővé váló eszközöknek. Bár a változások üteme közel volt az elsöprőhöz, azok, akik túlélték és képesek voltak bizonyítani az adattudományi technológiák alapvető funkciói körüli kompetenciájukat, jól felkészültek arra, hogy kihasználják a mesterséges intelligencia eszközeinek előnyeit. Így azok az adattudósok, akik megtanulnak fejlődni, megtanulják, hogyan nevezzék át magukat a mesterséges intelligencia „gyakorlóinak”. Ahhoz azonban, hogy másokat is meg tudjanak győzni erről az átnevezésről, az ilyen szakembereknek tovább kell bővíteniük eszköztárukat.
Míg a 2000-es évek eleje a Hadoopot, a NoSQL-t, az IoT-t, a Python scikit-learn-t, a Tensorflow-t és a Sparkot hozta el nekünk, addig a következő generáció az AI-as-a-Service-t, a felhőalapú számítástechnikát, az intelligens automatizálást és a konténerizációt fogja kihasználni az analitikában. Ez azt jelenti, hogy az adattudósoknak továbbra is meg kell tanulniuk, hogyan lehet kihasználni az API-hívásokat, az adattudományt támogató felhőkörnyezetek architektúráját és az analitika telepítését az API végpontok feltárására.
A felhasználói élmény fontossága
Amint a fentiekből látható, a statisztikai eszközök nem az egyetlen olyan eszközök, melyek segítenek az adattudósoknak túlélni ebben a gyorsan változó környezetben. A mesterséges intelligencia nem pusztán statisztikai technológiák, hanem inkább ezeknek a statisztikai technológiáknak a felhasználói élménybe való beágyazása. Így a hozzáértő adattudományi túlélő azonosítani fogja a beágyazott statisztikai elemzésekkel történő problémamegoldás lehetőségeit. Az ilyen erőfeszítésekhez szükség lesz a szoftverprogramozási koncepciók jobb megértésére, melyre az adattudós már most is jól felkészült a nyílt forráskódú szkriptkészítő eszközök megszerzésével, valamint az alkalmazásfejlesztő csapatokkal való szorosabb együttműködés képességére.
A felhasználói élmény problémájának megoldására számos mód van mind technikai, mind elméleti szempontból, és az, hogy mi működik, mindig a felhasználó elégedettségétől függ, de a kulcs az olyan stratégiák azonosítása, melyek révén a statisztikai modellek javítják a felhasználói élményt. Ily módon az adattudósoknak tovább kell fejleszteniük a problémamegoldás megközelítését. Míg korábban arra összpontosítottunk, hogy a legmodernebb modellezési technikákat használjuk az adatokból való kitermelésre, most az alkalmazáson belüli hasznosságukra kell összpontosítanunk.
A szakma evangelizálása
És végül, mivel az adattudományi termékeink igazi próbája attól függ, hogy a felhasználó képes-e értéket kihozni belőlük, fel kell készülnünk arra, hogy az MI-t lehetővé tevő technológiákról szerzett speciális ismereteinket felhasználva képessé tegyük az „polgár” adattudósokat ahelyett, hogy a különlegesen felkent tudásunk szentségéről papolnánk. Annak ellenére, hogy az automatizált adattudományi termékek támadása által ígért látszólagos könnyű használatot ígér, a polgári adattudósok még mindig nem fogják érteni az alkalmazásukat. Ahogy egy Reddit-felhasználó elegánsan megfogalmazta:
„a legtöbb ember alig tudja használni az Excelt, és még a legtöbb adat és üzleti elemzőnek is nehézséget okoz, hogy az alapvető aggregáláson és statisztikákon túl bármit is megértsen belőle”.
Így a vállalkozások az adattudósoktól fogják várni, hogy a jövő polgári adattudósait kiképezzék ezen eszközök használatára, ahogyan azt a felhasználási esetek lehetővé teszik. Azért lesz szükség az adattudósokra, mert az adattudomány nem egy eszköz, hanem inkább egy gondolkodásmód és problémamegoldás. Az eszközök kétségtelenül új gondolkodásmódot tesznek lehetővé, de az embereket ki kell képezni arra, hogyan gondolkodjanak az eszközről, hogy az eszköz megváltoztassa a problémamegoldáshoz való hozzáállásukat. Röviden, evangelizálnunk kell azokat az eszközöket, melyek lehetővé teszik a mesterséges adattudósok számára. E hiába, az adattudósok a szervezeten belül mind a mesterséges, mind az emberi adattudományi termékek központjává válnak, a polgári adattudósok pedig majd remélhetőleg a küllőkké.
Összefoglalva, az adattudós nem halott, és nem is haldoklik, hanem ehelyett egy közelgő evolúcióra lenne szüksége. Azok, akik a legsikeresebben folytatják eszközkészletük bővítését az MI-szolgáltatások hasznosítása, az eredmények alkalmazásoknak való feltárása és az azokkal való interakció, valamint gondolkodásmódjuk átadása mások számára, lesznek a legmagabiztosabban felkészülve arra, hogy megfeleljenek az MI-gyakorló vagy -végrehajtó elkövetkező igényeinek a digitális vállalkozás jövője szempontjából.
(Kiemelt kép: Unsplash+)
