چگونه هوش مصنوعی تجزیه و تحلیل داده ها را متحول می کند

همانطور که دستیاران برنامه نویسی مبتنی بر هوش مصنوعی توسعه دهندگان را بهره وری تر می کنند، هوش مصنوعی نیز گردش کار را برای تحلیلگران داده ساده می کند. همچنین مزایای زیادی برای کاربران تجاری به همراه خواهد داشت.

توسعه دهندگان نرم افزار در حال حاضر از هوش مصنوعی مولد< بهره می برند. /a>، لذت بردن از توانایی دستیاران برنامه نویسی مجهز به هوش مصنوعی برای کارهای وقت گیر را ساده کنید، زبان‌ها و چارچوب‌های جدید را بیاموزید، و بازده را افزایش دهید. اکنون، عرصه تجزیه و تحلیل داده ها نیز شروع به تجربه کارآمدی هوش مصنوعی می کند که توسط توسعه دهندگان دیده می شود. اجرای مدل های زبان بزرگ (LLM ) در پلتفرم های تجزیه و تحلیل داده ها این پتانسیل را دارد که به طور قابل توجهی قابلیت های تحلیلگران داده را افزایش دهد. همانطور که در مورد کدنویس ها، کارهای معمول (از جمله تولید کد و تولید SQL و همچنین تولید نمودار) ساده و تسریع خواهد شد.

در تجزیه و تحلیل داده ها، هوش مصنوعی فراتر از حذف کارهای تکراری انجام شده توسط تحلیلگران است، حتی ورود به تجزیه و تحلیل داده ها را ساده می کند و دامنه کاربران را گسترش می دهد. وقتی هوش مصنوعی امکان انجام گزارش‌ها و تجزیه و تحلیل‌ها را توسط خود مشتریان تجاری فراهم می‌کند، کار تیم‌های علم داده را تکمیل می‌کند و به آن‌ها اجازه می‌دهد تا روی وظایف پیچیده‌تر و استراتژیک‌تر تمرکز کنند. این فرآیندهای کاری کل شرکت را ساده و سریع می کند.

نقش تحلیلگر داده تغییر شکل داد

هوش مصنوعی می‌تواند به تحلیلگران کمک کند تا زمان بیشتری را صرف انجام کارهایی کنند که کسب‌وکارها از آنها می‌خواهند: استخراج بینش از داده‌ها. هوش مصنوعی آنها را از هجوم مشاهده داده ها وظایف و کمک به آماده سازی داده ها با تولید کد، هدایت تفکر، و تهیه گزارش ها به طوری که تحلیلگران بتوانند تمرکز خود را بر آنچه واقعاً مهم است محدود کنند. با کمک هوش مصنوعی، تحلیلگران داده قادر خواهند بود در زمان کار فنی صرفه جویی کنند و خود را در جنبه تجاری کارها غرق کنند.

بیایید مثالی بزنیم. تحلیلگران می توانند ساعت ها صرف نوشتن کد و جستجوی اسناد مربوط به کتابخانه های خاص کنند. با این حال، هوش مصنوعی هر دوی این وظایف را تسریع می‌کند و به آن‌ها این امکان را می‌دهد که با یک پیشنهاد تولید شده توسط هوش مصنوعی شروع کنند – و سپس در صورت نیاز (یا بخواهند) به کاوش عمیق‌تر در کد ادامه دهند. همانطور که دستیاران برنامه نویسی مبتنی بر هوش مصنوعی به توسعه دهندگان اجازه می دهند وظایف را سریعتر انجام دهند، گردش کار را برای تحلیلگر داده ساده می کنند. در نهایت، نقش تحلیلگر داده دوباره فرموله خواهد شد. آنها زمان بیشتری را صرف تمرکز بر روی نیازهای کسب و کار – تمرکز بر تدوین اهداف مناسب برای تحقیق و تشویق – و زمان کمتری بر روی مکانیزم های آماده سازی پروژه خواهند کرد.

با این حال، ما نباید خیلی از خودمان جلوتر باشیم. مهارت های کدنویسی برای تحلیلگران داده مفید است و از آن صرف نظر نمی شود. با این حال، برای موارد ساده، پتانسیل هوش مصنوعی در حال حاضر واضح است، با این فناوری که می‌تواند کد مورد نیاز را تولید کند و یافته‌ها را خلاصه کند. و با گذشت زمان، می‌توان انتظار داشت که نیاز به کدنویسی بیشتر کاهش یابد. در عوض، تمرکز تحلیلگران داده به سمت حوزه کسب و کار تغییر خواهد کرد. این کار برای تکمیل هوش مصنوعی فرموله می شود، اما با توجه دقیق به نیازهای کسب و کار هدایت می شود.

تغییرات در جعبه ابزار تحلیلگر داده

دسترسی هوش مصنوعی به ابزارهایی که اکثر تحلیلگران داده برای کار خود استفاده می‌کنند، مانند نوت بوک های Jupyter و راه حل های سازگار. قالب نوت بوک به طور کامل ناپدید نمی شود. در عوض، در آینده، نوت‌بوک‌ها سریع‌تر می‌شوند و در عین حال سلول‌های کد و خروجی‌های مختلف را حفظ می‌کنند. علاوه بر این، می توانید تصور کنید که نوت بوک شما تا آنجایی که به داده های شما و سایر ابزارهای مرتبط دسترسی دارد، شبیه به ChatGPT خواهد بود. این تغییر به تنهایی تجزیه و تحلیل داده ها را برای افراد بیشتری باز می کند.

من معتقدم که پلتفرم‌های تجزیه و تحلیل داده‌ها نیز نقش مهمی در کاری که تحلیلگران داده در به اشتراک گذاشتن نتایج خود انجام می‌دهند، ایفا می‌کنند – بخش کلیدی کار یک تحلیلگر داده. پیدا کردن چیزی در داده ها یک چیز است. متقاعد کردن دیگران به این معنی که شما فکر می کنید انجام می دهد یک چیز کاملاً متفاوت است. پلتفرم های تجزیه و تحلیل داده ها با استفاده از اطلاعات در مورد مخاطبان هدف و اهداف تحقیق، قادر به تولید گزارش هایی برای استفاده در این اشتراک گذاری خواهند بود. علاوه بر این، ابزارهای مبتنی بر هوش مصنوعی قادر خواهند بود سلول‌ها را بر روی بوم ترتیب دهند، همچنین بر اساس مخاطبان هدف گزارش و همچنین بر اساس هدف تجزیه و تحلیل. با این حال، در نهایت، کل فرآیند به دست آوردن این بینش‌ها تعاملی خواهد بود – بله، این فرآیند عمیقاً شامل یک دستیار هوش مصنوعی در طی مراحل خاصی می‌شود و هوش مصنوعی قادر خواهد بود برخی از وظایف را به طور مستقل حل کند. با این حال، برای کارهایی که پیچیده‌تر هستند، هنوز به ورودی انسانی نیاز است.

اهمیت حیاتی لایه معنایی

به عنوان استفاده از مدل های زبان بزرگ در تجزیه و تحلیل داده ها رایج تر می شود، لایه معنایی (یا لایه متریک) در سازمان ها ضروری می شود. وجود لایه معنایی تغییر به تجزیه و تحلیل سلف سرویس را تسریع می کند و ادغام یکپارچه هوش مصنوعی در ابزارهای تجزیه و تحلیل را امکان پذیر می کند.

Maksim Krivobok سرپرست تیم Datalore، یک پلتفرم علمی داده مشترک، در JetBrains است.

—

Generative AI Insights مکانی را برای رهبران فناوری – از جمله فروشندگان و سایر مشارکت‌کنندگان خارجی – فراهم می‌کند تا چالش‌ها و فرصت‌های هوش مصنوعی مولد را بررسی و بحث کنند. این انتخاب گسترده است، از غواصی عمیق فناوری گرفته تا مطالعات موردی گرفته تا نظرات متخصص، اما همچنین ذهنی است، بر اساس قضاوت ما در مورد اینکه کدام موضوعات و درمان ها به بهترین وجه به مخاطبان فنی پیشرفته InfoWorld خدمت می کنند. InfoWorld وثیقه بازاریابی را برای انتشار نمی پذیرد و حق ویرایش تمام محتوای ارائه شده را برای خود محفوظ می دارد. تماس با doug_dineley@foundryco.com .