Το Παγκόσμιο Οικονομικό Φόρουμ αναμένει Το 41% των εταιρειών σε όλο τον κόσμο Μειώνοντας το εργατικό της δυναμικό λόγω της ανόδου της τεχνητής νοημοσύνης έως το 2030, ενώ εταιρείες όπως η Meta έχουν ανακοινώσει Σχέδια μείωσης του προσωπικού φέτος.
Αυτό σημαίνει ένα πράγμα: Συν απολύσεις στον τεχνολογικό κλάδο το 2025.
Προσωπικά γνωρίζω αρκετούς συναδέλφους που επηρεάστηκαν από τεχνολογικές απολύσεις πέρυσι. Αυτό με έκανε να αγχώνομαι ολοένα και περισσότερο για την καριέρα μου στην επιστήμη των δεδομένων, οπότε άρχισα να κάνω κάποια έρευνα. Μίλησα με ανώτερους επιστήμονες δεδομένων και ηγέτες ομάδων, καθώς και με μηχανικούς λογισμικού και διαχειριστές προϊόντων, για να κατανοήσω τον αντίκτυπο των τεχνολογικών απολύσεων στην επιστήμη των δεδομένων.
Είχα δύο πιεστικές ερωτήσεις:
- Πώς μπορώ να εξασφαλίσω τη δουλειά μου στην επιστήμη δεδομένων από απολύσεις;
- Αξίζει ακόμα τον κόπο να γίνεις επιστήμονας δεδομένων το 2025;
Με βάση τις πληροφορίες που έχω συγκεντρώσει και την προσωπική μου εμπειρία, πιστεύω ότι οι θέσεις εργασίας στην επιστήμη δεδομένων θα εξακολουθήσουν να υπάρχουν τα επόμενα πέντε χρόνια. Ωστόσο, θα παραμείνουν μόνο «επιστήμονες δεδομένων προστιθέμενης αξίας», ενώ όσοι δεν βελτιώσουν τα αποτελέσματα της εταιρείας θα αφεθούν να φύγουν.
Αν και καμία δουλειά δεν είναι 100% ασφαλής από απολύσεις, θα μοιραστώ μαζί σας 3 τρόπους για να γίνετε Απαραίτητος επιστήμονας δεδομένων.
Στο τέλος αυτού του άρθρου, θα μάθετε:
- Πώς να αποκτήσετε και να διατηρήσετε μια καλά αμειβόμενη εργασία στο Data Science
- Πώς να προστατέψετε την καριέρα σας στην επιστήμη των δεδομένων από απολύσεις και γρήγορη αναρρίχηση σε διοικητικές θέσεις
![]()
1. Χτίζοντας γερά θεμέλια
1. Χτίζοντας γερά θεμέλιαΩς επιστήμονας δεδομένων, θα πρέπει να εστιάσετε στην οικοδόμηση μιας ισχυρής βάσης στη στατιστική, τη μηχανική μάθηση και τα μαθηματικά. Ενώ τα εργαλεία και οι γλώσσες προγραμματισμού αλλάζουν συνεχώς, οι βασικές έννοιες παραμένουν οι ίδιες. Όπως γνωρίζετε, τα μοντέλα AI μπορούν να βοηθήσουν τις επιχειρήσεις να λαμβάνουν πιο γρήγορες αποφάσεις χρησιμοποιώντας μηχανική μάθηση και προγραμματισμό.
Ωστόσο, καμία εταιρεία δεν θα βασίζεται εξ ολοκλήρου στο έργο ενός μοντέλου τεχνητής νοημοσύνης για τη λήψη αποφάσεων πολλών εκατομμυρίων δολαρίων. Οι εταιρείες θα πρέπει να προσλάβουν επιστήμονες δεδομένων – ειδικούς που μπορούν να καθοδηγήσουν την τεχνητή νοημοσύνη, να διορθώσουν τα λάθη της και να παρέχουν γρήγορα πληροφορίες. Ο επιστήμονας δεδομένων θα συζητήσει τις καλύτερες τεχνικές για χρήση, θα αλλάξει πορεία όταν μια προσέγγιση δεν λειτουργεί και θα επικυρώσει τυχόν αποτελέσματα που παρέχει η τεχνητή νοημοσύνη.
Ωστόσο, η εταιρεία θα χρειαστεί λιγότερους ανθρώπους για να κάνει τη δουλειά λόγω της βελτιωμένης αποτελεσματικότητας που φέρνει η τεχνητή νοημοσύνη. Αυτοί οι επιστήμονες δεδομένων θα αμείβονται καλά, αλλά πρέπει να έχουν ισχυρή κατανόηση των θεμελιωδών εννοιών που σχετίζονται με τη στατιστική και τη μηχανική μάθηση, μαζί με ισχυρές δεξιότητες λογικής και συλλογιστικής. Ενώ οι περισσότερες εταιρείες σήμερα επικεντρώνονται στην εκτέλεση και την ταχύτητα, οι οργανισμοί θα αρχίσουν να ευνοούν τους επιστήμονες δεδομένων με ισχυρή θεωρητική γνώση μοντέλων μηχανικής μάθησης.
Ακολουθούν μερικοί δωρεάν πόροι που προτείνω για την εκμάθηση των μαθηματικών και της θεωρίας πίσω από τις εφαρμογές της επιστήμης δεδομένων:
- Κανάλι YouTube 3Blue1Brown Για έννοιες των μαθηματικών όπως η γραμμική άλγεβρα, ο λογισμός και τα νευρωνικά δίκτυα.
- Λίστα αναπαραγωγής Machine Learning του Krish Naik Να κατανοήσουν βασικές έννοιες ML
- Κανάλι στο YouTube Statquest Για στατιστικές
2. Επιλέξτε επιχειρηματικούς ρόλους.
Κάθε εργαζόμενος που δημιουργεί άμεσα έσοδα για την εταιρεία είναι πολύτιμος υπάλληλος. Δυστυχώς, πολλοί ρόλοι της επιστήμης δεδομένων επικεντρώνονται στον μελλοντικό αντίκτυπο και όχι στα άμεσα κέρδη εσόδων.
Για παράδειγμα, κάποτε δούλεψα σε ένα έργο 4 μηνών για να τμηματοποιήσω τη βάση πελατών μας για καλύτερη στόχευση. Στο τέλος των τεσσάρων μηνών, το μοντέλο τμηματοποίησης πελατών που δημιουργήσαμε δεν χρησιμοποιήθηκε στην παραγωγή επειδή δεν λειτουργούσε καλά σε πραγματικά δεδομένα χρηστών. Καταλήξαμε να εγκαταλείψουμε όλο το έργο.
Πολλοί ρόλοι της επιστήμης δεδομένων είναι σαν αυτό το παράδειγμα – επικεντρώνονται στον πειραματισμό. Οι επιστήμονες δεδομένων συχνά δημιουργούν Πράγματα που μπορεί να λειτουργήσουν στο μέλλον Αντί για έργα που φέρνουν χρήματα αυτή τη στιγμή. Ως αποτέλεσμα, εάν συμβεί μια απόλυση και μια εταιρεία πρέπει να πάρει την απόφαση να απολύσει κάποιον, πιθανότατα θα στοχεύσει στην ομάδα επιστήμης δεδομένων που δεν είναι απαραίτητη για την επίτευξη άμεσου επιχειρηματικού αντίκτυπου.
Ωστόσο, αν επιλέξετε μια θέση στην επιστήμη δεδομένων που είναι πιο κοντά στην επιχείρηση —μια θέση όπου συνεργάζεστε απευθείας με ενδιαφερόμενους φορείς και ομάδες πωλήσεων για να λαμβάνετε αποφάσεις που αυξάνουν τα έσοδα— η εργασία σας θα είναι πιο ασφαλής. Για παράδειγμα, αν εργάζεστε στην Google και είστε σε θέση να συμβουλεύετε την ομάδα προϊόντων σχετικά με μια λειτουργία αναζήτησης που θα δημιουργήσει περισσότερα έσοδα για την εταιρεία, η εργασία σας θα έχει άμεσο αντίκτυπο στα έσοδα. Αυτό σημαίνει ότι είστε πιο σχετικοί με την επιχείρηση και λιγότερο πιθανό να αντικατασταθείτε.
3. Δώστε προτεραιότητα στη σαφήνεια έναντι όλων των άλλων.
Αν θέλεις να διατηρήσεις τη δουλειά σου και να προαχθείς, πρέπει να είσαι ορατός. Αυτό ισχύει για κάθε ρόλο, όχι μόνο για την επιστήμη των δεδομένων.
Επιτρέψτε μου να το επεξηγήσω αυτό με το παράδειγμα δύο συναδέλφων – της Pammy και του Jim – που και οι δύο εργάζονται στην επιστήμη δεδομένων.
Ο Τζιμ είναι καλός στο να τσακίζει αριθμούς. Είναι μάστορας προγραμματισμού και κατασκευάζει μοντέλα μηχανικής μάθησης που είναι εξαιρετικά ακριβή και έχουν μεγάλη αξία για την εταιρεία. Όμως ο Τζιμ δεν προωθεί ποτέ τη δουλειά του. Συνήθως μένει σιωπηλός στις συναντήσεις και κανείς δεν χρησιμοποιεί τα μοντέλα του γιατί δεν καταλαβαίνει πραγματικά τι κάνει. Όταν οι ομάδες χρειάζονται ανάλυση από τον Jim, συχνά βρίσκονται να κοιτάζουν τα υπολογιστικά φύλλα του, ξοδεύοντας πολύ χρόνο προσπαθώντας να μετατρέψουν τους αριθμούς του σε απόφαση.
Από την άλλη πλευρά, η Pami είναι καλή στον προγραμματισμό και στο τσάκισμα αριθμών. Αλλά ξοδεύει ώρες προωθώντας τα μοντέλα της σε διάφορες επιχειρηματικές λειτουργίες. Τεκμηριώστε οποιαδήποτε ανάλυση βρίσκετε μέσω μιας παρουσίασης ή εμφανίστε την σε έναν πίνακα εργαλείων, επισημαίνοντας σημαντικές πληροφορίες για τη λήψη αποφάσεων από τις ομάδες. Εκφράζει επίσης ενεργά τις ιδέες της κατά τη διάρκεια των συναντήσεων της ομάδας και εξηγεί με σαφήνεια τεχνικές έννοιες στα ενδιαφερόμενα μέρη της επιχείρησης. Ως αποτέλεσμα, η Pammy λαμβάνει σταθερά καλύτερες κριτικές απόδοσης από τον Jim. Οι περισσότερες ηγετικές ομάδες γνωρίζουν ποιοι είναι και απολαμβάνουν τη συνεργασία μαζί τους. Προβιβάζεστε πιο γρήγορα, επομένως είναι λιγότερο πιθανό να απολυθείτε όταν η εταιρεία αποφασίσει να μειώσει το κόστος.
Η ικανότητα επικοινωνίας και προώθησης της δουλειάς σας είναι κάτι που πρέπει να οικοδομήσουν όλοι οι επαγγελματίες της τεχνολογίας για να ανέβουν γρήγορα τα σκαλιά της σταδιοδρομίας και οι επιστήμονες δεδομένων δεν αποτελούν εξαίρεση.
τα κύρια σημεία
Η αγορά εργασίας είναι αβέβαιη και φαίνεται ότι οι απολύσεις τεχνολογίας δεν θα σταματήσουν σύντομα. Για τους επιστήμονες δεδομένων (ή ακόμα και για τους επίδοξους), αυτό μπορεί να προκαλέσει σύγχυση.
Ωστόσο, υπάρχουν ακόμα τρόποι για να παραμείνετε ανταγωνιστικοί σε αυτήν την αγορά εργασίας και να επιτύχετε επιτυχία: εστιάζοντας σε βασικές έννοιες, στενή συνεργασία με ομάδες δημιουργίας εσόδων και προωθώντας την επιχείρησή σας στους ενδιαφερόμενους.
