Булыжник, который я даю, когда кто-то узнает меня, как заморозить data scientists. В обмен на это, чем любой другой разработчик программного обеспечения.
Сейчас почти каждый человек прилагает усилия для того, чтобы заморозить информацию по мнению специалистов. Хотя наука о данных считается, пожалуй, самой востребованной профессией 21 века, другая не менее нужная и высокооплачиваемая профессия — разработчик программного обеспечения — списывается со счетов.
Я часто получаю сообщения от выпускников и людей, которые будут менять профессию, которые интересуются у меня, с чего начать изучение науки о данных. В свою очередь, я рекомендую им заморозиться с программистами.
С такими способностями, как эта и другие, я стараюсь верить, что вы только замораживаете инженера-программиста.
1. В области программирования больше рабочих мест
В программном инжиниринге на порядок больше рабочих областей по сравнению с наукой о данных.
Ниже приведены несколько снимков экрана впоследствии в Google «Профессионал» по данным и «Программист».
7616 рабочих мест в области науки о данных для сравнения с 53 8893 рабочими местами в программировании. Речь идет о рабочих местах в США, но и в других штатах были получены аналогичные результаты.
По данным Glassdoor, информационные специалисты более наваристы, но мое предположение все же говорит о том, что работа в области науки о данных также требует больше знаний.
Не последнее дело, если вам предлагают зарплату в 1 миллион долларов США в области искусственного происхождения разума — согласитесь).
2. Нет единого мнения, что означает «Data Science»
В офисе часто нет единственного понятия о том, что означает урок о данных. Другая способность показывает, что, учитывая ограничение в ролике, у них нет возможности строго следовать этапам создания роли.
Это означает, что прямые обязанности специалиста по анализу данных в разных компаниях фактически различаются.
Хотя у вас есть возможность стать совершенным разработчиком программного обеспечения и экспертом в области информации, у вас есть возможность сделать вид, что это практически невозможно, на самом деле это продается. Это в еще большей степени относится к стартапам, создающим инфраструктурную базу.
Увлеченные соискатели в итоге работают над задачами, которые действительно нужно решать силами компании, а не силами сотрудника, которого только приняли на место data scientist.
Одним из забавных случаев между коллегами в предоставленной области было то, что почти все эксперты из информации написали код Bacand как создатель программного обеспечения. Я также подумал о других data scientist, которые сидели в excel и сломали себе голову из-за экономических проблем.
Это быстро контрастирует с тем, что вас ожидает по мере старения в соревнованиях Kaggle.
3. Изолированность Data Science
Большинство компаний не нуждаются в таком количестве информационных экспертов, как разработчики программного обеспечения. Другие компании в настоящее время нанимают только своего первого специалиста по анализу данных.
Исходя из этого, почти все специалисты по информационным заявлениям работают в одиночку, даже если они сидят за одним столом с разработчиками.
Существуют трудности с получением рабочей коммуникации и концепций извне. Разработчики программного обеспечения либо не разбираются в предиктивном моделировании, либо очень заняты работой над совершенно другими задачами.
Напротив, одним из преимуществ присутствия всей команды создателей является вероятность того, что вы сможете сказать коллегам: «Я думаю, что мы действительно привержены внедрению ABC в XYZ. Что вы думаете об этом аккаунте? «
Будьте готовы к разговору с самим собой. Или с помощью резиновой утки (примерно в соответствии с методом тестирования).
4. Data Science — это исследование
Будьте готовы к неудобным дискуссиям с руководством о том, почему, ведь на самом деле то, на что вы потратили 2 недели, не имеет возможности быть примененным.
Работа над решенными и нерешенными задачами — одно из фундаментальных различий между разработкой программного обеспечения и ИИ.
За исключением недочетов и ограничений, вы уже знаете, что, скорее всего, большинство ваших планов по разработке программного обеспечения будут реализованы еще до того, как вы начнете работу. Чего нельзя сказать об ML, так это того, что вы не знаете, будет ли модель работать, пока не создадите ее.
5. Компании не готовы к AI
Даже в то время, когда каждая компания ввела фальшивую информацию, у большинства из них нет инфраструктуры для ее поддержки.
Не так давно за чашкой кофе руководитель отдела Data Science поделился советами для быстрорастущего стартапа:
Сначала определите проблему, затем создайте инфраструктуру и только потом привлекайте специалистов по анализу данных. Это не игровой процесс.
Опять же, не так давно ко мне обратился отличный специалист по Data Science из известной компании. Она должна была обучать модели искусственного происхождения разума на огромных объемах данных на собственном ноутбуке, а не в облаке.
Если у компании нет конкретной проблемы, которая решается только с помощью Data Science, или если инфраструктура компании не готова к решению этих проблем, вы, скорее всего, столкнетесь с проблемами, что подтверждает вашу собственную значимость как эксперта.
6. Программирование учит общим навыкам
Стать младшим инженером-программистом — это то же самое, что получить степень MBA в области технологий. Вы задаете вопросы обо всем по ходу дела.
Вы узнаете о базах данных, облачных технологиях, развертывании, безопасности и написании чистого кода.
Вы узнаете, как создавать программное обеспечение, следуя за руководителем отдела, ведущим разработчиком или менеджером плана.
Вы будете получать наставничество через обзоры кода.
Если вы попадете в компанию с устоявшейся командой разработчиков, вам практически гарантировано умелое оттачивание собственных навыков и приобретение колоссальных способностей.
7. Программная инженерия более передаваема
Обеспечивая более глубокую общую экспертизу в области технологий, Software Engineering подчеркивает лучшие варианты выхода, когда вы приняли решение о том, что пришло время перемен.
DevOps, безопасность, интерфейс, бэкенд, распределенные системы, бизнес-аналитика, проектирование данных, обучение данным …
Я рассматриваю ряд разработчиков, которые перешли от программирования к науке о данных. Если вы посмотрите на требования к специалисту по науке о данных, вы сразу заметите многие навыки, необходимые для разработчика программного обеспечения:
- Опыт работы с SQL и Python, R или SAS;
- Знание AWS
- Навыки работы с Linux;
- Знание экспериментального дизайна для экспериментов на предприятиях;
- Знание систем DevOps, таких как GitLab;
Если вы можете создавать сквозные планы, вы все равно сможете организовать минимальное количество моделей для Kaggle. Вы можете арестовать эту модель, изготовить ее, настроить авторизацию и Stripe, а затем начать взимать плату с пользователей за доступ. Это ваш личный стартап.
Я бы никогда не признал, что урок о данных не передается. Делать выводы из базы данных — это поистине убийственный опыт. Но по мере того, как мы все больше ориентируемся на данные, это становится чем-то большим, чем когда-либо.
8. Машинное обучение станет инструментом для разработчиков программного обеспечения
По мере того как ИИ становится все более удобным и дружелюбным, разработчики программного обеспечения начинают использовать его для решения собственных задач.
Я могу обучить создателя создавать классификаторы Sklearn. Это не означает, что он может создать следующий Alphago, но это делает его кандидатом на агрессивное программирование относительной логики на основе пользовательского ввода.
Специалисты по анализу данных обладают специальными навыками, такими как статистика и понимание того, как работают модели. Но инженеры DevOps и инженеры по безопасности по-прежнему обладают собственными специализированными знаниями.
Я бы сказал, что они скорее общие, чем разные. Опытный специалист по программному обеспечению может очень быстро переходить от одной специальности к другой. ~ Хотя я не думаю, что в 2014 году я занялся разработкой программного обеспечения, потому что боялся, что ИИ перекроет все остальные профессии. В других профессиях машинное обучение далеко от автоматизации разработки программного обеспечения. Хотя у нас есть стартапы, создающие классные продукты, такие как автоматический подбор кода с поддержкой ИИ, написание кода не является специализацией. Тем не менее, суть профессии заключается в решении проблем с помощью технологий. И это останется ценным и высокооплачиваемым навыком. Во-первых, это немного нелепо. Во-вторых, я понимаю объединение специалистов по данным, ML-инженеров и AI-исследователей. Но я думаю, что эти аргументы все равно принимаются во внимание, ведь это ваша карьера. ~ Не воспринимайте это слишком серьезно. Я бы предпочел, чтобы вы прочитали это и приняли собственное решение. Это часть data scientist в конце