Az AI eszik az adattudományt – KDnuggets

Újra kiadta Platón

Követő: 0

Az AI eszik az adattudományt
A képet a szerző készítette Midjourney-val

A 21. századi technológiai forradalom sarokköveként az adattudományt minden iparág jövőjének tekintik. De ha közelebbről megvizsgáljuk, kiderül, hogy az adattudomány mint tudományág csak rövid ideig létezik, átmenetet jelent az adatokban szegény múlt és az intelligens rendszerek által uralt jövő között.

Nemrég gyér adattal és magas adattárolási költségekkel sújtott bennünket. Gyors előrelépés ma. Újonnan megtalált digitális alapjaink, így az internet, a közösségi média, az e-kereskedelem és az IoT-eszközök miatt folyamatosan elárasztanak bennünket az adatok. Az adattudomány olyan eszközzé fejlődött, amellyel betekintést nyerhetünk, trendeket jósolhatunk, és döntéseket hozhatunk a big data korszakának kezdetén, és segít megérteni ezeket a hatalmas adatkészleteket. A big data korszaka mára teljesen lejárt, és határozottan belenyugodtunk.

However, changes are becoming apparent as the ability to handle big data increases. The focus is no longer the vast amounts of data we generate non-stop; we have turned our attention to the ever-proliferating complex data-fuelled AI systems. The key question is no longer just “What insights can I derive from this data?” We instead ask “What AI system can I run with this data?” The last decade has focused on mastering big data. Next, we promise to move on to designing and implementing more powerful AI systems.

Ez a feltörekvő trend egy új szakaszt jelez, amelyben az adattudomány egyesül az AI karrierútjával: a egyéb AI-powered singularity. It’s no longer just about the ability to analyze data, it’s also about building, training and maintaining AI systems that can learn, adapt and make autonomous decisions. This consolidation of roles represents an increasingly AI-centric situation.

To see this change in action, just look at OpenAI’s ChatGPT project. Initially, the project focused on collecting and organizing large amounts of data to train models. However, the focus soon shifted to attempt to create and improve large-scale systems capable of generating meaningful, contextual natural language responses. Interactions between data and systems will become more dynamic, and AI will use data in increasingly complex and innovative ways.

And imagine a future where AI-powered smart cities are the norm. The unseemly amounts of data that will be generated from sensors, devices, human interactions, and beyond will be consumed by AIs to control traffic flow, energy consumption, public safety, and more. This goes beyond data analysis. It’s about developing giant AI systems that can understand and manage complex urban ecosystems.

Data science may appear to be evolving into a branch of contemporary AI, and that’s because, well, it is. But fret not, as this is but an evolutionary step to keep pace with the evolving technology landscape, much like the emergence of data science from statistics to handle the once-emerging “big data.” Just as statistics are an integral part of data science, data science itself will continue to play an important role in an AI-driven future.

A több mint egy évtizede kezdődő, adatokkal kapcsolatos átalakulás tovább vonul, bár a cél még nem egyértelmű. Az irány azonban egyértelmű: a technológiai iparág jövőbeli karrierje megköveteli az adatok megértését nemcsak elszigetelten, hanem a kifinomult és sokoldalú AI-rendszerek éltető elemeként. Ebben az összefüggésben az adattudományra végül visszatekintenek, és az AI-központú jövő felé vezető út egyik mérföldkövének tekintik. Ne tévedjen azonban; az adattudomány mint saját entitása lesz végül visszanéznek rá.

Ezért, ahogy a mesterséges intelligencia közelmúltbeli fejleményei kezdik rányomni bélyegüket a világ nagy részére, tartsa szemmel az adattudomány elkerülhetetlen felhasználását. Csakúgy, mint a dátum most nagy, így a miénk is törekvések a rendszereket, amelyeket támogatni tud.

Vivat data magna!

Matthew Mayo (@mattmayo13) egy adattudós és a KDnuggets, az adattudományi és gépi tanulás alapvető online forrásának főszerkesztője. Érdeklődési köre a természetes nyelvi feldolgozás, az algoritmusok tervezése és optimalizálása, a felügyelet nélküli tanulás, a neurális hálózatok és a gépi tanulás automatizált megközelítései. Matthew informatikus mesterfokozattal és adatbányászatból szerzett diplomát. Elérhető a kdnuggets[dot]com editor1 címen.