هل يحل الذكاء الاصطناعي محل علماء البيانات؟ أدوات AutoML تجعل بناء النماذج سلعة عادية، فيصبح تحديد المشكلة وتصميم التقييم هو الفارق الحقيقي.
مع خفض الذكاء الاصطناعي لعتبة بناء النماذج الأولية، سيصعب على علماء البيانات التميز لمجرد قدرتهم على بناء النماذج. ما يبقى ذا قيمة هو القدرة على اختيار المشكلة التي تستحق الحل، وتحديد مستوى الدقة الصالح للاستخدام، والتصميم بما يضمن المسؤولية بعد النشر.
عمل عالم البيانات أوسع من بناء نماذج تعلم الآلة. فدوره عمليًا أن يحدد أنواع التنبؤ أو التحسين التي تخلق قيمة للأعمال، ويتأكد من البيانات المتاحة الصالحة للاستخدام، ويختار مقاييس التقييم، ويصمم حلًا يصمد في التشغيل الفعلي. وإلى جانب الرياضيات والتنفيذ، يُعدّ تحديد ما ينبغي حله جزءًا محوريًا من الوظيفة.
يسرّع الذكاء الاصطناعي إنشاء النماذج الأساسية واقتراح الخصائص وإكمال الشيفرة واقتراحات الضبط. لكن صحة صياغة المشكلة نفسها، واكتشاف تسرب البيانات والتحيز، والتقييم المسؤول بعد النشر، كلها مجالات ينبغي أن تظل في عهدة البشر.
يحسبه ai-job-risk.net من أربع مجموعات بيانات عامة، على مقياس من 0 إلى 100 نسبةً إلى 188 مهنة نغطيها. الرقم الأعلى يعني أن جزءًا أكبر من مهام الوظيفة مما يستطيع الذكاء الاصطناعي التوليدي أداءه أو يُستخدم فيه بالفعل. وهو ليس احتمال فقدان الوظيفة.
تحليل المهام لدى الباحثين (Eloundou وزملاؤه؛ منظمة العمل الدولية). يُعرض كرتبة مئينية بين جميع المهن التي يقيّمونها.
الاستخدام المرصود لـ Microsoft Copilot وAnthropic Claude في مهام هذه المهنة. يُعرض كرتبة مئينية بين جميع المهن التي يقيّمونها.
تغيّر الطلب: يُتوقع أن ترتفع حصة هذه المهنة من العمالة في القطاعات التي توظفها، إذ ستُجمع كميات أكبر من البيانات الرقمية والإلكترونية خلال العقد الذي تغطيه الإسقاطات. وستوظف الشركات في جميع القطاعات علماء بيانات لتحليل البيانات بما يساعد على تحسين العمليات التجارية وتصميم منتجات جديدة وتطويرها.
Demand change - share increases as larger amounts of digital and electronic data are collected over the projections decade. Businesses in all industries will hire data scientists to analyze data to help improve business processes and design and develop new products.
أرقام أمريكية لمهنة BLS "Data scientists". تفترض توقعات BLS أن التقنية تواصل التطور بوتيرتها التاريخية؛ وهي ليست توقعًا لأثر الذكاء الاصطناعي وحده.
المصادر
مؤشر التعرض يحسبه ai-job-risk.net من مجموعات البيانات أدناه (البيانات حتى 15 أكتوبر 2026). وأرقام العمل الأمريكية مصدرها BLS دون تغيير.
لم تُعدّ الجهات الناشرة هذا الموقع ولم تراجعه ولم تصادق عليه. الاستشهادات الكاملة والتراخيص والمنهجية
عند التفكير في مخاطر الذكاء الاصطناعي على علماء البيانات، فإن النقطة الأهم هي أن بناء النموذج واستخدامه في الأعمال ليسا شيئًا واحدًا. فأدوات AutoML والذكاء الاصطناعي التوليدي تجعل إنتاج نماذج أولية بدقة مقبولة أسهل من ذي قبل. لكن التصميم الذي يراعي تحيز مجموعة البيانات وقيود الميدان وتكلفة القرارات الخاطئة يظل عتبة عالية.
بل إنه كلما أصبح بناء النماذج نفسه سلعة شائعة، اتسع الفارق في تحديد المشكلة وتصميم التقييم. فمن يستطيعون تقرير مستوى الدقة الصالح للاستخدام فعلًا، وما إذا كان التركيز على الاستدعاء أم على الدقة، وكيف ينبغي أن تغيّر التنبؤات طريقة اتخاذ البشر للقرار، هم الأرجح أن يحتفظوا بقيمتهم مع انتشار الذكاء الاصطناعي.
خطوات بناء النماذج التي تتبع أساليب مألوفة بطريقة آلية هي الأكثر عرضة للذكاء الاصطناعي. فهو مفيد في تحريك النماذج الأولية بسرعة، لكن تقرير ما إذا كانت تلك النتائج صالحة للاستخدام في الميدان لا يزال يتطلب حكمًا مستقلًا.
في مسائل التصنيف والانحدار الشائعة، أصبح بإمكان AutoML والذكاء الاصطناعي التوليدي إنتاج نماذج أساسية بسرعة كبيرة، فيتسارع التحقق الأولي تسارعًا هائلًا. لكن ذلك لا يضمن أن تعريف المتغير المستهدف أو مقياس التقييم هو الصحيح.
يختصر الذكاء الاصطناعي عمل إنشاء خصائص السلاسل الزمنية وترميز المتغيرات الفئوية وشيفرة معالجة القيم المفقودة. لكنه قد يُدخل أيضًا تسربًا للبيانات أو خصائص لن تتوافر في بيئة الإنتاج، فيصبح خطرًا ما لم يقترن بفهم للسياق.
البحث في نطاقات واسعة من المعاملات للخوارزميات المعروفة سهل الأتمتة. لكن حتى إذا عُثر على تركيبة أفضل قليلًا، يبقى على أحدٍ أن يحكم على ما إذا كان هذا المكسب يستحق في ضوء القيمة التجارية وتكلفة إعادة التدريب.
يساعد الذكاء الاصطناعي في تجميع التقارير حول الدقة والاستدعاء وAUC وما شابهها من مقاييس. لكن تقرير أي الإخفاقات غير مقبول، وأي المقاييس يجب أن يحظى بالوزن الأكبر، لا يزال يتطلب إنسانًا يحدد الافتراضات.
تبقى قيمة علماء البيانات في تحديد المشكلة والمسؤولية التشغيلية. فاختيار ما ينبغي التنبؤ به، وأي الأخطاء خطير، وأين يجب أن يبقى الإنسان في الحلقة، كلها أعمال تصميم بشرية بامتياز.
كون الشيء قابلًا للتنبؤ لا يعني أنه يستحق التنبؤ به. فإذا كان التحسين ضئيلًا، أو العبء التشغيلي مرتفعًا، أو كانت المخرجات لا تقود إلى قرارات، فقد تكون نمذجته بلا معنى. واختيار المشكلة الصحيحة لا يزال حكمًا بشريًا محوريًا.
يتوقف كون الاستدعاء أهم من الإيجابيات الكاذبة على هيكل التكاليف في الميدان. ولا يزال على عالم البيانات أن يحدد معنى النجاح، ويُدرج هذا التعريف في سير عمل تشغيلي.
قد يبدو النموذج عالي الدقة بينما يعتمد على معلومات من المستقبل أو يُلحق الضرر بفئة معينة، ومثل هذه النماذج لا تصمد في الاستخدام الفعلي. والنظر إلى ما وراء الأداء الظاهري لاكتشاف الخصائص الخطرة في البيانات يظل عملًا بشريًا أساسيًا.
يتغير هيكل المسؤولية بحسب ما إذا كان النموذج يتصرف تلقائيًا، أو يقدم اقتراحات، أو يترك الحكم النهائي للبشر. وتصميم ما يعمل فعلًا في الميدان يتجاوز التنفيذ التقني البحت.
ما يهم علماء البيانات هو سرعة بناء النماذج والقدرة على التصميم مع مراعاة الأعمال والتشغيل معًا. وأقوى طريق هو الاستعانة بالذكاء الاصطناعي لتسريع النماذج الأولية، مع التميز من خلال التقييم المسؤول وتصميم التطبيق.
الارتباط القوي لا يعني بالضرورة أن الشيء مفيد للتدخل. ويحتاج عالم البيانات إلى التفكير بعناية في المتغيرات القابلة للتحكم فعلًا، وإلى أي مدى يمكن مدّ الادعاءات السببية. وهذا الحكم لا يقل أهمية عن مهارة النمذجة الخام.
لا تخلق النماذج قيمة إلا إذا أمكن إعادة تدريبها ومراقبتها وصيانتها في مواجهة انجراف البيانات بعد النشر. ومن يستطيعون النظر إلى ما بعد التدريب نحو التشغيل الطويل الأمد هم الأرجح أن يحتفظوا بقيمتهم العملية مع انتشار الذكاء الاصطناعي.
فرق المبيعات والدعم والتصنيع والفرق الطبية لا تتحدث بالضرورة بلغة علم البيانات. والممارسون الأقوياء يستطيعون ترجمة الطلبات الغامضة إلى متطلبات للنموذج، وشرح حدود النموذج للميدان بلغته.
أصبح من السهل أن تطلب من الذكاء الاصطناعي إنتاج شيفرة أو أفكار للخصائص. والفارق الحقيقي يكمن في رصد مواضع الخطر، والافتراضات الغائبة، وكيفية تحويل السرعة إلى جودة.
لا تكمن قيمة خبرة علم البيانات في بناء النماذج فحسب، بل في تحديد المشكلات وتصميم التقييم ودعم القرار. وهذا يعني أن المسار يمكن أن يمتد لا إلى مزيد من التعمق في البحث فقط، بل صعودًا أيضًا نحو تحليل الأعمال والتخطيط.
من يتميزون لا في النمذجة فحسب، بل في تفسير الأرقام وتنظيم الرؤى أيضًا، يستطيعون خلق قيمة في أدوار أكثر توجهًا نحو التحليل. وهو خيار منطقي لمن يريدون الاقتراب من دعم القرار أكثر من التنبؤ ذاته.
مؤشر التعرض 95/100 · الوظائف الأمريكية 2025–35 +34.6%
تنتقل خبرة بناء الفرضيات والتحقق منها وبيان حدود الاستنتاج بوضوح انتقالًا جيدًا إلى أبحاث السوق. يناسب هذا المسار من يريدون الاحتفاظ بعقلية تحليلية مع الاقتراب من قرارات الأعمال.
مؤشر التعرض 94/100 · الوظائف الأمريكية 2025–35 +7.0%
تدعم خبرة التفكير في العلاقة بين دقة النموذج والقيمة التجارية ترتيبَ أولويات المنتج أيضًا. وهو ملائم لمن يريدون الانتقال من التنفيذ التقني إلى تقرير ما ينبغي بناؤه فعلًا.
مؤشر التعرض 82/100 · الوظائف الأمريكية 2025–35 +6.9%
للقدرة على قراءة النماذج الكمية المعقدة وفهم أثر الافتراضات قيمة في مجال المال أيضًا. يناسب من يريدون الانتقال من النمذجة التنبؤية إلى التحليل الاستثماري أو الإداري.
مؤشر التعرض 91/100 · الوظائف الأمريكية 2025–35 +7.2%
يستطيع المتميزون في تصميم التجارب والتحقق الصارم خلق قيمة في بيئات دعم البحث أيضًا. يلائم من يريدون الابتعاد خطوة عن مشكلات الأعمال والتركيز بشكل مباشر أكثر على جودة التحقق ذاتها.
مؤشر التعرض 71/100 · الوظائف الأمريكية 2025–35 +4.4%
خبرة هيكلة المشكلات المعقدة وتقديم الاستنتاجات مع حدود صريحة رصيد قوي في تحليل الأعمال أيضًا. وهو مناسب لمن يريدون الاقتراب من تعريف المشكلات وتصميم التحسينات أكثر من بناء النماذج ذاته.
مؤشر التعرض 88/100 · الوظائف الأمريكية 2025–35 +10.1%
مع خفض الذكاء الاصطناعي لعتبة بناء النماذج الأولية، سيصعب على علماء البيانات التميز لمجرد قدرتهم على بناء النماذج. ما يبقى ذا قيمة هو القدرة على اختيار المشكلة التي تستحق الحل، وتحديد مستوى الدقة الصالح للاستخدام، والتصميم بما يضمن المسؤولية بعد النشر. والأرجح أن يصمد من يتميزون لا في النمذجة وحدها، بل في تحديد المشكلات وتصميم التطبيق أيضًا.
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.
تسجّل مهنة عالم البيانات 95 من 100 على مؤشرنا للتعرض للذكاء الاصطناعي التوليدي (المرتبة 11 من 188). ويقيس ذلك مقدار العمل الذي يستطيع الذكاء الاصطناعي أداءه أو يُستخدم فيه، لا ما إذا كانت الوظيفة ستختفي. يتوقع مكتب BLS أن يتغير التوظيف في مهنة عالم البيانات في الولايات المتحدة بنسبة +34.6% بين 2025 و2035.
خطوات بناء النماذج التي تتبع أساليب مألوفة بطريقة آلية هي الأكثر عرضة للذكاء الاصطناعي. فهو مفيد في تحريك النماذج الأولية بسرعة، لكن تقرير ما إذا كانت تلك النتائج صالحة للاستخدام في الميدان لا يزال يتطلب حكمًا مستقلًا. على سبيل المثال: الإنشاء التلقائي للنماذج الأساسية، صياغة الخصائص المرشحة وشيفرة المعالجة المسبقة، البحث العام عن المعاملات الفائقة، الملخصات الروتينية لنتائج التقييم.
تبقى قيمة علماء البيانات في تحديد المشكلة والمسؤولية التشغيلية. فاختيار ما ينبغي التنبؤ به، وأي الأخطاء خطير، وأين يجب أن يبقى الإنسان في الحلقة، كلها أعمال تصميم بشرية بامتياز. على سبيل المثال: اختيار المشكلات التي تستحق الحل فعلًا، تصميم مقاييس التقييم وشروط التشغيل، اكتشاف تسرب البيانات والتحيز، تصميم تقسيم العمل بين النماذج والبشر.
ما يهم علماء البيانات هو سرعة بناء النماذج والقدرة على التصميم مع مراعاة الأعمال والتشغيل معًا. وأقوى طريق هو الاستعانة بالذكاء الاصطناعي لتسريع النماذج الأولية، مع التميز من خلال التقييم المسؤول وتصميم التطبيق. على سبيل المثال: تفكير يميّز بين الارتباط والسببية، فهم MLOps والتشغيل المستمر، القدرة على التنسيق مع الإدارات الميدانية، القدرة على التحقق من النماذج الأولية التي يولّدها الذكاء الاصطناعي.
