Генеративний ШІ та страхи працівників

Останній рік Generative AI був лідером у розробці AI. Великі мовні моделі (LLM) і моделі перетворення тексту в зображення змінюють те, як працівники розробляють стратегії, створюють ідеї для творчих ресурсів і пишуть код. Оскільки все більше компаній вимагають прийняти стратегії штучного інтелекту та почати впроваджувати інструменти та технології штучного інтелекту у своїх продуктах, послугах і операціях, роль спеціаліста також змінюється.

У опитуванні State of Data Science за 2023 рік, проведеному компанієй-розробником Anaconda, 40% респондентів зазначили, що їхні компанії працюють над внутрішніми генеративними інструментами та технологіями ШІ, однак більшість працівників також стурбовані можливою втратою роботи. У цьому опитуванні 65% ІТ-працівників і 45% практиків з обробки даних заявили, що вважають, що зростання генеративного ШІ загрожує їм втратою роботи. Цікаво, що більшість респондентів також мали шляхи підвищення кваліфікації на роботі. Цей дисбаланс варто дослідити.

Хоча підвищення кваліфікації здається поширеним явищем серед респондентів опитування, це не гарантія безпеки робітників. Оскільки темпи інновацій випереджають традиційні моделі освіти, навчальні онлайн-ресурси, вебінари та конференції можуть допомогти подолати розрив між навчанням у класі та розвитком навичок на робочому місці. Нещодавно компанія Anaconda  покращила та розширила свої навчальні курси «Anaconda Learning», зробивши їх доступними у Anaconda Notebooks, дозволяючи користувачам навчатися на тій самій платформі, на якій вони працюють. Легкий доступ до навчальних ресурсів, які зосереджуються на конкретних навичках, може стати відповіддю на допомогу працівникам у підвищенні кваліфікації, щоб відповідати вимогам нових посад і змінам організаційних потреб.

Фактично, респонденти опитування заявили, що вони дізнаються про нові інструменти та технології переважно через читання та перегляд відеоконтенту та платних онлайн-курсів. Традиційні навчальні заклади були вказані як четвертий підхід до навчання з шести відповідей. Перехід до навчання на робочому місці, ймовірно, пов’язаний із зростаючим тиском компаній, які хочуть використовувати ШІ. З огляду на те, що близько 68% компаній будують за допомогою штучного інтелекту, а 40% проектів зосереджені саме на генеруючому штучному інтелекті, не дивно, що тиск створювати бізнес-цінність за допомогою даних призвело до потреби в подальшому навчанні та навичках адаптації.

Коли йдеться про те, як працівники використовують генеративний штучний інтелект, створення контенту було зазначено на першому місці, на другому – очищення даних, візуалізація та аналіз, а на третьому – завдання автоматизації. Коли ми розглядаємо нові назви посад у відповідь на збільшення використання штучного інтелекту та необхідність пом’якшення вразливостей безпеки, ми бачимо, що аналітик даних штучного інтелекту, інженер штучного інтелекту, інженер великих даних і аудитор даних штучного інтелекту є в списку найпопулярніших посад. Інші назви посад, згадані респондентами, були AI/ML Scientist та Prompt Engineer. Ці нові назви посад вимагають спеціальних навичок і адаптації.

Фахівцям з обробки даних все частіше потрібно розуміти, скажемо так, «науку про дані», знати, як створювати та розгортати моделі машинного навчання (ML), використовувати інструменти безпечного програмного забезпечення з відкритим вихідним кодом (OSS) для проектів ШІ та звітувати про ці проекти керівникам.

Безперечно те, що чіткого шляху вперед немає. Оскільки з’являється все більше назв посад, пов’язаних зі штучним інтелектом, і генеративний штучний інтелект продовжує докорінно змінювати спосіб виконання роботи, головною перевагою стане адаптивність. Безперервне навчання з використанням безлічі ресурсів разом із підвищенням кваліфікації під керівництвом компанії може бути єдиним способом подолати загрозу, яку відчувають багато працівників, коли мова йде про генеративний ШІ та мінливий характер роботи.

Незважаючи ні на що, штучний інтелект не може замінити креативність, винахідливість чи здатність логічної обробки даних людей. Дійсно, штучний інтелект може автоматизувати завдання, які традиційно виконувалися вручну, але компаніям все одно будуть потрібні люди, щоб гарантувати, що ці алгоритми будуть ефективними, зрозумілими, безпечними та вдосконалюватимуться з часом.

Про Anaconda.

Anaconda — це дистрибутив Python і R, і він надає все необхідне для вирішення проблем аналізу та обробки даних (із застосуванням до Python). Anaconda — це набір двійкових систем, який включає Scipy, Numpy, Panda та їх залежності.

• Scipy – пакет статистичного аналізу.
• Numpy – пакет числових обчислень.
• Pandas – рівень абстракції даних для об’єднання та перетворення даних.

Анаконда корисна тим, що об’єднує все це в єдину систему. Бінарна система Anaconda — це інсталятор, який збирає всі пакунки із залежностями у вашій системі.

Як виникла Anaconda? Вона починалась з Conda — це менеджер пакетів і система управління середовищем з відкритим вихідним кодом, яка працює на Windows, macOS і Linux. Conda була розроблена для програм на Python, але може створювати програмні пакети та дистрибутиви на будь-якій мові. Сьогодні Conda є менеджером пакунків для Anaconda, дистрибутива на Python, що надається Continuum Analytics.

В Україні програмне забезпечення Anaconda постачає компанія Ідеалсофт.