الإنشاء الآلي للنماذج الأساسية
في مسائل التصنيف والانحدار الشائعة، تستطيع الأنظمة الآلية والذكاء الاصطناعي التوليدي اليوم إنتاج خطوط أساس بسرعة كبيرة. وهذا يسرّع التحقق الأولي بوضوح، لكنه لا يضمن أن تعريف الهدف أو مقياس التقييم هو الصحيح.
مخاطر الذكاء الاصطناعي وأفق الأتمتة لمهنة عالم البيانات
تعرض هذه الصفحة مدى تأثر مهنة عالم البيانات بالأتمتة المدفوعة بالذكاء الاصطناعي استنادا إلى بنية العمل والتطورات الحديثة والتغيرات الأسبوعية.
يجمع مؤشر مخاطر الوظائف بالذكاء الاصطناعي بين الدرجات والاتجاهات والشرح التحريري ليوضح أين يرتفع ضغط الأتمتة وأين يبقى الحكم البشري أساسيا.
ما طبيعة هذه المهنة؟
يتجاوز عمل عالم البيانات مجرد بناء نماذج التعلّم الآلي. ففي الواقع، يتمثل الدور في تحديد أي أنواع التنبؤ أو التحسين تصنع قيمة للأعمال، والتأكد من البيانات القابلة للاستخدام المتاحة، واختيار مقاييس التقييم، وتصميم حل يمكنه الصمود في التشغيل الفعلي. وإلى جانب الرياضيات والتنفيذ، يبقى تقرير ما الذي ينبغي حله جزءًا محوريًا من الوظيفة.
يسرّع الذكاء الاصطناعي إنشاء النماذج الأساسية، واقتراح المتغيرات، وإكمال الشيفرة، واقتراحات الضبط. لكن صحة صياغة المشكلة نفسها، واكتشاف تسرب البيانات والانحياز، والتقييم المسؤول بعد الإطلاق، كلها مجالات ينبغي أن تبقى بيد البشر.
القطاع
التكنولوجيا
درجة مخاطر الذكاء الاصطناعي
37 / 100
التغير الأسبوعي
+0
مخطط الاتجاه
هل سيحل الذكاء الاصطناعي محل علماء البيانات؟
عند التفكير في مخاطر الذكاء الاصطناعي على علماء البيانات، فإن أهم نقطة هي أن بناء نموذج واستخدام نموذج داخل النشاط ليسا الشيء نفسه. فالأنظمة الآلية للتعلّم الآلي والذكاء الاصطناعي التوليدي يجعلان إنتاج نماذج أولية بدقة مقبولة أسهل من السابق. لكن تصميم الحل مع مراعاة انحياز البيانات، وقيود الميدان، وكلفة القرارات الخاطئة، ما يزال تحديًا مرتفعًا.
وفي الواقع، كلما أصبح بناء النموذج نفسه عملًا سهل الإتاحة، ازداد الفارق في تحديد المشكلة وتصميم التقييم. والأشخاص القادرون على تقرير مستوى الدقة القابل للاستخدام فعليًا، وما إذا كان الأهم هو الاسترجاع أم الدقة، وكيف ينبغي أن تغيّر التنبؤات قرارات البشر، هم الأقدر على الاحتفاظ بقيمتهم مع اتساع استخدام الذكاء الاصطناعي.
المهام الأكثر احتمالًا للاستبدال
الخطوات الخاصة ببناء النماذج التي تتبع أساليب مألوفة بصورة شبه ميكانيكية هي الأكثر عرضة للذكاء الاصطناعي. فهو مفيد في تحريك النماذج الأولية بسرعة، لكن ما يزال يلزم حكم منفصل لتقرير ما إذا كانت هذه النتائج قابلة للاستخدام في الميدان.
صياغة المتغيرات المرشحة وشيفرة المعالجة المسبقة
يمكن للذكاء الاصطناعي أن يختصر العمل في إنشاء خصائص السلاسل الزمنية، وترميز الفئات، وشيفرة معالجة القيم المفقودة. لكنه قد يخلط أيضًا بين متغيرات تتضمن تسربًا أو متغيرات لن توجد في بيئة التشغيل، ما يجعله خطرًا من دون فهم للسياق.
البحث العام عن معاملات الضبط
من السهل أتمتة البحث عبر نطاقات واسعة من معاملات الضبط للخوارزميات المعروفة. لكن حتى إذا وُجدت تركيبة أفضل قليلًا، يبقى على شخص ما أن يحكم ما إذا كان هذا التحسن يستحق القيمة التجارية وكلفة إعادة التدريب.
الملخصات الروتينية لنتائج التقييم
يمكن للذكاء الاصطناعي أن يساعد في تجميع تقارير حول الدقة والاسترجاع والمساحة تحت المنحنى ومقاييس مشابهة. لكن تقرير أي الإخفاقات غير مقبول، وأي المقاييس يجب أن يحمل الوزن الأكبر، ما يزال يتطلب إنسانًا يحدد الافتراضات.
العمل الذي سيبقى
تبقى قيمة علماء البيانات في تحديد المشكلة وتحمل المسؤولية التشغيلية. فاختيار ما ينبغي التنبؤ به، وأي الأخطاء خطرة، وأين ينبغي أن يبقى الإنسان داخل الحلقة، كلها أعمال تصميم بشرية بوضوح.
اختيار المشكلات التي تستحق الحل فعلًا
كون الشيء قابلًا للتنبؤ لا يعني أنه يستحق التنبؤ. فإذا كان التحسن صغيرًا، أو كان العبء التشغيلي مرتفعًا، أو كانت المخرجات لا تغيّر القرار، فقد تصبح النمذجة بلا معنى. واختيار المشكلة الصحيحة يبقى حكمًا بشريًا مركزيًا.
تصميم مقاييس التقييم وشروط التشغيل
يعتمد ما إذا كان الاسترجاع أهم من الإيجابيات الكاذبة على هيكل الكلفة في المجال المعني. وما يزال على علماء البيانات تحديد معنى النجاح ومواءمة هذا التعريف مع سير العمل التشغيلي.
اكتشاف تسرب البيانات والانحياز
قد يبدو النموذج شديد الدقة بينما يعتمد على معلومات مستقبلية أو يضر مجموعة معينة. مثل هذه النماذج لا تصمد في الاستخدام الحقيقي. والنظر إلى ما وراء الأداء الظاهري لاكتشاف الخصائص الخطرة في البيانات يبقى عملًا بشريًا أساسيًا.
تصميم تقسيم العمل بين النماذج والبشر
يتغير هيكل المسؤولية بحسب ما إذا كان النموذج يعمل تلقائيًا، أو يقدم اقتراحات، أو يترك الحكم النهائي للبشر. وتصميم شيء يعمل فعلًا في الميدان يتجاوز التنفيذ التقني الخالص.
المهارات التي ينبغي تعلمها
ما يهم علماء البيانات هو سرعة بناء النماذج، ولكن أيضًا القدرة على التصميم مع مراعاة الأعمال والتشغيل. وأفضل اتجاه هو استخدام الذكاء الاصطناعي لتسريع النماذج الأولية مع التميز عبر تقييم مسؤول وتصميم جيد للتنفيذ والتشغيل.
تفكير يميز بين الارتباط والسببية
الارتباط القوي لا يعني بالضرورة أن الشيء مفيد للتدخل. يحتاج علماء البيانات إلى التفكير بعناية في المتغيرات التي يمكن التحكم فيها فعلًا، وإلى أي مدى يمكن مدّ الادعاءات السببية. وهذا الحكم لا يقل أهمية عن المهارة الخام في بناء النماذج.
فهم تشغيل النماذج واستمرارية عملها
لا تخلق النماذج قيمة إلا إذا أمكن إعادة تدريبها، ومراقبتها، وصيانتها في مواجهة انجراف البيانات بعد الإطلاق. والأشخاص القادرون على النظر إلى ما بعد التدريب وصولًا إلى التشغيل الطويل الأمد هم الأكثر قابلية للحفاظ على قيمتهم العملية مع انتشار الذكاء الاصطناعي.
القدرة على التنسيق مع أقسام الميدان
لا تتحدث فرق المبيعات أو الدعم أو التصنيع أو الطب بالضرورة بلغة علم البيانات. والممارسون الأقوياء هم من يستطيعون تحويل الطلبات الغامضة إلى متطلبات نموذجية، ثم شرح حدود النموذج مرة أخرى إلى الميدان.
القدرة على التحقق من النماذج الأولية التي يولدها الذكاء الاصطناعي
أصبح من السهل أن يولّد الذكاء الاصطناعي شيفرات أو أفكارًا للخصائص. أما الفارق الحقيقي فيكمن في اكتشاف مواضع الخطر، وما الافتراضات المفقودة، وكيف يمكن تحويل السرعة إلى جودة.
مسارات مهنية محتملة
تكمن قيمة خبرة علم البيانات ليس فقط في بناء النماذج، بل أيضًا في تحديد المشكلات، وتصميم التقييم، ودعم القرار. وهذا يعني أن المسار يمكن أن يمتد ليس فقط إلى بحث أعمق، بل أيضًا إلى التحليل التجاري والتخطيط.
محلل بيانات
الأشخاص الأقوياء ليس فقط في النمذجة بل أيضًا في تفسير الأرقام وتنظيم الرؤى يمكنهم خلق قيمة في الأدوار الأكثر تركيزًا على التحليل. وهذا مناسب لمن يريد الاقتراب من دعم القرار أكثر من التنبؤ ذاته.
محلل أبحاث سوق
الخبرة في بناء الفرضيات والتحقق منها وذكر حدود الاستنتاج بوضوح تنتقل جيدًا أيضًا إلى أبحاث السوق. وهذا يناسب من يريد الحفاظ على عقلية تحليلية مع الاقتراب أكثر من قرارات الأعمال.
مدير منتج
الخبرة في التفكير في الصلة بين دقة النموذج والقيمة التجارية تدعم أيضًا ترتيب أولويات المنتج. وهي مناسبة لمن يريد الانتقال من التنفيذ التقني إلى تقرير ما الذي ينبغي بناؤه فعلًا.
محلل مالي
القدرة على قراءة النماذج الكمية المعقدة وفهم أثر الافتراضات لها قيمة أيضًا في المجال المالي. وهذا يناسب من يريد الانتقال من النمذجة التنبؤية إلى التحليل الاستثماري أو الإداري.
مساعد بحث
الأشخاص الأقوياء في تصميم التجارب والتحقق الصارم يمكنهم أيضًا خلق قيمة في بيئات دعم البحث. وهذا يناسب من يريد الابتعاد خطوة عن مشكلات الأعمال والتركيز أكثر مباشرة على جودة التحقق نفسها.
محلل أعمال
الخبرة في تنظيم المشكلات المعقدة وعرض الاستنتاجات مع توضيح حدودها تمثل أيضًا أصلًا قويًا في تحليل الأعمال. وهذا يناسب من يريد الاقتراب من تعريف المشكلة وتصميم التحسين أكثر من بناء النموذج نفسه.
الملخص
مع خفض الذكاء الاصطناعي للحاجز أمام بناء النماذج الأولية، سيصبح من الأصعب على علماء البيانات التميز بمجرد القدرة على بناء النماذج. وما سيبقى ذا قيمة هو القدرة على اختيار المشكلة التي ينبغي حلها، وتحديد مستوى الدقة القابل للاستخدام، وتصميم المسؤولية بعد الإطلاق. والأشخاص الأقدر على الاستمرار هم من يتميزون ليس فقط في النمذجة، بل أيضًا في تحديد المشكلة وتصميم التنفيذ.
وظائف مقارنة من القطاع نفسه
الوظائف المعروضة هنا تنتمي الى القطاع نفسه الذي تنتمي اليه عالم البيانات. وهي ليست الوظيفة نفسها، لكنها تساعد على مقارنة تاثير الذكاء الاصطناعي وقرب المسارات المهنية.