AI spiser datavitenskap - KDnuggets

Publisert av Platon

Følgere: 0

AI spiser datavitenskap
Bilde laget av forfatter med Midjourney

Som hjørnesteinen i det 21. århundres teknologiske revolusjon, blir datavitenskap sett på som fremtiden for enhver industri. Men en nærmere titt avslører at datavitenskap som disiplin bare vil ha eksistert i kort tid, en overgang mellom en datafattig fortid og en fremtid dominert av intelligente systemer.

For ikke lenge siden ble vi plaget med sparsomme data og høye datalagringskostnader. Spol fremover i dag. På grunn av våre nyfunne digitale bærebjelker, inkludert internett, sosiale medier, e-handel og IoT-enheter, oversvømmes vi kontinuerlig med data. Datavitenskap har utviklet seg til et verktøy for å få innsikt, forutsi trender og ta beslutninger i begynnelsen av denne epoken med store data, og hjelper oss å forstå disse enorme datasettene. Tiden med big data har nå kommet for fullt, og vi har satt oss godt inn i den.

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.

Denne nye trenden markerer en ny fase der datavitenskap smelter sammen med AI-karrierebanen: annen 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.

Den datarelaterte transformasjonen som begynte for over et tiår siden går videre, selv om målet ennå ikke er åpenbart. Retningen er imidlertid klar: fremtidige karrierer i teknologibransjen krever forståelse av data ikke bare isolert, men som livsnerven til sofistikerte og allsidige AI-systemer. På dette bakteppet vil datavitenskap til slutt bli sett tilbake på og sett på som en viktig milepæl på veien til en AI-sentrisk fremtid. Gjør ingen feil, men; datavitenskap som sin egen enhet vil til slutt bli sett tilbake på.

Og så, når nyere fremskritt innen AI begynner å sette sitt preg på så mye av verden, hold et øye med det uunngåelige forbruket av datavitenskap. Akkurat som dato er nå stor, det samme er vår aspirasjoner for systemene den kan fremme.

Vivat data magna!

Matthew Mayo (@mattmayo13) er en dataforsker og sjefredaktør for KDnuggets, den banebrytende online ressursen for datavitenskap og maskinlæring. Hans interesser ligger i naturlig språkbehandling, algoritmedesign og -optimalisering, uovervåket læring, nevrale nettverk og automatiserte tilnærminger til maskinlæring. Matthew har en mastergrad i informatikk og et diplom i data mining. Han kan nås på editor1 på kdnuggets[dot]com.