ทีมข้อมูลสิ้นสุดลงแล้ว ยาวิเศษทีมข้อมูล

ใช่ ชื่อเรื่องอาจดูเหมือนการตลาดและกระตุ้น แต่ในฐานะ CTO ที่มีประสบการณ์หลายปีในด้านข้อมูล ผมได้เห็นการเปลี่ยนแปลงที่ทำให้เรื่องนี้มีความหมายมาก “ทีมข้อมูล” แบบดั้งเดิม – ทีมที่ทำงานอยู่ด้านหลัง办公ักงาน โดยทำรายงานและแดชบอร์ด – จึงสิ้นสุดลงแล้ว และทีมข้อมูลใหม่กำลังเกิดขึ้น: ทีมที่มี AI เป็นหลักและมีผลกระทบทางรายได้โดยตรง พวกเขาไม่ใช่ศูนย์ต้นทุนอีกต่อไป แต่เป็นทีมที่สร้างรายได้

การเดินทางจากธุรกิจอัจฉริยะไปสู่การเรียนรู้ของเครื่อง

ไม่นานมานี้ ทีมข้อมูลมักจะหมายถึง ธุรกิจอัจฉริยะ (BI) เราเป็นนักประวัติศาสตร์ของข้อมูลของบริษัท อาศัยอยู่ใน SQL และสเปรดชีต โดยมีหน้าที่ตอบคำถาม “เกิดอะไรขึ้นในไตรมาสที่แล้ว?” เมื่อเทคโนโลยีข้อมูลขนาดใหญ่ เช่น Hadoop ปรากฏขึ้น และคำว่า “นักวิทยาศาสตร์ข้อมูล” กลายเป็นงานที่น่าสนใจใหม่ ทีมข้อมูลก็พัฒนาไป ในช่วงกลางทศวรรษ 2010 เราได้ทำมากกว่าการรายงาน; เราได้เข้าสู่ การแสดงข้อมูล และการวิเคราะห์แบบโต้ตอบ โดยผลิตแดชบอร์ดแบบไดนามิกสำหรับทุกแผนก งานของเราคือการดูแลข้อมูล การผสมผสานชุดข้อมูลจากแหล่งต่างๆ และพยายามเข้าใจความรู้ในด้านนั้น

จากนั้นช่วงปลายทศวรรษ 2010 ก็ได้เริ่ม ยุคการเรียนรู้ของเครื่อง ทีมข้อมูลเริ่มหานักวิทยาศาสตร์ข้อมูลเพื่อสร้างแบบจำลองการคาดการณ์และค้นหาข้อมูลเชิงลึกในชุดข้อมูลขนาดใหญ่ เราเปลี่ยนจากการอธิบายอดีตไปสู่การคาดการณ์อนาคต: โมเดลการลาออก เครื่องมือแนะนำ ความต้องการที่คาดการณ์ – คุณสามารถตั้งชื่อได้ แต่แม้แต่นั้น ผลลัพธ์ของเราก็เป็นเพียงสไลด์และข้อมูลเชิงลึก ไม่ใช่ผลิตภัณฑ์ที่ใช้งานได้จริง เราทำหน้าที่เป็นสำนักงานบริการภายใน โดยให้คำแนะนำทางธุรกิจผ่านการวิเคราะห์ ในอีกคำหนึ่ง เราเป็น ศูนย์ต้นทุน – มีค่า แต่ไม่เกี่ยวข้องโดยตรงกับผลิตภัณฑ์หลักและรายได้

ในกรณีที่ดีที่สุด ทีมการเรียนรู้ของเครื่องถูกกระจายออกเป็นหน่วยอิสระหรือฝังอยู่ในกลุ่มผลิตภัณฑ์ เพื่อให้โมเดลและข้อสรุปของพวกเขาสามารถรวมเข้ากับแพลตฟอร์มได้อย่างเต็มที่ การแบ่งแยกที่ยิ่งใหญ่นี้นำไปสู่โครงการที่ล้มเหลวหลายโครงการ การลงทุนที่สูญเสียไป และโอกาสที่สูญเสียไป

GenAI: จากฟังก์ชันสนับสนุนสู่ศูนย์สร้างรายได้

จากนั้น GenAI ก็มาถึงและทุกสิ่งทุกอย่างเปลี่ยนไป การเปิดตัวโมเดลภาษาขนาดใหญ่ที่มีพลัง เช่น ตระกูล GPT และรุ่นโอเพ่นซอร์ส เช่น Llama ได้พลิกโฉมหน้าของภูมิทัศน์เกือบจะคืนนั้นเอง ทีมข้อมูลไม่ได้แค่วิเคราะห์ธุรกิจ แต่กลายเป็นส่วนสำคัญในการสร้างผลิตภัณฑ์และประสบการณ์ AI เมื่อคุณรวม LLM เข้ากับแอปพลิเคชันสำหรับลูกค้าหรือเวิร์กโฟลว์ภายในที่ประสบความสำเร็จ คุณไม่ได้แค่ให้ข้อมูลแก่ธุรกิจ แต่คุณก็ขับเคลื่อนธุรกิจด้วย GenAI ที่ใช้งานได้ดีสามารถทำให้การสนับสนุนลูกค้าเป็นอัตโนมัติ สร้างเนื้อหาการตลาด ส่วนบุคคลประสบการณ์ของผู้ใช้ หรือแม้แต่ให้ข้อมูลที่จำเป็นในการแจ้งและฝึกอบรมระบบ AI ใหม่ๆ ที่กำลังเกิดขึ้น ความสามารถเหล่านี้ส่งผลกระทบโดยตรงต่อกระแสรายได้ ในผลลัพธ์ ผลิตภัณฑ์ของทีมข้อมูลได้เปลี่ยนจากสไลด์ PowerPoint ไปเป็นแอปพลิเคชัน AI ที่มีพลัง

ทีม GenAI เริ่มต้นด้วยกลุ่มนวัตกรรม โดยนำเสนอแนวคิดที่สร้าง “ปัจจัยว้าว” และไม่นานทุกคนก็กลายเป็นวิศวกร AI โดยการแพร่กระจายของ IT ที่ซ่อนอยู่ทั่วทั้งองค์กร

ทีมข้อมูลเร็วๆ นี้ต้องเผชิญกับคำถามใหม่: “เมื่อไหร่ที่คุณจะกลายเป็นศูนย์สร้างรายได้?” เมื่อวิศวกร AI เริ่มสร้างเครื่องมือที่น่าเหลือเชื่อ มันชัดเจนว่าถึงเวลาที่จะรวมทีมสองทีมเข้าด้วยกัน: ทีมที่ควบคุมข้อมูลและทีมที่สร้างแอปพลิเคชัน

พิจารณาบริษัทค้าปลีกที่ใช้ GenAI ชาตบอทสำหรับการจัดการคำถามการขาย หรือธนาคารที่เปิดตัวที่ปรึกษาการลงทุน AI ที่มีการปรับให้เหมาะสมส่วนบุคคล ผลิตภัณฑ์เหล่านี้ไม่ใช่โครงการ IT ด้านข้างแบบดั้งเดิม แต่เป็นผลิตภัณฑ์ดิจิทัลที่สร้างมูลค่าให้กับลูกค้าและสร้างรายได้ อย่างไรก็ตาม ในเวลาเดียวกัน เพื่อสร้างระบบเหล่านี้ในระดับใหญ่ ทีมวิศวกรรม AI ต้องสามารถเข้าถึงและใช้ข้อมูลที่ทีมข้อมูลแบบดั้งเดิมได้เตรียมไว้แล้ว

ผู้บริหารได้สังเกตเห็นแล้ว ความคาดหวังของทีมข้อมูลอยู่ในระดับสูงสุด โดยมีกรรมการและ CEO มองหาทีมเหล่านี้เพื่อนำเสนอเวกเตอร์การเติบโต AI ต่อไป เราเปลี่ยนจากนักวิเคราะห์ที่อยู่เบื้องหลังไปเป็น ผู้นวัตกรรมแนวหน้า นี่เป็นตำแหน่งที่น่าตื่นเต้น แต่ก็มีความกดดันที่รุนแรงในการส่งมอบผลลัพธ์ในระดับใหญ่

จากการสำรวจสู่ผลิตภัณฑ์ – ประตูหนึ่งทาง

การเปลี่ยนแปลงจากวิเคราะห์แบบสำรวจไปสู่ AI ที่มีศูนย์กลางผลิตภัณฑ์เป็น ลึกซึ้งและไม่สามารถกลับไปได้ ทำไมถึงไม่สามารถกลับไปได้ เพราะผลกระทบของ GenAI ต่อธุรกิจมีมากเกินกว่าที่จะย้อนกลับไปเป็นของเล่น R&D อีกต่อไป ตามการสำรวจทั่วโลก最近 96% ของผู้นำ IT ได้บูรณาการ AI เข้ากับกระบวนการหลัก – เพิ่มขึ้นจาก 88% เพียงหนึ่งปีก่อน ในอีกคำหนึ่ง องค์กรเกือบทุกแห่งได้เปลี่ยนจากการทดลองกับ AI ไปสู่การฝังตัวในกระบวนการทำงานที่สำคัญ เมื่อคุณข้ามขอบเขตที่ AI ส่งมอบคุณค่าในการผลิตแล้ว ไม่มีทางกลับ

การมุ่งเน้น AI ใหม่นี้เปลี่ยนจังหวะและความคิดของทีมข้อมูล ในอดีต เรามีความสุขกับโครงการการค้นพบยาวและวิเคราะห์แบบเปิด ในปัจจุบัน หากเรากำลังสร้างคุณลักษณะ AI จะต้องพร้อมสำหรับการผลิต มีความน่าเชื่อถือ และมีการปฏิบัติตามข้อกำหนด – เช่นเดียวกับผลิตภัณฑ์ที่เผยแพร่สู่ลูกค้า เราได้เข้าสู่สิ่งที่บางคนเรียกว่า “ยุคอัตโนมัติ” ของวิทยาศาสตร์ข้อมูล คำถามที่ชี้นำการทำงานของเราคือไม่ใช่ “เราจะค้นพบข้อมูลเชิงลึกอะไรได้บ้าง?” แต่ “ระบบอัจฉริยะอะไรที่เราสามารถสร้างได้เพื่อกระทำการตามข้อมูลเชิงลึกในเวลาจริง?”

ระบบ GenAI ไม่ได้แค่ตอบคำถาม แต่ยังเริ่มทำการตัดสินใจด้วย มันเป็นประตูหนึ่งทาง: หลังจากที่ได้รับประสบการณ์ความเป็นอิสระและผลกระทบนี้แล้ว บริษัทต่างๆ จะไม่ยอมรับรายงานแบบคงที่และกระบวนการตัดสินใจด้วยมืออีกต่อไป มากกว่าเดิม ทีมข้อมูลต้องมุ่งเน้นไปที่ผู้มีส่วนได้ส่วนเสียและผลิตภัณฑ์

ความจริงที่ยาก: ทำไมโครงการ GenAI ส่วนใหญ่ล้มเหลว

ท่ามกลางความตื่นเต้น มีความจริงที่เย็นชา: โครงการ GenAI ส่วนใหญ่ล้มเหลว การใช้งาน GenAI ที่ประสบความสำเร็จนั้นเป็นเรื่องที่ท้าทายมาก การศึกษาของ MIT ล่าสุด พบว่า 95% ของโครงการ GenAI ในระดับองค์กรไม่ส่งมอบ ROI ที่วัดได้ เพียง 5% ของโครงการ AI เท่านั้นที่บรรลุผลกำไรที่รวดเร็วหรือผลกระทบทางธุรกิจที่มีความหมาย สิ่งนี้ไม่ได้เนื่องมาจากขาดศักยภาพ แต่เนื่องมาจากความซับซ้อนในการทำ AI ให้ถูกต้อง

เมื่อขุดคุ้ยสาเหตุของความล้มเหลว การวิจัยของ MIT วาดภาพที่ชัดเจน หลายโครงการสะดุดเพราะ “การตลาดมากกว่างานหนัก” – ทีมติดตามกรณีการใช้งานเดโมที่น่าประทับใจแทนการลงทุนในพื้นฐานของการบูรณาการ การตรวจสอบความถูกต้อง และการตรวจสอบ Others ล้มเหลวจากอาการ “ขยะเข้าขยะออก” – คุณภาพข้อมูลที่ไม่ดีและท่อข้อมูลที่แยกจากกันทำลายโครงการก่อนที่ AI จะได้ทำงานจริงๆ มักไม่ใช่โมเดล AI ที่มีข้อบกพร่อง แต่เป็นสภาพแวดล้อมที่อยู่รอบๆ มัน ตามที่นักวิจัยกล่าวไว้ GenAI ไม่ล้มเหลวในห้องปฏิบัติการ แต่ล้มเหลวในองค์กรเมื่อชนกับเป้าหมายที่ไม่ชัดเจน ข้อมูลที่ไม่ดี และความไม่ค่อยรู้ใจขององค์กร ในทางปฏิบัติ โครงการ AI ส่วนใหญ่หยุดอยู่ที่ขั้นตอนการแสดงแนวคิดและไม่เคยเข้าสู่การวางจำหน่ายเต็มรูปแบบ

ความจริงนี้เป็นบทเรียนที่มีค่า มันบอกเราว่าแม้ทีมข้อมูลจะอยู่ในจุดสนใจ แต่ส่วนใหญ่ก็ยังต่อสู้เพื่อตอบสนองความคาดหวังที่สูงขึ้น สำหรับ GenAI ที่จะประสบความสำเร็จในระดับใหญ่ เราต้องข้าม มาตรฐานที่สูงกว่า มากกว่าที่เราทำในยุค BI

นอกเหนือจากคำสั่งอัจฉริยะ: ข้อมูล การกำกับดูแล และโครงสร้างพื้นฐานมีความสำคัญ

อะไรที่ทำให้โครงการ AI 5% ที่ประสบความสำเร็จแตกต่างจาก 95% ที่ล้มเหลว? จากประสบการณ์ของผม (และตามที่การวิจัยยืนยัน) ผู้ชนะมุ่งเน้นไปที่ ความสามารถพื้นฐาน – ข้อมูล การกำกับดูแล และโครงสร้างพื้นฐาน GenAI ไม่ใช่เวทมนตร์; มันถูกสร้างขึ้นจากข้อมูล โดยไม่มีท่อข้อมูลที่มีคุณภาพสูงและได้รับการกำกับดูแลที่ดีให้กับโมเดลของคุณ แม้ว่า AI ที่ดีที่สุดจะผลิตผลลัพธ์ที่ไม่แน่นอน Summit Partners กล่าวไว้อย่างดีในบทวิเคราะห์最近: “ความสำเร็จของระบบหรือกระบวนการใดๆ ที่ใช้ AI ขึ้นอยู่กับคุณภาพ โครงสร้าง และความสามารถเข้าถึงข้อมูลที่ใช้ในการขับเคลื่อนมัน”

ในแง่ปฏิบัติ สิ่งนี้หมายความว่าองค์กรต้องเพิ่มความเข้มข้นในการออกแบบโครงสร้างข้อมูลและการกำกับดูแลเมื่อใช้ GenAI คุณมีคลังข้อมูลที่รวมและสามารถเข้าถึงได้สำหรับ AI ของคุณ (และผมหมายถึงคลังข้อมูล ทั้งหมด รวมถึงศูนย์ข้อมูล ฮाइเปอร์สเกลเลอร์ และระบบ SaaS ของบุคคลที่สาม เป็นต้น)? ข้อมูลนั้นได้รับการทำความสะอาด คัดเลือก และปฏิบัติตามข้อกำหนดหรือไม่? มีการสืบย้อนและความสามารถในการตรวจสอบ (เพื่อให้คุณสามารถเชื่อถือผลลัพธ์ AI และรู้ว่ามันมาจากไหน)? คำถามเหล่านี้อยู่ในจุดสนใจแล้ว

GenAI กำลังบังคับให้บริษัทต่างๆ จัดระเบียบบ้านข้อมูลของตนเอง

การกำกับดูแลก็มีความสำคัญมากขึ้นเช่นกัน เมื่อโมเดล AI สามารถสร้างคำตอบที่ผิด (หรือไม่เหมาะสม) ได้ การกำกับดูแลที่เข้มงวดไม่ใช่สิ่งจำเป็น – มันเป็น จำเป็น การควบคุม เช่น การจัดทำเวอร์ชัน การตรวจสอบความลำเอียง การทบทวนของมนุษย์ และมาตรการรักษาความปลอดภัยที่เข้มงวดสำหรับข้อมูลที่ละเอียดอ่อนเป็นสิ่งจำเป็น โดยไม่มีการกำกับดูแลที่เหมาะสม การฝึกอบรมและเป้าหมายที่ชัดเจน แม้แต่เครื่องมือ AI ที่แข็งแกร่งก็จะดิ้นรนในการสร้างแรงผลักดันในธุรกิจ

และอย่าลืมโครงสร้างพื้นฐาน การใช้งาน GenAI ในระดับใหญ่ต้องใช้กำลังการประมวลผลที่สำคัญและวิศวกรรมที่เข้มงวด โมเดลต้องถูกเสิร์ฟในเวลาจริง โดยอาจมีคำถามหลายล้านคำพร้อมความหน่วงต่ำ พวกมันอาจต้องการ GPU หรือฮาร์ดแวร์เฉพาะ เช่นเดียวกับการตรวจสอบ การบำรุงรักษา และการจัดการวงจรชีวิตอย่างต่อเนื่อง ในสั้นๆ คุณต้องการโครงสร้างพื้นฐาน AI ระดับอุตสาหกรรมที่มีความปลอดภัย มีการปรับขนาด และมีความทนทาน นี่คือที่ที่แนวคิดของ Private AI มาเป็นกรอบที่รวมโครงสร้างพื้นฐานเข้ากับข้อมูลและการกำกับดูแล Private AI หมายถึงการพัฒนา AI ภายในสภาพแวดล้อมที่ควบคุมและปลอดภัย เพื่อให้แน่ใจถึงความปลอดภัยของข้อมูลและการปฏิบัติตามข้อกำหนด

จุดสำคัญคือความสำเร็จของ GenAI ขึ้นอยู่กับสามเสาหลัก: ข้อมูล, การกำกับดูแล และ โครงสร้างพื้นฐาน โดยไม่มีสิ่งใด คุณเสี่ยงต่อการเข้าร่วมโครงการ 95% ที่ไม่เคยขยายไปเกินขั้นตอนการแสดงแนวคิด

ทำไมวิศวกร AI ไม่สามารถทำได้ด้วยตัวเอง

เมื่อพิจารณาจากข้อกำหนดเหล่านี้ มันชัดเจนว่าการ雇่วิศวกร AI ที่มีพรสวรรค์ไม่ใช่กระสุนเงิน การเรียนรู้ที่เราได้รับในช่วงหลายปีที่ผ่านมาในอุตสาหกรรมข้อมูล ในช่วงแรกของการบูมวิทยาศาสตร์ข้อมูล บริษัทต่างๆ พยายามหานักวิทยาศาสตร์ข้อมูล “ยูนิคอร์น” ที่สามารถทำทุกอย่าง – สร้างโมเดล เขียนโค้ด จัดการข้อมูลและการใช้งาน นิยายที่ถูกทำลายไปแล้ว “โมเดลที่อยู่ในสมุดบันทึกไม่ได้ทำอะไรให้กับธุรกิจจริงๆ” คุณต้องฝังโมเดลนั้นเข้ากับแอปพลิเคชันหรือกระบวนการเพื่อให้มีค่า ในการทำเช่นนั้น ความพยายามของทีม ที่ครอบคลุมทักษะหลายอย่าง

ในปี 2010 ทีมข้อมูลได้กระจายออกเป็นบทบาทที่แตกต่างกัน: วิศวกรข้อมูลเริ่มสร้างท่อข้อมูลที่แข็งแกร่ง วิศวกรการเรียนรู้ของเครื่องมุ่งเน้นไปที่การผลิตโมเดล วิศวกรวิเคราะห์ข้อมูลจัดการชั้นการวิเคราะห์ และอื่นๆ

ปัจจุบัน GenAI ยกระดับขึ้นไปอีกขั้น คุณต้องการผู้เชี่ยวชาญ AI (วิศวกรคำสั่ง ผู้ปรับโมเดล LLM และอื่นๆ) แต่ผู้เชี่ยวชาญเหล่านั้นจะพบกับกำแพงหากไม่มีท่อข้อมูลที่มีมาตรฐานสูง การกำกับดูแล และแพลตฟอร์มที่ปลอดภัยในการทำงาน วิศวกร AI สามารถสร้างโมเดลภาษาที่ยอดเยี่ยมในซานด์บ็อกซ์ แต่การเปลี่ยนโมเดลนั้นให้เป็นผลิตภัณฑ์ที่ใช้โดยคนหลายพันหรือหลายล้านคนต้องมีการทำงานร่วมกับทีมความปลอดภัย เจ้าหน้าที่การปฏิบัติตามข้อกำหนด วิศวกรข้อมูล วิศวกรความน่าเชื่อถือของไซต์ และอื่นๆ

AI เป็นกีฬาทีม มันทำให้คุณคิดว่าคุณสามารถวางโมเดล AI ที่ทันสมัยลงในธุรกิจของคุณและ突然มีธุรกิจที่ขับเคลื่อนด้วย AI บริษัทที่ประสบความสำเร็จกับ AI คือบริษัทที่สร้างทีมข้ามฟังก์ชัน หรือ “โรงงาน AI” ซึ่งรวมทุกสิ่งเข้าด้วยกัน ทีมข้อมูลของพวกเขาพัฒนาเป็น ทีมผลิตภัณฑ์ AI แบบเต็มรูปแบบ โดยผสมผสานความเชี่ยวชาญด้านข้อมูล การสร้างแบบจำลอง การวิศวกรรม และการดำเนินงาน พวกเขากำลังสร้างและใช้เครื่องมือของตนในลักษณะที่ขับเคลื่อนด้วยข้อมูลและนำโดยผลิตภัณฑ์ โดยมีการสร้างมูลค่าฝังอยู่ในทุก KPI

รุ่นต่อไปของทีมข้อมูล

ดังนั้น อนาคตของ “ทีมข้อมูล” จะเป็นอย่างไร? นี่คือภาพรวมของสิ่งที่กำลังจะเกิดขึ้นกับทีมเหล่านี้ในช่วงหลายปีที่จะมาถึง:

• การทำ ETL/ELT ด้วยมือน้อยลง: การดูแลข้อมูลที่น่าเบื่อจะลดลง ด้วยท่อข้อมูลอัตโนมัติมากขึ้นและความช่วยเหลือของ AI ทีมจะไม่ใช้เวลาส่วนใหญ่ในการทำความสะอาดและย้ายข้อมูล การทำงานหนักของการเตรียมข้อมูลจะถูกจัดการโดยระบบอัจฉริยะ ช่วยให้คนสามารถมุ่งเน้นไปที่การออกแบบและควบคุมคุณภาพในระดับสูง
• แดชบอร์ดน้อยลง: ยุคของการปรับแต่งฟิลเตอร์บนแดชบอร์ดอย่างไม่มีที่สิ้นสุดกำลังจะสิ้นสุดลง AI จะทำให้การสอบถามภาษาธรรมชาติและการนำเสนอข้อมูลเชิงลึกแบบไดนามิกเป็นไปได้ แทนที่จะสร้างแดชบอร์ดแบบกำหนดไว้ล่วงหน้าสำหรับคำถามทุกคำ ผู้ใช้จะได้รับคำตอบแบบสนทนาจาก AI (พร้อมข้อมูลต้นกำเนิด) ทีมข้อมูลจะใช้เวลาน้อยลงในการพัฒนารายงานแบบคงที่และใช้เวลามากขึ้นในการฝึกอบรม AI เพื่อสร้างข้อมูลเชิงลึกแบบเรียลไทม์
• การพัฒนาสินค้า AI ที่เป็นมิตร: ทีมข้อมูลจะอยู่ที่ใจกลางของนวัตกรรมผลิตภัณฑ์ ไม่ว่าจะเป็นการพัฒนาคุณลักษณะ AI ใหม่สำหรับลูกค้าหรือเครื่องมือ AI ภายในที่เพิ่มประสิทธิภาพการดำเนินงาน ทีมเหล่านี้จะทำหน้าที่เป็นทีมผลิตภัณฑ์ โดยใช้แนวทางปฏิบัติในการพัฒนาซอฟต์แวร์ การสร้างต้นแบบอย่างรวดเร็ว การทดสอบ A/B และการออกแบบประสบการณ์ผู้ใช้ – ไม่ใช่แค่วิเคราะห์ข้อมูลเท่านั้น ทุกทีมข้อมูลจะกลายเป็น ทีมผลิตภัณฑ์ AI ที่ส่งมอบคุณค่าทางธุรกิจโดยตรง
• ตัวแทน AI อัตโนมัติเพิ่มขึ้น: ในอนาคตที่ไม่ไกล ทีมข้อมูลจะใช้ ตัวแทน AI อัตโนมัติ เพื่อจัดการการตัดสินใจและงานประจำ โดยที่ตัวแทนเหล่านี้ได้รับอนุญาตให้ดำเนินการบางอย่าง (ภายใต้การดูแล) ลองนึกภาพตัวแทน AI สำหรับการดำเนินงานที่สามารถตรวจจับข้อผิดปกติและเปิดตั๋วการบำรุงรักษาโดยอัตโนมัติ หรือตัวแทนการขาย AI ที่ปรับราคาสินค้าออนไลน์แบบเรียลไทม์ ทีมข้อมูลจะรับผิดชอบในการสร้างและจัดการตัวแทนเหล่านี้ โดยผลักดันขอบเขตของสิ่งที่การทำให้ระบบอัตโนมัติสามารถทำได้

เมื่อเผชิญกับการเปลี่ยนแปลงเหล่านี้ บางคนอาจพูดได้ว่า “ทีมข้อมูลแบบที่เรารู้จักได้สิ้นสุดลงแล้ว” นักวิเคราะห์แบบสเปรดชีตและช่างแดชบอร์ดได้ให้ทางให้กับสิ่งใหม่: ทีม AI ที่ให้ความสำคัญกับ AI ที่ชำนาญในข้อมูล โค้ด และกลยุทธ์ธุรกิจ แต่ไม่ใช่คำว่าอำลา แต่เป็นการเฉลิมฉลอง รุ่นต่อไปของทีมข้อมูลเพิ่งเริ่มต้น และพวกเขามีคุณค่ามากกว่าเดิม

ดังนั้น จงจำไว้ว่า วิศวกรข้อมูลสิ้นสุดลงแล้ว ยาวิเศษวิศวกรข้อมูล! ทีมข้อมูลแบบดั้งเดิมหายไปแล้ว แต่ยาวิเศษทีมข้อมูลใหม่ – ขอให้พวกเขาครองอำนาจในโลกที่ขับเคลื่อนด้วย AI ด้วยข้อมูลเชิงลึก ความรับผิดชอบ และความกล้า