اگر در صنعت داده کار می کنید یا آرزوی انجام این کار را دارید، ممکن است تعجب کنید که اکنون زمان تغییر شغل فرا رسیده است.
آیا مدل های تولیدی مانند ChatGPT پایان کار متخصصین علم داده (Data scientist) خواهد بود؟
به عنوان فردی که به مدت سه سال در علم داده کار کرده است، مایلم نظر خود را در این مورد ارائه کنم.
در مقاله‌ای که مدتی قبل نوشتم، به شدت با این ایده که نرم‌افزار هوش مصنوعی خودکار می‌تواند جایگزین دانشمندان داده شود، مخالفت کردم. بحث من این بود که این ابزارها تا حدودی کارایی سازمانی را بهبود می بخشد، اما فاقد قابلیت شخصی سازی بوده و نیاز به مشارکت انسانی در هر مرحله دارد.
اما اینمربوط به فوریه 2022 بود، بسیار قبل از این که ChatGPT، مدل زبان انقلابی OpenAI منتشر شود.
زمانی که ChatGPT برای اولین بار عمومی شد، مبتنی بر GPT-3.5 بود، مدلی که قادر به درک زبان و کد طبیعی بود.
سپس، در مارس 2023، GPT-4 منتشر شد. این الگوریتم در حل مسائل مبتنی بر منطق، خلاقیت و استدلال از الگوریتم قبلی خود بهتر عمل می کند.
در این جا برخی از حقایق در مورد GPT-4 آورده شده است:
می تواند کد بنویسد (در حد واقعاً خوب)
در آزمون وکالت قبول شود
در معیارهای یادگیری ماشینی از بیشتر مدل های پیشرفته برتری دارد.
این مدل می تواند یک طرح را به یک وب سایت کامل تبدیل کند و به عنوان یک دستیار عالی برای برنامه نویسی و وظایف علم داده عمل می کند.
و در حال حاضر توسط سازمان ها برای بهبود کارایی استفاده می شود.
مدیر اجرایی Freshworks، Girish Mathrubootham، می‌گوید که وظایف برنامه‌نویسی که زمانی برای کارمندانش 9 هفته طول می‌کشید، اکنون طی چند روز با ChatGPT انجام می‌شود.
با هوش مصنوعی مولد، گردش کار کدگذاری در این شرکت تقریباً 20 برابر سریعتر از حد معمول انجام می شود. این منجر به کاهش شدید زمان چرخش می شود، به این معنی که شرکت ها می توانند کارهای بیشتری را سریع تر انجام دهند.
چرا شغل شما در معرض خطر است؟
ادغام محصول
تا اینجا ما فقط در مورد برنامه نویسی صحبت کردیم.
جنبه های دیگری نیز برای کار دانشمند داده وجود دارد ، مانند آماده سازی داده ها، تجزیه و تحلیل، تجسم و ساخت مدل.
در تجربه من، متخصصین علم داده در حال حاضر به دلیل تنوع مهارت‌هایی که انتظار می‌رود داشته باشند، بسیار مورد تقاضا هستند.
علاوه بر ساخت مدل‌های آماری و یادگیری کدنویسی، این متخصصان همچنین باید از SQL برای استخراج داده‌ها استفاده کنند، با نرم‌افزارهایی مانند Tableau و PowerBI برای تجسم کار کنند و به طور مؤثر بینش‌ها را به ذینفعان منتقل کنند.
با این حال، با LLM هایی مانند ChatGPT، مانع ورود به حوزه ای مانند علم داده یا تجزیه و تحلیل به شدت کاهش می یابد. داوطلبان دیگر نیازی به داشتن تخصص در نرم افزارهای مختلف ندارند، و در عوض می توانند از قدرت LLM برای انجام کارهایی که معمولاً ساعت ها طول می کشد در چند دقیقه استفاده کنند.
برای مثال، در شرکتی که زمانی با آن کار می‌کردم، از من خواسته شد که یک ارزیابی زمان‌بندی‌شده اکسل را تکمیل کنم، زیرا اکثر پایگاه داده سازمان در صفحات گسترده قرار دارند. آنها می خواستند فردی را استخدام کنند که بتواند به سرعت این داده ها را استخراج و تجزیه و تحلیل کند.
با این حال، این الزام برای استخدام نامزدهای دارای تخصص در استفاده از ابزارهای خاص، با افزایش پذیرش LLM از بین خواهد رفت.
به عنوان مثال، با ادغام ChatGPT-Excel، می‌توانید به سادگی سلول‌هایی را که می‌خواهید تجزیه و تحلیل کنید برجسته کنید و از LLM سؤالاتی بپرسید، مانند «روند این اعداد فروش در سه ماهه گذشته چیست؟» یا «آیا می‌توانید تحلیل رگرسیون انجام دهید؟»
پاسخ ChatGPT به اینکه یک ادغام اکسل چگونه به نظر می رسد
ادغام محصولات مانند این باعث می شود اکسل و سایر نرم افزارهای مشابه برای افرادی که معمولاً از آن ها استفاده نمی کنند قابل دسترسی باشد و تقاضا برای متخصصان در این ابزار کاهش می یابد.
پلاگین کد
افزونه مفسر کد ChatGPT نمونه دیگری از چگونگی دموکراتیک شدن جریان‌های کاری علم داده است. به شما امکان می دهد کد پایتون را اجرا کنید و داده ها را در چت تجزیه و تحلیل کنید.
می‌توانید فایل‌های CSV را آپلود کنید و ChatGPT دریافت کنید تا به شما کمک کند آنها را تمیز، تجزیه و تحلیل و مدل‌های آماری بسازید.
هنگامی که داده ها را تجزیه و تحلیل کردید و به آن ها بگویید که چه کاری می خواهید انجام دهید (به عنوان مثال، پیش بینی اعداد فروش برای سه ماهه بعدی)، ChatGPT به شما مراحلی را که می توانید برای رسیدن به نتیجه نهایی بردارید، می گوید.
سپس تحلیل و مدل سازی واقعی را برای شما انجام می دهد و خروجی را در هر مرحله از فرآیند توضیح می دهد.
در این مقاله، نویسنده از مفسر کد ChatGPT می‌خواهد تا با استفاده از داده‌های اقتصادی فدرال رزرو FRED روندهای تورمی آینده را پیش‌بینی کند. الگوریتم با تجسم روند فعلی در داده ها شروع شد.
سپس داده‌ها را از نظر ثابت بودن بررسی کرد، آنها را تبدیل کرد و تصمیم گرفت از ARIMA برای انجام مدل‌سازی استفاده کند. حتی قادر به یافتن پارامترهای بهینه برای استفاده برای تولید پیش بینی با ARIMA بود:
این ها مراحلی هستند که معمولاً برای یک دانشمند داده حدود 3-4 ساعت طول می کشد و ChatGPT توانست آن را در عرض چند دقیقه انجام دهد و به سادگی داده هایی را که توسط کاربر آپلود شده بود را دریافت کرد.
این یک شاهکار چشمگیر است و به طور چشمگیری میزان تخصص مورد نیاز برای تسهیل فرآیند ساخت مدل را کاهش می دهد.
بنابراین آیا تخصص انسانی هنوز مورد نیاز است؟
البته، صرف نظر از این که هوش مصنوعی چقدر در کدنویسی و ساخت مدل خوب می شود، کارشناسان انسانی همچنان ملزم به نظارت بر این فرآیند هستند.
ChatGPT اغلب کدهای نادرست تولید می کند و هنگام ساخت مدل های آماری تصمیمات اشتباه می گیرد. شرکت ها هنوز باید کارکنانی را استخدام کنند که در آمار و برنامه نویسی مهارت داشته باشند تا بر فرآیند علم داده نظارت داشته باشند تا مطمئن شوند که مدل به درستی ارائه شده است.
LLM ها نمی توانند محصولات داده کاملی ایجاد کنند، زیرا انسان ها هنوز باید کارهایی مانند جمع آوری نیازمندی ها، اشکال زدایی و اعتبارسنجی خروجی مدل را انجام دهند.
با این حال، شرکت‌ها به اندازه قبل به تعداد افراد زیادی برای انجام این وظایف نیاز نخواهند داشت.
افزایش کارایی قابل توجه مانند مواردی که توسط LLM هدایت می شود به این معنی است که تیم ها می توانند شروع به کوچک سازی کنند.
به‌عنوان مثال، شرکت‌ها به‌جای اینکه 10 متخصص داده کار را انجام دهند، می‌توانند به سادگی 5 نفر را استخدام کنند.
من معتقدم که مشاغل علوم داده سطح ابتدایی اولین مشاغلی خواهند بود که تحت تأثیر این پیشرفت قرار می گیرند زیرا LLM ها می توانند کدگذاری سطح متوسط و گردش کار تحلیلی را انجام دهند.
توقف استخدام به دلیل هوش مصنوعی در حال حاضر در فناوری‌های بزرگ اتفاق می‌افتد و ممکن است شاهد سناریویی باشیم که در آن نیروی کار علم داده از تقاضا برای این مهارت فراتر می‌رود.
چگونه در عصر ChatGPT شغل خود را با هوش مصنوعی اثبات کنید؟
خوشبختانه، همه اینها برای ما متخصصان فناوری و علم داده تلخ نیست. اگرچه LLM ها در کارهایی مانند برنامه نویسی و تجزیه و تحلیل داده ها به سرعت در حال بهبود هستند، اما نمی توانند جایگزین خلاقیت و تصمیم گیری انسانی شوند.
در این جا چند راه برای اثبات حرفه خود در عصر LLM آورده شده است:
کسب تخصص تجاری
سازمان ها به استخدام افرادی که برای کسب و کار درآمدزایی می کنند ادامه خواهند داد.
اگر در زمینه خاصی تخصص دامنه دارید و پیچیدگی های عملیات شرکت و نیازهای مشتری را درک می کنید، در موقعیت منحصر به فردی برای شناسایی فرصت های رشد قرار دارید.
آخرین کاری که می‌خواهید انجام دهید این است که در رقابت در هوش مصنوعی باشید ، نمی‌خواهید فردی باشید که یک صفحه گسترده را مدیریت می‌کند، یا کسی که همه برای ایجاد گزارش عملکرد فصلی به آن نزدیک می‌شوند. این مشاغل به راحتی می توانند خودکار شوند و اولین کارهایی هستند که در عصر ChatGPT انجام می شوند.
من استدلال می کنم که به جای تمرکز تلاش خود بر یادگیری استفاده از نرم افزار خاصی که LLM می تواند خیلی سریعتر از شما تسلط یابد، یاد بگیرید که به تصویر بزرگتر نگاه کنید. مهارت های رهبری و مدیریتی را توسعه دهید و درک کنید که چگونه می توان از هوش مصنوعی برای دستیابی به اهداف شرکت با داده ها استفاده کرد.
هوش مصنوعی را در آغوش بگیرید
طبق مرکز تحقیقاتی Pew، تنها 14٪ از بزرگسالان ChatGPT را امتحان کرده اند. اگر این مقاله را می‌خوانید، از ChatGPT برای یادگیری چیزهای جدید استفاده می‌کنید، و از پیشرفت‌های هوش مصنوعی استفاده می‌کنید، پس شما اولین پذیرنده هستید.
پیشنهاد می‌کنم LLMها را در جریان کاری خود بگنجانید، از محصولاتی که با هوش مصنوعی ادغام شده‌اند استفاده کنید و بهترین روش‌ها را برای به حداکثر رساندن کارایی با این مدل‌ها یاد بگیرید.
به این ترتیب، می‌توانید بهتر متوجه می‌شوید که کدام بخش‌های شغل شما می‌تواند خودکار باشد و کدام یک به مداخله انسانی نیاز دارند.
این نه تنها شما را به دانشمند داده بهتری تبدیل می کند، بلکه زمانی که سازمان ها شروع به ترکیب هوش مصنوعی در حوزه های مختلف تجاری می کنند، در بهترین موقعیت برای مشاوره در مورد نحوه استفاده از آن برای افزایش بهره وری خواهید بود.
در واقع، نقش جدیدی به نام پرامپت وجود دارد که اخیراً پدیدار شده است و تا 335000 دلار حقوق دریافت می کند. یک مهندس پرامپت در به کار بردن برنامه های کاربردی هوش مصنوعی برای انجام آن چه که می خواهند متخصص است.
یک مهندس پرامپت خوب کسی است که می تواند هوش مصنوعی را «مدیریت پروژه» برای انجام وظایفی مانند طراحی برنامه های کاربردی وب انجام دهد.
صرف نظر از اینکه آیا می خواهید شغلی را به عنوان یک مهندس سریع دنبال کنید یا خیر، گنجاندن هوش مصنوعی در گردش کار فعلی شما به شما برتری رقابتی نسبت به افرادی می دهد که در حال حاضر این کار را انجام نمی دهند.
منابع درآمد خود را متنوع کنید
سازمان‌ها به‌زودی بازسازی‌شان را آغاز می‌کنند، زیرا شروع به توسعه استراتژی‌های تجاری جدید می‌کنند که هوش مصنوعی را در بر می‌گیرد.
اگر این منجر به اخراج انبوه کارکنان شود، تنها راه برای محافظت از خود این است که جریان های مختلف درآمدی داشته باشید که صرفاً به شغل تمام وقت شما متکی نباشد.
من پیشنهاد می کنم یک پورتفولیوی فریلنسری ایجاد کنید .کار برای بیش از یک سازمان و کسب درآمد غیرفعال تضمین می کند که آینده شما به تصمیمات یک کارفرما وابسته نیست.
ایجاد یک برند شخصی
در نهایت،Harvard Business Review پیشنهاد می‌کند یک برند شخصی ایجاد کنید تا خودتان را از دیگران متمایز کنید.
به عنوان مثال، نویسندگان متوسطی مانند تیم دنینگ و جسیکا وایلدفایر همچنان پایگاه اختصاصی از دنبال کنندگان و افرادی خواهند داشت که از محصولات آن ها استفاده می کنند، حتی اگر هوش مصنوعی بتواند سبک نوشتاری آن ها را تقلید کند.
این به این دلیل است که در پایان روز، انسان‌ها از داستان‌های واقعی لذت می‌برند و می‌خواهند با افراد دیگر ارتباط برقرار کنند، و این چیزی است که هوش مصنوعی به سادگی نمی‌تواند ارائه دهد.
به طور مشابه، سازمان ها به استخدام رهبران صنعت که در این زمینه شناخته شده هستند، به عنوان بیانیه کیفیت و برندسازی ادامه خواهند داد. برخی از راه‌های ایجاد یک برند شخصی شامل ساختن مجموعه‌ای از علم داده، ایجاد محتوا و ارتقای مداوم مهارت است.
مدل‌های تولیدی چشم‌انداز شغل را متحول می‌کنند و زمینه‌هایی مانند علم داده، تجزیه و تحلیل و برنامه‌نویسی به دلیل بهره‌وری ارائه شده توسط این ابزارها تحت تأثیر قرار خواهند گرفت.
با این حال، این پایانی برای متخصصین علم داده نیست. پیروی از استراتژی های ذکر شده در بالا می تواند به شما کمک کند که مطمئن شوید که هوش مصنوعی از شما جلو نمی زند.
