Prav, karte na mizo – to vprašanje se pojavlja povsod. Na tehnoloških srečanjih, med odmori za kavo v službi in ja, celo v tistih dolgih temah na LinkedInu nihče ne prizna, da jih bere. Skrb je precej očitna: če umetna inteligenca zmore toliko avtomatizacije, ali to pomeni, da je podatkovna znanost nekako ... za enkratno uporabo? Hiter odgovor: ne. Daljši odgovor? Je zapleten, neurejen in veliko bolj zanimiv kot enostaven "da" ali "ne"
Članki, ki jih boste morda želeli prebrati po tem:
🔗 Znanost o podatkih in umetna inteligenca: prihodnost inovacij
Raziskovanje, kako umetna inteligenca in podatkovna znanost oblikujeta inovacijsko krajino prihodnosti.
🔗 Bo umetna inteligenca nadomestila analitike podatkov: Resničen pogovor
Razumevanje vpliva umetne inteligence na vloge analitikov podatkov in potrebe industrije.
🔗 Upravljanje podatkov za orodja umetne inteligence, ki bi jih morali upoštevati
Ključne prakse upravljanja podatkov za maksimiranje potenciala orodij umetne inteligence.
Kaj pravzaprav dela podatkovno znanost dragoceno 🎯
Stvar je v tem, da podatkovna znanost ni samo matematika in modeli. Močno jo dela ta nenavadna mešanica statistične natančnosti, poslovnega konteksta in kančka ustvarjalnega reševanja problemov . Umetna inteligenca lahko v hipu izračuna deset tisoč verjetnosti, seveda. Toda ali lahko odloči, kateri problem je pomemben za dobiček podjetja? Ali pa pojasni, kako je ta problem povezan s strategijo in vedenjem strank? Tukaj pridejo na vrsto ljudje.
V svojem bistvu je podatkovna znanost nekakšen prevajalnik. Vzame surovo zmešnjavo – grde preglednice, dnevnike, ankete, ki nimajo smisla – in jo spremeni v odločitve, na podlagi katerih lahko običajni ljudje dejansko ukrepajo. Če odstranimo to plast prevajanja, umetna inteligenca pogosto izbruhne samozavestne neumnosti. HBR to trdi že leta: skrivna omaka niso metrike natančnosti, temveč prepričevanje in kontekst [2].
Preverjanje realnosti: študije kažejo, da lahko umetna inteligenca avtomatizira veliko nalog znotraj delovnega mesta – včasih več kot polovico . Toda opredelitev obsega dela, presojanje in usklajevanje z neurejeno stvarjo, imenovano »organizacija«? Še vedno je zelo človeško ozemlje [1].
Hitra primerjava: podatkovna znanost v primerjavi z umetno inteligenco
Ta tabela ni popolna, vendar poudarja različne vloge, ki jih imajo:
| Značilnost / Kot | Znanost o podatkih 👩🔬 | Umetna inteligenca 🤖 | Zakaj je pomembno |
|---|---|---|---|
| Primarni fokus | Vpogled in odločanje | Avtomatizacija in napovedovanje | Znanost podatkov postavlja vprašanja o »kaj« in »zakaj« |
| Tipični uporabniki | Analitiki, strategi, poslovne ekipe | Inženirji, operativne ekipe, programske aplikacije | Različno občinstvo, prekrivajoče se potrebe |
| Stroški 💸 | Plače in orodja (predvidljivo) | Računalništvo v oblaku (spremenljivo glede na obseg) | Umetna inteligenca je lahko videti cenejša, dokler uporaba ne poraste |
| Moč | Kontekst + pripovedovanje zgodb | Hitrost + skalabilnost | Skupaj sta simbiotska |
| Slabost | Počasno za ponavljajoča se opravila | Bori se z dvoumnostjo | Točno zato, ker eden ne bo ubil drugega |
Mit o "popolni zamenjavi" 🚫
Sliši se lepo predstavljati si, da umetna inteligenca požre vsako podatkovno opravilo, vendar to temelji na napačni predpostavki – da je celotna vrednost podatkovne znanosti tehnične narave. Večina je pravzaprav interpretativne, politične in komunikacijske .
-
Noben direktor ne reče: "Prosim, dajte mi model z 94-odstotno natančnostjo."
-
Pravijo: "Ali naj se razširimo na ta novi trg, da ali ne?"
Umetna inteligenca lahko ustvari napoved. Česa ne bo upoštevala: regulativnih težav, kulturnih odtenkov ali nagnjenosti izvršnega direktorja k tveganju. Analiza, ki se spremeni v dejanja, je še vedno človeška igra , polna kompromisov in prepričevanja [2].
Kjer umetna inteligenca že pretresa stvari 💥
Bodimo iskreni – dele podatkovne znanosti že požira umetna inteligenca:
-
Čiščenje in priprava podatkov → Samodejni pregledi odkrijejo manjkajoče vrednosti, anomalije in se premikajo hitreje kot ljudje, ki se mučijo z Excelom.
-
Izbira in uglaševanje modela → AutoML zoži izbiro algoritmov in obravnava hiperparametre, s čimer prihrani tedne iskanja [5].
-
Vizualizacija in poročanje → Orodja lahko zdaj iz enega samega poziva ustvarijo osnutke nadzornih plošč ali besedilnih povzetkov.
Kdo to najbolj čuti? Ljudje, katerih delo se vrti okoli ponavljajočega se gradnje grafikonov ali osnovnega modeliranja. Izhod? Premaknite se višje v vrednostni verigi: postavljajte ostrejša vprašanja, pripovedujte jasnejše zgodbe in oblikujte boljša priporočila.
Hiter posnetek primera: trgovec testira AutoML za odhod strank. Izkaže soliden osnovni model. Toda velika zmaga pride, ko podatkovni znanstvenik preoblikuje nalogo: namesto »Kdo bo odšel?« postane »Kateri posegi dejansko povečajo neto maržo po segmentih?« Ta premik – poleg sodelovanja s finančnim oddelkom za določanje omejitev – je tisto, kar povečuje vrednost. Avtomatizacija pospeši stvari, vendar uokvirjanje odklene rezultat.
Vloga podatkovnih znanstvenikov se razvija 🔄
Namesto da bi bledelo, se delo preoblikuje v nove oblike:
-
Prevajalci z umetno inteligenco – tehnične rezultate naredijo prebavljive za vodje, ki jim je mar za denar in tveganje blagovne znamke.
-
Vodstvo za upravljanje in etiko – vzpostavitev testiranja pristranskosti, spremljanja in kontrol, usklajenih s standardi, kot je NIST-ov AI RMF [3].
-
Produktni strategi - vpletanje podatkov in umetne inteligence v uporabniške izkušnje in načrte izdelkov.
Ironično je, da ko umetna inteligenca prevzema več tehničnega dela, človeške spretnosti – pripovedovanje zgodb, presojanje domen, kritično mišljenje – postanejo deli, ki jih ni mogoče enostavno nadomestiti.
Kaj pravijo strokovnjaki in podatki 🗣️
-
Avtomatizacija je resnična, vendar delna : Trenutna umetna inteligenca lahko avtomatizira veliko nalog znotraj mnogih delovnih mest, vendar to običajno ljudem omogoči, da se preusmerijo k delu z višjo vrednostjo [1].
-
Odločitve potrebujejo ljudi : HBR poudarja, da se organizacije ne premikajo zaradi surovih številk – premikajo se, ker zgodbe in pripovedi spodbujajo vodje k delovanju [2].
-
Vpliv na delovna mesta ≠ množična odpuščanja : Podatki WEF kažejo, da podjetja pričakujejo, da bo umetna inteligenca spremenila vloge in zmanjšala število zaposlenih tam, kjer so naloge zelo avtomatizirane, vendar hkrati podvojijo prekvalifikacijo [4]. Vzorec je bolj podoben preoblikovanju kot zamenjavi.
Zakaj strah vztraja 😟
Medijski naslovi uspevajo na pogubi. »Umetna inteligenca nadomešča delovna mesta!« prodaja. Toda resne študije dosledno kažejo na nianse: avtomatizacijo nalog, prenovo delovnega procesa in ustvarjanje novih vlog [1][4]. Analogija s kalkulatorjem deluje: nihče več ne izvaja deljenja z dolgim številom ročno, vendar morate še vedno razumeti algebro, da veste, kdaj uporabiti kalkulator.
Ostati relevanten: Praktični priročnik 🧰
-
Začnite z odločitvijo. Svoje delo povežite s poslovnim vprašanjem in stroški, ki nastanejo, če se zmotite.
-
Naj umetna inteligenca piše osnutke, vi pa jih izpopolnjujete. Njene rezultate obravnavajte kot izhodišča – vi prinašate presojo in kontekst.
-
V svoj potek dela vgradite upravljanje. Lahka preverjanja pristranskosti, spremljanje in dokumentacija, vezana na ogrodja, kot je NIST [3].
-
Preusmerite se k strategiji in komunikaciji. Manj ko ste vezani na »pritiskanje gumbov«, težje vas je avtomatizirati.
-
Poznajte svoj AutoML. Predstavljajte si ga kot briljanten, a nepremišljen pripravnik: hiter, neutruden, včasih se divje moti. Vi zagotavljate varovalno ograjo [5].
Torej ... Bo umetna inteligenca nadomestila podatkovno znanost? ✅❌
Neposreden odgovor: Ne, vendar ga bo preoblikovala . Umetna inteligenca prepisuje orodja – zmanjšuje mukotrpno delo, povečuje obseg in spreminja tiste veščine, ki so najpomembnejše. Česar pa ne odstrani, je potreba po človeški interpretaciji, ustvarjalnosti in presoji . Če že kaj, so dobri podatkovni znanstveniki bolj dragoceni kot interpretatorji vse bolj kompleksnih rezultatov.
Bistvo: umetna inteligenca nadomešča naloge, ne poklica [1][2][4].
Reference
[1] McKinsey & Company - Ekonomski potencial generativne umetne inteligence: Naslednja meja produktivnosti (junij 2023).
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
[2] Harvard Business Review - Znanost o podatkih in umetnost prepričevanja (Scott Berinato, januar–februar 2019).
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion
[3] NIST - Okvir za obvladovanje tveganj umetne inteligence (AI RMF 1.0) (2023).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf
[4] Svetovni gospodarski forum - Ali umetna inteligenca zapira vrata zaposlitvenim priložnostim na začetni ravni? (30. april 2025) - vpogledi iz publikacije Prihodnost delovnih mest 2025.
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/
[5] He, X. et al. - AutoML: Pregled najsodobnejših tehnologij (arXiv, 2019).
https://arxiv.org/abs/1908.00709