Τα Teams Δεδομένων Είναι Νεκρά, Ζήτω Τα Teams Δεδομένων

Ναι, ο τίτλος είναι clickbaity και προκλητικός, αλλά ως CTO με πολλά χρόνια σε δεδομένα, έχω μαρτυρήσει μια μεταμόρφωση που δικαιολογεί το δράμα. Η παραδοσιακή «ομάδα δεδομένων» – η πίσω γραμμή του γραφείου που διαλύει αναφορές και πίνακες ελέγχου – είναι αποτελεσματικά νεκρή. Στο σημείο της, μια νέα種 ομάδα δεδομένων εμφανίζεται: μια AI-πρώτη, προϊόν-οδηγούμενη δύναμη με άμεσο επηρεασμό εσόδων. Δεν είναι πλέον ένα κέντρο κόστους, αλλά μια ομάδα που παράγει κέρδος.

Η Διαδρομή από τη Business Intelligence στο Machine Learning

Δεν ήταν καιρό πριν, οι ομάδες δεδομένων ήταν συνώνυμοι με business intelligence (BI). Ήμασταν οι ιστορικοί των δεδομένων της εταιρείας, ζώντας σε SQL και elektronikos πίνακες, με την Aufgabe να απαντήσουμε «Τι συνέβη την τελευταία trimester;» Όταν εμφανίστηκαν τεχνολογίες μεγάλων δεδομένων όπως το Hadoop και ο όρος «data scientist» έγινε η νέα σεξυ δουλειά, οι ομάδες δεδομένων εξελίχθηκαν. Μέχρι τα μέσα της δεκαετίας του 2010, κάναμε περισσότερα από αναφορές· επενδύσαμε στην οπτική αναπαράσταση δεδομένων και στην αλληλεπιδραστική ανάλυση, παράγοντας δυναμικούς πίνακες ελέγχου για κάθε τμήμα. Η δουλειά ήταν για την επεξεργασία δεδομένων, αναμιγνύοντας συνόλους δεδομένων από διάφορες πηγές και μορφές, και προσπαθώντας να κατανοήσουμε τη γνώση του τομέα.
Τότε, τα τέλη της δεκαετίας του 2010 έφεραν την εποχή του machine learning. Οι ομάδες δεδομένων άρχισαν να προσλαμβάνουν data scientists για να κατασκευάσουν προβλεπτικά μοντέλα και να ανακαλύψουν ερευνήσεις σε τεράστια συνόλα δεδομένων. Μετατοπιστήκαμε από την περιγραφή του παρελθόντος στην πρόβλεψη του μέλλοντος: μοντέλα churn, μηχανές συστάσεων, προβλέψεις ζήτησης – ονομάστε το. Αλλά ακόμη και τότε, τα αποτελέσματά μας ήταν διαφανείς 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 προϊόντος και 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 μπορούν να ενσωματωθούν πλήρως σε πλατφόρμες. Η μεγάλη διάσταση οδήγησε σε πολλά αποτυχημένα έργα, βυθισμένα επενδύσεις και χαμένες ευκαιρίες.

GenAI: Από τη Στήριξη Λειτουργίας στο Κέντρο Κέρδους

Τότε η GenAI έφτασε και όλα άλλαξαν. Η κυκλοφορία ισχυρών μεγάλων γλωσσικών μοντέλων, όπως η οικογένεια GPT και οι ανοιχτοί κώδικες variants όπως το Llama, ανατράπηκε το τοπίο σχεδόν την ίδια νύχτα. Ξαφνικά, οι ομάδες δεδομένων δεν ήταν πλέον μόνο αναλυτές της επιχείρησης, αλλά έγιναν ουσιαστικά αναπόσπαστο μέρος της κατασκευής προϊόντων και εμπειριών AI. Όταν ενσωματώνετε επιτυχώς ένα LLM σε μια εφαρμογή που αντιμετωπίζει τον πελάτη ή σε μια 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 απαιτούνται για να ενημερώσουν και να εκπαιδεύσουν τα αναδυόμενα συστήματα AI. Αυτές οι ικανότητες επηρεάζουν άμεσα τα ρεύματα εσόδων. Σε πραγματικότητα, το προϊόν εργασίας της ομάδας δεδομένων έχει μετατοπιστεί από τις διαφανείς σελίδες στο ζωντανό AI-ενεργοποιημένα εφαρμογές.
Οι ομάδες GenAI άρχισαν με ομάδες καινοτομίας, παράγοντας αποδείξεις концепτού 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 κέντρο κέρδους;» Όταν οι μηχανικοί AI άρχισαν να δημιουργούν αξιοθαύμαστες εργαλεία, ήταν σαφές ότι ήταν η ώρα να συγχωνεύσουν δύο ομάδες: αυτές που έλεγχαν τα δεδομένα και αυτές που κατασκευάζουν τις εφαρμογές.
Σκεφτείτε μια εταιρεία λιανικής που αναπτύσσει ένα GenAI chatbot για την αντιμετώπιση ερωτημάτων πωλήσεων ή μια τράπεζα που εκκινεί einen AI-ωδηγούμενο προσωπικό σύμβουλο επενδύσεων. Αυτά δεν είναι παραδοσιακά έργα IT πλευράς – είναι ψηφιακά προϊόντα που δημιουργούν αξία για τον πελάτη και παράγουν έσοδα. Ωστόσο, ταυτόχρονα, για να δημιουργηθούν αυτά τα συστήματα σε κλίμακα, οι ομάδες μηχανικών AI πρέπει να能够 να προσεγγίσουν και να λειτουργήσουν τα δεδομένα που έχουν ετοιμάσει οι παραδοσιακές ομάδες.
Οι εκτελεστές έχουν παρατηρήσει. Οι προσδοκίες από τις ομάδες δεδομένων είναι πολύ υψηλές τώρα, με διοικητικά συμβούλια και CEOs που μας κοιτάζουν για να παραδώσουμε την επόμενη AI-ωδηγούμενη διαδικασία ανάπτυξης. Έχουμε περάσει από το να είμαστε πίσω από τις σκηνές αναλυτές σε πρωτοπόρους καινοτομίας. Είναι μια συναρπαστική θέση να βρίσκεστε, αλλά έρχεται με έντονη πίεση να παραδώσετε αποτελέσματα σε κλίμακα.

Από την Εξερεύνηση στο Προϊόν – Μια Μονόοδη Πόρτα

Η μετατόπιση από την εξερευνητική ανάλυση στο προϊόν-κεντρικό AI είναι βαθιά και αν đảoστών. Γιατί αν đảoστών; Γιατί η επίδραση της GenAI στην επιχείρηση αποδεικνύεται πολύ μεγάλη για να την ανακατατάξουμε πίσω σε ένα R&D παιχνίδι. Σύμφωνα με μια πρόσφατη παγκόσμια έρευνα, 96% των ηγετών IT έχουν τώρα ενσωματώσει AI στα πυρήνα διαδικασίες – ανεβαίνοντας από 88% μόνο ένα χρόνο πριν. Με άλλα λόγια, σχεδόν κάθε επιχείρηση έχει περάσει από το πείραμα με AI σε ενσωμάτωση σε κρίσιμες για την επιχείρηση ροές εργασίας. Μόλις διασχίσετε αυτό το όριο όπου το AI παράγει αξία σε παραγωγή, δεν υπάρχει επιστροφή.
Αυτή η νέα AI-ωδηγούμενη εστίαση αλλάζει το τέμπο και τη νοοτροπία των ομάδων δεδομένων. Στο παρελθόν, είχαμε το लकούτο των μακρών έργων ανακάλυψης και ανοιχτής ανάλυσης. Σήμερα, αν κατασκευάζουμε μια AI-ωδηγούμενη λειτουργία, πρέπει να είναι έτοιμη για παραγωγή, συμμορφούμενη και αξιόπιστη – όπως κάθε προϊόν που αντιμετωπίζει τον πελάτη. Έχουμε εισέλθει σε αυτό που ονομάζουν некоторые «Αυτόνομη Εποχή» της επιστήμης δεδομένων. Η ερώτηση που οδηγεί το έργο μας δεν είναι πλέον «ποίες ερευνήσεις μπορούμε να ανακαλύψουμε;» αλλά «ποιο έξυπνο σύστημα μπορούμε να κατασκευάσουμε που ενεργεί σε ερευνήσεις σε πραγματικό χρόνο;»
Τα συστήματα GenAI δεν απαντούν μόνο σε ερωτήσεις· αρχίζουν να λαμβάνουν αποφάσεις. Είναι μια μονόοδη πόρτα: μετά από αυτή την αυτονομία και επίδραση, 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 στο προϊόν.

Η Σκληρή Αλήθεια: Γιατί οι Περισσότερες Πρωτοβουλίες GenAI Αποτυγχάνουν

Μέσα σε όλη την ενθουσιασμό, υπάρχει μια νηφάλια πραγματικότητα: οι περισσότερες πρωτοβουλίες GenAI αποτυγχάνουν. Αποδεικνύεται ότι η επιτυχημένη ανάπτυξη GenAI είναι εξαιρετικά δύσκολη. Μια πρόσφατη μελέτη του MIT βρήκε ότι ένα αξιοθαύμαστο 95% των πιλοτικών έργων GenAI της επιχείρησης δεν παραδίδει μετρήσιμο ROI. Μόνο περίπου 5% των πιλοτικών AI επιτύγχαναν ταχεία έσοδα ή σημαντική επιχειρηματική επίδραση. Αυτό δεν οφείλεται στην έλλειψη δυνατοτήτων – οφείλεται στη σύνθετη διαδικασία της πραγματοποίησης του AI σωστά.
Βυθίζοντας στις αιτίες της αποτυχίας, η έρευνα του MIT ζωγραφίζει μια σαφή εικόνα. Πολλά έργα παραπαίουν επειδή της «υπεραπάντησης υπέρ της σκληρής δουλειάς» – οι ομάδες κυνηγούν εντυπωσιακές περιπτώσεις demo αντί να επενδύουν στις βαρετές θεμελιώδεις αρχές της ενσωμάτωσης, επικύρωσης και παρακολούθησης. Άλλα αποτυγχάνουν 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, η GenAI δεν αποτυγχάνει στο εργαστήριο· αποτυγχάνει στην επιχείρηση όταν συγκρούεται με ασαφείς στόχους, κακή ποιότητα δεδομένων και οργανωτική αδράνεια. Στην πράξη, τα περισσότερα πιλοτικά AI σταματούν στο στάδιο της απόδειξης концепτού και δεν αποφοιτούν ποτέ στην πλήρη ανάπτυξη παραγωγής.
Αυτή η νηφάλια πραγματικότητα είναι μια πολύτιμη διδαχή. Μας λέει ότι ακόμη και αν οι ομάδες δεδομένων είναι τώρα στο στόχο, η πλειοψηφία τους αγωνίζονται να ικανοποιήσουν τις αυξημένες προσδοκίες. Για την GenAI να επιτύχει σε κλίμακα, πρέπει να διασχίσουμε ένα σημαντικά υψηλότερο όριο από ότι κάναμε στις παλιές μέρες BI.

Πέρα από τις Έξυπνες Προτροπές: Δεδομένα, Διακυβέρνηση & Υποδομή Μετράνε

Τι διακρίνει τα 5% των έργων AI που ευημερούν από τα 95% που σπάνε; Κατά την εμπειρία μου (και όπως επιβεβαιώνει η έρευνα), οι νικητές εστιάζουν στις θεμελιώδεις ικανότητες – δεδομένα, διακυβέρνηση και υποδομή. Η GenAI δεν είναι μαγική· είναι χτισμένη σε δεδομένα. Χωρίς υψηλής ποιότητας, καλά διακυβερνωμένα pipelines 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 διπλασιάσουν τις επενδύσεις τους σε αρχιτεκτονική δεδομένων και διακυβέρνηση καθώς υιοθετούν GenAI. Έχετε ενοποιημένα, προσιτά 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 τους κανονισμούς; Υπάρχει σαφής διαδρομή δεδομένων και ελέγχου (ώστε να μπορείτε να εμπιστευτείτε τις εξόδους AI και να γνωρίζετε πώς προέκυψαν); Αυτά τα ερωτήματα είναι τώρα στην πρώτη γραμμή.

Η GenAI Βγάζει τις Εταιρείες να Κατασκευάσουν Τέλος τις Σπιτιές Δεδομένων τους.

Η διακυβέρνηση έχει επίσης λάβει νέα σημασία. Όταν ένα μοντέλο AI μπορεί να παράγει μια λανθασμένη απάντηση (ή μια προσβλητική), η ρητή διακυβέρνηση δεν είναι προαιρετική – είναι υποχρεωτική. Έλεγχοι όπως η εκδοχή, οι έλεγχοι προκατάληψης, η ανασκόπηση ανθρώπων στο βρόχο και οι αυστηροί μέσοι ασφαλείας γύρω από ευαίσθητα δεδομένα εισόδου είναι απαραίτητοι. Χωρίς σωστή διακυβέρνηση, εκπαίδευση και σαφείς ορισμένους στόχους, ακόμη και ένα ισχυρό εργαλείο AI θα αγωνιστεί να κερδίσει έδαφος στην επιχείρηση.
Και μην ξεχάσουμε την υποδομή. Η ανάπτυξη GenAI σε κλίμακα απαιτεί σημαντική υπολογιστική δύναμη και αυστηρή μηχανική. Τα μοντέλα πρέπει να εξυπηρετούνται σε πραγματικό χρόνο, σε πιθανώς εκατομμύρια ερωτήματα με χαμηλή καθυστέρηση. Συχνά χρειάζονται GPU ή εξειδικευμένο υλικό, καθώς και συνεχής παρακολούθηση, διατήρηση και διαχείριση κύκλου ζωής. Σε λίγα λόγια, χρειάζεστε βιομηχανικής κλίμακας AI υποδομή που είναι ασφαλής, κλιμακωτή και ανθεκτική. Αυτό είναι το σημείο όπου η έννοια της Private AI έρχεται ως το πλαίσιο που ενώνει την υποδομή με δεδομένα και διακυβέρνηση. Η Private AI αναφέρεται στην ανάπτυξη AI μέσα σε einem ελεγχόμενο και ασφαλή περιβάλλον, διασφαλίζοντας την ασφάλεια δεδομένων και τη συμμόρφωση.
Το τελικό σημείο είναι ότι η επιτυχία της GenAI εξαρτάται από την αρμονία τριών πυλώνων: δεδομένα, διακυβέρνηση, και υποδομή. Χωρίς ένα, κινδυνεύετε να ενταχθείτε στα 95% των έργων που δεν κλιμακώνουν πέρα από το στάδιο της απόδειξης.

Γιατί οι Μηχανικοί AI Δεν Μπορούν να το Κάνουν Μόνοι τους

Δεδομένων αυτών των απαιτήσεων, είναι σαφές ότι η απλή πρόσληψη μερικών ταλαντούχων μηχανικών AI δεν είναι μια ασημένια σφαίρα. Έχουμε μάθει αυτό το μάθημα τα τελευταία χρόνια στην βιομηχανία δεδομένων. Στις πρώτες μέρες της εκρηξης δεδομένων, οι εταιρείες προσπάθησαν να βρουν «μονόκερους» data scientists που θα μπορούσαν να κάνουν το一切 – να κατασκευάσουν μοντέλα, να γράψουν κώδικα, να χειριστούν δεδομένα και ανάπτυξη. Αυτό το μύθο έχει αποδειχθεί. Όπως το είπε ένας βετεράνος data scientist, «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 δημιουργήσετε αξία. Και αυτό απαιτεί μια ομαδική προσπάθεια που διασχίζει πολλαπλά σετ δεξιοτήτων.
Στα τέλη της δεκαετίας του 2010, είδαμε τις ομάδες δεδομένων να διαφοροποιούνται σε ξεχωριστά ρόλους: οι μηχανικοί δεδομένων άρχισαν να κατασκευάζουν ροβούστα pipelines, οι μηχανικοί machine learning επικεντρώθηκαν στην παραγωγή μοντέλων, οι μηχανικοί ανάλυσης διαχειρίζονταν το στρώμα ανάλυσης, και ούτω καθεξής.
Σήμερα, η GenAI ανεβάζει το όριο ακόμη υψηλότερα. Ναι, χρειάζεστε ειδικούς AI (μηχανικοί προτροπής, LLM fine-tuners, κ.λπ.) αλλά αυτοί οι ειδικοί θα χτυπήσουν ένα τοίχο αν δεν έχουν ωριμές pipelines δεδομένων, πλαίσια διακυβέρνησης και ασφαλείς πλατφόρμες για να δουλέψουν. Ένας μηχανικός AI μπορεί να προτυποποιήσει ένα εξαιρετικό γλωσσικό μοντέλο σε ένα sandbox αλλά η μετατροπή αυτού σε ένα προϊόν που χρησιμοποιείται από χιλιάδες ή εκατομμύρια απαιτεί συνεργασία με ομάδες ασφαλείας, αξιωματούχους συμμόρφωσης, αρχιτέκτονες δεδομένων, μηχανικούς site reliability, και πολλά άλλα.
Το AI είναι ένα ομαδικό άθλημα. Είναι πειρασμός να σκέφτεστε ότι μπορείτε να ρίξετε ένα state-of-the-art μοντέλο στην επιχείρησή σας και να έχετε ξαφνικά μια AI-ωδηγούμενη επιχείρηση. Οι εταιρείες που επιτυγχάνουν με AI είναι αυτές που έχουν κατασκευάσει διαλειτουργικές ομάδες, ή «AI factories», που φέρνουν όλα αυτά τα κομμάτια μαζί. Οι ομάδες δεδομένων τους έχουν εξελιχθεί αποτελεσματικά σε πλήρεις ομάδες AI προϊόντων, που συνδυάζουν δεδομένα, μοντέλα, μηχανική και.ops εμπειρογνωσία. Κατασκευάζουν και αναπτύσσουν τα εργαλεία τους με έναν δεδομενο-ωδηγούμενο, προϊόν-ωδηγούμενο τρόπο, με γεννήτρια αξίας ενσωματωμένη σε κάθε KPI.

Η Επόμενη Γενιά των Ομάδων Δεδομένων

Τι κρατάει το μέλλον για την νέα «ομάδα δεδομένων»; Εδώ είναι μια ματιά σε αυτό που έρχεται για αυτές τις ομάδες τα επόμενα χρόνια:

• Λιγότερη χειροκίνητη ETL/ELT: Η βαρετή επεξεργασία δεδομένων θα μειωθεί. Με περισσότερες αυτοματοποιημένες pipelines δεδομένων και AI-βοηθούμενη ενοποίηση, οι ομάδες δεν θα ξοδεύουν το ήμισυ της時間 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 επίπεδο σχεδίασης και ελέγχου ποιότητας.
• Λιγότεροι πίνακες ελέγχου: Η εποχή της ατελείωτης διόρθωσης φίλτρων πινάκων ελέγχου φθάνει στο τέλος της. Το AI θα επιτρέψει πιο φυσική γλώσσα ερωτήσεων και δυναμικές ερευνήσεις. Αντί για προ-κατασκευασμένους πίνακες ελέγχου για κάθε ερώτηση, οι χρήστες θα λαμβάνουν απαντήσεις από το AI (με συνημμένα δεδομένα πηγής). Οι ομάδες δεδομένων θα δαπανήσουν λιγότερο χρόνο αναπτύσσοντας στατικές αναφορές και περισσότερο χρόνο εκπαιδεύοντας το AI να παράγει ερευνήσεις στην πτήση.
• Περισσότερη AI-ωδηγούμενη ανάπτυξη προϊόντων: Οι ομάδες δεδομένων θα είναι στην καρδιά της καινοτομίας προϊόντων. Όταν αναπτύσσουν μια νέα λειτουργία AI που αντιμετωπίζει τον πελάτη ή ένα εσωτερικό εργαλείο AI που βελτιώνει τις λειτουργίες, αυτές οι ομάδες θα ενεργούν ως ομάδες προϊόντων. Θα χρησιμοποιούν πρακτικές ανάπτυξης λογισμικού, γρήγορη προτυποποίηση, A/B testing, και σχεδιασμό εμπειρίας χρήστη – όχι μόνο ανάλυση δεδομένων. Κάθε ομάδα δεδομένων, σε πραγματικότητα, θα γίνει ομάδα AI προϊόντων που παραδίδει άμεση επιχειρηματική αξία.
• Αυτόνομες πράκτορες στην άνοδο: Στο μη πολύ μακρινό μέλλον, οι ομάδες δεδομένων θα αναπτύξουν 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 μια διαδικασία επιδιόρθωσης, ή einen πωλήσεων AI που ρυθμίζει την τιμή σε πραγματικό χρόνο. Οι ομάδες δεδομένων θα είναι υπεύθυνες για την κατασκευή και τη διαχείριση αυτών των πρακτόρων,推οντας τα όρια του τι μπορεί να επιτύχει η αυτοματοποίηση.

Σε light αυτών των αλλαγών, κάποιος μπορεί να πει «οι ομάδες δεδομένων όπως τις γνώριζα είναι νεκρές». Οι πίνακες ελέγχου και οι πίνακες ελέγχου έχουν δώσει τη θέση τους σε κάτι νέο: AI-πρώτες ομάδες 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-ωδηγούμενο κόσμο με έμπνευση, ευθύνη και τολμή.