Recentemente realicei unha clase sobre o uso da ciencia de datos para a ciberseguridade, centrándose na análise de datos de captura de paquetes, un tema algo técnico e tradicionalmente seco. O enfoque que compartín partiu da miña experiencia en ciberseguridade nas institucións financeiras, abarcando pasos fundamentais como a análise exploratoria de datos, o preprocesamento e transformación de datos de rexistro e a identificación de anomalías mediante unha combinación de agrupación e análise de redes gráficas. Un aspecto sorprendente foi o tempo que pasei preparándome para esta sesión, unha fracción do que normalmente investiría. A IA xogou un papel importante na racionalización do proceso. Usei a Claude para axudar a codificar, desenvolver o esquema e mesmo crear as diapositivas. En total, todo o curso estivo listo en 48 horas. A sesión resultou atractiva. Os participantes, principalmente CISO que normalmente non codifican, atoparon que os exercicios, elaborados coa axuda da IA, eran intuitivos e prácticos. O meu obxectivo era mergullos en traballar directamente con datos e código. Apreciaron especialmente a oportunidade de explorar manualmente o que adoitan automatizar as plataformas SIEM e a vixilancia cibernética moderna, obtendo información sobre os procesos que suceden "baixo o capó". A miña conclusión clave da clase foi sorprendentemente contraintuitiva: . Esta visión pode parecer prematura, ou quizais antes do seu tempo, pero é unha perspectiva que merece unha discusión. a ciencia de datos, tal e como a coñecemos, acabará por ser substituída pola IA Aviso: algúns destes poden provocar a xente. A sensualidade é equipaxe Durante máis dunha década, a ciencia de datos celebrouse como o "traballo máis sexy do século XXI". Con todo, a medida que a IA avanza rapidamente, está quedando claro que os desafíos subxacentes do campo son máis difíciles de pasar por alto. A chegada da poderosa IA xerativa podería ser o punto de inflexión para unha disciplina que, en retrospectiva, puido estar definida e exagerada de forma máis vaga do que se recoñeceu inicialmente. Na súa esencia, a ciencia de datos combina informática, estatística e perspicacia empresarial, ofrecendo ás organizacións a promesa de información útil a partir de grandes cantidades de datos. Este conxunto de habilidades é innegablemente valioso no mundo actual baseado en datos. Non obstante, baixo a súa imaxe pulida, o campo enfróntase a importantes problemas. O que adoita ser etiquetado como ciencia de datos con frecuencia resulta ser un mosaico de tarefas pouco relacionadas que non sempre se aliñan perfectamente, e moitos profesionais do campo loitan coa amplitude e complexidade total que esixe a disciplina. O auxe das ferramentas impulsadas pola IA capaces de manexar a análise de datos, a modelización e a xeración de información podería forzar un cambio na forma en que vemos o papel e o futuro da propia ciencia de datos. A medida que a IA segue simplificando e automatizando moitas das tarefas fundamentais da ciencia de datos, o campo pode enfrontarse a un cálculo do que realmente significa ser un científico de datos na era da automatización intelixente. Os Cracks Moitos científicos de datos, a pesar de manexar habilidades de codificación sofisticadas e ferramentas dixitais, realizan un traballo sorprendentemente . A preparación, limpeza e análise dos datos implican tarefas tediosas e lentoas que son repetitivas e mecánicas. De feito, unha cantidade significativa de traballo de ciencia de datos indícase na preparación de conxuntos de datos, unha tarefa que moitas veces parece máis pesada que a ciencia emocionante e impulsada polo descubrimento que se fai. A este problema súmase o feito de que moitos dos que entran no campo son, no mellor dos casos, afeccionados. Tras realizar algúns cursos en liña en Python ou R, estes "científicos de datos" adoitan . A ciencia de datos non é só codificación. Implica unha análise profunda, comprensión contextual e a capacidade de presentar ideas a públicos non técnicos. En realidade, é máis un traballo de investigación, que require unha mestura de creatividade e pensamento analítico que moitos no campo simplemente non posúen. manual e propenso a erros non estar preparados para os rigores do papel Ademais, moitos científicos de datos desenvolveron un sentido de dereito, só en virtude do seu título. Esta actitude está a apagar as empresas, sobre todo nos sectores onde a eficiencia en custos é primordial. Coñecín empresas que antes se apresuraron a contratar científicos de datos, pero que agora están reconsiderando. Por que pagar salarios altos a alguén que pasa a maior parte do tempo loitando coa limpeza de datos, cando a IA pode facelo máis rápido, mellor e cunha fracción do custo? esperando altos soldos e paquetes lucrativos AI Quen? Como experimentei persoalmente escribindo a clase, a IA xerativa converteuse nunha poderosa forza nas áreas onde a ciencia de datos é máis débil. Tarefas como a preparación de datos, a limpeza e incluso a análise cualitativa básica (actividades que consumen gran parte do tempo dun científico de datos) agora son facilmente . O que é peor (ou mellor, dependendo de onde te atopes) é que a IA é máis rápida, máis precisa e menos propensa a erros humanos ou a fatiga. automatizadas polos sistemas de IA Para moitos científicos de datos, isto pode ser aterrador. Despois de todo, estas tarefas representan a maior parte do seu traballo diario. A limpeza de datos, por exemplo, é notoriamente lenta e propensa a cometer erros, pero a IA agora pode facelo cuns poucos clics e unha precisión case perfecta. Os científicos de datos adoitan queixarse destas tarefas gruñidas, pero son fundamentais para as súas funcións. A medida que melloran os sistemas de IA, a necesidade de que os humanos fagan estes traballos diminúe. Non é de estrañar que gran parte das críticas vocales contra a IA . Ven a escrita na parede e temen polos seus traballos. procedan dos propios científicos de datos A Mesquiña Para empeorar as cousas para os científicos de datos, o campo non fixo avances significativos nos últimos anos. A pesar do seu aumento meteórico en popularidade, a ciencia de datos aínda está plagada de ineficiencias, erros e . Antes críase que ferramentas máis sofisticadas e unha mellor formación farían evolucionar o campo, pero isto non se materializou na medida en que se esperaba. Pola contra, a IA mellorou constantemente. Os algoritmos de aprendizaxe automática, o procesamento da linguaxe natural e os modelos xerativos están a evolucionar rapidamente, deixando a ciencia de datos tradicional no po. falta de claridade sobre o que debería implicar exactamente De novo, as altas expectativas salariais dos científicos de datos . As empresas que antes toleraron ineficiencias agora están a entender que a intelixencia artificial pode substituír gran parte do traballo duro sen o alto prezo asociado ao traballo humano. Coa IA cada vez máis hábil para como análises, previsións e mesmo presentacións, a natureza manual da ciencia de datos é cada vez máis redundante. Moitas empresas daranse conta de que o que antes requiría un equipo de científicos de datos agora pode ser xestionado de forma máis eficiente mediante ferramentas impulsadas por IA. agravan o problema realizar tarefas clave A Quenda A realidade é que a ciencia de datos, como se define tradicionalmente, está ao bordo da obsolescencia. Coa IA xerativa avanzando a un ritmo sorprendente, a demanda de . Isto non implica que os humanos non teñan ningún papel na toma de decisións baseada en datos, pero o clásico papel de "científico de datos" pode ser pronto un concepto do pasado. O que se necesita agora son profesionais cualificados para colaborar coa IA, aproveitando as súas capacidades ao tempo que se concentran no pensamento estratéxico e na resolución de problemas complexos a un nivel superior. científicos de datos humanos na súa forma actual probablemente diminuirá . O campo actual da ciencia de datos corre o risco de quedar obsoleto se non evoluciona ao paso. A IA xa está revolucionando as industrias e a ciencia de datos debe adaptarse ou correr o risco de ser superada por esta onda. En última instancia, a pregunta pode non ser se a IA eliminará a ciencia de datos senón se a ciencia de datos cumpriu plenamente as súas promesas. A IA non é o fin das análises, das ideas ou da toma de decisións, senón que representa a súa evolución Ou quizais a distinción nin sequera importa se finalmente nos movemos máis alá do bombo da "ciencia de datos" e adoptamos a IA como a seguinte progresión lóxica. Sobre min: máis de 25 anos de veterano en TI que combina datos, IA, xestión de riscos, estratexia e educación. 4 veces gañador do hackathon e impacto social do defensor dos datos. Actualmente traballando para impulsar a forza laboral de IA en Filipinas. Máis información sobre min aquí: https://docligot.com
