Өгөгдлийн шинжлэх ухааныг хиймэл оюун ухаан орлох уу?

За, ширээн дээрх картууд - энэ асуулт хаа сайгүй гарч ирдэг. Технологийн уулзалтууд, ажлын кофены завсарлага, тэр ч байтугай LinkedIn-ийн урт сэдвүүдэд хэн ч уншихыг зөвшөөрдөггүй. Санаа зоволт нь маш шулуун байна: хэрэв хиймэл оюун ухаан ийм их автоматжуулалтыг зохицуулж чадвал өгөгдлийн шинжлэх ухааныг нэг удаагийн хэрэглээ болгох уу? Хурдан хариулт: үгүй. Илүү урт хариулт уу? Энэ нь төвөгтэй, замбараагүй бөгөөд "тийм" эсвэл "үгүй" гэсэн энгийн хариултаас хамаагүй илүү сонирхолтой юм

Үүний дараа унших дуртай нийтлэлүүд:

🔗 Өгөгдлийн шинжлэх ухаан ба хиймэл оюун ухаан: Инновацийн ирээдүй
Хиймэл оюун ухаан болон өгөгдлийн шинжлэх ухаан нь маргаашийн инновацийн орчинг хэрхэн бүрдүүлж байгааг судлах.

🔗 Хиймэл оюун ухаан өгөгдлийн шинжээчдийг орлох уу: Бодит яриа
Өгөгдлийн шинжээчийн үүрэг болон салбарын хэрэгцээнд хиймэл оюун ухааны нөлөөллийг ойлгох.

🔗 Таны анхаарах ёстой хиймэл оюун ухааны хэрэгслүүдийн өгөгдлийн менежмент
Хиймэл оюун ухааны хэрэгслүүдийн боломжийг хамгийн их байлгах гол өгөгдлийн менежментийн аргууд.

Өгөгдлийн шинжлэх ухааныг үнэ цэнэтэй болгодог зүйл 🎯

Гол нь өгөгдлийн шинжлэх ухаан бол зөвхөн математик болон загваруудын хослол биш юм. Үүнийг хүчирхэг болгодог зүйл бол статистикийн нарийвчлал, бизнесийн орчин, бүтээлч асуудал шийдвэрлэх чадварын аль шийдэж чадах уу ? Эсвэл энэ асуудал стратеги болон хэрэглэгчийн зан төлөвтэй хэрхэн холбогддогийг тайлбарлах уу? Хүмүүс үүнд оролцдог газар юм.

Үндсэндээ өгөгдлийн шинжлэх ухаан нь орчуулагчтай адил юм. Энэ нь түүхий замбараагүй байдал - муухай хүснэгтүүд, бүртгэлүүд, утгагүй судалгаануудыг авч, энгийн хүмүүсийн бодитоор хэрэгжүүлж болох шийдвэр болгон хувиргадаг. Орчуулгын давхаргыг арилгавал хиймэл оюун ухаан ихэвчлэн өөртөө итгэлтэй утгагүй зүйлийг гаргадаг. HBR үүнийг олон жилийн турш хэлж ирсэн: нууц нь нарийвчлалын хэмжүүр биш, харин итгүүлэх, нөхцөл байдал [2].

Бодит байдлыг шалгах: судалгаагаар хиймэл оюун ухаан ажлын хүрээнд олон ажлыг автоматжуулж чаддаг болохыг харуулж байна - заримдаа талаас илүүг . Гэхдээ ажлын цар хүрээг тодорхойлж, дүгнэлт хийж, "байгууллага" гэж нэрлэгддэг замбараагүй зүйлтэй нийцүүлэх нь хүний ​​​​нутаг дэвсгэр хэвээр байна [1].

Түргэн харьцуулалт: Өгөгдлийн шинжлэх ухаан ба хиймэл оюун ухаан

Энэ хүснэгт төгс биш ч гэсэн тэдний гүйцэтгэдэг өөр өөр үүргийг онцолж байна:

"Бүрэн солих" тухай домог 🚫

Хиймэл оюун ухаан өгөгдлийн бүх ажлыг залгиж байна гэж төсөөлөх нь сайхан сонсогдож байгаа ч энэ нь өгөгдлийн шинжлэх ухааны бүх үнэ цэнэ нь техникийн гэсэн буруу таамаглал дээр суурилдаг. Үүний ихэнх нь үнэндээ тайлбарлах, улс төрийн болон харилцааны шинж чанартай .

• "Надад 94%-ийн нарийвчлалтай загвар өгөөч" гэж ямар ч гүйцэтгэх захирал хэлдэггүй

• Тэд “Бид энэ шинэ зах зээл рүү тэлэх ёстой юу, тийм үү, үгүй ​​юу?” гэж асуудаг

Хиймэл оюун ухаан урьдчилсан мэдээ гаргаж чадна. Үүнд юу нөлөөлөхгүй вэ: зохицуулалтын толгой өвдөх, соёлын нарийн ширийн зүйлс, эсвэл Гүйцэтгэх захирлын эрсдэлийн дуршил. Шинжилгээг үйлдэл болгон хувиргах нь одоо ч гэсэн хүний ​​тоглоом бөгөөд буулт, ятгалгаар дүүрэн хэвээр байна [2].

Хиймэл оюун ухаан аль хэдийн өөрчлөлт хийж байна 💥

Үнэнийг хэлэхэд өгөгдлийн шинжлэх ухааны зарим хэсгийг хиймэл оюун ухаан аль хэдийн амьдаар нь идчихсэн байна:

• Өгөгдөл цэвэрлэх ба бэлтгэх → Автоматаар шалгадаг нь алга болсон утга, гажиг болон Excel програмыг хүмүүс хурдан уншихаас илүү хурдан зөрүүг илрүүлдэг.

• Загвар сонгох ба тохируулах → AutoML нь алгоритмын сонголтыг нарийсгаж, гиперпараметрүүдийг зохицуулж, хэдэн долоо хоногийн турш тэнэглэл хийхээс хэмнэдэг [5].

• Дүрслэл ба тайлан → Хэрэгслүүд одоо нэг мөрөөс хяналтын самбар эсвэл текстийн хураангуйг ноороглох боломжтой боллоо.

Хэн үүнийг хамгийн их мэдэрдэг вэ? Давтагдсан график бүтээх эсвэл үндсэн загварчлалтай холбоотой ажил эрхэлдэг хүмүүс. Гарах арга зам уу? Үнэ цэнийн сүлжээг дээшлүүлэх: илүү хурц асуулт асуух, илүү тодорхой түүх ярих, илүү сайн зөвлөмж гаргах.

Тохиолдлын товч тойм: жижиглэн худалдаачин AutoML-ийг зах зээлийн ...

Өгөгдлийн эрдэмтдийн үүрэг хувьсан өөрчлөгдөж байна 🔄

Ажил бүдгэрэхийн оронд шинэ хэлбэрт шилжиж байна:

1. Хиймэл оюун ухааны орчуулагчид - техникийн гаралтыг мөнгө болон брэндийн эрсдэлд санаа тавьдаг удирдагчдад ойлгомжтой болгох.

2. Засаглал ба ёс зүйн удирдамжууд NIST-ийн AI RMF [3] зэрэг стандартуудтай нийцүүлэн алдааны туршилт, хяналт, хяналтыг бий болгох

3. Бүтээгдэхүүний стратегичид - өгөгдөл болон хиймэл оюун ухааныг хэрэглэгчийн туршлага болон бүтээгдэхүүний замын зураглалд нэгтгэдэг.

Хачирхалтай нь, хиймэл оюун ухаан техникийн хүнд хэцүү ажлыг илүү ихээр гүйцэтгэхийн хэрээр хүний ​​​​ур чадварууд - түүх ярих, салбарыг шүүмжлэх, шүүмжлэлт сэтгэлгээ - амархан орлуулж чадахгүй хэсгүүд болж хувирдаг.

Мэргэжилтнүүд болон өгөгдөл юу гэж хэлж байна вэ 🗣️

• Автоматжуулалт нь бодит боловч хэсэгчилсэн : Одоогийн хиймэл оюун ухаан олон ажлын байрны дотор олон ажлыг автоматжуулж чаддаг боловч энэ нь хүмүүсийг илүү өндөр үнэ цэнэтэй ажил руу шилжих боломжийг олгодог [1].

• Шийдвэр гаргахад хүн хэрэгтэй : HBR нь байгууллагууд түүхий тоонуудаас болж хөдөлдөггүй, харин түүх, өгүүлэмж нь удирдагчдыг үйлдэл хийхэд хүргэдэг учраас хөдөлдөг гэж онцолжээ [2].

• Ажлын байрны нөлөө ≠ олноор нь цомхотгох : Дэлхийн эдийн засгийн чуулганы мэдээллээс харахад компаниуд хиймэл оюун ухаанаас үүрэг даалгавраа өөрчлөх, ажилчдаа цомхотгохыг хүлээж байгаа бөгөөд даалгаврууд нь автоматжуулах боломжтой байдаг ч тэд дахин ур чадвар олгох ажлыг хоёр дахин нэмэгдүүлж байна [4]. Энэ хэв маяг нь орлуулахаас илүүтэй дахин дизайн хийхтэй адил харагдаж байна.

Айдас яагаад үргэлжилдэг вэ 😟

Хэвлэл мэдээллийн хэрэгслийн гарчиг сүйрлийн тухай өгүүлдэг. “Хиймэл оюун ухаан ажлын байрыг орлож байна!” гэж зардаг. Гэхдээ нухацтай судалгаанууд нарийн ширийн зүйлийг байнга харуулж байна: даалгаврын автоматжуулалт, ажлын урсгалын шинэчлэл, шинэ үүрэг бий болгох хэзээ ашиглахаа мэдэхийн тулд алгебрыг ойлгох хэрэгтэй хэвээр байна

Холбоотой хэвээр байх нь: Практик гарын авлага 🧰

• Шийдвэрээс эхэл. Ажлаа бизнесийн асуулт болон алдаа гаргахын өртөгтэй уялдуул.

• Хиймэл оюун ухааныг боловсруулж, та сайжруулаарай. Түүний үр дүнг эхлэлийн цэг болгон авч үзээрэй - та дүгнэлт болон нөхцөл байдлыг авчирна.

• Засаглалыг урсгалдаа суулга. NIST [3] зэрэг хүрээтэй холбоотой хөнгөн алдааны шалгалт, хяналт, баримтжуулалт.

• Стратеги болон харилцаа холбоо руу шилж. Та "товчлуур дарах"-д бага хүлэгдэх тусам өөрийгөө автоматжуулахад төдий чинээ хэцүү болно.

• Өөрийн AutoML-г мэд. Үүнийг гайхалтай боловч болгоомжгүй дадлагажигч шиг төсөөлөөд үз дээ: хурдан, цуцашгүй, заримдаа маш буруу байдаг. Та хашлага өгдөг [5].

Тэгэхээр... Хиймэл оюун ухаан өгөгдлийн шинжлэх ухааныг орлох уу? ✅❌

Шулуухан хариулт: Үгүй, гэхдээ энэ нь үүнийг өөрчлөх болно . Хиймэл оюун ухаан нь багаж хэрэгслийг хүний ​​​​тайлбар, бүтээлч байдал, шүүлтийн хэрэгцээг арилгадаггүй . Хэрэв тийм бол сайн өгөгдлийн эрдэмтэд улам бүр төвөгтэй гарцуудыг тайлбарлагч болж илүү

Дүгнэлт: Хиймэл оюун ухаан мэргэжлийг биш, харин даалгавруудыг орлодог [1][2][4].

Лавлагаа

[1] McKinsey & Company - Хиймэл оюун ухааны эдийн засгийн боломж: Бүтээмжийн дараагийн хязгаар (2023 оны 6-р сар).
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier

[2] Харвардын бизнесийн тойм - Өгөгдлийн шинжлэх ухаан ба ятгах урлаг (Скотт Беринато, 2019 оны 1-2 сар).
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion

[3] NIST - Хиймэл оюун ухааны эрсдэлийн удирдлагын хүрээ (AI RMF 1.0) (2023).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

[4] Дэлхийн эдийн засгийн форум - Хиймэл оюун ухаан анхан шатны ажлын байрны боломжийг хааж байна уу? 2025 оны ажлын байрны ирээдүйн тойм .
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/

[5] Хе, Х. нар - AutoML: Орчин үеийн байдлын судалгаа (arXiv, 2019).
https://arxiv.org/abs/1908.00709

Албан ёсны AI Assistant дэлгүүрээс хамгийн сүүлийн үеийн хиймэл оюун ухааныг олоорой

Бидний тухай