AI žre podatkovno znanost - KDnuggets

Ponovno objavil Platon

Spremljevalci: 0

AI je Eating Data Science
Slika, ki jo je ustvaril avtor z Midjourney

Podatkovna znanost kot temelj tehnološke revolucije 21. stoletja velja za prihodnost vsake industrije. Toda podrobnejši pogled razkrije, da bo znanost o podatkih kot disciplina obstajala le kratek čas, prehod med preteklostjo, revno s podatki, in prihodnostjo, v kateri bodo prevladovali inteligentni sistemi.

Nedolgo nazaj smo se ubadali z redkimi podatki in visokimi stroški shranjevanja podatkov. Hitro naprej danes. Zaradi naših novoodkritih digitalnih stebrov, vključno z internetom, družbenimi mediji, e-trgovino in napravami IoT, smo nenehno preplavljeni s podatki. Podatkovna znanost se je razvila v orodje za pridobivanje vpogledov, napovedovanje trendov in sprejemanje odločitev na začetku tega obdobja velikih podatkov, kar nam pomaga razumeti te ogromne podatkovne nize. Obdobje velikih podatkov je zdaj v celoti minilo in trdno smo se ustalili vanj.

Vendar pa postajajo spremembe očitne, saj se zmožnost ravnanja z velikimi podatki povečuje. Poudarek ni več na ogromnih količinah podatkov, ki jih neprekinjeno ustvarjamo; svojo pozornost smo usmerili na vse bolj množične kompleksne sisteme umetne inteligence, ki jih poganjajo podatki. Ključno vprašanje ni več le "Kakšne vpoglede lahko pridobim iz teh podatkov?" Namesto tega vprašamo "Kateri sistem AI lahko zaženem s temi podatki?" Zadnje desetletje je bilo osredotočeno na obvladovanje velikih podatkov. Nato obljubljamo, da bomo prešli na načrtovanje in implementacijo zmogljivejših sistemov AI.

Ta pojavni trend označuje novo fazo, v kateri se podatkovna znanost združuje s karierno potjo AI: druga Posebnost, ki jo poganja AI. Ne gre več le za sposobnost analiziranja podatkov, temveč tudi za gradnjo, usposabljanje in vzdrževanje sistemov AI, ki se lahko učijo, prilagajajo in sprejemajo avtonomne odločitve. Ta konsolidacija vlog predstavlja situacijo, ki je vedno bolj osredotočena na AI.

Če želite videti to spremembo v akciji, samo poglejte projekt ChatGPT OpenAI. Sprva se je projekt osredotočal na zbiranje in organiziranje velikih količin podatkov za usposabljanje modelov. Vendar se je fokus kmalu premaknil na poskuse ustvarjanja in izboljšanja obsežnih sistemov, ki so sposobni generirati smiselne, kontekstualne odzive naravnega jezika. Interakcije med podatki in sistemi bodo postale bolj dinamične, umetna inteligenca pa bo podatke uporabljala na vedno bolj zapletene in inovativne načine.

In predstavljajte si prihodnost, kjer so pametna mesta, ki jih poganja AI, norma. Neprimerne količine podatkov, ki bodo ustvarjene iz senzorjev, naprav, človeških interakcij in več, bodo porabile AI za nadzor prometa, porabe energije, javne varnosti in še več. To presega analizo podatkov. Gre za razvoj velikanskih sistemov AI, ki lahko razumejo in upravljajo kompleksne urbane ekosisteme.

Morda se zdi, da se znanost o podatkih razvija v vejo sodobne umetne inteligence, in to je zato, ker je. Vendar ne skrbite, saj je to le evolucijski korak, da sledite razvijajoči se tehnološki krajini, podobno kot pojav podatkovne znanosti iz statistike za obravnavo nekoč nastajajočih »velikih podatkov«. Tako kot je statistika sestavni del znanosti o podatkih, bo znanost o podatkih sama še naprej igrala pomembno vlogo v prihodnosti, ki jo poganja umetna inteligenca.

Transformacija, povezana s podatki, ki se je začela pred več kot desetletjem, gre naprej, čeprav njen cilj še ni jasen. Smer pa je jasna: prihodnje kariere v tehnološki industriji zahtevajo razumevanje podatkov ne le ločeno, temveč kot življenjske sile sofisticiranih in vsestranskih sistemov umetne inteligence. V tem ozadju se bo na podatkovno znanost sčasoma ozrlo nazaj in nanjo gledalo kot na pomemben mejnik na poti v prihodnost, osredotočeno na AI. Da pa ne bo pomote; podatkovno znanost kot lastno entiteto bo na koncu pogledati nazaj.

In tako, ko nedavni napredek umetne inteligence začenja puščati pečat v tako velikem delu sveta, bodite pozorni na njeno neizogibno porabo podatkovne znanosti. Tako kot datum je zdaj velik, tako tudi naši težnje za sisteme, ki jih lahko spodbuja.

Vivat data magna!

Matthew Mayo (@mattmayo13) je podatkovni znanstvenik in glavni urednik KDnuggets, temeljnega spletnega vira podatkovne znanosti in strojnega učenja. Njegovi interesi so obdelava naravnega jezika, oblikovanje in optimizacija algoritmov, nenadzorovano učenje, nevronske mreže in avtomatizirani pristopi k strojnemu učenju. Matthew ima magisterij iz računalništva in diplomo iz podatkovnega rudarjenja. Dosegljiv je na editor1 na kdnuggets[dot]com.