អ្វីដែល AI នឹងធ្វើចំពោះវិទ្យាសាស្ត្រទិន្នន័យ

ថ្មីៗនេះ ខ្ញុំបានធ្វើថ្នាក់លើការប្រើប្រាស់វិទ្យាសាស្ត្រទិន្នន័យសម្រាប់សន្តិសុខតាមអ៊ីនធឺណិត ដោយផ្តោតលើការវិភាគទិន្នន័យចាប់យកកញ្ចប់ព័ត៌មាន ដែលជាប្រធានបទបច្ចេកទេស និងជាប្រពៃណីស្ងួត។ វិធីសាស្រ្តដែលខ្ញុំបានចែករំលែកបានទាញចេញពីបទពិសោធន៍របស់ខ្ញុំក្នុងសន្តិសុខតាមអ៊ីនធឺណិតនៅក្នុងស្ថាប័នហិរញ្ញវត្ថុ គ្របដណ្តប់លើជំហានស្នូលដូចជាការវិភាគទិន្នន័យរុករក ដំណើរការ និងបំប្លែងទិន្នន័យកំណត់ហេតុ និងការកំណត់អត្តសញ្ញាណភាពមិនប្រក្រតីតាមរយៈការរួមបញ្ចូលគ្នានៃការវិភាគបណ្តាញចង្កោម និងក្រាហ្វ។

ទិដ្ឋភាពដ៏គួរឱ្យភ្ញាក់ផ្អើលមួយគឺពេលវេលាដែលខ្ញុំបានចំណាយក្នុងការរៀបចំសម្រាប់វគ្គនេះ—ជាប្រភាគនៃអ្វីដែលខ្ញុំតែងតែវិនិយោគ។ AI បានដើរតួនាទីយ៉ាងសំខាន់ក្នុងការសម្រួលដំណើរការ។ ខ្ញុំបានប្រើ Claude ដើម្បីជួយសរសេរកូដ បង្កើតគ្រោង និងសូម្បីតែបង្កើតស្លាយ។ សរុបមក វគ្គសិក្សាទាំងមូលបានត្រៀមរួចរាល់ក្នុងរយៈពេល 48 ម៉ោង។

សម័យ​ប្រជុំ​បាន​ក្លាយ​ជា​ការ​ចូល​រួម។ អ្នកចូលរួម ជាចម្បង CISOs ដែលជាធម្មតាមិនសរសេរកូដ បានរកឃើញលំហាត់ដែលបង្កើតដោយជំនួយរបស់ AI ដើម្បីឱ្យមានភាពវៃឆ្លាត និងដំណើរការដោយដៃ។ គោលដៅរបស់ខ្ញុំគឺចង់ឱ្យពួកគេធ្វើការដោយផ្ទាល់ជាមួយទិន្នន័យ និងកូដ។ ពួកគេបានកោតសរសើរជាពិសេសចំពោះឱកាសដើម្បីស្វែងរកដោយដៃនូវអ្វីដែលការឃ្លាំមើលការគំរាមកំហែងតាមអ៊ីនធឺណិតទំនើប និងវេទិកា SIEM ជាធម្មតាធ្វើឱ្យស្វ័យប្រវត្តិ ដោយទទួលបានការយល់ដឹងអំពីដំណើរការដែលកើតឡើង "នៅក្រោមក្រណាត់"។

ការដកយកគន្លឹះរបស់ខ្ញុំចេញពីថ្នាក់គឺមានលក្ខណៈផ្ទុយស្រឡះគួរឱ្យភ្ញាក់ផ្អើល៖ វិទ្យាសាស្ត្រទិន្នន័យ ដូចដែលយើងដឹងហើយ នៅទីបំផុតនឹងត្រូវជំនួសដោយ AI ។ ទស្សនៈនេះអាចហាក់ដូចជាមុនអាយុ ឬប្រហែលជាមុនពេលវេលារបស់វា ប៉ុន្តែវាជាទស្សនៈដែលធានាដល់ការពិភាក្សា។

ការព្រមាន៖ កត្តាមួយចំនួនអាចបង្កឲ្យមនុស្ស។

ភាពសិចស៊ីគឺជាឥវ៉ាន់

អស់រយៈពេលជាងមួយទស្សវត្សមកហើយ វិទ្យាសាស្ត្រទិន្នន័យត្រូវបានប្រារព្ធជា "ការងារសិចស៊ីបំផុតនៃសតវត្សទី 21"។ ប៉ុន្តែនៅពេលដែល AI រីកចម្រើនយ៉ាងឆាប់រហ័ស វាកាន់តែច្បាស់ថាបញ្ហាប្រឈមនៃវិស័យនេះកាន់តែពិបាកក្នុងការមើលរំលង។ ការមកដល់នៃ AI ជំនាន់ដ៏មានអានុភាពខ្លាំងអាចជាចំណុចទាញសម្រាប់វិន័យ ដែលបើគិតឡើងវិញ ប្រហែលជាត្រូវបានកំណត់កាន់តែធូររលុង និងហួសហេតុជាងការទទួលស្គាល់ដំបូង។

នៅក្នុងខ្លឹមសាររបស់វា វិទ្យាសាស្ត្រទិន្នន័យរួមបញ្ចូលគ្នានូវវិទ្យាសាស្ត្រកុំព្យូទ័រ ស្ថិតិ និងជំនាញអាជីវកម្ម ដោយផ្តល់ឱ្យស្ថាប័ននូវការសន្យានៃការយល់ដឹងដែលអាចអនុវត្តបានពីទិន្នន័យដ៏ច្រើនសន្ធឹកសន្ធាប់។ ជំនាញនេះមានតម្លៃមិនអាចប្រកែកបាននៅក្នុងពិភពដែលជំរុញដោយទិន្នន័យនាពេលបច្ចុប្បន្ននេះ។ ទោះយ៉ាងណាក៏ដោយ នៅក្រោមរូបភាពដ៏ភ្លឺច្បាស់របស់វា វាលនេះប្រឈមនឹងបញ្ហាសំខាន់ៗ។ អ្វី​ដែល​ត្រូវ​បាន​គេ​ចាត់​ទុក​ជា​ញឹកញាប់​ថា​ជា​វិទ្យាសាស្ត្រ​ទិន្នន័យ​ច្រើន​តែ​ប្រែ​ក្លាយ​ជា​ការ​បំពេញ​ការងារ​ដែល​ទាក់ទង​គ្នា​រលុង​ដែល​មិន​តែង​តែ​តម្រឹម​ឱ្យ​បាន​ស្អាត​ល្អ ហើយ​អ្នក​ជំនាញ​ជា​ច្រើន​ក្នុង​វិស័យ​នេះ​តស៊ូ​ជាមួយ​នឹង​ភាព​ទូលំទូលាយ និង​ភាពស្មុគស្មាញ​ដែល​វិន័យ​ទាមទារ។

ការកើនឡើងនៃឧបករណ៍ដែលជំរុញដោយ AI ដែលមានសមត្ថភាពគ្រប់គ្រងការវិភាគទិន្នន័យ ការធ្វើគំរូ និងការបង្កើតការយល់ដឹងអាចបង្ខំឱ្យមានការផ្លាស់ប្តូរពីរបៀបដែលយើងមើលតួនាទី និងអនាគតនៃវិទ្យាសាស្ត្រទិន្នន័យខ្លួនឯង។ នៅពេលដែល AI បន្តធ្វើឱ្យសាមញ្ញ និងស្វ័យប្រវត្តិកម្មភារកិច្ចជាមូលដ្ឋានជាច្រើននៅក្នុងវិទ្យាសាស្ត្រទិន្នន័យ វិស័យនេះអាចប្រឈមមុខនឹងការគិតឡើងវិញអំពីអត្ថន័យនៃការក្លាយជាអ្នកវិទ្យាសាស្ត្រទិន្នន័យក្នុងយុគសម័យស្វ័យប្រវត្តិកម្មដ៏ឆ្លាតវៃ។

ការបំបែក

អ្នកវិទ្យាសាស្ត្រទិន្នន័យជាច្រើន បើទោះបីជាមានជំនាញសរសេរកូដដ៏ទំនើប និងឧបករណ៍ឌីជីថលក៏ដោយ ក៏ចូលរួមក្នុងការងារដែលគួរឱ្យភ្ញាក់ផ្អើល ដោយដៃ និងងាយនឹងមានកំហុស ។ ការរៀបចំទិន្នន័យ ការសម្អាត និងការវិភាគពាក់ព័ន្ធនឹងកិច្ចការដែលធុញទ្រាន់ និងចំណាយពេលច្រើន ដែលមានលក្ខណៈដដែលៗ និងមេកានិច។ ជាការពិត ការងារវិទ្យាសាស្ត្រទិន្នន័យយ៉ាងច្រើនសន្ធឹកសន្ធាប់ ចូលទៅក្នុងការរៀបចំសំណុំទិន្នន័យ ដែលជាកិច្ចការដែលតែងតែមានអារម្មណ៍ដូចជាហត់នឿយ ជាងវិទ្យាសាស្ត្រដែលជំរុញការរកឃើញដ៏គួរឱ្យរំភើប ដែលវាត្រូវបានបង្កើតឡើង។ បញ្ហា​នេះ​ត្រូវ​បាន​ផ្សំ​ឡើង​ដោយ​ការ​ពិត​ដែល​ថា​មនុស្ស​ជា​ច្រើន​ដែល​ចូល​ក្នុង​វិស័យ​នេះ​គឺ​ជា​អ្នក​ស្ម័គ្រ​ចិត្ត។ ដោយបានចូលរៀនវគ្គសិក្សាតាមអ៊ីនធឺណិតមួយចំនួននៅក្នុង Python ឬ R "អ្នកវិទ្យាសាស្ត្រទិន្នន័យ" ទាំងនេះជារឿយៗ មិនត្រូវបានរៀបចំសម្រាប់ភាពម៉ត់ចត់នៃតួនាទីនេះទេ ។ វិទ្យាសាស្ត្រទិន្នន័យមិនគ្រាន់តែជាការសរសេរកូដប៉ុណ្ណោះទេ។ វាពាក់ព័ន្ធនឹងការវិភាគស៊ីជម្រៅ ការយល់ដឹងតាមបរិបទ និងសមត្ថភាពក្នុងការបង្ហាញការយល់ដឹងដល់ទស្សនិកជនដែលមិនមែនជាបច្ចេកទេស។ តាមពិតទៅ វាជាការងារស្រាវជ្រាវច្រើនជាងមុន ដែលទាមទារឱ្យមានការលាយបញ្ចូលគ្នារវាងការច្នៃប្រឌិត និងការគិតបែបវិភាគ ដែលមនុស្សជាច្រើនក្នុងវិស័យនេះមិនមាន។

ជាងនេះទៅទៀត អ្នកវិទ្យាសាស្ត្រទិន្នន័យជាច្រើនបានបង្កើតអារម្មណ៍នៃសិទ្ធិ ដោយរំពឹងថានឹងទទួលបានប្រាក់ខែខ្ពស់ និងកញ្ចប់ដែលរកកម្រៃបាន ដោយគុណធម៌នៃចំណងជើងរបស់ពួកគេ។ អាកប្បកិរិយានេះកំពុងបិទក្រុមហ៊ុននានា ជាពិសេសនៅក្នុងវិស័យដែលប្រសិទ្ធភាពនៃការចំណាយគឺសំខាន់បំផុត។ ខ្ញុំបានជួបក្រុមហ៊ុនដែលធ្លាប់ប្រញាប់ប្រញាល់ជួលអ្នកវិទ្យាសាស្ត្រទិន្នន័យ ប៉ុន្តែឥឡូវនេះកំពុងពិចារណាឡើងវិញ។ ហេតុអ្វីបានជាត្រូវបង់ថ្លៃឈ្នួលខ្ពស់ដល់អ្នកដែលចំណាយពេលវេលាភាគច្រើនរបស់ពួកគេក្នុងការចំបាប់ជាមួយការសម្អាតទិន្នន័យ នៅពេលដែល AI អាចធ្វើវាបានលឿន ប្រសើរជាងមុន និងក្នុងការចំណាយមួយចំណែក?

AI នរណា?

ដូចដែលខ្ញុំផ្ទាល់ធ្លាប់មានបទពិសោធន៍ក្នុងការសរសេរថ្នាក់នោះ Generative AI បានវិវត្តទៅជាកម្លាំងដ៏មានឥទ្ធិពលនៅក្នុងតំបន់ដែលវិទ្យាសាស្ត្រទិន្នន័យខ្សោយបំផុត។ កិច្ចការដូចជាការរៀបចំទិន្នន័យ ការសម្អាត និងសូម្បីតែការវិភាគគុណភាពជាមូលដ្ឋាន—សកម្មភាពដែលប្រើប្រាស់ពេលវេលារបស់អ្នកវិទ្យាសាស្ត្រទិន្នន័យច្រើន—ឥឡូវនេះត្រូវ បានស្វ័យប្រវត្តិយ៉ាងងាយស្រួលដោយប្រព័ន្ធ AI ។ អ្វីដែលកាន់តែអាក្រក់ (ឬប្រសើរជាងនេះ អាស្រ័យលើកន្លែងដែលអ្នកឈរ) គឺថា AI លឿនជាង ត្រឹមត្រូវជាង និងមិនសូវងាយនឹងមានកំហុស ឬអស់កម្លាំងរបស់មនុស្ស។

សម្រាប់​អ្នក​វិទ្យាសាស្ត្រ​ទិន្នន័យ​ជា​ច្រើន នេះ​អាច​ជា​រឿង​ដ៏​គួរ​ឲ្យ​រន្ធត់។ យ៉ាងណាមិញ ការងារទាំងនេះតំណាងឱ្យភាគច្រើននៃការងារប្រចាំថ្ងៃរបស់ពួកគេ។ ជាឧទាហរណ៍ ការសម្អាតទិន្នន័យគឺត្រូវចំណាយពេលវេលាច្រើន និងងាយនឹងមានកំហុស ប៉ុន្តែឥឡូវនេះ AI អាចសម្រេចវាបានដោយការចុចពីរបីដង និងភាពជាក់លាក់ជិតល្អឥតខ្ចោះ។ អ្នកវិទ្យាសាស្ត្រទិន្នន័យជារឿយៗត្អូញត្អែរអំពីកិច្ចការដ៏ក្រៀមក្រំទាំងនេះ ប៉ុន្តែពួកវាជាមូលដ្ឋានគ្រឹះនៃតួនាទីរបស់ពួកគេ។ នៅពេលដែលប្រព័ន្ធ AI មានភាពប្រសើរឡើង តម្រូវការរបស់មនុស្សក្នុងការធ្វើការងារទាំងនេះថយចុះ។ វាមិនមែនជារឿងចម្លែកទេដែលការរិះគន់ជាខ្លាំងប្រឆាំងនឹង AI គឺមកពីអ្នកវិទ្យាសាស្ត្រទិន្នន័យខ្លួនឯង ។ ពួកគេឃើញការសរសេរនៅលើជញ្ជាំង ហើយភ័យខ្លាចចំពោះការងាររបស់ពួកគេ។

ភាពតូចតាច

ដើម្បីធ្វើឱ្យបញ្ហាកាន់តែអាក្រក់សម្រាប់អ្នកវិទ្យាសាស្ត្រទិន្នន័យ វិស័យនេះមិនមានការរីកចម្រើនគួរឱ្យកត់សម្គាល់ក្នុងប៉ុន្មានឆ្នាំថ្មីៗនេះទេ។ ថ្វីបើមានការកើនឡើងនៃប្រជាប្រិយភាពរបស់វាក៏ដោយ ក៏វិទ្យាសាស្ត្រទិន្នន័យនៅតែញាំញីដោយភាពគ្មានប្រសិទ្ធភាព កំហុស និង កង្វះភាពច្បាស់លាស់លើអ្វីដែលវាគួរមាន ។ វាត្រូវបានគេជឿថាឧបករណ៍ទំនើបជាងមុន និងការបណ្តុះបណ្តាលកាន់តែប្រសើរនឹងវិវឌ្ឍន៍វិស័យនេះ ប៉ុន្តែវាមិនបានសម្រេចដូចការរំពឹងទុកនោះទេ។ ផ្ទុយទៅវិញ AI មានភាពប្រសើរឡើងជាលំដាប់។ ក្បួនដោះស្រាយការរៀនម៉ាស៊ីន ដំណើរការភាសាធម្មជាតិ និងគំរូទូទៅកំពុងវិវឌ្ឍយ៉ាងឆាប់រហ័ស ដោយបន្សល់ទុកវិទ្យាសាស្ត្រទិន្នន័យបែបបុរាណនៅក្នុងធូលីដី។

ជា​ថ្មី​ម្តង​ទៀត ការ​រំពឹង​ទុក​ប្រាក់​ខែ​ខ្ពស់​របស់​អ្នក​វិទ្យាសាស្ត្រ​ទិន្នន័យ ​បាន​រួម​បញ្ចូល​បញ្ហា​នេះ ។ ក្រុមហ៊ុន​ដែល​ធ្លាប់​អត់​ឱន​ឱ្យ​មាន​ប្រសិទ្ធភាព​ឥឡូវ​នេះ​កំពុង​ដឹង​ថា AI អាច​ជំនួស​ការងារ​ដ៏​ក្រៀមក្រំ​បាន​ដោយ​មិន​មាន​ស្លាក​តម្លៃ​ខ្ពស់​ដែល​ភ្ជាប់​នឹង​កម្លាំង​ពលកម្ម​មនុស្ស។ ជាមួយនឹង AI កាន់តែមានភាពប៉ិនប្រសប់ក្នុង ការអនុវត្តកិច្ចការសំខាន់ៗ ដូចជា ការវិភាគ ការព្យាករណ៍ និងសូម្បីតែការធ្វើបទបង្ហាញ ធម្មជាតិដោយដៃនៃវិទ្យាសាស្ត្រទិន្នន័យគឺកាន់តែលែងត្រូវការតទៅទៀត។ ក្រុមហ៊ុនជាច្រើននឹងដឹងថាអ្វីដែលធ្លាប់ត្រូវការក្រុមអ្នកវិទ្យាសាស្ត្រទិន្នន័យឥឡូវនេះអាចត្រូវបានគ្រប់គ្រងកាន់តែមានប្រសិទ្ធភាពដោយឧបករណ៍ដែលដំណើរការដោយ AI ។

ការផ្លាស់ប្តូរ

ការពិតគឺថា វិទ្យាសាស្ត្រទិន្នន័យ ដូចដែលបានកំណត់ជាប្រពៃណី គឺស្ថិតនៅលើគែមនៃភាពហួសសម័យ។ ជាមួយនឹងការបង្កើត AI ជឿនលឿនក្នុងអត្រាដ៏គួរឱ្យភ្ញាក់ផ្អើលមួយ តម្រូវការរបស់ អ្នកវិទ្យាសាស្ត្រទិន្នន័យរបស់មនុស្សក្នុងទម្រង់បច្ចុប្បន្នរបស់ពួកគេនឹងធ្លាក់ចុះ ។ នេះមិនមានន័យថាមនុស្សមិនមានតួនាទីក្នុងការសម្រេចចិត្តដែលជំរុញដោយទិន្នន័យនោះទេ ប៉ុន្តែតួនាទី "អ្នកវិទ្យាសាស្ត្រទិន្នន័យ" បែបបុរាណប្រហែលជាឆាប់ជាគំនិតនៃអតីតកាល។ អ្វី​ដែល​ត្រូវ​ការ​នា​ពេល​នេះ គឺ​អ្នក​ជំនាញ​ដែល​មាន​ជំនាញ​ក្នុង​ការ​សហការ​ជាមួយ AI ដោយ​ប្រើ​សមត្ថភាព​របស់​វា ខណៈ​ដែល​ផ្តោត​លើ​ការ​គិត​ជា​យុទ្ធសាស្ត្រ និង​ការ​ដោះស្រាយ​បញ្ហា​ស្មុគស្មាញ​នៅ​កម្រិត​ខ្ពស់​ជាង​នេះ។

AI មិន​មែន​ជា​ទី​បញ្ចប់​នៃ​ការ​វិភាគ ការ​យល់​ដឹង ឬ​ការ​ធ្វើ​ការ​សម្រេច​ចិត្ត​ទេ—វា​តំណាង​ឱ្យ​ការ​វិវត្តន៍​របស់​ពួក​គេ ។ វិស័យវិទ្យាសាស្ត្រទិន្នន័យបច្ចុប្បន្នប្រឈមនឹងការលែងប្រើ ប្រសិនបើវាមិនមានការវិវត្តជាជំហានៗ។ AI កំពុងធ្វើបដិវត្តន៍ឧស្សាហកម្មរួចហើយ ហើយវិទ្យាសាស្ត្រទិន្នន័យត្រូវតែសម្របខ្លួន ឬប្រថុយនឹងរលកនេះ។ ទីបំផុត សំណួរអាចមិនមែនថាតើ AI នឹងលុបបំបាត់វិទ្យាសាស្ត្រទិន្នន័យទេ ប៉ុន្តែថាតើវិទ្យាសាស្ត្រទិន្នន័យធ្លាប់បានផ្តល់ឱ្យពេញលេញតាមការសន្យារបស់វាដែរឬទេ។

ឬប្រហែលជាភាពខុសគ្នាមិនសំខាន់ទេប្រសិនបើទីបំផុតយើងឈានហួសពី "វិទ្យាសាស្ត្រទិន្នន័យ" បំផ្លើស ហើយទទួលយក AI ជាវឌ្ឍនភាពឡូជីខលបន្ទាប់។

អំពីខ្ញុំ៖ ជាង 25+ ឆ្នាំ IT ជើងចាស់ដែលរួមបញ្ចូលគ្នានូវទិន្នន័យ AI ការគ្រប់គ្រងហានិភ័យ យុទ្ធសាស្ត្រ និងការអប់រំ។ អ្នកឈ្នះ 4x hackathon និងផលប៉ះពាល់សង្គមពីអ្នកតស៊ូមតិទិន្នន័យ។ បច្ចុប្បន្នកំពុងធ្វើការដើម្បីចាប់ផ្តើមកម្លាំងការងារ AI នៅក្នុងប្រទេសហ្វីលីពីន។ ស្វែងយល់បន្ថែមអំពីខ្ញុំនៅទីនេះ៖ https://docligot.com