Согласно изданию Financial Times, почти каждый дата-сайентист в среднем «тратит два часа в неделю на поиски новой работы». Около 13,2% специалистов в этой области не устраивает их текущая должность. В чем дело? На этот вопрос в своем блоге на Medium ответил американский дата-сайентист Джонни Брукс-Барлет.
Да, я работаю дата-сайентистом, и да, вы правильно прочитали название статьи. В это сложно поверить, потому что интернет переполнен историями о том, что это одна из самых востребованных и высокооплачиваемых профессий XXI века.
Прежде чем отвечать на этот вопрос, следует уточнить, что я все еще работаю дата-сайентистом.
Почему дата-сайентисты хотят поменять работу? Я считаю, что на это есть четыре причины.
1. Ожидания не соответствуют реальности
«Большие данные – это как подростковый секс: все об этом говорят, никто на самом деле не знает, как это делать, все думают, что остальные этим занимаются, и поэтому говорят, что они тоже этим занимаются…» – Дэн Ариэли.
Эта цитата так правдива. Многие младшие дата-сайентисты (включая меня) решили заняться наукой о данных, потому что хотели решать сложные проблемы при помощи крутых новых алгоритмов машинного обучения, которые оказывали бы огромное влияние на бизнес. Мы верили, что будем заниматься чем-то действительно важным. Однако все оказалось совсем не так.
Фото: Medium
Я уверен: одна из главных причин, почему дата-сайентисты бросают работу, заключается в том, что их ожидания не соответствуют реальности.
Все компании очень разные, тем не менее, многие предприятия, не имея подходящей инфраструктуры, нанимают дата-сайентистов, чтобы начать получать выгоду от искусственного интеллекта. Это становится причиной «холодного старта» в ИИ. А теперь добавьте ко всему тот факт, что компании предпочитают нанимать опытных сотрудников, но у них это не получается. От этого страдают обе стороны. Дата-сайентисты устраиваются в разные организации, чтобы писать умные алгоритмы машинного обучения, но не могут этим заниматься, потому что сначала им нужно разобраться с инфраструктурой данных.
Цели компании должны совпадать с целями сотрудников.
Кроме того, многие дата-сайентисты верили, что смогут оказать влияние на людей во всем мире. В реальности же, если машинное обучение – не основная деятельность компании, скорее всего, вы будете нужны лишь для того, чтобы обеспечивать небольшой прирост прибыли. Конечно, вы можете заниматься чем-то очень важным, но это происходит довольно редко.
2. В этой индустрии царит политика
Проблеме политики уже посвящена одна очень хорошая статья: «Политика – самая сложная вещь в науке о данных». Очень советую ее прочитать. Первые несколько предложений в значительной степени подытоживают то, что я хочу сказать:
«Когда я проснулся в 6 утра, чтобы выучить метод опорных векторов, я подумал: “Это очень сложно! Но так я смогу стать ценным сотрудником для будущего работодателя!” Если бы у меня была машина времени, я бы вернулся в это утро и дал себе пощечину».
Если вы правда думаете, что глубокие знания в области алгоритмов машинного обучения сделают вас самым ценным сотрудником, перечитайте первый пункт этой статьи: ожидания не соответствуют реальности.
Несомненно, влиятельные в бизнесе люди должны хорошо к вам относиться. Вероятно, для этого вам придется заниматься рутинной и несложной работой или развивать простые проекты. Мне приходилось часто это делать на предыдущей работе.
3. К вам всегда будут обращаться с любыми вопросами о данных
Вернемся к предыдущему пункту, где я говорил о том, что вам придется делать все, чтобы угодить влиятельным людям. Эти же люди часто не понимают, что именно значит «дата-сайентист». Для них вы будете экспертом в области всего, что касается данных. Ваши коллеги будут думать так же. Для них вы будете хорошо разбираться в Spark, Hadoop, Hive, Pig, SQL, Neo4J, MySQL, Python, R, Scala, Tensorflow, A/B Testing, NLP. (Кстати, будьте осторожны, когда увидите такие характеристики в каком-то описании вакансии. Скорее всего, руководство такого предприятия готово нанять любого специалиста, надеясь, что он решит все их проблемы с данными).
GIF: Medium
Порой очень сложно донести до людей, что вы не знаете всего. Вы будете переживать, что упадете в глазах других, потому что у вас еще недостаточно опыта в индустрии.
4. Работа в изолированной команде
Над разработкой хорошего и ценного продукта должны работать разные сотрудники. Написать правильные алгоритмы машинного обучения – лишь небольшой вклад в развитие проекта. Команда, специализирующаяся на одном виде деятельности, не сможет выпустить хороший продукт.
Несмотря на это, многие компании разделяют команды и дают им отдельные проекты. Иногда этого достаточно – например, когда раз в квартал требуется составить статистическую электронную таблицу. С другой стороны, некоторые задачи требуют навыков других специалистов. Поэтому проект, над которым работает изолированная команда, скорее всего провалится.
Вывод
Чтобы стать хорошим специалистом в области науки о данных, недостаточно пройти несколько онлайн-курсов. Нужно понимать, как в бизнесе работают иерархии и политика. Главное – найти компанию, чей критический путь совпадает с вашим. И не стройте больших ожиданий – скорее всего, вы разочаруетесь, когда поймете, что они не соответствуют реальности.
Материалы по теме:
Что нужно знать начинающему дата-сайентисту
9 ошибок в работе с большими данными, которые делают руководители компаний
Три правила грамотного использования Big data в практике маркетолога (и успешные кейсы)
Андрей Себрант («Яндекс») назвал «профессии будущего» в области программирования
Нашли опечатку? Выделите текст и нажмите Ctrl + Enter
Материалы по теме
- 1 Эволюция ML-сервисов в микрофинансовых организациях и советы по внедрению
- 2 Цифровые двойники: как работают, зачем нужны и как смоделировать своего
- 3 С какими сложностями может столкнуться компания при внесении данных в IT-системы и как упростить этот процесс
- 4 Помощь агробизнесу. Как Big data улучшает работу сельхозпредприятий
- 5 Как использовать Big Data & AI для увеличения потока клиентов: кейс с крупным банком
ВОЗМОЖНОСТИ
23 апреля 2024
23 апреля 2024