Olgu, kaardid lauale – see küsimus kerkib esile kõikjal. Tehnoloogiakohtumistel, tööl kohvipausidel ja jah, isegi nendes pikkades LinkedIni teemades ei tunnista keegi lugemist. Mure on üsna otsekohene: kui tehisintellekt suudab nii palju automatiseerimist hallata, kas see muudab andmeteaduse omamoodi... ühekordselt kasutatavaks? Kiire vastus: ei. Pikem vastus? See on keeruline, segane ja palju huvitavam kui kindel „jah“ või „ei“.
Artiklid, mida võiksite pärast seda lugeda:
🔗 Andmeteadus ja tehisintellekt: innovatsiooni tulevik
Uurime, kuidas tehisintellekt ja andmeteadus kujundavad homset innovatsioonimaastikku.
🔗 Kas tehisintellekt asendab andmeanalüütikud: päris jutt
Tehisintellekti mõju mõistmine andmeanalüütikute rollidele ja valdkonna vajadustele.
🔗 Andmehaldus tehisintellekti tööriistade jaoks, mida peaksite kaaluma
Peamised andmehalduse tavad tehisintellekti tööriistade potentsiaali maksimeerimiseks.
Mis teeb andmeteaduse tegelikult väärtuslikuks 🎯
Asi on selles, et andmeteadus ei ole ainult matemaatika pluss mudelid. Selle võimsaks teeb see kummaline statistilise täpsuse, ärikonteksti ja näpuotsatäie loomingulise probleemide lahendamise . Tehisintellekt suudab kindlasti silmapilguga arvutada kümme tuhat tõenäosust. Aga kas see suudab otsustada, milline probleem on ettevõtte lõpptulemuse jaoks oluline? Või selgitada, kuidas see probleem on seotud strateegia ja klientide käitumisega? Siin tulevadki mängu inimesed.
Andmeteadus on oma olemuselt nagu tõlkija. See võtab toore segaduse – koledad arvutustabelid, logid, mõttetud uuringud – ja muudab need otsusteks, mille põhjal tavalised inimesed saavad tegelikult tegutseda. Kui see tõlkekiht ära jätta, siis tehisintellekt sülitab sageli välja enesekindlat jama. HBR on seda juba aastaid öelnud: salajane lahendus ei ole täpsusmõõdikud, vaid veenmine ja kontekst [2].
Tegelikkuse kontroll: uuringud näitavad, et tehisintellekt suudab töö raames automatiseerida hulgaliselt ülesandeid – mõnikord isegi rohkem kui poole . Aga töö ulatuse määramine, otsuste langetamine ja sobitumine segase asjaga, mida nimetatakse „organisatsiooniks“? See on ikkagi väga inimlik territoorium [1].
Kiire võrdlus: andmeteadus vs. tehisintellekt
See tabel pole täiuslik, kuid see toob esile nende erinevad rollid:
| Funktsioon / Nurk | Andmeteadus 👩🔬 | Tehisintellekt 🤖 | Miks see on oluline |
|---|---|---|---|
| Peamine fookus | Arusaamine ja otsuste langetamine | Automatiseerimine ja ennustamine | Andmeteadus raamib „mida“ ja „miks“ |
| Tüüpilised kasutajad | Analüütikud, strateegid, ärimeeskonnad | Insenerid, operatsioonimeeskonnad, tarkvararakendused | Erinevad sihtrühmad, kattuvad vajadused |
| Kulutegur 💸 | Palgad ja tööriistad (ennustatavad) | Pilvandmetöötlus (skaalati muutuv) | Tehisintellekt võib tunduda odavam, kuni kasutus kasvab |
| Tugevus | Kontekst + jutuvestmine | Kiirus + skaleeritavus | Koos on nad sümbiootilised |
| Nõrkus | Aeglane korduvate ülesannete jaoks | Võitleb ebaselgusega | Täpselt miks üks teist ei tapa |
"Täieliku asendamise" müüt 🚫
Kõlab lahedalt ette kujutada, kuidas tehisintellekt neelab alla iga andmetöö, aga see põhineb valel eeldusel – et andmeteaduse kogu väärtus on tehniline. Tegelikult on suurem osa sellest tõlgendav, poliitiline ja kommunikatiivne .
-
Ükski juht ei ütle: "Palun andke mulle 94% täpsusega mudel."
-
Nad küsivad: „Kas peaksime sellele uuele turule laienema, jah või ei?“
Tehisintellekt suudab genereerida prognoosi. Mida see aga ei arvesta: regulatiivsete probleemide, kultuuriliste nüansside või tegevjuhi riskitaluvusega. Analüüsi muutumine tegudeks on endiselt inimlik mäng , täis kompromisse ja veenmist [2].
Kus tehisintellekt juba asju raputab 💥
Olgem ausad – tehisintellekt sööb juba praegu osa andmeteadusest elusalt:
-
Andmete puhastamine ja ettevalmistamine → Automaatsed kontrollid leiavad puuduvad väärtused, anomaaliad ja nihke kiiremini kui inimesed Excelis askeldades.
-
Mudeli valik ja häälestamine → AutoML kitsendab algoritmide valikuid ja käsitleb hüperparameetreid, säästes nädalatepikkust nokitsemist [5].
-
Visualiseerimine ja aruandlus → Tööriistad saavad nüüd ühest viibast armatuurlaudu või tekstikokkuvõtteid luua.
Kes tunneb seda kõige rohkem? Inimesed, kelle töö keerleb korduva diagrammide koostamise või lihtsa modelleerimise ümber. Väljapääs? Liikuge väärtusahelas kõrgemale: esitage teravamaid küsimusi, rääkige selgemaid lugusid ja sõnastage paremaid soovitusi.
Kiire juhtumi ülevaade: jaemüüja testib AutoML-i klientide lahkumise hindamiseks. Tulemuseks on kindel baasmudel. Suur võit tuleb aga siis, kui andmeteadlane ülesande ümber sõnastab: küsimuse „Kes lahkub?“ asemel saab küsimuseks „Millised sekkumised tegelikult segmendi kaupa puhaskasumit suurendavad?“. See nihe – pluss koostöö finantsosakonnaga piirangute seadmiseks – on see, mis väärtust loob. Automatiseerimine kiirendab asju, kuid raamistamine avab tulemuse.
Andmeteadlaste roll areneb 🔄
Selle asemel, et hääbuda, võtab töö uusi kujusid:
-
Tehisintellekti tõlkijad – muudavad tehnilised väljundid arusaadavaks juhtidele, kes hoolivad rahast ja brändiriskist.
-
Juhtimine ja eetika juhid – eelarvamuste testimise, jälgimise ja kontrollimeetmete loomine kooskõlas standarditega, näiteks NISTi tehisintellekti riskijuhtimise raamistikuga [3].
-
Tootestrateegid – andmete ja tehisintellekti põimimine kliendikogemustesse ja toote tegevuskavadesse.
Iroonilisel kombel, kuna tehisintellekt võtab üle üha rohkem tehnilist tööd, inimlikud oskused – lugude jutustamine, valdkonna hindamine, kriitiline mõtlemine – osadeks, mida ei saa kergesti asendada.
Mida eksperdid ja andmed ütlevad 🗣️
-
Automatiseerimine on küll reaalne, aga osaline : praegune tehisintellekt suudab automatiseerida palju ülesandeid paljude tööde sees, aga see vabastab inimesed tavaliselt suurema väärtusega töö poole liikumiseks [1].
-
Otsuste langetamiseks on vaja inimesi : HBR juhib tähelepanu sellele, et organisatsioonid ei liigu toorete numbrite pärast – nad liiguvad seetõttu, et lood ja narratiivid panevad juhte tegutsema [2].
-
Mõju töökohtadele ≠ massilised koondamised : Maailma Majandusfoorumi andmed näitavad, et ettevõtted eeldavad, et tehisintellekt muudab rolle ja vähendab töötajate arvu valdkondades, kus ülesanded on suurel määral automatiseeritavad, kuid nad kahekordistavad ka ümberõpetamisele panustamist [4]. Muster näeb välja pigem ümberkujundamise kui asendamisena.
Miks hirm püsib 😟
Meedia pealkirjad õitsevad hukatuse peal. „Tehisintellekt asendab töökohti!” müüb. Kuid tõsised uuringud näitavad järjepidevalt nüansse: ülesannete automatiseerimine, töövoo ümberkujundamine ja uute rollide loomine kalkulaatori kasutamiseks on vaja ikkagi algebrat mõista
Asjakohasena püsimine: praktiline käsiraamat 🧰
-
Alusta otsusest. Seo oma töö äriküsimuse ja eksimise hinnaga.
-
Lase tehisintellektil mustandeid luua, sina viimistled. Kohtle selle väljundeid lähtepunktidena – sina lisad oma hinnanguid ja konteksti.
-
Integreeri oma töövoogu juhtimine. Kerged eelarvamuste kontrollid, jälgimine ja dokumentatsioon, mis on seotud raamistikega nagu NIST [3].
-
Liigu strateegia ja kommunikatsiooni poole. Mida vähem oled seotud "nuppude vajutamisega", seda raskem on sind automatiseerida.
-
Tunne oma automasinate õppimise oskusi. Mõtle temast kui säravast, kuid hoolimatust praktikandist: kiire, väsimatu, kohati metsikult eksiv. Sina pakud turvapiirdeid [5].
Seega… kas tehisintellekt asendab andmeteaduse? ✅❌
Otsekohene vastus: ei, aga see kujundab selle ümber . Tehisintellekt kirjutab tööriistakasti – vähendab tülikat tööd, suurendab ulatust ja muudab, millised oskused on kõige olulisemad. See ei kaota aga ära vajadust inimliku tõlgendamise, loovuse ja otsustusvõime järele . Pigem on head andmeteadlased väärtuslikumad üha keerukamate väljundite tõlgendajatena.
Kokkuvõttes: tehisintellekt asendab ülesandeid, mitte elukutset [1][2][4].
Viited
[1] McKinsey & Company – Generatiivse tehisintellekti majanduslik potentsiaal: järgmine tootlikkuse piir (juuni 2023).
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
[2] Harvard Business Review – Andmeteadus ja veenmise kunst (Scott Berinato, jaanuar–veebruar 2019).
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion
[3] NIST – tehisintellekti riskijuhtimise raamistik (AI RMF 1.0) (2023).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf
[4] Maailma Majandusfoorum – Kas tehisintellekt sulgeb ukse algtaseme töökohtadele? (30. aprill 2025) – arusaamad raportist „ Joobed tulevikuks 2025“ .
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/
[5] He, X. jt - AutoML: ülevaade tipptasemest (arXiv, 2019).
https://arxiv.org/abs/1908.00709