En sammanflätning av roller
I takt med att AI blir mer utbrett blir förmågan att snabbt omvandla rådata till användbar AI-funktionalitet avgörande för framgång. De organisationer som bemästrar denna process snabbast kommer att stå starkast, med förmågan att leverera överlägsna kundupplevelser och optimera sina verksamheter. Men att ”bemästra” AI handlar minst lika mycket om att arbeta med människor som teknik.
En av de tydligaste effekterna av AI är sammanflätningen av dataroller. Tidigare var dataanalytiker och data scientists separata discipliner, men nu ser vi att gränserna suddas ut. Båda rollerna kräver alltmer en kombination av färdigheter, och vi ser att team samarbetar mer effektivt över traditionella silos. Detta bekräftas av Nash Squared Digital Leadership Report från 2023, där 54 % av digitala ledare uppger att brist på kompetens hindrar dem från att hänga med i den snabba förändringstakten. Sammanflätningen och nedbrytningen av silos hjälper organisationer att utvecklas ännu snabbare, helt enkelt.
Förändringar jag sett de senaste fem åren
Från kodning till metadatastyrning
I mina tidiga år på Forefront spenderade jag en betydande del av min tid på att skriva Python och Scala-kod för dataintag, datamodellering och analys. Komplexa processer som var svåra för många analytiker att greppa. Idag ser det helt annorlunda ut. En stor del av allt dataintag är nu metadatastyrd, vilket förenklar processen och gör den mer tillgänglig för en bredare publik. Modellering sker numera oftast med SQL och vi drar nytta av färdiga modeller och bibliotek snarare än att bygga allt från grunden. Denna förändring har drastiskt sänkt tröskeln för många uppgifter och gjort det möjligt för fler att delta i data- och AI-arbetet.
Från silos till produktteam
Tidigare var det vanligt att datafunktioner var organiserade i silos, avskilda från resten av organisationen. Idag ser vi en tydlig trend mot att integrera datateam i produktteam, där de samarbetar end-to-end för att leverera värde till kunderna. Denna förändring bryter ner barriärer och skapar en mer effektiv och samarbetsorienterad kultur.
Från avancerade modeller till färdiga gen AI-modeller
För bara två år sen spenderade Data Scientists betydande resurser på att skapa egna avancerade AI- modeller för specifika uppgifter; en tidskrävande process som är beroende av riktigt vass expertis. Idag ser vi en dramatisk ökning av tillgängliga och användarvänliga "off the shelf" Gen AI-modeller. Detta gör det möjligt för Dataanalytiker och Data Engineers, oavsett tidigare erfarenhet av Gen AI-utveckling, att enkelt implementera dessa kraftfulla verktyg i sina arbetsflöden. I ett kundprojekt kunde vi nyligen (genom att använda en färdig Gen AI) uppnå betydligt bättre resultat för sentimentanalys av kundrecensioner än vad vi hade kunnat åstadkomma med en egenutvecklad modell. Detta frigjorde tid för våra Data Scientists att fokusera på mer komplexa problem och strategiska initiativ.
Återigen, teknik och människor
Jag har sett att många dataanalytiker idag gladeligen tar ansvar för uppgifter som tidigare var reserverade för Data Scientists, och vice versa. Detta visar att gränserna mellan dataroller suddas ut och att vi alla behöver vara beredda att lära oss nya färdigheter och samarbeta för att lösa problem. Plattformar som förenklar och snabbar upp processen från rådata till affärsvärde, med hjälp av färdiga modeller, kommer fortsatt spela en avgörande roll för att bryta ner dessa barriärer och demokratisera AI. Men minst lika viktigt är det att fokusera på hur din organisation bygger upp team. Brist på kompetens inom dataanalys, dataarkitektur och AI är en utmaning för många organisationer som kontinuerligt kommer behöver arbeta med reskill och upskill för att inte hamna på efterkälken.
.webp)