តើ Data Science នឹងត្រូវជំនួសដោយ AI ដែរឬទេ?

មិនអីទេ សំណួរនេះតែងតែលេចឡើងគ្រប់ទីកន្លែង។ នៅក្នុងការជួបជុំបច្ចេកវិទ្យា ការសម្រាកផឹកកាហ្វេនៅកន្លែងធ្វើការ និងសូម្បីតែនៅក្នុងខ្សែស្រឡាយ LinkedIn ដែលវែងអន្លាយទាំងនោះក៏គ្មាននរណាម្នាក់ទទួលស្គាល់ការអានដែរ។ ការព្រួយបារម្ភគឺត្រង់ៗណាស់៖ ប្រសិនបើ AI អាចដោះស្រាយស្វ័យប្រវត្តិកម្មច្រើនយ៉ាងនេះ តើវាធ្វើឱ្យវិទ្យាសាស្ត្រទិន្នន័យមានលក្ខណៈ… ចោលបានទេ? ចម្លើយរហ័ស៖ ទេ។ ចម្លើយវែងជាងនេះ? វាស្មុគស្មាញ រញ៉េរញ៉ៃ និងគួរឱ្យចាប់អារម្មណ៍ជាងការឆ្លើយថា «បាទ/ចាស» ឬ «ទេ»។

អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖

🔗 វិទ្យាសាស្ត្រទិន្នន័យ និងបញ្ញាសិប្បនិម្មិត៖ អនាគតនៃការច្នៃប្រឌិត
ស្វែងយល់ពីរបៀបដែល AI និងវិទ្យាសាស្ត្រទិន្នន័យបង្កើតរូបរាងទេសភាពនវានុវត្តន៍នាពេលអនាគត។.

🔗 តើ AI នឹងជំនួសអ្នកវិភាគទិន្នន័យដែរឬទេ៖ ការពិភាក្សាពិតប្រាកដ
ការយល់ដឹងពីផលប៉ះពាល់របស់ AI ទៅលើតួនាទីរបស់អ្នកវិភាគទិន្នន័យ និងតម្រូវការឧស្សាហកម្ម។.

🔗 ការគ្រប់គ្រងទិន្នន័យសម្រាប់ឧបករណ៍ AI ដែលអ្នកគួរតែមើល
ការអនុវត្តការគ្រប់គ្រងទិន្នន័យសំខាន់ៗ ដើម្បីបង្កើនសក្តានុពលនៃឧបករណ៍ AI ឲ្យបានអតិបរមា។.

អ្វីដែលធ្វើឱ្យវិទ្យាសាស្ត្រទិន្នន័យមានតម្លៃពិតប្រាកដ 🎯

នេះជាចំណុចសំខាន់ - វិទ្យាសាស្ត្រទិន្នន័យមិនមែនគ្រាន់តែជាគណិតវិទ្យាបូករួមទាំងគំរូនោះទេ។ អ្វីដែលធ្វើឱ្យវាមានឥទ្ធិពលគឺការរួមបញ្ចូលគ្នាដ៏ចម្លែកនៃ ភាពជាក់លាក់ខាងស្ថិតិ បរិបទអាជីវកម្ម និងការប៉ះនៃការដោះស្រាយបញ្ហាប្រកបដោយភាពច្នៃប្រឌិត ។ បញ្ញាសិប្បនិម្មិតអាចគណនាប្រូបាប៊ីលីតេរាប់ម៉ឺនក្នុងមួយប៉ប្រិចភ្នែក។ ប៉ុន្តែតើវាអាចសម្រេចចិត្តថា ណា ដែលសំខាន់សម្រាប់ប្រាក់ចំណេញរបស់ក្រុមហ៊ុនបានទេ? ឬពន្យល់ពីរបៀបដែលបញ្ហានោះទាក់ទងនឹងយុទ្ធសាស្ត្រ និងឥរិយាបថរបស់អតិថិជន? នោះហើយជាកន្លែងដែលមនុស្សចូលមកជួយ។

នៅក្នុងខ្លឹមសាររបស់វា វិទ្យាសាស្ត្រទិន្នន័យគឺដូចជាអ្នកបកប្រែអញ្ចឹង។ វាត្រូវការភាពរញ៉េរញ៉ៃឆៅៗ - សៀវភៅបញ្ជី កំណត់ហេតុ ការស្ទង់មតិដែលមិនសមហេតុផល - ហើយប្រែក្លាយវាទៅជាការសម្រេចចិត្តដែលមនុស្សធម្មតាអាចធ្វើសកម្មភាពបាន។ ដកស្រទាប់បកប្រែនោះចេញ ហើយ AI ជារឿយៗបញ្ចេញនូវភាពមិនសមហេតុផលដែលមានទំនុកចិត្ត។ HBR បាននិយាយបែបនេះអស់រយៈពេលជាច្រើនឆ្នាំមកហើយ៖ អាថ៌កំបាំងមិនមែនជារង្វាស់ភាពត្រឹមត្រូវទេ វាគឺជា ការបញ្ចុះបញ្ចូល និងបរិបទ [2]។

ការពិនិត្យការពិត៖ ការសិក្សាបង្ហាញថា បញ្ញាសិប្បនិម្មិត (AI) អាចធ្វើស្វ័យប្រវត្តិកម្មភារកិច្ចជាច្រើននៅក្នុងការងារមួយ - ជួនកាលច្រើនជាងពាក់កណ្តាល ។ ប៉ុន្តែការកំណត់វិសាលភាពការងារ ធ្វើការវិនិច្ឆ័យ និងការតម្រឹមជាមួយរឿងរញ៉េរញ៉ៃដែលហៅថា "អង្គការ"? នៅតែជាទឹកដីរបស់មនុស្សខ្លាំងណាស់ [1]។

ការប្រៀបធៀបរហ័ស៖ វិទ្យាសាស្ត្រទិន្នន័យទល់នឹង AI

តារាងនេះមិនល្អឥតខ្ចោះទេ ប៉ុន្តែវាបង្ហាញពីតួនាទីផ្សេងៗគ្នាដែលពួកគេដើរតួ៖

ទេវកថានៃ "ការជំនួសពេញលេញ" 🚫

វាស្តាប់ទៅល្អណាស់ក្នុងការស្រមៃថា AI លេបត្របាក់ការងារទិន្នន័យទាំងអស់ ប៉ុន្តែវាត្រូវបានបង្កើតឡើងនៅលើការសន្មត់ខុស - ថាតម្លៃទាំងមូលនៃវិទ្យាសាស្ត្រទិន្នន័យគឺជាបច្ចេកទេស។ ភាគច្រើននៃវាពិតជា ការបកស្រាយ នយោបាយ និងការទំនាក់ទំនង ។

• គ្មាន​នាយក​ប្រតិបត្តិ​ណា​ម្នាក់​និយាយ​ថា «សូម​ផ្តល់​គំរូ​មួយ​ដែល​មាន​ភាពត្រឹមត្រូវ 94% ដល់​ខ្ញុំ​ទេ»។

• ពួកគេនិយាយថា «តើយើងគួរពង្រីកខ្លួនចូលទៅក្នុងទីផ្សារថ្មីនេះទេ យល់ព្រម ឬ ទេ?»

បញ្ញាសិប្បនិម្មិត (AI) អាចបង្កើតការព្យាករណ៍មួយ។ អ្វីដែលវានឹងមិនរាប់បញ្ចូល៖ បញ្ហាឈឺក្បាលផ្នែកបទប្បញ្ញត្តិ ភាពខុសប្លែកគ្នាខាងវប្បធម៌ ឬចំណង់ចំណូលចិត្តហានិភ័យរបស់នាយកប្រតិបត្តិ។ ការវិភាគដែលប្រែក្លាយទៅជាសកម្មភាពនៅតែជាល្បែងរបស់មនុស្ស ដែលពោរពេញទៅដោយការសម្របសម្រួល និងការបញ្ចុះបញ្ចូល [2]។

កន្លែងដែល AI កំពុងធ្វើឲ្យអ្វីៗរង្គោះរង្គើរួចទៅហើយ 💥

ចូរនិយាយដោយស្មោះត្រង់ - ផ្នែកខ្លះនៃវិទ្យាសាស្ត្រទិន្នន័យកំពុងត្រូវបានស៊ីដោយ AI រួចទៅហើយ៖

• ការសម្អាត និងការរៀបចំទិន្នន័យ → ការត្រួតពិនិត្យដោយស្វ័យប្រវត្តិរកឃើញតម្លៃដែលបាត់ ភាពមិនប្រក្រតី និងការរសាត់លឿនជាងមនុស្សដែលរវល់ជាមួយ Excel។

• ការជ្រើសរើស និងការលៃតម្រូវម៉ូដែល → AutoML បង្រួមជម្រើសក្បួនដោះស្រាយ និងដោះស្រាយប៉ារ៉ាម៉ែត្រអ៊ីពែរ ដែលសន្សំសំចៃពេលវេលាច្រើនសប្តាហ៍នៃការលេងសើច [5]។

• ការមើលឃើញ និងការរាយការណ៍ → ឧបករណ៍ឥឡូវនេះអាចព្រាងផ្ទាំងគ្រប់គ្រង ឬសេចក្តីសង្ខេបអត្ថបទពីប្រអប់បញ្ចូលតែមួយ។

តើអ្នកណាមានអារម្មណ៍បែបនេះជាងគេ? មនុស្សដែលការងាររបស់ពួកគេវិលជុំវិញការបង្កើតតារាងដដែលៗ ឬការធ្វើគំរូជាមូលដ្ឋាន។ ផ្លូវចេញ? ផ្លាស់ទីខ្ពស់ជាងនេះទៅទៀតនៅក្នុងខ្សែសង្វាក់តម្លៃ៖ សួរសំណួរមុតស្រួចជាងមុន ប្រាប់រឿងរ៉ាវឱ្យច្បាស់ជាងមុន និងបង្កើតអនុសាសន៍កាន់តែប្រសើរ។

រូបភាពសង្ខេបរហ័ស៖ អ្នកលក់រាយម្នាក់កំពុងសាកល្បង AutoML សម្រាប់ការបោះបង់ចោល។ វាបញ្ចេញគំរូមូលដ្ឋានដ៏រឹងមាំមួយ។ ប៉ុន្តែជ័យជម្នះដ៏ធំកើតឡើងនៅពេលដែលអ្នកវិទ្យាសាស្ត្រទិន្នន័យរៀបចំភារកិច្ចឡើងវិញ៖ ជំនួសឱ្យ "អ្នកណានឹងបោះបង់ចោល?" វាក្លាយជា "អន្តរាគមន៍ណាដែលពិតជាបង្កើនប្រាក់ចំណេញសុទ្ធតាមផ្នែក?" ការផ្លាស់ប្តូរនោះ - បូករួមទាំងការសហការជាមួយហិរញ្ញវត្ថុដើម្បីកំណត់ការរឹតបន្តឹង - គឺជាអ្វីដែលជំរុញតម្លៃ។ ស្វ័យប្រវត្តិកម្មបង្កើនល្បឿនការងារ ប៉ុន្តែ ការកំណត់រចនាសម្ព័ន្ធ ដោះសោលទ្ធផល។

តួនាទីរបស់អ្នកវិទ្យាសាស្ត្រទិន្នន័យកំពុងវិវត្ត🔄

ជំនួស​ឲ្យ​ការ​រសាត់​បាត់​ទៅ ការងារ​នេះ​កំពុង​ប្រែ​ក្លាយ​ទៅ​ជា​រូបរាង​ថ្មី៖

1. អ្នកបកប្រែ AI - ធ្វើឱ្យលទ្ធផលបច្ចេកទេសអាចយល់បានសម្រាប់ថ្នាក់ដឹកនាំដែលយកចិត្តទុកដាក់ចំពោះប្រាក់ដុល្លារ និងហានិភ័យនៃម៉ាកយីហោ។

2. ការនាំមុខផ្នែកអភិបាលកិច្ច និងសីលធម៌ - ការរៀបចំការធ្វើតេស្តភាពលំអៀង ការត្រួតពិនិត្យ និងការគ្រប់គ្រងដែលស្របតាមស្តង់ដារដូចជា AI RMF របស់ NIST [3]។

3. អ្នកយុទ្ធសាស្ត្រផលិតផល - បញ្ចូលទិន្នន័យ និងបញ្ញាសិប្បនិម្មិតទៅក្នុងបទពិសោធន៍របស់អតិថិជន និងផែនទីបង្ហាញផ្លូវផលិតផល។

គួរឱ្យហួសចិត្តណាស់ នៅពេលដែលបញ្ញាសិប្បនិម្មិត (AI) ចូលកាន់កាប់ការងារបច្ចេកទេសកាន់តែច្រើន ជំនាញរបស់មនុស្ស - ការនិទានរឿង ការវិនិច្ឆ័យតាមវិស័យ ការគិតរិះគន់ - ក្លាយជាផ្នែកដែលអ្នកមិនអាចជំនួសបានយ៉ាងងាយស្រួល។

អ្វីដែលអ្នកជំនាញ និងទិន្នន័យកំពុងនិយាយ 🗣️

• ស្វ័យប្រវត្តិកម្មគឺពិតជាមានមែន ប៉ុន្តែមិនមានផ្នែកខ្លះទេ ៖ បញ្ញាសិប្បនិម្មិត (AI) បច្ចុប្បន្នអាចធ្វើស្វ័យប្រវត្តិកម្មភារកិច្ចជាច្រើននៅក្នុងការងារជាច្រើន ប៉ុន្តែជាធម្មតាវាធ្វើឱ្យមនុស្សមានសេរីភាពក្នុងការផ្លាស់ប្តូរទៅរកការងារដែលមានតម្លៃខ្ពស់ជាង [1]។

• ការសម្រេចចិត្តត្រូវការមនុស្ស ៖ HBR ចង្អុលបង្ហាញថា អង្គការនានាមិនផ្លាស់ប្តូរដោយសារតែតួលេខឆៅនោះទេ - ពួកគេផ្លាស់ប្តូរដោយសារតែរឿងរ៉ាវ និងនិទានកថាធ្វើឱ្យអ្នកដឹកនាំធ្វើសកម្មភាព [2]។

• ផលប៉ះពាល់ការងារ ≠ ការបញ្ឈប់បុគ្គលិកយ៉ាងច្រើន ៖ ទិន្នន័យ WEF បង្ហាញថា ក្រុមហ៊ុននានារំពឹងថា AI នឹងផ្លាស់ប្តូរតួនាទី និងកាត់បន្ថយបុគ្គលិកនៅកន្លែងដែលភារកិច្ចអាចធ្វើដោយស្វ័យប្រវត្តិខ្ពស់ ប៉ុន្តែពួកគេក៏កំពុងបង្កើនទ្វេដងលើការបណ្តុះបណ្តាលឡើងវិញ [4]។ គំរូនេះមើលទៅដូចជាការរចនាឡើងវិញច្រើនជាងការជំនួស។

ហេតុអ្វីបានជាការភ័យខ្លាចនៅតែបន្ត 😟

ចំណងជើងព័ត៌មានរីកចម្រើនលើផ្លូវវិនាស។ “បញ្ញាសិប្បនិម្មិត (AI) ជំនួសការងារ!” លក់ដាច់។ ប៉ុន្តែការសិក្សាយ៉ាងម៉ត់ចត់បង្ហាញពីភាពខុសប្លែកគ្នាជានិច្ច៖ ស្វ័យប្រវត្តិកម្មភារកិច្ច ការរចនាលំហូរការងារឡើងវិញ និងការបង្កើតតួនាទីថ្មី [1][4]។ ការប្រៀបធៀបជាមួយម៉ាស៊ីនគិតលេខដំណើរការ៖ គ្មាននរណាម្នាក់ធ្វើការចែកវែងដោយដៃទៀតទេ ប៉ុន្តែអ្នកនៅតែត្រូវយល់ពិជគណិតដើម្បីដឹង ថាពេលណា ត្រូវប្រើម៉ាស៊ីនគិតលេខ។

ការរក្សាភាពពាក់ព័ន្ធ៖ សៀវភៅណែនាំជាក់ស្តែង 🧰

• ចាប់ផ្តើមជាមួយនឹងការសម្រេចចិត្ត។ ភ្ជាប់ការងាររបស់អ្នកទៅនឹងសំណួរអាជីវកម្ម និងតម្លៃនៃការធ្វើខុស។

• អនុញ្ញាតឱ្យ AI ព្រាង អ្នកកែលម្អ។ ចាត់ទុកលទ្ធផលរបស់វាជាចំណុចចាប់ផ្តើម - អ្នកនាំមកនូវការវិនិច្ឆ័យ និងបរិបទ។

• កសាងអភិបាលកិច្ចទៅក្នុងលំហូររបស់អ្នក។ ការត្រួតពិនិត្យភាពលំអៀងស្រាលៗ ការត្រួតពិនិត្យ និងឯកសារដែលភ្ជាប់ទៅនឹងក្របខ័ណ្ឌដូចជា NIST [3]។

• ប្តូរទៅរកយុទ្ធសាស្ត្រ និងការទំនាក់ទំនង។ កាលណាអ្នកមិនសូវជាប់ទាក់ទងនឹង "ការចុចប៊ូតុង" ទេ នោះវាកាន់តែពិបាកក្នុងការធ្វើឱ្យអ្នកចេញពីប្រព័ន្ធស្វ័យប្រវត្តិកម្ម។

• ស្គាល់ AutoML របស់អ្នក។ សូមគិតថាវាដូចជាអ្នកហាត់ការដ៏ឆ្លាតវៃប៉ុន្តែមិនប្រុងប្រយ័ត្ន៖ លឿន មិនចេះនឿយហត់ ជួនកាលខុសឆ្គងខ្លាំង។ អ្នកផ្តល់របាំងការពារ [5]។

ដូច្នេះ… តើ AI នឹងជំនួសវិទ្យាសាស្ត្រទិន្នន័យដែរឬទេ? ✅❌

ចម្លើយត្រង់ៗ៖ ទេ ប៉ុន្តែវានឹងផ្លាស់ប្តូររូបរាងរបស់វា ។ បញ្ញាសិប្បនិម្មិត (AI) កំពុងសរសេរ ឧបករណ៍ - កាត់បន្ថយការងារដែលពិបាកធ្វើ បង្កើនទំហំ និងផ្លាស់ប្តូរជំនាញណាដែលសំខាន់បំផុត។ អ្វីដែលវាមិនដកចេញគឺតម្រូវការសម្រាប់ ការបកស្រាយ ភាពច្នៃប្រឌិត និងការវិនិច្ឆ័យរបស់មនុស្ស ។ ប្រសិនបើមានអ្វីមួយ អ្នកវិទ្យាសាស្ត្រទិន្នន័យល្អ ជាង ជាអ្នកបកស្រាយលទ្ធផលដែលកាន់តែស្មុគស្មាញ។

សរុបមក៖ បញ្ញា សិប្បនិម្មិត (AI) ជំនួសភារកិច្ច មិនមែនវិជ្ជាជីវៈទេ [1][2][4]។

ឯកសារយោង

[1] McKinsey & Company - សក្តានុពលសេដ្ឋកិច្ចនៃ AI ដែលអាចបង្កើតបាន៖ ព្រំដែនផលិតភាពបន្ទាប់ (ខែមិថុនា ឆ្នាំ២០២៣)។
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier

[2] ទស្សនាវដ្តី Harvard Business Review - វិទ្យាសាស្ត្រទិន្នន័យ និងសិល្បៈនៃការបញ្ចុះបញ្ចូល (Scott Berinato, ខែមករា-កុម្ភៈ ឆ្នាំ២០១៩)។
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion

[3] NIST - ក្របខ័ណ្ឌគ្រប់គ្រងហានិភ័យបញ្ញាសិប្បនិម្មិត (AI RMF 1.0) (2023)។
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

[4] វេទិកាសេដ្ឋកិច្ចពិភពលោក - តើ AI កំពុងបិទទ្វារឱកាសការងារកម្រិតចូលមែនទេ? (ថ្ងៃទី 30 ខែមេសា ឆ្នាំ 2025) - ការយល់ដឹងពី អនាគតនៃការងារឆ្នាំ 2025។
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/

[5] He, X. et al. - AutoML៖ ការស្ទង់មតិអំពីស្ថានភាពទំនើប (arXiv, 2019)។
https://arxiv.org/abs/1908.00709

ស្វែងរក AI ចុងក្រោយបំផុតនៅហាងជំនួយការ AI ផ្លូវការ

អំពីយើង