Até recentemente, os principais produtos entregues por cientistas e analistas de dados eram visualizações de dados, modelos de aprendizado de máquina, painéis, relatórios e insights analíticos usados para contar histórias. Agora, com os recursos do genAI, os cientistas de dados são chamados para expandir suas análises para incluir fontes de dados não estruturadas, ajudar equipes de negócios a se adaptarem à tomada de decisões orientada por dados, consultar sobre ética e governança de IA e ajudar a estabelecer barreiras para as crescentes fileiras de cientistas de dados cidadãos.
Acelerando o Tempo de Insight com GenAI
"GenAI acelera o tempo de insight, reduz as barreiras de habilidades técnicas e capacita as equipes a dimensionar a largura de banda para tomada de decisão baseada em dados", diz Anant Adya, EVP na Infosys Cobalt. "Embora a expertise humana continue sendo crucial, o genAI atua como um potente multiplicador de força, aumentando as capacidades humanas e desbloqueando novas oportunidades de inovação de dados."
Em uma pesquisa recente da OpenText sobre IA e análise conduzida pela Foundry, 75% dos entrevistados disseram que alavancar o genAI para visualização e relatórios de dados era importante. No entanto, apenas 27% dos entrevistados em funções de arquitetura e análise de dados classificaram-no como criticamente importante. A IA está gerando expectativas comerciais significativas, e os líderes esperam que os cientistas e analistas de dados obtenham o conhecimento e as habilidades necessárias para fornecer vantagens competitivas. As equipes de ciência de dados devem revisar suas metas e discutir suas estratégias para alavancar a IA generativa.
Aprimorando Análises com IA Generativa
"Analytics, visualização de dados e machine learning estão avançando rapidamente com recursos de IA generativa, permitindo interações de dados mais intuitivas, insights automatizados e modelos preditivos sofisticados", diz Sreekanth Menon, chefe global de DTAI na Genpact. "À medida que essas tecnologias evoluem, a IA generativa aprimora esses campos criando visualizações mais precisas, simplificando a interpretação complexa de dados por meio do processamento de linguagem natural e geração automatizada de relatórios analíticos."
Evoluindo Funções e Responsabilidades
Recentemente, abordei como a governança de dados, o desenvolvimento de software, o desenvolvimento de low-code e os devsecops estão evoluindo em resposta aos avanços da IA e aos novos drivers de negócios. Este artigo analisa a evolução das funções e responsabilidades dos cientistas e analistas de dados e as ferramentas e processos que eles usam.
Receita e Crescimento como Foco
Cientistas de dados sempre buscaram um portfólio de casos de uso para aplicar suas habilidades, incluindo geração de leads em marketing, otimização de pipeline para vendas, análise de lucratividade para finanças e desenvolvimento de habilidades para recursos humanos. Encontrar melhorias de produtividade é importante, mas com a genAI, cientistas de dados devem esperar maior demanda por seus serviços, especialmente em áreas de crescimento de receita, à medida que as empresas buscam novas oportunidades de transformação digital alavancando IA.
"Para ir além dos meros ganhos de produtividade, é importante focar na aceleração da receita de cauda longa, que já se beneficiou da transformação digital, mas ainda depende da análise humana. A IA agora pode aprimorar essa área para um maior crescimento da receita", diz Sreedhar Kajeepeta, CTO da Innova Solutions. "As principais áreas incluem analisar a demanda de clientes de cauda longa para ajustar produtos e serviços, otimizar preços e promoções, criar conteúdo de marketing direcionado para segmentos de nicho e identificar novos segmentos de clientes além das estratégias de vendas tradicionais."
Paul Boynton, cofundador e COO da Company Search Incorporated (CSI), acrescenta esses casos de uso de análise estratégica. "A IA generativa aprimora significativamente a interface do usuário para analisar tendências de mercado, prever demanda de produtos, otimizar a eficiência da cadeia de suprimentos e identificar parcerias compatíveis para impulsionar vendas e crescimento", ele diz.
Para atender a essas crescentes necessidades comerciais, os cientistas de dados precisarão aumentar sua perspicácia empresarial e encontrar maneiras de descobrir e analisar novos conjuntos de dados visando o crescimento da receita.
Integração com Painéis Gerados por IA
Cientistas de dados tradicionalmente desenvolveram dashboards como formas rápidas e fáceis de aprender sobre novos conjuntos de dados ou para ajudar usuários empresariais a responder perguntas sobre seus dados. Embora as plataformas de visualização e análise de dados tenham adicionado consultas em linguagem natural e algoritmos de aprendizado de máquina nos últimos anos, cientistas de dados devem antecipar uma nova onda de inovações orientadas por genAI.
"Nos próximos dois anos, esperamos uma transição de painéis estáticos de inteligência empresarial para experiências analíticas mais dinâmicas e personalizadas", diz Alvin Francis, VP de gerenciamento de produtos para análise empresarial na IBM. "Com a IA generativa, a dependência de painéis tradicionais diminui, pois os usuários podem remover o ruído da análise e obter insights acionáveis por meio de conversas. Livres da geração de painéis ad-hoc, analistas de dados e cientistas de dados se concentrarão em documentar o conhecimento organizacional em camadas semânticas e conduzir análises estratégicas, criando um ciclo virtuoso."
Outra previsão vem de Jerod Johnson, evangelista sênior de tecnologia na CData, dizendo: "À medida que as plataformas genAI se integram às ferramentas de visualização, elas permitem representações mais dinâmicas e interativas de dados, permitindo síntese em tempo real e análise de cenários. Nos próximos anos, os cientistas de dados podem esperar que essas ferramentas evoluam para tornar as visualizações mais intuitivas e perspicazes, até mesmo respondendo a perguntas não feitas para descobertas inovadoras."
Cientistas de dados devem usar esse período para aprender como usar os recursos genAI em suas plataformas de visualização de dados. À medida que a visualização se torna mais fácil, cientistas de dados precisarão estar preparados para usar os recursos avançados de análise para fornecer novos tipos de insights.
Capacitando Cientistas de Dados Cidadãos
Muitos líderes esperam um aumento nos recursos direcionados a cientistas de dados cidadãos e um aumento no número de empresários aprendendo ferramentas de inteligência empresarial de autoatendimento com recursos de genAI.
"A GenAI está desbloqueando todo o potencial dos dados, permitindo que profissionais de TI otimizem os recursos de planejamento e análise por meio de funcionalidades estendidas e fluxos de trabalho automatizados", diz Jared Coyle, chefe de IA na SAP North America. "Essa evolução simplifica tarefas complexas e torna ferramentas avançadas mais acessíveis a usuários não técnicos. Nos próximos anos, a automação aumentada de tarefas de rotina capacitará as equipes a se concentrarem em um trabalho mais estratégico, impulsionando decisões mais eficientes baseadas em dados em todas as organizações."
O crescimento provavelmente virá à medida que as ferramentas de visualização de dados aprimoram os recursos de linguagem natural e automatizam a aplicação de modelos de aprendizado de máquina. Esses recursos simplificarão o trabalho dos cientistas de dados cidadãos, que podem consultar dados, encontrar outliers, identificar tendências e criar e manter painéis com menos experiência e menos cliques.
"Aplicativos e plataformas com tecnologia GenAI podem gerar visualizações dinâmicas, narrativas de histórias de dados e explicações claras para insights de dados complexos", diz Sharmodeep Sarkar, arquiteto de IA empresarial na RR Donnelley. "Isso os torna mais fáceis de entender para públicos não técnicos, ajudando a criar 'analistas de dados cidadãos' capacitados em grandes organizações."
A transição de dados, análises, visualização e habilidades de modelagem da ciência de dados para equipes de negócios vem acontecendo há mais de uma década, mas a genAI provavelmente será um acelerador. O que isso significa para os cientistas de dados e seu trabalho?
"À medida que o GenAI se torna mais integrado à análise, tarefas rotineiras como preparação de dados e análise básica se tornarão mais automatizadas, liberando tempo para mergulhar mais fundo em insights", diz Jozef de Vries, diretor de engenharia de produtos da EDB. "Ferramentas avançadas de IA tornarão a visualização de dados e a narrativa mais intuitivas, facilitando para cientistas de dados comunicar descobertas complexas a colegas não técnicos, ao mesmo tempo em que capacitam esses colegas a usar linguagem natural para explorar dados. Isso ajudará a preencher a lacuna entre equipes de dados e outros departamentos, promovendo um ambiente mais colaborativo."
Julian LaNeve, CTO da Astronomer, diz que as equipes de ciência de dados devem esperar maior interesse e participação das partes interessadas por causa dos recursos de IA generativa. "A barreira de entrada para interagir e extrair insights de dados será significativamente menor, então estabelecer uma cultura e práticas de dados fortes é extremamente importante", ele diz.
LaNeve recomenda desenvolver uma plataforma de dados adequada com base nas melhores práticas de engenharia de dados e dicionários de dados bem catalogados para colegas não técnicos. Outra função é a consultoria sobre governança adequada e guardrails para usuários finais.
Expandindo para Dados Não Estruturados
À medida que analisar linhas e colunas de dados se torna mais fácil para usuários empresariais, os cientistas de dados devem expandir suas habilidades e esforços analíticos para investigar fontes de dados não estruturadas. Muitos conjuntos de dados de marketing, vendas e atendimento ao cliente não são estruturados, então analisá-los ajuda a se alinhar com empresas que buscam crescimento e vantagem competitiva.
"A IA generativa está revolucionando a forma como as organizações centradas no cliente sintetizam e analisam grandes volumes de conversas de texto livre", diz Saeed Aminzadeh, CPO da mPulse. "Ao categorizar com precisão a intenção e as necessidades do consumidor em escala, essas ferramentas avançadas fornecem insights mais ricos e acionáveis."
Uma tecnologia que os cientistas de dados devem aprender é bancos de dados de grafos. Outra, grafos de conhecimento, pode ser útil para desenvolver RAGs que aumentam os modelos LLM com inteligência de domínio.
"Organizar dados como gráficos de conhecimento em vez de tabelas SQL planas oferece uma tremenda vantagem na realização de análises avançadas, mas também na execução de modelos de aprendizado de máquina", diz Nikolaos Vasiloglou, VP de pesquisa ML na RelationalAI. "A tarefa mais frequente é a engenharia de recursos e, à medida que os LLMs são incorporados em gráficos de conhecimento, os cientistas de dados devem esperar obter recursos gerados mais significativos."
Hema Raghavan, chefe de engenharia e cofundadora da Kumo AI, diz que cientistas de dados devem estar familiarizados com redes neurais de grafos (GNNs). "GNNs têm a capacidade de olhar entre tabelas e encontrar o sinal necessário para tarefas de IA preditiva, eliminando assim a necessidade de um grande número de fluxos de trabalho de engenharia de recursos. Cientistas de dados podem então se concentrar no impacto e identificar oportunidades em seus negócios onde as previsões podem ser inseridas."
Aproveitando Agentes e Modelos de IA
Dois recursos emergentes de IA que devem interessar aos cientistas de dados são modelos de IA específicos do setor e agentes de IA.
Por exemplo, a Salesforce anunciou recentemente o Industries AI, um conjunto de recursos de IA personalizáveis pré-construídos que abordam desafios específicos do setor em 15 setores, incluindo automotivo, serviços financeiros, saúde, manufatura e varejo. Um modelo de saúde fornece verificação de benefícios, e um modelo automotivo fornece resumos de telemetria de veículos.
Em relação aos agentes de IA, Abhi Maheshwari, CEO da Aisera, diz: "Os agentes de IA elevam os LLMs ao se envolverem em raciocínio, planejamento, tomada de decisão e uso de ferramentas, lidando com tarefas como transações de CRM e ERP de forma autônoma. Esses agentes simplificam tarefas de dados geralmente feitas por analistas de dados, incluindo limpeza, análise exploratória de dados, engenharia de recursos e previsão."
Essas duas tendências ilustram uma mudança secundária no papel da ciência de dados — de controlar dados e desenvolver modelos de aprendizado de máquina para focar em alavancar agentes de IA, investigar modelos de terceiros e colaborar com cientistas de dados cidadãos na aplicação de IA, aprendizado de máquina e outros recursos de ciência de dados.
Outra área crítica para cientistas de dados se tornarem versados é a ética da IA e como isso contribui para a governança da IA de sua organização. "À medida que a genAI se incorpora mais na análise, as equipes de ciência de dados devem se adaptar adquirindo novas habilidades, focando na colaboração estratégica e priorizando a ética da IA", diz Bogdan Raduta, chefe de IA na FlowX.AI.
Menon, da Gennpact, diz: "O uso de genAI na narrativa de dados precisará abordar desafios contínuos, como mitigar vieses e garantir a precisão do conteúdo gerado por meio de IA responsável para garantir uso ético, transparência e justiça, aumentando a confiança e a precisão na tomada de decisões baseada em dados."
Não há dúvidas de que a IA está transformando a maneira como os cientistas de dados fazem seu trabalho e em quais tarefas eles se concentram. As oportunidades reais estão em guiar a organização para a frente e entregar impactos orientados por análise de maneiras
