ਕੀ ਡਾਟਾ ਸਾਇੰਸ ਦੀ ਥਾਂ ਏਆਈ ਲੈ ਲਵੇਗਾ?

ਠੀਕ ਹੈ, ਮੇਜ਼ 'ਤੇ ਕਾਰਡ - ਇਹ ਸਵਾਲ ਹਰ ਜਗ੍ਹਾ ਉੱਠਦਾ ਹੈ। ਤਕਨੀਕੀ ਮੁਲਾਕਾਤਾਂ ਵਿੱਚ, ਕੰਮ 'ਤੇ ਕੌਫੀ ਬ੍ਰੇਕ ਵਿੱਚ, ਅਤੇ ਹਾਂ, ਉਨ੍ਹਾਂ ਲੰਬੇ-ਲੰਬੇ ਲਿੰਕਡਇਨ ਥ੍ਰੈੱਡਾਂ ਵਿੱਚ ਵੀ ਕੋਈ ਪੜ੍ਹਨ ਦੀ ਇਜਾਜ਼ਤ ਨਹੀਂ ਦਿੰਦਾ। ਚਿੰਤਾ ਕਾਫ਼ੀ ਸਪੱਸ਼ਟ ਹੈ: ਜੇਕਰ AI ਇੰਨਾ ਜ਼ਿਆਦਾ ਆਟੋਮੇਸ਼ਨ ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ, ਤਾਂ ਕੀ ਇਹ ਡੇਟਾ ਸਾਇੰਸ ਨੂੰ... ਡਿਸਪੋਜ਼ੇਬਲ ਬਣਾਉਂਦਾ ਹੈ? ਤੇਜ਼ ਜਵਾਬ: ਨਹੀਂ। ਲੰਬਾ ਜਵਾਬ? ਇਹ ਗੁੰਝਲਦਾਰ, ਗੜਬੜ ਵਾਲਾ, ਅਤੇ ਇੱਕ ਸਿੱਧੀ "ਹਾਂ" ਜਾਂ "ਨਹੀਂ" ਨਾਲੋਂ ਕਿਤੇ ਜ਼ਿਆਦਾ ਦਿਲਚਸਪ ਹੈ।

ਇਸ ਤੋਂ ਬਾਅਦ ਤੁਸੀਂ ਜੋ ਲੇਖ ਪੜ੍ਹਨਾ ਪਸੰਦ ਕਰ ਸਕਦੇ ਹੋ:

🔗 ਡਾਟਾ ਸਾਇੰਸ ਅਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ: ਨਵੀਨਤਾ ਦਾ ਭਵਿੱਖ
ਇਹ ਪਤਾ ਲਗਾਉਣਾ ਕਿ ਏਆਈ ਅਤੇ ਡੇਟਾ ਵਿਗਿਆਨ ਕੱਲ੍ਹ ਦੇ ਨਵੀਨਤਾ ਦੇ ਦ੍ਰਿਸ਼ ਨੂੰ ਕਿਵੇਂ ਆਕਾਰ ਦਿੰਦੇ ਹਨ।.

🔗 ਕੀ ਏਆਈ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਦੀ ਥਾਂ ਲਵੇਗਾ: ਅਸਲ ਗੱਲਬਾਤ
ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਕ ਦੀਆਂ ਭੂਮਿਕਾਵਾਂ ਅਤੇ ਉਦਯੋਗ ਦੀਆਂ ਜ਼ਰੂਰਤਾਂ 'ਤੇ AI ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਸਮਝਣਾ।.

🔗 AI ਟੂਲਸ ਲਈ ਡੇਟਾ ਪ੍ਰਬੰਧਨ ਜੋ ਤੁਹਾਨੂੰ ਦੇਖਣੇ ਚਾਹੀਦੇ ਹਨ
ਏਆਈ ਟੂਲਸ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨ ਲਈ ਮੁੱਖ ਡੇਟਾ ਪ੍ਰਬੰਧਨ ਅਭਿਆਸ।.

ਅਸਲ ਵਿੱਚ ਡੇਟਾ ਸਾਇੰਸ ਨੂੰ ਕੀ ਕੀਮਤੀ ਬਣਾਉਂਦਾ ਹੈ 🎯

ਗੱਲ ਇਹ ਹੈ - ਡੇਟਾ ਸਾਇੰਸ ਸਿਰਫ਼ ਗਣਿਤ ਅਤੇ ਮਾਡਲਾਂ ਦਾ ਮੇਲ ਨਹੀਂ ਹੈ। ਜੋ ਇਸਨੂੰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਬਣਾਉਂਦਾ ਹੈ ਉਹ ਹੈ ਅੰਕੜਾ ਸ਼ੁੱਧਤਾ, ਵਪਾਰਕ ਸੰਦਰਭ, ਅਤੇ ਰਚਨਾਤਮਕ ਸਮੱਸਿਆ-ਹੱਲ ਦਾ ਇੱਕ ਅਹਿਸਾਸ । AI ਪਲਕ ਝਪਕਦੇ ਹੀ ਦਸ ਹਜ਼ਾਰ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਗਣਨਾ ਕਰ ਸਕਦਾ ਹੈ, ਯਕੀਨਨ। ਪਰ ਕੀ ਇਹ ਫੈਸਲਾ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਕਿਹੜੀ ਸਮੱਸਿਆ ਕਿਸੇ ਕੰਪਨੀ ਦੇ ਨਤੀਜੇ ਲਈ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ? ਜਾਂ ਇਹ ਸਮਝਾ ਸਕਦਾ ਹੈ ਕਿ ਉਹ ਸਮੱਸਿਆ ਰਣਨੀਤੀ ਅਤੇ ਗਾਹਕ ਵਿਵਹਾਰ ਨਾਲ ਕਿਵੇਂ ਜੁੜਦੀ ਹੈ? ਇਹੀ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਮਨੁੱਖ ਦਖਲ ਦਿੰਦੇ ਹਨ।

ਇਸਦੇ ਮੂਲ ਵਿੱਚ, ਡੇਟਾ ਸਾਇੰਸ ਇੱਕ ਅਨੁਵਾਦਕ ਵਾਂਗ ਹੈ। ਇਹ ਕੱਚੀ ਗੜਬੜ ਲੈਂਦਾ ਹੈ - ਬਦਸੂਰਤ ਸਪ੍ਰੈਡਸ਼ੀਟਾਂ, ਲੌਗ, ਸਰਵੇਖਣ ਜੋ ਕੋਈ ਅਰਥ ਨਹੀਂ ਰੱਖਦੇ - ਅਤੇ ਇਸਨੂੰ ਉਹਨਾਂ ਫੈਸਲਿਆਂ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ 'ਤੇ ਆਮ ਲੋਕ ਅਸਲ ਵਿੱਚ ਕਾਰਵਾਈ ਕਰ ਸਕਦੇ ਹਨ। ਉਸ ਅਨੁਵਾਦ ਪਰਤ ਨੂੰ ਹਟਾ ਦਿਓ ਅਤੇ AI ਅਕਸਰ ਭਰੋਸੇਮੰਦ ਬਕਵਾਸ ਬਾਹਰ ਕੱਢਦਾ ਹੈ। HBR ਸਾਲਾਂ ਤੋਂ ਇਹ ਕਹਿ ਰਿਹਾ ਹੈ: ਗੁਪਤ ਸਾਸ ਸ਼ੁੱਧਤਾ ਮੈਟ੍ਰਿਕਸ ਨਹੀਂ ਹੈ, ਇਹ ਪ੍ਰੇਰਣਾ ਅਤੇ ਸੰਦਰਭ ਹੈ [2]।

ਹਕੀਕਤ ਜਾਂਚ: ਅਧਿਐਨ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ AI ਇੱਕ ਕੰਮ ਦੇ ਅੰਦਰ ਬਹੁਤ ਸਾਰੇ ਕੰਮਾਂ ਨੂੰ ਸਵੈਚਾਲਿਤ ਕਰ ਸਕਦਾ ਹੈ - ਕਈ ਵਾਰ ਅੱਧੇ ਤੋਂ ਵੱਧ । ਪਰ ਕੰਮ ਦਾ ਘੇਰਾ ਬਣਾਉਣਾ, ਨਿਰਣਾਇਕ ਕਾਲਾਂ ਕਰਨਾ, ਅਤੇ "ਇੱਕ ਸੰਗਠਨ" ਨਾਮਕ ਗੜਬੜ ਵਾਲੀ ਚੀਜ਼ ਨਾਲ ਇਕਸਾਰ ਹੋਣਾ? ਅਜੇ ਵੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮਨੁੱਖੀ ਖੇਤਰ ਹੈ [1]।

ਤੇਜ਼ ਤੁਲਨਾ: ਡੇਟਾ ਸਾਇੰਸ ਬਨਾਮ ਏਆਈ

ਇਹ ਸਾਰਣੀ ਸੰਪੂਰਨ ਨਹੀਂ ਹੈ, ਪਰ ਇਹ ਉਹਨਾਂ ਦੁਆਰਾ ਨਿਭਾਈਆਂ ਗਈਆਂ ਵੱਖ-ਵੱਖ ਭੂਮਿਕਾਵਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦੀ ਹੈ:

"ਪੂਰੀ ਤਬਦੀਲੀ" ਦੀ ਮਿੱਥ 🚫

ਇਹ ਕਲਪਨਾ ਕਰਨਾ ਚੰਗਾ ਲੱਗਦਾ ਹੈ ਕਿ AI ਹਰ ਡੇਟਾ ਕੰਮ ਨੂੰ ਹੜੱਪ ਲੈਂਦਾ ਹੈ, ਪਰ ਇਹ ਗਲਤ ਧਾਰਨਾ 'ਤੇ ਬਣਿਆ ਹੈ - ਕਿ ਡੇਟਾ ਵਿਗਿਆਨ ਦਾ ਸਾਰਾ ਮੁੱਲ ਤਕਨੀਕੀ ਹੈ। ਇਸਦਾ ਜ਼ਿਆਦਾਤਰ ਹਿੱਸਾ ਅਸਲ ਵਿੱਚ ਵਿਆਖਿਆਤਮਕ, ਰਾਜਨੀਤਿਕ ਅਤੇ ਸੰਚਾਰੀ ।

• ਕੋਈ ਵੀ ਕਾਰਜਕਾਰੀ ਇਹ ਨਹੀਂ ਕਹਿੰਦਾ, "ਕਿਰਪਾ ਕਰਕੇ ਮੈਨੂੰ 94% ਸ਼ੁੱਧਤਾ ਵਾਲਾ ਮਾਡਲ ਦਿਓ।"

• ਉਹ ਕਹਿੰਦੇ ਹਨ, "ਕੀ ਸਾਨੂੰ ਇਸ ਨਵੇਂ ਬਾਜ਼ਾਰ ਵਿੱਚ ਫੈਲਣਾ ਚਾਹੀਦਾ ਹੈ, ਹਾਂ ਜਾਂ ਨਹੀਂ?"

ਏਆਈ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਕਿਸ ਚੀਜ਼ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਨਹੀਂ ਰੱਖੇਗਾ: ਰੈਗੂਲੇਟਰੀ ਸਿਰ ਦਰਦ, ਸੱਭਿਆਚਾਰਕ ਸੂਝ-ਬੂਝ, ਜਾਂ ਸੀਈਓ ਦੀ ਜੋਖਮ ਭੁੱਖ। ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਕਾਰਵਾਈ ਵਿੱਚ ਬਦਲਣਾ ਅਜੇ ਵੀ ਇੱਕ ਮਨੁੱਖੀ ਖੇਡ ਹੈ , ਜੋ ਕਿ ਵਪਾਰ-ਆਫ ਅਤੇ ਪ੍ਰੇਰਣਾ ਨਾਲ ਭਰਿਆ ਹੋਇਆ ਹੈ [2]।

ਜਿੱਥੇ AI ਪਹਿਲਾਂ ਹੀ ਚੀਜ਼ਾਂ ਨੂੰ ਹਿਲਾ ਰਿਹਾ ਹੈ 💥

ਆਓ ਇਮਾਨਦਾਰ ਬਣੀਏ - ਡੇਟਾ ਸਾਇੰਸ ਦੇ ਕੁਝ ਹਿੱਸੇ ਪਹਿਲਾਂ ਹੀ ਏਆਈ ਦੁਆਰਾ ਜ਼ਿੰਦਾ ਖਾਏ ਜਾ ਰਹੇ ਹਨ:

• ਡੇਟਾ ਸਫਾਈ ਅਤੇ ਤਿਆਰੀ → ਆਟੋਮੇਟਿਡ ਜਾਂਚਾਂ ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ, ਵਿਗਾੜਾਂ, ਅਤੇ ਐਕਸਲ ਵਿੱਚ ਮਨੁੱਖਾਂ ਦੁਆਰਾ ਸਲੋਗਿੰਗ ਕਰਨ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਵਹਿਣ ਦਾ ਪਤਾ ਲਗਾਉਂਦੀਆਂ ਹਨ।

• ਮਾਡਲ ਚੋਣ ਅਤੇ ਟਿਊਨਿੰਗ → ਆਟੋਐਮਐਲ ਐਲਗੋਰਿਦਮ ਵਿਕਲਪਾਂ ਨੂੰ ਸੀਮਤ ਕਰਦਾ ਹੈ ਅਤੇ ਹਾਈਪਰਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ, ਹਫ਼ਤਿਆਂ ਦੀ ਬੇਚੈਨੀ ਦੀ ਬਚਤ ਕਰਦਾ ਹੈ [5]।

• ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਅਤੇ ਰਿਪੋਰਟਿੰਗ → ਟੂਲ ਹੁਣ ਇੱਕ ਸਿੰਗਲ ਪ੍ਰੋਂਪਟ ਤੋਂ ਡੈਸ਼ਬੋਰਡ ਜਾਂ ਟੈਕਸਟ ਸਾਰਾਂਸ਼ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ।

ਇਹ ਕਿਸਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਮਹਿਸੂਸ ਹੁੰਦਾ ਹੈ? ਉਹ ਲੋਕ ਜਿਨ੍ਹਾਂ ਦੀਆਂ ਨੌਕਰੀਆਂ ਦੁਹਰਾਉਣ ਵਾਲੇ ਚਾਰਟ-ਬਿਲਡਿੰਗ ਜਾਂ ਬੁਨਿਆਦੀ ਮਾਡਲਿੰਗ ਦੇ ਦੁਆਲੇ ਘੁੰਮਦੀਆਂ ਹਨ। ਬਾਹਰ ਨਿਕਲਣ ਦਾ ਰਸਤਾ? ਮੁੱਲ ਲੜੀ ਵਿੱਚ ਉੱਪਰ ਜਾਓ: ਤਿੱਖੇ ਸਵਾਲ ਪੁੱਛੋ, ਸਪੱਸ਼ਟ ਕਹਾਣੀਆਂ ਦੱਸੋ, ਅਤੇ ਬਿਹਤਰ ਸਿਫ਼ਾਰਸ਼ਾਂ ਤਿਆਰ ਕਰੋ।

ਤੇਜ਼ ਕੇਸ ਸਨੈਪਸ਼ਾਟ: ਇੱਕ ਰਿਟੇਲਰ ਆਟੋਐਮਐਲ ਨੂੰ ਚਰਨ ਲਈ ਟੈਸਟ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ ਠੋਸ ਬੇਸਲਾਈਨ ਮਾਡਲ ਨੂੰ ਬਾਹਰ ਕੱਢਦਾ ਹੈ। ਪਰ ਵੱਡੀ ਜਿੱਤ ਉਦੋਂ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਡੇਟਾ ਵਿਗਿਆਨੀ ਕੰਮ ਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰਦਾ ਹੈ: "ਕੌਣ ਚਰਨ ਕਰੇਗਾ?" ਦੀ ਬਜਾਏ ਇਹ ਬਣ ਜਾਂਦਾ ਹੈ "ਕਿਹੜੇ ਦਖਲ ਅਸਲ ਵਿੱਚ ਸੈਗਮੈਂਟ ਦੁਆਰਾ ਸ਼ੁੱਧ ਮਾਰਜਿਨ ਵਧਾਉਂਦੇ ਹਨ?" ਉਹ ਤਬਦੀਲੀ - ਅਤੇ ਪਾਬੰਦੀਆਂ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਵਿੱਤ ਨਾਲ ਭਾਈਵਾਲੀ - ਉਹ ਹੈ ਜੋ ਮੁੱਲ ਨੂੰ ਚਲਾਉਂਦਾ ਹੈ। ਆਟੋਮੇਸ਼ਨ ਚੀਜ਼ਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਦੀ ਹੈ, ਪਰ ਫਰੇਮਿੰਗ ਨਤੀਜੇ ਨੂੰ ਅਨਲੌਕ ਕਰਦੀ ਹੈ।

ਡਾਟਾ ਵਿਗਿਆਨੀਆਂ ਦੀ ਭੂਮਿਕਾ ਵਿਕਸਤ ਹੋ ਰਹੀ ਹੈ 🔄

ਇਹ ਕੰਮ ਫਿੱਕਾ ਪੈਣ ਦੀ ਬਜਾਏ ਨਵੇਂ ਆਕਾਰਾਂ ਵਿੱਚ ਬਦਲ ਰਿਹਾ ਹੈ:

1. ਏਆਈ ਅਨੁਵਾਦਕ - ਡਾਲਰਾਂ ਅਤੇ ਬ੍ਰਾਂਡ ਜੋਖਮ ਦੀ ਪਰਵਾਹ ਕਰਨ ਵਾਲੇ ਨੇਤਾਵਾਂ ਲਈ ਤਕਨੀਕੀ ਆਉਟਪੁੱਟ ਨੂੰ ਪਚਣਯੋਗ ਬਣਾਉਣਾ।

2. ਸ਼ਾਸਨ ਅਤੇ ਨੈਤਿਕਤਾ ਦੇ ਲੀਡ NIST ਦੇ AI RMF [3] ਵਰਗੇ ਮਿਆਰਾਂ ਨਾਲ ਜੁੜੇ ਪੱਖਪਾਤੀ ਟੈਸਟਿੰਗ, ਨਿਗਰਾਨੀ ਅਤੇ ਨਿਯੰਤਰਣ ਸਥਾਪਤ ਕਰਨਾ

3. ਉਤਪਾਦ ਰਣਨੀਤੀਕਾਰ - ਗਾਹਕਾਂ ਦੇ ਤਜ਼ਰਬਿਆਂ ਅਤੇ ਉਤਪਾਦ ਰੋਡਮੈਪ ਵਿੱਚ ਡੇਟਾ ਅਤੇ ਏਆਈ ਨੂੰ ਜੋੜਨਾ।

ਵਿਅੰਗਾਤਮਕ ਤੌਰ 'ਤੇ, ਜਿਵੇਂ-ਜਿਵੇਂ AI ਤਕਨੀਕੀ ਕੰਮ ਸੰਭਾਲਦਾ ਹੈ, ਮਨੁੱਖੀ ਹੁਨਰ - ਕਹਾਣੀ ਸੁਣਾਉਣ, ਨਿਰਣਾ ਕਰਨ ਦਾ ਖੇਤਰ, ਆਲੋਚਨਾਤਮਕ ਸੋਚ - ਉਹ ਹਿੱਸੇ ਬਣ ਜਾਂਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਤੁਸੀਂ ਆਸਾਨੀ ਨਾਲ ਨਹੀਂ ਬਦਲ ਸਕਦੇ।

ਮਾਹਰ ਅਤੇ ਡੇਟਾ ਕੀ ਕਹਿ ਰਹੇ ਹਨ 🗣️

• ਆਟੋਮੇਸ਼ਨ ਅਸਲ ਹੈ, ਪਰ ਅੰਸ਼ਕ ਹੈ : ਮੌਜੂਦਾ AI ਬਹੁਤ ਸਾਰੇ ਕੰਮਾਂ ਦੇ ਅੰਦਰ ਬਹੁਤ ਸਾਰੇ ਕੰਮਾਂ ਨੂੰ ਸਵੈਚਾਲਿਤ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਆਮ ਤੌਰ 'ਤੇ ਮਨੁੱਖਾਂ ਨੂੰ ਉੱਚ-ਮੁੱਲ ਵਾਲੇ ਕੰਮ ਵੱਲ ਜਾਣ ਲਈ ਆਜ਼ਾਦ ਕਰਦਾ ਹੈ [1]।

• ਫੈਸਲਿਆਂ ਲਈ ਮਨੁੱਖਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ : HBR ਦੱਸਦਾ ਹੈ ਕਿ ਸੰਗਠਨ ਕੱਚੇ ਅੰਕੜਿਆਂ ਕਾਰਨ ਨਹੀਂ ਚਲਦੇ - ਉਹ ਇਸ ਲਈ ਚਲਦੇ ਹਨ ਕਿਉਂਕਿ ਕਹਾਣੀਆਂ ਅਤੇ ਬਿਰਤਾਂਤ ਨੇਤਾਵਾਂ ਨੂੰ ਕੰਮ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰਦੇ ਹਨ [2]।

• ਨੌਕਰੀਆਂ ਦਾ ਪ੍ਰਭਾਵ ≠ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਛਾਂਟੀ : WEF ਡੇਟਾ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕੰਪਨੀਆਂ AI ਤੋਂ ਉਮੀਦ ਕਰਦੀਆਂ ਹਨ ਕਿ ਉਹ ਭੂਮਿਕਾਵਾਂ ਬਦਲੇਗੀ ਅਤੇ ਸਟਾਫ ਨੂੰ ਛਾਂਟ ਦੇਵੇਗੀ ਜਿੱਥੇ ਕੰਮ ਬਹੁਤ ਜ਼ਿਆਦਾ ਆਟੋਮੇਟੇਬਲ ਹਨ, ਪਰ ਉਹ ਰੀਸਕਿਲਿੰਗ ਨੂੰ ਵੀ ਦੁੱਗਣਾ ਕਰ ਰਹੇ ਹਨ [4]। ਪੈਟਰਨ ਬਦਲਣ ਨਾਲੋਂ ਰੀਡਿਜ਼ਾਈਨ ਵਰਗਾ ਲੱਗਦਾ ਹੈ।

ਡਰ ਕਿਉਂ ਬਣਿਆ ਰਹਿੰਦਾ ਹੈ 😟

ਮੀਡੀਆ ਦੀਆਂ ਸੁਰਖੀਆਂ ਤਬਾਹੀ 'ਤੇ ਖੁਲ੍ਹਦੀਆਂ ਹਨ। "ਨੌਕਰੀਆਂ ਦੀ ਥਾਂ ਏਆਈ!" ਵਿਕਦਾ ਹੈ। ਪਰ ਗੰਭੀਰ ਅਧਿਐਨ ਲਗਾਤਾਰ ਸੂਖਮਤਾ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ: ਟਾਸਕ ਆਟੋਮੇਸ਼ਨ, ਵਰਕਫਲੋ ਰੀਡਿਜ਼ਾਈਨ, ਅਤੇ ਨਵੀਂ ਭੂਮਿਕਾ ਸਿਰਜਣਾ [1][4]। ਇੱਕ ਕੈਲਕੁਲੇਟਰ ਸਮਾਨਤਾ ਕੰਮ ਕਰਦੀ ਹੈ: ਹੁਣ ਕੋਈ ਵੀ ਹੱਥ ਨਾਲ ਲੰਮੀ ਵੰਡ ਨਹੀਂ ਕਰਦਾ, ਪਰ ਤੁਹਾਨੂੰ ਅਜੇ ਵੀ ਇਹ ਜਾਣਨ ਲਈ ਅਲਜਬਰਾ ਨੂੰ ਸਮਝਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ ਕਿ ਕੈਲਕੁਲੇਟਰ ਦੀ ਵਰਤੋਂ ਕਦੋਂ

ਢੁੱਕਵਾਂ ਰਹਿਣਾ: ਇੱਕ ਵਿਹਾਰਕ ਪਲੇਬੁੱਕ 🧰

• ਫੈਸਲੇ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੋ। ਆਪਣੇ ਕੰਮ ਨੂੰ ਕਾਰੋਬਾਰੀ ਸਵਾਲ ਅਤੇ ਗਲਤ ਹੋਣ ਦੀ ਕੀਮਤ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਕਰੋ।

• ਤੁਹਾਨੂੰ AI ਡਰਾਫਟ ਨੂੰ ਸੁਧਾਰਨ ਦਿਓ। ਇਸਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂਆਂ ਵਜੋਂ ਸਮਝੋ - ਤੁਸੀਂ ਨਿਰਣਾ ਅਤੇ ਸੰਦਰਭ ਲਿਆਉਂਦੇ ਹੋ।

• ਆਪਣੇ ਪ੍ਰਵਾਹ ਵਿੱਚ ਸ਼ਾਸਨ ਬਣਾਓ। ਹਲਕੇ ਪੱਖਪਾਤੀ ਜਾਂਚਾਂ, ਨਿਗਰਾਨੀ, ਅਤੇ ਦਸਤਾਵੇਜ਼ ਜੋ NIST ਦੇ [3] ਵਰਗੇ ਫਰੇਮਵਰਕ ਨਾਲ ਜੁੜੇ ਹੋਏ ਹਨ।

• ਰਣਨੀਤੀ ਅਤੇ ਸੰਚਾਰ ਵੱਲ ਵਧੋ। ਜਿੰਨਾ ਘੱਟ ਤੁਸੀਂ "ਬਟਨ-ਪੁਸ਼ਿੰਗ" ਨਾਲ ਜੁੜੇ ਹੋਵੋਗੇ, ਓਨਾ ਹੀ ਔਖਾ ਹੋਵੇਗਾ ਕਿ ਤੁਹਾਨੂੰ ਸਵੈਚਾਲਿਤ ਢੰਗ ਨਾਲ ਦੂਰ ਕੀਤਾ ਜਾ ਸਕੇ।

• ਆਪਣੇ ਆਟੋਐਮਐਲ ਨੂੰ ਜਾਣੋ। ਇਸਨੂੰ ਇੱਕ ਹੁਸ਼ਿਆਰ ਪਰ ਲਾਪਰਵਾਹ ਇੰਟਰਨ ਵਾਂਗ ਸੋਚੋ: ਤੇਜ਼, ਅਣਥੱਕ, ਕਈ ਵਾਰ ਬਹੁਤ ਗਲਤ। ਤੁਸੀਂ ਗਾਰਡਰੇਲ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋ [5]।

ਤਾਂ... ਕੀ ਏਆਈ ਡੇਟਾ ਸਾਇੰਸ ਦੀ ਥਾਂ ਲਵੇਗਾ? ✅❌

ਸਿੱਧਾ ਜਵਾਬ: ਨਹੀਂ, ਪਰ ਇਹ ਇਸਨੂੰ ਮੁੜ ਆਕਾਰ ਦੇਵੇਗਾ । AI ਟੂਲਕਿੱਟ ਨੂੰ - ਗਰੰਟ ਵਰਕ ਨੂੰ ਘਟਾ ਰਿਹਾ ਹੈ, ਪੈਮਾਨੇ ਨੂੰ ਵਧਾ ਰਿਹਾ ਹੈ, ਅਤੇ ਕਿਹੜੇ ਹੁਨਰ ਸਭ ਤੋਂ ਵੱਧ ਮਹੱਤਵਪੂਰਨ ਹਨ ਨੂੰ ਬਦਲ ਰਿਹਾ ਹੈ। ਇਹ ਜੋ ਚੀਜ਼ ਦੂਰ ਨਹੀਂ ਕਰਦਾ ਉਹ ਹੈ ਮਨੁੱਖੀ ਵਿਆਖਿਆ, ਰਚਨਾਤਮਕਤਾ ਅਤੇ ਨਿਰਣੇ ਵਧਦੀ ਗੁੰਝਲਦਾਰ ਆਉਟਪੁੱਟ ਦੇ ਦੁਭਾਸ਼ੀਏ ਵਜੋਂ ਵਧੇਰੇ ਹੁੰਦੇ ਹਨ

ਸਿੱਟਾ: AI ਕੰਮਾਂ ਦੀ ਥਾਂ ਲੈਂਦਾ ਹੈ, ਪੇਸ਼ੇ ਦੀ ਨਹੀਂ [1][2][4]।

ਹਵਾਲੇ

[1] ਮੈਕਕਿਨਸੀ ਐਂਡ ਕੰਪਨੀ - ਜਨਰੇਟਿਵ ਏਆਈ ਦੀ ਆਰਥਿਕ ਸੰਭਾਵਨਾ: ਅਗਲੀ ਉਤਪਾਦਕਤਾ ਸਰਹੱਦ (ਜੂਨ 2023)।
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier

[2] ਹਾਰਵਰਡ ਬਿਜ਼ਨਸ ਰਿਵਿਊ - ਡੇਟਾ ਸਾਇੰਸ ਅਤੇ ਪ੍ਰੇਰਨਾ ਦੀ ਕਲਾ (ਸਕਾਟ ਬੇਰੀਨਾਟੋ, ਜਨਵਰੀ-ਫਰਵਰੀ 2019)।
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion

[3] NIST - ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਰਿਸਕ ਮੈਨੇਜਮੈਂਟ ਫਰੇਮਵਰਕ (AI RMF 1.0) (2023)।
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

[4] ਵਿਸ਼ਵ ਆਰਥਿਕ ਫੋਰਮ - ਕੀ ਏਆਈ ਐਂਟਰੀ-ਪੱਧਰ ਦੀਆਂ ਨੌਕਰੀਆਂ ਦੇ ਮੌਕਿਆਂ 'ਤੇ ਦਰਵਾਜ਼ੇ ਬੰਦ ਕਰ ਰਿਹਾ ਹੈ? (30 ਅਪ੍ਰੈਲ, 2025) - ਫਿਊਚਰ ਆਫ਼ ਜੌਬਸ 2025 ।
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/

[5] ਉਹ, ਐਕਸ. ਆਦਿ - ਆਟੋਐਮਐਲ: ਸਟੇਟ-ਆਫ-ਦ-ਆਰਟ ਦਾ ਇੱਕ ਸਰਵੇਖਣ (arXiv, 2019)।
https://arxiv.org/abs/1908.00709

ਅਧਿਕਾਰਤ AI ਸਹਾਇਕ ਸਟੋਰ 'ਤੇ ਨਵੀਨਤਮ AI ਲੱਭੋ

ਸਾਡੇ ਬਾਰੇ