ເອົາລະ, ຄຳຖາມນີ້ມັນມີຢູ່ທົ່ວທຸກແຫ່ງ. ໃນການພົບປະດ້ານເຕັກໂນໂລຢີ, ການພັກກາເຟຢູ່ບ່ອນເຮັດວຽກ, ແລະແມ່ນແລ້ວ, ແມ່ນແຕ່ໃນຫົວຂໍ້ LinkedIn ທີ່ຍາວໆເຫຼົ່ານັ້ນກໍ່ບໍ່ມີໃຜຍອມຮັບການອ່ານ. ຄວາມກັງວົນແມ່ນຂ້ອນຂ້າງຈະແຈ້ງ: ຖ້າ AI ສາມາດຈັດການກັບອັດຕະໂນມັດໄດ້ຫຼາຍ, ມັນເຮັດໃຫ້ວິທະຍາສາດຂໍ້ມູນເປັນ… ຖິ້ມໄດ້ບໍ? ຄຳຕອບສັ້ນໆ: ບໍ່. ຄຳຕອບທີ່ຍາວກວ່າ? ມັນສັບສົນ, ສັບສົນ, ແລະໜ້າສົນໃຈຫຼາຍກວ່າ “ແມ່ນ” ຫຼື “ບໍ່” ທີ່ຮາບພຽງ
ບົດຄວາມທີ່ທ່ານອາດຈະຢາກອ່ານຫຼັງຈາກບົດຄວາມນີ້:
🔗 ວິທະຍາສາດຂໍ້ມູນ ແລະ ປັນຍາປະດິດ: ອະນາຄົດຂອງນະວັດຕະກຳ
ສຳຫຼວດວິທີທີ່ AI ແລະວິທະຍາສາດຂໍ້ມູນສ້າງຮູບແບບນະວັດຕະກໍາໃນອະນາຄົດ.
🔗 AI ຈະທົດແທນນັກວິເຄາະຂໍ້ມູນບໍ?: ການສົນທະນາທີ່ແທ້ຈິງ
ເຂົ້າໃຈຜົນກະທົບຂອງ AI ຕໍ່ບົດບາດຂອງນັກວິເຄາະຂໍ້ມູນ ແລະ ຄວາມຕ້ອງການຂອງອຸດສາຫະກໍາ.
🔗 ການຈັດການຂໍ້ມູນສຳລັບເຄື່ອງມື AI ທີ່ທ່ານຄວນພິຈາລະນາ
ການປະຕິບັດການຄຸ້ມຄອງຂໍ້ມູນທີ່ສໍາຄັນເພື່ອເພີ່ມທ່າແຮງຂອງເຄື່ອງມື AI ໃຫ້ສູງສຸດ.
ສິ່ງທີ່ເຮັດໃຫ້ວິທະຍາສາດຂໍ້ມູນມີຄຸນຄ່າແທ້ໆ🎯
ນີ້ແມ່ນສິ່ງທີ່ສຳຄັນ - ວິທະຍາສາດຂໍ້ມູນບໍ່ພຽງແຕ່ເປັນຄະນິດສາດບວກກັບຮູບແບບເທົ່ານັ້ນ. ສິ່ງທີ່ເຮັດໃຫ້ມັນມີປະສິດທິພາບແມ່ນການປະສົມປະສານທີ່ແປກປະຫຼາດຂອງຄວາມ ແມ່ນຍຳທາງສະຖິຕິ, ສະພາບການທາງທຸລະກິດ, ແລະການແກ້ໄຂບັນຫາທີ່ສ້າງສັນເລັກນ້ອຍ . AI ສາມາດຄິດໄລ່ຄວາມເປັນໄປໄດ້ຫຼາຍໝື່ນຢ່າງພາຍໃນພິບຕາ, ແນ່ນອນ. ແຕ່ມັນສາມາດຕັດສິນໃຈໄດ້ ໃດ ສຳຄັນຕໍ່ຜົນກຳໄລຂອງບໍລິສັດບໍ? ຫຼືອະທິບາຍວ່າບັນຫານັ້ນກ່ຽວຂ້ອງກັບຍຸດທະສາດແລະພຶດຕິກຳຂອງລູກຄ້າແນວໃດ? ນັ້ນແມ່ນບ່ອນທີ່ມະນຸດເຂົ້າມາແຊກແຊງ.
ໃນແກ່ນແທ້ຂອງມັນ, ວິທະຍາສາດຂໍ້ມູນແມ່ນຄ້າຍຄືກັບນັກແປພາສາ. ມັນໃຊ້ຄວາມວຸ້ນວາຍດິບໆ - ຕາຕະລາງ, ບັນທຶກ, ການສຳຫຼວດທີ່ບໍ່ມີປະໂຫຍດ - ແລະປ່ຽນມັນໃຫ້ກາຍເປັນການຕັດສິນໃຈທີ່ຄົນທຳມະດາສາມາດປະຕິບັດໄດ້ແທ້ໆ. ກຳຈັດຊັ້ນການແປນັ້ນອອກ ແລະ AI ມັກຈະເວົ້າເລື່ອງໄຮ້ສາລະທີ່ໜ້າເຊື່ອຖືອອກມາ. HBR ໄດ້ກ່າວແບບນີ້ມາຫຼາຍປີແລ້ວ: ເຄັດລັບບໍ່ແມ່ນຕົວຊີ້ວັດຄວາມຖືກຕ້ອງ, ມັນແມ່ນ ການຊັກຊວນ ແລະ ສະພາບການ [2].
ການກວດສອບຄວາມເປັນຈິງ: ການສຶກສາຊີ້ໃຫ້ເຫັນວ່າ AI ສາມາດອັດຕະໂນມັດວຽກງານຫຼາຍຢ່າງພາຍໃນວຽກ - ບາງຄັ້ງຫຼາຍກວ່າເຄິ່ງໜຶ່ງ . ແຕ່ການກໍານົດຂອບເຂດວຽກງານ, ການຕັດສິນໃຈ, ແລະ ການສອດຄ່ອງກັບສິ່ງທີ່ສັບສົນທີ່ເອີ້ນວ່າ "ອົງກອນ" ບໍ? ຍັງເປັນອານາເຂດຂອງມະນຸດຢູ່ [1].
ການປຽບທຽບຢ່າງວ່ອງໄວ: ວິທະຍາສາດຂໍ້ມູນທຽບກັບ AI
ຕາຕະລາງນີ້ບໍ່ສົມບູນແບບ, ແຕ່ມັນເນັ້ນໃຫ້ເຫັນບົດບາດທີ່ແຕກຕ່າງກັນທີ່ພວກເຂົາມີ:
| ລັກສະນະ / ມຸມ | ວິທະຍາສາດຂໍ້ມູນ👩🔬 | ປັນຍາປະດິດ🤖 | ເປັນຫຍັງມັນຈຶ່ງສຳຄັນ |
|---|---|---|---|
| ຈຸດສຸມຫຼັກ | ຄວາມເຂົ້າໃຈ ແລະ ການຕັດສິນໃຈ | ອັດຕະໂນມັດ ແລະ ການຄາດຄະເນ | ວິທະຍາສາດຂໍ້ມູນກຳນົດຂອບເຂດຂອງ “ສິ່ງທີ່” ແລະ “ເຫດຜົນ” |
| ຜູ້ໃຊ້ທົ່ວໄປ | ນັກວິເຄາະ, ນັກຍຸດທະສາດ, ທີມງານທຸລະກິດ | ວິສະວະກອນ, ທີມງານປະຕິບັດການ, ແອັບຊອບແວ | ກຸ່ມເປົ້າໝາຍທີ່ແຕກຕ່າງກັນ, ຄວາມຕ້ອງການທີ່ຊໍ້າຊ້ອນກັນ |
| ປັດໄຈຄ່າໃຊ້ຈ່າຍ 💸 | ເງິນເດືອນ ແລະ ເຄື່ອງມື (ສາມາດຄາດເດົາໄດ້) | ການປະມວນຜົນແບບຄລາວ (ຕົວແປຕາມຂະໜາດ) | AI ສາມາດເບິ່ງຄືວ່າລາຄາຖືກກວ່າຈົນກວ່າການນຳໃຊ້ຈະເພີ່ມຂຶ້ນຢ່າງໄວວາ |
| ຄວາມເຂັ້ມແຂງ | ສະພາບການ + ການເລົ່າເລື່ອງ | ຄວາມໄວ + ຄວາມສາມາດໃນການຂະຫຍາຍ | ຮ່ວມກັນ, ພວກມັນມີຄວາມສາມັກຄີກັນ |
| ຈຸດອ່ອນ | ຊ້າສຳລັບໜ້າວຽກທີ່ຊ້ຳໆ | ຕໍ່ສູ້ກັບຄວາມບໍ່ແນ່ນອນ | ວ່າເປັນຫຍັງຄົນໜຶ່ງຈຶ່ງບໍ່ຂ້າອີກຄົນໜຶ່ງ |
ຄວາມເຊື່ອຜິດໆກ່ຽວກັບ “ການທົດແທນຢ່າງຄົບຖ້ວນ” 🚫
ມັນຟັງແລ້ວດີທີ່ຈະຈິນຕະນາການວ່າ AI ຈະກືນກິນທຸກໆວຽກງານຂໍ້ມູນ, ແຕ່ມັນຖືກສ້າງຂຶ້ນບົນພື້ນຖານການສົມມຸດຕິຖານທີ່ຜິດພາດ - ວ່າຄຸນຄ່າທັງໝົດຂອງວິທະຍາສາດຂໍ້ມູນແມ່ນດ້ານວິຊາການ. ສ່ວນໃຫຍ່ແມ່ນ ການຕີຄວາມ, ການເມືອງ, ແລະການສື່ສານ .
-
ບໍ່ມີຜູ້ບໍລິຫານຄົນໃດເວົ້າວ່າ, "ກະລຸນາໃຫ້ຮູບແບບທີ່ມີຄວາມຖືກຕ້ອງ 94% ແກ່ຂ້ອຍ."
-
ພວກເຂົາເວົ້າວ່າ, "ພວກເຮົາຄວນຂະຫຍາຍໄປສູ່ຕະຫຼາດໃໝ່ນີ້ບໍ, ແມ່ນ ຫຼື ບໍ່?"
AI ສາມາດສ້າງການຄາດຄະເນໄດ້. ສິ່ງທີ່ມັນຈະບໍ່ມີປັດໄຈຫຍັງເຂົ້າມາກ່ຽວຂ້ອງ: ບັນຫາດ້ານກົດລະບຽບ, ຄວາມແຕກຕ່າງທາງດ້ານວັດທະນະທຳ, ຫຼື ຄວາມຢາກກິນຄວາມສ່ຽງຂອງ CEO. ການວິເຄາະທີ່ຫັນມາເປັນການກະທຳຍັງເປັນເກມຂອງມະນຸດ , ເຕັມໄປດ້ວຍການແລກປ່ຽນ ແລະ ການຊັກຊວນ [2].
ບ່ອນທີ່ AI ກຳລັງສັ່ນສະເທືອນສິ່ງຕ່າງໆຢູ່ແລ້ວ 💥
ຂໍໃຫ້ຊື່ສັດ - ສ່ວນໜຶ່ງຂອງວິທະຍາສາດຂໍ້ມູນກຳລັງຖືກ AI ກິນຢູ່ແລ້ວ:
-
ການເຮັດຄວາມສະອາດ ແລະ ການກະກຽມຂໍ້ມູນ → ການກວດສອບອັດຕະໂນມັດຈະຊອກຫາຄ່າທີ່ຂາດຫາຍໄປ, ຄວາມຜິດປົກກະຕິ ແລະ ການເລື່ອນລອຍໄວກວ່າມະນຸດທີ່ເຮັດວຽກຜ່ານ Excel.
-
ການເລືອກ ແລະ ການປັບແຕ່ງຮູບແບບ → AutoML ເຮັດໃຫ້ຕົວເລືອກອັລກໍຣິທຶມແຄບລົງ ແລະ ຈັດການກັບ hyperparameters, ຊ່ວຍປະຢັດເວລາຫຼິ້ນຫຼາຍອາທິດ [5].
-
ການສະແດງພາບ ແລະ ການລາຍງານ → ເຄື່ອງມືຕ່າງໆໃນປັດຈຸບັນສາມາດຮ່າງແຜງຄວບຄຸມ ຫຼື ບົດສະຫຼຸບຂໍ້ຄວາມຈາກການກະຕຸ້ນດຽວໄດ້.
ໃຜຮູ້ສຶກເຖິງມັນຫຼາຍທີ່ສຸດ? ຜູ້ທີ່ມີວຽກເຮັດງານທຳໝູນວຽນຢູ່ອ້ອມຮອບການສ້າງຕາຕະລາງແບບຊ້ຳໆ ຫຼື ການສ້າງແບບຈຳລອງພື້ນຖານ. ທາງອອກແມ່ນຫຍັງ? ຍ້າຍໄປສູງຂຶ້ນໃນລະບົບຕ່ອງໂສ້ມູນຄ່າ: ຖາມຄຳຖາມທີ່ຄົມຊັດກວ່າ, ເລົ່າເລື່ອງທີ່ຊັດເຈນກວ່າ, ແລະ ວາງຄຳແນະນຳທີ່ດີກວ່າ.
ພາບລວມກໍລະນີສັ້ນໆ: ຜູ້ຂາຍຍ່ອຍທົດສອບ AutoML ສຳລັບການຍົກເລີກ. ມັນສະແດງອອກເຖິງຮູບແບບພື້ນຖານທີ່ແຂງແກ່ນ. ແຕ່ໄຊຊະນະອັນໃຫຍ່ຫຼວງແມ່ນເກີດຂຶ້ນເມື່ອນັກວິທະຍາສາດຂໍ້ມູນປັບໂຄງສ້າງໜ້າວຽກຄືນໃໝ່: ແທນທີ່ຈະເປັນ "ໃຜຈະຍົກເລີກ?" ມັນກາຍເປັນ "ການແຊກແຊງໃດທີ່ເພີ່ມກຳໄລສຸດທິຕາມສ່ວນ?" ການປ່ຽນແປງນັ້ນ - ບວກກັບການຮ່ວມມືກັບການເງິນເພື່ອກຳນົດຂໍ້ຈຳກັດ - ແມ່ນສິ່ງທີ່ຂັບເຄື່ອນມູນຄ່າ. ລະບົບອັດຕະໂນມັດເລັ່ງຄວາມໄວຂອງສິ່ງຕ່າງໆ, ແຕ່ ການກຳນົດໂຄງສ້າງ ຈະປົດລັອກຜົນໄດ້ຮັບ.
ບົດບາດຂອງນັກວິທະຍາສາດຂໍ້ມູນກຳລັງພັດທະນາໄປເລື້ອຍໆ 🔄
ແທນທີ່ຈະຈາງຫາຍໄປ, ວຽກງານກຳລັງປ່ຽນໄປເປັນຮູບຮ່າງໃໝ່:
-
ນັກແປພາສາ AI - ເຮັດໃຫ້ຜົນຜະລິດດ້ານວິຊາການສາມາດຍ່ອຍໄດ້ສຳລັບຜູ້ນຳທີ່ໃສ່ໃຈກ່ຽວກັບເງິນໂດລາ ແລະ ຄວາມສ່ຽງດ້ານຍີ່ຫໍ້.
-
ຜູ້ນຳດ້ານການປົກຄອງ ແລະ ຈັນຍາບັນ - ການຕັ້ງຄ່າການທົດສອບອະຄະຕິ, ການຕິດຕາມກວດກາ ແລະ ການຄວບຄຸມທີ່ສອດຄ່ອງກັບມາດຕະຖານເຊັ່ນ: AI RMF ຂອງ NIST [3].
-
ນັກຍຸດທະສາດຜະລິດຕະພັນ - ການນຳເອົາຂໍ້ມູນ ແລະ ປັນຍາປະດິດ (AI) ມາປະສົມເຂົ້າໃນປະສົບການຂອງລູກຄ້າ ແລະ ແຜນທີ່ຜະລິດຕະພັນ.
ເປັນເລື່ອງແປກທີ່ AI ເຂົ້າຄວບຄຸມວຽກງານດ້ານວິຊາການຫຼາຍຂຶ້ນ, ທັກສະຂອງມະນຸດ - ການເລົ່າເລື່ອງ, ການຕັດສິນຂົງເຂດ, ການຄິດຢ່າງມີວິຈານ - ກາຍເປັນສ່ວນທີ່ທ່ານບໍ່ສາມາດທົດແທນໄດ້ງ່າຍ.
ສິ່ງທີ່ຜູ້ຊ່ຽວຊານ ແລະ ຂໍ້ມູນກຳລັງເວົ້າ 🗣️
-
ການເຮັດວຽກອັດຕະໂນມັດແມ່ນມີຢູ່ຈິງ, ແຕ່ບາງສ່ວນ : AI ໃນປະຈຸບັນສາມາດເຮັດໃຫ້ວຽກງານຫຼາຍຢ່າງເປັນອັດຕະໂນມັດພາຍໃນວຽກງານຫຼາຍຢ່າງ, ແຕ່ໂດຍປົກກະຕິແລ້ວມັນຈະເຮັດໃຫ້ມະນຸດມີອິດສະຫຼະທີ່ຈະປ່ຽນໄປສູ່ວຽກງານທີ່ມີມູນຄ່າສູງກວ່າ [1].
-
ການຕັດສິນໃຈຕ້ອງການມະນຸດ : HBR ຊີ້ໃຫ້ເຫັນວ່າອົງກອນຕ່າງໆບໍ່ໄດ້ເຄື່ອນຍ້າຍຍ້ອນຕົວເລກດິບ - ພວກມັນເຄື່ອນຍ້າຍເພາະວ່າເລື່ອງລາວ ແລະ ການບັນຍາຍເຮັດໃຫ້ຜູ້ນຳປະຕິບັດ [2].
-
ຜົນກະທົບຕໍ່ວຽກ ≠ ການປົດພະນັກງານຈຳນວນຫຼວງຫຼາຍ : ຂໍ້ມູນ WEF ສະແດງໃຫ້ເຫັນວ່າບໍລິສັດຕ່າງໆຄາດຫວັງວ່າ AI ຈະປ່ຽນບົດບາດ ແລະ ຫຼຸດຜ່ອນພະນັກງານບ່ອນທີ່ວຽກງານສາມາດເຮັດວຽກໄດ້ໂດຍອັດຕະໂນມັດສູງ, ແຕ່ພວກເຂົາຍັງເພີ່ມທັກສະຄືນໃໝ່ເປັນສອງເທົ່າ [4]. ຮູບແບບດັ່ງກ່າວເບິ່ງຄືວ່າຄ້າຍຄືກັບການອອກແບບໃໝ່ຫຼາຍກວ່າການທົດແທນ.
ເປັນຫຍັງຄວາມຢ້ານກົວຍັງຄົງຢູ່ 😟
ຫົວຂໍ້ຂ່າວຂອງສື່ມວນຊົນຈະເລີນຮຸ່ງເຮືອງໄປດ້ວຍດີ. “AI ແທນວຽກ!” ຂາຍດີ. ແຕ່ການສຶກສາຢ່າງຈິງຈັງສະແດງໃຫ້ເຫັນເຖິງຄວາມແຕກຕ່າງຢ່າງຕໍ່ເນື່ອງ: ການອັດຕະໂນມັດຂອງໜ້າວຽກ, ການອອກແບບຂະບວນການເຮັດວຽກຄືນໃໝ່, ແລະ ການສ້າງບົດບາດໃໝ່ [1][4]. ການປຽບທຽບກັບເຄື່ອງຄິດເລກໄດ້ຜົນ: ບໍ່ມີໃຜເຮັດການຫານຍາວດ້ວຍມືອີກຕໍ່ໄປ, ແຕ່ທ່ານຍັງຈຳເປັນຕ້ອງເຂົ້າໃຈພຶດຊະຄະນິດເພື່ອຮູ້ ວ່າເວລາໃດ ຄວນໃຊ້ເຄື່ອງຄິດເລກ.
ການຮັກສາຄວາມກ່ຽວຂ້ອງ: ປຶ້ມຄູ່ມືທີ່ໃຊ້ໄດ້ຈິງ 🧰
-
ເລີ່ມຕົ້ນດ້ວຍການຕັດສິນໃຈ. ໃຫ້ວຽກງານຂອງເຈົ້າຕິດພັນກັບຄຳຖາມທາງທຸລະກິດ ແລະ ຄ່າໃຊ້ຈ່າຍໃນການເຮັດຜິດພາດ.
-
ໃຫ້ AI ຮ່າງ, ເຈົ້າປັບປຸງ. ປະຕິບັດຕໍ່ຜົນຜະລິດຂອງມັນເປັນຈຸດເລີ່ມຕົ້ນ - ເຈົ້ານຳເອົາການຕັດສິນ ແລະ ສະພາບການມາໃຫ້.
-
ສ້າງລະບົບການປົກຄອງເຂົ້າໃນກະແສຂໍ້ມູນຂອງທ່ານ. ການກວດສອບອະຄະຕິ, ການຕິດຕາມກວດກາ ແລະ ເອກະສານທີ່ມີນ້ຳໜັກເບົາ ເຊິ່ງເຊື່ອມໂຍງກັບຂອບການເຮັດວຽກຕ່າງໆເຊັ່ນ NIST [3].
-
ປ່ຽນໄປສູ່ຍຸດທະສາດ ແລະ ການສື່ສານ. ຍິ່ງເຈົ້າຕິດພັນກັບ "ການກົດປຸ່ມໜ້ອຍລົງ" ເທົ່າໃດ, ມັນກໍ່ຈະຍາກຂຶ້ນທີ່ຈະເຮັດໃຫ້ເຈົ້າອອກຈາກລະບົບອັດຕະໂນມັດ.
-
ຮູ້ຈັກ AutoML ຂອງເຈົ້າ. ຄິດວ່າມັນຄືກັບພະນັກງານຝຶກງານທີ່ສະຫຼາດຫຼັກແຫຼມແຕ່ບໍ່ລະມັດລະວັງ: ໄວ, ບໍ່ອິດເມື່ອຍ, ບາງຄັ້ງກໍ່ຜິດພາດຢ່າງຮຸນແຮງ. ເຈົ້າໃຫ້ການປ້ອງກັນ [5].
ດັ່ງນັ້ນ... AI ຈະທົດແທນວິທະຍາສາດຂໍ້ມູນບໍ? ✅❌
ຄຳຕອບທີ່ຊັດເຈນ: ບໍ່, ແຕ່ມັນຈະປ່ຽນຮູບແບບຂອງມັນ . AI ກຳລັງຂຽນ ຊຸດເຄື່ອງມື - ຫຼຸດຜ່ອນວຽກງານທີ່ຫຍຸ້ງຍາກ, ເພີ່ມຂະໜາດ, ແລະປ່ຽນທັກສະທີ່ສຳຄັນທີ່ສຸດ. ສິ່ງທີ່ມັນບໍ່ໄດ້ລົບລ້າງອອກແມ່ນຄວາມຕ້ອງການໃນ ການຕີຄວາມ, ຄວາມຄິດສ້າງສັນ, ແລະການຕັດສິນໃຈຂອງມະນຸດ . ຖ້າມີຫຍັງ, ນັກວິທະຍາສາດຂໍ້ມູນທີ່ດີ ຫຼາຍກວ່າ ໃນຖານະເປັນຜູ້ຕີຄວາມໝາຍຂອງຜົນຜະລິດທີ່ສັບສົນເພີ່ມຂຶ້ນເລື້ອຍໆ.
ສະຫຼຸບແລ້ວ: AI ແທນໜ້າວຽກ, ບໍ່ແມ່ນອາຊີບ [1][2][4].
ເອກະສານອ້າງອີງ
[1] McKinsey & Company - ທ່າແຮງທາງເສດຖະກິດຂອງ AI ທີ່ສ້າງສັນ: ຂອບເຂດການຜະລິດຕໍ່ໄປ (ມິຖຸນາ 2023).
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
[2] ວາລະສານ Harvard Business Review - ວິທະຍາສາດຂໍ້ມູນ ແລະ ສິລະປະການຊັກຊວນ (Scott Berinato, ມັງກອນ-ກຸມພາ 2019).
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion
[3] NIST - ຂອບການຄຸ້ມຄອງຄວາມສ່ຽງດ້ານປັນຍາປະດິດ (AI RMF 1.0) (2023).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf
[4] ເວທີປຶກສາຫາລືເສດຖະກິດໂລກ - AI ກຳລັງປິດປະຕູໂອກາດວຽກເຮັດງານທຳລະດັບເລີ່ມຕົ້ນບໍ? (30 ເມສາ 2025) - ຄວາມເຂົ້າໃຈຈາກ ອະນາຄົດຂອງວຽກເຮັດງານທຳ 2025.
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/
[5] He, X. ແລະ ອື່ນໆ - AutoML: ການສຳຫຼວດສະພາບປັດຈຸບັນຂອງສິນລະປະ (arXiv, 2019).
https://arxiv.org/abs/1908.00709