ບໍ່ດົນມານີ້ຂ້າພະເຈົ້າໄດ້ດໍາເນີນຫ້ອງຮຽນກ່ຽວກັບການນໍາໃຊ້ວິທະຍາສາດຂໍ້ມູນສໍາລັບຄວາມປອດໄພທາງອິນເຕີເນັດ, ໂດຍສຸມໃສ່ການວິເຄາະຂໍ້ມູນການຈັບແພັກເກັດ - ເປັນຫົວຂໍ້ທີ່ຂ້ອນຂ້າງດ້ານວິຊາການແລະແບບດັ້ງເດີມ. ວິທີການທີ່ຂ້າພະເຈົ້າໄດ້ແບ່ງປັນມາຈາກປະສົບການຂອງຂ້າພະເຈົ້າໃນຄວາມປອດໄພທາງອິນເຕີເນັດພາຍໃນສະຖາບັນການເງິນ, ກວມເອົາຂັ້ນຕອນຫຼັກເຊັ່ນ: ການວິເຄາະຂໍ້ມູນການສໍາຫຼວດ, ການປຸງແຕ່ງແລະການຫັນປ່ຽນຂໍ້ມູນບັນທຶກ, ແລະການກໍານົດຄວາມຜິດປົກກະຕິໂດຍຜ່ານການປະສົມປະສານຂອງກຸ່ມແລະການວິເຄາະເຄືອຂ່າຍກາຟ. ລັກສະນະທີ່ຫນ້າປະຫລາດໃຈອັນຫນຶ່ງແມ່ນເວລາທີ່ຂ້ອຍໃຊ້ໃນການກະກຽມສໍາລັບກອງປະຊຸມນີ້ - ສ່ວນຫນຶ່ງຂອງສິ່ງທີ່ຂ້ອຍມັກຈະລົງທຶນ. AI ມີບົດບາດສໍາຄັນໃນການປັບປຸງຂະບວນການ. ຂ້າພະເຈົ້າໄດ້ໃຊ້ Claude ເພື່ອຊ່ວຍໃນການຂຽນລະຫັດ, ການພັດທະນາໂຄງຮ່າງການ, ແລະແມ້ກະທັ້ງການສ້າງ slideshow ໄດ້. ໃນຈໍານວນທັງຫມົດ, ຫຼັກສູດທັງຫມົດແມ່ນກຽມພ້ອມພາຍໃນ 48 ຊົ່ວໂມງ. ກອງປະຊຸມໄດ້ກາຍເປັນການມີສ່ວນຮ່ວມ. ຜູ້ເຂົ້າຮ່ວມ, ຕົ້ນຕໍແມ່ນ CISOs ທີ່ປົກກະຕິບໍ່ຂຽນລະຫັດ, ໄດ້ພົບເຫັນການອອກກໍາລັງກາຍ, crafted ດ້ວຍການຊ່ວຍເຫຼືອຂອງ AI, ເພື່ອໃຫ້ intuitive ແລະ hand-on. ເປົ້າຫມາຍຂອງຂ້ອຍແມ່ນເພື່ອເອົາພວກເຂົາເຂົ້າໄປໃນການເຮັດວຽກໂດຍກົງກັບຂໍ້ມູນແລະລະຫັດ. ພວກເຂົາຊື່ນຊົມໂດຍສະເພາະໂອກາດທີ່ຈະຄົ້ນຫາດ້ວຍຕົນເອງວ່າວິທີການເຝົ້າລະວັງ cyberthreat ທີ່ທັນສະໄຫມແລະເວທີ SIEM ໂດຍທົ່ວໄປແມ່ນອັດຕະໂນມັດ, ໄດ້ຮັບຄວາມເຂົ້າໃຈກ່ຽວກັບຂະບວນການທີ່ເກີດຂື້ນ "ພາຍໃຕ້ຜ້າຄຸມ." ການເອົາກະແຈຂອງຂ້ອຍອອກຈາກຫ້ອງຮຽນແມ່ນມີຄວາມແປກໃຈທີ່ກົງກັນຂ້າມ: . ທັດສະນະນີ້ອາດຈະເບິ່ງຄືວ່າໄວກ່ອນໄວອັນຄວນ - ຫຼືບາງທີອາດມີກ່ອນເວລາຂອງມັນ - ແຕ່ມັນເປັນທັດສະນະທີ່ຮັບປະກັນການສົນທະນາ. ວິທະຍາສາດຂໍ້ມູນ, ດັ່ງທີ່ພວກເຮົາຮູ້, ໃນທີ່ສຸດຈະຖືກແທນທີ່ດ້ວຍ AI ຄໍາເຕືອນ: ບາງອັນນີ້ອາດຈະເຮັດໃຫ້ຄົນເຮົາເກີດ. Sexiness ແມ່ນ Baggage ເປັນເວລາຫຼາຍກວ່າທົດສະວັດ, ວິທະຍາສາດຂໍ້ມູນໄດ້ຖືກສະຫຼອງວ່າເປັນ "ວຽກທີ່ເຊັກຊີ່ທີ່ສຸດຂອງສະຕະວັດທີ 21." ຢ່າງໃດກໍຕາມ, ໃນຂະນະທີ່ AI ກ້າວຫນ້າຢ່າງໄວວາ, ມັນຈະກາຍເປັນທີ່ຊັດເຈນວ່າສິ່ງທ້າທາຍພື້ນຖານຂອງພາກສະຫນາມແມ່ນຍາກທີ່ຈະມອງຂ້າມ. ການມາເຖິງຂອງ AI ການຜະລິດທີ່ມີປະສິດທິພາບຫຼາຍອາດຈະເປັນຈຸດຫມາຍປາຍທາງສໍາລັບລະບຽບວິໄນທີ່, ໃນການທົບທວນຄືນ, ອາດຈະຖືກກໍານົດໄວ້ວ່າງໆແລະ overhyped ຫຼາຍກ່ວາທີ່ໄດ້ຮັບການຍອມຮັບໃນເບື້ອງຕົ້ນ. ໂດຍເນື້ອແທ້ແລ້ວຂອງມັນ, ວິທະຍາສາດຂໍ້ມູນລວມເອົາວິທະຍາສາດຄອມພິວເຕີ, ສະຖິຕິ, ແລະຄວາມຄ່ອງແຄ້ວທາງທຸລະກິດ, ສະເຫນີໃຫ້ອົງການຈັດຕັ້ງສັນຍາຄວາມເຂົ້າໃຈທີ່ສາມາດປະຕິບັດໄດ້ຈາກຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍ. ຊຸດທັກສະນີ້ມີຄຸນຄ່າຢ່າງແນ່ນອນໃນໂລກທີ່ຂັບເຄື່ອນດ້ວຍຂໍ້ມູນໃນປະຈຸບັນ. ຢ່າງໃດກໍຕາມ, ພາຍໃຕ້ຮູບຂັດຂອງມັນ, ພາກສະຫນາມປະເຊີນກັບບັນຫາທີ່ສໍາຄັນ. ສິ່ງທີ່ຖືກຕິດສະຫຼາກເປັນວິທະຍາສາດຂໍ້ມູນເລື້ອຍໆມັກຈະເປັນວຽກງານທີ່ກ່ຽວຂ້ອງທີ່ວ່າງໆທີ່ບໍ່ສອດຄ່ອງສະເຫມີ, ແລະຜູ້ຊ່ຽວຊານໃນພາກສະຫນາມຈໍານວນຫຼາຍຕໍ່ສູ້ກັບຄວາມກວ້າງແລະຄວາມຊັບຊ້ອນທີ່ລະບຽບວິໄນຕ້ອງການ. ການເພີ່ມຂຶ້ນຂອງເຄື່ອງມືທີ່ຂັບເຄື່ອນດ້ວຍ AI ທີ່ສາມາດຈັດການກັບການວິເຄາະຂໍ້ມູນ, ການສ້າງແບບຈໍາລອງ, ແລະການສ້າງຄວາມເຂົ້າໃຈສາມາດບັງຄັບໃຫ້ມີການປ່ຽນແປງໃນວິທີທີ່ພວກເຮົາເບິ່ງບົດບາດແລະອະນາຄົດຂອງວິທະຍາສາດຂໍ້ມູນຕົວເອງ. ໃນຂະນະທີ່ AI ສືບຕໍ່ເຮັດໃຫ້ງ່າຍດາຍແລະອັດຕະໂນມັດຫຼາຍຫນ້າວຽກພື້ນຖານພາຍໃນວິທະຍາສາດຂໍ້ມູນ, ພາກສະຫນາມອາດຈະປະເຊີນກັບການຄິດໄລ່ວ່າມັນຫມາຍຄວາມວ່າແນວໃດແທ້ໆທີ່ຈະເປັນນັກວິທະຍາສາດຂໍ້ມູນໃນຍຸກຂອງອັດຕະໂນມັດອັດສະລິຍະ. ຮອຍແຕກ ນັກວິທະຍາສາດຂໍ້ມູນຈໍານວນຫຼາຍ, ເຖິງວ່າຈະມີທັກສະການເຂົ້າລະຫັດທີ່ຊັບຊ້ອນແລະເຄື່ອງມືດິຈິຕອນ, ມີສ່ວນຮ່ວມໃນການເຮັດວຽກທີ່ຫນ້າປະຫລາດໃຈ . ການກະກຽມຂໍ້ມູນ, ການຊໍາລະລ້າງ, ແລະການວິເຄາະກ່ຽວຂ້ອງກັບວຽກງານທີ່ຫນ້າເບື່ອ, ໃຊ້ເວລາທີ່ຊ້ໍາແລະກົນຈັກ. ໃນຄວາມເປັນຈິງ, ຈໍານວນແຮງງານວິທະຍາສາດຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍເຂົ້າໄປໃນການກະກຽມຊຸດຂໍ້ມູນ - ວຽກງານທີ່ມັກຈະມີຄວາມຮູ້ສຶກຄືກັບຄວາມອຶດອັດຫຼາຍກ່ວາວິທະຍາສາດທີ່ຕື່ນເຕັ້ນ, ຂັບເຄື່ອນໂດຍການຄົ້ນຄວ້າທີ່ມັນຖືກສ້າງຂື້ນ. ບັນຫານີ້ແມ່ນປະສົມປະສານໂດຍຄວາມຈິງທີ່ວ່າຫຼາຍຄົນທີ່ເຂົ້າໄປໃນພາກສະຫນາມແມ່ນ, ດີທີ່ສຸດ, ນັກສມັກເລ່ນ. ໂດຍໄດ້ເອົາຫຼັກສູດອອນໄລນ໌ສອງສາມຢ່າງໃນ Python ຫຼື R, "ນັກວິທະຍາສາດຂໍ້ມູນ" ເຫຼົ່ານີ້ມັກຈະ . ວິທະຍາສາດຂໍ້ມູນບໍ່ພຽງແຕ່ເປັນລະຫັດ. ມັນກ່ຽວຂ້ອງກັບການວິເຄາະເລິກ, ຄວາມເຂົ້າໃຈໃນສະພາບການ, ແລະຄວາມສາມາດໃນການນໍາສະເຫນີຄວາມເຂົ້າໃຈກັບຜູ້ຊົມທີ່ບໍ່ແມ່ນດ້ານວິຊາການ. ຄວາມຈິງ, ມັນເປັນວຽກການຄົ້ນຄວ້າຫຼາຍກວ່າ, ຮຽກຮ້ອງໃຫ້ມີການຜະສົມຜະສານຂອງຄວາມຄິດສ້າງສັນແລະການວິເຄາະທີ່ຫຼາຍຄົນໃນພາກສະຫນາມພຽງແຕ່ບໍ່ມີ. ດ້ວຍຄູ່ມືແລະມັກຈະມີຄວາມຜິດພາດ ບໍ່ໄດ້ຮັບການກຽມພ້ອມສໍາລັບຄວາມເຄັ່ງຄັດຂອງພາລະບົດບາດ ຍິ່ງໄປກວ່ານັ້ນ, ນັກວິທະຍາສາດຂໍ້ມູນຈໍານວນຫຼາຍໄດ້ພັດທະນາຄວາມຮູ້ສຶກຂອງສິດທິ, ພຽງແຕ່ໂດຍຄຸນສົມບັດຂອງຫົວຂໍ້ຂອງພວກເຂົາ. ທັດສະນະຄະຕິນີ້ແມ່ນການປິດບໍລິສັດ, ໂດຍສະເພາະໃນຂະແຫນງການທີ່ປະສິດທິພາບຄ່າໃຊ້ຈ່າຍແມ່ນສໍາຄັນທີ່ສຸດ. ຂ້າພະເຈົ້າໄດ້ພົບກັບບໍລິສັດທີ່ເຄີຍຮີບຮ້ອນຈ້າງນັກວິທະຍາສາດຂໍ້ມູນແຕ່ຕອນນີ້ກໍາລັງພິຈາລະນາຄືນໃຫມ່. ເປັນຫຍັງຕ້ອງຈ່າຍຄ່າຈ້າງສູງໃຫ້ກັບຜູ້ທີ່ໃຊ້ເວລາສ່ວນໃຫຍ່ຕໍ່ສູ້ກັບການທໍາຄວາມສະອາດຂໍ້ມູນ, ເມື່ອ AI ສາມາດເຮັດໄດ້ໄວກວ່າ, ດີກວ່າ, ແລະຄ່າໃຊ້ຈ່າຍສ່ວນຫນຶ່ງ? ຄາດວ່າຈະມີເງິນເດືອນສູງແລະຊຸດທີ່ມີລາຍໄດ້ AI ໃຜ? ໃນຂະນະທີ່ຂ້ອຍມີປະສົບການການຂຽນແບບຮຽນສ່ວນບຸກຄົນ, AI ທົ່ວໄປໄດ້ພັດທະນາໄປສູ່ກໍາລັງທີ່ມີປະສິດທິພາບໃນຂົງເຂດທີ່ວິທະຍາສາດຂໍ້ມູນອ່ອນແອທີ່ສຸດ. ວຽກງານເຊັ່ນ: ການກະກຽມຂໍ້ມູນ, ການຊໍາລະລ້າງ, ແລະແມ້ກະທັ້ງການວິເຄາະຄຸນນະພາບພື້ນຖານ - ກິດຈະກໍາທີ່ໃຊ້ເວລາຫຼາຍຂອງນັກວິທະຍາສາດຂໍ້ມູນ - ໃນປັດຈຸບັນແມ່ນ . ສິ່ງທີ່ຮ້າຍແຮງກວ່າເກົ່າ (ຫຼືດີກວ່າ, ຂຶ້ນກັບບ່ອນທີ່ທ່ານຢືນ) ແມ່ນວ່າ AI ແມ່ນໄວ, ຖືກຕ້ອງກວ່າ, ແລະມີຄວາມສ່ຽງຫນ້ອຍທີ່ຈະເກີດຄວາມຜິດພາດຂອງມະນຸດຫຼືຄວາມເມື່ອຍລ້າ. ອັດຕະໂນມັດໄດ້ຢ່າງງ່າຍດາຍໂດຍລະບົບ AI ສໍາລັບນັກວິທະຍາສາດຂໍ້ມູນຈໍານວນຫຼາຍ, ນີ້ສາມາດເປັນຕາຢ້ານ. ຫຼັງຈາກທີ່ທັງຫມົດ, ວຽກງານເຫຼົ່ານີ້ເປັນຕົວແທນສ່ວນໃຫຍ່ຂອງການເຮັດວຽກປະຈໍາວັນຂອງພວກເຂົາ. ສໍາລັບຕົວຢ່າງ, ການເຮັດຄວາມສະອາດຂໍ້ມູນແມ່ນໃຊ້ເວລາຫຼາຍແລະມີຄວາມສ່ຽງຕໍ່ຄວາມຜິດພາດ, ແຕ່ AI ສາມາດເຮັດສໍາເລັດມັນດ້ວຍການຄລິກສອງສາມຄັ້ງແລະຄວາມແມ່ນຍໍາເກືອບສົມບູນ. ນັກວິທະຍາສາດຂໍ້ມູນມັກຈະຈົ່ມກ່ຽວກັບວຽກງານທີ່ຂີ້ຮ້າຍເຫຼົ່ານີ້, ແຕ່ພວກມັນເປັນພື້ນຖານຕໍ່ບົດບາດຂອງພວກເຂົາ. ເມື່ອລະບົບ AI ປັບປຸງ, ຄວາມຕ້ອງການຂອງມະນຸດເພື່ອເຮັດວຽກເຫຼົ່ານີ້ຫຼຸດລົງ. ມັນບໍ່ແປກໃຈທີ່ສຽງວິພາກວິຈານຕໍ່ AI . ພວກເຂົາເຫັນການຂຽນຢູ່ເທິງກໍາແພງແລະຄວາມຢ້ານກົວສໍາລັບວຽກຂອງພວກເຂົາ. ມາຈາກນັກວິທະຍາສາດຂໍ້ມູນເອງ ຄວາມອ່ອນໂຍນ ເພື່ອເຮັດໃຫ້ບັນຫາຮ້າຍແຮງກວ່າເກົ່າສໍາລັບນັກວິທະຍາສາດຂໍ້ມູນ, ພາກສະຫນາມບໍ່ມີຄວາມຄືບຫນ້າຢ່າງຫຼວງຫຼາຍໃນຊຸມປີທີ່ຜ່ານມາ. ເຖິງວ່າຈະມີຄວາມນິຍົມເພີ່ມຂຶ້ນຂອງອຸຕຸນິຍົມ, ວິທະຍາສາດຂໍ້ມູນຍັງຖືກ plagued ໂດຍຄວາມບໍ່ມີປະສິດທິພາບ, ຄວາມຜິດພາດ, ແລະ . ມັນເຄີຍເຊື່ອກັນວ່າເຄື່ອງມືທີ່ຊັບຊ້ອນແລະການຝຶກອົບຮົມທີ່ດີກວ່າຈະພັດທະນາພາກສະຫນາມ, ແຕ່ນີ້ບໍ່ໄດ້ບັນລຸຜົນຕາມທີ່ຄາດໄວ້. ໃນທາງກົງກັນຂ້າມ, AI ໄດ້ປັບປຸງຢ່າງຕໍ່ເນື່ອງ. ສູດການຄິດໄລ່ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ, ການປະມວນຜົນພາສາທໍາມະຊາດ, ແລະແບບຈໍາລອງການຜະລິດກໍາລັງພັດທະນາຢ່າງໄວວາ, ເຮັດໃຫ້ວິທະຍາສາດຂໍ້ມູນແບບດັ້ງເດີມຢູ່ໃນຂີ້ຝຸ່ນ. ການຂາດຄວາມຊັດເຈນກ່ຽວກັບສິ່ງທີ່ມັນຄວນຈະເປັນ ອີກເທື່ອ ໜຶ່ງ, ຄວາມຄາດຫວັງຂອງເງິນເດືອນສູງຂອງນັກວິທະຍາສາດຂໍ້ມູນ . ບໍລິສັດທີ່ອາດຈະໄດ້ຮັບຄວາມອົດທົນຕໍ່ຄວາມບໍ່ມີປະສິດທິພາບໃນປັດຈຸບັນກໍາລັງຮູ້ວ່າ AI ສາມາດທົດແທນການເຮັດວຽກທີ່ຫຍຸ້ງຍາກຫຼາຍໂດຍບໍ່ມີປ້າຍລາຄາທີ່ຫນັກແຫນ້ນທີ່ຕິດກັບແຮງງານຂອງມະນຸດ. ດ້ວຍ AI ກາຍເປັນຄວາມຊ່ຽວຊານໃນ ເຊັ່ນການວິເຄາະ, ການພະຍາກອນ, ແລະແມ້ກະທັ້ງການນໍາສະເຫນີ, ລັກສະນະຄູ່ມືຂອງວິທະຍາສາດຂໍ້ມູນແມ່ນກາຍເປັນຊ້ໍາຊ້ອນ. ບໍລິສັດຈໍານວນຫຼາຍຈະຮັບຮູ້ວ່າສິ່ງທີ່ເຄີຍຕ້ອງການທີມງານຂອງນັກວິທະຍາສາດຂໍ້ມູນໃນປັດຈຸບັນສາມາດໄດ້ຮັບການຈັດການປະສິດທິພາບຫຼາຍໂດຍເຄື່ອງມື AI-powered. ປະກອບບັນຫາ ການປະຕິບັດວຽກງານທີ່ສໍາຄັນ ການປ່ຽນແປງ ຄວາມເປັນຈິງແມ່ນວ່າວິທະຍາສາດຂໍ້ມູນ, ຕາມປະເພນີທີ່ໄດ້ກໍານົດ, ແມ່ນຢູ່ໃນ brink ຂອງ obsolescence. ດ້ວຍ AI ທົ່ວໄປທີ່ກ້າວຫນ້າໃນອັດຕາທີ່ຫນ້າປະຫລາດໃຈ, ຄວາມຕ້ອງການສໍາລັບ . ນີ້ບໍ່ໄດ້ຫມາຍຄວາມວ່າມະນຸດບໍ່ມີບົດບາດໃນການຕັດສິນໃຈທີ່ອີງໃສ່ຂໍ້ມູນ, ແຕ່ບົດບາດ "ນັກວິທະຍາສາດຂໍ້ມູນ" ແບບຄລາສສິກອາດຈະເປັນແນວຄວາມຄິດຂອງອະດີດໃນໄວໆນີ້. ສິ່ງທີ່ຕ້ອງການໃນປັດຈຸບັນແມ່ນຜູ້ຊ່ຽວຊານທີ່ມີຄວາມຊໍານິຊໍານານໃນການຮ່ວມມືກັບ AI, ນໍາໃຊ້ຄວາມສາມາດຂອງຕົນໃນຂະນະທີ່ສຸມໃສ່ການຄິດຍຸດທະສາດແລະການແກ້ໄຂບັນຫາທີ່ສັບສົນໃນລະດັບທີ່ສູງຂຶ້ນ. ນັກວິທະຍາສາດຂໍ້ມູນຂອງມະນຸດໃນຮູບແບບປະຈຸບັນຂອງພວກເຂົາຈະຫຼຸດລົງ . ຂົງເຂດວິທະຍາສາດຂໍ້ມູນໃນປະຈຸບັນມີຄວາມສ່ຽງກາຍເປັນສິ່ງທີ່ລ້າສະໄຫມຖ້າມັນບໍ່ພັດທະນາໃນຂັ້ນຕອນ. AI ກໍາລັງປະຕິວັດອຸດສາຫະກໍາຢູ່ແລ້ວ, ແລະວິທະຍາສາດຂໍ້ມູນຕ້ອງປັບຕົວຫຼືມີຄວາມສ່ຽງທີ່ຈະຖືກຄອບຄອງໂດຍຄື້ນນີ້. ໃນທີ່ສຸດ, ຄໍາຖາມອາດຈະບໍ່ແມ່ນວ່າ AI ຈະກໍາຈັດວິທະຍາສາດຂໍ້ມູນແຕ່ວ່າວິທະຍາສາດຂໍ້ມູນເຄີຍສົ່ງຢ່າງເຕັມທີ່ຕາມຄໍາຫມັ້ນສັນຍາຂອງມັນ. AI ບໍ່ແມ່ນຈຸດສິ້ນສຸດຂອງການວິເຄາະ, ຄວາມເຂົ້າໃຈ, ຫຼືການຕັດສິນໃຈ - ມັນສະແດງເຖິງວິວັດທະນາການຂອງເຂົາເຈົ້າ ຫຼືບາງທີຄວາມແຕກຕ່າງບໍ່ສໍາຄັນວ່າພວກເຮົາຈະກ້າວໄປຂ້າງຫນ້າ "ວິທະຍາສາດຂໍ້ມູນ" hype ແລະຍອມຮັບ AI ເປັນຄວາມກ້າວຫນ້າທາງດ້ານເຫດຜົນຕໍ່ໄປ. ກ່ຽວກັບຂ້ອຍ: 25+ ປີ IT veteran ປະສົມປະສານຂໍ້ມູນ, AI, ການຄຸ້ມຄອງຄວາມສ່ຽງ, ຍຸດທະສາດ, ແລະການສຶກສາ. ຜູ້ຊະນະ 4x hackathon ແລະຜົນກະທົບທາງສັງຄົມຈາກຜູ້ສະຫນັບສະຫນູນຂໍ້ມູນ. ປະຈຸບັນພວມເຮັດວຽກເພື່ອກະໂດດຂັ້ນກຳລັງແຮງງານ AI ໃນຟີລິບປິນ. ສຶກສາເພີ່ມເຕີມກ່ຽວກັບຂ້ອຍໄດ້ທີ່ນີ້: https://docligot.com
