آیا برای تبدیل شدن به یک دانشمند داده نیاز به مدرک دکترا داریم؟

منتشر شده در analyticsinsight به تاریخ ۱۷ آگوست ۲۰۲۲
لینک منبع DOES BECOMING A DATA SCIENTIST REQUIRE A PH.D.?

دانشمندان داده، تقاضای زیادی دارند و استخدام‌کننده‌ها در پر کردن پست‌های خالی با کاندیداهای مناسب مشکل دارند. این امر، این مساله را مطرح می‌کند که چه چیزی صلاحیت یک نامزد را بیشتر می‌کند.

با وجود این واقعیت که زنان ۵۵ درصد از فارغ‌التحصیلان دانشگاه‌ها را در سراسر جهان تشکیل می‌دهند، تنها یک سوم مدرک کارشناسی توسط زنان به دست می‌آید. با وجود رونق بازار علم داده، زنان تنها ۱۸ درصد از اشتغال صنعتی در ایالات‌متحده را در اختیار دارند. با این حال، سهم دارندگان مدرک STEM سیاه و اسپانیایی، به ترتیب تنها ۷٪ و ۱۲٪ است.

هیچ کمبودی از داوطلبان با مهارت‌های ارزشمند علم داده در بازار اشتغال وجود ندارد. این احتمال وجود دارد که کسب‌و‌کارها به استخدام از این گروه نسبتا کوچک از نامزدهای دانشگاهی عادت داشته باشند.

افزایش استانداردهای استخدام برای مطابقت با وضعیت

تاسف دیگر تنها معیار برای استخدام نیست. درعوض، به این موضوع مربوط می‌شود که چگونه کارفرمایان باید مهارت‌ها و ارزش کارکنان را فراتر از دانش فنی آن‌ها ارزیابی کنند. وجود یک تیم متنوع از همکاران ضروری است، به ویژه در سال 2022 که دانشمندان داده به همکاری، خلاقیت و هوش تجاری به اندازه کدنویسی اهمیت می‌دهند.

امروزه سازمان‌ها به هوش مصنوعی نیاز زیادی دارند که فراتر از تئوری است، هوش مصنوعی که می‌تواند در یک محیط عملی مورد استفاده قرار گیرد و موفقیت شرکت را ارتقا دهد. بنابراین، کسب‌وکارها باید کار را برای استخدام داوطلبانی که در آموزش عالی مرتبط با STEM شرکت نکرده‌اند، آسان‌تر کنند. به منظور استقرار هوش مصنوعی در بسیاری از صنایع، تقاضای رو به رشدی برای دانشمندان داده با تخصص تجاری یا برای افرادی که در هم‌کاری بین سازمانی برتری دارند، وجود دارد.

نیازی به گفتن نیست که درک چند زبان برنامه‌نویسی یک پیش‌نیاز برای هر موقعیت در علم داده است. با این حال، هرچه الزامات خاص‌تر باشد، مجموعه نامزدها کوچک‌تر و همگن‌تر خواهد بود. با توجه به تجربه من، ترویج ابعاد و اشکال مختلف یک دانشمند داده معاصر، موقعیت به دست آوردن این حرفه را به روی افراد مختلفی باز خواهد کرد.

خرید پایپ‌لاین‌های متنوع

علاوه بر این، کارفرمایان باید الزامات دوره در سطح ورودی را فراتر از درجات STEM گسترش دهند. با افزایش سرمایه‌گذاری تجاری در هوش مصنوعی و توسعه صنعت علم داده، مدل‌های ساختمانی که نیازهای خاص را برآورده می‌کنند، اهمیت بیشتری پیدا می‌کنند. به جای اتخاذ یک استراتژی از پایین به بالا، تیم‌های علم داده باید پیش از تمرکز بر تکرار و بهبود آن، اولویت‌بندی دریافت یک برنامه کاربردی به صورت آنلاین و ارائه ارزش در اسرع وقت را انجام دهند.

استخدام از حرفه‌های مرتبط، مانند روان‌شناسی، ممکن است منجر به شناسایی نامزدهای بسیار خوب شود، با توجه به طیف وسیعی از توانایی‌ها که یک دانشمند اطلاعات عالی را ایجاد می‌کند. کارفرمایان افرادی را کشف خواهند کرد که می‌توانند به توانایی‌های تجاری فزاینده مورد نیاز در این زمینه‌ها واکنش نشان دهند، اگر توجه خود را فراتر از استعدادهای فنی در طول فرآیند استخدام گسترش دهند.

استراتژی خود را تغییر دهید تا پاسخگو و مرتبط باشید

همانطور که کسب‌وکارها اهداف گوناگونی را برای نیروهای کاری خود تعیین می‌کنند، ایجاد این مسیرها برای استعدادهای مختلف گام مهمی در مرحله بعدی است. گسترش فرصت‌های استخدام تنها فضایی را برای دیدگاه‌های جدید و جدی‌تر ایجاد می‌کند که تضمین می‌کند همه مدل‌های علم داده توسعه‌یافته بی‌طرفانه و شامل کل جامعه هستند. داوطلبان از ریشه‌ها و دیدگاه‌های مختلف نیز طیف وسیعی از تجارب و اطلاعاتی را فراهم می‌کنند که خلاقیت را تحریک می‌کنند. شرکت‌هایی که استراتژی‌های استعداد خود را تغییر می‌دهند و نیروی کار در حال تغییر را در نظر می‌گیرند، همچنان رقابتی باقی خواهند ماند.

این متن با استفاده از ربات ترجمه مقالات علم داده ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.
مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.