டேட்டா அனலிட்டிக்ஸ் - டேட்டா சயின்ஸ்; வேறுபாடு என்ன? வேலை வாய்ப்புகள் எப்படி?

Mridusmita Deka

கட்டுரையாளர்கள்: பி.ரவீந்திரன் மற்றும் கிருஷ்ணன் நாராயணன்

டேட்டா அனலிட்டிக்ஸ் (Data Analytics) மற்றும் டேட்டா சயின்ஸ் (Data Science) ஆகியவை பெரும்பாலும் சாதாரண உரையாடல்களில் மாற்றி மாற்றிப் பயன்படுத்தப்படுகின்றன. இரண்டும் தரவுகளுடன் பணிபுரிவதில் பொதுவான அடித்தளத்தைப் பகிர்ந்து கொண்டாலும், அவை தனித்துவமான துறைகளைக் குறிக்கின்றன.

ஆங்கிலத்தில் படிக்க: Data Analytics vs Data Science: Is there a difference? Know jobs and roles available

புகைப்படம் எடுத்தல் மற்றும் மூவி மேக்கிங் ஆகியவற்றிற்கு இடையே உள்ள வேறுபாடுகள் மூலம் இதை எளிமையாக விளக்கலாம். தரவு பகுப்பாய்வு என்பது ஒரு காட்சியின் புகைப்படத்தை பகுப்பாய்வு செய்வது போன்றது, அதாவது படம் ஏற்கனவே எடுக்கப்பட்டுவிட்டது, மேலும் நீங்கள் பார்ப்பதை வெறுமனே விளக்குகிறீர்கள். தரவு அறிவியல் என்பது, ஒரு திரைப்படத்தை உருவாக்குவது போன்றது, அதாவது நீங்கள் வெறும் தருணங்களைப் படம்பிடிப்பது மட்டுமல்லாமல், அது எப்படி முடிவடையும் என்பது பற்றிய கணிப்புகளுடன் விரிவடையும் ஒரு திட்டத்துடன் ஒரு முழு கதையையும் வடிவமைக்கிறீர்கள்.

முதலில் இரண்டிற்கும் இடையிலான ஒற்றுமையுடன் ஆரம்பிக்கலாம். நுண்ணறிவுகளைப் பிரித்தெடுக்க தரவைச் சேகரித்தல், நீக்குதல் மற்றும் பகுப்பாய்வு செய்தல் போன்ற தரவு உந்துதல் செயல்முறைகளின் முக்கிய தொகுப்பை இரண்டு புலங்களும் நம்பியுள்ளன. இரண்டு களங்களிலும் உள்ள வல்லுநர்கள் வணிக முடிவுகளை ஆதரிப்பதற்காக வேலை செய்கிறார்கள், இருப்பினும் தரவு விஞ்ஞானிகள் நீண்ட கால கண்டுபிடிப்புகளுக்கு அதிக பங்களிப்பை வழங்குகிறார்கள், அதே நேரத்தில் ஆய்வாளர்கள் உடனடி மேம்பாடுகளில் கவனம் செலுத்துகிறார்கள்.

மேலும், பைதான், எஸ்.க்யூ.எல் (SQL) மற்றும் தரவு காட்சிப்படுத்தல் மென்பொருள் போன்ற இரண்டும் பயன்படுத்தும் கருவிகளில் அவற்றின் குறிப்பிட்ட பயன்பாடுகள் வேறுபட்டாலும், சில ஒன்றுடன் ஒன்று தொடர்புடையதாக உள்ளது. கடைசியாக, இரண்டு துறைகளுக்கும் அடிப்படை புள்ளிவிவர முறைகள் பற்றிய புரிதல் தேவைப்படுகிறது, இருப்பினும் தரவு விஞ்ஞானிகள் நரம்பியல் நெட்வொர்க்குகள் மற்றும் கிளஸ்டரிங் போன்ற மேம்பட்ட நுட்பங்களை ஆழமாக ஆராய்கின்றனர்.

அவற்றின் முக்கிய வேறுபாடுகள் ஒவ்வொரு டொமைனிலும் உள்ள வல்லுநர்கள் பயன்படுத்தும் நோக்கம், தேவை மற்றும் முறைகளில் உள்ளன. வேறுபாடுகளை இங்கே பார்க்கலாம்:

தரவு பகுப்பாய்வு மற்றும் தரவு அறிவியல்: கவனம் மற்றும் இலக்குகளில் உள்ள வேறுபாடுகள்

பொதுவாக உடனடி வணிக இலக்கை மனதில் கொண்டு, நுண்ணறிவுகளைக் கண்டறியவும் குறிப்பிட்ட சிக்கல்களைத் தீர்க்கவும் இருக்கும் தரவை ஆராய்வதில் தரவு பகுப்பாய்வு கவனம் செலுத்துகிறது. கேட்கப்படும் கேள்விகள் பெரும்பாலும் "என்ன நடந்தது?" மற்றும் "அது ஏன் நடந்தது?"

மறுபுறம், தரவு அறிவியல் ஒரு பரந்த, எதிர்காலம் சார்ந்த அணுகுமுறையை எடுக்கிறது. தரவு விஞ்ஞானிகள் தரவை பகுப்பாய்வு செய்வதோடு மட்டுமல்லாமல், கணிப்புகளைச் செய்ய அல்லது முடிவெடுப்பதை தானியக்கமாக்குவதற்கான மாதிரிகள் மற்றும் வழிமுறைகளை உருவாக்குவதையும் கையாள்கின்றனர். "என்ன நடக்கும்?" போன்ற கேள்விகளை அவர்கள் ஆராய்கின்றனர். மேலும் இயந்திர கற்றல், முன்கணிப்பு மாதிரியாக்கம் மற்றும் செயற்கை நுண்ணறிவு (AI) போன்ற மேம்பட்ட நுட்பங்களைப் பயன்படுத்துதல் மூலம் "நாம் அதில் எவ்வாறு தாக்கத்தை ஏற்படுத்தலாம்?" என்றும் ஆராய்கின்றனர்.

தரவு பகுப்பாய்வு மற்றும் தரவு அறிவியல்: திறன் தொகுப்புகள் மற்றும் கருவிகளில் உள்ள வேறுபாடுகள்

ஒவ்வொரு பதவிக்கும் தேவையான திறன் தொகுப்புகள் சற்றே வித்தியாசமாக இருக்கும். தரவு ஆய்வாளர்களுக்கு பொதுவாக மொழிகள் (எ.கா., SQL), தரவு காட்சிப்படுத்தல் கருவிகள் (எ.கா., டேப்லு, பவர் பி.ஐ) மற்றும் அடிப்படை புள்ளியியல் நுட்பங்களை வினவுவதில் வலுவான திறன்கள் தேவை. அவர்களின் வேலை பெரும்பாலும் தரவைச் சுத்தப்படுத்துதல் மற்றும் விளக்குதல், பின்னர் பங்குதாரர்கள் எளிதில் புரிந்துகொண்டு செயல்படும் வகையில் அதை வழங்குதல் ஆகியவற்றை உள்ளடக்கியது. இருப்பினும், தரவு விஞ்ஞானிகளுக்கு ஆழ்ந்த நிரலாக்க அறிவு (எ.கா., பைதான், ஆர்), இயந்திர கற்றல் வழிமுறைகளில் நிபுணத்துவம் மற்றும் புள்ளியியல் மற்றும் கணிதத்தில் வலுவான பின்புலம் தேவை.

அவை பெரும்பாலும் பெரிய, சிக்கலான தரவுத்தொகுப்புகளுடன் வேலை செய்கின்றன, உகந்த தீர்வுகளைக் கண்டறிய வெவ்வேறு மாதிரிகள் மற்றும் முறைகளுடன் பரிசோதனை செய்கின்றன.
தரவு பகுப்பாய்வு மற்றும் தரவு அறிவியல்: செயற்கை நுண்ணறிவு தொழிற்சாலை
ஐயான்சிட்டி மற்றும் லக்கானி என்ற ஆராய்ச்சியாளர்கள், தரவு பகுப்பாய்வு மற்றும் தரவு அறிவியல் இரண்டும் செயற்கை நுண்ணறிவில் சுழற்சி முறையில் தேவைப்படுகிறது என்று விவரிக்கிறார்கள். எடுத்துக்காட்டாக, உபெர் அல்லது ஓலா போன்ற வாடகை வாகன சேவை நிறுவனத்தில் உள்ள ஏ.ஐ தொழிற்சாலையில், வரலாற்று தேவை முறைகளைப் புரிந்துகொள்ள தரவு பகுப்பாய்வு உதவுகிறது (எ.கா., எங்கே, எப்போது சவாரி கோரிக்கைகள் அதிகரிக்கும்). இந்தத் தரவிலிருந்து, டேட்டா சயின்ஸ் மாதிரிகள் எதிர்கால தேவையைக் கணித்து, நிகழ்நேரத்தில் இயக்கி ஒதுக்கீட்டை மேம்படுத்துகின்றன. இந்த கணிப்புகளின் நிஜ-உலக முடிவுகளின் பின்னூட்டம் தொடர்ந்து பகுப்பாய்வு செய்யப்பட்டு, ஒவ்வொரு மறு செய்கையிலும் மாதிரிகளை மேம்படுத்துகிறது.

தரவு உருவாக்கத்தை தானியங்குபடுத்துதல், மாதிரி சிக்கலை மேம்படுத்துதல் மற்றும் ஆழமான நுண்ணறிவுகளை செயல்படுத்துவதன் மூலம் தரவு பகுப்பாய்வு மற்றும் தரவு அறிவியலை செயற்கை நுண்ணறிவு கணிசமாக மாற்றுகிறது. தரவு பகுப்பாய்வுகளில், இது நிஜ உலக காட்சிகளை உருவகப்படுத்தும் செயற்கை தரவுத்தொகுப்புகளை உருவாக்க உதவுகிறது, ஆய்வாளர்கள் "என்ன என்றால்" சூழ்நிலைகளை ஆராயவும் முழுமையற்ற அல்லது வரையறுக்கப்பட்ட தரவிலிருந்து நுண்ணறிவுகளைப் பெறவும் அனுமதிக்கிறது. தரவு அறிவியலில், GenAI ஆனது மேம்பட்ட மாதிரிகளை உருவாக்குவதன் மூலம் புதுமைகளை உருவாக்குகிறது, இது கணிப்பது மட்டுமல்லாமல் புதிய தரவை உருவாக்குகிறது, அல்காரிதம்களின் துல்லியம் மற்றும் தகவமைப்புத் திறனை மேம்படுத்துகிறது.

டேட்டா அனலிட்டிக்ஸ் vs டேட்டா சயின்ஸ்: வேலை வாய்ப்புகள்

சந்தையில் கிடைக்கும் வேலைகள் மற்றும் பதவிகள் என்னென்ன? தரவு பகுப்பாய்வில் உள்ள பொதுவான பதவிகளில் தரவு ஆய்வாளர், வணிக ஆய்வாளர், சந்தைப்படுத்தல் ஆய்வாளர் மற்றும் செயல்பாட்டு ஆய்வாளர் ஆகியோர் அடங்குவர். இந்த பதவிகளில், தொழில் வல்லுநர்கள் வணிகங்கள் சிறந்த முடிவுகளை எடுக்க உதவுவதற்காக கடந்தகால செயல்திறனைப் புரிந்துகொள்வதில் கவனம் செலுத்துகின்றனர். எடுத்துக்காட்டாக, சந்தைப்படுத்தல் ஆய்வாளர் சமீபத்திய விளம்பர பிரச்சாரத்தின் செயல்திறனைப் புரிந்துகொள்ள வாடிக்கையாளர் தரவைப் படிக்கலாம் மற்றும் வரலாற்று வடிவங்களின் அடிப்படையில் மேம்பாடுகளைப் பரிந்துரைக்கலாம்.

ஃப்ளிப்கார்ட் போன்ற நிறுவனத்தில் உள்ள வணிக ஆய்வாளர், விநியோகச் சங்கிலியில் உள்ள திறமையின்மையைக் கண்டறிய தளவாடத் தரவை மதிப்பிடலாம் மற்றும் விநியோக நேரத்தை மேம்படுத்துவதற்கான உத்திகளைப் பரிந்துரைக்கலாம். தரவு அறிவியலின் பொதுவான பதவிகளில் தரவு விஞ்ஞானி, இயந்திர கற்றல் பொறியாளர், செயற்கை நுண்ணறிவு நிபுணர் மற்றும் தரவு பொறியாளர் ஆகியோர் அடங்குவர். இந்த நிலைகள் தரவுகளிலிருந்து கற்றுக் கொள்ளக்கூடிய மற்றும் கணிப்புகளைச் செய்யக்கூடிய மாதிரிகள் மற்றும் அமைப்புகளை உருவாக்குவதை உள்ளடக்கியது.

எடுத்துக்காட்டாக, நெட்பிளிக்ஸ் (Netflix) அல்லது ஹாட் ஸ்டார் (Hotstar) இல் உள்ள தரவு விஞ்ஞானி, பயனர்கள் பார்வையிட்ட வரலாற்றின் அடிப்படையில் நிகழ்ச்சிகளைப் பரிந்துரைக்க ஒரு அல்காரிதத்தை உருவாக்கலாம். டெஸ்லா அல்லது வேமோ போன்ற நிறுவனத்தில் இயந்திர கற்றல் பொறியாளர் தானியங்கி ஓட்டுநர் தொழில்நுட்பங்களில் பணியாற்றலாம், சாலையில் நிகழ்நேர முடிவுகளை எடுக்க வாகனங்களுக்கு உதவும் மாதிரிகளைப் பயிற்றுவிப்பதற்கு பரந்த தரவுத்தொகுப்புகளைப் பயன்படுத்தலாம்.

ஐ.ஐ.டி மெட்ராஸில் உள்ள வாத்வானி ஸ்கூல் ஆஃப் டேட்டா சயின்ஸ் மற்றும் செயற்கை நுண்ணறிவில் பணிபுரியும், முக்கியமான தொழில்நுட்ப மற்றும் சமூக பிரச்சனைகளில் பல தரவு விஞ்ஞானிகள் பணியாற்றுகின்றனர்.

சுருக்கமாக, டேட்டா அனலிட்டிக்ஸ் மற்றும் டேட்டா சயின்ஸ் ஆகியவை சுகாதாரப் பாதுகாப்பு முதல் காலநிலை மாற்றம் வரை உலகின் மிகப்பெரிய சவால்களைத் தீர்ப்பதற்கான திறவுகோலாகும். ஒவ்வொரு துறையும் தனிப்பட்ட தொழில் வாய்ப்புகளை வழங்குகிறது, தரவு ஆய்வாளர்கள் வணிக செயல்திறனில் உடனடி மேம்பாடுகளை உந்துகிறார்கள், மேலும் தரவு விஞ்ஞானிகள் ஆட்டோமேஷன் மற்றும் கணிப்பு மூலம் புதுமையின் எல்லைகளைத் தள்ளுகிறார்கள். நினைவில் கொள்ளுங்கள், நீங்கள் டேட்டாவின் சக்தியைத் திறந்தால், முடிவில்லா வாய்ப்புகளைத் திறக்கலாம்.

(பேராசிரியர் பி ரவீந்திரன் தரவு அறிவியல் மற்றும் செயற்கை நுண்ணறிவுத் துறை (DSAI), வாத்வானி ஸ்கூல் ஆஃப் டேட்டா சயின்ஸ் அண்ட் ஆர்டிபிஷியல் இன்டெலிஜென்ஸ் (WSAI), ராபர்ட் போஷ் டேட்டா சயின்ஸ் மற்றும் செயற்கை நுண்ணறிவு மையம் (RBCDSAI) மற்றும் செயற்கை நுண்ணறிவு பொறுப்பு மையம் (செராய்) ஐ.ஐ.டி மெட்ராஸ் மற்றும் கிருஷ்ணன் நாராயணன் ஐ.ஐ.டி மெட்ராஸ் முன்னாள் மாணவர் மற்றும் இதிஹாசா ரிசர்ச் அண்ட் டிஜிட்டலின் இணை நிறுவனர் மற்றும் தலைவர் ஆவார்)

“தமிழ் இந்தியன் எக்ஸ்பிரஸின் அனைத்து செய்திகளையும் உடனுக்குடன் டெலிகிராம் ஆப்பில் பெற https://t.me/ietamil“