Sige, mga baraha na ang nasa mesa - lumalabas ang tanong na ito kahit saan. Sa mga tech meetup, sa mga coffee break sa trabaho, at oo, kahit sa mga mahahabang thread sa LinkedIn ay walang umaamin na nagbabasa. Medyo prangka ang pag-aalala: kung kaya ng AI na hawakan ang napakaraming automation, ginagawa ba nitong parang… disposable na lang ang data science? Mabilis na sagot: hindi. Mas mahabang sagot? Ito ay kumplikado, magulo, at mas kawili-wili kaysa sa isang patag na "oo" o "hindi."
Mga artikulong maaaring gusto mong basahin pagkatapos nito:
🔗 Agham ng datos at artipisyal na katalinuhan: Ang kinabukasan ng inobasyon
Paggalugad kung paano hinuhubog ng AI at data science ang tanawin ng inobasyon sa hinaharap.
🔗 Papalitan ba ng AI ang mga data analyst: Totoong usapan
Pag-unawa sa epekto ng AI sa mga tungkulin at pangangailangan ng industriya bilang isang data analyst.
🔗 Pamamahala ng datos para sa mga tool ng AI na dapat mong tingnan
Mga pangunahing kasanayan sa pamamahala ng datos upang mapakinabangan nang husto ang potensyal ng mga kagamitang AI.
Ano nga ba ang Tunay na Nagpapahalaga sa Data Science 🎯
Narito ang bagay - ang data science ay hindi lamang matematika kasama ang mga modelo. Ang nagpapalakas dito ay ang kakaibang kombinasyon ng statistical precision, konteksto ng negosyo, at kaunting malikhaing paglutas ng problema . Kayang kalkulahin ng AI ang sampung libong probabilidad sa isang kisapmata, oo. Ngunit maaari ba nitong magpasya kung aling problema ang mahalaga para sa kita ng isang kumpanya? O ipaliwanag kung paano nauugnay ang problemang iyon sa estratehiya at pag-uugali ng customer? Doon pumapasok ang mga tao.
Sa kaibuturan nito, ang data science ay parang isang tagasalin. Kinukuha nito ang mga hilaw na kalat - mga pangit na spreadsheet, log, survey na walang katuturan - at ginagawa itong mga desisyon na maaaring aksyunan ng mga ordinaryong tao. Alisin ang translation layer na iyan at ang AI ay kadalasang nagbubuga ng mga walang kabuluhang bagay. Matagal nang sinasabi ito ng HBR: ang sikretong solusyon ay hindi ang mga sukatan ng katumpakan, kundi ang panghihikayat at konteksto [2].
Pagsusuri sa katotohanan: iminumungkahi ng mga pag-aaral na kayang i-automate ng AI ang maraming gawain sa loob ng isang trabaho - minsan ay higit pa sa kalahati . Ngunit ang pag-scope sa trabaho, paggawa ng mga desisyon, at pag-align sa magulong bagay na tinatawag na "isang organisasyon"? Nasa teritoryo pa rin ng tao [1].
Mabilisang Paghahambing: Data Science vs. AI
Hindi perpekto ang talahanayan na ito, ngunit itinatampok nito ang iba't ibang papel na ginagampanan nila:
| Tampok / Anggulo | Agham ng Datos 👩🔬 | Artipisyal na Katalinuhan 🤖 | Bakit Ito Mahalaga |
|---|---|---|---|
| Pangunahing Pokus | Pananaw at paggawa ng desisyon | Awtomasyon at prediksyon | Binabalangkas ng agham ng datos ang "ano" at "bakit" |
| Karaniwang mga Gumagamit | Mga analyst, strategist, mga pangkat ng negosyo | Mga inhinyero, mga pangkat ng operasyon, mga software app | Iba't ibang madla, magkakapatong na pangangailangan |
| Salik sa Gastos 💸 | Mga suweldo at kagamitan (maaaring hulaan) | Cloud compute (pabagu-bago sa laki) | Maaaring magmukhang mas mura ang AI hanggang sa tumaas ang paggamit nito |
| Lakas | Konteksto + pagkukuwento | Bilis + kakayahang sumukat | Magkasama, sila ay symbiotic |
| Kahinaan | Mabagal para sa mga paulit-ulit na gawain | Mga pakikibaka sa kalabuan | Kung bakit ayaw patayin ng isa ang isa pa |
Ang Mito ng "Ganap na Pagpapalit" 🚫
Maganda pakinggan isipin na nilalamon ng AI ang bawat trabaho sa data, ngunit iyon ay nakabatay sa maling palagay - na ang buong halaga ng agham ng data ay teknikal. Karamihan sa mga ito ay talagang interpretative, political, at communicational .
-
Walang ehekutibo ang nagsasabing, “Pakibigyan ako ng modelo na may 94% na katumpakan.”
-
Sabi nila, “Dapat ba tayong lumawak sa bagong merkado na ito, oo o hindi?”
Kayang makabuo ng forecast ang AI. Ang hindi nito isasama: mga problema sa regulasyon, mga kultural na aspeto, o ang risk appetite ng CEO. Ang pagsusuring nagiging aksyon ay isang laro pa rin ng tao , puno ng mga trade-off at panghihikayat [2].
Kung saan Binabago na ng AI ang mga Bagay 💥
Maging tapat tayo - may mga bahagi ng agham ng datos na kinakain na ng AI nang buhay:
-
Paglilinis at paghahanda ng datos → Natutukoy ng mga awtomatikong pagsusuri ang mga nawawalang halaga, mga anomalya, at mas mabilis na naaanod kaysa sa mga taong nagpapakahirap sa paggamit ng Excel.
-
Pagpili at pag-tune ng modelo → ng AutoML ang mga pagpipilian sa algorithm at hinahawakan ang mga hyperparameter, na nakakatipid ng ilang linggong pag-aayos [5].
-
Visualization at pag-uulat → Maaari na ngayong mag-draft ng mga dashboard o buod ng teksto ang mga tool mula sa iisang prompt.
Sino ang higit na nakakaramdam nito? Ang mga taong ang trabaho ay umiikot sa paulit-ulit na pagbuo ng tsart o pangunahing pagmomodelo. Ang solusyon? Umakyat sa mas mataas na antas ng value chain: magtanong ng mas matatalas na tanong, magsalaysay ng mas malinaw na mga kuwento, at magbigay ng mas mahuhusay na rekomendasyon.
Mabilisang snapshot ng kaso: isang retailer ang sumusubok sa AutoML para sa churn. Naglabas ito ng isang matibay na baseline model. Ngunit ang malaking panalo ay darating kapag binago ng data scientist ang gawain: sa halip na "Sino ang mag-churn?", ito ay nagiging "Aling mga interbensyon ang aktwal na nagpapataas ng net margin ayon sa segment?" Ang pagbabagong iyon - kasama ang pakikipagsosyo sa pananalapi upang magtakda ng mga limitasyon - ang siyang nagtutulak ng halaga. Pinapabilis ng automation ang mga bagay-bagay, ngunit binubuksan ng framing ang resulta.
Ang Papel ng mga Data Scientist ay Nagbabago 🔄
Sa halip na kumukupas, ang trabaho ay nagbabago sa mga bagong hugis:
-
Mga tagasalin ng AI - ginagawang madaling maunawaan ng mga lider na nagmamalasakit sa pera at panganib ng tatak ang mga teknikal na output.
-
Mga nangunguna sa pamamahala at etika - pag-set up ng bias testing, monitoring, at mga kontrol na nakahanay sa mga pamantayan tulad ng AI RMF ng NIST [3].
-
Mga product strategist - pinagsasama ang data at AI sa mga karanasan ng customer at mga roadmap ng produkto.
Ironiko na habang ang AI ay kumukuha ng mas maraming teknikal na gawain, ang mga kasanayang pantao - pagkukuwento, paghatol sa larangan, kritikal na pag-iisip - ay nagiging mga bahaging hindi mo madaling mapapalitan.
Ang Sinasabi ng mga Eksperto at Datos 🗣️
-
Totoo ang automation, ngunit bahagya lamang : Kayang i-automate ng kasalukuyang AI ang maraming gawain sa loob ng maraming trabaho, ngunit kadalasan ay pinapalaya nito ang mga tao na lumipat patungo sa mas mataas na halagang trabaho [1].
-
Ang mga desisyon ay nangangailangan ng mga tao : Itinuturo ng HBR na ang mga organisasyon ay hindi gumagalaw dahil sa mga hilaw na numero - gumagalaw ang mga ito dahil ang mga kuwento at salaysay ay nagpapakilos sa mga pinuno [2].
-
Epekto sa trabaho ≠ malawakang pagtanggal sa trabaho : Ipinapakita ng datos ng WEF na inaasahan ng mga kumpanya na magbabago ang AI ng mga tungkulin at babawasan ang mga tauhan kung saan ang mga gawain ay lubos na awtomatiko, ngunit dinoble rin nila ang reskilling [4]. Ang pattern ay mas mukhang muling pagdisenyo kaysa sa pagpapalit.
Bakit Nananatili ang Takot 😟
Ang mga headline ng media ay umuusbong dahil sa tadhana. Ang "AI na pumapalit sa mga trabaho!" ay mabibili. Ngunit ang mga seryosong pag-aaral ay palaging nagpapakita ng kakaibang aspeto: automation ng gawain, muling pagdisenyo ng daloy ng trabaho, at paglikha ng bagong tungkulin [1][4]. Gumagana ang isang analohiya ng calculator: wala nang gumagawa ng long division gamit ang kamay ngayon, ngunit kailangan mo pa ring maunawaan ang algebra para malaman kung kailan gagamitin ang calculator.
Pananatiling May Kaugnayan: Isang Praktikal na Playbook 🧰
-
Magsimula sa desisyon. Iugnay ang iyong trabaho sa usapin ng negosyo at sa kapalit ng pagkakamali.
-
Hayaan mong ang AI ang magbalangkas, ikaw ang magpino. Ituring ang mga output nito bilang panimulang punto - magdadala ka ng paghuhusga at konteksto.
-
Isama ang pamamahala sa iyong daloy. Magaan na pagsusuri ng bias, pagsubaybay, at dokumentasyon na nakatali sa mga balangkas tulad ng sa NIST [3].
-
Lumipat patungo sa estratehiya at komunikasyon. Kung mas kaunti ang iyong pagkakatali sa "pagpindot ng buton," mas mahirap kang i-automate palayo.
-
Kilalanin ang iyong AutoML. Isipin mo itong isang mahusay ngunit pabaya na intern: mabilis, walang kapaguran, minsan ay napakasama. Ikaw ang nagsisilbing bantay [5].
Kaya… Papalitan ba ng AI ang Data Science? ✅❌
Ang prangkang sagot: Hindi, pero babaguhin nito ang hugis nito . Muling isinusulat ng AI ang toolkit - binabawasan ang mga simpleng gawain, pinapalakas ang saklaw, at binabago kung aling mga kasanayan ang pinakamahalaga. Ang hindi nito inaalis ay ang pangangailangan para sa interpretasyon, pagkamalikhain, at paghatol ng tao . Kung mayroon man, ang magagaling na data scientist ay mas mahalaga bilang mga interpreter ng patuloy na pagiging kumplikado ng mga output.
Konklusyon: Pinapalitan ng AI ang mga gawain, hindi ang propesyon [1][2][4].
Mga Sanggunian
[1] McKinsey & Company - Ang potensyal na pang-ekonomiya ng generative AI: Ang susunod na hangganan ng produktibidad (Hunyo 2023).
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
[2] Harvard Business Review - Data Science at ang Sining ng Panghihikayat (Scott Berinato, Enero–Pebrero 2019).
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion
[3] NIST - Balangkas ng Pamamahala ng Panganib ng Artipisyal na Katalinuhan (AI RMF 1.0) (2023).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf
[4] World Economic Forum - Isinasara ba ng AI ang pinto sa mga oportunidad sa trabaho para sa mga nagsisimula pa lamang? (Abril 30, 2025) - mga pananaw mula sa Future of Jobs 2025.
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/
[5] He, X. et al. - AutoML: Isang Survey ng Makabagong Sining (arXiv, 2019).
https://arxiv.org/abs/1908.00709