IA et science des données : les deux faces d'une même médaille

L'IA et la science des données sont les sujets tendances et transformateurs connus dans le domaine de l'informatique et de l'ingénierie. La demande d'experts en IA et en science des données ne cesse de croître dans les domaines de la santé, de la finance, du marketing, de l'éducation et d'autres domaines interdisciplinaires.

L'intelligence artificielle (IA) et la science des données sont deux domaines en croissance rapide qui transforment diverses industries. Les deux domaines impliquent de travailler avec de grandes quantités de données, mais leurs objectifs et leurs approches diffèrent. Dans cet article, nous explorerons les bases de l'IA et de la science des données, en mettant en évidence leurs similitudes, leurs différences et leurs interrelations du point de vue de l'expertise et des profils d'emploi.

Le terme « IA » a été inventé en 1956 et englobe un large éventail de techniques visant à simuler l'intelligence humaine dans des machines. La création de systèmes d’IA nécessite d’identifier, d’acquérir, de stocker et de traiter de grandes quantités de connaissances. D'autre part, le terme « Data Science » est apparu à la fin du 20e siècle et implique la création de modèles et de techniques permettant d'extraire des informations précieuses à partir de grands ensembles de données. Les Data Scientists exploitent l'analyse statistique, les tests d'hypothèses et l'identification de modèles pour comprendre la science derrière les systèmes complexes avant d'appliquer des outils statistiques et d'apprentissage automatique.

Les statisticiens utilisent depuis longtemps des algorithmes d'apprentissage automatique tels que la régression, la classification et le clustering pour l'analyse prédictive dans des domaines tels que la météo, le marché, la santé et les affaires. Cependant, les données limitées et la puissance de calcul disponible à l’époque limitaient la portée de ces analyses. Ces dernières années, l'essor des données numériques et des capacités de calcul haute performance (par exemple, processeurs multicœurs, GPU et vaste RAM) a permis aux data scientists de créer des systèmes prédictifs et décisifs plus rapides, plus fiables et plus précis en utilisant des machines avancées. modèles d'apprentissage.

La disponibilité des données numériques, la puissance de calcul élevée et les performances impressionnantes des modèles d'apprentissage automatique sur le Big Data ont inspiré les développeurs d'IA à créer des modèles d'apprentissage dans lesquels ils n'ont pas besoin d'identifier explicitement des modèles, de former des règles ou de gérer des ambiguïtés et connaissance contextuelle. Au lieu de cela, le système apprend tout seul grâce à des modèles d’apprentissage automatique formés sur de grands ensembles de données. Cette analogie d'auto-apprentissage est souvent comparée à la façon dont les jeunes enfants apprennent en observant et en écoutant des modèles répétés.

En revanche, les Data Scientists formulent des hypothèses, collectent, organisent et structurent les données à des fins d'analyse, et développent des algorithmes et des modèles pour répondre aux requêtes de la haute direction et aider l'organisation à prendre des décisions éclairées. Les développeurs de systèmes d’IA et les Data Scientists contribuent à la création de systèmes intelligents ou à l’extraction d’informations intégrées dans de grands ensembles de données, comblant ainsi le fossé entre les deux domaines.

De mon point de vue, les outils et techniques utilisés en Data Science soutiennent le développement de systèmes d'IA, tandis que ces systèmes d'IA, à leur tour, aident la Data Science à prendre des décisions. Cependant, l'implication humaine reste cruciale dans les deux domaines en raison de nos capacités de pensée critique, de notre innovation et de notre passion pour atteindre les objectifs souhaités.

La demande de professionnels qualifiés en IA et en science des données est évidente sur le marché du travail. Toutes les grandes entreprises, telles que Microsoft, Google, Amazon, Apple, Nvidia, Uber et Cruise, ainsi que les nouvelles entreprises comme Numerator, Databricks, Unified, Teradata, Algorithmia, etc., disposent d'équipes de science des données grandes ou petites en fonction de la taille de l’organisation. La plupart des grandes entreprises ont également des emplois en IA, notamment chef de produit IA, éthicien en IA, ingénieur en robotique, consultant en IA, etc. Dans de nombreuses entreprises, ces équipes travaillent en étroite collaboration pour construire un système complet.

Par exemple, les entreprises développant des voitures sans conducteur emploient une équipe d'experts en IA qui conçoivent et mettent en œuvre des systèmes d'intelligence artificielle qui permettent aux voitures de percevoir, de comprendre et de naviguer de manière indépendante dans leur environnement. De plus, ils disposent d'une équipe de Data Scientists qui affinent et analysent les données collectées par les capteurs à l'aide de modèles d'apprentissage automatique, garantissant ainsi la sécurité et la fiabilité de l'ensemble du système.

Tout au long de ma carrière, j'ai eu l'opportunité de travailler sur plusieurs projets d'IA, dont un système de traduction automatique. En 1994, à l'IIT Kanpur, nous avons travaillé sur un projet appelé système AnglaBharti, qui visait à traduire de l'anglais vers l'hindi. Ce système basé sur des règles impliquait la création d'un dictionnaire anglais-hindi à partir de zéro, la formation de règles pour analyser les phrases anglaises en phrases (par exemple, phrase nominale, phrase verbale, phrase préparatoire), la conversion de la structure analysée en fonction de la langue hindi, puis générer la version hindi de la phrase.

Um all diese Module zu entwickeln, hatten wir ein Team bestehend aus Hindi- und Englisch-Sprachexperten, Dateneingabeoperatoren, KI-Experten, Programmierern mit Kenntnissen in KI-Sprachen, erfahrenen Akademikern und KI-Forschern. Das ursprüngliche Ziel bestand darin, ein allgemeines Übersetzungssystem vom Englischen ins Hindi zu entwickeln, aber letztendlich konnten wir nur ein funktionsfähiges System für den medizinischen Bereich erstellen.

Aber nach 2010 konnten Forscher mithilfe von LLMs hochwertige Übersetzungssysteme entwickeln, ohne die Feinheiten der Sprachen oder den Übersetzungsprozess im Detail verstehen zu müssen.

Da sich KI auf das Lernen konzentriert und Data Science darauf abzielt, Wissen aus vorhandenen Daten zu extrahieren, können wir daraus schließen, dass KI und Data Science zwei unterschiedliche Zweige sind, dennoch scheinen sie zwei Seiten derselben Medaille zu sein.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!