Data Science, Machine Learning i AI

W branży data science, gdzie dominuje główny nurt, na uwagę zasługują rozwijające się nisze: AI Engineering i Prompt Engineering, które są bezpośrednio napędzane przez postępy w generatywnej sztucznej inteligencji (Gen.AI). Wzrost zainteresowania AI Engineering, osiągającym 19%, oraz pojawienie się Prompt Engineering, choć na razie z wynikiem 1,9%, podkreśla rosnące zapotrzebowanie na ekspertów w dziedzinie Gen.AI. Dynamika ta koreluje z popularyzacją zaawansowanych modeli językowych i technologii AI, które stają się bardziej dostępne i zintegrowane z codziennymi aplikacjami. Inżynierowie ML z wynikiem 23,8% pozostają fundamentem, umożliwiając rozwój i integrację tych innowacji. Ta dywersyfikacja w data science nie tylko wskazuje na ewolucję w zakresie umiejętności i kompetencji, ale także na potrzebę głębszej specjalizacji w odpowiedzi na wyzwania związane z rosnącą złożonością danych i oczekiwaniami rynku.

Porównując ostatni raport z tym z roku obecnego widać, że Machine Learning (ML) stał się czymś więcej niż tylko technologią – to teraz podstawa innowacji w firmach, z przytupem potwierdzając swoje miejsce na rynku z imponującymi 83.7% adopcji. To jakby ML wszedł do głównego nurtu biznesowego, stając się stałym punktem w planach rozwoju.

Zeszłoroczne dane pokazywały mocniejsze przywiązanie do tradycyjnych technik jak Analiza Statystyczna i Uczenie Nadzorowane. Tymczasem Deep Learning nabrał rozpędu i teraz jest używany w coraz trudniejszych zadaniach danych – jest to trochę jak upgrade w świecie AI.

Co ciekawe, te wielkie oczekiwania na NLP, które były hitem w zeszłym roku, jakoś nie do końca się spełniły, ale zamiast tego wkraczają na scenę nowe, bardziej wyspecjalizowane metody jak Fine-tuning LLM i Uczenie Transferowe. Szczególnie to drugie teraz wychodzi na światło dzienne jako swoista metoda na przenoszenie doświadczeń między różnymi typami zadań.

W skrócie, data science zmierza w kierunku bardziej skrojonych na miarę technik. To pokazuje, jak branża potrafi się przystosować i ewoluować, by sprostać nowym wyzwaniom technologicznym i biznesowym, co daje nam przedsmak tego, jak może się zmieniać w najbliższych latach.

Praca z danymi w myśl zasady Pareto to przeznaczenie 80% czasu na przeglądanie, czyszczenie i analizowanie danych. Najczęściej do analizy danych używany jest Python, zatem nic dziwnego, że w czołówce mamy Pandas, Jupyter Netebook oraz pakiet SciKit Learn. To trzy podstawowe (i często wystarczające) elementy do przygotowania nawet złożonych analiz czy modeli ML.

Excela używa prawie połowa ankietowanych, gdyż jak wiadomo, Excel jest królem korporacji i tabelek. Jego plusem jest to, że wiele rzeczy można w nim zrobić na szybko, bez pisania nawet linijki kodu.