عندما أطلب من عالم بيانات شرح تحليل ما، غالبًا ما أحصل على طلب سحب وأُرسل لفهم التنفيذ. بعد عشرين دقيقة، قد أفهم كيفية تنظيم الكود وما زلت لا أعرف ما أظهرته البيانات. أريد فهم السؤال، وما وجدناه، وما إذا كانت الأدلة تدعم الاستنتاج. وكلاء البرمجة مثل Claude Code وOpenAI Codex وDatabricks Genie Code يمكنهم كتابة وتنفيذ وتعديل الكود، مما يقلل الجهد بين امتلاك فكرة وتجربتها على البيانات. هذا يعطينا فرصة لإعادة النظر في أين يجب أن يكون انتباه عالم البيانات.

لطالما ركز علم البيانات على اكتشاف ما يمكننا تعلمه من البيانات. مع انخفاض جهد كتابة الكود، يجب أن نكرس المزيد من الاهتمام للاستفسار ونجعل هذا الاستفسار أسهل لزميل لفحصه. الكود أداة للعمل العلمي، امتداد للوحة رسم حيث تأخذ الفرضية شكلاً يمكننا فحصه وتعديله. تحليل في Microsoft Excel يمكن أن ينتج بصيرة علمية مفيدة، ومصداقيته تعتمد على نفس الاعتبارات مثل تحليل مكتوب في Python.

بالنسبة لوكلاء البرمجة، مقارنة الآلة الحاسبة مفيدة: فهم الحساب وصياغة المشكلة يظلان مهمين حتى عندما نفوض الحساب. أساسيات البرمجة تساعدنا على فهم كيف يحول الكود البيانات وتحديد ما إذا كان التنفيذ يفعل ما يتطلبه التحليل. المساهمة العلمية تتطلب خبرة إضافية لصياغة أسئلة مفيدة واستخلاص استنتاجات قابلة للدفاع من ملاحظات غير مكتملة.

قلقي هو أن الكود يمكن أن يقطع الاستكشاف اللازم لتحديد ما يجب أن يفعله التطبيق، خاصة عندما يتلقى الكود تدقيقًا أكثر من التحليل أو عندما يجب أن يمر تعديل استكشافي بالمراجعة قبل أن نتمكن من التحقيق في جدارته. في تجربتي، غالبًا ما تكافح فرق علم البيانات الأكبر للحفاظ على عملية الاكتشاف عندما تهيمن مراجعة الكود.