Οι ομάδες δεδομένων είναι νεκρές, ζήτω οι ομάδες δεδομένων

Ναι, ο τίτλος είναι clickbait και προκλητικός, αλλά ως Διευθυντής Τεχνολογίας με πολλά χρόνια εμπειρίας στα δεδομένα, έχω μάρτυρα μια μεταμόρφωση που δικαιολογεί το δράμα. Η παραδοσιακή «ομάδα δεδομένων» – η ομάδα του back-office που επεξεργαζόταν αναφορές και πίνακες ελέγχου – είναι ουσιαστικά νεκρή. Στη θέση της, μια νέα είδους ομάδα δεδομένων εμφανίζεται: μια ομάδα που βασίζεται πρώτα στο AI, με στόχο την παραγωγή προϊόντων και με άμεσο αντίκτυπο στα έσοδα. Δεν είναι πλέον ένα κέντρο κόστους, αλλά μια ομάδα που παράγει κέρδος.

Η Διαδρομή από την Επιχειρηματική Νοημοσύνη στο Machine Learning

Δεν ήταν και τόσο παλιά, οι ομάδες δεδομένων ήταν συνώνυμοι με την επιχειρηματική νοημοσύνη (BI). Ήμασταν οι ιστορικοί των δεδομένων της εταιρείας, ζώντας στο SQL και στα excel, με την αποστολή να απαντήσουμε «Τι συνέβη το προηγούμενο τρίμηνο;» Όταν εμφανίστηκαν τεχνολογίες μεγάλων δεδομένων όπως το Hadoop και ο όρος «επιστήμονας δεδομένων» έγινε το νέο σεξυ επάγγελμα, οι ομάδες δεδομένων εξελίχθηκαν. Μέχρι τα μέσα της δεκαετίας του 2010, κάναμε περισσότερα από αναφορές· επεκταθήκαμε στην οπτική αναπαράσταση δεδομένων και την αλληλεπιδραστική ανάλυση, παράγοντας δυναμικούς πίνακες ελέγχου για κάθε τμήμα. Η δουλειά ήταν για την επεξεργασία δεδομένων, το μείγμα συνόλων δεδομένων από διαφορετικές πηγές και μορφές, και την προσπάθεια να κατανοήσουμε τη γνώση του τομέα.

Τότε, στα τέλη της δεκαετίας του 2010, ήρθε η εποχή του machine learning. Οι ομάδες δεδομένων άρχισαν να προσλαμβάνουν επιστήμονες δεδομένων για να κατασκευάσουν προβλεπτικά μοντέλα και να ανακαλύψουν ερευνήσεις σε τεράστια σύνολα δεδομένων. Μετακινούμασταν από την περιγραφή του παρελθόντος στην πρόβλεψη του μέλλοντος· μοντέλα απορρόφησης, μηχανές συστάσεων, προβλέψεις ζήτησης – ονομάστε το. Αλλά ακόμη και τότε, τα αποτελέσματά μας ήταν διαφάνειες και ερευνήσεις, όχι ζωντανοί προϊόντες. Λειτουργούσαμε ως εσωτερική υπηρεσία γραφείου, συμβουλεύοντας την επιχείρηση μέσω ανάλυσης. Με άλλα λόγια, ήμασταν κέντρα κόστους – πολύτιμα, ναι, αλλά ένα βήμα μακριά από το πυρήνα του προϊόντος και των εσόδων.

Στις καλύτερες περιπτώσεις, οι ομάδες machine learning διασκορπίστηκαν σε ξεχωριστά τμήματα ή ενσωματώθηκαν μέσα σε ομάδες προϊόντων, ώστε τα μοντέλα και οι εικασίες τους να μπορέσουν να ενσωματωθούν πλήρως στις πλατφόρμες. Η μεγάλη διαίρεση οδήγησε σε πολλά αποτυχημένα προγράμματα, βυθισμένα επενδύσεις και χαμένες ευκαιρίες.

GenAI: Από τη Στήριξη στη Κερδοφόρο Μονάδα

Τότε ήρθε το GenAI και όλα άλλαξαν. Η κυκλοφορία ισχυρών μεγάλων γλωσσικών μοντέλων, όπως η οικογένεια GPT και οι ανοιχτοί κώδικες variants όπως το Llama, ανατράπησε το τοπίο σχεδόν από τη μια μέρα στην άλλη. Ξαφνικά, οι ομάδες δεδομένων δεν ήταν πλέον μόνο αναλυτές της επιχείρησης, αλλά Became ουσιαστικά αναπόσπαστο μέρος της κατασκευής προϊόντων και εμπειριών AI. Όταν ενσωματώνετε επιτυχώς ένα LLM σε μια εφαρμογή που αντιμετωπίζει τον πελάτη ή σε một εσωτερική ροή εργασίας, δεν ενημερώνετε πλέον μόνο την επιχείρηση· την οδηγείτε. Ένα καλά υλοποιημένο σύστημα GenAI μπορεί να αυτοματοποιήσει την υποστήριξη πελατών, να παράγει περιεχόμενο μάρκετινγκ, να προσωποποιήσει τις εμπειρίες του χρήστη ή ακόμη και να παρέχει τα δεδομένα που χρειάζονται για να ενημερώσουν και να εκπαιδεύσουν τα αναδυόμενα αυτονομικά συστήματα AI. Αυτές οι ικανότητες επηρεάζουν άμεσα τις ροές εσόδων. Στην ουσία, το προϊόν εργασίας της ομάδας δεδομένων έχει μετατοπιστεί από διαφάνειες PowerPoint σε ζωντανούς εφαρμογές που τροφοδοτούνται από το AI.

Οι ομάδες GenAI άρχισαν με ομάδες καινοτομίας, παρέχοντας αποδείξεις концепtu που παρήγαγαν «wow factor». Και σύντομα, όλοι ήταν μηχανικοί AI, διασκορπίζοντας shadow IT σε οργανισμούς.

Οι ομάδες δεδομένων σύντομα βρέθηκαν αντιμέτωπες με μια νέα ερώτηση· «Πότε θα γίνετε κερδοφόρος μονάδα;» Όταν οι μηχανικοί AI άρχισαν να δημιουργούν θαυμάσιους εργαλεία, ήταν σαφές ότι η ώρα ήταν ωριμά για να συγχωνεύσουν δύο ομάδες· αυτές που ελέγχαναν τα δεδομένα και αυτές που κατασκεύαζαν τις εφαρμογές.

Σκεφτείτε μια εταιρεία λιανικής που αναπτύσσει ένα GenAI chatbot για την αντιμετώπιση ερωτημάτων πωλήσεων ή μια τράπεζα που εκκινεί einen AI-ωδηγμένο, προσωποποιημένο σύμβουλο επενδύσεων. Αυτά δεν είναι παραδοσιακά έργα IT· είναι ψηφιακά προϊόντα που δημιουργούν αξία για τον πελάτη και παράγουν έσοδα. Ωστόσο, ταυτόχρονα, για να δημιουργήσουν αυτά τα συστήματα σε κλίμακα, οι ομάδες μηχανικών AI χρειάζονται να έχουν πρόσβαση και να λειτουργούν τα δεδομένα που έχουν ετοιμάσει οι παραδοσιακές ομάδες.

Οι εκτελεστικοί έχουν παρατηρήσει. Οι προσδοκίες από τις ομάδες δεδομένων είναι τώρα εξαιρετικά υψηλές, με διοικητικά συμβούλια και CEOs που αναμένουν από εμάς να παραδώσουμε την επόμενη AI-ωδηγμένη διαδικασία ανάπτυξης. Έχουμε περάσει από το να είμαστε πίσω από τις σκηνές αναλυτές σε πρωτοπόρους καινοτομίας. Είναι μια θριλερική θέση να βρίσκεσαι, αλλά συνοδεύεται από έντονη πίεση να παραδώσουμε αποτελέσματα σε κλίμακα.

Από την Εξερεύνηση στο Προϊόν – Μια Μονοδρομική Πόρτα

Η μετατόπιση από την εξερευνητική ανάλυση στο προϊόν-κεντρικό AI είναι βαθιά και αναστρέψιμη. Γιατί αναστρέψιμη; Γιατί η επίδραση του GenAI στην επιχείρηση αποδεικνύεται πολύ μεγάλη για να την επαναφέρετε σε ένα R&D παιχνίδι. Σύμφωνα με μια πρόσφατη παγκόσμια έρευνα, 96% των ηγετών IT έχουν τώρα ενσωματώσει το AI στις βασικές διαδικασίες τους – σε σύγκριση με 88% μόνο ένα χρόνο πριν. Με άλλα λόγια, σχεδόν κάθε επιχείρηση έχει περάσει από το πείραμα με το AI σε ενσωμάτωση σε κρίσιμες για την επιχείρηση ροές εργασίας. Μόλις διασχίσετε αυτό το κατώφλι όπου το AI παράγει αξία στην παραγωγή, δεν υπάρχει επιστροφή.

Αυτή η νέα AI-ωδηγμένη εστίαση αλλάζει το ρυθμό και τη νοοτροπία των ομάδων δεδομένων. Στο παρελθόν, είχαμε το προνόμιο των μακρών έργων ανακάλυψης και ανοιχτής ανάλυσης. Σήμερα, αν κατασκευάζουμε μια λειτουργία AI, πρέπει να είναι έτοιμη για παραγωγή, συμμορφούμενη και αξιόπιστη – όπως κάθε προϊόν που αντιμετωπίζει τον πελάτη. Έχουμε εισέλθει σε αυτό που ονομάζουν κάποιοι την «Αυτόνομη Εποχή» της επιστήμης των δεδομένων. Η ερώτηση που καθοδηγεί τη δουλειά μας δεν είναι πλέον «ποίες ερευνήσεις μπορούμε να ανακαλύψουμε;» αλλά «ποιο έξυπνο σύστημα μπορούμε να κατασκευάσουμε που ενεργεί με βάση ερευνήσεις σε πραγματικό χρόνο;»

Τα συστήματα GenAI δεν απαντούν μόνο σε ερωτήσεις· αρχίζουν να λαμβάνουν αποφάσεις. Είναι μια μονοδρομική πόρτα· μετά από αυτή τη διαδικασία αυτονομίας και επίδρασης, οι εταιρείες δεν θα ικανοποιηθούν με στατικές αναφορές και χειροκίνητη λήψη αποφάσεων. Τώρα περισσότερο από ποτέ, οι ομάδες δεδομένων πρέπει να είναι προσανατολισμένες στους μετόχους και τα προϊόντα.

Η Σκληρή Αλήθεια: Γιατί οι Περισσότερες Πρωτοβουλίες GenAI Αποτυχούν

Μέσα σε όλη την ενθουσιασμό, υπάρχει μια νηφαλία πραγματικότητα· οι περισσότερες πρωτοβουλίες GenAI αποτυχούν. Αποδεικνύεται ότι η επιτυχημένη ανάπτυξη του GenAI είναι εξαιρετικά δύσκολη. Μια πρόσφατη μελέτη του MIT βρήκε ότι ένα καταπληκτικό 95% των πιλοτικών έργων GenAI στην επιχείρηση δεν παραδίδουν μετρήσιμο ROI. Μόνο περίπου 5% των πιλοτικών έργων AI επιτύγχαναν ταχεία αύξηση εσόδων ή σημαντική επιχειρηματική επίδραση. Αυτό δεν οφείλεται στην έλλειψη δυνατοτήτων – οφείλεται στην πολυπλοκότητα της σωστής υλοποίησης του AI.

Βυθίζοντας στις αιτίες της αποτυχίας, η έρευνα του MIT ζωγραφίζει ένα σαφές πορτρέτο. Πολλά έργα σκοντάφτουν λόγω «υπεροπτικών use cases» – οι ομάδες κυνηγούν εντυπωσιακές περιπτώσεις χρήσης demo αντί να επενδύουν στις βαρετές θεμελιώδεις της ενσωμάτωσης, επικύρωσης και παρακολούθησης. Άλλα αποτυχούν από το κλασικό «σκουπίδια μέσα, σκουπίδια έξω» σύνδρομο – κακή ποιότητα δεδομένων και απομονωμένες πipelines δεδομένων καταδικάζουν το έργο πριν ακόμη το AI κάνει την δουλειά του. Συχνά, δεν είναι το μοντέλο AI που είναι ελαττωματικό, είναι το περιβάλλον που το περιβάλλει. Όπως το λένε οι ερευνητές, το GenAI δεν αποτυχάνει στο εργαστήριο· αποτυχάνει στην επιχείρηση όταν συναντά ασαφείς στόχους, κακή ποιότητα δεδομένων και οργανωτική αδράνεια. Στην πράξη, τα περισσότερα πιλοτικά έργα AI σταματούν στο στάδιο της απόδειξης концепtu και δεν προχωρούν ποτέ σε πλήρη ανάπτυξη παραγωγής.

Αυτή η πραγματικότητα είναι μια πολύτιμη διδαχή. Μας λέει ότι ακόμη και οι ομάδες δεδομένων είναι τώρα στο στόχο, η πλειοψηφία τους αγωνίζονται να ικανοποιήσουν τις αυξημένες προσδοκίες. Για το GenAI να επιτύχει σε κλίμακα, πρέπει να ξεπεράσουμε ένα σημαντικά υψηλότερο εμπόδιο από ότι κάναμε στις παλιές μέρες της BI.

Πέρα από τα Έξυπνα Prompt: Δεδομένα, Διακυβέρνηση και Υποδομή Μετράνε

Τι χωρίζει το 5% των έργων AI που ευδοκιμούν από το 95% που σπάνε; Από την εμπειρία μου (και όπως επιβεβαιώνει η έρευνα), οι νικητές εστιάζουν στις θεμελιώδεις ικανότητες – δεδομένα, διακυβέρνηση και υποδομή. Το GenAI δεν είναι μαγεία· είναι χτισμένο στα δεδομένα. Χωρίς υψηλής ποιότητας, καλά διακυβερνώμενες πipelines δεδομένων που τροφοδοτούν τα μοντέλα σας, ακόμη και το καλύτερο AI θα παράγει ασταθές αποτελέσματα. Summit Partners το έθεσε καλά σε μια πρόσφατη ανάλυση· «η επιτυχία οποιουδήποτε συστήματος ή διαδικασίας που χρησιμοποιεί AI εξαρτάται από την ποιότητα, τη δομή και τη διαθεσιμότητα των δεδομένων που το τροφοδοτούν».

Σε πρακτικούς όρους, αυτό σημαίνει ότι οι οργανισμοί πρέπει να ενισχύσουν την αρχιτεκτονική δεδομένων και τη διακυβέρνηση τους όσο υιοθετούν το GenAI. Έχετε ενοποιημένα, προσβάσιμα αποθήκες δεδομένων που το AI σας μπορεί να τραβήξει (και εννοώ ΟΛΑ τα αποθήκες δεδομένων, συμπεριλαμβανομένων κέντρων δεδομένων, υπερ-κλιμάκωσης, και τρίτων SaaS συστημάτων, μεταξύ άλλων); Είναι τα δεδομένα καθαρά, επιμελημένα και συμμορφούμενα με τις κανονιστικές προδιαγραφές; Υπάρχει σαφής διαδρομή δεδομένων και ελέγχου (ώστε να μπορείτε να εμπιστεύεστε τις εξόδους AI και να γνωρίζετε πώς προέκυψαν); Αυτά τα ερωτήματα είναι τώρα στο επίκεντρο.

Το GenAI αναγκάζει τις εταιρείες να τελειώνουν με το σπίτι των δεδομένων τους

Η διακυβέρνηση έχει επίσης λάβει νέα σημασία. Όταν ένα μοντέλο AI μπορεί να παράγει λανθασμένη απάντηση (ή μια προσβλητική), η ρητή διακυβέρνηση δεν είναι προαιρετική· είναι υποχρεωτική. Έλεγχοι όπως η εκδοση, οι έλεγχοι προκατάληψης, η ανασκόπηση από άνθρωπο και οι αυστηροί μέτρα ασφαλείας γύρω από ευαίσθητα δεδομένα εισόδου είναι απαραίτητοι. Χωρίς σωστή διακυβέρνηση, εκπαίδευση και σαφείς στόχους, ακόμη και ένα ισχυρό εργαλείο AI θα αγωνιστεί να κερδίσει έδαφος στην επιχείρηση.

Και ας μην ξεχάσουμε την υποδομή. Η ανάπτυξη του GenAI σε κλίμακα απαιτεί σημαντική υπολογιστική ισχύ και αυστηρό μηχανικό. Τα μοντέλα πρέπει να εξυπηρετούνται σε πραγματικό χρόνο, σε εκατομμύρια ερωτημάτων με χαμηλή καθυστέρηση. Συχνά χρειάζονται GPU ή εξειδικευμένο υλικό, καθώς και συνεχής παρακολούθηση, διατήρηση και διαχείριση κύκλου ζωής. Σε λίγα λόγια, χρειάζεστε βιομηχανική υποδομή AI που είναι ασφαλής, κλιμακώσιμη και ανθεκτική. Αυτό είναι όπου η έννοια του Private AI έρχεται ως το πλαίσιο που ενώνει την υποδομή με τα δεδομένα και τη διακυβέρνηση. Το Private AI αναφέρεται στην ανάπτυξη του AI μέσα σε einem ελεγχόμενο και ασφαλή περιβάλλον, διασφαλίζοντας την ασφάλεια και τη συμμόρφωση των δεδομένων.

Το τελικό αποτέλεσμα είναι ότι η επιτυχία του GenAI εξαρτάται από την αρμονία τριών πυλώνων· δεδομένα, διακυβέρνηση, και υποδομή. Χωρίς ένα από αυτά, κινδυνεύετε να ενταχθείτε στο 95% των έργων που ποτέ δεν κλιμακώνονται πέρα από το στάδιο της απόδειξης концепtu.

Γιατί οι Μηχανικοί AI Δεν Μπορούν να το Κάνουν Μόνοι τους

Δεδομένων αυτών των απαιτήσεων, είναι σαφές ότι η απλή προσλήψη μερικών ταλαντούχων μηχανικών AI δεν είναι μια μαγική λύση. Έχουμε μάθει αυτό το μάθημα τα τελευταία χρόνια στην βιομηχανία δεδομένων. Στις πρώτες μέρες της έκρηξης της επιστήμης των δεδομένων, οι εταιρείες προσπάθησαν να βρουν «μονόκερους» επιστήμονες δεδομένων που θα μπορούσαν να κάνουν τα πάντα – να κατασκευάσουν μοντέλα, να γράψουν κώδικα, να χειριστούν δεδομένα και ανάπτυξη. Αυτός ο μύθος έχει πλέον καταρριφθεί. Όπως είπε ένας βετεράνος επιστήμονας δεδομένων, «ένα μοντέλο που κάθεται σε ένα σημείωμα δεν κάνει πραγματικά τίποτα για την επιχείρηση». Χρειάζεστε να ενσωματώσετε αυτό το μοντέλο σε μια εφαρμογή ή διαδικασία για να δημιουργήσει αξία. Και αυτό απαιτεί ομαδική προσπάθεια που καλύπτει πολλαπλά σετ δεξιοτήτων.

Στα τέλη της δεκαετίας του 2010, είδαμε τις ομάδες δεδομένων να διαφοροποιούνται σε διακριτά ρόλους· οι μηχανικοί δεδομένων άρχισαν να κατασκευάζουν ισχυρές πipelines, οι μηχανικοί machine learning εστιάζουν στην παραγωγή μοντέλων, οι μηχανικοί ανάλυσης διαχειρίζονται το επίπεδο ανάλυσης, και così καθεξής.

Σήμερα, το GenAI αυξάνει το εμπόδιο ακόμη υψηλότερα. Ναι, χρειάζεστε ειδικούς AI (μηχανικοί prompt, LLM fine-tuners, κ.λπ.), αλλά αυτοί οι ειδικοί θα χτυπήσουν σε ένα τείχος αν δεν έχουν ωριμές πipelines δεδομένων, πλαισιά διακυβέρνησης και ασφαλείς πλατφόρμες για να δουλέψουν. Ένας μηχανικός AI μπορεί να προτυποποιήσει ένα εξαιρετικό γλωσσικό μοντέλο σε ένα sandbox, αλλά η μετατροπή αυτού του μοντέλου σε προϊόν που χρησιμοποιείται από χιλιάδες ή εκατομμύρια απαιτεί συνεργασία με ομάδες ασφαλείας, αξιωματούχους συμμόρφωσης, αρχιτέκτονες δεδομένων, μηχανικούς αξιόπιστης λειτουργίας και πολλά άλλα.

Το AI είναι ένα ομαδικό άθλημα. Είναι πειστικό να σκέφτεσαι ότι μπορείς να ρίξεις ένα state-of-the-art μοντέλο στην επιχείρησή σου και ξαφνικά να έχεις μια επιχείρηση που οδηγείται από το AI. Οι εταιρείες που επιτυγχάνουν με το AI είναι αυτές που έχουν κατασκευάσει διαλειτουργικές ομάδες, ή «ομάδες AI», που φέρνουν όλα αυτά τα κομμάτια μαζί. Οι ομάδες δεδομένων τους έχουν εξελιχθεί αποτελεσματικά σε ομάδες προϊόντων AI πλήρους στοίβας, που συνδυάζουν δεδομένα, μοντέλα, μηχανική και λειτουργίες. Κατασκευάζουν και αναπτύσσουν τα εργαλεία τους με έναν τρόπο που βασίζεται στα δεδομένα και οδηγείται από προϊόντα, με γεννήτρια αξίας ενσωματωμένη σε κάθε KPI.

Η Επόμενη Γενιά των Ομάδων Δεδομένων

Τι Holds για το μέλλον των νέων «ομάδων δεδομένων»; Εδώ είναι μια ματιά στο τι έρχεται για αυτές τις ομάδες τα επόμενα χρόνια·

• Λιγότερη χειροκίνητη ETL/ELT· Η δουλειά της επεξεργασίας δεδομένων θα μειωθεί. Με περισσότερες αυτοματοποιημένες πipelines δεδομένων και AI-βοηθούμενη ενοποίηση, οι ομάδες δεν θα ξοδεύουν το ήμισυ του χρόνου τους καθαρίζοντας και μεταφέροντας δεδομένα. Η δουλειά της προετοιμασίας δεδομένων θα χειριστεί ολοένα και περισσότερο από έξυπνα συστήματα, επιτρέποντας στους ανθρώπους να εστιάσουν σε υψηλότερο σχεδιασμό και έλεγχο ποιότητας.
• Λιγότεροι πίνακες ελέγχου· Η εποχή της ατελείωτης ρύθμισης των φίλτρων των πινάκων ελέγχου φθάνει στο τέλος της. Το AI θα επιτρέψει φυσική γλώσσα ερωτήσεων και δυναμική παράδοση ερευνήσεων. Αντί για προκατασκευασμένους πίνακες ελέγχου για κάθε ερώτηση, οι χρήστες θα λαμβάνουν απαντήσεις από το AI (με δεδομένα πηγής). Οι ομάδες δεδομένων θα ξοδεύουν λιγότερο χρόνο αναπτύσσοντας στατικές αναφορές και περισσότερο χρόνο εκπαιδεύοντας το AI να παράγει ερευνήσεις στην πορεία.
• Περισσότερη ανάπτυξη προϊόντων AI-γενικής φύσης· Οι ομάδες δεδομένων θα βρίσκονται στο κέντρο της καινοτομίας προϊόντων. Όταν αναπτύσσουν μια νέα λειτουργία AI που αντιμετωπίζει τον πελάτη ή ένα εσωτερικό εργαλείο AI που βελτιώνει τις επιχειρησιακές διαδικασίες, αυτές οι ομάδες θα ενεργούν ως ομάδες προϊόντων. Θα εφαρμόζουν πρακτικές ανάπτυξης λογισμικού, γρήγορη προτυποποίηση, A/B testing, και σχεδιασμό εμπειρίας χρήστη – όχι μόνο ανάλυση δεδομένων. Κάθε ομάδα δεδομένων θα γίνει, στην ουσία, ομάδα προϊόντων AI που παράγει άμεση επιχειρηματική αξία.
• Αυτόνομες πράκτορες στην άνοδο· Στο nicht-μακρινό μέλλον, οι ομάδες δεδομένων θα αναπτύσσουν αυτόνομους πράκτορες AI για να χειριστούν καθημερινές αποφάσεις και εργασίες. Αντί να προβλέπουν μόνο αποτελέσματα, αυτοί οι πράκτορες θα είναι εξουσιοδοτημένοι να λάβουν ορισμένες ενέργειες (με εποπτεία). Φανταστείτε έναν πράκτορα AI που μπορεί να ανιχνεύσει μια ανωμαλία και να ανοίξει αυτόματα ένα ticket διόρθωσης, ή έναν πράκτορα πωλήσεων AI που ρυθμίζει τις τιμές e-commerce σε πραγματικό χρόνο. Οι ομάδες δεδομένων θα είναι υπεύθυνες για την ανάπτυξη και τη διαχείριση αυτών των πρακτόρων,推izando τα όρια του τι μπορεί να επιτύχει η αυτοματοποίηση.

Σε light αυτών των αλλαγών, κάποιος μπορεί να πει ότι «οι ομάδες δεδομένων όπως τις γνώριζα είναι νεκρές». Οι jockeys των excel και οι plumbers των πινάκων ελέγχου έχουν δώσει τη θέση τους σε κάτι νέο· ομάδες AI-πρώτες που είναι εξοικειωμένες με δεδομένα, κώδικα και επιχειρηματική στρατηγική. Αλλά μακρυά από να είναι ένας επικήδειος, αυτό είναι μια γιορτή. Η νέα γενιά των ομάδων δεδομένων μόλις αρχίζει, και είναι πιο πολύτιμη από ποτέ

Έτσι, θυμάστε, ο μηχανικός δεδομένων είναι νεκρός, ζήτω ο μηχανικός δεδομένων! Οι ομάδες δεδομένων όπως τις γνώριζα είναι παρελθόν, αλλά ζήτω οι νέες ομάδες δεδομένων – ας βασιλεύουν σε αυτόν τον AI-ωδηγμένο κόσμο με έμπνευση, ευθύνη και τολμηρότητα.