¿Por qué la ciencia de los datos está perdiendo su encanto?

La ciencia de los datos es uno de esos trabajos a los que la mayoría de la gente está encantada y a los que varios aspiran, por razones tales como los altos salarios, la oportunidad de trabajar con las últimas herramientas y tecnologías, y de ser una parte cercana de la toma de decisiones estratégicas en la organización. El Harvard Business Review (HBR) en 2012 conocido como el trabajo de un científico de datos “el trabajo más sexy del siglo XXI, y el trabajo encabezó un informe de 2019 de LinkedIn sobre los trabajos más prometedores.

No fue hace tanto tiempo que casi todos los estudiantes de ciencias de la computación o ingeniería de la computación querían carrera en ciencias de los datos . El campo se retiró en los candidatos de otros antecedentes educativos también, lo que llevó a una gran cantidad de bombo. Ese bombo continúa, pero los trabajos no.

La demanda no es la misma que antes, y muchos candidatos carecen de la experiencia o las habilidades requeridas. Un artículo reciente de la Escuela Sloan del MIT — “6 tendencias en datos e inteligencia artificial para 2021 y más allá”— menciona que “algunas empresas están encontrando que los proyectos de datos y aprendizaje automático aún no han dado resultados y no son tan impactantes como esperaban”. Este no es un caso aislado, ya que se espera que muchas empresas experimenten lo mismo al dar sus primeros pasos hacia la IA y el aprendizaje automático.

A menudo las empresas contratan científicos de datos sin poseer la infraestructura adecuada para poder trabajar productivamente con inteligencia artificial (AI). Los recién llegados no pueden hacer frente a los problemas, lo que provoca desacuerdos. Los candidatos se unen con la esperanza de trabajar en algoritmos de aprendizaje automático para extraer información valiosa, pero se quedan atrapados en la creación de informes analíticos y la clasificación de la infraestructura de datos. ¡Tanto la compañía como el candidato se desmotivan!

Otra razón es que la IA o el aprendizaje automático (ML) no son las áreas de interés de la empresa. Esto deja a los candidatos trabajando en pequeñas ideas que conducen a pequeñas ganancias, y su contribución es minúscula e insatisfactoria para ellos. El reconocimiento implica varias tareas ad hoc, y el personal directivo superior puede todavía no entender o apreciar la contribución de la ciencia de los datos. Los candidatos se ocupan de la presunción de que saben todo sobre los datos y el ML, y pueden comunicar las respuestas en un período de tiempo muy breve.

Y así es como reaccionan los candidatos, según un artículo del Financial Times:

· Normalmente pasan de 1 a 2 horas cada semana en busca de trabajo

· De los desarrolladores que buscan un trabajo,

o Los más altos eran especialistas en ML, con un 14,3%

o Un segundo cercano fueron científicos de datos , a 13,2 por ciento

Varias razones explican por qué una carrera en ciencias de los datos , gastado trabajando en algoritmos de aprendizaje automático y así, está perdiendo su encanto. Aquí están:

· Incapacidad para iniciar carreras: Los candidatos recién llegados a la universidad quieren comenzar en ciencias de datos, pero la mayoría de los trabajos requieren de 2 a 3 años de experiencia. Las empresas buscan contrataciones calificadas, y no quieren pasar mucho tiempo en contrataciones inexpertas.

· Falta de claridad en los roles: Analista de datos, analista de negocios y otros son a veces —y erróneamente— considerados similares, mientras que son marcadamente diferentes. La aplicación al papel equivocado está destinada a llevar a la insatisfacción.

n Buscando la salida fácil: Algoritmos de aprendizaje automático y ajustar los datos son en lo que los candidatos se propusieron trabajar de inmediato, descuidando el trabajo duro real de las estadísticas. Por ejemplo, no se mantienen a la altura de los modelos más avanzados ni de los avances en el procesamiento del lenguaje natural. O cuando tienen que trabajar en datos no estructurados en lugar de datos de formación preprocesados, están en una pérdida.

· Perder trabajos a AutoML: Este lanzamiento de Google y Microsoft creó el miedo de quitar trabajos en ciencia de datos, ya que automatizaba la aplicación de ML a conjuntos de datos y cubría la tubería completa.

Los candidatos deben destacarse en la industria, por lo que tienen mucho que hacer:

· Convertirse en un experto en conocimientos

· Tratar con tareas rutinarias y aparentemente leves

n Encontrar una compañía que coincida con su ideología

Otra manera de ver esto es: un candidato fuerte en programación y estadísticas prácticas debe entender el contexto empresarial, y alguien con un fuerte conocimiento del dominio empresarial no puede prescindir de una base sólida en estadísticas específicas.

Ultra-dinamismo es el nombre del juego que es la ciencia de los datos. Un ambiente de trabajo satisfactorio con procesos y sistemas robustos requiere trabajo de científicos de datos así como las empresas que los contratan.