AI ຈະທົດແທນນັກວິເຄາະຂໍ້ມູນບໍ? ເວົ້າແບບຈິງຈັງ.

AI ກໍາລັງເຂົ້າໄປໃນທຸກມຸມຂອງຊີວິດການເຮັດວຽກໃນບໍ່ດົນມານີ້ - ອີເມວ, ການເລືອກຫຼັກຊັບ, ເຖິງແມ່ນວ່າການວາງແຜນໂຄງການ. ຕາມທໍາມະຊາດ, ມັນເຮັດໃຫ້ເກີດຄໍາຖາມທີ່ຫນ້າຢ້ານ: ນັກວິເຄາະຂໍ້ມູນຕໍ່ໄປຢູ່ໃນທ່ອນໄມ້ບໍ? ຄໍາຕອບທີ່ຊື່ສັດແມ່ນຫນ້າລໍາຄານລະຫວ່າງ. ແມ່ນແລ້ວ, AI ມີຄວາມເຂັ້ມແຂງໃນຕົວເລກທີ່ແຕກຫັກ, ແຕ່ຝ່າຍມະນຸດທີ່ສັບສົນຂອງການເຊື່ອມຕໍ່ຂໍ້ມູນກັບການຕັດສິນໃຈທາງທຸລະກິດຕົວຈິງ? ນັ້ນ​ແມ່ນ​ຍັງ​ມີ​ຫຼາຍ​ສິ່ງ​ທີ່​ປະ​ຊາ​ຊົນ.

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.

• ອັດ​ຕະ​ໂນ​ມັດ ​: ການ​ຈັດ​ການ bits ຫນ້າ​ເບື່ອ - ການ​ກຽມ​ຂໍ້​ມູນ​, ການ​ຕິດ​ຕາມ​ກວດ​ກາ​, ການ​ລາຍ​ງານ churn​.

• ການຄາດເດົາ : ເມື່ອການຕິດຕັ້ງແຂງ, ຕົວແບບ ML ສາມາດຄາດຄະເນສິ່ງທີ່ເປັນໄປໄດ້ຕໍ່ໄປ.

buzzword ຂອງອຸດສາຫະກໍາຢູ່ທີ່ນີ້ແມ່ນ augmented analytics - AI baked into BI platforms to handle chunks of the pipeline (prep → visualization → narrative). [Gartner][1]

ແລະນີ້ບໍ່ແມ່ນທິດສະດີ. ການສໍາຫຼວດສືບຕໍ່ສະແດງໃຫ້ເຫັນວ່າທີມງານວິເຄາະປະຈໍາວັນໄດ້ອີງໃສ່ AI ສໍາລັບການທໍາຄວາມສະອາດ, ອັດຕະໂນມັດ, ແລະການຄາດຄະເນ - ທໍ່ທີ່ເບິ່ງບໍ່ເຫັນທີ່ເຮັດໃຫ້ dashboards ມີຊີວິດຢູ່. [Anaconda][2]

ດັ່ງນັ້ນແນ່ນອນ, AI ແທນ ທີ່ວຽກງານ. ແຕ່ວຽກຂອງມັນເອງ? ຍັງຢືນຢູ່.

AI ທຽບກັບນັກວິເຄາະມະນຸດ: ຂ້າງຄຽງດ່ວນ 🧾

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🛑

ມັນເປັນການລໍ້ລວງທີ່ຈະຢ້ານກົວການຄອບຄອງຢ່າງເຕັມທີ່. ແຕ່ສະຖານະການທີ່ແທ້ຈິງ? ພາລະບົດບາດ ປ່ຽນ , ເຂົາເຈົ້າບໍ່ຫາຍໄປ:

• ໜ້ອຍລົງ, ຍຸດທະສາດຫຼາຍ.

• ມະນຸດ arbitrate, AI ເລັ່ງ.

• Upskilling ຕັດສິນໃຈວ່າໃຜຈະເລີນເຕີບໂຕ.

ການຂະຫຍາຍອອກ, IMF ເຫັນວ່າ AI ປັບປຸງການເຮັດວຽກຂອງຄໍສີຂາວ - ບໍ່ໄດ້ລຶບພວກມັນອອກທັນທີ, ແຕ່ການອອກແບບໃຫມ່ກ່ຽວກັບສິ່ງທີ່ເຄື່ອງຈັກເຮັດໄດ້ດີທີ່ສຸດ. [IMF][4]

ໃສ່ “ຕົວແປຂໍ້ມູນ” 🗣️

ບົດບາດທີ່ພົ້ນເດັ່ນທີ່ສຸດ? ນັກແປການວິເຄາະ. ຄົນທີ່ເວົ້າທັງ "ແບບ" ແລະ "ຫ້ອງປະຊຸມ." ນັກແປກໍານົດກໍລະນີການນໍາໃຊ້, ເຊື່ອມໂຍງຂໍ້ມູນກັບການຕັດສິນໃຈທີ່ແທ້ຈິງ, ແລະຮັກສາຄວາມເຂົ້າໃຈໃນການປະຕິບັດ. [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 ຄວາມຊ່ຽວຊານຂອງໂດເມນ - ຮູ້ວ່າ "ເປັນຫຍັງ," ບໍ່ພຽງແຕ່ "ແມ່ນຫຍັງ."

• ປະຕິບັດນິໄສນັກແປ: ບັນຫາກອບ, ຊີ້ແຈງການຕັດສິນໃຈ, ກໍານົດຄວາມສໍາເລັດ [McKinsey][5].

ຄິດວ່າ AI ເປັນຜູ້ຊ່ວຍຂອງເຈົ້າ. ບໍ່ແມ່ນຄູ່ແຂ່ງຂອງເຈົ້າ.

ເສັ້ນທາງລຸ່ມ: ນັກວິເຄາະຄວນກັງວົນບໍ? 🤔

ບາງໜ້າວຽກນັກວິເຄາະລະດັບເຂົ້າ ຈະ ໄປອັດຕະໂນມັດ - ໂດຍສະເພາະວຽກການກຽມຕົວແບບຊ້ຳໆ. ແຕ່ອາຊີບບໍ່ຕາຍ. ມັນ​ເພີ່ມ​ຂຶ້ນ​. ນັກວິເຄາະທີ່ຍອມຮັບ AI ໄດ້ສຸມໃສ່ຍຸດທະສາດ, ການເລົ່າເລື່ອງ, ແລະການຕັດສິນໃຈ - ຊອບແວທີ່ບໍ່ສາມາດປອມແປງໄດ້. [IMF][4]

ນັ້ນແມ່ນການຍົກລະດັບ.

ເອກະສານອ້າງອີງ

1. ອະນາຄອນດາ. ບົດລາຍງານສະຖານະວິທະຍາສາດຂໍ້ມູນ 2024. ເຊື່ອມຕໍ່

2. Gartner. ການ​ວິ​ເຄາະ​ເພີ່ມ​ຂຶ້ນ (ສະ​ພາບ​ລວມ​ຕະ​ຫຼາດ​ແລະ​ຄວາມ​ສາ​ມາດ​)​. ເຊື່ອມຕໍ່

3. NIST. ຂອບການຄຸ້ມຄອງຄວາມສ່ຽງ AI (AI RMF 1.0). ເຊື່ອມຕໍ່

4. IMF. AI ຈະຫັນປ່ຽນເສດຖະກິດໂລກ. ໃຫ້ແນ່ໃຈວ່າມັນເປັນປະໂຫຍດຕໍ່ມະນຸດ. ເຊື່ອມຕໍ່

5. McKinsey & ບໍລິສັດ. ນັກແປການວິເຄາະ: ບົດບາດໃຫມ່ທີ່ຕ້ອງມີ. ເຊື່ອມຕໍ່

ຊອກຫາ AI ລ່າສຸດໄດ້ທີ່ຮ້ານ AI Assistant ຢ່າງເປັນທາງການ

ກ່ຽວກັບພວກເຮົາ