چرا علم داده را ترک می‌کنم؟

منتشر شده در analyticsindiamag به تاریخ ۲۶ جولای ۲۰۲۱
لینک منبع Why I Quit Data Science

توسعه دهنده نرم‌افزار سوفیان کوت با عنوان «من علم داده را ترک می‌کنم» بحث جالبی را در مورد پلت‌فرم برانگیخت. در زمان نگارش این مقاله، این پست نزدیک به ۱۴۰۰ «لایک» و بیش از ۹۰ اظهار نظر به دست آورده بود-گواهی بر این که چگونه این پست بر تعداد زیادی از مردم تأثیر گذاشت.

ترک کردن علم داده

مجله کسب‌وکار هاروارد از علم داده به عنوان جذاب‌ترین شغل قرن بیست و یکم استقبال کرد. LinkedIn و Glassdoor همچنان علم داده را به عنوان یکی از حرفه‌های برتر رتبه بندی می‌کنند. میانه تجربه افراد در این حرفه احتمالا کم‌تر از دو سال است، اما قدرتی که این حرفه در اختیار دارد، بسیار زیاد است. متوسط حقوق یک دانشمند داده در ایالات‌متحده حدود ۱۱۷-۱۲۰ K دلار است، که بسیار بالاتر از آن چیزی است که یک توسعه دهنده نرم‌افزار با تجربه ممکن است داشته باشد. «بنابراین این دو معیار قدرتمند از نظر علم داده به عنوان یک حرفه پردرآمد از دیدگاه جوانان است.» Shekar Murthy، معاون ارشد، پیش‌فروش‌ها، راه‌حل‌ها و خدمات حرفه‌ای ، Yellow.ai در مصاحبه قبلی خود با مجله Analytics India .

گفته می‌شود، علم داده برای همه نیست. کوت زمانی که شغل خود را به عنوان یک مهندس نرم‌افزار ترک کرد تا علم داده را دنبال کند، متوجه شد که این کار سخت است. او گفت: من در اولین کارم در سال ۲۰۱۹ تیمی از دانشمندان داده را در سازمان خود دیدم. من به طور کلی در مورد این شغل کنجکاو شده بودم و احساس می‌کردم که استعداد این را دارم که یکی از آن‌ها باشم با توجه به علاقه من به ریاضیات، برنامه‌نویسی و آمار. من در یک دوره شش‌ماهه در علم داده به نتیجه رسیدم و به همین دلیل باید کار خود را ترک می‌کردم.

کوت هم در تئوری و هم در عمل بسیار خوب عمل کرد. با این حال، در انتهای مسیر، می‌دانست که این برای او نیست. «دو دلیل اصلی برای این تصمیم وجود داشت. اول، بخش بزرگی از کار یک دانشمند داده کاملا یکنواخت است، به خصوص تمیز کردن و پردازش داده‌های خام. برخی برآوردها نشان می‌دهند که یک دانشمند داده ۸۰ درصد از وقت خود را صرف انجام این کار می‌کند. دوم اینکه، علی‌رغم گزارش‌های شرکت‌هایی که منتظر استخدام دانشمندان داده بودند، این در مورد من درست نبود. احساس می کردم که مشاغل خوب در این بین بسیار اندک است.» «کوت» همچنین به داوطلبان هشدار می‌دهد که فریب عنصر جذابیت کار را نخورند.

حالا، (کوت) به کار قبلی خود بازگشته است.

از دیدگاه استخدام‌کننده

هارش گوپتا به عنوان یک دانشمند داده در سازمان‌های معتبر مانند WWF و جان‌هاپکینز به مدت شش سال کار کرد. گوپتا در حال حاضر بنیانگذار و مدیر عامل سازمان مبتنی بر Oklahoma، ProtoAutoML، یک ارائه‌دهنده نرم‌افزار autoML است. گوپتا توضیح می‌دهد که چگونه او یک فارغ‌التحصیل ۲۰ ساله بود که شش ماه اول را به عنوان یک دانشمند داده کارهای تمیز کردن داده یکنواخت و پردازش آن را انجام می‌داد. او گفت: « در آن شش ماه، من باید دقیقا یک مدل رگرسیون می‌ساختم.»

بسیاری از شرکت‌ها ابزارهای مناسب یادگیری ماشینی را ندارند و یا هنوز بر سیستم‌های قدیمی تکیه می‌کنند. یک دانشمند داده تازه وارد احتمالاً از یک دنیای دانشگاهی آمده است و ممکن است قبلاً در معرض سیستم عامل هایی مانند Kaggle ، GitHub و دیگر پروژه های منبع باز قرار گرفته باشد. بنابراین آن‌ها ممکن است انتظارات غیرواقع گرایانه‌ای داشته باشند. آنها می‌خواهند بلافاصله روی پروژه‌های گران قیمت کار کنند، در حالی که در واقع بخش بزرگی از زمان آن‌ها صرف معنا دادن به داده‌ها می‌شود. " -گوپتا

او احساس می‌کند که شرکت‌ها نیز در اشتباه هستند زیرا اغلب در تعریف واضح نقش شغلی که برای آن استخدام می‌شوند شکست می‌خورند. برای مثال، او گفت که شرکت‌ها از کلمات کلیدی مانند هوش مصنوعی، یادگیری ماشینی، و علم داده در حین تبلیغ برای یک شغل استفاده می‌کنند اما در واقع ممکن است انتظار داشته باشند که کارمندان آن‌ها بر روی Tableau و بخش هوش تجاری نیز کار کنند. او گفت که کارهای دفتری مربوط به آماده‌سازی داده را می توان به راحتی خودکار کرد تا دانشمندان داده بتوانند بر روی فرآیندهای مبتنی بر مهارت کار کنند.

گوپتا گفت که او برای سازمانش مسئولیت‌های شغلی را از ابتدا روشن می‌کند. او گفت :«من تنها افرادی را استخدام می‌کنم که تجربه قابل‌توجهی در کار با پروژه‌های علم داده داشته‌اندو گیت‌هاب خودشان را دارند. این امر اطلاعات زیادی در مورد تجربه نامزد در زمینه علم داده می‌دهد و باعث می‌شود که هم کارمند و هم کارفرما انتظارات درست را برآورده سازند.»

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.