مردم و پایتون در هوش مصنوعی

افراد. مشکل همیشه مردم هستند. از میان همین مدیران، ۷۹ درصد مسائل فرهنگی را بزرگترین مانع برای پذیرش آینده مبتنی بر داده ها می دانند. به نظر می رسد گفتن “داده محور” آسان است، اما اجرای آن بسیار سخت تر است، زیرا مردم در نهایت یک تجارت را متحرک می کنند، نه داده ها. بنابراین، نکته کلیدی این است که مطمئن شوید داده ها افراد را فعال و تقویت می کنند به جای جایگزینی آنها.

پایتون و دوستان

بیش از یک دهه پیش، سوتلانا سیکولار، تحلیلگر گارتنر دو بنیاد را مطرح کرد. حقایقی در مورد داده های (بزرگ) که اغلب فراموش می کنیم: “سازمان ها از قبل افرادی دارند که داده های خود را بهتر از دانشمندان داده های عرفانی می دانند” و “یادگیری Hadoop آسان تر از یادگیری تجارت شرکت است.” یکی از راه‌های تقویت استفاده هوشمندانه از داده، پایین آوردن سطح سواد برنامه‌نویسی است. به همان اندازه که ابزارهای داده‌ای مخفیانه می‌توانند باشند، «ابزار» بسیار با ارزش‌تر، درک کارمندان از کسب‌وکار شرکت است، زیرا کارمندان متخصص می‌توانند سؤالات هوشمندانه‌تری از داده‌های شرکت بپرسند.

برای این منظور، تمرکز برای هر شرکتی باید این باشد که ابزارهای داده را برای جمعیت بیشتری از کارمندان در دسترس‌تر قرار دهد. تلاش‌ها برای تبدیل Microsoft Excel به یک جزء کلیدی در تجزیه و تحلیل داده‌ها باید تشویق شود، از جمله تلاش‌های اخیر برای استفاده از Excel برای ابتکارات تبدیل داده. تعداد افراد مسلط به Excel بسیار بیشتر از مدل‌های TensorFlow یا Hugging Face است. کمک به آنها برای انجام کارهای بیشتر با ابزاری که از قبل می شناسند یک پیروزی بزرگ است.

در پایتون هم همینطور. اگرچه R و سایر زبان‌های تخصصی‌تر همچنان ارزشمند هستند، پایتون بزرگ‌ترین محرک بهره‌وری هوش مصنوعی برای ارتش بزرگی از مهندسان داده است. همانطور که نوشته‌ام، به دنبال پیش‌بینی نیک الپرین مبنی بر اینکه علم داده به قابلیتی در سطح سازمانی با پیامدهای گسترده تبدیل می‌شود، «زبانی که بیشترین احتمال را دارد زبانی است که برای گسترده‌ترین جمعیت در دسترس باشد. در داخل شرکت.”

یعنی پایتون.

و البته SQL. این نشان می دهد که اخیراً تحلیل طیف IEEE محبوبیت زبان برنامه نویسی نشان داده است که پایتون و SQL دو زبان محبوب در حال حاضر هستند. پایتون با برتری در صدر قرار دارد که مدام در حال گسترش است. برای کارفرمایانی که به دنبال استخدام هستند، SQL در صدر فهرست قرار دارد (با پایتون در رتبه دوم). با توجه به اینکه هر دو به جای وادار کردن افراد (و کارفرمایانشان) به یادگیری روش‌های جدید برخورد با داده‌ها، از مهارت‌هایی بهره می‌برند که بسیاری از کارمندان در حال حاضر دارند، این دو با هم ترکیبی محکم هستند.

هوش مصنوعی مولد (GenAI) روش دیگری است که می‌توان کارمندان بیشتری را برای کار با داده‌ها توانمند کرد. من سعی کرده‌ام از ابزارهای GenAI مانند ChatGPT برای خودکار کردن برخی از کارهایی که تیمم با پاسخ دادن به سؤالات در انجمن‌های عمومی ما انجام می‌دهد، استفاده کنم، اما خروجی هنوز به اندازه کافی خوب نیست، و نیاز به کار بیشتری برای رفع پاسخ‌های ChatGPT دارد تا صرفاً نوشتن پاسخی بهتر برای آنها. شروع کن با. (وقتی که GenAI با نثر عالی به بهای دقت فنی ارائه می شود مراقب باشید. کاربران ممکن است آن را دوست داشته باشند، به عنوان one تجزیه و تحلیل اخیر پیدا شده است، اما زمانی که برخی از آن پاسخ های پیشنهادی هوش مصنوعی را در تولید امتحان کنند، این موضوع کمرنگ می شود.)

اما نکته، تکنولوژی نیست. این مردم هستند که از آن استفاده می کنند. اینجا جایی است که اکثر شرکت‌ها همچنان به اشتباه می‌افتند.

قدرت به مردم

همانطور که گزارش NewVantage اشاره می‌کند، هر سال “اکثریت بزرگی از پاسخ‌دهندگان گزارش می‌دهند که چالش‌های اصلی برای تبدیل شدن به یک سازمان داده‌محور، انسانی-فرهنگ، مردم، فرآیند یا سازمان-به‌جای فناوری است،” اما هر سال بررسی پیشرفت کمی را در جهت غلبه بر این مسائل انسانی نشان می دهد. تمرکز بیش از حد مدیران داده‌ها روی مسائل غیرانسانی است، مانند «نوسازی داده‌ها، محصولات داده، هوش مصنوعی و ML، کیفیت داده‌ها و معماری‌های مختلف داده».

به عبارت دیگر، به نظر می‌رسد متوجه شده‌ایم که مشکل مردمی داریم، با این حال به تلاش برای رفع آن با فناوری ادامه می‌دهیم. من به چند فناوری اشاره کرده‌ام که به توسعه‌دهندگان و دیگران اجازه می‌دهد تا با استفاده از ابزارهای آشنا با داده‌ها کار کنند، به جای تحمیل فناوری‌های جدیدی که آنها را مجبور می‌کند نحوه کار و فکر کردنشان را تغییر دهند تا با سخت‌گیری‌های ابزار مطابقت داشته باشند، که یک استراتژی بازنده است.< /p>

دارایی اصلی یک شرکت افرادی هستند که داده ها را تفسیر می کنند، نه خود داده ها. این افراد قبلاً برای شما کار می کنند. نکته کلیدی این است که بفهمید چگونه از ابزارهای داده ای استفاده کنید که قبلاً می شناسند یا می توانند به راحتی یاد بگیرند.