Yapay Zeka Çağında Veri Bilimi: "En Seksi İş" Hala Seksi mi?
"Zamanların en iyisiydi, zamanların en kötüsüydü."
On yıl önce, Harvard Business Review Veri Bilimcisini "21. yüzyılın en seksi işi" olarak adlandırdı. Bugün, zemin ayaklarımızın altından kayıyor. Veri yeteneğine olan talep yüksek kalmaya devam etse de, Üretken Yapay Zeka'nın yükselişi 'Veri Bilimcisi' olmanın ne anlama geldiğini temelden değiştiriyor.
Gerçeklik Kontrolü 🔍
Arama, Reklamlar ve Öneri (SAR) gibi geleneksel alanlar olgunlaşıyor ve endüstri odağını ağır mühendislik ve yapay zeka mimarisine kaydırıyor. Garip bir paradoks görüyoruz.
"Düşük Çıta" Tuzağı
Yüksek lisans öğrencileri artık veri temizleme, EDA ve görselleştirmeyi saniyeler içinde halletmek için GPT-4'ü kullanabilirler. Ancak, sağlam bir temel olmadan, yapay zekanın ne zaman "halüsinasyon gördüğünü" veya istatistiksel olarak hatalı sonuçlar sağladığını bilme muhakemesinden genellikle yoksundurlar.
Paydaş Değişimi
İş ortakları temel içgörüleri elde etmek için kendi istemlerini yazabildiklerinde, birçok DS uzmanı sonsuz toplantılar ve tekrarlayan istem mühendisliği içinde sıkışıp kalmış, "yetersiz uyarılmış" hissediyor.
Vazgeçilmez Kalmanın Yolları: İki Stratejik Sütun 🏗️
Bu çağda gelişmek için 'model kurucuları' olmaktan 'değer mimarları' olmaya evrilmeliyiz. Bunun iki boyutta gerçekleştiğini görüyorum:
1Araçları İnşa Etmek (Mühendis/Mimar Zihniyeti)
Yapay zekayı sadece kullanmayın; geliştirin.
- •Model Değerlendirme ve Yönetim: AI çıktısı bir mal haline geldikçe, 'iyi' bir sonucun neye benzediğini tanımlayabilen kişi, odadaki en değerli kişidir. Uzmanlaşmış değerlendirme çerçevelerine (Finans'taki risk ağırlığı gibi) odaklanın.
- •Alan İnce Ayarı: Belirli iş bilgilerini LLM'lere enjekte etmek için LoRA veya RAG gibi teknikleri ustalıkla kullanmak.
- •Otomasyon: 'Sanal Analistler' veya otomatik deney boru hatları gibi iç girişimlere liderlik edin.
2Araçlardan Yararlanmak (Stratejist Zihniyeti)
Çıktınızı 10 katına çıkarmak için yapay zekayı kullanın, böylece insanların en iyi yaptığı şeye odaklanabilirsiniz.
- •Alan Uzmanlığı: AI 'nasıl' bildiği, siz 'neden' bildiğinizdir. Derin iş anlayışı, AI'nın eksik olduğu doğru bağlamı sağlamanızı sağlar.
- •Eleştirel Düşünme ve Deney: AI kod üretebilirken, insan DS becerileri hala hipotez testi, nedensel çıkarım ve 'dağınık' gerçek dünya verilerini yorumlama için temeldir.
- •İletişim ve Etki: Karmaşık verileri bir iş hikayesine çevirebilme ve paydaş güveni oluşturma yeteneği, 'yumuşak' bir beceri olarak 'sert' bir gereklilik haline gelmiştir.
💡Sonuç
Yapay zeka Veri Bilimini öldürmedi; çıtayı yükseltti. Değeriniz sadece SQL yazmak veya hiperparametreleri ayarlamaksa, 'seksilik' kayboluyor. Ancak iş sorunları ile yapay zeka çözümleri arasındaki boşluğu kapatabilirseniz, değeriniz hiç bu kadar yüksek olmamıştı.
Kişisel deneyim sizin avantajınızdır. Bir LLM mantığı taklit edebilir, ancak başarısız dağıtımlardan gelen yılların 'savaş yaralarına' veya karmaşık organizasyonlarda gezinerek oluşturulan sezgiye sahip değildir.
Kişisel deneyim sizin avantajınızdır. Bir LLM mantığı taklit edebilir, ancak başarısız dağıtımlardan gelen yılların 'savaş yaralarına' veya karmaşık organizasyonlarda gezinerek oluşturulan sezgiye sahip değildir.
İlgili Makaleler
DS & AI Engineering
Next Article
From QA Bot to Task Agent: An Architecture Guide
Learn how to build more capable AI agents
Hadi tartışalım:
Mevcut rolünüzde kendinizi daha 'verimli' mi yoksa 'değiştirilmiş' mi hissediyorsunuz? Araç setinizi bu yıl nasıl geliştiriyorsunuz? 👇