כשאומרים ש-AI משנה אנליטיקה, כדאי לברר איזו משימה עומדת על הפרק. אוטומציה של תהליך, יצירת טיוטת קוד ובניית מודל לחיזוי דורשות בדיקות שונות. לא כל תהליך אוטומטי הוא AI, ולא כל קוד שנוצר בעזרת AI הוא מודל חיזוי.
אוטומציה: ביצוע חוזר של תהליך מוגדר
לדוגמה, הרצת שאילתה והפקת דוח תקופתי לפי כללים ידועים. בודקים שהתהליך הושלם, שהנתונים מעודכנים וששינוי במבנה המקור לא שבר את החישוב. כאן הדגש הוא על עקביות ותפעול.
AI גנרטיבי: יצירת טיוטה
לדוגמה, בקשת הסבר ל-SQL או ניסוח תקציר מתוך תוצאות בדוקות. בודקים התאמה לשאלה ולנתונים, ומוודאים שלא נוספו מסקנות ללא בסיס. ראו תהליך עבודה מעשי עם AI לאנליסטים.
חיזוי: הערכת תוצאה שעדיין לא נצפתה
לדוגמה לימודית, הערכת ביקוש עתידי. צריך להגדיר מה חוזים ומתי, להפריד בין נתוני לימוד ובדיקה ולבחון ביצועים מול קו בסיס. דוח על העבר או סיכום טקסט אינם כשלעצמם בדיקה של יכולת חיזוי.
איך בוחרים מה צריך?
- תהליך ידוע שחוזר: בדקו אפשרות לאוטומציה.
- צורך בטיוטת קוד או הסבר: בחנו כלי גנרטיבי עם אימות.
- שאלה על העתיד: הגדירו בעיית חיזוי ותוכנית להערכתה.
בכל המקרים, הגדרת המדד ואיכות הנתונים קודמות למסקנה. לקריאה נוספת ראו בקרת איכות על קוד ותוצרים והדיון בהשפעת AI על תפקיד האנליסט. למידע על ההכשרה בדאטה ראו עמוד הקורס.
