Би саяхан мэдээллийн шинжлэх ухааныг кибер аюулгүй байдалд ашиглах хичээлийг явуулж, багц хураах өгөгдлийн шинжилгээнд анхаарлаа хандуулсан бөгөөд энэ нь зарим талаараа техникийн болон уламжлалт хуурай сэдэв юм. Миний хуваалцсан арга нь санхүүгийн байгууллагуудын кибер аюулгүй байдлын талаархи туршлагаасаа үндэслэн хайгуулын өгөгдөлд дүн шинжилгээ хийх, бүртгэлийн өгөгдлийг урьдчилан боловсруулах, хувиргах, кластер болон график сүлжээний шинжилгээг хослуулан гажуудлыг тодорхойлох зэрэг үндсэн алхмуудыг хамарсан. Гайхалтай нэг тал нь би энэ хуралдаанд бэлдэхэд зарцуулсан хугацаа байсан бөгөөд энэ нь миний ихэвчлэн хөрөнгө оруулалт хийдэг байсан цаг хугацааны багахан хэсэг юм. AI үйл явцыг оновчтой болгоход чухал үүрэг гүйцэтгэсэн. Би Клодыг кодлох, тоймыг боловсруулах, тэр ч байтугай слайд хийхэд туслах зорилгоор ашигласан. Нийтдээ 48 цагийн дотор бүх курс бэлэн болсон. Хурал сонирхолтой болж өнгөрлөө. Оролцогчид, тэр дундаа ихэвчлэн код бичдэггүй CISO-ууд хиймэл оюун ухааны тусламжтайгаар хийсэн дасгалуудыг зөн совинтой, практик гэж үзсэн. Миний зорилго бол тэднийг өгөгдөл, кодтой шууд ажиллахад нь оруулах явдал байв. Тэд ялангуяа орчин үеийн кибер аюулын тандалт болон SIEM платформууд юуг автоматжуулдаг болохыг гараар судалж, "бүрээс дор" болж буй үйл явцын талаар ойлголттой болсонд талархаж байв. Хичээлээс авсан миний гол санаа нь гайхалтай зөрчилтэй байсан: . Энэ үзэл бодол нь эрт буюу магадгүй цаг хугацаанаасаа түрүүлээд байгаа мэт санагдаж болох ч энэ нь хэлэлцэх шаардлагатай хэтийн төлөв юм. бидний мэддэг мэдээллийн шинжлэх ухаан эцэст нь хиймэл оюун ухаанаар солигдох болно Анхааруулга: Эдгээрийн зарим нь хүмүүсийг өдөөж болно. Секс бол ачаа тээш юм Арав гаруй жилийн турш мэдээллийн шинжлэх ухааныг "21-р зууны хамгийн тачаангуй ажил" гэж тэмдэглэсээр ирсэн. Гэсэн хэдий ч хиймэл оюун ухаан хурдацтай хөгжихийн хэрээр энэ салбарт тулгарч буй сорилтуудыг үл тоомсорлоход илүү хэцүү болох нь тодорхой болж байна. Хүчирхэг үүсгүүрийн хиймэл оюун ухаан гарч ирсэн нь эргээд харахад анх хүлээн зөвшөөрч байснаас илүү сул тодорхойлогдсон, хэтрүүлсэн байсан байж болох энэ салбар дахь эргэлтийн цэг байж болох юм. Үндсэндээ өгөгдлийн шинжлэх ухаан нь компьютерийн шинжлэх ухаан, статистик, бизнесийн ур чадварыг хослуулсан бөгөөд байгууллагуудад асар их хэмжээний өгөгдлөөс хэрэгжүүлэх боломжтой ойлголтыг санал болгодог. Энэхүү ур чадвар нь өгөгдөлд тулгуурласан өнөөгийн ертөнцөд үнэ цэнэтэй юм. Гэсэн хэдий ч өнгөлсөн дүр төрхийн дор энэ талбар чухал асуудлуудтай тулгардаг. Өгөгдлийн шинжлэх ухаан гэж ихэвчлэн шошгодог зүйл нь ихэвчлэн хоорондоо уялдаа холбоотой байдаггүй, үргэлж нарийн уялдаатай байдаг даалгавруудын нэг хэсэг болж хувирдаг бөгөөд энэ салбарын олон мэргэжилтнүүд сахилга батын шаардсан өргөн цар хүрээ, нарийн төвөгтэй байдлын эсрэг тэмцдэг. Өгөгдлийн шинжилгээ, загварчлал, ойлголтыг боловсруулах чадвартай хиймэл оюун ухаанд суурилсан хэрэгслүүдийн өсөлт нь бидний мэдээллийн шинжлэх ухааны үүрэг, ирээдүйг хэрхэн үзэх талаар өөрчлөхөд түлхэц болно. AI нь өгөгдлийн шинжлэх ухааны үндсэн даалгавруудыг хялбаршуулж, автоматжуулсаар байгаа тул ухаалаг автоматжуулалтын эрин үед өгөгдөл судлаач байх нь жинхэнэ утгаараа юу гэсэн үг вэ гэсэн тооцоололтой тулгарч магадгүй юм. Хагарал Олон тооны өгөгдөл судлаачид нарийн кодчиллын ур чадвар, дижитал хэрэгслийг эзэмшсэн ч гайхалтай ажил хийдэг. Өгөгдөл бэлтгэх, цэвэрлэх, дүн шинжилгээ хийх нь дахин давтагдах, механик ажиллагаатай, уйтгартай, цаг хугацаа шаардсан ажлуудыг агуулдаг. Үнэн хэрэгтээ өгөгдлийн шинжлэх ухааны ихээхэн хөдөлмөр нь өгөгдлийн багц бэлтгэхэд зарцуулагддаг бөгөөд энэ нь сэтгэл хөдөлгөм, нээлтэд тулгуурласан шинжлэх ухаанаас илүү хэцүү мэт санагддаг. Энэ талбарт орж буй олон хүмүүс сайндаа л сонирхогчид байдаг нь энэ асуудал улам бүр нэмэгддэг. Python эсвэл R-ийн хэд хэдэн онлайн сургалтанд хамрагдсан эдгээр "өгөгдлийн эрдэмтэд" ихэвчлэн . Өгөгдлийн шинжлэх ухаан нь зөвхөн кодчилдог зүйл биш юм. Үүнд гүнзгий дүн шинжилгээ хийх, нөхцөл байдлын талаархи ойлголт, техникийн бус үзэгчдэд ойлголт өгөх чадварыг багтаадаг. Үнэн хэрэгтээ энэ нь судалгааны ажил бөгөөд энэ салбарт ажиллаж буй олон хүмүүст огт байдаггүй бүтээлч байдал, аналитик сэтгэлгээний хослолыг шаарддаг. гар ажиллагаатай, алдаа гаргадаг үүрэг хариуцлагад бэлэн байдаггүй Цаашилбал, олон тооны өгөгдөл судлаачид зөвхөн цол хэргэмээрээ , эрх мэдлийн мэдрэмжийг бий болгосон. Энэ хандлага нь компаниудыг, ялангуяа зардлын хэмнэлт хамгийн чухал байдаг салбарыг зогсоож байна. Нэгэн цагт мэдээлэл судлаачдыг ажилд авах гэж яаран гүйж байсан ч одоо дахин бодож байгаа пүүсүүдтэй би уулзсан. Хиймэл оюун ухаан үүнийг илүү хурдан, илүү сайн, бага зардлаар хийх боломжтой байхад ихэнх цагаа өгөгдөл цэвэрлэх ажилд зарцуулдаг хүнд яагаад өндөр цалин өгөх ёстой гэж? өндөр цалин, ашигтай багцуудыг хүлээж AI Хэн? Би хувьдаа энэ хичээлийг бичихэд туршлагажсанаар Generative AI нь мэдээллийн шинжлэх ухаан хамгийн сул байгаа газруудад хүчирхэг хүч болж хувирсан. Өгөгдөл бэлтгэх, цэвэрлэх, тэр ч байтугай үндсэн чанарын шинжилгээ гэх мэт даалгаврууд буюу өгөгдөл судлаачийн ихэнх цагийг зарцуулдаг үйл ажиллагаанууд одоо . Хамгийн муу зүйл бол (эсвэл хаана зогсож байгаагаас хамааран илүү сайн) нь хиймэл оюун ухаан нь илүү хурдан, илүү нарийвчлалтай бөгөөд хүний алдаа эсвэл ядрахад бага өртөмтгий байдаг. хиймэл оюун ухааны системээр амархан автоматждаг Олон тооны өгөгдөл судлаачдын хувьд энэ нь аймшигтай байж магадгүй юм. Эцсийн эцэст эдгээр ажлууд нь тэдний өдөр тутмын ажлын ихэнх хэсгийг төлөөлдөг. Жишээлбэл, өгөгдөл цэвэрлэх нь цаг хугацаа их шаарддаг бөгөөд алдаа гаргахад хялбар байдаг ч хиймэл оюун ухаан одоо үүнийг хэдхэн товшилтоор, бараг төгс нарийвчлалтайгаар хийж чадна. Мэдээллийн эрдэмтэд эдгээр даалгаврын талаар ихэвчлэн гомдоллодог ч энэ нь тэдний үүрэг хариуцлагын үндэс суурь болдог. AI системүүд сайжрах тусам хүмүүс эдгээр ажлыг хийх хэрэгцээ улам бүр багассаар байна. Хиймэл оюун ухааныг шүүмжилдэг ихэнх хэсэг нь нь гайхах зүйл биш юм. Тэд ханан дээрх бичээсийг хараад ажлаасаа айдаг. мэдээлэл судлаачдаас гардаг Өчүүхэн байдал Мэдээллийн эрдэмтдийн хувьд асуудлыг улам дордуулахын тулд сүүлийн жилүүдэд энэ салбарт мэдэгдэхүйц ахиц дэвшил гараагүй байна. Хэдийгээр нэр хүнд нь асар их өссөн ч өгөгдлийн шинжлэх ухаан нь үр ашиггүй байдал, алдаа, байсаар байна. Нэгэн цагт илүү боловсронгуй хэрэгсэл, илүү сайн сургалт нь энэ салбарыг хөгжүүлнэ гэж үздэг байсан ч энэ нь хүлээгдэж буй хэмжээнд хүрч чадаагүй юм. Үүний эсрэгээр хиймэл оюун ухаан тогтмол сайжирч байна. Машин сургалтын алгоритмууд, байгалийн хэлний боловсруулалт, үүсгэгч загварууд хурдацтай хөгжиж, уламжлалт мэдээллийн шинжлэх ухааныг тоосонд даруулж байна. яг юунд хүргэх ёстой талаар тодорхойгүй Дахин хэлэхэд, мэдээлэл судлаачдын өндөр цалингийн хүлээлт нь . Нэгэн цагт үр ашиггүй байдлаа тэвчиж байсан компаниуд одоо хиймэл оюун ухаан нь хүний хөдөлмөрийг өндөр үнээр тооцохгүйгээр олон ажлыг орлож чадна гэдгийг ойлгож байна. Хиймэл оюун ухаан нь дүн шинжилгээ хийх, урьдчилан таамаглах, тэр ч байтугай танилцуулга зэрэг илүү ур чадвартай болохын хэрээр өгөгдлийн шинжлэх ухааны гарын авлагын шинж чанар улам бүр хэрэггүй болж байна. Өмнө нь өгөгдөл судлаачдын баг шаардлагатай байсан зүйлийг одоо хиймэл оюун ухаанаар ажилладаг багаж хэрэгслээр илүү үр дүнтэй шийдвэрлэх боломжтой гэдгийг олон компаниуд ойлгох болно. асуудлыг улам хурцатгаж байна гол ажлуудыг гүйцэтгэхэд The Shift Бодит байдал нь уламжлалт байдлаар тодорхойлогддог дата шинжлэх ухаан хоцрогдлын ирмэг дээр байна. Хиймэл оюун ухаан гайхалтай хурдацтай хөгжихийн хэрээр хүний . Энэ нь өгөгдөлд тулгуурласан шийдвэр гаргахад хүмүүс ямар ч үүрэг гүйцэтгэдэггүй гэсэн үг биш ч сонгодог "өгөгдөл судлаач"-ын үүрэг удахгүй өнгөрсөн үеийн ойлголт болж магадгүй юм. Одоо хиймэл оюун ухаантай хамтран ажиллах, түүний чадавхийг ашиглах, стратегийн сэтгэлгээ, асуудлыг илүү өндөр түвшинд шийдвэрлэхэд анхаарлаа төвлөрүүлэх чадвартай мэргэжилтнүүд хэрэгтэй байна. өгөгдлийн эрдэмтдийн эрэлт одоогийн байдлаар буурах магадлалтай . Өгөгдлийн шинжлэх ухааны өнөөгийн салбар алхам алхмаар хөгжихгүй бол хуучирч хоцрох эрсдэлтэй. AI аль хэдийн салбаруудад хувьсгал хийж байгаа бөгөөд мэдээллийн шинжлэх ухаан дасан зохицох ёстой эсвэл энэ давалгааг гүйцэж түрүүлэх эрсдэлтэй. Эцсийн эцэст асуулт нь хиймэл оюун ухаан нь мэдээллийн шинжлэх ухааныг устгах эсэх биш харин мэдээллийн шинжлэх ухаан амлалтаа бүрэн биелүүлсэн эсэх асуудал байж магадгүй юм. Хиймэл оюун ухаан нь аналитик, ойлголт, шийдвэр гаргах үйл явцын төгсгөл биш бөгөөд энэ нь тэдний хувьслыг илэрхийлдэг Эсвэл бид эцэст нь "өгөгдлийн шинжлэх ухаан"-аас хальж, хиймэл оюун ухааныг дараагийн логик дэвшил болгон хүлээн авбал ялгаа нь хамаагүй байж магадгүй юм. Миний тухай: Өгөгдөл, хиймэл оюун ухаан, эрсдэлийн удирдлага, стратеги, боловсролыг хослуулсан 25+ жилийн мэдээллийн технологийн ахмад ажилтан. 4 удаагийн хакатон тэмцээний ялагч, мэдээллийн өмгөөлөгчийн нийгэмд үзүүлэх нөлөө. Одоогоор Филиппинд хиймэл оюун ухаантай ажиллах хүчийг шинээр эхлүүлэхээр ажиллаж байна. Миний тухай эндээс илүү ихийг мэдэж аваарай: https://docligot.com
