Новые тенденции рынка труда в области науки о данных
Было время, когда солидного опыта в области математики, вероятности и статистики, линейной алгебры и некоторого машинного обучения, а также хороших навыков анализа данных и презентации было достаточно, чтобы преуспеть в науке о данных. Традиционная роль специалиста по бизнес-аналитике превратилась в науку о данных. Однако в последние годы описание работы специалистов по данным было изменено с чистого анализа данных, который содержит больше навыков, связанных с большими данными, машинным обучением и облачными технологиями, а не с традиционной аналитикой. Кроме того, наличие существенного опыта в разработке программного обеспечения для внешнего и внутреннего интерфейса и DevOps становится необходимым для набора инструментов для обработки данных.
В настоящее время предоставление комплексного программного обеспечения на основе искусственного интеллекта (ИИ) в гибкой манере становится новой потребностью рынка, а не просто приятным навыком. Действительно, наука о данных — это не только анализ данных; это сочетание больших данных, машинного обучения и разработки программного обеспечения. Два основных типа проектов по науке о данных в основном связаны с бизнес-аналитикой или разработкой программного обеспечения на основе ИИ.
Для проектов бизнес-аналитики специалистам по обработке и анализу данных обычно необходимо получить доступ к инфраструктуре больших данных и создать конвейер данных, чтобы получать ценную информацию из данных. Как правило, программное обеспечение, разрабатываемое в рамках этих проектов, имеет форму аналитических панелей, которые оперативно предоставляют лицам, принимающим бизнес-решения, полезную информацию и помогают им принимать решения на основе данных. Для разработки программного обеспечения специалистам по данным необходимо использовать свои навыки проектирования больших данных, науки о данных, машинного обучения и разработки программного обеспечения для развертывания прогностических моделей в операционном программном обеспечении.
Разрыв между потребностями рынка и набором навыков специалистов по данным в настоящее время увеличивается по мере того, как область науки о данных становится все более зрелой. Руководителей компании больше не устраивает кто-то, кто ежеквартально предоставляет им полезную информацию в виде презентации PowerPoint. Тем не менее, им необходимо каждый день получать доступ к своим живым информационным панелям для принятия решений на основе данных. Вероятно, поэтому спрос на информационные панели аналитики неуклонно растет в течение последних нескольких лет.
С появлением готовых облачных решений для искусственного интеллекта и анализа больших данных повседневные задачи, связанные с наукой о данных, такие как создание моделей машинного обучения, иногда берут на себя разбирающиеся в данных разработчики программного обеспечения или даже люди, не связанные с ИТ. Иногда эта комбинация работает даже лучше для предприятий, потому что, в конце концов, им нужно развернутое и работающее программное обеспечение, а не высокоточная модель в ноутбуке Jupyter.
Эти факторы идут рука об руку, поэтому специалистам по данным необходимо вырасти в экспертов «полного стека». Столкнувшись с необходимостью развертывания решений для обработки данных и машинного обучения в корпоративном программном обеспечении, а также для работы с большими данными и платформами DevOps, появляются новые специалисты по данным с полным стеком. Если специалист по данным создает модель машинного обучения с идеальной точностью, например, 99%, которая не является готовым к развертыванию программным обеспечением, она уже недостаточно хороша для работодателей!
Естественный отбор выбирает алгоритмы ИИ, которые могут показать миру свое лицо, даже если эти алгоритмы менее умны и менее адаптированы к конкретному варианту использования. Специалисты по данным должны освоить большинство из этих навыков, чтобы выжить в конкурентной борьбе и сохранить своих самых высокооплачиваемых и уважаемых экспертов в отрасли. В будущем то, что работодатели считали учеными-единорогами, станет нормой, и специалисты по данным должны активизироваться и соответствовать требованиям рынка, чтобы сохранить свое конкурентное преимущество.
Цитирование:Является ли Full-Stack Data Science новой нормой?
Об авторе:
Пуян Р. Фард является основателем и генеральным директором Fard Consulting & Data Science Circle. Fard Consulting — это бутик-консалтинговая компания со штаб-квартирой во Франкфурте, обслуживающая компании в различных отраслях. Пуян имеет многолетний опыт консультирования компаний, от стартапов до глобальных корпораций, по вопросам науки о данных, искусственного интеллекта и маркетинговой аналитики. Он сотрудничал с компаниями из списка Fortune 500 в области фармацевтики, автомобилестроения, авиации, транспорта, финансов, страхования, управления персоналом, продаж и маркетинга.
Пуян также возглавляет команду Data Science Circle, которая занимается созданием карьерного центра между работодателями и талантами в области науки о данных. Миссия DSC состоит в том, чтобы воспитать новое поколение специалистов по обработке и анализу данных посредством профессиональной подготовки и помощи работодателям в поиске лучших специалистов в области больших данных.
Пуян защитил докторскую диссертацию. занимается исследованиями в области прогнозного моделирования принятия потребительских решений и по-прежнему заинтересован в разработке современных решений в области машинного обучения и искусственного интеллекта.
