Datavitenskap og analyse

Arbeidsmarkedet etterspør tverrfaglig kompetanse

Har du en interesse for datavitenskap, teknologi, statistikk eller matematikk, så har utdanningsmulighetene dine tradisjonelt vært å fordype deg og bli en spesialist på fagfeltet ditt. Men som alle andre fagfelt, så blir disse også påvirket av arbeidsmarkedet og et endret kompetansebehov.

Selv om vi fremdeles har stort behov for spesialistene, så er det et økende behov for kandidater med tverrfaglige evner og kompetanse. Verdens økonomiske forum, WEF, anslår at tilpasningen mellom arbeidsfordelingen mellom mennesker og maskiner vil resultere til 97 millioner nye roller innen 2025. Som en utdanningsinstitusjon som jobber i tett samarbeid med næringslivet, får vi tilbakemeldinger om et arbeidsliv som ønsker seg nettopp det beste av to verdener.  

Datavitenskap og analyse: Anvendbart og samfunnsnyttig

For at datavitenskapen virkelig skal ha den transformative virkningen som den har potensiale til å være, må den sees i lys av også andre fagområder. Man må forstå og vite hvor og hvordan den kan være til nytte. Forskere, ingeniører, spesialister og aktører innenfor næringsliv, offentlig sektor og politikken må samarbeide for å optimalisere bruken av de verktøyene vi har og utvikler for fremtiden. Eksempler på sentrale bransjer og samfunnsutfordringer hvor denne tverrfaglige kompetansen er viktig:

• Politi og sikkerhet: Politiets oppgave er blant annet å beskytte oss og avdekke og forebygge kriminalitet. Det er en stor oppgave som krever enorme ressurser. Men hvilke type ressurser, når og hvor? En kritisk faktor for politiet er å ha de nødvendige ressursene tilgjengelig til rett tid. Dette er en optimaliseringsutfordring som kan løses gjennom rett bruk av data. Gjennom å analysere data kan man finne ut av hvor og når det er størst sannsynlighet for at kriminalitet skjer, og ut ifra de opplysningene allokere personell der det trengs mest. Et eksempel på dette var når forskere fra BI og eksterne konsulenter samarbeidet om å designe en optimaliseringsmodell for å hjelpe det norske politiet med å prioritere ressursene sine.

• Helsevesenet: Menneskekroppen genererer enorme mengder med data. Den er kompleks og avansert, satt sammen av mange ulike systemer som er i konstant endring. Datateknologi har lenge vært en del av hverdagen til helsevesenet og er en sentral del av det å overvåke pasienters helse ved bruk av registrerte data. Men ved hjelp av eksempelvis maskinlæringsapplikasjoner kan vi nå se for oss et fremtidig helsevesen som er mer fleksibelt og effektivt. Hvor man tidligere ikke har vært i stand til å håndtere flere pasienter samtidig, kan man nå gjennom bruk av innovative verktøy monitorere pasienters helse i sanntid, uten at de må være fysisk til stede. Sykehus og leger vil bli varslet i sanntid og kan i større grad prioritere pasienter, uavhengig av lokasjon, og de vil kunne oppdage symptomer på sykdom tidligere og dermed også få satt i gang behandling tidligere.  
• Business: Alle virksomheter jobber med data på en eller annen måte. Innsikten som virksomheten sitter med, er nøkkelen til de mulighetene som kan åpne seg om man bare bruker det riktig. Da er det viktig at man har gode måter å samle, organisere og analysere disse dataene på, slik at virksomhetene kan ta gode avgjørelser for fremtiden. Håndtering av data blir mer og mer komplisert, både i volum og i metodikk. Skepsisen til kunstig intelligens har gått over til begeistring, og de fleste virksomheter tar i dag bruk AI på en eller annen måte, i form av eksempelvis enkle løsninger som chatbots eller mer avanserte droneteknologier. Maskinlæring er essensielt i utviklingen av fremtidens innovasjoner og det er derfor en verdsatt kompetanse å ha.
• Krisetider: Uavhengig av årsakene, så har krisetider økonomisk implikasjoner. Datavitenskapen kan da være til stor hjelp. Det er viktig å kunne være i forkant av utfordringene, slik at stat, samfunn og virksomheter kan forhindre eller forberede seg på motbakkene. Under pandemien brukte Norges Bank og Finansdepartementet eksempelvis en indeksmodell, Financial News Index, utviklet av forskere på BI. For å få tak i pålitelig sanntidsdata, ble data fra den kvartalsvise BNP-veksten sammensatt med tekstinformasjon fra nyhetsstrømmen. På den måten kunne de i større grad forstå og forutse den økonomiske utviklingen i Norge under pandemien.
• Klima: Klimaendringene er en av de største globale truslene vi står ovenfor i dag. Klimaforskning- og prognoser forteller oss status quo og hva disse endringene gjør med oss, men vi trenger også verktøy som kan hjelpe oss med å bekjempe endringene, og finne løsninger for fremtiden. Datavitenskapen har allerede kommet langt og vi ser flere og flere store selskaper ta i bruk AI og maskinlæringsalgoritmer for å samle og analysere datamateriale. Som teknologiselskapet IBM, som har via AI-drevne programvare gjort det mulig for organisasjoner å forutse forretningsrisiko skapt av klimaendringer, slik at de kan gjøre tiltak og tilpasse seg endringene.
  
  
  
  Forskningsmiljøene er også viktige bidragsytere. En grønnere økonomi er blant annet noe av det som kreves for å bekjempe klimaendringene. Men denne overgangen kan bli kostbar og risikabel, spesielt for råvareprodusenter som Norge. Forskere på BI har sett nærmere på dette, og gjennom å bruke store data sett (big data), nyheter og maskinlæringsalgoritmer, har de utviklet en metode for å vurdere denne risikoen og hvordan den påvirker valutakurser. Dette er viktige verktøy for at vi skal vi større grad skal kunne ha kontroll over risikoen med overgangen til en grønnere økonomi.
  
  Ved å bruke datavitenskapens verktøy, statistikk, koding, modellering, AI, kan vi bidra i klimakampen og gjøre en reell forskjell.