Категорія: Великі Дані та Аналітика

про перехід на Data Science у 2026 році?

Якщо відповідь «так», ця стаття для вас.

Я Сабрін. Останні 10 років я працював у сфері ШІ по всій Європі — від великих компаній і стартапів до дослідницьких лабораторій. І якби сьогодні мені довелося почати заново, я б, чесно кажучи, все одно вибрав цю сферу. чому

З тих самих причин, які привели багатьох із нас сюди: інтелектуальний виклик, вплив, який ви можете мати, любов до математики та програмування та можливість вирішувати реальні проблеми.

Але дивлячись у бік 2026 року… чи варто воно того?

Якщо ви прокрутите сторінку LinkedIn, ви побачите дві команди, які борються: одна каже, що «Наука про дані мертва», а інша каже, що вона зростає завдяки тенденції ШІ.

Коли я дивлюся навколо себе, я особисто думаю, що нам завжди будуть потрібні обчислювальні навички. Нам завжди будуть потрібні люди, які зможуть зрозуміти дані та допомогти прийняти рішення. Числа завжди були всюди, і чому вони зникнуть у 2026 році?

Однак ринок змінився. І щоб орієнтуватися в цьому зараз, вам потрібні хороші вказівки та чітка інформація.
У цій статті я поділюся власним досвідом роботи в дослідницькій та промисловій сферах, а також наставництва понад 200 спеціалістів із обробки даних за останні кілька років.

Отже, що зараз відбувається на ринку?

Я буду чесним і не продам тобі жодної мрії про це.
Мета полягає не в упередженості, а в тому, щоб дати вам достатньо інформації, щоб прийняти власне рішення.

Чи є професійна сім’я Data Science більш широкою, ніж будь-коли?

Однією з найбільших помилок молодших спеціалістів з обробки даних є те, що вони вважають, що Data Science — це одна робота.

У 2026 році Data Science — це велика сім’я ролей. Перш ніж написати один рядок коду, вам потрібно зрозуміти, де ви підходите.

Людей захоплює ШІ: як ChatGPT розмовляє, як Neuralink стимулює мозок і як алгоритми впливають на здоров’я та безпеку. Але давайте будемо чесними: не всі початківці спеціалісти з обробки даних будуть створювати такі проекти.

Для цих ролей потрібна сильна прикладна математика та розширені навички програмування. Чи означає це, що ви ніколи не досягнете їх? Ні. Але вони часто призначені для людей із докторським рівнем, науковців із обчислювальної техніки та інженерів, які навчаються саме для цих нішевих робіт.

Давайте візьмемо реальний приклад: сьогодні (27 листопада) я побачив пропозицію про роботу спеціаліста з машинного навчання та обробки даних у компанії GAFAM.

Якщо подивитися на опис, вони просять:

• Патенти
• Першоавторські публікації
• Дослідницькі внески

Чи всі, хто цікавиться Data Science, мають патент чи публікацію? Звичайно ні.

Ось чому ви повинні уникати руху наосліп.

Якщо ви щойно закінчили навчальний курс або на початку навчання, подача заявки на вакансію, яка явно потребує публікації наукових досліджень, принесе лише розчарування. Ці дуже спеціалізовані вакансії зазвичай призначені для людей із високим академічним досвідом (доктор філософії, постдокторація або обчислювальна інженерія).

Моя порада: будьте стратегічними. Зосередьтеся на ролях, які відповідають вашим навичкам.
Не витрачайте час на подачу заявок скрізь.

Використовуйте свою енергію для створення портфоліо, яке відповідає вашим цілям.

Ви повинні розуміти різні підполя в Data Science і вибрати те, що відповідає вашому досвіду. Наприклад:

• Аналітик даних про продукт / науковець: життєвий цикл продукту та потреби користувачів
• Інженер машинного навчання: розгортання моделей
• Інженер GenAI: працює на LLM
• Classic Data Scientist: умовивід і передбачення

Якщо ви подивитеся на роль спеціаліста з обробки даних у Meta, то технічний рівень часто більш адаптований до більшості спеціалістів із обробки даних на ринку порівняно з роллю основного інженера-дослідника штучного інтелекту або старшого спеціаліста з обробки даних.

Ці ролі більш реалістичні для тих, хто не має докторського ступеня.

Навіть якщо ви не хочете працювати в GAFAM, майте на увазі:

Вони задають напрямок. Те, що їм потрібно сьогодні, завтра стане нормою скрізь.

А як щодо програмування та математики у 2026 році?

Ось суперечлива, але чесна правда про 2026 рік: Аналітичні та математичні навички важливіші, ніж просто кодування.

чому Зараз майже кожна компанія використовує інструменти ШІ для написання коду. Але штучний інтелект не може замінити вашу здатність:

• розуміти тенденції
• поясніть, звідки походить значення
• розробити правильний експеримент
• інтерпретувати модель у реальному контексті

Кодування все ще важливо, але ви не можете бути «загальним імпортером» — тим, хто лише імпортує sklearn і запускає .fit() і .predict().

Дуже скоро агент штучного інтелекту може зробити це за нас.
Але ваші математичні та аналітичні здібності все ще важливі, і завжди будуть.

Простий приклад:
Ви можете запитати ШІ: «Поясніть PCA так, ніби мені 2 роки».

Але ваша справжня цінність як Data Scientist виникає, коли ви запитуєте щось на зразок:

“Мені потрібно оптимізувати виробництво води моєю компанією в певному регіоні. Цей регіон стикається з проблемами, через які мережа стає недоступною за певними шаблонами. У мене є сотні функцій щодо цього стану мережі. Як я можу використовувати PCA і бути впевненим, що найважливіші змінні представлені на ПК, який я використовую?”

-> Цей людський контекст є вашою цінністю.
-> AI пише код.
-> Ви вносите логіку.

А як щодо панелі інструментів Data Science?

Почнемо з Python. Як мова програмування з великою спільнотою даних, Python все ще є важливою та, ймовірно, першою мовою, яку потрібно вивчати майбутнім спеціалістам із обробки даних.

Те саме для Scikit-learn, класичної бібліотеки для завдань машинного навчання.

Ми також можемо побачити в Google Trends (кінець 2025 року), що:

• PyTorch зараз більш популярний, ніж TensorFlow
• Інтеграція GenAI розвивається набагато швидше, ніж класичні бібліотеки
• Інтерес аналітика даних залишається стабільним
• Ролі інженера з обробки даних і спеціаліста зі штучного інтелекту зацікавили більше людей, ніж звичайні ролі спеціаліста з обробки даних

Не ігноруйте ці моделі; вони дуже допомагають приймати рішення.

Ви повинні залишатися гнучкими.

Якщо ринку потрібні PyTorch і GenAI, не залишайтеся лише на Keras і старому NLP.

А як щодо нового стека на 2026 рік?

У цьому дорожня карта на 2026 рік відрізняється від 2020 року.
Щоб отримати роботу сьогодні, вам потрібно бути готовий до виробництва.

Контроль версій (Git): Ви будете використовувати його щодня. І, чесно кажучи, це одна з перших навичок, яку потрібно освоїти на початку. Це допоможе вам організувати ваші проекти та все, що ви дізнаєтесь.

Незалежно від того, чи розпочинаєте ви магістерську програму чи навчальний табір, не забудьте створити свій перший репозиторій GitHub і вивчіть кілька основних команд, перш ніж йти далі.

AutoML: Зрозумійте, як це працює та коли його використовувати. Деякі компанії використовують інструменти AutoML, особливо для спеціалістів із обробки даних, які більше орієнтовані на продукт.

Інструмент, який я маю на увазі, і до якого ви можете отримати безкоштовний доступ, є Dataik. У них чудова академія з безкоштовними сертифікатами. Це один із інструментів AutoML, який вибухнув на ринку за останні два роки.
Якщо ви не знаєте, що таке AutoML: це інструмент, який дозволяє створювати моделі ML без кодування. Так, воно існує.

Пам’ятаєте, що я раніше говорив про кодування? Це одна з причин, чому інші навички стають більш важливими, особливо якщо ви орієнтований на продукт Data Scientist.

MLOps: Блокнотів уже не вистачає. Це стосується кожного. Ноутбуки гарні для дослідження, але якщо в якийсь момент вам знадобиться розгорнути свою модель у виробництві, ви повинні вивчити інші інструменти.

І навіть якщо вам не подобається інженерія даних, вам все одно потрібно розуміти ці інструменти, щоб ви могли спілкуватися з інженерами даних і працювати разом.

Коли я говорю про це, я думаю про такі інструменти, як Докер (перегляньте мою статтю), MLflow (посилання тут), і FastAPI.

LLMs і RAG: Вам не потрібно бути експертом, але ви повинні знати основи: як працює LangChain API, як навчити невелику мовну модель, що означає RAG і як це реалізувати. Це справді допоможе вам виділитися на ринку та, можливо, просунутися далі, якщо вам знадобиться створити проект із залученням агента ШІ.

Портфоліо: якість над кількістю

Як ви можете довести, що можете виконати роботу на цьому швидкому та конкурентному ринку? Я пам’ятаю, що я написав статтю про те, як створити портфоліо 2 роки тому, і те, що я збираюся тут сказати, може виглядати дещо суперечливим, але дозвольте мені пояснити. До того, як ChatGPT та інструменти штучного інтелекту заполонили ринок, було дуже важливо мати портфоліо з купою проектів, щоб продемонструвати свої різні навички, як-от очищення та обробка даних, але сьогодні всі ці основні кроки часто виконуються за допомогою інструментів штучного інтелекту, які готові до цього, тому ми зосередимося більше на створенні чогось, що вирізнить вас і змусить рекрутера захотіти з вами познайомитися.

Я б сказав: “Уникайте виснаження. Будуйте розумно”.

Не думайте, що вам потрібно 10 проектів. Якщо ти студент чи молодший, достатньо одного-двох хороших проектів.

Скористайтеся часом, який ви маєте під час стажування або останнього проекту початкового кемпу, щоб створити його. Будь ласка, не використовуйте прості набори даних Kaggle. Подивіться в Інтернеті: ви можете знайти величезну кількість реальних даних про випадки використання або дослідницькі набори даних, які частіше використовуються в промисловості та лабораторіях для створення нових архітектур.

Якщо ваша мета не заглиблюватися в технічну сторону, ви все одно можете продемонструвати інші навички у своєму портфоліо: слайди, статті, пояснення того, як ви думали про цінність бізнесу, які результати ви отримали та як ці результати можна використовувати в реальності. Ваше портфоліо залежить від роботи, яку ви хочете.

• Якщо ваша мета більше орієнтована на математику, рекрутер, ймовірно, захоче побачити ваш огляд літератури та те, як ви реалізували останню архітектуру своїх даних.
• Якщо ви більше орієнтовані на продукт, мене більше зацікавлять ваші слайди та те, як ви інтерпретуєте результати ML, ніж якість вашого коду.
• Якщо ви більше орієнтовані на MLOps, рекрутер подивиться, як ви розгортали, контролювали та відстежували свою модель у виробництві.

На завершення я хочу нагадати вам, що ринок швидко змінюється, але це ще не кінець Data Science. Це просто означає, що вам потрібно більше знати, де ви підходить, які навички ви хочете розвивати, і як ви себе представляєте.

Продовжуйте вчитися та створіть портфоліо, яке справді відображає вашу особу. Ви знайдете своє місце ❤️

Якщо вам сподобалася ця стаття, не соромтеся стежити за мною в LinkedIn, щоб дізнатися більше про штучний інтелект, науку про дані та кар’єру.

👉 LinkedIn: Сабрін Бендімерад
👉 Середній: https://medium.com/@sabrine.bendimerad1

Analytic Partners другий рік поспіль зайняла перше місце в останньому магічному квадранті Gartner для рішень для моделювання комплексу маркетингу. Ця оцінка відображає постійне визнання її стратегій і платформ, які дозволяють проводити маркетинговий аналіз і приймати рішення на рівні підприємства.

Лідерство Gartner

Нещодавня оцінка Gartner поставила Analytic Partners найвищу за «Здатність виконувати» та найвищу за «Завершеність бачення» серед усіх постачальників рішень для моделювання комплексу маркетингу. Оцінка є частиною щорічного огляду сектору, класифікуючи компанії на основі надання послуг і бачення майбутнього розвитку ринку.

«Ми маємо честь бути визнаними лідером другий рік поспіль і раді бути визнаними найкращими за «Завершеність бачення» та найвищими за «Здібність до виконання», — сказала Ненсі Сміт, президент і генеральний директор Analytic Partners.

Платформа компанії GPS Enterprise та інтелект ROI Genome були особливо виділені як основні фактори підтримки рішень на основі даних для компаній у фінансах, маркетингу та операційній діяльності.

Оцінки можливостей

У супровідному звіті Gartner про критичні можливості аналітичних партнерів оцінено за дев’ятьма ключовими критеріями. Компанія отримала найвищі оцінки у восьми категоріях: «Швидкість до цінності», «Можливість адаптації маркетологів», «Можливість адаптації між функціями», «Комплексна аналітика та виконання», «Self-Service Modeling Workbench», «Креативна оцінка», «Таксономія творчих даних» і «Відстеження бренду».

Analytic Partners також отримали найвищий рейтинг у звіті Critical Capabilities у сценаріях використання Enterprise Mix Modeling і Mix Modeling for Branding, обидва оцінивши 4,25 з 5 можливих.

«Ми вважаємо, що «Критичні можливості Gartner» демонструють важливість комерційних можливостей, управління складністю та крос-функціональне впровадження для збільшення швидкості до цінності», — сказала Меггі Мерклін, директор із роботи з клієнтами Analytic Partners.

«У всіх галузях ми бачимо, як лідери підприємств об’єднуються навколо єдиного джерела правди для прийняття рішень. Наші клієнти використовують комерційну аналітику для прийняття рішень щодо ціноутворення, виробництва, засобів масової інформації та творчості, кількісно оцінюючи вплив кожної дії. Результатом є швидше прийняття рішень, більш точне узгодження керівництва та вимірне зростання підприємства», — сказав Мерклін.

Еволюція комерційної аналітики

Компанія пояснює свої останні рейтинги еволюцією своєї системи комерційної аналітики. Цей підхід має ширшу перспективу порівняно з традиційним моделюванням комплексу маркетингу, спрямованим на об’єднання бізнес-важелів із заходами зростання всієї організації. Analytic Partners заявляє, що її рішення надають практичну інформацію, яка допомагає узгодити такі функції, як фінанси, маркетинг і операції.

Підприємство представило нові функції на своїй платформі, такі як аналіз на основі ШІ та можливості для динамічного творчого аналізу та оцінки впливу на бренд. Вони розроблені, щоб запропонувати клієнтам аналітику, яка відображає поточні зміни в маркетинговому секторі.

Огляд платформи

GPS Enterprise — це інтегрована аналітична платформа Analytic Partners, яка поєднує інтеграцію даних, аналітичні інструменти та механізми оптимізації. Система включає ROI Genome, пропонуючи інтелектуальні дані для прийняття бізнес-рішень щодо цілей зростання. Платформа була створена для задоволення потреб прийняття рішень у складних середовищах і спрямована на підтримку масштабованості бізнесу при дотриманні стандартів безпеки даних і конфіденційності.

Методологія Magic Quadrant від Gartner забезпечує порівняння ефективності постачальників у масштабах ринку, враховуючи такі фактори, як бачення, здатність до виконання та спеціальні можливості. Отримані результати використовуються підприємствами для оцінки відповідності постачальників технологій їхнім змінним вимогам.

Коли демонстрація ШІ не вдається на сцені, глядачі сміються. Але коли штучний інтелект зазнає невдачі в полі, ніхто не сміється.

Під час основної доповіді Meta Connect у вересні 2025 року їхні нові окуляри зі штучним інтелектом засвітилися (двічі) перед переповненою аудиторією. Звичайно, це було незручно, і Марк Цукерберг був розчарований, але натовп захихотів, і демонстрація продовжилася.

Коли ви використовуєте штучний інтелект, щоб допомогти усунути критичне обладнання, наприклад, вентилятор чи генератор, несправність не так легко переварити. Коли система виходить з ладу або дає неправильну відповідь, ефект пульсації може коштувати реальних грошей. Що ще гірше, збій певних технологій може поставити під загрозу життя людей. Для людей, які обслуговують промислове обладнання, медичне обладнання або виробничі лінії, збій просто не вихід. Оскільки штучний інтелект відіграє більшу роль у виконанні роботи, компанії повинні переконатися, що вони готові до реального світу.

Дивіться також: Подолання бар’єрів на шляху розвитку ШІ

Переосмисліть термін безвідмовної роботи

У сучасному сервісному середовищі час безвідмовної роботи означає безперебійну роботу. Йдеться про передбачення проблем, а не просто реагування на них.

Наше власне дослідження показало, що, наприклад, найкращі організації, що надають послуги на місцях, вирішують проблеми лише за два дні, тоді як нижчі організації займають у чотири рази більше часу. А коли техніки мають повний набір машинних даних, вони можуть діяти ще до того, як клієнт дізнається про проблему, захищаючи від збоїв і затримок, які не просто незручні – вони можуть коштувати клієнтам мільйони втрат продуктивності та відтоку клієнтів.

Наземний ШІ в реальності

Оскільки все більше організацій у сфері виробництва та обслуговування покладаються на штучний інтелект, стає загальновідомим, що справжній інтелект приходить завдяки поєднанню цих даних із людським досвідом.

Найкращий штучний інтелект для цієї галузі не просто зчитує журнали чи дані датчиків – він вивчає нотатки техніків, старших техніків, стенограми дзвінків, історію обслуговування та робочі замовлення та розуміє, як люди насправді говорять про проблеми в полі. У реальному світі можуть бути сотні тисяч способів описати або вирішити проблему. Багато агентських рішень штучного інтелекту тепер мають здатність аналізувати інформацію на предмет нюансів. Ці системи можуть визначити, коли мотору, що верещить, може знадобитися не тільки масло.

Завдяки цьому рівню вбудованого контекстного інтелекту ШІ може швидко спрямувати будь-кого, незалежно від досвіду, до правильної відповіді. Надаючи рекомендації, засновані на глибокому розумінні проблеми, агенти штучного інтелекту можуть допомогти компаніям запобігти дорогим збоям, які виникають через неповну або неповну інформацію.

Тримайте людей у ​​курсі подій

Одне, чого ми всі навчилися — і з реальності, і з таких фільмів, як «Термінатор», — це ніколи не повністю покладатися на автоматизацію. Найрозумніші системи – це ті, які дозволяють людям контролювати роботу за допомогою перевірки за принципом «людина в циклі», керованих робочих процесів і адаптивних підказок, які розвиваються з часом.

У відділах обслуговування цей баланс має значення. Найдосконаліші механізми штучного інтелекту можна навчити розпізнавати нюанси в мові та вираженні, але інтуїція технічного спеціаліста, напрацьована роками роботи, все одно може вловити те, що може пропустити алгоритм.

Компанії, які використовують штучний інтелект, повинні використовувати цю технологію для посилення людської інтуїції, а не замінювати її. Утримання людей у ​​суміші – ще один спосіб захиститися від невдачі.

Розбити силоси

Протягом багатьох років керівники сфери послуг та ІТ боролися з відключеними системами. Інструменти ERP і CRM допомогли, але лише до певної міри.

Agentic AI це змінив. Об’єднуючи структуровані та неструктуровані дані – від датчиків IoT до технічних приміток до історичних журналів обслуговування – це створює єдине джерело правди, яким може користуватися кожен. Це дозволяє командам переходити від реактивного вирішення проблем до проактивного запобігання. Коли інформація вільно перетікає між службами, технікою та ІТ, дрібні проблеми вирішуються до того, як вони переростуть у серйозні простої.

Що зараз можуть зробити керівники служби

Інтеграція штучного інтелекту в критично важливі середовища полягає не в погоні за тенденціями, а у створенні систем, які заслуговують на довіру, залежать від контексту та стійкі. Щоб потрапити туди:

Роб О'Двайер

Сьогодні японська компанія Trend Micro Inc., яка розробляє програмне забезпечення для кібербезпеки, представила свій пакет безпеки Trend Vision One AI, який незабаром буде запущений, і забезпечує проактивне централізоване керування ризиками з аналітикою для середовищ, керованих штучним інтелектом.

Нова пропозиція, яка планується запустити під час AWS re:Invent на початку грудня, розроблена для захисту повного стека додатків ШІ від розробки моделі до середовища виконання та, таким чином, розширює проактивну безпеку на кожному етапі розгортання ШІ.

Пакет спрямований на допомогу організаціям у створенні систем штучного інтелекту, які не бачать того, як ці системи обробляють дані, приймають рішення або можуть бути використані загрозливими суб’єктами. Trend Micro стверджує, що традиційні інструменти безпеки, які обслуговують кінцеву точку, мережу та хмару, не були створені для розуміння поведінки моделей або специфічних ризиків штучного інтелекту, як-от миттєве впровадження, підтасування даних або маніпуляція виведенням, залишаючи організації наражаючись на помилки та сліпі зони, які існуючі інструменти ніколи не були розроблені для вирішення.

Trend Micro стверджує, що змінить гру, запропонувавши комплексний спосіб виявлення ризиків у моделях штучного інтелекту та автоматично захищаючи їх за допомогою інтелектуальних огорож AI. Він також використовує технологію Nvidia BlueField3 для посилення безпеки на рівні апаратного прискорення через розгортання моделі.

До складу Trend Vision One входить сканер штучного інтелекту, який постійно відстежує моделі, щоб виявити вразливі місця, і застосовує захисні огородження штучного інтелекту для захисту від загроз, щоб створити проактивну систему замкнутого циклу для управління ризиками штучного інтелекту. Компанія також запускає кілька інтегрованих інструментів безпеки, призначених для забезпечення проактивного захисту на основі штучного інтелекту в хмарних середовищах.

Нові інструменти включають AI Security Blueprint і Risk Insights, які встановлюють піддане аудиту управління AI з уніфікованою візуалізацією ризиків. Мета полягає в тому, щоб надати практичну інформацію для забезпечення відповідності та захисту власних моделей у процесі розробки та на підприємстві. Інший інструмент, Cloud Risk Management – ​​Project-Centric View, має на меті зруйнувати безпеку розробників за допомогою моніторингу в режимі реального часу, миттєвих сповіщень про загрози та повної видимості ризиків у ланцюгах постачання.

Інші нові інструменти включають захист контейнерів і кодів, який пропонує так звану безпеку зсуву вліво — переміщення оцінки вразливості на ранні етапи розробки та зменшення накладних витрат вручну завдяки автоматизації. Крім того, безпека файлів із підтримкою сховищ NetApp забезпечує захист хмарних сховищ у режимі реального часу від зловмисного програмного забезпечення та програм-вимагачів із безпековим дизайном.

Що стосується штучного інтелекту, Agentic SIEM з інтеграцією власних журналів AWS забезпечує власне штучне інтелектуальне виявлення хмари та реагування. І Zero Trust Secure Access – AI Secure Access поширює нульову довіру на генеративні інструменти AI, щоб полегшити детальне застосування політики для контролю взаємодії співробітників, запобігання розкриттю конфіденційних даних і пом’якшення критичних ризиків «тіньових ІТ».

“Інновації без нагляду – це ризик, який компанії не можуть собі дозволити. Наша мета – забезпечити основу, безпеку штучного інтелекту та захист, щоб узгодити трансформацію штучного інтелекту з безпекою та довірою”, – сказала Рейчел Джин, керівник платформи та бізнес-офіцера Trend Micro. «Будуючи за цими принципами з самого початку, організації можуть впевнено рухатися вперед, оскільки штучний інтелект стає центральним у їх розвитку».

Запуск базується на липневій співпраці Trend Micro з Nvidia для забезпечення наскрізного захисту для агентних систем штучного інтелекту, який був зосереджений на розширенні інновацій у масштабному управлінні ризиками штучного інтелекту підприємства.

Зображення: Trend Micro

Цього тижня вийшов «Цифровий омнібус». ніч зараз працює над поглибленим письмовим аналізом, який ми сподіваємось опублікувати наступними днями. Для попереднього перегляду ми зібрали членів команди, які працювали над різними аспектами пропозиції Європейської комісії щодо Omnibus, у відеоролику, щоб детальніше ознайомитися з вибраними темами (нове визначення персональних даних, новий виняток для досліджень, обмеження правил прозорості та нові правила доступу до кінцевого обладнання). Сподіваємось, це відео буде для вас корисним!

Компанія NTT, Inc. використала нещодавній науково-дослідний форум NTT у Токіо, щоб детально розповісти про нову технологію ШІ під назвою Large Action Model (LAM).

Що таке LAM?

Це модель штучного інтелекту, яка передбачає наміри клієнтів на основі даних часових рядів, організованих у форматі «4W1H» (хто, коли, де, що та як), зібраних із різних точок взаємодії з клієнтами, включаючи онлайн-канали та фізичні магазини.

На відміну від великої мовної моделі (LLM), яка, як ми знаємо, загалом працює над розумінням, інтерпретацією та генеруванням тексту людською мовою, основна функція LAM полягає в «перетворенні людського введення» в конкретні кроки в певному середовищі чи системі.

На практиці LAM часто служать основою для агентів ШІ.

З точки зору аргументації та планування, LAM часто об’єднують складне планування та логічні можливості для визначення оптимальної послідовності дій, необхідних для досягнення кінцевої мети користувача.

Ця технологія забезпечує «дуже персоналізований маркетинг 1-на-1», пристосований до потреб кожного клієнта.