ทีมงานข้อมูลเสียชีวิตแล้ว ยาวิเศษทีมงานข้อมูล

ใช่ ชื่อเรื่องอาจจะดูเหมือนคลิกเบตและกระตุ้น แต่ในฐานะซีทีโอ ที่มีประสบการณ์มากมายในด้านข้อมูล ผมได้เห็นการเปลี่ยนแปลงที่ทำให้เรื่องนี้มีความหมายมากขึ้น ทีมงานข้อมูลแบบดั้งเดิม – ทีมงานที่อยู่เบื้องหลังในการทำรายงานและแดชบอร์ด – ได้เสียชีวิตลงแล้ว และที่แทนที่คือทีมงานข้อมูลใหม่ที่มีพลังในการสร้างผลิตภัณฑ์และมีผลกระทบต่อรายได้โดยตรง พวกเขาไม่ได้เป็นเพียงต้นทุนแล้ว แต่เป็นกลุ่มที่สร้างผลกำไร

การเดินทางจากธุรกิจอินเทลลิเจนต์ไปสู่แมชชีนเลิร์นนิง

ไม่นานมานี้ ทีมงานข้อมูลยังเป็นที่รู้จักในฐานะธุรกิจอินเทลลิเจนต์ (BI) เราเป็นนักประวัติศาสตร์ของข้อมูลของบริษัท ที่อาศัยอยู่ใน SQL และสเปรดชีต โดยมีหน้าที่ในการตอบคำถาม “เกิดอะไรขึ้นในไตรมาสที่แล้ว?” เมื่อเทคโนโลยี Big Data เช่น Hadoop เกิดขึ้น และคำว่า “นักวิทยาศาสตร์ข้อมูล” กลายเป็นงานที่น่าสนใจ ทีมงานข้อมูลก็เริ่มพัฒนา โดยกลางทศวรรษ 2010 เราได้ทำมากกว่าการรายงานแล้ว เราได้เข้าสู่ด้านการแสดงข้อมูลและวิเคราะห์แบบอินเทอร์แอคทีฟ โดยสร้างแดชบอร์ดแบบไดนามิกสำหรับแผนกทุกๆ แผนก งานของเราคือการดูแลข้อมูล โดยการผสมผสานข้อมูลจากแหล่งต่างๆ และรูปร่างต่างๆ และพยายามเข้าใจความรู้ในด้านต่างๆ

จากนั้นปลายทศวรรษ 2010 ก็ได้เห็นยุคของแมชชีนเลิร์นนิง ทีมงานข้อมูลเริ่มจ้างนักวิทยาศาสตร์ข้อมูลเพื่อสร้างแบบจำลองการทำนายและค้นหาความรู้ในข้อมูลจำนวนมาก เราเปลี่ยนจากการอธิบายอดีตไปสู่การทำนายอนาคต: แบบจำลองการลาออก การแนะนำผลิตภัณฑ์ การคาดการณ์อุปสงค์ – คุณสามารถนึกถึงมันได้ แต่แม้แต่ในขณะนั้น ผลลัพธ์ของเรายังคงเป็นเพียงสไลด์ และข้อมูลเชิงลึก ไม่ใช่ผลิตภัณฑ์ที่ใช้งานได้จริง เราได้ทำงานในฐานะหน่วยบริการภายใน โดยให้คำแนะนำแก่ธุรกิจผ่านการวิเคราะห์ ในอีกคำหนึ่ง เราเป็น ต้นทุน – มีค่า แต่ไม่ได้สร้างผลกำไรโดยตรง

ในกรณีที่ดีที่สุด ทีมงานแมชชีนเลิร์นนิงได้ถูกกระจายออกไปในหน่วยงานที่แยกจากกันหรือฝังอยู่ในกลุ่มผลิตภัณฑ์ เพื่อให้แบบจำลองและข้อมูลเชิงลึกของพวกเขาสามารถรวมเข้ากับแพลตฟอร์มได้อย่างเต็มที่ การแบ่งแยกที่ยิ่งใหญ่นี้นำไปสู่โครงการที่ล้มเหลวหลายโครงการ การลงทุนที่จมอยู่ในน้ำ และโอกาสที่สูญเสียไป

GenAI: จากฟังก์ชันสนับสนุนไปสู่ศูนย์กำไร

จากนั้น GenAI ก็มาถึงและทุกอย่างเปลี่ยนไป การเปิดตัวโมเดลภาษาขนาดใหญ่ที่มีพลัง เช่น GPT และรุ่นที่เปิดแหล่งที่มา เช่น Llama ได้พลิกผันภูมิทัศน์เกือบจะคืนข้ามคืน ทีมงานข้อมูลไม่ได้แค่วิเคราะห์ธุรกิจ แต่กลายเป็นส่วนสำคัญในการสร้างผลิตภัณฑ์และประสบการณ์ AI เมื่อคุณรวมโมเดล LLM เข้ากับแอปพลิเคชันของลูกค้าหรือเวิร์กโฟลว์ภายในได้สำเร็จ คุณไม่ได้แค่ให้ข้อมูลแก่ธุรกิจ แต่คุณก็ขับเคลื่อนธุรกิจด้วย GenAI ที่ใช้ได้ผลสามารถทำให้การสนับสนุนลูกค้าเป็นอัตโนมัติ สร้างเนื้อหาการตลาด ส่วนตัว化ประสบการณ์ของผู้ใช้ หรือแม้แต่ให้ข้อมูลที่จำเป็นในการฝึกอบรมระบบ AI ที่เกิดขึ้นใหม่ ความสามารถเหล่านี้ส่งผลกระทบต่อกระแสรายได้โดยตรง ในความเป็นจริง ผลงานของทีมงานข้อมูลได้เปลี่ยนจากสไลด์ PowerPoint ไปเป็นแอปพลิเคชัน AI ที่ใช้งานได้จริง

ทีมงาน GenAI เริ่มต้นด้วยกลุ่มนวัตกรรม โดยส่งมอบการ chứng minhแนวคิดที่สร้าง “ปัจจัยว้าว” และไม่นานทุกคนก็กลายเป็นวิศวกร AI โดยการแพร่กระจายของ IT ที่ซ่อนอยู่ในองค์กร

ทีมงานข้อมูลเร็วๆ นี้ต้องเผชิญกับคำถามใหม่: “เมื่อไหร่ที่คุณจะกลายเป็นศูนย์กำไร?” เมื่อวิศวกร AI เริ่มสร้างเครื่องมือที่น่าเหลือเชื่อ มันชัดเจนว่าถึงเวลาที่จะรวมทีมสองทีมแล้ว: ทีมที่ควบคุมข้อมูลและทีมที่สร้างแอปพลิเคชัน

พิจารณาบริษัทค้าปลีกที่ใช้ GenAI ชาตบอทสำหรับการจัดการคำถามการขาย หรือธนาคารที่เปิดตัวที่ปรึกษาการลงทุนที่มีการจัดสรรโดย AI สิ่งเหล่านี้ไม่ใช่โครงการ IT ด้านข้าง แต่เป็นผลิตภัณฑ์ดิจิทัลที่สร้างมูลค่าให้กับลูกค้าและสร้างรายได้ อย่างไรก็ตาม ในขณะเดียวกัน เพื่อสร้างระบบเหล่านี้ในระดับใหญ่ ทีมวิศวกร AI ต้องสามารถเข้าถึงและใช้งานข้อมูลที่ทีมงานข้อมูลแบบดั้งเดิมเตรียมไว้ได้

ผู้บริหารได้สังเกตเห็นแล้ว ความคาดหวังของทีมงานข้อมูลสูงมาก โดยที่คณะกรรมการและซีอีโอมองหาทีมงานข้อมูลเพื่อส่งมอบเวกเตอร์การเติบโต AI ต่อไป เราเปลี่ยนจากผู้วิเคราะห์เบื้องหลังไปเป็น ผู้นวัตกรรมแนวหน้า มันเป็นตำแหน่งที่น่าตื่นเต้น แต่ก็มากด้วยความกดดันที่จะส่งมอบผลลัพธ์ในระดับใหญ่

จากการสำรวจไปสู่ผลิตภัณฑ์ – ประตูทางเดียว

การเปลี่ยนแปลงจากวิเคราะห์แบบสำรวจไปสู่ AI ที่มีศูนย์กลางผลิตภัณฑ์เป็น การเปลี่ยนแปลงที่ลึกซึ้งและไม่สามารถย้อนกลับ ทำไมไม่สามารถย้อนกลับได้? เพราะผลกระทบของ GenAI ต่อธุรกิจได้พิสูจน์แล้วว่ามีมากเกินไปที่จะย้อนกลับไปสู่ของเล่น R&D ตามการสำรวจระดับโลกล่าสุด 96% ของผู้นำ IT ได้บูรณาการ AI เข้ากับกระบวนการหลัก – เพิ่มขึ้นจาก 88% เพียงหนึ่งปีก่อน ในอีกคำหนึ่ง องค์กรเกือบทั้งหมดได้เปลี่ยนจากการทดลองกับ AI ไปสู่การฝัง AI ลงในเวิร์กโฟลว์ที่สำคัญต่อภารกิจ เมื่อคุณข้ามขอบเขตที่ AI ส่งมอบคุณค่าในการผลิต มันไม่มีทางกลับ

การมุ่งเน้น AI ใหม่นี้เปลี่ยนจังหวะและความคิดของทีมงานข้อมูล ในอดีต เรามีความสุขกับโครงการการค้นพบยาวๆ และการวิเคราะห์ที่ไม่มีกำหนด ในปัจจุบัน หากเรากำลังสร้างคุณสมบัติ AI คุณสมบัตินั้นต้องพร้อมสำหรับการผลิต ตรงตามมาตรฐาน และเชื่อถือได้ – เช่นเดียวกับผลิตภัณฑ์ที่เผชิญหน้ากับลูกค้า เราเข้าสู่สิ่งที่บางคนเรียกว่า “ยุคอัตโนมัติ” ของวิทยาศาสตร์ข้อมูล คำถามที่ชี้นำงานของเราคือไม่ใช่ “เราสามารถค้นพบข้อมูลเชิงลึกอะไรบ้าง?” แต่ “เราสามารถสร้างระบบอัจฉริยะอะไรที่สามารถกระทำการตามข้อมูลเชิงลึกได้แบบเรียลไทม์?”

ระบบ GenAI ไม่ได้แค่ตอบคำถาม แต่เริ่มทำการตัดสินใจ มันเป็นประตูทางเดียว: หลังจากที่ได้รับประสบการณ์ความอัตโนมัติและผลกระทบนี้ องค์กรจะไม่ยอมรับรายงานแบบคงที่และการตัดสินใจด้วยมืออีกต่อไป มากกว่าที่เคย ทีมงานข้อมูลต้องมุ่งเน้นไปที่ผู้มีส่วนได้ส่วนเสียและผลิตภัณฑ์

ความจริงที่ยาก: ทำไมโครงการ GenAI ส่วนใหญ่ล้มเหลว

ท่ามกลางความตื่นเต้น มีความเป็นจริงที่เย็นชา: โครงการ GenAI ส่วนใหญ่ล้มเหลว การใช้งาน GenAI ที่ประสบความสำเร็จนั้นเป็นเรื่องที่ท้าทายมาก การศึกษาของ MIT พบว่า 95% ของโครงการนำร่อง GenAI ขององค์กรไม่เคยส่งมอบ ROI ที่วัดได้ เพียง 5% ของโครงการ AI เพียงไม่กี่โครงการที่บรรลุผลกำไรที่รวดเร็วหรือผลกระทบทางธุรกิจที่มีความหมาย การล้มเหลวไม่ได้มาจากความไม่มีศักยภาพ แต่มาจากความซับซ้อนในการทำ AI ให้ถูกต้อง

การขุดคุ้ยสาเหตุของความล้มเหลว การวิจัยของ MIT วาดภาพที่ชัดเจน โครงการหลายโครงการสะดุดเพราะของ “การทำงานหนักมากกว่าความตื่นเต้น” – ทีมงานตามหาสิ่งที่น่าประทับใจในการแสดงผลแทนการลงทุนในพื้นฐานที่น่าเบื่อของการบูรณาการ การตรวจสอบ และการตรวจสอบอีกครั้ง โครงการอื่นๆ ล้มเหลวจากสาเหตุ “ขยะเข้าขยะออก” – คุณภาพข้อมูลที่ไม่ดีและท่อข้อมูลที่แยกจากกันทำให้โครงการล้มเหลวก่อนที่ AI จะได้ทำงาน ในหลายกรณี ไม่ใช่แบบจำลอง AI ที่มีข้อบกพร่อง แต่เป็นสภาพแวดล้อมที่อยู่รอบๆ มัน ตามที่นักวิจัยกล่าวว่า GenAI ไม่ล้มเหลวในห้องปฏิบัติการ แต่ล้มเหลวในองค์กรเมื่อชนกับเป้าหมายที่ไม่ชัดเจน ข้อมูลที่ไม่ดี และความไม่ค่อยยังชั่งใจขององค์กร ในทางปฏิบัติ โครงการ AI ส่วนใหญ่หยุดอยู่ที่ขั้นตอนการแสดงผลและไม่เคยได้รับการใช้งานจริง

ความเป็นจริงนี้เป็นบทเรียนที่มีค่า มันบอกเราว่าแม้ว่าทีมงานข้อมูลจะอยู่ในจุดสนใจ แต่ส่วนใหญ่ก็ยังต่อสู้เพื่อความหวังที่สูงขึ้น เพื่อให้ GenAI ประสบความสำเร็จในระดับใหญ่ เราต้องข้าม มาตรฐานที่สูงกว่า ที่เราเคยทำในยุค BI

ไกลกว่าคำสั่งฉลาด: ข้อมูล การกำกับดูแล และโครงสร้างพื้นฐานมีความสำคัญ

สิ่งใดที่ทำให้โครงการ AI 5% ที่ประสบความสำเร็จแตกต่างจาก 95% ที่ล้มเหลว? จากประสบการณ์ของผม (และตามที่การวิจัยยืนยัน) ผู้ชนะมุ่งเน้นไปที่ ความสามารถพื้นฐาน – ข้อมูล การกำกับดูแล และโครงสร้างพื้นฐาน GenAI ไม่ใช่เวทมนตร์ แต่สร้างขึ้นจากข้อมูล โดยไม่มีการจัดเตรียมข้อมูลที่มีคุณภาพสูงและถูกกำกับดูแลที่ให้อาหารแบบจำลองของคุณ แม้แต่ AI ที่ดีที่สุดก็จะให้ผลลัพธ์ที่ไม่แน่นอน Summit Partners กล่าวไว้อย่างดีในการวิเคราะห์เร็วๆ นี้: “ความสำเร็จของระบบหรือกระบวนการที่ใช้ AI ขึ้นอยู่กับคุณภาพ โครงสร้าง และความสามารถเข้าถึงข้อมูลที่ใช้ในการขับเคลื่อนมัน”

ในแง่ปฏิบัติ สิ่งนี้หมายความว่าองค์กรต้องเพิ่มความเข้มข้นในการออกแบบข้อมูลและกำกับดูแลเมื่อใช้ GenAI คุณมีคลังข้อมูลที่รวมและเข้าถึงได้หรือไม่ (และผมหมายถึงคลังข้อมูลทั้งหมด รวมถึงศูนย์ข้อมูล คลาวด์ และระบบ SaaS ของบุคคลที่สาม) ข้อมูลนั้นถูกทำความสะอาด คัดเลือก และเป็นไปตามข้อบังคับหรือไม่? มีการจัดทำประวัติข้อมูลและความสามารถในการตรวจสอบหรือไม่ (เพื่อให้คุณสามารถเชื่อถือผลลัพธ์ของ AI และรู้ว่ามันมาจากไหน)? คำถามเหล่านี้อยู่ในแนวหน้าแล้ว

GenAI กำลังบังคับให้บริษัทต่างๆ จัดระเบียบบ้านข้อมูลของตนเอง

การกำกับดูแลก็มีความสำคัญมากขึ้น เมื่อแบบจำลอง AI สามารถสร้างคำตอบที่ไม่ถูกต้อง (หรือไม่เหมาะสม) การกำกับดูแลที่เข้มงวดไม่ใช่สิ่งเลือก แต่เป็นสิ่งจำเป็น การควบคุม เช่น การสร้างเวอร์ชัน การตรวจสอบความลำเอียง การทบทวนของมนุษย์ และมาตรการรักษาความปลอดภัยที่เข้มงวดสำหรับข้อมูลที่ละเอียดอ่อนเป็นสิ่งจำเป็น โดยไม่มีการกำกับดูแลที่เหมาะสมและเป้าหมายที่ชัดเจน แม้แต่เครื่องมือ AI ที่แข็งแกร่งก็จะดิ้นรนในการได้รับการยอมรับในธุรกิจ

และอย่าลืมโครงสร้างพื้นฐาน การใช้งาน GenAI ในระดับใหญ่ต้องใช้กำลังการประมวลผลที่สำคัญและวิศวกรรมที่เข้มงวด โมเดลต้องถูกเสิร์ฟแบบเรียลไทม์ โดยมีการตอบสนองความล่าช้าที่ต่ำ โดยทั่วไปแล้วต้องใช้ GPU หรือฮาร์ดแวร์เฉพาะ รวมถึงการตรวจสอบ การรักษา และการจัดการวงจรชีวิตอย่างต่อเนื่อง ในสั้นๆ คุณต้องการโครงสร้างพื้นฐาน AI ที่มีความปลอดภัย มีการปรับขนาด และทนทาน นี่คือที่ที่แนวคิด Private AI มาเป็นกรอบที่รวมโครงสร้างพื้นฐานเข้ากับข้อมูลและการกำกับดูแล Private AI หมายถึงการพัฒนา AI ภายในสภาพแวดล้อมที่ควบคุมและปลอดภัย เพื่อให้แน่ใจถึงความปลอดภัยและความเป็นไปตามข้อบังคับของข้อมูล

จุดสำคัญคือความสำเร็จของ GenAI ขึ้นอยู่กับสามเสาหลัก: ข้อมูล, การกำกับดูแล และ โครงสร้างพื้นฐาน หากไม่มีสิ่งใด คุณเสี่ยงต่อการเข้าร่วมโครงการ 95% ที่ไม่เคยขยายใหญ่ไปกว่าขั้นตอนการแสดงผล

ทำไมวิศวกร AI ไม่สามารถทำได้ด้วยตนเอง

เมื่อพิจารณาจากข้อกำหนดเหล่านี้ มันชัดเจนว่าการ雇ยวิศวกร AI ที่มีพรสวรรค์ไม่ใช่กระสุนเงิน การเรียนรู้ในช่วงหลายปีที่ผ่านมาในอุตสาหกรรมข้อมูล ว่าไม่มี “ยูนิคอร์น” นักวิทยาศาสตร์ข้อมูลที่สามารถทำทุกอย่าง – สร้างแบบจำลอง เขียนโค้ด จัดการข้อมูลและใช้งานได้ มифนี้ได้ถูกทำลายไปแล้ว ตามที่นักวิทยาศาสตร์ข้อมูลที่มีประสบการณ์กล่าวว่า “แบบจำลองที่อยู่ในโน้ตบุ๊กไม่ได้ทำอะไรให้กับธุรกิจจริงๆ” คุณต้องฝังแบบจำลองนั้นเข้าไปในแอปพลิเคชันหรือกระบวนการเพื่อให้มีค่า

ในช่วงปลายทศวรรษ 2010 เราได้เห็นทีมงานข้อมูลที่หลากหลายในบทบาทที่แตกต่างกัน: วิศวกรข้อมูลเริ่มสร้างท่อข้อมูลที่แข็งแกร่ง วิศวกรแมชชีนเลิร์นนิงมุ่งเน้นไปที่การผลิตแบบจำลอง และวิศวกรวิเคราะห์มีหน้าที่ดูแลชั้นการวิเคราะห์ และอื่นๆ

ปัจจุบัน GenAI ยกระดับมาตรฐานให้สูงขึ้น อีกครั้ง คุณต้องการผู้เชี่ยวชาญ AI (วิศวกรคำสั่ง LLM ที่ปรับให้เหมาะสม และอื่นๆ) แต่ผู้เชี่ยวชาญเหล่านั้นจะพบกับกำแพงหากไม่มีท่อข้อมูลที่มีมาตรฐานสูง การกำกับดูแล และแพลตฟอร์มที่ปลอดภัย วิศวกร AI สามารถสร้างแบบจำลองภาษาที่ดีใน sandbox แต่การเปลี่ยนแบบจำลองนั้นให้เป็นผลิตภัณฑ์ที่ใช้โดยคนหลายพันหรือหลายล้านคนต้องใช้ความร่วมมือกับทีมความปลอดภัย ทีมการปฏิบัติตามกฎระเบียบ ทีมวิศวกรข้อมูล และทีมวิศวกรอื่นๆ

AI เป็นกีฬาทีม มันทำให้คิดว่าคุณสามารถวางแบบจำลอง AI ที่มีมาตรฐานสูงลงในธุรกิจของคุณและคุณจะมีองค์กรที่ขับเคลื่อนด้วย AI ทันที แต่บริษัทที่ประสบความสำเร็จด้วย AI คือบริษัทที่สร้างทีมที่ทำงานข้ามฟังก์ชัน หรือ “โรงงาน AI” ซึ่งรวมทุกๆ ส่วนเข้าด้วยกัน ทีมงานข้อมูลของพวกเขามีประสิทธิภาพในการเปลี่ยนแปลงเป็นทีมผลิตภัณฑ์ AI แบบเต็มรูปแบบ โดยผสมผสานความเชี่ยวชาญด้านข้อมูล การสร้างแบบจำลอง วิศวกรรม และการดำเนินงาน พวกเขากำลังสร้างและใช้เครื่องมือของตนในลักษณะที่ขับเคลื่อนด้วยข้อมูลและผลิตภัณฑ์ โดยมีการสร้างมูลค่าฝังอยู่ในทุกๆ KPI

รุ่นต่อไปของทีมงานข้อมูล

ดังนั้น อนาคตของทีมงานข้อมูลใหม่จะเป็นอย่างไร? นี่คือภาพรวมของสิ่งที่จะเกิดขึ้นสำหรับทีมเหล่านี้ในช่วงไม่กี่ปีข้างหน้า:

• การโหลดข้อมูล ETL/ELT ที่น้อยลง: การดูแลข้อมูลอย่างน่าเบื่อจะลดลง ด้วยท่อข้อมูลอัตโนมัติและ AI ที่ช่วยในการรวมข้อมูล ทีมงานจะไม่เสียเวลาครึ่งหนึ่งไปกับการทำความสะอาดและย้ายข้อมูล การทำงานที่หนักหน่วงของการเตรียมข้อมูลจะถูกจัดการโดยระบบอัจฉริยะ ส่งผลให้คนสามารถมุ่งเน้นไปที่การออกแบบและควบคุมคุณภาพในระดับสูง
• แดชบอร์ดที่น้อยลง: ยุคของการปรับแต่งฟิลเตอร์แดชบอร์ดอย่างไม่มีที่สิ้นสุดกำลังจะสิ้นสุดลง AI จะทำให้สามารถถามคำถามด้วยภาษาธรรมชาติและจัดส่งข้อมูลเชิงลึกได้อย่างมีประสิทธิภาพ แทนที่จะสร้างแดชบอร์ดที่มีการปรับแต่งล่วงหน้าสำหรับคำถามทุกๆ คำถาม ผู้ใช้จะได้รับคำตอบแบบสนทนาจาก AI (พร้อมข้อมูลต้นกำเนิด) ทีมงานข้อมูลจะใช้เวลาในการพัฒนารายงานแบบคงที่น้อยลง และใช้เวลาในการฝึกอบรม AI ให้สร้างข้อมูลเชิงลึกแบบเรียลไทม์มากขึ้น
• การพัฒนาผลิตภัณฑ์ AI ที่มีเชื้อชาติ: ทีมงานข้อมูลจะอยู่ตรงใจของนวัตกรรมผลิตภัณฑ์ ไม่ว่าจะเป็นการพัฒนาผลิตภัณฑ์ AI ใหม่สำหรับลูกค้าหรือเครื่องมือ AI ภายในเพื่อเพิ่มประสิทธิภาพการดำเนินงาน พวกเขาจะใช้แนวทางปฏิบัติในการพัฒนาผลิตภัณฑ์ ซอฟต์แวร์ การทดสอบแบบ A/B และการออกแบบประสบการณ์ผู้ใช้ ไม่ใช่แค่การวิเคราะห์ข้อมูล ทีมงานข้อมูลทุกทีมจะกลายเป็นทีม ผลิตภัณฑ์ AI ที่ส่งมอบคุณค่าทางธุรกิจโดยตรง
• ตัวแทนอัตโนมัติที่เพิ่มขึ้น: ในอนาคตที่ไม่ไกล ทีมงานข้อมูลจะใช้ตัวแทน AI อัตโนมัติเพื่อจัดการกับการตัดสินใจและการทำงานแบบซ้ำๆ แทนที่จะแค่ทำนายผลลัพธ์ ตัวแทนเหล่านี้จะถูกมอบหมายให้ดำเนินการบางอย่าง (ด้วยการดูแล) พิจารณาตัวแทน AI สำหรับการดำเนินการที่สามารถตรวจจับปัญหาและเปิดตั๋วการบำรุงรักษาโดยอัตโนมัติ หรือตัวแทนการขาย AI ที่ปรับแต่งราคาอีเล็กทรอนิกส์แบบเรียลไทม์ ทีมงานข้อมูลจะมีหน้าที่ในการสร้างและจัดการตัวแทนเหล่านี้ โดยผลักดันขอบเขตของสิ่งที่การทำงานอัตโนมัติสามารถทำได้

เมื่อคำนึงถึงการเปลี่ยนแปลงเหล่านี้ บางคนอาจพูดได้ว่า “ทีมงานข้อมูลแบบดั้งเดิมเสียชีวิตแล้ว” นักบัญชีแบบสเปรดชีตและช่างแดชบอร์ดได้ให้ทางให้กับสิ่งใหม่ๆ: ทีม AI ที่มีศูนย์กลาง ที่สามารถพูดได้หลายภาษาในด้านข้อมูล โค้ด และกลยุทธ์ธุรกิจ แต่ไม่ใช่การไว้อาลัย แต่เป็นการเฉลิมฉลอง รุ่นต่อไปของทีมงานข้อมูลเพิ่งเริ่มต้น และพวกเขาเป็นที่มีค่ามากกว่าที่เคย

ดังนั้น จงจำไว้ว่า วิศวกรข้อมูลเสียชีวิตแล้ว ยาวิเศษวิศวกรข้อมูล! ทีมงานข้อมูลแบบดั้งเดิมหายไปแล้ว แต่ยาวิเศษทีมงานข้อมูลใหม่ – ขอให้พวกเขาครองราชย์ในโลกที่ขับเคลื่อนด้วย AI ด้วยข้อมูลเชิงลึก ความรับผิดชอบ และความกล้า