Тренды науки о данных 2023: внедрение ИИ и рост рынка

Наука о данных популярна как никогда. В 2023 году рынок аналитики данных в Европе уже достиг внушительных 75,45 миллиарда долларов США и, по прогнозам, вырастет до 219,76 миллиарда к 2031 году (среднегодовой рост — 14,3%). Бизнес активно инвестирует в аналитику и ИИ для получения конкурентных преимуществ. В этом году наблюдается взрывной рост генеративного ИИ — например, ChatGPT достиг примерно 100 миллионов активных пользователей в месяц к январю 2023 года, став самым быстрорастущим приложением в истории. Это свидетельствует о колоссальном интересе к ИИ-инструментам.

Тем не менее, коммерческое внедрение ИИ всё ещё имеет большой потенциал для роста. Согласно последним данным, только около 8% предприятий ЕС (с численностью ≥10 сотрудников) использовали какие-либо ИИ-технологии в 2023 году. Ведущие страны (Дания, Финляндия) сообщают об использовании на уровне примерно 15%, но во многих других — этот показатель значительно ниже. Этот разрыв говорит о большом потенциале роста по мере цифровизации компаний. Сама Европейская комиссия активно инвестирует в ИИ и смежные НИОКР: отчёт за 2025 год подчёркивает лидерство ЕС в таких областях, как искусственный интеллект, цифровые двойники и биотехнологии.

Ключевые тенденции

Генеративный ИИ и большие языковые модели (LLM): Модели для генерации текста и изображений трансформируют работу аналитиков. Инструменты на базе GPT помогают составлять отчёты, делать запросы к данным на естественном языке и быстро создавать прототипы моделей. Ранние пользователи таких решений сообщают о более быстрых рабочих процессах и новых вариантах использования (например, персонализированные рекомендации, автоматическая генерация контента).
Автоматизированное машинное обучение (AutoML): Демократизация машинного обучения означает появление большего числа инструментов для автоматической сборки моделей. Такие платформы, как Azure ML и Google AutoML, позволяют даже непрофессионалам разрабатывать предиктивные модели. Это расширяет аналитику за пределы отделов науки о данных, давая бизнес-пользователям больше возможностей.
Облачные платформы для данных: Компании продолжают переносить данные в облако для анализа больших данных. Стандартом становятся lakehouse-архитектуры и управляемые хранилища данных (например, Databricks, Snowflake, BigQuery), обеспечивающие масштабируемую обработку. Также растёт популярность потоковой обработки данных в реальном времени (Kafka, Flink) для мгновенного получения аналитики.
Ответственный ИИ и управление: С ростом объёмов использования данных растёт и уровень регулирования. Соблюдение GDPR и новая инициатива Закона ЕС об ИИ (AI Act) выводят конфиденциальность и этику на первый план. Наблюдается тенденция к развитию объяснимого ИИ и надёжного управления данными для укрепления доверия.
Аналитика на периферии и данные IoT: Рост числа датчиков (промышленный IoT, телематика) стимулирует спрос на аналитику на уровне устройств (edge analytics). Всё чаще данные обрабатываются локально, прямо на устройствах, что снижает задержку. Также исследуются архитектуры типа data mesh, позволяющие командам самостоятельно владеть и управлять своими пайплайнами данных.

В заключение, 2023 год в области науки о данных ознаменовался стремительным ростом и ажиотажем вокруг ИИ. Отрасль находится на пороге расширения: по мировым опросам, около 78% компаний уже используют ИИ в той или иной форме, а Европа активно продвигает инновации. Организации, которые инвестируют в инфраструктуру данных, развивают компетенции команд и внедряют эти тренды, смогут превратить аналитические инсайты в конкурентное преимущество.

Тренды науки о данных 2023: внедрение ИИ и рост рынка

Ключевые тенденции

Генеративный ИИ и большие языковые модели (LLM): Модели для генерации текста и изображений трансформируют работу аналитиков. Инструменты на базе GPT помогают составлять отчёты, делать запросы к данным на естественном языке и быстро создавать прототипы моделей. Ранние пользователи таких решений сообщают о более быстрых рабочих процессах и новых вариантах использования (например, персонализированные рекомендации, автоматическая генерация контента).
Автоматизированное машинное обучение (AutoML): Демократизация машинного обучения означает появление большего числа инструментов для автоматической сборки моделей. Такие платформы, как Azure ML и Google AutoML, позволяют даже непрофессионалам разрабатывать предиктивные модели. Это расширяет аналитику за пределы отделов науки о данных, давая бизнес-пользователям больше возможностей.
Облачные платформы для данных: Компании продолжают переносить данные в облако для анализа больших данных. Стандартом становятся lakehouse-архитектуры и управляемые хранилища данных (например, Databricks, Snowflake, BigQuery), обеспечивающие масштабируемую обработку. Также растёт популярность потоковой обработки данных в реальном времени (Kafka, Flink) для мгновенного получения аналитики.
Ответственный ИИ и управление: С ростом объёмов использования данных растёт и уровень регулирования. Соблюдение GDPR и новая инициатива Закона ЕС об ИИ (AI Act) выводят конфиденциальность и этику на первый план. Наблюдается тенденция к развитию объяснимого ИИ и надёжного управления данными для укрепления доверия.
Аналитика на периферии и данные IoT: Рост числа датчиков (промышленный IoT, телематика) стимулирует спрос на аналитику на уровне устройств (edge analytics). Всё чаще данные обрабатываются локально, прямо на устройствах, что снижает задержку. Также исследуются архитектуры типа data mesh, позволяющие командам самостоятельно владеть и управлять своими пайплайнами данных.