ათი წლის წინ თუ მონაცემთა მეცნიერი იყავით, ესე იგი მაგარ პროფესიასაც ფლობდით და ეს რაღაც კუთხით გასაკვირი არც არის, რადგან იმ დროს ეს სიახლე იყო. დიახ, კომპანიებს ბევრი მონაცემი დაუგროვდა და სჭირდებოდა ადამიანი, რომელიც პროგრამირებას, ანალიტიკასა და ექსპერიმენტულ უნარებს შეითავსებდა. მოთხოვნა თავიდანვე ძალიან დიდი იყო — სტარტაპერებსა და ტექნოლოგიურ კომპანიებს ყველა მონაცემთა მეცნიერის დაქირავება სურდა, რომელიც 10 წლის წინ არსებობდა.
იმ დროს კი მონაცემთა მეცნიერი განისაზღვრებოდა, როგორც „მაღალი დონის პროფესიონალი, რომელსაც გამოცდილება და ცნობისმოყვარეობა აქვს, რათა დიდ მონაცემთა სამყაროში აღმოჩენები გააკეთოს“. ხოლო იმის გამო, რომ არ არსებობდა მონაცემთა მეცნიერებისთვის ზუსტად განსაზღვრული კარიერული გზა, მათ მრავალფეროვანი განათლება ჰქონდათ. გამოკითხვის თანახმად, ამ პროფესიას ძირითადად ექსპერიმენტული ფიზიკის დოქტორები, ასტრონავტები, ფსიქოლოგები და მეტეოროლოგები ეუფლებოდნენ. უმეტესობამ მათემატიკა და კოდირება იცოდა, დახელოვნებულნი იყვნენ ექსპერიმენტებსა და გამოგონებებში…
დღეს კი სამუშაო იმაზე მოთხოვნადია, ვიდრე ოდესმე ყოფილა — ბიზნესში AI სულ უფრო პოპულარული ხდება, კომპანიები ფიქრობენ, რომ ხელოვნური ინტელექტის მოდელების შესაქმნელად მონაცემთა მეცნიერები სჭირდებათ. მუშაობის სპეციფიკაც ბოლო ათი წლის განმავლობაში მნიშვნელოვნად შეიცვალა. ის მეტად და უკეთ ინსტიტუციონალიზებული გახდა, ფარგლები ხელახლა განისაზღვრა, ტექნოლოგია მნიშვნელოვნად გაუმჯობესდა, ეთიკისა და ცვლილებების მართვის მნიშვნელობა კი გაიზარდა.
ხოლო ის აღმასრულებელი ხელმძღვანელები, რომლებიც ბიზნესისთვის მონაცემთა მეცნიერების მნიშვნელობას იაზრებენ, ახლა სწორედ მონაცემთა მეცნიერების მრავალფეროვანი გუნდის შექმნისკენ მიისწრაფვიან.
უკეთ ინსტიტუციონალიზებული
დღეს მონაცემთა მეცნიერება საკმაოდ კარგად არის დამკვიდრებული — ბანკებს, სადაზღვევო კომპანიებს, საცალო ვაჭრობას, ჯანდაცვის პროვაიდერებსა და სამთავრობო უწყებებსაც კი ჰყავთ მონაცემთა მეცნიერების ჯგუფები. ფინანსური მომსახურების დიდ კომპანიებს ასობით მეცნიერიც ჰყავს. ამასთან, მონაცემთა მეცნიერება სოციალური კრიზისების გადასაჭრელადაც საკმაოდ ეფექტური გამოდგა, მაგალითად Covid 19-ის შემთხვევებისა და დაღუპულთა რაოდენობის დასათვლელად, უკრაინასთან დაკავშირებულ დეზინფორმაციასთან თუ ჰაკერებთან ბრძოლაში.
ინსტიტუციონალიზებისთვის კი ერთ-ერთი მნიშვნელოვანი ფაქტორი მონაცემთა მეცნიერებაზე ორიენტირებული სასწავლო შეთავაზებები იყო. როგორც უკვე ვთქვით, ადრე ამას სხვა პროფესიის ადამიანები ითავსებდნენ, დღეს კი მონაცემთა მეცნიერებასთან, ანალიტიკასა და ხელოვნურ ინტელექტთან დაკავშირებული სფეროების ასობით პროგრამაა. ამასთან, მრავალ სასერტიფიკატო კურსს, სკოლებსა და ბანაკებს გვთავაზობენ. აშკარაა, რომ თუ დღეს ვინმეს მონაცემთა მეცნიერის პროფესიის დაუფლება სურს, ამისთვის უამრავი შესაძლებლობა აქვს. თუმცა ისიც ფაქტია, რომ რომელიმე ერთი კურსი ვერ შეძლებს ყველა საჭირო უნარ-ჩვევის განვითარებას, რომელიც ეფექტური და ეთიკური მონაცემთა მეცნიერების ანალიზის, ექსპერიმენტებისა და მოდელების შესაქმნელად არის აუცილებელი. თუმცა მრავალფეროვანი სასწავლო გამოცდილების მიღება დღეს მონაცემთა მეცნიერებისთვის გამოწვევას წარმოადგენს.
მონაცემთა მეცნიერები სხვა როლებთან მიმართებაში
2012 წელს ფიქრობდნენ, რომ მონაცემთა მეცნიერს აპლიკაციისთვის საჭირო ყველა დავალების შესრულება უნდა შესძლებოდათ, დაწყებული გამოყენების შემთხვევის კონცეპტუალიზაციიდან, ბიზნესთან და ტექნოლოგიურ დაინტერესებულ მხარეებთან ურთიერთობამდე, ალგორითმის შემუშავებამდე და წარმოებაში გამოყენებამდე. თუმცა ახლა ამ სამუშაოებს მანქანათმცოდნეობის ინჟინერი, ხელოვნური ინტელექტის სპეციალისტი, ანალიტიკოსი, მონაცემთა ინჟინერი, AI თარჯიმანი და მონაცემებზე ორიენტირებული პროდუქტის მენეჯერები ინაწილებენ. ამის მიზეზი კი ის არის, რომ ვერავინ ფლობს ყველა იმ უნარს, რომელიც რთული ხელოვნური ინტელექტის ან ანალიტიკური სისტემის წარმატებით განსათავსებლად არის საჭირო.
გაზრდილმა მონაცემთა სისტემებისა და ტექნოლოგიების მართვის გამოწვევებმა კი შედეგად უფრო რთული ტექნიკური გარემო მოგვცა. მონაცემთა მეცნიერისა და მასთან დაკავშირებული სამუშაოების სერტიფიცირების მცდელობაც იყო, თუმცა ეს ჯერ სისრულეში არ არის მოყვანილი…
მნიშვნელოვანია, საჭირო უნარების გამრავლების შედეგად, კომპანიებმა ყველა როლი განსაზღვრონ, რომელიც მათ ბიზნესში მონაცემთა მეცნიერების მოდელების ეფექტურად განსათავსებლად არის საჭირო და ამასთან, უზრუნველყონ, დასაქმებულები გუნდებში არიან და თანამშრომლობენ კიდეც.
ტექნოლოგიური ცვლილებები
ერთ-ერთი მიზეზი იმისა, თუ რატომ სჭირდება მონაცემთა მეცნიერის სამუშაოს შეცვლა იმ ტექნოლოგიების ცვლილებაა, რომელსაც ისინი იყენებენ. ზოგიერთი ტექნოლოგიური ტენდენცია 2012 წელს არსებულის გაგრძელებადაც შეიძლება ჩაითვალოს, მაგალითად, ღია კოდის ინსტრუმენტების გამოყენება, ღრუბელზე დაფუძნებულ დამუშავებასა და მონაცემთა შენახვაზე გადასვლა… ზოგიერთ მათგანს კი მონაცემთა მეცნიერების მუშაობაზე აქვს გავლენა — მონაცემთა მეცნიერების ნაწილი უფრო და უფრო ავტომატიზებული ხდება, რამაც მონაცემთა მეცნიერების პროფესიონალების პროდუქტიულობა შეიძლება გააუმჯობესოს და „მოქალაქე მონაცემთა მეცნიერების“ შესაძლებლობაც წარმოაჩინოს. მართალია, ამ ავტომატიზებულმა ინსტრუმენტებმა პროფესიის მიმზიდველობა ჯერ ვერ შეაფერხა, მაგრამ მომავალში ასეც შეიძლება მოხდეს…
კომპანიებმა გაუმჯობესებული ანალიტიკისა და ხელოვნური ინტელექტის დემოკრატიზაცია უნდა დაიწყონ, მონაცემთა მეცნიერებს დაეყრდნონ, რათა უზრუნველყონ, რომ მოქალაქეებისთვის განვითარებული მოდელები ზუსტია და ყველა რელევანტური მონაცემი დამუშავებულია.
მონაცემთა მეცნიერებმა ისიც გაიაზრეს, რომ მათ მოდელებს ტურბულენტურ ბიზნეს გარემოშიც შეუძლია ცვალებადობა… მსგავსი განვითარებები კი იმას ნიშნავს, რომ კოდირება, რაც ადრე ყველაზე გავრცელებული მოთხოვნა იყო, დღეს მონაცემთა მეცნიერებაში ნაკლებად მნიშვნელოვანია. ავტომატიზებული გახდა და სხვა სამსახურების მოვალეობებშიც გადაინაცვლა. ძირითადი აქცენტი ახლა პროგნოზირებადი მოდელირებისკენ და ბიზნესის მოთხოვნების მოდელებად თარგმნის უნარის გამომუშავებისკენ გადადის. ეს ერთობლივი აქტივობებია, მაგრამ, სამწუხაროდ, ჯერჯერობით არ არსებობს დიდი ინსტრუმენტები იმისათვის, რომ მონაცემთა მეცნიერების ერთობლივი აქტივობების სტრუქტურირება და მხარდაჭერა მოვახერხოთ.
მონაცემთა მეცნიერების ეთიკა
ბოლო ათწლეულის განმავლობაში მონაცემთა მეცნიერებაში მნიშვნელოვანი ცვლილება არის ის, რომ ახლა ამ სფეროში ეთიკური განზომილების აუცილებლობაზე საუბრობენ. აქ კი გარდამტეხ მომენტად 2016 წლის აშშ-ს საპრეზიდენტო არჩევნებს მიიჩნევენ — მონაცემთა მეცნიერები ამომრჩევლებზე გავლენის მოხდენას სოციალური მედიის დახმარებით ცდილობდნენ. მას შემდეგ კი წინ ისეთმა საკითხებმა წამოიწია, როგორიცაა, ალგორითმული მიკერძოებები, გამჭვირვალობა, ანალიტიკისა და ხელოვნური ინტელექტის პასუხისმგებლობით გამოყენების საკითხები.
ზოგიერთმა კომპანიამ პასუხისმგებლობიანი AI ჯგუფები უკვე ჩამოაყალიბა. მათი მთავარი ფუნქციაა მონაცემთა მეცნიერთა განათლება ეთიკურ AI-სთან დაკავშირებულ საკითხებზე. ამასთან, რეგულაციებიც გაზრდილია, რათა ეთიკურ ხარვეზებს უპასუხონ.
დიახ, ჩვენ მონაცემთა მეცნიერების როლში როგორც ცვლილება, ისე უწყვეტობა დავინახეთ. მრავალი თვალსაზრისით საკმაოდ წარმატებული იყო, თუმცა რაღაც გამოწვევებიც ახლდა თან… ნაკლებად სავარაუდოა, რომ ბიზნესსა და საზოგადოებაში მონაცემთა რაოდენობა, ანალიტიკა და AI შემცირდეს, ამიტომ, მონაცემთა მეცნიერების მნიშვნელობა ბიზნესში კიდევ უფრო გაიზრდება.
თუმცა, ცვლილებას ნამდვილად გააგრძელებს. ეს მათ როლებსა და პასუხისმგებლობებსაც შეეხება. კომპანიებს კი დეტალური უნარების კლასიფიკაცია და ამ მრავალფეროვანი სამუშაოებისთვის სერტიფიცირება დასჭირდებათ, უნდა დარწმუნდნენ, რომ მონაცემთა მეცნიერების მასშტაბურ პროექტებში ყველა საჭირო როლი შევსებული იქნება. პროფესიონალი მონაცემთა მეცნიერები კი ყურადღებას ალგორითმულ ინოვაციებზე გაამახვილებენ… დაბოლოს, ყველაზე მნიშვნელოვანი — მონაცემთა მეცნიერებმა ხელი უნდა შეუწყონ მონაცემთა შეგროვების, პასუხისმგებლობიანი ანალიზის, მოდელების დანერგვისა და წარმატებული შედეგების მიღების პროცესს.
წყარო: HBR
