ഡാറ്റാ സയൻസിന് പകരം AI വരുമോ?

ശരി, മേശപ്പുറത്ത് കാർഡുകൾ - ഈ ചോദ്യം എല്ലായിടത്തും ഉയർന്നുവരുന്നു. ടെക് മീറ്റപ്പുകളിൽ, ജോലിസ്ഥലത്തെ കോഫി ബ്രേക്കുകളിൽ, അതെ, ആ നീണ്ട ലിങ്ക്ഡ്ഇൻ ത്രെഡുകളിൽ പോലും ആരും വായിക്കാൻ സമ്മതിക്കുന്നില്ല. ആശങ്ക വളരെ വ്യക്തമാണ്: AI-ക്ക് ഇത്രയധികം ഓട്ടോമേഷൻ കൈകാര്യം ചെയ്യാൻ കഴിയുമെങ്കിൽ, അത് ഡാറ്റാ സയൻസിനെ ഒരുതരം... ഉപയോഗശൂന്യമാക്കുമോ? ദ്രുത ഉത്തരം: ഇല്ല. ദൈർഘ്യമേറിയ ഉത്തരം? ഇത് സങ്കീർണ്ണവും കുഴപ്പമുള്ളതും, ഒരു ഫ്ലാറ്റ് "അതെ" അല്ലെങ്കിൽ "ഇല്ല" എന്നതിനേക്കാൾ വളരെ രസകരവുമാണ്

ഇതിനു ശേഷം നിങ്ങൾക്ക് വായിക്കാൻ ഇഷ്ടപ്പെട്ടേക്കാവുന്ന ലേഖനങ്ങൾ:

🔗 ഡാറ്റാ സയൻസും കൃത്രിമബുദ്ധിയും: നവീകരണത്തിന്റെ ഭാവി
AI-യും ഡാറ്റാ സയൻസും നാളത്തെ നവീകരണ ഭൂപ്രകൃതിയെ എങ്ങനെ രൂപപ്പെടുത്തുന്നുവെന്ന് പര്യവേക്ഷണം ചെയ്യുന്നു.

🔗 ഡാറ്റാ അനലിസ്റ്റുകളെ AI മാറ്റിസ്ഥാപിക്കുമോ: യഥാർത്ഥ സംസാരം
ഡാറ്റാ അനലിസ്റ്റ് റോളുകളിലും വ്യവസായ ആവശ്യങ്ങളിലും AI യുടെ സ്വാധീനം മനസ്സിലാക്കൽ.

🔗 നിങ്ങൾ ശ്രദ്ധിക്കേണ്ട AI ഉപകരണങ്ങൾക്കായുള്ള ഡാറ്റ മാനേജ്മെന്റ്
AI ഉപകരണങ്ങളുടെ സാധ്യതകൾ പരമാവധി പ്രയോജനപ്പെടുത്തുന്നതിനുള്ള പ്രധാന ഡാറ്റ മാനേജ്മെന്റ് രീതികൾ.

ഡാറ്റാ സയൻസിനെ യഥാർത്ഥത്തിൽ മൂല്യവത്താക്കുന്നത് എന്താണ് 🎯

ഇതാണ് കാര്യം - ഡാറ്റാ സയൻസ് വെറും ഗണിതവും മോഡലുകളും മാത്രമല്ല. സ്റ്റാറ്റിസ്റ്റിക്കൽ കൃത്യത, ബിസിനസ് സന്ദർഭം, സൃഷ്ടിപരമായ പ്രശ്‌നപരിഹാരം എന്നിവയുടെ . AI-ക്ക് പതിനായിരം സാധ്യതകൾ ഒരു നിമിഷത്തിനുള്ളിൽ കണക്കാക്കാൻ കഴിയും, തീർച്ച. എന്നാൽ ഏത് പ്രശ്‌നമാണ് പ്രധാനമെന്ന് അതിന് തീരുമാനിക്കാൻ കഴിയുമോ? അല്ലെങ്കിൽ ആ പ്രശ്‌നം തന്ത്രവുമായും ഉപഭോക്തൃ പെരുമാറ്റവുമായും എങ്ങനെ ബന്ധപ്പെട്ടിരിക്കുന്നുവെന്ന് വിശദീകരിക്കുക? അവിടെയാണ് മനുഷ്യർ ഇടപെടുന്നത്.

അതിന്റെ കാതലായ ഭാഗത്ത്, ഡാറ്റാ സയൻസ് ഒരു വിവർത്തകനെപ്പോലെയാണ്. വൃത്തികെട്ട സ്പ്രെഡ്‌ഷീറ്റുകൾ, ലോഗുകൾ, സർവേകൾ എന്നിവയെ അടിസ്ഥാനമാക്കിയുള്ള അസംബന്ധങ്ങൾ - സാധാരണക്കാർക്ക് പ്രവർത്തിക്കാൻ കഴിയുന്ന തീരുമാനങ്ങളാക്കി മാറ്റുന്നു. ആ വിവർത്തന പാളി നീക്കം ചെയ്യുക, AI പലപ്പോഴും ആത്മവിശ്വാസത്തോടെയുള്ള അസംബന്ധങ്ങൾ പുറത്തുവിടുന്നു. HBR വർഷങ്ങളായി ഇത് പറയുന്നുണ്ട്: രഹസ്യ സോസ് കൃത്യതാ അളവുകളല്ല, അത് പ്രേരണയും സന്ദർഭവുമാണ് [2].

യാഥാർത്ഥ്യ പരിശോധന: ഒരു ജോലിക്കുള്ളിൽ നിരവധി ജോലികൾ - ചിലപ്പോൾ പകുതിയിലധികം - ഓട്ടോമേറ്റ് ചെയ്യാൻ AI-ക്ക് കഴിയുമെന്ന് പഠനങ്ങൾ സൂചിപ്പിക്കുന്നു. എന്നാൽ ജോലിയുടെ വ്യാപ്തി, വിധിനിർണ്ണയം, "ഒരു സ്ഥാപനം" എന്ന് വിളിക്കപ്പെടുന്ന കുഴപ്പമുള്ള കാര്യവുമായി യോജിപ്പിക്കൽ എന്നിവയാണോ? ഇപ്പോഴും വളരെ വലിയ മനുഷ്യ പ്രദേശമാണ് [1].

ദ്രുത താരതമ്യം: ഡാറ്റ സയൻസ് vs. AI

ഈ പട്ടിക പൂർണതയുള്ളതല്ല, പക്ഷേ അവർ വഹിക്കുന്ന വ്യത്യസ്ത റോളുകൾ ഇത് എടുത്തുകാണിക്കുന്നു:

"പൂർണ്ണമായ മാറ്റിസ്ഥാപിക്കൽ" എന്ന മിത്ത് 🚫

എല്ലാ ഡാറ്റാ ജോലികളും AI വിഴുങ്ങുന്നത് സങ്കൽപ്പിക്കാൻ നല്ലതായി തോന്നാം, പക്ഷേ അത് തെറ്റായ അനുമാനത്തിലാണ് നിർമ്മിച്ചിരിക്കുന്നത് - ഡാറ്റാ സയൻസിന്റെ മുഴുവൻ മൂല്യവും സാങ്കേതികമാണ്. അതിൽ ഭൂരിഭാഗവും വാസ്തവത്തിൽ വ്യാഖ്യാനപരവും, രാഷ്ട്രീയവും, ആശയവിനിമയപരവുമാണ് .

• "ദയവായി 94% കൃത്യതയുള്ള ഒരു മോഡൽ എനിക്ക് തരൂ" എന്ന് ഒരു എക്സിക്യൂട്ടീവും പറയുന്നില്ല

• അവർ പറയുന്നു, "നമ്മൾ ഈ പുതിയ വിപണിയിലേക്ക് വ്യാപിപ്പിക്കണോ, അതെ അല്ലെങ്കിൽ ഇല്ല?"

AI-ക്ക് ഒരു പ്രവചനം സൃഷ്ടിക്കാൻ കഴിയും. അത് പരിഗണിക്കാത്ത കാര്യങ്ങൾ: നിയന്ത്രണ തലവേദന, സാംസ്കാരിക സൂക്ഷ്മത, അല്ലെങ്കിൽ CEO-യുടെ റിസ്ക് എടുക്കാനുള്ള കഴിവ്. വിശകലനം പ്രവർത്തനത്തിലേക്ക് മാറുന്നത് ഇപ്പോഴും ഒരു മനുഷ്യ കളിയാണ് , അതിൽ പരസ്പര കൈമാറ്റങ്ങളും പ്രേരണയും നിറഞ്ഞിരിക്കുന്നു [2].

AI ഇതിനകം കാര്യങ്ങൾ തകിടം മറിക്കുന്നിടം 💥

സത്യം പറഞ്ഞാൽ - ഡാറ്റാ സയൻസിന്റെ ചില ഭാഗങ്ങൾ AI ഇതിനകം തന്നെ ജീവനോടെ തിന്നു തുടങ്ങിയിരിക്കുന്നു:

• ഡാറ്റ ക്ലീനിംഗും തയ്യാറെടുപ്പും → ഓട്ടോമേറ്റഡ് പരിശോധനകൾ നഷ്ടപ്പെട്ട മൂല്യങ്ങൾ, അപാകതകൾ, എക്സലിലൂടെ അലഞ്ഞുനടക്കുന്ന മനുഷ്യരേക്കാൾ വേഗത്തിൽ ഡ്രിഫ്റ്റ് എന്നിവ കണ്ടെത്തുന്നു.

• മോഡൽ തിരഞ്ഞെടുപ്പും ട്യൂണിംഗും → ഓട്ടോഎംഎൽ അൽഗോരിതം തിരഞ്ഞെടുപ്പുകൾ ചുരുക്കുകയും ഹൈപ്പർപാരാമീറ്ററുകൾ കൈകാര്യം ചെയ്യുകയും ചെയ്യുന്നു, ഇത് ആഴ്ചകളോളം ഫിഡ്ലിംഗ് ലാഭിക്കുന്നു [5].

• ദൃശ്യവൽക്കരണവും റിപ്പോർട്ടിംഗും → ടൂളുകൾക്ക് ഇപ്പോൾ ഒരൊറ്റ പ്രോംപ്റ്റിൽ നിന്ന് ഡാഷ്‌ബോർഡുകളോ ടെക്‌സ്‌റ്റ് സംഗ്രഹങ്ങളോ ഡ്രാഫ്റ്റ് ചെയ്യാൻ കഴിയും.

ആർക്കാണ് ഇത് ഏറ്റവും കൂടുതൽ അനുഭവപ്പെടുന്നത്? ആവർത്തിച്ചുള്ള ചാർട്ട് നിർമ്മാണത്തിലോ അടിസ്ഥാന മോഡലിംഗിലോ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന ആളുകൾ. രക്ഷപ്പെടാനുള്ള വഴി? മൂല്യ ശൃംഖലയിൽ കൂടുതൽ ഉയരങ്ങളിലേക്ക് നീങ്ങുക: കൂടുതൽ വ്യക്തമായ ചോദ്യങ്ങൾ ചോദിക്കുക, വ്യക്തമായ കഥകൾ പറയുക, മികച്ച ശുപാർശകൾ രൂപപ്പെടുത്തുക.

ദ്രുത കേസ് സ്നാപ്പ്ഷോട്ട്: ഒരു റീട്ടെയിലർ ഓട്ടോഎംഎലിനെ ചർണ്ണത്തിനായി പരിശോധിക്കുന്നു. അത് ഒരു ഉറച്ച അടിസ്ഥാന മാതൃക പുറത്തുവിടുന്നു. എന്നാൽ ഡാറ്റാ സയന്റിസ്റ്റ് ടാസ്‌ക് പുനഃക്രമീകരിക്കുമ്പോഴാണ് വലിയ വിജയം ലഭിക്കുന്നത്: “ആരാണ് ചർണ്ണിക്കുക?” എന്നതിന് പകരം അത് “സെഗ്‌മെന്റ് അനുസരിച്ച് നെറ്റ് മാർജിൻ വർദ്ധിപ്പിക്കുന്ന ഇടപെടലുകൾ ഏതൊക്കെയാണ്?” എന്ന് മാറുന്നു. ആ മാറ്റം - കൂടാതെ നിയന്ത്രണങ്ങൾ സജ്ജീകരിക്കുന്നതിന് ധനകാര്യവുമായി പങ്കാളിത്തം - മൂല്യത്തെ നയിക്കുന്നത്. ഓട്ടോമേഷൻ കാര്യങ്ങൾ വേഗത്തിലാക്കുന്നു, പക്ഷേ ഫ്രെയിമിംഗ് ഫലം അൺലോക്ക് ചെയ്യുന്നു.

ഡാറ്റാ ശാസ്ത്രജ്ഞരുടെ പങ്ക് വികസിച്ചുകൊണ്ടിരിക്കുന്നു 🔄

മങ്ങുന്നതിനുപകരം, ജോലി പുതിയ രൂപങ്ങളിലേക്ക് രൂപാന്തരപ്പെടുകയാണ്:

1. AI വിവർത്തകർ - ഡോളറിനെയും ബ്രാൻഡ് റിസ്കിനെയും കുറിച്ച് ശ്രദ്ധിക്കുന്ന നേതാക്കൾക്ക് സാങ്കേതിക ഔട്ട്പുട്ടുകൾ എളുപ്പത്തിൽ മനസ്സിലാക്കാൻ സഹായിക്കുന്നു.

2. ഭരണവും ധാർമ്മികതയും നയിക്കുന്നു NIST യുടെ AI RMF പോലുള്ള മാനദണ്ഡങ്ങളുമായി പൊരുത്തപ്പെടുന്ന ബയസ് ടെസ്റ്റിംഗ്, നിരീക്ഷണം, നിയന്ത്രണങ്ങൾ എന്നിവ സജ്ജമാക്കുന്നു [3].

3. ഉൽപ്പന്ന തന്ത്രജ്ഞർ - ഉപഭോക്തൃ അനുഭവങ്ങളിലേക്കും ഉൽപ്പന്ന റോഡ്മാപ്പുകളിലേക്കും ഡാറ്റയും AI-യും നെയ്തെടുക്കുന്നു.

വിരോധാഭാസമെന്നു പറയട്ടെ, കൂടുതൽ സാങ്കേതികമായ കാര്യങ്ങൾ AI ഏറ്റെടുക്കുമ്പോൾ, മനുഷ്യന്റെ കഴിവുകൾ - കഥപറച്ചിൽ, ഡൊമെയ്ൻ വിധിനിർണ്ണയം, വിമർശനാത്മക ചിന്ത - എളുപ്പത്തിൽ മാറ്റിസ്ഥാപിക്കാൻ കഴിയാത്ത ഭാഗങ്ങളായി മാറുന്നു.

വിദഗ്ധരും ഡാറ്റയും പറയുന്നത് 🗣️

• ഓട്ടോമേഷൻ യഥാർത്ഥമാണ്, പക്ഷേ ഭാഗികമാണ് : നിലവിലെ AI-ക്ക് പല ജോലികളിലും ധാരാളം ജോലികൾ ഓട്ടോമേറ്റ് ചെയ്യാൻ കഴിയും, പക്ഷേ അത് സാധാരണയായി മനുഷ്യരെ ഉയർന്ന മൂല്യമുള്ള ജോലികളിലേക്ക് മാറാൻ സ്വതന്ത്രരാക്കുന്നു [1].

• തീരുമാനങ്ങൾക്ക് മനുഷ്യരെ ആവശ്യമുണ്ട് : HBR ചൂണ്ടിക്കാണിക്കുന്നത്, എണ്ണം മാത്രം നോക്കിയല്ല സംഘടനകൾ നീങ്ങുന്നത് - കഥകളും വിവരണങ്ങളും നേതാക്കളെ പ്രവർത്തിക്കാൻ പ്രേരിപ്പിക്കുന്നതിനാലാണ് അവ നീങ്ങുന്നത് [2].

• ജോലിയിലെ ആഘാതം ≠ കൂട്ട പിരിച്ചുവിടലുകൾ : WEF ഡാറ്റ കാണിക്കുന്നത് കമ്പനികൾ AI റോളുകൾ മാറ്റുകയും ജോലികൾ വളരെ യാന്ത്രികമാക്കാവുന്ന സ്ഥലങ്ങളിൽ ജീവനക്കാരെ വെട്ടിക്കുറയ്ക്കുകയും ചെയ്യുമെന്ന് പ്രതീക്ഷിക്കുന്നു, എന്നാൽ അവർ പുനർനൈപുണ്യവും ഇരട്ടിയാക്കുന്നു [4]. പാറ്റേൺ മാറ്റിസ്ഥാപിക്കുന്നതിനേക്കാൾ പുനർരൂപകൽപ്പന പോലെയാണ് കാണപ്പെടുന്നത്.

ഭയം നിലനിൽക്കുന്നത് എന്തുകൊണ്ട് 😟

മാധ്യമ തലക്കെട്ടുകൾ നാശത്തിൽ തഴച്ചുവളരുന്നു. “തൊഴിലുകൾക്ക് പകരമായി AI!” വിൽക്കുന്നു. എന്നാൽ ഗൗരവമേറിയ പഠനങ്ങൾ സ്ഥിരമായി സൂക്ഷ്മത കാണിക്കുന്നു: ടാസ്‌ക് ഓട്ടോമേഷൻ, വർക്ക്ഫ്ലോ പുനർരൂപകൽപ്പന, പുതിയ റോൾ സൃഷ്ടി എപ്പോൾ ഉപയോഗിക്കണമെന്ന് അറിയാൻ നിങ്ങൾ ഇപ്പോഴും ബീജഗണിതം മനസ്സിലാക്കേണ്ടതുണ്ട്

പ്രസക്തി നിലനിർത്തൽ: ഒരു പ്രായോഗിക പ്ലേബുക്ക് 🧰

• തീരുമാനത്തിൽ നിന്ന് ആരംഭിക്കുക. ബിസിനസ്സ് ചോദ്യത്തിലും തെറ്റ് വരുത്തുന്നതിന്റെ വിലയിലും നിങ്ങളുടെ ജോലിയെ നങ്കൂരമിടുക.

• AI ഡ്രാഫ്റ്റ് ചെയ്യട്ടെ, നിങ്ങൾ അത് പരിഷ്കരിക്കുക. അതിന്റെ ഔട്ട്പുട്ടുകളെ ആരംഭ പോയിന്റുകളായി പരിഗണിക്കുക - നിങ്ങൾ വിധിയും സന്ദർഭവും കൊണ്ടുവരുന്നു.

• നിങ്ങളുടെ ഒഴുക്കിലേക്ക് ഭരണം കെട്ടിപ്പടുക്കുക. NIST യുടെ [3] പോലുള്ള ചട്ടക്കൂടുകളുമായി ബന്ധിപ്പിച്ചിരിക്കുന്ന ലൈറ്റ്‌വെയ്റ്റ് ബയസ് പരിശോധനകൾ, നിരീക്ഷണം, ഡോക്യുമെന്റേഷൻ.

• തന്ത്രത്തിലേക്കും ആശയവിനിമയത്തിലേക്കും മാറുക. “ബട്ടൺ-അമർത്തൽ” നിങ്ങൾക്ക് എത്രത്തോളം കുറവാണോ, അത്രത്തോളം നിങ്ങളെ ഓട്ടോമേറ്റ് ചെയ്യാൻ പ്രയാസമായിരിക്കും.

• നിങ്ങളുടെ ഓട്ടോഎംഎല്ലിനെക്കുറിച്ച് അറിയുക. ബുദ്ധിമാനും എന്നാൽ അശ്രദ്ധനുമായ ഒരു ഇന്റേൺ പോലെ ചിന്തിക്കുക: വേഗതയുള്ള, ക്ഷീണിക്കാത്ത, ചിലപ്പോൾ വളരെ തെറ്റായ. നിങ്ങൾ സംരക്ഷണം നൽകുന്നു [5].

അപ്പോൾ... ഡാറ്റാ സയൻസിന് പകരമാകുമോ AI? ✅❌

വ്യക്തമായ ഉത്തരം: ഇല്ല, പക്ഷേ അത് അതിനെ പുനർനിർമ്മിക്കും ടൂൾകിറ്റ് വീണ്ടും എഴുതുകയാണ് മനുഷ്യന്റെ വ്യാഖ്യാനം, സർഗ്ഗാത്മകത, വിധിന്യായം എന്നിവയുടെ ആവശ്യകതയെ ഇത് നീക്കം ചെയ്യുന്നില്ല . എന്തിനധികം, കൂടുതൽ സങ്കീർണ്ണമായ ഔട്ട്‌പുട്ടുകളുടെ വ്യാഖ്യാതാക്കൾ എന്ന നിലയിൽ നല്ല ഡാറ്റാ ശാസ്ത്രജ്ഞർ കൂടുതൽ വിലപ്പെട്ടവരാണ്.

ചുരുക്കത്തിൽ: AI തൊഴിലിനെയല്ല, ജോലികളെയാണ് മാറ്റിസ്ഥാപിക്കുന്നത് [1][2][4].

അവലംബം

[1] മക്കിൻസി & കമ്പനി - ജനറേറ്റീവ് AI യുടെ സാമ്പത്തിക സാധ്യതകൾ: അടുത്ത ഉൽപ്പാദനക്ഷമതാ അതിർത്തി (ജൂൺ 2023).
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier

[2] ഹാർവാർഡ് ബിസിനസ് റിവ്യൂ - ഡാറ്റ സയൻസ് ആൻഡ് ദി ആർട്ട് ഓഫ് പെർസുയേഷൻ (സ്കോട്ട് ബെരിനാറ്റോ, ജനുവരി–ഫെബ്രുവരി 2019).
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion

[3] NIST - ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് റിസ്ക് മാനേജ്മെന്റ് ഫ്രെയിംവർക്ക് (AI RMF 1.0) (2023).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

[4] വേൾഡ് ഇക്കണോമിക് ഫോറം - എൻട്രി ലെവൽ ജോലി അവസരങ്ങൾക്ക് AI വാതിൽ അടയ്ക്കുകയാണോ? (ഏപ്രിൽ 30, 2025) - ഫ്യൂച്ചർ ഓഫ് ജോബ്സ് 2025 ൽ .
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/

[5] അവൻ, എക്സ്. തുടങ്ങിയവർ - ഓട്ടോഎംഎൽ: സ്റ്റേറ്റ് ഓഫ് ദി ആർട്ട് എന്ന സർവേ (arXiv, 2019).
https://arxiv.org/abs/1908.00709

ഔദ്യോഗിക AI അസിസ്റ്റന്റ് സ്റ്റോറിൽ ഏറ്റവും പുതിയ AI കണ്ടെത്തുക

ഞങ്ങളേക്കുറിച്ച്