Labi, kārtis uz galda — šis jautājums rodas visur. Tehnoloģiju tikšanās reizēs, kafijas pauzēs darbā un jā, pat tajos garajos LinkedIn pavedienos neviens neatzīst, ka ir lasījis. Bažas ir diezgan tiešas: ja mākslīgais intelekts var tikt galā ar tik lielu automatizāciju, vai tas padara datu zinātni par kaut ko tādu, kas ir... vienreiz lietojams? Ātrā atbilde: nē. Garāka atbilde? Tas ir sarežģīti, nekārtīgi un daudz interesantāk nekā viennozīmīgs “jā” vai “nē”.
Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:
🔗 Datu zinātne un mākslīgais intelekts: inovāciju nākotne
Izpēte par to, kā mākslīgais intelekts un datu zinātne veido rītdienas inovāciju ainavu.
🔗 Vai mākslīgais intelekts aizstās datu analītiķus: īsta diskusija
Izpratne par mākslīgā intelekta ietekmi uz datu analītiķu lomām un nozares vajadzībām.
🔗 Datu pārvaldība mākslīgā intelekta rīkiem, kurus jums vajadzētu apskatīt
Galvenās datu pārvaldības prakses, lai maksimāli palielinātu mākslīgā intelekta rīku potenciālu.
Kas patiesībā padara datu zinātni vērtīgu 🎯
Lieta tāda, ka datu zinātne nav tikai matemātika plus modeļi. To padara spēcīgu šis dīvainais statistiskās precizitātes, biznesa konteksta un radošas problēmu risināšanas . Mākslīgais intelekts, protams, var aprēķināt desmit tūkstošus varbūtību acumirklī. Bet vai tas var izlemt, kura problēma ir svarīga uzņēmuma peļņai? Vai arī izskaidrot, kā šī problēma ir saistīta ar stratēģiju un klientu uzvedību? Šeit iesaistās cilvēki.
Pēc būtības datu zinātne ir līdzīga tulkam. Tā ņem neapstrādātu jucekli — neglītas izklājlapas, žurnālus, aptaujas, kurām nav jēgas — un pārvērš to lēmumos, uz kuriem balstās parasti cilvēki. Atmetot šo tulkošanas slāni, mākslīgais intelekts bieži vien izstaro pārliecinātas muļķības. HBR to jau gadiem ilgi saka: slepenā recepte nav precizitātes rādītāji, bet gan pārliecināšana un konteksts [2].
Realitātes pārbaude: pētījumi liecina, ka mākslīgais intelekts var automatizēt daudzus uzdevumus darba ietvaros — dažreiz pat vairāk nekā pusi . Taču darba apjoma noteikšana, spriedumu izdarīšana un pielāgošanās nekārtīgajai lietai, ko sauc par “organizāciju”, joprojām ir ļoti cilvēciska teritorija [1].
Ātrs salīdzinājums: datu zinātne pret mākslīgo intelektu
Šī tabula nav perfekta, taču tā izceļ dažādās lomas, ko tās spēlē:
| Funkcija/Leņķis | Datu zinātne 👩🔬 | Mākslīgais intelekts 🤖 | Kāpēc tas ir svarīgi |
|---|---|---|---|
| Primārais fokuss | Ieskats un lēmumu pieņemšana | Automatizācija un prognozēšana | Datu zinātne nosaka “ko” un “kāpēc” |
| Tipiski lietotāji | Analītiķi, stratēģi, biznesa komandas | Inženieri, operāciju komandas, programmatūras lietotnes | Dažādas auditorijas, pārklājošas vajadzības |
| Izmaksu faktors 💸 | Algas un rīki (paredzami) | Mākoņdatošana (mainīga mērogā) | Mākslīgais intelekts var izskatīties lētāks, līdz lietošanas pieaugums pieaug. |
| Stiprums | Konteksts + stāstījuma veidošana | Ātrums + mērogojamība | Kopā viņi ir simbiotiski |
| Vājums | Lēns atkārtotu uzdevumu veikšanai | Cīnās ar neskaidrību | Tieši tāpēc viens nenogalinās otru |
Mīts par "pilnīgu nomaiņu" 🚫
Izklausās interesanti iedomāties, ka mākslīgais intelekts aprīj katru datu apstrādes darbu, taču tas ir balstīts uz nepareizu pieņēmumu – ka visa datu zinātnes vērtība ir tehniska. Lielākā daļa tās patiesībā ir interpretējoša, politiska un komunikatīva .
-
Neviens vadītājs nesaka: “Lūdzu, sniedziet man modeli ar 94% precizitāti.”
-
Viņi saka: “Vai mums vajadzētu paplašināties šajā jaunajā tirgū, jā vai nē?”
Mākslīgais intelekts var ģenerēt prognozi. Ko tas neņems vērā: regulatīvās galvassāpes, kultūras nianses vai izpilddirektora riska apetīti. Analīzes pārvēršana rīcībā joprojām ir cilvēku spēle , kas pilna ar kompromisiem un pārliecināšanu [2].
Kur mākslīgais intelekts jau visu maina 💥
Būsim godīgi – mākslīgais intelekts jau tagad aprij daļu datu zinātnes:
-
Datu tīrīšana un sagatavošana → Automatizētas pārbaudes atrod trūkstošās vērtības, anomālijas un novirzes ātrāk nekā cilvēki, kas cītīgi strādā ar Excel.
-
Modeļa atlase un regulēšana → AutoML sašaurina algoritmu izvēles iespējas un apstrādā hiperparametrus, tādējādi ietaupot nedēļām ilgu pielāgošanas darbu [5].
-
Vizualizācija un atskaišu veidošana → Rīki tagad var veidot informācijas paneļu vai teksta kopsavilkumu melnrakstus no vienas uzvednes.
Kurš to izjūt visvairāk? Cilvēki, kuru darbs ir saistīts ar atkārtotu diagrammu veidošanu vai pamata modelēšanu. Kā rīkoties? Virzīties augstāk vērtību ķēdē: uzdot asākus jautājumus, stāstīt skaidrākus stāstus un formulēt labākus ieteikumus.
Īss gadījuma momentuzņēmums: mazumtirgotājs testē AutoML attiecībā uz klientu aizplūšanu. Tas sniedz stabilu bāzes modeli. Taču lielākais ieguvums rodas, kad datu zinātnieks pārformulē uzdevumu: nevis "Kas aizies no klientiem?", bet gan "Kuri intervences faktiski palielina tīro peļņas normu pa segmentiem?". Šī maiņa, kā arī sadarbība ar finanšu nodaļu ierobežojumu noteikšanai, ir tas, kas rada vērtību. Automatizācija paātrina procesus, bet formulējums atklāj rezultātu.
Datu zinātnieku loma mainās 🔄
Tā vietā, lai izbalētu, darbs pārtop jaunās formās:
-
Mākslīgā intelekta tulki — padarot tehniskos rezultātus saprotamus vadītājiem, kuriem rūp nauda un zīmola risks.
-
Pārvaldības un ētikas vadītāji — neobjektivitātes testēšanas, uzraudzības un kontroles ieviešana saskaņā ar standartiem, piemēram, NIST AI RMF [3].
-
Produktu stratēģi — datu un mākslīgā intelekta iestrādāšana klientu pieredzē un produktu plānos.
Ironiski, ka, mākslīgajam intelektam pārņemot arvien vairāk tehnisku darbu, cilvēka prasmes — stāstu stāstīšana, jomas spriestspēja, kritiskā domāšana — kļūst par tām daļām, kuras nevar viegli aizstāt.
Ko saka eksperti un dati 🗣️
-
Automatizācija ir reāla, bet daļēja : pašreizējais mākslīgais intelekts var automatizēt daudzus uzdevumus daudzos darbos, taču tas parasti ļauj cilvēkiem pāriet uz augstākas vērtības darbu [1].
-
Lēmumiem ir nepieciešami cilvēki : HBR norāda, ka organizācijas nekustas neapstrādātu skaitļu dēļ — tās kustas tāpēc, ka stāsti un naratīvi liek vadītājiem rīkoties [2].
-
Ietekme uz darba vietām ≠ masveida atlaišanas : Pasaules Ekonomikas foruma dati liecina, ka uzņēmumi sagaida, ka mākslīgais intelekts mainīs lomas un samazinās darbinieku skaitu jomās, kurās uzdevumi ir ļoti automatizējami, taču viņi arī divkāršo savu darbu pārkvalificēšanas jomā [4]. Šī tendence vairāk atgādina pārprojektēšanu, nevis aizstāšanu.
Kāpēc bailes nepāriet 😟
Mediju virsraksti zeļ pēc neveiksmes. “Mākslīgais intelekts aizstāj darbavietas!” pārdodas. Taču nopietni pētījumi pastāvīgi parāda nianses: uzdevumu automatizācija, darbplūsmas pārveidošana un jaunu lomu izveide [1][4]. Kalkulatora analoģija darbojas: neviens vairs neveic dalīšanu ar roku, taču joprojām ir jāsaprot algebra, lai zinātu, kad lietot kalkulatoru.
Saglabājot aktualitāti: praktiska rokasgrāmata 🧰
-
Sāciet ar lēmumu. Savu darbu piesaistiet biznesa jautājumam un kļūdīšanās cenai.
-
Ļaujiet mākslīgajam intelektam izstrādāt, jūs pilnveidojat. Uztveriet tā rezultātus kā sākumpunktus — jūs sniedzat spriedumus un kontekstu.
-
Iestrādājiet savā plūsmā pārvaldību. Viegli lietojamas neobjektivitātes pārbaudes, uzraudzība un dokumentācija, kas saistīta ar tādiem ietvariem kā NIST [3].
-
Pārejiet uz stratēģiju un komunikāciju. Jo mazāk jūs esat piesaistīts "pogu spiešanai", jo grūtāk jūs automatizēt.
-
Pazīsti savu automobiļa mašīnu valodu (AutoML). Iedomājies to kā izcilu, bet neapdomīgu praktikantu: ātru, nenogurstošu, dažreiz mežonīgi kļūdīgu. Tu nodrošini drošības barjeras [5].
Tātad… Vai mākslīgais intelekts aizstās datu zinātni? ✅❌
Tieša atbilde: nē, bet tas to pārveidos . Mākslīgais intelekts pārraksta rīku komplektu — samazina darba apjomu, palielina mērogu un maina, kuras prasmes ir vissvarīgākās. Tas neatceļ nepieciešamību pēc cilvēka interpretācijas, radošuma un sprieduma . Ja kas, tad labi datu zinātnieki ir vērtīgāki kā arvien sarežģītāku rezultātu interpretētāji.
Secinājums: Mākslīgais intelekts aizstāj uzdevumus, nevis profesiju [1][2][4].
Atsauces
[1] McKinsey & Company — Ģeneratīvā mākslīgā intelekta ekonomiskais potenciāls: nākamā produktivitātes robeža (2023. gada jūnijs).
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
[2] Harvard Business Review — Datu zinātne un pārliecināšanas māksla (Skots Berinato, 2019. gada janvāris–februāris).
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion
[3] NIST — Mākslīgā intelekta riska pārvaldības sistēma (AI RMF 1.0) (2023).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf
[4] Pasaules Ekonomikas forums — Vai mākslīgais intelekts aizver durvis uz iesācēju līmeņa darba iespējām? (2025. gada 30. aprīlis) — ieskatījumi no darbavietu nākotnes 2025. gada pārskatā .
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/
[5] He, X. et al. - AutoML: Pašreizējo tehnoloģiju apskats (arXiv, 2019).
https://arxiv.org/abs/1908.00709