— Większość organizacji docenia wartość danych i chce dobrze je wykorzystywać. Jednak są możliwości, aby zrobić dzięki danym więcej. Tymczasem 70-80 proc. informacji w firmach ma nieustrukturyzowaną formę i nadal się ich nie wykorzystuje. Moja praca polega na badaniu nowych możliwości użycia danych - Szef działu data science w SAS w Wielkiej Brytanii i Irlandii. — Punkt ciężkości w kontekście analityki przesunął się dzisiaj z myślenia “dlaczego powinniśmy to robić?” na “co jeszcze możemy zrobić dzięki danym?” - zaznacza Iain Brown.

Iain Brown jest senior leaderem i ekspertem w zakresie AI. Pracuje również jako adiunkt na Uniwersytecie w Southampton, gdzie wykłada marketing data science. Iain został uznany przez DataIQ za jednego ze 100 najbardziej wpływowych ludzi w branży data science. Z kolei Onalytica wybrała go do grona 50 najlepszych influencerów zajmujących się sztuczną inteligencją.

Jaką ścieżką trafiłeś na stanowisko pracy dotyczące data science?

Zabawne, że nigdy tak naprawdę nie planowałem, aby zostać analitykiem. Zawsze kochałem matematykę i ciekawiło mnie wyjaśnianie, dlaczego coś jest takie, jakie jest. To skłoniło mnie do zajęcia się na uniwersytecie statystyką stosowaną, potem skończyłem studia podyplomowe dotyczące wykorzystania statystyki w biznesie. Dalej był doktorat. Ale wtedy jeszcze nikt nie mówił o data science, ten termin po prostu nie istniał. Chciałem pracować w biznesie i wykorzystywać tam analitykę, żeby lepiej rozumieć, jak usprawniać działania. Zatem można powiedzieć, że zostałem data scientistem - z przypadku.

Jakie dostrzegasz główne trendy w rozwoju analityki?

Dziedzina analityki danych jest w procesie ciągłej zmiany, nowe trendy widać każdego dnia. Mają potencjał kształtowania przyszłości analityki i przynoszą znaczące postępy. Na uwagę zasługuje rosnące wykorzystanie chmury obliczeniowej i zaawansowanych modeli językowych, takich jak ChatGPT czy Bard. Warto też zwracać uwagę na coraz większą popularność przetwarzania danych w czasie rzeczywistym, analitykę strumieniową, wzrost znaczenia uczenia maszynowego i sztucznej inteligencji. Do tej listy trzeba dodać jeszcze chmurę hybrydową i multi-cloud. Wymienione trendy przekształcają krajobraz analityki danych, napędzając branżę i umożliwiając organizacjom czerpanie większej wartości z danych. Myślę, że analityka ma przed sobą ciekawą przyszłość z wieloma ekscytującymi przełomami na horyzoncie.

Skoro wspomniałeś o ChacieGPT — jak nowoczesne rozwiązania, które korzystają z AI, zmieniają data science?

Wpływ sztucznej inteligencji na tę dziedzinę jest ogromny. AI zrewolucjonizowała sposób przeprowadzania analizy danych, automatyzując i podnosząc poziom wielu procesów. Implementacja algorytmów otworzyła nowe perspektywy w analityce, umożliwiając szybką i precyzyjną identyfikację wzorców i zależności w danych. Algorytmy pozwalają również data scientistom budować trafne prognozy i podejmować decyzje na podstawie danych, co prowadzi do rozwoju kolejnych nowoczesnych rozwiązań. Te z kolei przynoszą głębsze spostrzeżenia i umożliwiają poprawianie wyników biznesowych oraz wyznaczają nową erę w dziedzinie nauki o danych. Podsumowując, wpływ AI na analitykę ma charakter transformacyjny.

Jak, w oparciu o twoje profesjonalne doświadczenie, zmieniło się na przestrzeni lat wykorzystanie data science w biznesie?

Pracuję na aktualnym stanowisku od ponad 11 lat. Kiedy zaczynałem, tłumaczenie firmom korzyści płynących z podejmowania decyzji na podstawie danych w porównaniu z kierowaniem się tradycyjnym wyczuciem — było nie lada wyzwaniem. Nie istniała powszechna akceptacja dla używania danych do podejmowania decyzji, menadżerowie woleli czerpać z osobistego doświadczenia i wiedzy. Dziś większość organizacji docenia wartość danych i chce je wykorzystywać jeszcze lepiej. Ale nawet teraz istnieją ogromne, ciągle niezagospodarowane przestrzenie. 70-80 proc. informacji w firmach ma nieustrukturyzowaną formę (teksty, rozmowy lub obrazy) i nadal się ich nie używa. Większość mojej pracy polega na szukaniu nowych możliwości przetworzenia danych, aby mieć z nich więcej korzyści. Punkt ciężkości przesunął się w ostatnim czasie z pytania “dlaczego powinniśmy to zrobić?” na “co jeszcze możemy zrobić z danymi?”.

Jakie są najbardziej skuteczne metody i narzędzia, które pozwalają wydobyć z danych więcej?

Jako Head of Data Science w SAS-ie, który jest liderem rynku, jeśli chodzi dostarczanie przedsiębiorstwom nowoczesnych rozwiązań opartych na AI, mam przywilej uczestniczenia w “rewolucji” w dziedzinie analityki. Mamy dziś wiele wyrafinowanych metod i narzędzi, które pozwalają wydobyć maksymalną wartość z danych. Od chmury obliczeniowej i technologii big data, po przetwarzanie danych w czasie rzeczywistym i analitykę strumieniową — opcji jest mnóstwo. Uczenie maszynowe i sztuczna inteligencja całkowicie zmieniły analitykę, umożliwiając organizacjom wgląd w swoje dane, taki, jaki wcześniej był nieosiągalny. Rozwiązania oparte na modelu multi-cloud i chmurze hybrydowej również zdobyły znaczną popularność i pozwoliły organizacjom na optymalizację strategii poprzez wykorzystanie najlepszych rozwiązań. Obecny krajobraz analityki danych oznacza wielkie możliwości z bogactwem skutecznych metod i narzędzi. A to wszystko daje szansę odblokowania pełnego potencjału danych oraz napędzania wyników biznesowych.

A z którego projektu data science jesteś najbardziej dumny w swojej dotychczasowej karierze?

Bardzo dużo satysfakcji dała mi współpraca z internetową firmą z branży e-commerce. Pomagałem jej w zrozumieniu wzorców i zachowań klientów oraz w tworzeniu w czasie rzeczywistym dokładnych, spersonalizowanych rekomendacji. Praca nad tym projektem była niesamowicie satysfakcjonująca i wniosła dużą wartość biznesową. Ale jeszcze bardziej jestem dumny z pracy, jaką mój zespół wykonał w ramach projektów Data4Good, gdzie wykorzystywaliśmy wizję komputerową w kontekście leczenia nerek w ramach National Health Service (brytyjski odpowiednik polskiego NFZ-u — red.). Używaliśmy także AI do wsparcia leczenia matek i dzieci przez wczesne diagnozowanie tzw. stanu przedrzucawkowego (inaczej: zatrucie ciążowe — red.). To wielka przyjemność móc angażować się w działania organizacji, która jest tak ważna społecznie. Współpraca z NHS wykraczała poza wartość biznesową w kierunku wartości, które są ważne pod kątem rozwiązywania krytycznych problemów społecznych.

Mówiłeś o swoich pierwszych krokach w data science. A jak dziś wygląda w Wielkiej Brytanii i innych krajach europejskich edukacja w tym zakresie?

Ostatnie lata to niezwykły wzrost inwestycji w edukację obejmującą data science. Pojawiło się wiele dobrych kursów, które uzupełniają braki w umiejętnościach. Każdy z nich oferuje zróżnicowany program nauczania uwzględniający różne dyscypliny, takie jak statystyka, programowanie, uczenie maszynowe i wizualizacja danych. Jednak przy takiej liczbie dostępnych opcji, trzeba uważnie porównywać propozycje, żeby wybrać najlepiej dopasowany program. Standard edukacji w poszczególnych instytucjach może się znacznie różnić, co wyraźnie wpływa na jakość nauki. Zatem etapowi porównania kursów na poszczególnych uczelniach warto poświęcić czas.

Spodziewasz się, że branża analityczna przyniesie nam w najbliższym czasie nowe specjalizacje?

Tak, sfera data science stale rozwija się, na horyzoncie pojawiają się nowe, ciekawe obszary. Duży potencjał ma analityka w czasie rzeczywistym i metody predykcyjne wykorzystywane np. do zapobiegania awariom urządzeń, jak również autonomiczne podejmowanie decyzji. Śledzenie postępów na tych polach ma kluczowe znaczenie dla analityków, ponieważ, jeśli będą na bieżąco, zyskają szansę uprzedzenia krzywej zmian i utrzymania swojej konkurencyjności w dziedzinie, która bardzo szybko się zmienia. W związku z tym, specjaliści muszą być nastawieni na ciągłe poszerzanie umiejętności i wiedzy, aby wyprzedzać wydarzenia na dynamicznej arenie data science.