ບໍ່ດົນມານີ້ AI ກຳລັງຄ່ອຍໆເຂົ້າມາສູ່ທຸກມຸມຂອງຊີວິດການເຮັດວຽກ - ອີເມວ, ການເລືອກຫຸ້ນ, ແມ່ນແຕ່ການວາງແຜນໂຄງການ. ແນ່ນອນ, ນັ້ນເຮັດໃຫ້ເກີດຄຳຖາມທີ່ໜ້າຢ້ານກົວ: ນັກວິເຄາະຂໍ້ມູນຈະເປັນຜູ້ທີ່ສຳຄັນຕໍ່ໄປບໍ? ຄຳຕອບທີ່ຊື່ສັດແມ່ນໜ້າລຳຄານຢູ່ລະຫວ່າງ. ແມ່ນແລ້ວ, AI ເຂັ້ມແຂງໃນການຄິດໄລ່ຕົວເລກ, ແຕ່ດ້ານທີ່ສັບສົນ ແລະ ເປັນມະນຸດຂອງການເຊື່ອມຕໍ່ຂໍ້ມູນເຂົ້າກັບການຕັດສິນໃຈທາງທຸລະກິດຕົວຈິງ? ນັ້ນຍັງເປັນເລື່ອງຂອງຄົນຢູ່.
ໃຫ້ພວກເຮົາເອົາອັນນີ້ອອກໂດຍບໍ່ໄດ້ເລື່ອນເຂົ້າໄປໃນ hype ເຕັກໂນໂລຊີປົກກະຕິ.
ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:
🔗 ເຄື່ອງມື AI ທີ່ດີທີ່ສຸດສໍາລັບນັກວິເຄາະຂໍ້ມູນ
ເຄື່ອງມື AI ຍອດນິຍົມເພື່ອເສີມຂະຫຍາຍການວິເຄາະ ແລະການຕັດສິນໃຈ.
🔗 ເຄື່ອງມື AI ຟຣີສໍາລັບການວິເຄາະຂໍ້ມູນ
ສຳຫຼວດວິທີແກ້ໄຂ AI ຟຣີທີ່ດີທີ່ສຸດສຳລັບວຽກຂໍ້ມູນ.
🔗 ເຄື່ອງມື Power BI AI ປ່ຽນແປງການວິເຄາະຂໍ້ມູນ
Power BI ໃຊ້ AI ເພື່ອປັບປຸງຂໍ້ມູນເຈາະເລິກແນວໃດ.
ເປັນຫຍັງ AI ຕົວຈິງຈຶ່ງເຮັດວຽກໄດ້ດີໃນການວິເຄາະຂໍ້ມູນ 🔍
AI ບໍ່ແມ່ນ magician, ແຕ່ມັນມີຂໍ້ດີທີ່ຮຸນແຮງບາງຢ່າງທີ່ເຮັດໃຫ້ນັກວິເຄາະສັງເກດເຫັນ:
-
ຄວາມໄວ: Chews ຜ່ານຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່ໄວກວ່ານັກຝຶກງານທີ່ເຄີຍເຮັດໄດ້.
-
Pattern Spotting: ເອົາຄວາມຜິດປົກກະຕິທີ່ລະອຽດອ່ອນ ແລະແນວໂນ້ມທີ່ມະນຸດອາດຈະພາດ.
-
ອັດຕະໂນມັດ: ການຈັດການ bits ຫນ້າເບື່ອ - ການກຽມຂໍ້ມູນ, ການຕິດຕາມກວດກາ, ການລາຍງານ churn.
-
ການຄາດຄະເນ: ເມື່ອການຕັ້ງຄ່າມີຄວາມໝັ້ນຄົງ, ຮູບແບບ ML ສາມາດຄາດຄະເນສິ່ງທີ່ອາດຈະເກີດຂຶ້ນຕໍ່ໄປໄດ້.
ຄຳສັບທີ່ນິຍົມໃນອຸດສາຫະກຳນີ້ແມ່ນ ການວິເຄາະແບບເຕີມເຕັມ - AI ຖືກລວມເຂົ້າໃນແພລດຟອມ BI ເພື່ອຈັດການກັບສ່ວນຕ່າງໆຂອງທໍ່ສົ່ງ (ການກະກຽມ → ການສະແດງພາບ → ການເລົ່າເລື່ອງ). [Gartner][1]
ແລະນີ້ບໍ່ແມ່ນທິດສະດີ. ການສໍາຫຼວດສືບຕໍ່ສະແດງໃຫ້ເຫັນວ່າທີມງານວິເຄາະປະຈໍາວັນໄດ້ອີງໃສ່ AI ສໍາລັບການທໍາຄວາມສະອາດ, ອັດຕະໂນມັດ, ແລະການຄາດຄະເນ - ທໍ່ທີ່ເບິ່ງບໍ່ເຫັນທີ່ເຮັດໃຫ້ dashboards ມີຊີວິດຢູ່. [Anaconda][2]
ດັ່ງນັ້ນແນ່ນອນ, AI ແທນ ທີ່ວຽກງານ. ແຕ່ວຽກຂອງມັນເອງ? ຍັງຢືນຢູ່.
AI ທຽບກັບນັກວິເຄາະມະນຸດ: ຂ້າງຄຽງດ່ວນ 🧾
| ເຄື່ອງມື/ບົດບາດ | ສິ່ງທີ່ມັນດີທີ່ສຸດ | ຄ່າໃຊ້ຈ່າຍປົກກະຕິ | ເປັນຫຍັງມັນເຮັດວຽກ (ຫຼືລົ້ມເຫລວ) |
|---|---|---|---|
| AI Tools (ChatGPT, Tableau AI, AutoML) | crunching ຄະນິດສາດ, ການລ່າສັດຮູບແບບ | Subs: ຟຣີ → ລະດັບລາຄາ | ຟ້າຜ່າໄວ ແຕ່ສາມາດ “ຕົກໃຈ” ຖ້າບໍ່ໄດ້ກວດກາ [NIST][3] |
| ນັກວິເຄາະມະນຸດ👩💻 | ສະພາບການທຸລະກິດ, ເລົ່າເລື່ອງ | ອີງຕາມເງິນເດືອນ (ຊ່ວງທໍາມະຊາດ) | ເອົາ nuance, ແຮງຈູງໃຈ, ແລະຍຸດທະສາດເຂົ້າໄປໃນຮູບ |
| ປະສົມ (AI + ມະນຸດ) | ວິທີການທີ່ບໍລິສັດສ່ວນໃຫຍ່ປະຕິບັດຕົວຈິງ | ຄ່າໃຊ້ຈ່າຍສອງເທົ່າ, ການຈ່າຍເງິນທີ່ສູງຂຶ້ນ | AI ເຮັດວຽກຢ່າງໂຫດຮ້າຍ, ມະນຸດເປັນຜູ້ຊີ້ນໍາເຮືອ (ໂດຍໄກຈາກສູດຊະນະ) |
ບ່ອນທີ່ AI ເອົາຊະນະມະນຸດແລ້ວ ⚡
ຂໍໃຫ້ເປັນຈິງ: AI ແລ້ວຊະນະໃນຂົງເຂດເຫຼົ່ານີ້ -
-
ໂຕ້ແຍ້ງຊຸດຂໍ້ມູນອັນໃຫຍ່ຫຼວງ, ວຸ້ນວາຍໂດຍບໍ່ມີການຈົ່ມ.
-
ການກວດຫາຄວາມຜິດກະຕິ (ການສໍ້ໂກງ, ຄວາມຜິດພາດ, ຄວາມແຕກຕ່າງ).
-
ການພະຍາກອນແນວໂນ້ມກັບຕົວແບບ ML.
-
ກໍາລັງສ້າງ dashboards ແລະການແຈ້ງເຕືອນໃນເວລາໃກ້ຄຽງ.
ກໍລະນີໃນຈຸດ: ຮ້ານຄ້າປີກຕະຫຼາດກາງຫນຶ່ງສາຍການກວດສອບຄວາມຜິດປົກກະຕິເຂົ້າໄປໃນຂໍ້ມູນຜົນຕອບແທນ. AI ໄດ້ພົບເຫັນເປັນຮວງຕັ້ງແຈບທີ່ຕິດຢູ່ກັບ SKU ຫນຶ່ງ. ນັກວິເຄາະໄດ້ຂຸດລົງ, ພົບຖັງເກັບມ້ຽນທີ່ຕິດປ້າຍຜິດ, ແລະຢຸດຄວາມຜິດພາດການໂຄສະນາທີ່ມີລາຄາແພງ. AI ສັງເກດເຫັນ, ແຕ່ມະນຸດ ໄດ້ຕັດສິນໃຈ.
ບ່ອນທີ່ມະນຸດຍັງປົກຄອງ 💡
ຕົວເລກດຽວບໍ່ໄດ້ດໍາເນີນການບໍລິສັດ. ມະນຸດເອົາການຮຽກຮ້ອງການພິພາກສາ. ນັກວິເຄາະ:
-
ປ່ຽນສະຖິຕິທີ່ສັບສົນໃຫ້ກາຍເປັນ ເລື່ອງທີ່ຜູ້ບໍລິຫານສົນໃຈ.
-
ຖາມ oddball "ເປັນແນວໃດຖ້າ" ຄໍາຖາມທີ່ AI ຈະບໍ່ກອບ.
-
ຈັບຄວາມລໍາອຽງ, ການຮົ່ວໄຫຼ, ແລະຂຸມທາງຈັນຍາບັນ (ສໍາຄັນສໍາລັບຄວາມໄວ້ວາງໃຈ) [NIST][3].
-
Anchor insights ໃນແຮງຈູງໃຈທີ່ແທ້ຈິງແລະຍຸດທະສາດ.
ຄິດແບບນີ້: AI ອາດຈະຮ້ອງອອກມາວ່າ "ການຂາຍຫຼຸດລົງ 20%," ແຕ່ມີພຽງຄົນດຽວເທົ່ານັ້ນທີ່ສາມາດອະທິບາຍໄດ້, "ມັນແມ່ນຍ້ອນວ່າຄູ່ແຂ່ງໄດ້ດຶງ stunts - ນີ້ແມ່ນວ່າພວກເຮົາຕ້ານຫຼືບໍ່ສົນໃຈມັນ."
ການທົດແທນເຕັມ? ບໍ່ໜ້າຈະ🛑
ມັນເປັນເລື່ອງທີ່ໜ້າລໍ້ລວງທີ່ຈະຢ້ານກົວການເຂົ້າຄວບຄຸມທັງໝົດ. ແຕ່ສະຖານະການທີ່ເປັນຈິງ? ບົດບາດ ປ່ຽນໄປ, ພວກມັນບໍ່ໄດ້ຫາຍໄປ:
-
ໜ້ອຍລົງ, ຍຸດທະສາດຫຼາຍ.
-
ມະນຸດ arbitrate, AI ເລັ່ງ.
-
Upskilling ຕັດສິນໃຈວ່າໃຜຈະເລີນເຕີບໂຕ.
ການຂະຫຍາຍອອກ, IMF ເຫັນວ່າ AI ປັບປຸງການເຮັດວຽກຂອງຄໍສີຂາວ - ບໍ່ໄດ້ລຶບພວກມັນອອກທັນທີ, ແຕ່ການອອກແບບໃຫມ່ກ່ຽວກັບສິ່ງທີ່ເຄື່ອງຈັກເຮັດໄດ້ດີທີ່ສຸດ. [IMF][4]
ໃສ່ “ຕົວແປຂໍ້ມູນ” 🗣️
ບົດບາດທີ່ພົ້ນເດັ່ນຂຶ້ນມາໃໝ່ທີ່ສຸດ? ນາຍແປພາສາວິເຄາະ. ຜູ້ທີ່ເວົ້າທັງ “ແບບຈຳລອງ” ແລະ “ຫ້ອງປະຊຸມ”. ນາຍແປພາສາກຳນົດກໍລະນີການນຳໃຊ້, ເຊື່ອມໂຍງຂໍ້ມູນກັບການຕັດສິນໃຈທີ່ແທ້ຈິງ, ແລະ ເຮັດໃຫ້ຄວາມເຂົ້າໃຈສາມາດນຳໃຊ້ໄດ້ຈິງ. [McKinsey][5]
ໃນສັ້ນ: ນັກແປພາສາຮັບປະກັນໃຫ້ນັກວິເຄາະຕອບ ທີ່ຖືກຕ້ອງ - ດັ່ງນັ້ນຜູ້ນໍາສາມາດປະຕິບັດ, ບໍ່ພຽງແຕ່ເບິ່ງຕາຕະລາງ. [McKinsey][5]
ອຸດສາຫະກໍາໄດ້ຮັບຜົນກະທົບໜັກຂຶ້ນ (ແລະອ່ອນກວ່າ) 🌍
-
ໄດ້ຮັບຜົນກະທົບຫຼາຍທີ່ສຸດ: ການເງິນ, ການຂາຍຍ່ອຍ, ການຕະຫຼາດດິຈິຕອນ - ການເຄື່ອນຍ້າຍໄວ, ຂະແໜງການຂໍ້ມູນ - ໜັກ.
-
ຜົນກະທົບປານກາງ: ການດູແລສຸຂະພາບ ແລະຂົງເຂດອື່ນໆທີ່ຖືກຄວບຄຸມ - ມີທ່າແຮງຫຼາຍ, ແຕ່ການກວດກາເຮັດໃຫ້ສິ່ງຕ່າງໆຊ້າລົງ [NIST][3].
-
ໄດ້ຮັບຜົນກະທົບໜ້ອຍທີ່ສຸດ: ວຽກງານສ້າງສັນ + ວັດທະນະທໍາ-ໜັກ. ເຖິງແມ່ນວ່າ, ເຖິງແມ່ນວ່າຢູ່ທີ່ນີ້, AI ຊ່ວຍໃນການຄົ້ນຄວ້າແລະການທົດສອບ.
ນັກວິເຄາະມີຄວາມກ່ຽວຂ້ອງແນວໃດ 🚀
ນີ້ແມ່ນລາຍການກວດກາ "ການພິສູດໃນອະນາຄົດ":
-
ສະດວກສະບາຍດ້ວຍພື້ນຖານ AI/ML (Python/R, AutoML ການທົດລອງ) [Anaconda][2].
-
ລົງສອງເທົ່າກ່ຽວກັບ ການເລົ່າເລື່ອງ ແລະ comms.
-
ສຳຫຼວດການວິເຄາະທີ່ເພີ່ມຂຶ້ນໃນ Power BI, Tableau, Looker [Gartner][1].
-
ພັດທະນາ ຄວາມຊ່ຽວຊານດ້ານຂົງເຂດ - ຮູ້ “ເຫດຜົນ,” ບໍ່ພຽງແຕ່ “ສິ່ງທີ່” ເທົ່ານັ້ນ.
-
ປະຕິບັດນິໄສນັກແປ: ບັນຫາກອບ, ຊີ້ແຈງການຕັດສິນໃຈ, ກໍານົດຄວາມສໍາເລັດ [McKinsey][5].
ຄິດວ່າ AI ເປັນຜູ້ຊ່ວຍຂອງເຈົ້າ. ບໍ່ແມ່ນຄູ່ແຂ່ງຂອງເຈົ້າ.
ເສັ້ນທາງລຸ່ມ: ນັກວິເຄາະຄວນກັງວົນບໍ? 🤔
ວຽກງານນັກວິເຄາະລະດັບເລີ່ມຕົ້ນບາງຢ່າງ ຈະ ຖືກຍົກເລີກໂດຍອັດຕະໂນມັດ - ໂດຍສະເພາະແມ່ນວຽກງານກະກຽມທີ່ຊ້ຳໆ. ແຕ່ອາຊີບນີ້ບໍ່ໄດ້ສິ້ນສຸດລົງ. ມັນກຳລັງຍົກລະດັບຂຶ້ນ. ນັກວິເຄາະທີ່ຮັບເອົາ AI ໄດ້ສຸມໃສ່ຍຸດທະສາດ, ການເລົ່າເລື່ອງ, ແລະການຕັດສິນໃຈ - ສິ່ງທີ່ຊອບແວບໍ່ສາມາດປອມແປງໄດ້. [IMF][4]
ນັ້ນແມ່ນການຍົກລະດັບ.
ເອກະສານອ້າງອີງ
-
ອານາຄອນດາ. ບົດລາຍງານສະພາບວິທະຍາສາດຂໍ້ມູນປີ 2024. ລິ້ງ
-
Gartner. ການວິເຄາະແບບເພີ່ມ (ພາບລວມຂອງຕະຫຼາດ ແລະ ຄວາມສາມາດ). ລິ້ງ
-
NIST. ຂອບການຄຸ້ມຄອງຄວາມສ່ຽງດ້ານ AI (AI RMF 1.0). ລິ້ງ
-
IMF. AI ຈະປ່ຽນແປງເສດຖະກິດໂລກ. ໃຫ້ພວກເຮົາຮັບປະກັນວ່າມັນເປັນປະໂຫຍດຕໍ່ມະນຸດຊາດ. ລິ້ງ
-
McKinsey & Company. ນາຍພາສາວິເຄາະ: ບົດບາດໃໝ່ທີ່ຕ້ອງມີ. ລິ້ງ