لسنوات طويلة، أمضى علماء البيانات جزءاً كبيراً من وقتهم في إعداد مجموعات البيانات، واختبار الخوارزميات، وضبط المعلمات الفائقة، ومقارنة النماذج. هذه المهام ضرورية، لكنها قد تستنزف ساعات كان من الممكن استغلالها في حل مشكلات تجارية أكبر.
يُغيّر التعلّم الآلي المؤتمت هذه المعادلة. فمن خلال أتمتة الأجزاء المتكررة من دورة حياة التعلّم الآلي، لا يُلغي التعلّم الآلي المؤتمت دور علماء البيانات، بل يُعزّز دورهم في سلسلة القيمة، بدءًا من بناء كل نموذج يدويًا وصولًا إلى تحديد المشكلات التي تستحق الحل، وكيفية تطبيق النماذج، ومدى موثوقية مخرجاتها.
التعلم الآلي المؤتمت ينقل عالم البيانات إلى ما هو أبعد من بناء النماذج
كافأت الموجة الأولى من التعلم الآلي الإتقان التقني. فقد كان لعلماء البيانات القادرين على تنظيف مجموعات البيانات المعقدة، وتصميم الميزات، واختيار الخوارزميات، وتحسين النماذج قيمة هائلة. ولا تزال هذه الخبرة مهمة. لكن مركز الثقل يتغير.
من القيام بالعمل إلى توجيه العمل
تستطيع منصات التعلم الآلي المؤتمت أتمتة أنشطة مثل اختيار الميزات، ومقارنة الخوارزميات، وتحسين المعلمات الفائقة، وتقييم النماذج. وبدلاً من اختبار عشرات التكوينات يدويًا، يستطيع علماء البيانات استكشاف المناهج المجدية بسرعة أكبر بكثير.
وهذا يفسح المجال لسؤال أكثر أهمية: هل نقوم ببناء النموذج الصحيح لمشكلة العمل الصحيحة؟
هذا التحول يحول عالم البيانات من باني نماذج إلى شيء أقرب إلى مهندس قرارات الذكاء الاصطناعي.
الفجوة الجديدة في المهارات لا تكمن في البرمجة
يمكن للأتمتة أن تجعل تقنيات التعلم الآلي المتطورة أكثر سهولة في الوصول إليها، لكن سهولة الوصول لا تضمن نتائج مفيدة. فقد يحل نموذج مبهر تقنيًا مشكلة خاطئة.
تخيل شركة تطلب من فريق البيانات لديها التنبؤ بانقطاع العملاء. قد تحدد تقنية التعلم الآلي المؤتمت (AutoML) نموذجًا عالي الأداء بسرعة. لكن فهم أسباب مغادرة العملاء، والمؤشرات التي يمكن للمؤسسة اتخاذ إجراءات واقعية بناءً عليها، والتدخلات المجدية تجاريًا، لا يزال يتطلب تفكيرًا بشريًا.
تُصبح الكفاءة التجارية ميزة تقنية
سيحتاج علماء البيانات من الجيل القادم إلى ربط مخرجات النماذج بالواقع العملي. وهذا يعني طرح أسئلة أفضل، ومراجعة الافتراضات، وفهم عمليات الأعمال، وإيصال حالة عدم اليقين إلى صناع القرار.
مع ازدياد قدرة التعلم الآلي المؤتمت على تنفيذ المزيد من العمليات، تصبح هذه القدرات البشرية المميزة أكثر صعوبة - وليست أسهل - في الاستبدال.
الأتمتة تخلق مسؤولية جديدة: معرفة متى لا يجب الوثوق بالنموذج
هناك جانب آخر لتطوير النماذج بشكل أسرع. فعندما تتمكن المؤسسات من إنشاء النماذج بسرعة، يمكنها أيضاً نشر النماذج الضعيفة بسرعة.
إن تسريب البيانات، وبيانات التدريب المتحيزة، والمقاييس غير المناسبة، وتغير ظروف العالم الحقيقي، والارتباطات المضللة لا تختفي لمجرد أن عملية النمذجة أصبحت مؤتمتة.
وهذا يجعل الإشراف جزءًا أساسيًا من الدور المتطور لعالم البيانات.
تدخل الحوكمة في الوصف الوظيفي
يحتاج علماء البيانات بشكل متزايد إلى تقييم قابلية التفسير، والإنصاف، والمتانة، والخصوصية، وانحراف النموذج إلى جانب الأداء التنبؤي.
لم يعد السؤال ببساطة هو "هل النموذج ناجح؟"
ويصبح السؤال: "هل ينبغي للمنظمة أن تثق بهذا النموذج بما يكفي للعمل بناءً عليه؟"
يصبح هذا التمييز ذا أهمية خاصة عندما يتوسع التعلم الآلي الآلي في تطوير النماذج ليشمل فرقاً تتجاوز فرق علوم البيانات المتخصصة.
قد يُساهم التعلم الآلي التلقائي في إتاحة الذكاء الاصطناعي للجميع، دون المساس بالخبرة
من أبرز مزايا التعلم الآلي المؤتمت (AutoML) تمكين المحللين والمطورين والمتخصصين في المجال من بناء تطبيقات التعلم الآلي دون الحاجة إلى إتقان كل التفاصيل التقنية. هذه الإمكانية الواسعة تُسرّع عملية التجريب في جميع أنحاء المؤسسة، لكنها تُغيّر أيضاً ما تحتاجه المؤسسات من علماء البيانات ذوي الخبرة.
بدلاً من أن يكونوا الأشخاص الوحيدين القادرين على بناء النماذج، يمكن لعلماء البيانات وضع المعايير، والتحقق من صحة المنهجيات، وتوجيه المطورين من المواطنين، والتحقيق في حالات الاستخدام المعقدة، وإنشاء أطر حوكمة لاعتماد الذكاء الاصطناعي بشكل مسؤول.
تصبح خبرتهم عاملاً مضاعفاً للمؤسسة.
أفضل علماء البيانات سيعملون على تحسين القرارات، وليس النماذج فقط
في نهاية المطاف، لا يُقاس نجاح التعلّم الآلي بنسبة دقة البيانات المعروضة على لوحة التحكم، بل بمدى قدرة هذه التقنية على تحسين القرارات الحقيقية. وهذا يُغيّر مفهوم علم البيانات عالي القيمة.
ستزداد قيمة المؤسسات للمهنيين القادرين على ترجمة تحديات الأعمال الغامضة إلى مشكلة قابلة للقياس، وتحديد ما إذا كان التعلم الآلي مناسبًا، وتقييم المفاضلات، وتوصيل التوصيات بوضوح.
لا تزال البرمجة والإحصاء أساسيتين. لكن الحكمة والخبرة في المجال والتجريب والتواصل وحوكمة الذكاء الاصطناعي تميز بشكل متزايد علماء البيانات الجيدين عن أولئك الذين لا غنى عنهم.
اقرأ أيضاً: لماذا يمكن لنماذج اللغة الصغيرة أن تُحدث تحولاً جذرياً في حلول برامج الذكاء الاصطناعي للمؤسسات
التعلم الآلي المؤتمت يعزز دور علماء البيانات، ولا يقضي عليهم
لا يُشير صعود التعلم الآلي المؤتمت إلى نهاية عالم البيانات، بل يُشير إلى نهاية تعريف أضيق لهذا الدور.
مع تولي الآلات المزيد من مهام النمذجة المتكررة، يمكن للبشر التركيز على ما تكافح الأتمتة لتوفيره: السياق، والحكم، والمساءلة، والإبداع، والتوجيه الاستراتيجي.
قد يكتب عالم البيانات المستقبلي عددًا أقل من التعليمات البرمجية لتطوير النماذج الروتينية، ولكنه سيتحمل مسؤولية أكبر بكثير في تحديد ما يجب نمذجته، ولماذا هو مهم، وما الذي يجب على الشركة فعله بعد ذلك.
