Egyre több helyen olvasni, hogy az adatelemzés mint szakma leáldozóban van: az AI elveszi a munkát, a belépő pozíciók eltűnnek, a data scientist-ből “csak” elemző lesz, a gépi tanulást meg átveszik a mérnökök.

És ez nem csak ijesztgetés. Nyiss meg egy ingyenes AI-eszközt, tölts fel egy táblázatot, és másodpercek alatt kapsz egy kész elemzést grafikonokkal, olyat, amiért tavaly még egy junior elemzőt fizettek. Egy induló adatelemző pozícióra pedig tömegével érkeznek a jelentkezők, sokan ugyanazzal az alaptudással a hátuk mögött.

A kézenfekvő reakció: akkor tanuld meg gyorsan a legdivatosabb eszközt, vagy ugorj rögtön a “menőbb” data science és gépi tanulás irányba és meg is vagy.

Csakhogy a probléma ennél mélyebb. A szoftver fél év múlva úgyis másik lesz, a belépő szint épp a felszínes eszköztudástól telített, az AI pedig pont a mechanikus részt viszi el. Vagyis abban versenyzel a géppel, amiben a gép verhetetlen.

Van akkor még értelme egyáltalán belevágni? A válasz nem fekete-fehér, de van egy pont, ahol az ember tartósan a gép fölé kerülhet.

Ha végigolvasod, pontosan látni fogod, hol van ez a pont, mi az, amit a gép nem vesz el, és ha most kezdenéd, mivel érdemes indulnod.

Mi változott valójában?

Nem a kereslet tűnt el, hanem a szerepek váltak szét.

Korábban egy “adatos” embertől elvárták, hogy mindenhez értsen egy kicsit: lekérdezzen, riportot készítsen, modellt építsen, és el is magyarázza az eredményt. Ma ez három különböző irány:

• az adatelemző (data analyst) az adatból üzleti választ ad: lekérdez, vizualizál, riportol;
• a data scientist mélyebb statisztikai és modellezési kérdésekkel foglalkozik;
• a machine learning engineer a kész modelleket viszi élesbe és tartja karban.

Ami telített, az a belépő szint: sokan ugyanazzal az alaptudással rendelkeznek.

Az alapokra persze továbbra is szükség van, ma már viszont önmagukban kevesek, mert feljebb kerültek az elvárások.

Ami igazán keresett, az a következő szint, ahol valaki az eszközök ismerete mellé a mélyebb értést és a gyakorlati rálátást is hozza.

A léc tehát nem tűnt el, hanem feljebb került. És pont ez a jó hír annak, aki nem áll meg az alapoknál, hanem épít rájuk.

“De az AI úgyis megírja a kódot és lefuttatja a modellt.”

Részben igaz, és pont ezért is egyszerűbb feladatoknál nem is annyira a kód a lényeg. A nehéz rész nem az, hogy lefusson egy elemzés, hanem hogy a megfelelő kérdést tedd fel, a megfelelő adaton, és helyesen értelmezd, mi jött ki.

A gép örömmel kiszámol neked egy összefüggést akkor is, ha az adat torzított, a minta nem reprezentatív, vagy a két dolog között valójában nincs ok-okozati kapcsolat.

Magabiztosan ad rossz választ. Valakinek viszont észre kell vennie, hogy az rossz és pont az AI miatt nő a te felelősséged is.

Ha egy eszköz másodpercek alatt kiad egy számot vagy egy grafikont, akkor az dönt, aki meg tudja ítélni, hogy az a szám igaz-e.

Aki nem érti a mintavételt, a hipotézisvizsgálat logikáját vagy a korreláció és az okság különbségét, az nem tudja ellenőrizni a gépet, csak elhiszi neki.

Aki érti, az fel tud tenni egy kérdést, amitől az egész elemzés összedől, vagy épp megerősödik.

És van egy harmadik réteg, ami szintén fontos: a kommunikáció.

Egy jó elemző nemcsak kiszámol valamit, hanem el is tudja mondani egy döntéshozónak, érthetően, hogy az mit jelent, és mit nem jelent. Ezt a részt az AI nem oldja meg helyetted, mert ehhez érteni kell az üzleti kontextust és a saját elemzésed korlátait is.

Ez a három dolog együtt adja azt a tudást, amit nem automatizál a következő AI modell:

• a helyes kérdés és a pontos értelmezés;
• az eredmény kritikus ellenőrzése;
• és a világos, döntéshozónak szóló kommunikáció.

Ebből kettő a statisztikai gondolkodásra épül.

Mi kell ahhoz, hogy elhelyezkedj az adatok területén?

A legtöbben rossz végén kezdik: rögtön a divatos eszközökre és a programozásra ugranak, pedig az eszköz cserélődik, a gondolkodás marad.

A stabil sorrend nagyjából ez:

1. Statisztikai alap: leíró statisztika, mintavétel, a hipotézisvizsgálat logikája, az összefüggések helyes értelmezése, stb. Ez a közös gyökér minden irányhoz.
2. Innen kétfelé ágazhatsz:
   • Ha az elemzői irány vonz, akkor jön az SQL és egy vizualizációs eszköz, például a Power BI, mert ezekkel adsz üzleti választ az adatból.
   • Ha inkább a modellezés érdekel, akkor a Python és a gépi tanulás (machine learning) felé indulj.

A lényeg, hogy mindkét ág ugyanarra a statisztikai alapra épül. Aki ezt kihagyja, az később mindig visszatér ehhez, mert eszköztudás van, de a megértés hiányzik.

Hol érdemes kezdeni?

Sokan úgy állnak neki, hogy más szakmából jönnek és ingyenes anyagokból próbálják összerakni a tudást.

A baj nem is ezekkel van, hanem azzal, hogy nincs egy logikusan felépített tanulási útvonal és nincs visszajelzés. Sok egymásnak ellentmondó tudásmorzsa és a végén a tanuló sokszor feladja.

Ami igazán sokat segít az a logikusan felépített tanulási útvonal és a visszajelzés: hogy valaki kijavítsa, amit félreértettél, és hogy valódi projekt feladatokon dolgozz, ne csak videókat nézz.

Ráadásul a statisztikai szemlélet programozás nélkül is megtanulható, így előbb a megértés épül fel, és arra jön rá a programozás, ami a legtöbb “adatos szerephez”, mint a data science és a gépi tanulás kifejezetten értékes és keresett tudás.

A kiindulópont egy erős statisztikai alap megszerzéséhez lehet számodra az alkalmazott statisztika a Data Science-ben képzésünk, mely pontosan ezt adja, érthetően, mentorral, lépésről lépésre, előfeltétel és kódolás nélkül.

A képzésről a résztvevők így írnak:

“Nagyon féltem a statisztikától, az egyetemi órákból semmit nem értettem, de Edmondnál minden olyan tiszta.” – Dr. Agora Zsuzsanna

“Több éve vagyok kutató, tanultam újdonságot is!” – Bocskai Gábor

Innen pedig magabiztosan mehetsz tovább akár az elemzői, akár a gépi tanulási irányba.

Úgyhogy igen, megéri belevágni, de nem a hype, hanem a stabil alap miatt.

Az AI nem az elemzőt váltja le, hanem azt, aki csak gombokat nyom és feltétel nélkül elhiszi az eredményt.

Gyakori kérdések