ИИ для анализа данных: исследование Google оспаривает ажиотаж вокруг автоматизации

Недавнее исследование Google Research, посвященное ИИ для анализа данных, показывает, что, несмотря на продолжающиеся спекуляции о повсеместном вытеснении рабочих мест, текущее влияние ИИ в основном носит характер сотрудничества, а не автоматизации, что позволяет предположить, что Data Scientists будут продолжать использовать ИИ для расширения своих ролей, а не для их замены.

• Комплексное исследование Google «AI & Economy ATLAS», основанное на 15 миллионах анонимных взаимодействий с Gemini, показало, что использование ИИ в значительной степени поверхностно и носит характер сотрудничества.
• Исследование предполагает, что сквозная автоматизация задач с помощью ИИ остается ограниченной, сосредоточившись вместо этого на помощи с конкретными подмножествами задач.
• Профессии «белых воротничков», включая те, которые распространены среди Data Scientists, такие как финансы и вычислительная техника, демонстрируют более высокую вовлеченность в ИИ, но в основном для расширения возможностей.
• Полученные данные оспаривают утверждение о том, что ИИ готов вызвать массовое вытеснение рабочих мест «белых воротничков», выступая за более тонкое понимание интеграции ИИ.

Разбираем исследование Google об ИИ для анализа данных

Google Research недавно опубликовала результаты своего исследования «AI & Economy ATLAS» (Activity, Task, Landscape, and Adoption Study), представляющего основанный на данных взгляд на то, как ИИ фактически используется в реальных рабочих сценариях. Исследование проанализировало около 15 миллионов анонимных взаимодействий с ИИ в приложении Gemini, режиме ИИ Google и API Gemini. Этот обширный набор данных предлагает уникальный взгляд на практическое применение передовых моделей ИИ в различных профессиональных контекстах.

Для классификации этих взаимодействий исследователи Google использовали автоматизированную систему, применяющую Стандартные профессиональные классификации Бюро статистики труда и подробную базу данных рабочих взаимодействий O*NET. Признавая присущую вероятностную природу классификации таких данных, человеческие рецензенты подтвердили методологию, подтвердив ее надежность в оценке того, как подсказки Gemini использовались для задач, связанных с работой. Этот строгий подход придает значительный вес выводам исследования, предлагая прочную основу для понимания текущего внедрения ИИ.

Почему инструменты ИИ для Data Scientists не автоматизируют рабочие места

Основной вывод исследования Google заключается в том, что, несмотря на повсеместный ажиотаж вокруг потенциала ИИ автоматизировать обширные области работы «белых воротничков», доказательства не подтверждают заявления о неминуемом, массовом вытеснении рабочих мест. Вместо этого исследование показывает, что использование ИИ «остается поверхностным и в подавляющем большинстве случаев носит характер сотрудничества», при этом «сквозная автоматизация задач ограничена по масштабу». Для Data Scientists это означает, что передовые инструменты машинного обучения и ИИ для прогнозной аналитики в первую очередь служат помощниками, расширяя возможности, а не автономно выполняя сложные проекты.

Эта парадигма сотрудничества предполагает, что ИИ наиболее эффективен при применении к конкретным подмножествам задач в рамках более крупного рабочего процесса. Например, Data Scientist может использовать ИИ для анализа данных, чтобы быстро очистить набор данных, сгенерировать первоначальные гипотезы или определить потенциальные признаки для модели. Однако критически важные шаги по определению проблемы, тонкой интерпретации результатов, этическим соображениям и принятию стратегических решений по-прежнему требуют человеческого опыта. Эта перспектива имеет решающее значение для Data Scientists, оценивающих интеграцию новых инструментов ИИ в свои рабочие процессы, включая специализированные решения или AutoML платформы.

Кто и как использует ИИ в Data Science?

Исследование выявило различные уровни вовлеченности в ИИ в разных профессиях. Неудивительно, что сферы «белых воротничков», такие как вычислительная техника, финансы, искусство и развлечения, показали избыточное представительство в использовании Gemini по сравнению с их распространенностью в экономике США. Эта закономерность соответствует ожиданиям для профессионалов, которые часто работают со сложными данными и аналитическими задачами.

В частности, такие роли, как финансовые/рыночные аналитики, разработчики программного обеспечения и системные администраторы, были определены как одни из самых активных пользователей ИИ для деятельности, связанной с работой. Напротив, такие профессии, как продавцы, работники транспорта и работники по приготовлению/обслуживанию пищи, были сильно недопредставлены в данных об использовании ИИ. Это распределение подчеркивает, что текущий ИИ для анализа данных в первую очередь приносит пользу ролям, связанным с обработкой информации, решением проблем и творческим результатом, областям, в которых Data Scientists часто преуспевают и могут стратегически применять ИИ для расширения своих собственных возможностей.

Будущее анализа данных с помощью ИИ: расширение, а не замена

Результаты исследования Google Research дают четкое указание для Data Scientists: ближайшее будущее анализа данных с помощью ИИ сосредоточено на расширении возможностей, а не на полной замене. Вместо того чтобы бояться устаревания рабочих мест, Data Scientists должны рассматривать передовые инструменты ИИ, включая те, что представлены на платформах, таких как Google Vertex AI, или даже специализированные решения, такие как DataRobot и H2O.ai, как мощных помощников. Эти инструменты могут значительно повысить эффективность в таких задачах, как подготовка данных, разведочный анализ данных и даже первоначальное построение моделей, освобождая Data Scientists для сосредоточения на стратегическом мышлении более высокого уровня и решении проблем.

Эта перспектива побуждает Data Scientists совершенствовать свои знания в областях, где человеческое суждение, креативность и стратегическое мышление остаются первостепенными. Хотя такие компоненты, как AutoML, могут оптимизировать части конвейера машинного обучения, общая роль Data Scientist — определение бизнес-проблем, интерпретация сложных результатов и передача действенных выводов — усиливается, а не уменьшается благодаря совместному ИИ. Принятие ИИ в качестве сложного партнера будет ключом к тому, чтобы оставаться в авангарде области Data Science.

Что это означает для Data Scientists в 2026 году

Для Data Scientists, работающих в 2026 году, исследование Google предлагает ценную информацию о развивающемся ландшафте интеграции ИИ. Оно подтверждает идею о том, что ваша роль все больше сводится к интеллектуальному сотрудничеству с ИИ, а не к конкуренции с ним. Практический вывод заключается в том, чтобы инвестировать в навыки, которые максимизируют потенциал сотрудничества ИИ, такие как продвинутый промпт-инжиниринг, критическая оценка результатов, сгенерированных ИИ, на предмет предвзятости или неточности, а также развитие более глубокого понимания этичного развертывания ИИ.

Овладев этими компетенциями, Data Scientists могут использовать инструменты ИИ для анализа данных, чтобы повысить производительность, исследовать более сложные наборы данных и предоставлять более значимые выводы. Платформы, такие как Databricks AI или AWS SageMaker, при стратегическом использовании могут расширить возможности Data Scientist, позволяя быстрее проводить итерации и более надежный анализ. Акцент по-прежнему делается на человеческом факторе для руководства, интерпретации и проверки вклада ИИ, обеспечивая как эффективность, так и ответственность решений, основанных на данных.