AI spiser datavidenskab - KDnuggets

Genudgivet af Platon

Abonnenter: 0

AI spiser datavidenskab
Billede skabt af forfatter med Midjourney

Som hjørnestenen i det 21. århundredes teknologiske revolution, ses datavidenskab som fremtiden for enhver industri. Men et nærmere kig afslører, at datavidenskab som disciplin kun vil have eksisteret i kort tid, en overgang mellem en datafattig fortid og en fremtid domineret af intelligente systemer.

For kort tid siden var vi plaget af sparsomme data og høje datalagringsomkostninger. Spol frem i dag. På grund af vores nyfundne digitale grundpiller, herunder internettet, sociale medier, e-handel og IoT-enheder, bliver vi konstant oversvømmet med data. Datavidenskab har udviklet sig til et værktøj til at få indsigt, forudsige tendenser og træffe beslutninger i begyndelsen af denne æra med big data, hvilket hjælper os med at forstå disse enorme datasæt. Tiden med big data er nu fuldt ud overstået, og vi har sat os fast i den.

Ændringer er dog ved at blive tydelige, efterhånden som evnen til at håndtere big data øges. Fokus er ikke længere de enorme mængder data, vi genererer non-stop; vi har rettet vores opmærksomhed mod de stadigt voksende komplekse datadrevne AI-systemer. Nøglespørgsmålet er ikke længere kun "Hvilken indsigt kan jeg udlede af disse data?" Vi spørger i stedet "Hvilket AI-system kan jeg køre med disse data?" Det sidste årti har fokuseret på at mestre big data. Dernæst lover vi at gå videre til at designe og implementere mere kraftfulde AI-systemer.

Denne nye trend markerer en ny fase, hvor datavidenskab smelter sammen med AI-karrierevejen: andre AI-drevet singularitet. Det handler ikke længere kun om evnen til at analysere data, det handler også om at bygge, træne og vedligeholde AI-systemer, der kan lære, tilpasse og træffe selvstændige beslutninger. Denne konsolidering af roller repræsenterer en stadig mere AI-centreret situation.

For at se denne ændring i handling, se bare på OpenAIs ChatGPT-projekt. I første omgang fokuserede projektet på at indsamle og organisere store mængder data for at træne modeller. Fokus flyttede dog hurtigt til at forsøge at skabe og forbedre systemer i stor skala, der er i stand til at generere meningsfulde, kontekstuelle naturlige sprogsvar. Interaktioner mellem data og systemer bliver mere dynamiske, og kunstig intelligens vil bruge data på stadig mere komplekse og innovative måder.

Og forestil dig en fremtid, hvor AI-drevne smarte byer er normen. De upassende mængder af data, der vil blive genereret fra sensorer, enheder, menneskelige interaktioner og mere, vil blive forbrugt af AI'er til at kontrollere trafikflow, energiforbrug, offentlig sikkerhed og mere. Dette går ud over dataanalyse. Det handler om at udvikle gigantiske AI-systemer, der kan forstå og styre komplekse byøkosystemer.

Datavidenskab kan se ud til at udvikle sig til en gren af moderne kunstig intelligens, og det er fordi, ja, det er det. Men ærgr dig ikke, da dette kun er et evolutionært skridt til at holde trit med det udviklende teknologilandskab, ligesom fremkomsten af datavidenskab fra statistik for at håndtere de engang opståede "big data." Ligesom statistik er en integreret del af datavidenskab, vil datavidenskab i sig selv fortsætte med at spille en vigtig rolle i en AI-drevet fremtid.

Den datarelaterede transformation, der begyndte for over et årti siden, marcherer fremad, selvom dens destination endnu ikke er indlysende. Retningen er dog klar: Fremtidige karrierer i teknologiindustrien kræver forståelse af data ikke kun isoleret, men som livsnerven i sofistikerede og alsidige AI-systemer. På denne baggrund vil datavidenskab med tiden blive set tilbage på og betragtet som en vigtig milepæl på vejen til en AI-centreret fremtid. Tag dog ikke fejl; datavidenskab som sin egen enhed vilje til sidst blive set tilbage på.

Og så, når de seneste fremskridt inden for kunstig intelligens begynder at sætte deres præg på så meget af verden, skal du holde øje med dets uundgåelige forbrug af datavidenskab. Ligesom data er nu stor, og det er vores også forhåbninger for de systemer, den kan fremme.

Vivat data magna!

Matthew Mayo (@mattmayo13) er dataforsker og chefredaktør for KDnuggets, den banebrydende onlineressource for datavidenskab og maskinlæring. Hans interesser ligger i naturlig sprogbehandling, algoritmedesign og optimering, uovervåget læring, neurale netværk og automatiserede tilgange til maskinlæring. Matthew har en kandidatgrad i datalogi og en diplomuddannelse i data mining. Han kan nås på editor1 på kdnuggets[dot]com.