У реду, карте на столу - ово питање се појављује свуда. На технолошким састанцима, паузама за кафу на послу, па чак и у оним дугим LinkedIn темама нико не признаје да их чита. Забринутост је прилично директна: ако вештачка интелигенција може да поднесе толико аутоматизације, да ли то чини науку о подацима помало... за једнократну употребу? Брз одговор: не. Дужи одговор? Компликовано је, неуредно и много занимљивије од једноставног „да“ или „не“
Чланци које бисте можда желели да прочитате након овог:
🔗 Наука о подацима и вештачка интелигенција: будућност иновација
Истраживање како вештачка интелигенција и наука о подацима обликују иновативни пејзаж будућности.
🔗 Хоће ли вештачка интелигенција заменити аналитичаре података: Прави разговор
Разумевање утицаја вештачке интелигенције на улоге аналитичара података и потребе индустрије.
🔗 Управљање подацима за вештачку интелигенцију које би требало да погледате
Кључне праксе управљања подацима за максимизирање потенцијала алата вештачке интелигенције.
Шта заправо чини науку о подацима вредном 🎯
Ствар је у томе - наука о подацима није само математика плус модели. Оно што је чини моћном јесте овај чудан коктел статистичке прецизности, пословног контекста и мало креативног решавања проблема . Вештачка интелигенција може да израчуна десет хиљада вероватноћа у трен ока, сигурно. Али може ли да одлучи који је проблем важан за профит компаније? Или да објасни како се тај проблем повезује са стратегијом и понашањем купаца? Ту људи ступају на сцену.
У својој суштини, наука о подацима је помало као преводилац. Узима сирови неред - ружне табеле, логове, анкете које немају смисла - и претвара га у одлуке на основу којих нормални људи заправо могу да делују. Уклоните тај слој превода и вештачка интелигенција често избацује самоуверене глупости. ХБР то годинама говори: тајни састојак нису метрике тачности, већ убеђивање и контекст [2].
Провера реалности: студије указују да вештачка интелигенција може аутоматизовати мноштво задатака унутар посла - понекад и више од половине . Али одређивање обима посла, доношење процена и усклађивање са неуредном ствари која се зове „организација“? И даље је у великој мери људска територија [1].
Брзо поређење: Наука о подацима наспрам вештачке интелигенције
Ова табела није савршена, али истиче различите улоге које играју:
| Карактеристика / Угао | Наука о подацима 👩🔬 | Вештачка интелигенција 🤖 | Зашто је то важно |
|---|---|---|---|
| Примарни фокус | Увид и доношење одлука | Аутоматизација и предвиђање | Наука о подацима уоквирује „шта“ и „зашто“ |
| Типични корисници | Аналитичари, стратези, пословни тимови | Инжењери, оперативни тимови, софтверске апликације | Различите публике, преклапајуће потребе |
| Фактор трошкова 💸 | Плате и алати (предвидљиво) | Клауд рачунарство (променљиво у зависности од величине) | Вештачка интелигенција може изгледати јефтиније док употреба не порасте |
| Снага | Контекст + приповедање | Брзина + скалабилност | Заједно су симбиотски |
| Слабост | Споро за понављајуће задатке | Бори се са двосмисленошћу | Тачно зашто једно неће убити друго |
Мит о „потпуној замени“ 🚫
Звучи лепо замислити да вештачка интелигенција прогута сваки посао са подацима, али то је засновано на погрешној претпоставци - да је цела вредност науке о подацима техничке природе. Већи део је заправо интерпретативни, политички и комуникативни .
-
Ниједан руководилац не каже: „Молим вас, дајте ми модел са тачношћу од 94%.“
-
Они кажу: „Да ли треба да се проширимо на ово ново тржиште, да или не?“
Вештачка интелигенција може да генерише прогнозу. Шта неће узети у обзир: регулаторне проблеме, културне нијансе или склоност генералног директора ка ризику. Анализа која се претвара у акцију је и даље људска игра , пуна компромиса и убеђивања [2].
Где вештачка интелигенција већ мења ствари 💥
Будимо искрени - делове науке о подацима већ прождире вештачка интелигенција:
-
Чишћење и припрема података → Аутоматизоване провере уочавају недостајуће вредности, аномалије и мењају се брже него што људи муче рад у Екселу.
-
Избор и подешавање модела → AutoML сужава избор алгоритама и обрађује хиперпараметре, штедећи недеље петљања [5].
-
Визуелизација и извештавање → Алати сада могу да креирају контролне табле или текстуалне резимее из једног промпта.
Ко то највише осећа? Људи чији се послови врте око понављајућег прављења графикона или основног моделирања. Излаз? Померите се више у ланцу вредности: постављајте оштрија питања, причајте јасније приче и формулишите боље препоруке.
Кратак преглед случаја: продавац тестира AutoML на одлив купаца. Истиче се солидан основни модел. Али велика победа долази када научник за податке преформулише задатак: уместо „Ко ће одлазити?“, постаје „Које интервенције заправо повећавају нето маржу по сегменту?“ Та промена – плус партнерство са финансијама ради постављања ограничења – је оно што покреће вредност. Аутоматизација убрзава ствари, али оквир откључава резултат.
Улога научника података се развија 🔄
Уместо да бледи, посао се трансформише у нове облике:
-
Преводиоци са вештачком интелигенцијом - чине техничке резултате сварљивим за лидере којима је стало до новца и ризика бренда.
-
Руководиоци управљања и етике - успостављање тестирања пристрасности, праћења и контрола усклађених са стандардима као што је NIST-ов AI RMF [3].
-
Стратези производа - уплићу податке и вештачку интелигенцију у корисничка искуства и планове развоја производа.
Иронично, како вештачка интелигенција преузима све више техничких послова, људске вештине - приповедање, процена домена, критичко размишљање - постају делови које не можете лако заменити.
Шта кажу стручњаци и подаци 🗣️
-
Аутоматизација је стварна, али делимична : Тренутна вештачка интелигенција може аутоматизовати много задатака унутар многих послова, али то обично ослобађа људе да се окрену ка пословима веће вредности [1].
-
Одлуке захтевају људе : ХБР истиче да се организације не крећу због сирових бројева - крећу се зато што приче и наративи терају лидере да делују [2].
-
Утицај на радна места ≠ масовна отпуштања : Подаци Светског економског форума показују да компаније очекују да ће вештачка интелигенција променити улоге и смањити број запослених тамо где су задаци високо аутоматизовани, али такође удвостручују преквалификацију [4]. Образац више личи на редизајн него на замену.
Зашто страх и даље постоји 😟
Медијски наслови напредују на пропасти. „Вештачка интелигенција замењује послове!“ продаје. Али озбиљне студије стално показују нијансе: аутоматизација задатака, редизајн тока посла и стварање нових улога [1][4]. Аналогија са калкулатором функционише: нико више не дели дужину ручно, али и даље морате да разумете алгебру да бисте знали када да користите калкулатор.
Остати релевантан: Практични приручник 🧰
-
Почните са одлуком. Ускладите свој рад са пословним питањем и ценом грешке.
-
Нека вештачка интелигенција прави нацрте, ви усавршавате. Третирајте њене резултате као полазне тачке - ви доносите суд и контекст.
-
Уградите управљање у свој ток рада. Лагане провере пристрасности, праћење и документација повезани са оквирима попут NIST-ових [3].
-
Преусмерите се на стратегију и комуникацију. Што сте мање везани за „притискање дугмади“, теже вас је аутоматизовати.
-
Упознајте свој AutoML. Замислите га као бриљантног, али непромишљеног приправника: брз, неуморан, понекад ужасно погрешан. Ви пружате заштиту [5].
Дакле… Хоће ли вештачка интелигенција заменити науку о подацима? ✅❌
Директан одговор: Не, али ће га преобликовати . Вештачка интелигенција преписује алате - смањује мукотрпан рад, повећава обим и мења које су вештине најважније. Оно што не уклања је потреба за људским тумачењем, креативношћу и просуђивањем . Ако ништа друго, добри научници података су вреднији као тумачи све сложенијих резултата.
Закључак: Вештачка интелигенција замењује задатке, а не професију [1][2][4].
Референце
[1] McKinsey & Company - Економски потенцијал генеративне вештачке интелигенције: Следећа граница продуктивности (јун 2023).
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
[2] Harvard Business Review - Наука о подацима и уметност убеђивања (Скот Беринато, јануар–фебруар 2019).
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion
[3] NIST - Оквир за управљање ризицима вештачке интелигенције (AI RMF 1.0) (2023).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf
[4] Светски економски форум - Да ли вештачка интелигенција затвара врата могућностима за запошљавање на почетном нивоу? (30. април 2025) - увиди из Будућности послова 2025.
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/
[5] Хе, X. и др. - AutoML: Преглед најсавременијих технологија (arXiv, 2019).
https://arxiv.org/abs/1908.00709