Jag höll nyligen en klass om att använda datavetenskap för cybersäkerhet, med fokus på analys av paketfångningsdata – ett något tekniskt och traditionellt torrt ämne. Det tillvägagångssätt som jag delade hämtade från min erfarenhet av cybersäkerhet inom finansiella institutioner, och täckte kärnsteg som utforskande dataanalys, förbearbetning och transformering av loggdata och identifiering av anomalier genom en kombination av klustring och grafisk nätverksanalys. En överraskande aspekt var den tid jag tillbringade med att förbereda mig för den här sessionen – en bråkdel av vad jag vanligtvis skulle investera. AI spelade en viktig roll för att effektivisera processen. Jag använde Claude för att hjälpa till med kodning, utveckla konturerna och till och med skapa bilderna. Totalt var hela banan klar inom 48 timmar. Sessionen visade sig vara engagerande. Deltagarna, främst CISO:er som vanligtvis inte kodar, tyckte att övningarna, gjorda med AI:s hjälp, var intuitiva och praktiska. Mitt mål var att fördjupa dem i att arbeta direkt med data och kod. De uppskattade särskilt chansen att manuellt utforska vad modern övervakning av cyberhot och SIEM-plattformar vanligtvis automatiserar, och få insikter i de processer som sker "under huven." Min viktigaste takeaway från klassen var förvånansvärt kontraintuitiv: . Denna uppfattning kan tyckas förhastad – eller kanske före sin tid – men det är ett perspektiv som motiverar diskussion. datavetenskap, som vi känner den, kommer så småningom att ersättas av AI Varning: en del av detta kan trigga människor. Sexighet är bagage I över ett decennium har datavetenskap hyllats som det "sexigaste jobbet på 2000-talet." Men när AI snabbt utvecklas, blir det tydligt att fältets underliggande utmaningar är svårare att förbise. Tillkomsten av kraftfull generativ AI kan mycket väl vara vändpunkten för en disciplin som i efterhand kan ha varit mer löst definierad och överhypad än vad som ursprungligen erkändes. I grund och botten kombinerar datavetenskap datavetenskap, statistik och affärsmannaskap, och erbjuder organisationer löftet om praktiska insikter från stora mängder data. Denna kompetens är onekligen värdefull i dagens datadrivna värld. Men under sin polerade image står fältet inför betydande problem. Det som ofta betecknas som datavetenskap visar sig ofta vara ett lapptäcke av löst relaterade uppgifter som inte alltid stämmer överens, och många yrkesverksamma inom området kämpar med den fulla bredd och komplexitet som disciplinen kräver. Framväxten av AI-drivna verktyg som kan hantera dataanalys, modellering och generering av insikter kan tvinga fram en förändring i hur vi ser på själva datavetenskapens roll och framtid. Eftersom AI fortsätter att förenkla och automatisera många av de grundläggande uppgifterna inom datavetenskap, kan fältet stå inför en beräkning av vad det verkligen innebär att vara en dataforskare i en tidsålder av intelligent automation. Sprickorna Många datavetare, trots att de har sofistikerade kodningsfärdigheter och digitala verktyg, engagerar sig i arbete som är förvånansvärt . Dataförberedelse, rensning och analys innebär tråkiga, tidskrävande uppgifter som är repetitiva och mekaniska. Faktum är att en betydande mängd datavetenskapsarbete går åt till att förbereda datamängder – en uppgift som ofta känns mer som slit än den spännande, upptäcktsdrivna vetenskapen den framställs för att vara. Detta problem förvärras av det faktum att många som kommer in på fältet i bästa fall är amatörer. Efter att ha tagit några onlinekurser i Python eller R är dessa "datavetare" ofta . Datavetenskap är inte bara kodning. Det innebär djup analys, kontextuell förståelse och förmågan att presentera insikter för icke-tekniska publiker. I själva verket är det mer ett forskningsjobb, som kräver en blandning av kreativitet och analytiskt tänkande som många inom området helt enkelt inte har. manuellt och benäget att misstag oförberedda på rollens påfrestningar Dessutom har många dataforskare utvecklat en känsla av berättigande och bara på grund av sin titel. Denna attityd slår av företag, särskilt inom sektorer där kostnadseffektivitet är av största vikt. Jag har träffat företag som en gång skyndade sig att anställa datavetare men som nu omprövar. Varför betala höga löner till någon som ägnar det mesta av sin tid åt att brottas med datarensning, när AI kan göra det snabbare, bättre och till en bråkdel av kostnaden? förväntar sig höga löner och lukrativa paket AI Vem? När jag personligen upplevde att skriva klassen har Generativ AI utvecklats till en kraftfull kraft inom just de områden där datavetenskap är svagast. Uppgifter som dataförberedelse, rensning och till och med grundläggande kvalitativ analys – aktiviteter som tar mycket av en datavetares tid – . Vad som är värre (eller bättre, beroende på var du står) är att AI är snabbare, mer exakt och mindre benägen för mänskliga fel eller trötthet. automatiseras nu enkelt av AI-system För många dataforskare kan detta vara skrämmande. Dessa uppgifter representerar trots allt huvuddelen av deras dagliga arbete. Datarensning, till exempel, är notoriskt tidskrävande och benägen att göra misstag, men AI kan nu åstadkomma det med några få klick och nästan perfekt precision. Dataforskare klagar ofta över dessa grymta uppgifter, men de är grundläggande för deras roller. När AI-systemen förbättras, minskar behovet för människor att utföra dessa jobb. Det är ingen överraskning att mycket av den högljudda kritiken mot AI . De ser skriften på väggen och fruktar för sina jobb. kommer från datavetare själva Småligheten För att göra saken värre för dataforskare har fältet inte gjort några betydande framsteg de senaste åren. Trots dess snabba ökning i popularitet plågas datavetenskap fortfarande av ineffektivitet, fel och en . Man trodde en gång i tiden att mer sofistikerade verktyg och bättre utbildning skulle utveckla området, men detta har inte förverkligats i den utsträckning som förväntats. Däremot har AI stadigt förbättrats. Algoritmer för maskininlärning, bearbetning av naturligt språk och generativa modeller utvecklas snabbt och lämnar traditionell datavetenskap i stupet. otydlighet om vad det exakt ska innebära Återigen . Företag som en gång kunde ha tolererat ineffektivitet inser nu att AI kan ersätta mycket av grymtandet utan den höga prislappen som är kopplad till mänskligt arbete. I takt med att AI blir skickligare på som analys, prognoser och till och med presentation, blir datavetenskapens manuella natur alltmer överflödig. Många företag kommer att inse att det som tidigare krävde ett team av datavetare nu kan hanteras mer effektivt av AI-drivna verktyg. förvärrar de höga löneförväntningarna från datavetare problemet att utföra nyckeluppgifter Skiftet Verkligheten är att datavetenskap, som traditionellt definierats, är på gränsen till inkurans. Med generativ AI som utvecklas i en häpnadsväckande hastighet . Detta innebär inte att människor inte har någon roll i datadrivet beslutsfattande, men den klassiska rollen som "dataforskare" kan snart vara ett begrepp från det förflutna. Vad som behövs nu är proffs som är skickliga på att samarbeta med AI, utnyttja dess kapacitet samtidigt som de koncentrerar sig på strategiskt tänkande och komplex problemlösning på en högre nivå. kommer efterfrågan på mänskliga dataforskare i sin nuvarande form sannolikt att minska . Det nuvarande området för datavetenskap riskerar att bli föråldrat om det inte utvecklas i takt. AI revolutionerar redan industrier, och datavetenskap måste anpassa sig eller riskera att bli omkörd av denna våg. I slutändan är frågan kanske inte om AI kommer att eliminera datavetenskap, utan om datavetenskapen någonsin levererat till sina löften. AI är inte slutet på analys, insikter eller beslutsfattande – det representerar deras utveckling Eller kanske skillnaden inte ens spelar någon roll om vi äntligen går bortom "data science"-hypen och omfamnar AI som nästa logiska utveckling. Om mig: 25+ år IT-veteran som kombinerar data, AI, riskhantering, strategi och utbildning. 4x hackathonvinnare och social påverkan från dataförespråkare. Arbetar för närvarande med att få igång AI-arbetsstyrkan i Filippinerna. Läs mer om mig här: https://docligot.com
