Datawetenschappers versus domeinexperts

Tien jaar later wordt er gespeculeerd dat de rol van datawetenschapper van korte duur kan zijn.

In een Harvard Business Review-artikel uit 2012 beweerden Thomas Davenport en DJ Pati: Data Scientist: Meest sexy baan van de 21e eeuw. In 2022 postten de auteurs opnieuw met de titel: Is Data Scientist Still the Sexiest Job of the 21st Century?” Ze hebben hier geen standpunt over ingenomen, maar ze hebben wel nuttig commentaar gegeven:

De rol was toen relatief nieuw. Maar naarmate meer bedrijven big data probeerden te begrijpen, realiseerden ze zich dat ze mensen nodig hadden die programmeer-, analyse- en experimentvaardigheden konden combineren. Destijds was die vraag vooral beperkt tot de San Francisco Bay Area en enkele andere kuststeden. Startups en technologiebedrijven in die gebieden leken alle datawetenschappers te willen hebben die ze konden inhuren. We voelden dat de behoefte zou toenemen naarmate reguliere bedrijven bedrijfsanalyses en nieuwe vormen en hoeveelheden gegevens omarmden.

De prototypische datawetenschapper in 2012 werd gerekruteerd uit de gelederen van PhD’s uit vakgebieden als natuurkunde, statistiek of wiskunde of andere kwantitatieve disciplines met ervaring in experimenten in hun respectievelijke onderzoeksgebieden. Zoals het gezegde luidt, waren hun vaardigheden noodzakelijk, maar niet voldoende. Een belangrijk datawetenschapsproject, van begin tot eind, omvat te veel stappen en te veel vaardigheidsdomeinen voor één persoon. De datawetenschapper, die vaak verantwoordelijk was voor de hele inspanning, moest expertise leveren op de volgende gebieden:

  • Statistische analyse en computergebruik
  • machine learning
  • diep leren
  • Grote datasets verwerken
  • Data visualisatie
  • Gegevens ruzie
  • Wiskunde
  • Programmeren
  • Statistieken
  • Verkennende gegevensanalyse
  • Visualisatie van resultaten voor presentatie inclusief BI, Powerpoint en persoonlijke presentatie

Van De toekomst van datawetenschappers: zal het volgende decennium getuige zijn van een volledig uitsterven?

Wat houdt datawetenschap in?

Om te beginnen is Data Science de kunst om relevante informatie, belangrijke inzichten en kennis te extraheren uit een bepaalde set gegevens. Daarom is het resultaat van elk datawetenschappelijk project meestal een reeks dia’s of een PPT die in feite het hele scenario afrondt voor bedrijfshoofden om beslissingen te nemen, of voor een groep technische en productexperts om te concluderen hoe op een site te werken.

De belangrijkste stappen die de workflow van elk datawetenschapsproject sturen, zijn voornamelijk:

  • Veel data verzamelen (voor geverifieerde bronnen)
  • Gegevens analyseren en meerdere keren herhalen om een ​​goed begrip van de gegevens te ontwikkelen
  • Het voorstellen van hypothesen of acties die het periodiek analyseren en bijwerken van gegevens omvatten.
  • Organisaties zijn momenteel op zoek naar het opzetten van een gezond Data Science-raamwerk door grote en consistente, diepgewortelde teams in te huren, gebenchmarkt door het opstellen van brancherichtlijnen.

Als gevolg van de waarschijnlijkheid dat een datawetenschapper bekwaam is in meer dan een paar van deze vereisten, volgens Noah Gift:

Veel data science-teams hebben geen resultaten opgeleverd die door leidinggevenden in ROI kunnen worden gemeten. Voor complexe data-engineeringtaken heb je vijf data-engineers nodig voor elke datawetenschapper.

Het tempo van automatiseringssoftware is behoorlijk dramatisch en zal van invloed zijn op de aard van datawetenschappelijk werk, inclusief machine learning. Elke grote cloudleverancier heeft zwaar geïnvesteerd in een of ander AutoML-initiatief. Een datawetenschapper wordt niet langer gekenmerkt door codeervaardigheden, wat wordt bevestigd door de toenemende bekendheid van no-code, auto ML-arrangementen zoals DataRobot, Amazon, Dataiku, Google Cloud, Databricks, H20, Rapid Miner en Alteryx. Betekent dit dat data science een slechte carrièrekeuze is? De positie evolueert ongetwijfeld. Datawetenschappers zouden hun vaardigheden moeten verbeteren in dingen die niet geautomatiseerd kunnen worden:

  • Communicatie vaardigheden
  • Toegepaste domeinexpertise
  • Omzet en bedrijfswaarde creëren

Het knellende wervingsproces is verplaatst naar kritische denkers, analisten en probleemoplossers die alle nuances van het bedrijf, zijn expertisegebied en zijn verschillende medewerkers begrijpen. Daarom zou alleen de knowhow van verschillende softwarepakketten of de mogelijkheid om een ​​paar regels code uit te spitten de klus niet klaren.

Het enige wat zeker is, is verandering, en er komen veranderingen in de datawetenschap. Terwijl de functietitel datawetenschapper zal verdwijnen, zal het werk van de datawetenschapper worden verdeeld onder machine learning-engineers, data-engineers, AI-wranglers, AI-communicators, AI Ethics-managers, AI-productmanagers, AI-productiebeheerders en AI-architecten. Wat huidige datawetenschappers moeten doen om relevant te blijven, is soft skills omarmen. Ze moeten afwijken van taken die gemakkelijk kunnen worden geautomatiseerd – feature-engineering, verkennende gegevensanalyse, triviale modellering – en zich wenden tot taken die automatisering trotseren en een AI-systeem produceren dat een meetbare zakelijke impact heeft met verifieerbare bedrijfsstatistieken en omzetverbetering.

Bedrijven die voorop willen lopen, kunnen het pragmatisme en de automatisering van machine learning-taken omarmen om een ​​duidelijk strategisch voordeel te behalen.

Mijn mening – wat kan worden geconcludeerd over het lot van datawetenschappers?

Het is duidelijk dat datawetenschap nooit kan uitsterven. De titulaire posities en rollen van datawetenschappers zullen echter zeker een dynamische verandering opmerken. Over nog een decennium of zo zullen data-savvy industriedomeinspecialisten, bedrijfsanalisten en veldexperts datawetenschapsexperts worden door getraind te worden in AI en ML.

Deze specialisten zullen de analyse kunnen doordringen met hun diepgewortelde industriële kennis, ongeacht of ze kunnen coderen. Hun titels weerspiegelen hun geschiktheid in plaats van de methoden die ze uitvoeren.

Ik geloof niet dat datawetenschapper in 2012 de meest sexy baan van de 21e eeuw was, en dat is het nu ook niet. In feite zien we nu al een daling in werkgelegenheidsadvertenties voor datawetenschappers en een overeenkomstige toename van advertenties voor de ontleding van de oorspronkelijke opvatting van datawetenschap.

.

Kommentar verfassen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert