Datu zinātne ir karstāka nekā jebkad. 2023. gadā Eiropas datu analītikas tirgus jau bija milzīgs — aptuveni 75,45 miljardi ASV dolāru, un tiek prognozēts, ka tas sasniegs 219,76 miljardus līdz 2031. gadam (vidējais gada pieauguma temps — 14,3%). Uzņēmumi aktīvi investē analītikā un mākslīgajā intelektā, lai iegūtu konkurences priekšrocības. Šogad vērojams straujš ģeneratīvā MI pieaugums — piemēram, ChatGPT līdz 2023. gada janvārim sasniedza aptuveni 100 miljonus aktīvu lietotāju mēnesī, kļūstot par visstraujāk augošo lietotni vēsturē. Tas norāda uz milzīgu interesi par MI rīkiem.
Tomēr komerciālā MI ieviešana vēl joprojām atrodas attīstības stadijā. Jaunākie dati liecina, ka tikai aptuveni 8% ES uzņēmumu (ar ≥10 darbiniekiem) 2023. gadā izmantoja kādu no MI tehnoloģijām. Vadošās valstis (Dānija, Somija) ziņo par aptuveni 15% lietojumu, bet daudzās citās valstīs šie rādītāji ir ievērojami zemāki. Šī plaisa norāda uz lielu izaugsmes potenciālu, uzņēmumiem turpinot digitalizāciju. Arī pati Eiropas Savienība aktīvi fokusējas uz MI un saistīto pētniecību un izstrādi: 2025. gada ziņojums uzsver ES līderību tādās jomās kā mākslīgais intelekts, digitālie dvīņi un biotehnoloģijas.
Galvenās tendences
- Ģeneratīvais MI un lielie valodas modeļi (LLM): Tekstu un attēlu ģenerējošie modeļi būtiski maina analītiķu darba veidu. GPT tipa rīki palīdz sagatavot atskaites, veikt datu vaicājumus dabiskajā valodā un izveidot modeļu prototipus. Agrīnie šo rīku lietotāji ziņo par ātrāku darba plūsmu un inovatīvām lietojuma iespējām (piemēram, personalizēti ieteikumi, automātiska satura ģenerēšana).
- Automatizētā mašīnmācīšanās (AutoML): Mašīnmācīšanās demokrātizācija nozīmē vairāk rīku automatizētai modeļu izveidei. Platformas, piemēram, Azure ML un Google AutoML, ļauj arī neekspertiem izstrādāt prognozējošus modeļus. Tas paplašina analītikas iespējas arī ārpus datu zinātnes nodaļām un dod iespēju biznesa lietotājiem pašiem izmantot MI rīkus.
- Datu platformas mākonī: Uzņēmumi turpina pārvietot datus uz mākoni, lai veiktu lielapjoma datu analīzi. Par standartu kļūst datu ezera-noliktavu (lakehouse) un pārvaldītu datu noliktavu risinājumi, piemēram, Databricks, Snowflake un BigQuery, kas nodrošina mērogojamu apstrādi. Aug arī reāllaika datu straumēšana (piemēram, Kafka, Flink), kas ļauj iegūt tūlītēju ieskatu datos.
- Atbildīgs MI un pārvaldība: Līdz ar pieaugošu datu izmantošanu pieaug arī regulējums. GDPR ievērošana un topošā ES Mākslīgā intelekta regula (AI Act) liek datu privātumam un ētikai kļūt par prioritāti. Pieaug tendence uz izskaidrojamu MI (explainable AI) un spēcīgu datu pārvaldību, lai veidotu uzticēšanos.
- Perifērā analītika un IoT dati: Sensoru izplatība (industriālais IoT, telemetrija) veicina pieprasījumu pēc perifērās (edge) analītikas. Dati arvien biežāk tiek apstrādāti lokāli uz ierīcēm, samazinot aizturi (latency). Tāpat tiek pētītas datu režģa (data mesh) arhitektūras, kas ļauj komandām pašām pārvaldīt savas datu plūsmas un atbildēt par tām.
Kopsavilkumā – 2023. gada datu zinātni raksturo strauja izaugsme un entuziasms par mākslīgo intelektu. Nozare ir uz paplašināšanās sliekšņa: globālas aptaujas liecina, ka aptuveni 78% uzņēmumu jau izmanto MI kādā formā, un Eiropa virzās uz priekšu inovāciju jomā. Uzņēmumi, kas investē datu infrastruktūrā, attīsta komandu prasmes un ievieš šīs tendences, spēs pārvērst ieskatus konkurences priekšrocībā.
