П’ять ключових трендів 2024 року у сфері штучного інтелекту та науки про дані

Штучний інтелект і наука про дані стали головними новинами 2023 року. Звісно ж, цей різкий сплеск популярності спричинив розвиток генеративного ШІ. Що ж може статися в цій царині у 2024 році, щоб вона залишалася на перших шпальтах газет? І як ці тренди насправді вплинуть на бізнес?

За останні кілька місяців було проведено три опитування керівників у сфері даних і технологій. У двох із них брали участь директори з питань даних та учасники симпозіуму з якості інформації MIT — одне за підтримки Amazon Web Services (AWS), а друге — Thoughtworks. Третє опитування провела компанія Wavestone, колишня NewVantage Partners. Загалом у нових опитуваннях взяли участь понад 500 керівників вищої ланки, можливо, з деяким перетином учасників.

Опитування не передбачають майбутнє, але вони дають уявлення про те, що думають і роблять люди, які мають безпосередній стосунок до стратегій і проєктів компаній у сфері науки про дані та ШІ. На думку цих керівників, є п’ять найактуальніших питань, які заслуговують на вашу пильну увагу.

1. Генеративний ШІ блискучий, але він має приносити користь

Генеративний ШІ (GenAI) привернув до себе величезну увагу бізнесу та споживачів, але чи справді він приносить економічну вигоду організаціям, які його впроваджують? Результати опитування свідчать: незважаючи на те, що інтерес до цієї технології дуже високий, цінності вона поки що не приносить. Значна частина респондентів вважає, що GenAI має потенціал для трансформації; 80% респондентів опитування AWS заявили, що вірять у те, що він трансформує їхні організації, а 64% опитаних Wavestone назвали його найбільш трансформаційною технологією в цьому поколінні. Переважна більшість учасників опитування також збільшують інвестиції в цю технологію. Однак більшість компаній все ще лише експериментують — як на індивідуальному рівні, так і на рівні відділів. Лише 6% компаній в опитуванні AWS застосовують GenAI на виробництві, і лише 5% в опитуванні Wavestone мають масштабне розгортання на виробництві.

Безумовно, виробниче впровадження GenAI вимагатиме більше інвестицій та організаційних змін, а не лише експериментів. Бізнес-процеси необхідно буде перепроєктувати, а працівників — перекваліфікувати (або, можливо, лише в окремих випадках, замінити системами генеративного ШІ). Нові можливості ШІ необхідно буде інтегрувати в існуючу технологічну інфраструктуру.

Можливо, найважливіша зміна стосуватиметься даних — курування неструктурованого контенту, підвищення якості даних та інтеграція різноманітних джерел. В опитуванні AWS 93% респондентів погодилися, що стратегія роботи з даними має вирішальне значення для отримання цінності від GenAI, але 57% не внесли жодних змін у свої дані до цього часу.

2. Наука про дані переходить від кустарного до промислового рівня

Компанії відчувають потребу в прискоренні процесу створення моделей науки про дані. Те, що колись було ремісничою діяльністю, стає більш індустріалізованим. Компанії інвестують у платформи, процеси та методології, сховища даних, системи машинного навчання (MLOps) та інші інструменти для підвищення продуктивності та швидкості розгортання. Системи MLOps відстежують стан моделей машинного навчання і визначають, чи продовжують вони робити точні прогнози. Якщо це не так, моделі можуть потребувати перенавчання на нових даних.

Більшість із цих можливостей надаються зовнішніми постачальниками, але деякі організації зараз розробляють власні платформи. Хоча автоматизація (включно з автоматизованими інструментами машинного навчання) допомагає підвищити продуктивність і уможливлює ширшу участь у data science. Найбільшим благом для її продуктивності, ймовірно, є повторне використання існуючих наборів даних, ознак чи змінних, і навіть цілих моделей.

3. Домінуватимуть дві версії продуктів даних

В опитуванні Thoughtworks 80% лідерів у сфері даних і технологій заявили, що їхні організації використовують або розглядають можливість використання продуктів даних та управління ними. Під продуктом даних розуміється упаковка даних, аналітики та штучного інтелекту в програмному продукті, призначеному для внутрішніх або зовнішніх клієнтів. Менеджери з управління продуктами даних керують ними від концепції до розгортання (і постійного вдосконалення). Прикладами таких продуктів є системи рекомендацій, які підказують клієнтам, які продукти купувати далі, та системи оптимізації цін для відділів продажу.

Але організації розглядають продукти даних по-різному. Трохи менше половини (48%) респондентів заявили, що включають аналітику та можливості ШІ в поняття продуктів даних. Близько 30% розглядають аналітику та ШІ окремо від продуктів даних і, ймовірно, зарезервували цей термін лише для багаторазових активів даних. Лише 16% кажуть, що взагалі не думають про аналітику та штучний інтелект у контексті продукту.

Важливо, щоб організація була послідовною у визначенні та обговоренні продуктів даних. Якщо організація віддає перевагу поєднанню понять «продукти даних» і «продукти аналітики та ШІ», це теж може добре працювати, і таке визначення зберігає багато позитивних аспектів продуктового менеджменту. Але без чіткого визначення організації можуть заплутатися в тому, що саме повинні надавати розробники продуктів.

4. Дослідники даних стануть менш сексі

Дослідники даних (data scientists), яких називали «єдинорогами» та володарями «найсексуальнішої роботи XXI століття» через їхню здатність робити всі аспекти data science проєктів успішними, бачать, як їхня зоряна сила відступає. Низка змін у науці про дані призводить до появи альтернативних підходів до управління важливими частинами роботи. Однією з таких змін є поширення суміжних ролей, які можуть вирішувати окремі проблеми науки про дані. Цей розширений набір професіоналів включає інженерів з обробки даних, інженерів із машинного навчання, які масштабують та інтегрують моделі, перекладачів і з’єднувачів даних, а також інших фахівців.

Ще одним фактором, що знижує попит на професійних дослідників даних, є розвиток громадянської науки про дані (citizen data science), коли кількісно підковані бізнесмени самі створюють моделі чи алгоритми. Ці люди можуть використовувати AutoML, або автоматизовані інструменти машинного навчання, щоб зробити більшу частину важкої роботи. Ще більш корисною для громадян є функція моделювання, доступна в ChatGPT під назвою «Розширений аналіз даних» (Advanced Data Analysis). За допомогою дуже короткої підказки і завантаженого набору даних він може впоратися практично з кожним етапом процесу створення моделі і пояснити свої дії.

Звичайно, є ще багато аспектів data science, які потребують професійних дослідників даних. Наприклад, розробка абсолютно нових алгоритмів або інтерпретація того, як працюють складні моделі, — завдання, які нікуди не зникли. Ця роль все ще буде необхідною, але, можливо, не такою мірою, як раніше — і без такої ж сили та блиску.

5. Керівники відділів даних, аналітики та ШІ стають менш незалежними

Минулого року стало помітно, що дедалі більше організацій скорочують кількість «керівників» у сфері технологій і даних, зокрема керівників із питань даних та аналітики (CDAO), а подекуди й керівників із питань штучного інтелекту. Ця роль CDO/CDAO, хоча і стає все більш поширеною в компаніях, вже давно характеризується коротким терміном перебування на посаді і плутаниною в обов’язках. Наразі не спостерігається зникнення функцій, які виконують CDAO; навпаки, вони все частіше включаються до ширшого набору функцій, пов’язаних із технологіями, даними та цифровою трансформацією, якими керує «супертехнологічний лідер», що зазвичай підпорядковується CEO.

Назви для цієї ролі включають такі посади, як директор з інформаційної діяльності, директор з інформаційної та технологічної діяльності і директор із цифрової та технологічної діяльності; реальні приклади цього — Састрі Дурвасула (Sastry Durvasula) в TIAA, Шон МакКормак (Sean McCormack) у First Group і Мойган Лефевр (Mojgan Lefebvre) у Travelers.

Ця еволюція ролей керівників вищої ланки була в центрі уваги опитування Thoughtworks, і 87% респондентів (в першу чергу, керівників із питань даних, а також деяких технологічних керівників) погодилися з тим, що люди в їхніх організаціях або повністю, в значній мірі, або дещо розгублені щодо того, куди звертатися за послугами та питаннями, пов’язаними з даними та технологіями. Багато керівників С-рівня зазначили, що співпраця з іншими технологічно орієнтованими лідерами в їхніх організаціях перебуває на відносно низькому рівні, а 79% погодилися, що в минулому їхній організації заважав брак такої співпраці.

Гадаємо, що у 2024 році ми побачимо більше таких всеохоплюючих технологічних лідерів, які матимуть усі можливості для створення цінності за допомогою підлеглих їм фахівців у царині даних і технологій. Вони, як і раніше, будуть робити акцент на аналітиці та штучному інтелекті, тому що саме так організації осмислюють дані і створюють з їх допомогою цінність для співробітників і клієнтів. Найголовніше, ці лідери повинні бути дуже бізнес-орієнтованими, здатними обговорювати стратегію зі своїми колегами з вищого керівництва і вміти втілювати її в системи та ідеї, які перетворюють цю стратегію на реальність.

За матеріалами MIT SMR.

Ілюстрація: startnearshoring.com