Data Science ist seit geraumer Zeit einer der begehrtesten Jobs. Dieser einst als „sexiest job“ bezeichnete Job schien alle Kriterien erfüllt zu haben – gute Bezahlung, Anspruch und Zufriedenheit. Allerdings gibt es einige leichte, aber signifikante Anzeichen dafür, dass Data Science als Beruf langsam seinen Glanz verlieren könnte.
Wie von betont carly tSenior Manager (Maschinelles Lernen), Activision, Data Science können aus drei Hauptgründen an Wettbewerbsfähigkeit verlieren – der steigenden Popularität von Low/No-Code-Plattformen, dem exponentiellen Wachstum der Zahl der Data Scientists (die oft die Nachfrage übertreffen) und der Verwässerung von „Data Scientist“ als Berufsbezeichnung.
Kredit: LinkedIn
Steigendes Angebot an Data Scientists
Die Explosion der Daten, die Unternehmen zur Verfügung haben, kombiniert mit der positiven PR, die der Bereich Data Science in den letzten Jahren erhalten hat, hat viele Aspiranten dazu veranlasst, aufzustehen und aufmerksam zu werden. Ein großer Teil der Absolventen der Informatik oder Informatik betrachtet Data Science als die ultimative Berufswahl. Nicht nur das, da das Feld ein Zusammenschluss mehrerer Disziplinen ist, entscheiden sich auch Menschen aus anderen Bereichen, einschließlich nicht-technischem Hintergrund, für Data Science.
Dies erklärt auch die Zunahme der Zahl der Data-Science-Studiengänge. Jede beliebte Edtech-Plattform bietet zusammen mit mehreren Offline-Instituten Data Science an, die von Grundkursen bis hin zu fortgeschrittenen Niveaus reichen. Führende Bildungsinstitute wie IITs, BITS Pilani und andere bieten Kurz- und Langzeitkurse in Data Science an, oft in Zusammenarbeit mit der Industrie. Mit Ausnahme der Kurse, die von renommierten Universitäten und Unternehmen unterstützt werden, kann die Qualität der Erholung nicht festgestellt werden. Personalvermittler beschweren sich oft über die mangelnden Fähigkeiten der Kandidaten, die sie interviewen. Mit der gestiegenen Nachfrage sind auch die Fähigkeiten und Standards gereift, die für einen Data Scientist im heutigen kommerziellen Ökosystem erforderlich sind.
Vineet Tyagi, Global CTO, Biz2X, sagte: „Der Einstieg in die Datenwissenschaft ist im Allgemeinen nicht mehr so selbstverständlich wie noch vor fünf Jahren. Data Science hat tatsächlich einen erhöhten Grad an Achtsamkeit in Bezug auf die Beschäftigung. Zahlreiche Fähigkeiten aus verschiedenen Bereichen, aus den zutiefst quantitativen Bereichen (teilweise sogar aus Bereichen wie der Hirnforschung oder der Wissenschaft), wandeln sich in die Datenwissenschaft. Mit den Mustern der Robotisierung riesiger Informationen und KI-Muster bewegen Organisationen ihr Verständnis in Richtung der Verwendung vorgefertigter Cloud-basierter KI-Modelle, die einfacher zu übertragen sind als das Erstellen optimierter Modelle. Dies hat dazu geführt, dass Unternehmen eher Informationsingenieure, Cloud- und DevOps-Experten als Datenforscher einstellen müssen.“
Auf der anderen Seite erleben ausgebildete Kandidaten eine große Diskrepanz zwischen Erwartung und Realität, wenn es um die Rolle und die Verantwortlichkeiten eines Datenwissenschaftlers geht. Robin Das, CEO von BrandIntelle, erklärt: „Der Begriff ‚Data Science‘ ist zusammen mit Schlagworten wie KI und ML allzu populär geworden, und Unternehmen haben ihn in Stellenbeschreibungen, Verkaufsmaterialien, Investorenkarten usw. verwendet, um anzuziehen mehr Talente, Kunden und Förderer. Daher gibt es viele Fälle, in denen eigentlich keine Datenwissenschaft im Spiel ist, es aber immer noch als Datenwissenschaft bezeichnet wird. Und niemand kann etwas dagegen tun, da es keine spezifischen Richtlinien dafür gibt. Alles, was man tun kann, ist ein gutes Maß an Due Diligence, bevor man sich für den nächsten Schritt entscheidet.“
Aufstieg von No-Code-Data-Science-Plattformen
Wie Das erwähnt, hat das sich ändernde Marktverhalten zu drei Arten von Data Scientist-Rollen geführt – den eigentlichen Data Scientists, bei denen der Kandidat tief eintaucht; wo bereits ein No-Code-Datenmodell verfügbar ist und man nur Punkte gemäß den Anforderungen verbinden muss; die Pseudo-Data-Science-Rollen, die nichts anderes als ein verherrlichter Datenanalyst sind, und die Arbeit besteht bestenfalls nur aus der Vorhersagemodellierung auf Excel.
Data Science ist ein sehr komplexes Gebiet, um einen No-Code-Ansatz anzuwenden. Die mühsame Aufgabe, Daten zu bereinigen und Vorhersagen aus Daten zu treffen, kann jedoch automatisiert werden, ohne dass eine einzige Codezeile geschrieben werden muss. Offensichtlich gehören AI und Datalyst zu den Unternehmen, die No-Code-Data-Science-Plattformen anbieten.
Auf dem aktuellen Entwicklungsstand können diese No-Code-Plattformen jedoch menschliche Datenwissenschaftler nicht ersetzen, sondern lediglich ihre Produktivität unterstützen oder steigern. Aravind Chandramouli, Head AI COE, Tredence, sagte: „Es ist ein Irrglaube, dass die steigende Nachfrage nach No-Code-Lösungen den Arbeitsmarkt für Data Science weniger wettbewerbsfähig macht. Es besteht eine steigende Nachfrage nach datenwissenschaftlichen Fähigkeiten; Diese Nachfrage ist jedoch Kandidaten vorbehalten, die sich ständig weiterbilden, um relevant zu bleiben.“
„Der Aufstieg von No-Code/Low-Code-Data-Science-Lösungen ist vielversprechend für die Automatisierung von Routineanalysen und Datenvorbereitungsaktivitäten. Ich würde es jedoch nicht als vollständige Demokratisierung der Datenwissenschaft betrachten. Viele Aufgaben erfordern immer noch gründliche Analysen und die Erstellung modernster Algorithmen, die die volle Leistungsfähigkeit des Codes nutzen. Das Leben von Datenwissenschaftlern würde sicherlich einfacher werden und Raum für Kreativität und Datenerkenntnisse schaffen, von denen die Welt nie geträumt hat. Der Wettbewerb wird bleiben und die Zugangsvoraussetzungen könnten noch höher werden“, sagt Alena Guzharina, Product Marketing Manager bei JetBrains Datalore.
Zum jetzigen Zeitpunkt ist es noch sehr spekulativ zu sagen, dass Data Science weniger wettbewerbsfähig geworden ist, da es immer noch eine große Nachfrage nach solchen Fachleuten gibt und die Automatisierung derzeit einfach nicht ausreicht. Der Mangel an „angemessen qualifizierten Datenwissenschaftlern“ ist jedoch eine Angelegenheit, über die wir uns alle Sorgen machen müssen.