ಡೇಟಾ ಸೈನ್ಸ್ ಅನ್ನು AI ಬದಲಾಯಿಸುತ್ತದೆಯೇ?

ಸರಿ, ಮೇಜಿನ ಮೇಲೆ ಕಾರ್ಡ್‌ಗಳು - ಈ ಪ್ರಶ್ನೆ ಎಲ್ಲೆಡೆ ಬರುತ್ತದೆ. ತಂತ್ರಜ್ಞಾನ ಭೇಟಿಗಳಲ್ಲಿ, ಕೆಲಸದಲ್ಲಿ ಕಾಫಿ ವಿರಾಮಗಳಲ್ಲಿ, ಮತ್ತು ಹೌದು, ಆ ದೀರ್ಘವಾದ ಲಿಂಕ್ಡ್‌ಇನ್ ಥ್ರೆಡ್‌ಗಳಲ್ಲಿಯೂ ಸಹ ಯಾರೂ ಓದುವುದನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುವುದಿಲ್ಲ. ಚಿಂತೆ ತುಂಬಾ ಸ್ಪಷ್ಟವಾಗಿದೆ: AI ಇಷ್ಟೊಂದು ಯಾಂತ್ರೀಕರಣವನ್ನು ನಿಭಾಯಿಸಬಹುದಾದರೆ, ಅದು ಡೇಟಾ ಸೈನ್ಸ್ ಅನ್ನು ಒಂದು ರೀತಿಯ... ಬಿಸಾಡಬಹುದಾದಂತೆ ಮಾಡುತ್ತದೆಯೇ? ತ್ವರಿತ ಉತ್ತರ: ಇಲ್ಲ. ದೀರ್ಘ ಉತ್ತರ? ಇದು ಸಂಕೀರ್ಣ, ಗೊಂದಲಮಯ ಮತ್ತು "ಹೌದು" ಅಥವಾ "ಇಲ್ಲ" ಎಂಬ ಸಮತಟ್ಟಾದ ಪದಗಳಿಗಿಂತ ಹೆಚ್ಚು ಆಸಕ್ತಿದಾಯಕವಾಗಿದೆ

ಇದರ ನಂತರ ನೀವು ಓದಲು ಇಷ್ಟಪಡಬಹುದಾದ ಲೇಖನಗಳು:

🔗 ಡೇಟಾ ವಿಜ್ಞಾನ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ: ನಾವೀನ್ಯತೆಯ ಭವಿಷ್ಯ
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ಮತ್ತು ದತ್ತಾಂಶ ವಿಜ್ಞಾನವು ನಾಳೆಯ ನಾವೀನ್ಯತೆಯ ಭೂದೃಶ್ಯವನ್ನು ಹೇಗೆ ರೂಪಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅನ್ವೇಷಿಸುವುದು.

🔗 ಡೇಟಾ ವಿಶ್ಲೇಷಕರನ್ನು AI ಬದಲಾಯಿಸುತ್ತದೆಯೇ: ನಿಜವಾದ ಮಾತು
ಡೇಟಾ ವಿಶ್ಲೇಷಕರ ಪಾತ್ರಗಳು ಮತ್ತು ಉದ್ಯಮದ ಅಗತ್ಯಗಳ ಮೇಲೆ AI ಯ ಪ್ರಭಾವವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು.

🔗 ನೀವು ನೋಡಬೇಕಾದ AI ಪರಿಕರಗಳಿಗಾಗಿ ಡೇಟಾ ನಿರ್ವಹಣೆ
AI ಪರಿಕರಗಳ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚಿಸಲು ಪ್ರಮುಖ ದತ್ತಾಂಶ ನಿರ್ವಹಣಾ ಅಭ್ಯಾಸಗಳು.

ಡೇಟಾ ವಿಜ್ಞಾನವನ್ನು ನಿಜವಾಗಿಯೂ ಮೌಲ್ಯಯುತವಾಗಿಸುವುದು ಯಾವುದು 🎯

ವಿಷಯ ಇಷ್ಟೇ - ಡೇಟಾ ಸೈನ್ಸ್ ಕೇವಲ ಗಣಿತ ಮತ್ತು ಮಾದರಿಗಳಲ್ಲ. ಇದನ್ನು ಶಕ್ತಿಯುತವಾಗಿಸುವುದು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ನಿಖರತೆ, ವ್ಯವಹಾರ ಸಂದರ್ಭ ಮತ್ತು ಸೃಜನಶೀಲ ಸಮಸ್ಯೆ ಪರಿಹಾರದ ಸ್ಪರ್ಶದ . AI ಕ್ಷಣಾರ್ಧದಲ್ಲಿ ಹತ್ತು ಸಾವಿರ ಸಂಭವನೀಯತೆಗಳನ್ನು ಲೆಕ್ಕ ಹಾಕಬಹುದು, ಖಂಡಿತ. ಆದರೆ ಯಾವ ಸಮಸ್ಯೆ ಮುಖ್ಯ ಎಂಬುದನ್ನು ಅದು ನಿರ್ಧರಿಸಬಹುದೇ? ಅಥವಾ ಆ ಸಮಸ್ಯೆಯು ತಂತ್ರ ಮತ್ತು ಗ್ರಾಹಕರ ನಡವಳಿಕೆಗೆ ಹೇಗೆ ಸಂಬಂಧಿಸಿದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಿ? ಅಲ್ಲಿಯೇ ಮಾನವರು ಹೆಜ್ಜೆ ಹಾಕುತ್ತಾರೆ.

ಅದರ ಮೂಲತತ್ವದಲ್ಲಿ, ಡೇಟಾ ಸೈನ್ಸ್ ಒಂದು ರೀತಿಯ ಅನುವಾದಕನಂತೆ. ಇದು ಕಚ್ಚಾ ಅವ್ಯವಸ್ಥೆಯನ್ನು - ಕೊಳಕು ಸ್ಪ್ರೆಡ್‌ಶೀಟ್‌ಗಳು, ಲಾಗ್‌ಗಳು, ಯಾವುದೇ ಅರ್ಥವಿಲ್ಲದ ಸಮೀಕ್ಷೆಗಳನ್ನು - ತೆಗೆದುಕೊಂಡು ಅದನ್ನು ಸಾಮಾನ್ಯ ಜನರು ವಾಸ್ತವವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದಾದ ನಿರ್ಧಾರಗಳಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ಆ ಅನುವಾದ ಪದರವನ್ನು ತೆಗೆದುಹಾಕಿ ಮತ್ತು AI ಆಗಾಗ್ಗೆ ಆತ್ಮವಿಶ್ವಾಸದ ಅಸಂಬದ್ಧತೆಯನ್ನು ಹೊರಹಾಕುತ್ತದೆ. HBR ವರ್ಷಗಳಿಂದ ಇದನ್ನು ಹೇಳುತ್ತಿದೆ: ರಹಸ್ಯ ಸಾಸ್ ನಿಖರತೆಯ ಮೆಟ್ರಿಕ್‌ಗಳಲ್ಲ, ಇದು ಮನವೊಲಿಕೆ ಮತ್ತು ಸಂದರ್ಭ [2].

ವಾಸ್ತವ ಪರಿಶೀಲನೆ: ಅಧ್ಯಯನಗಳು AI ಒಂದು ಕೆಲಸದೊಳಗೆ ಹಲವಾರು ಕೆಲಸಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತವೆ - ಕೆಲವೊಮ್ಮೆ ಅರ್ಧಕ್ಕಿಂತ ಹೆಚ್ಚು . ಆದರೆ ಕೆಲಸವನ್ನು ವ್ಯಾಪ್ತಿಗೆ ತರುವುದು, ತೀರ್ಪು ನೀಡುವುದು ಮತ್ತು "ಒಂದು ಸಂಸ್ಥೆ" ಎಂದು ಕರೆಯಲ್ಪಡುವ ಗೊಂದಲಮಯ ವಿಷಯದೊಂದಿಗೆ ಹೊಂದಾಣಿಕೆ ಮಾಡುವುದು? ಇನ್ನೂ ಬಹಳಷ್ಟು ಮಾನವ ಪ್ರದೇಶವಿದೆ [1].

ತ್ವರಿತ ಹೋಲಿಕೆ: ಡೇಟಾ ಸೈನ್ಸ್ vs. AI

ಈ ಕೋಷ್ಟಕವು ಪರಿಪೂರ್ಣವಲ್ಲ, ಆದರೆ ಅದು ಅವರು ನಿರ್ವಹಿಸುವ ವಿಭಿನ್ನ ಪಾತ್ರಗಳನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ:

"ಪೂರ್ಣ ಬದಲಿ"ಯ ಪುರಾಣ 🚫

ಪ್ರತಿಯೊಂದು ದತ್ತಾಂಶ ಕೆಲಸವನ್ನು AI ನುಂಗುವುದನ್ನು ಊಹಿಸಿಕೊಳ್ಳುವುದು ಚೆನ್ನಾಗಿ ತೋರುತ್ತದೆ, ಆದರೆ ಅದು ತಪ್ಪು ಊಹೆಯ ಮೇಲೆ ನಿರ್ಮಿಸಲಾಗಿದೆ - ದತ್ತಾಂಶ ವಿಜ್ಞಾನದ ಸಂಪೂರ್ಣ ಮೌಲ್ಯವು ತಾಂತ್ರಿಕವಾಗಿದೆ. ಅದರಲ್ಲಿ ಹೆಚ್ಚಿನವು ವಾಸ್ತವವಾಗಿ ವ್ಯಾಖ್ಯಾನಾತ್ಮಕ, ರಾಜಕೀಯ ಮತ್ತು ಸಂವಹನಾತ್ಮಕವಾಗಿದೆ .

• "ದಯವಿಟ್ಟು ನನಗೆ 94% ನಿಖರತೆ ಇರುವ ಮಾದರಿಯನ್ನು ನೀಡಿ" ಎಂದು ಯಾವುದೇ ಕಾರ್ಯನಿರ್ವಾಹಕರು ಹೇಳುವುದಿಲ್ಲ

• ಅವರು ಹೇಳುತ್ತಾರೆ, "ನಾವು ಈ ಹೊಸ ಮಾರುಕಟ್ಟೆಗೆ ವಿಸ್ತರಿಸಬೇಕೇ, ಹೌದು ಅಥವಾ ಇಲ್ಲ?"

AI ಮುನ್ಸೂಚನೆಯನ್ನು ನೀಡಬಹುದು. ಅದು ಯಾವುದನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುವುದಿಲ್ಲ: ನಿಯಂತ್ರಕ ತಲೆನೋವು, ಸಾಂಸ್ಕೃತಿಕ ಸೂಕ್ಷ್ಮ ವ್ಯತ್ಯಾಸ ಅಥವಾ CEO ನ ಅಪಾಯದ ಹಸಿವು. ವಿಶ್ಲೇಷಣೆಯು ಕಾರ್ಯರೂಪಕ್ಕೆ ಬರುವುದು ಇನ್ನೂ ಮಾನವ ಆಟವಾಗಿದೆ , ಇದು ವಿನಿಮಯ ಮತ್ತು ಮನವೊಲಿಕೆಯಿಂದ ತುಂಬಿದೆ [2].

AI ಈಗಾಗಲೇ ವಿಷಯಗಳನ್ನು ಅಲುಗಾಡಿಸುತ್ತಿದೆ 💥

ಪ್ರಾಮಾಣಿಕವಾಗಿ ಹೇಳಬೇಕೆಂದರೆ - ಡೇಟಾ ವಿಜ್ಞಾನದ ಕೆಲವು ಭಾಗಗಳನ್ನು ಈಗಾಗಲೇ AI ಜೀವಂತವಾಗಿ ತಿಂದುಹಾಕುತ್ತಿದೆ:

• ಡೇಟಾ ಶುಚಿಗೊಳಿಸುವಿಕೆ ಮತ್ತು ಸಿದ್ಧತೆ → ಸ್ವಯಂಚಾಲಿತ ತಪಾಸಣೆಗಳು ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು, ವೈಪರೀತ್ಯಗಳು ಮತ್ತು ಎಕ್ಸೆಲ್ ಮೂಲಕ ಮನುಷ್ಯರು ಓಡಾಡುವುದಕ್ಕಿಂತ ವೇಗವಾಗಿ ಚಲಿಸುವಿಕೆಯನ್ನು ಗುರುತಿಸುತ್ತವೆ.

• ಮಾದರಿ ಆಯ್ಕೆ ಮತ್ತು ಶ್ರುತಿ → ಆಟೋಎಂಎಲ್ ಅಲ್ಗಾರಿದಮ್ ಆಯ್ಕೆಗಳನ್ನು ಸಂಕುಚಿತಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ, ವಾರಗಳ ಫಿಡ್ಲಿಂಗ್ ಅನ್ನು ಉಳಿಸುತ್ತದೆ [5].

• ದೃಶ್ಯೀಕರಣ ಮತ್ತು ವರದಿ ಮಾಡುವಿಕೆ → ಪರಿಕರಗಳು ಈಗ ಒಂದೇ ಪ್ರಾಂಪ್ಟ್‌ನಿಂದ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ಗಳು ಅಥವಾ ಪಠ್ಯ ಸಾರಾಂಶಗಳನ್ನು ರಚಿಸಬಹುದು.

ಯಾರಿಗೆ ಇದು ಹೆಚ್ಚು ಅನಿಸುತ್ತದೆ? ಪುನರಾವರ್ತಿತ ಚಾರ್ಟ್-ಬಿಲ್ಡಿಂಗ್ ಅಥವಾ ಮೂಲ ಮಾಡೆಲಿಂಗ್‌ನ ಸುತ್ತ ಕೆಲಸ ಮಾಡುವ ಜನರು. ಹೊರಬರುವ ಮಾರ್ಗ? ಮೌಲ್ಯ ಸರಪಳಿಯಲ್ಲಿ ಮೇಲಕ್ಕೆ ಹೋಗಿ: ತೀಕ್ಷ್ಣವಾದ ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಿ, ಸ್ಪಷ್ಟವಾದ ಕಥೆಗಳನ್ನು ಹೇಳಿ ಮತ್ತು ಉತ್ತಮ ಶಿಫಾರಸುಗಳನ್ನು ರೂಪಿಸಿ.

ತ್ವರಿತ ಪ್ರಕರಣದ ಸ್ನ್ಯಾಪ್‌ಶಾಟ್: ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರಿಯೊಬ್ಬರು ಆಟೋಎಂಎಲ್ ಅನ್ನು ಚರ್ನ್‌ಗಾಗಿ ಪರೀಕ್ಷಿಸುತ್ತಾರೆ. ಇದು ಘನವಾದ ಮೂಲ ಮಾದರಿಯನ್ನು ಹೊರಹಾಕುತ್ತದೆ. ಆದರೆ ಡೇಟಾ ವಿಜ್ಞಾನಿ ಕಾರ್ಯವನ್ನು ಮರುಹೊಂದಿಸಿದಾಗ ದೊಡ್ಡ ಗೆಲುವು ಬರುತ್ತದೆ: “ಯಾರು ಚರ್ನ್‌ ಮಾಡುತ್ತಾರೆ?” ಬದಲಿಗೆ ಅದು “ಯಾವ ಮಧ್ಯಸ್ಥಿಕೆಗಳು ವಾಸ್ತವವಾಗಿ ವಿಭಾಗದಿಂದ ನಿವ್ವಳ ಲಾಭವನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ?” ಎಂದು ಬದಲಾಗುತ್ತದೆ. ಆ ಬದಲಾವಣೆ - ಜೊತೆಗೆ ನಿರ್ಬಂಧಗಳನ್ನು ಹೊಂದಿಸಲು ಹಣಕಾಸಿನೊಂದಿಗೆ ಪಾಲುದಾರಿಕೆ - ಮೌಲ್ಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಯಾಂತ್ರೀಕರಣವು ವಿಷಯಗಳನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ, ಆದರೆ ಫ್ರೇಮಿಂಗ್ ಫಲಿತಾಂಶವನ್ನು ಅನ್ಲಾಕ್ ಮಾಡುತ್ತದೆ.

ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳ ಪಾತ್ರ ವಿಕಸನಗೊಳ್ಳುತ್ತಿದೆ 🔄

ಈ ಕೆಲಸವು ಮರೆಯಾಗುವ ಬದಲು ಹೊಸ ಆಕಾರಗಳಿಗೆ ರೂಪಾಂತರಗೊಳ್ಳುತ್ತಿದೆ:

1. AI ಅನುವಾದಕರು - ಡಾಲರ್‌ಗಳು ಮತ್ತು ಬ್ರ್ಯಾಂಡ್ ಅಪಾಯದ ಬಗ್ಗೆ ಕಾಳಜಿ ವಹಿಸುವ ನಾಯಕರಿಗೆ ತಾಂತ್ರಿಕ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಸುಲಭವಾಗಿ ಅರ್ಥವಾಗುವಂತೆ ಮಾಡುವುದು.

2. ಆಡಳಿತ ಮತ್ತು ನೀತಿಶಾಸ್ತ್ರದ ಮಾರ್ಗದರ್ಶನಗಳು NIST ಯ AI RMF ನಂತಹ ಮಾನದಂಡಗಳೊಂದಿಗೆ ಹೊಂದಿಕೊಂಡ ಪಕ್ಷಪಾತ ಪರೀಕ್ಷೆ, ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ನಿಯಂತ್ರಣಗಳನ್ನು ಸ್ಥಾಪಿಸುವುದು [3].

3. ಉತ್ಪನ್ನ ತಂತ್ರಜ್ಞರು - ಗ್ರಾಹಕರ ಅನುಭವಗಳು ಮತ್ತು ಉತ್ಪನ್ನ ಮಾರ್ಗಸೂಚಿಗಳಲ್ಲಿ ಡೇಟಾ ಮತ್ತು AI ಅನ್ನು ಹೆಣೆಯುವುದು.

ವಿಪರ್ಯಾಸವೆಂದರೆ, AI ಹೆಚ್ಚು ತಾಂತ್ರಿಕ ಗುರುಗುಟ್ಟುವ ಕೆಲಸವನ್ನು ವಹಿಸಿಕೊಂಡಂತೆ, ಮಾನವ ಕೌಶಲ್ಯಗಳು - ಕಥೆ ಹೇಳುವಿಕೆ, ಕ್ಷೇತ್ರದ ತೀರ್ಪು, ವಿಮರ್ಶಾತ್ಮಕ ಚಿಂತನೆ - ನೀವು ಸುಲಭವಾಗಿ ಬದಲಾಯಿಸಲು ಸಾಧ್ಯವಾಗದ ಭಾಗಗಳಾಗಿವೆ.

ತಜ್ಞರು ಮತ್ತು ಡೇಟಾ ಏನು ಹೇಳುತ್ತಿದೆ 🗣️

• ಯಾಂತ್ರೀಕರಣವು ನಿಜ, ಆದರೆ ಭಾಗಶಃ : ಪ್ರಸ್ತುತ AI ಅನೇಕ ಕೆಲಸಗಳಲ್ಲಿ ಬಹಳಷ್ಟು ಕಾರ್ಯಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಬಹುದು, ಆದರೆ ಅದು ಸಾಮಾನ್ಯವಾಗಿ ಮನುಷ್ಯರನ್ನು ಹೆಚ್ಚಿನ ಮೌಲ್ಯದ ಕೆಲಸದ ಕಡೆಗೆ ಬದಲಾಯಿಸಲು ಮುಕ್ತಗೊಳಿಸುತ್ತದೆ [1].

• ನಿರ್ಧಾರಗಳಿಗೆ ಮಾನವರು ಬೇಕು : ಸಂಸ್ಥೆಗಳು ಸಂಖ್ಯೆಗಳಿಂದಾಗಿ ಚಲಿಸುವುದಿಲ್ಲ - ಕಥೆಗಳು ಮತ್ತು ನಿರೂಪಣೆಗಳು ನಾಯಕರನ್ನು ಕಾರ್ಯನಿರ್ವಹಿಸುವಂತೆ ಮಾಡುವುದರಿಂದ ಅವು ಚಲಿಸುತ್ತವೆ ಎಂದು HBR ಗಮನಸೆಳೆದಿದ್ದಾರೆ [2].

• ಉದ್ಯೋಗದ ಮೇಲೆ ಪರಿಣಾಮ ≠ ಸಾಮೂಹಿಕ ವಜಾಗಳು : WEF ದತ್ತಾಂಶವು ಕಂಪನಿಗಳು AI ಪಾತ್ರಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ ಮತ್ತು ಕಾರ್ಯಗಳು ಹೆಚ್ಚು ಸ್ವಯಂಚಾಲಿತವಾಗಿರುವ ಸಿಬ್ಬಂದಿಯನ್ನು ಕಡಿತಗೊಳಿಸುತ್ತದೆ ಎಂದು ನಿರೀಕ್ಷಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ, ಆದರೆ ಅವರು ಮರುಕೌಶಲ್ಯವನ್ನು ದ್ವಿಗುಣಗೊಳಿಸುತ್ತಿದ್ದಾರೆ [4]. ಈ ಮಾದರಿಯು ಬದಲಿಗಿಂತ ಮರುವಿನ್ಯಾಸದಂತೆಯೇ ಕಾಣುತ್ತದೆ.

ಭಯ ಏಕೆ ಮುಂದುವರಿಯುತ್ತದೆ 😟

ಮಾಧ್ಯಮದ ಮುಖ್ಯಾಂಶಗಳು ವಿನಾಶದ ಮೇಲೆ ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಿವೆ. "AI ಉದ್ಯೋಗಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತಿದೆ!" ಮಾರಾಟವಾಗುತ್ತಿದೆ. ಆದರೆ ಗಂಭೀರ ಅಧ್ಯಯನಗಳು ನಿರಂತರವಾಗಿ ಸೂಕ್ಷ್ಮ ವ್ಯತ್ಯಾಸವನ್ನು ತೋರಿಸುತ್ತವೆ: ಕಾರ್ಯ ಯಾಂತ್ರೀಕರಣ, ಕೆಲಸದ ಹರಿವಿನ ಮರುವಿನ್ಯಾಸ ಮತ್ತು ಹೊಸ ಪಾತ್ರ ಸೃಷ್ಟಿ ಯಾವಾಗ ಬಳಸಬೇಕೆಂದು ತಿಳಿಯಲು ನೀವು ಇನ್ನೂ ಬೀಜಗಣಿತವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು

ಪ್ರಸ್ತುತವಾಗಿರುವುದು: ಪ್ರಾಯೋಗಿಕ ಪ್ಲೇಬುಕ್ 🧰

• ನಿರ್ಧಾರದಿಂದ ಪ್ರಾರಂಭಿಸಿ. ವ್ಯವಹಾರದ ಪ್ರಶ್ನೆ ಮತ್ತು ತಪ್ಪಾಗುವುದರ ಬೆಲೆಗೆ ನಿಮ್ಮ ಕೆಲಸವನ್ನು ಲಂಗರು ಹಾಕಿ.

• AI ಡ್ರಾಫ್ಟ್ ಮಾಡಲಿ, ನೀವು ಪರಿಷ್ಕರಿಸಿ. ಅದರ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಆರಂಭಿಕ ಹಂತಗಳಾಗಿ ಪರಿಗಣಿಸಿ - ನೀವು ತೀರ್ಪು ಮತ್ತು ಸಂದರ್ಭವನ್ನು ತರುತ್ತೀರಿ.

• ನಿಮ್ಮ ಹರಿವಿನಲ್ಲಿ ಆಡಳಿತವನ್ನು ನಿರ್ಮಿಸಿ. ಹಗುರವಾದ ಪಕ್ಷಪಾತ ಪರಿಶೀಲನೆಗಳು, ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ದಸ್ತಾವೇಜನ್ನು NIST ನಂತಹ ಚೌಕಟ್ಟುಗಳಿಗೆ ಜೋಡಿಸಲಾಗಿದೆ [3].

• ತಂತ್ರ ಮತ್ತು ಸಂವಹನದ ಕಡೆಗೆ ಗಮನಹರಿಸಿ. ನೀವು "ಗುಂಡಿ ಒತ್ತುವುದಕ್ಕೆ" ಕಡಿಮೆ ಬದ್ಧರಾಗಿರುವಿರಿ, ನಿಮ್ಮನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವುದು ಕಷ್ಟವಾಗುತ್ತದೆ.

• ನಿಮ್ಮ ಆಟೋಎಂಎಲ್ ಬಗ್ಗೆ ತಿಳಿದುಕೊಳ್ಳಿ. ಅದನ್ನು ಒಬ್ಬ ಅದ್ಭುತ ಆದರೆ ಅಜಾಗರೂಕ ಇಂಟರ್ನ್ ಎಂದು ಭಾವಿಸಿ: ವೇಗದ, ದಣಿವರಿಯದ, ಕೆಲವೊಮ್ಮೆ ಹುಚ್ಚುಚ್ಚಾಗಿ ತಪ್ಪು. ನೀವು ಗಾರ್ಡ್‌ರೈಲ್‌ಗಳನ್ನು ಒದಗಿಸುತ್ತೀರಿ [5].

ಹಾಗಾದರೆ... AI ಡೇಟಾ ಸೈನ್ಸ್ ಅನ್ನು ಬದಲಾಯಿಸುತ್ತದೆಯೇ? ✅❌

ನೇರ ಉತ್ತರ: ಇಲ್ಲ, ಆದರೆ ಅದು ಅದನ್ನು ಮರುರೂಪಿಸುತ್ತದೆ ಟೂಲ್‌ಕಿಟ್ ಅನ್ನು ಪುನಃ ಬರೆಯುತ್ತಿದೆ ಮಾನವ ವ್ಯಾಖ್ಯಾನ, ಸೃಜನಶೀಲತೆ ಮತ್ತು ತೀರ್ಪಿನ ಅಗತ್ಯ . ಏನಾದರೂ ಇದ್ದರೆ, ಉತ್ತಮ ದತ್ತಾಂಶ ವಿಜ್ಞಾನಿಗಳು ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಔಟ್‌ಪುಟ್‌ಗಳ ವ್ಯಾಖ್ಯಾನಕಾರರಾಗಿ ಹೆಚ್ಚು

ಸಾರಾಂಶ: AI ವೃತ್ತಿಯನ್ನಲ್ಲ, ಕಾರ್ಯಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ [1][2][4].

ಉಲ್ಲೇಖಗಳು

[1] ಮೆಕಿನ್ಸೆ & ಕಂಪನಿ - ಉತ್ಪಾದಕ AI ನ ಆರ್ಥಿಕ ಸಾಮರ್ಥ್ಯ: ಮುಂದಿನ ಉತ್ಪಾದಕತೆಯ ಗಡಿ (ಜೂನ್ 2023).
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier

[2] ಹಾರ್ವರ್ಡ್ ಬಿಸಿನೆಸ್ ರಿವ್ಯೂ - ಡೇಟಾ ಸೈನ್ಸ್ ಮತ್ತು ಮನವೊಲಿಸುವ ಕಲೆ (ಸ್ಕಾಟ್ ಬೆರಿನಾಟೊ, ಜನವರಿ–ಫೆಬ್ರವರಿ 2019).
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion

[3] NIST - ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಅಪಾಯ ನಿರ್ವಹಣಾ ಚೌಕಟ್ಟು (AI RMF 1.0) (2023).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

[4] ವಿಶ್ವ ಆರ್ಥಿಕ ವೇದಿಕೆ - ಆರಂಭಿಕ ಹಂತದ ಉದ್ಯೋಗಾವಕಾಶಗಳಿಗೆ AI ಬಾಗಿಲು ಮುಚ್ಚುತ್ತಿದೆಯೇ? (ಏಪ್ರಿಲ್ 30, 2025) - ಭವಿಷ್ಯದ ಉದ್ಯೋಗಗಳು 2025 .
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/

[5] ಅವರು, ಎಕ್ಸ್. ಮತ್ತು ಇತರರು - ಆಟೋಎಂಎಲ್: ಅತ್ಯಾಧುನಿಕ ಸಮೀಕ್ಷೆ (arXiv, 2019).
https://arxiv.org/abs/1908.00709

ಅಧಿಕೃತ AI ಸಹಾಯಕ ಅಂಗಡಿಯಲ್ಲಿ ಇತ್ತೀಚಿನ AI ಅನ್ನು ಹುಡುಕಿ

ನಮ್ಮ ಬಗ್ಗೆ