Дата-сайентисты «вымрут» через 10 лет — есть ли смысл делать карьеру в этой области?

Специалист по данным и исследователь Михаил Мью считает, что его профессия, как и все что с ней связано, радикально изменится в ближайшие десять лет, а специалисты по Data Science «вымрут», так как на их место придет новый вид профессионалов. Что делать тем, кто хочет сделать карьеру в этой области, Михаил рассказал в своем блоге.

Истинная цель науки о данных

По мере роста достижений в области искусственного интеллекта (AI) Data Science становится доступнее. Привычные барьеры для входа в область ушли в прошлое благодаря появлению стартапов в области данных и облачным вычислениям, которые исключают необходимость в дорогостоящем оборудовании.

Специалисты могут в любой момент найти материалы о том, как «внедрить модель X за несколько секунд» или «применить метод Z к данным всего за несколько строк кода». На первый взгляд может показаться, что такая доступность не вредна, но под множеством программных библиотек и новых моделей истинная цель науки о данных стала забываться. Ведь она не в том, чтобы запускать сложные модели или оптимизировать произвольные метрики производительности, а в том, чтобы использовать их как инструмент для решения реальных проблем. 

Симптом, а не причина упадка

Простой, но понятный пример — набор данных Iris. Многие использовали его для демонстрации алгоритма, но многие ли задумывались, что вообще такое чашелистик и зачем измерять его длину? Эти соображения могут показаться ненужными для начинающего специалиста, который больше заинтересован в добавлении новой модели в свой арсенал, но именно на них изначально ориентировался Эдгар Андерсон, ботаник, который каталогизировал рассматриваемые признаки, чтобы понять вариации цветков ириса.

Пример притянутый, но демонстрирует простую мысль: мейнстрим стал больше сосредоточен на «выполнении» науки о данных, а не на ее «применении». Но это не причина потенциального упадка профессии специалиста по Data Science, а симптом. Чтобы понять истоки проблемы, нужно сделать шаг назад и взглянуть на нее издалека. 

Развитие науки о данных — это обоюдоострый меч

Особенность науки о данных в том, что это — одна из областей знаний, которая оставляет практикующего специалиста без сферы деятельности. Студенты фармацевтических факультетов становятся фармацевтами, студенты юридических факультетов — юристами, студенты бухгалтерских факультетов — бухгалтерами. По аналогии, студенты, изучающие науку о данных, должны стать учеными в области данных. Но что эти ученые изучают?

Развитие науки о данных — это обоюдоострый меч. С одной стороны, это мощный инструментарий, который можно применить в любой отрасли, где генерируются и собираются данные. С другой стороны, практичность этих инструментов означает, что мало кто из их пользователей будет обладать серьезными знаниями о конкретных отраслях до начала работы с ними. Эта проблема не была заметна на начальном этапе, потому что работодатели спешили использовать новую технологию, даже не понимая до конца, что это такое. 

Но спустя почти десять лет и компании, и среда изменились. В компаниях появились большие специализированные команды по Data Science, которые ориентируются на понятные отраслевые стандарты. Предпочтение отдается специалистам, которые способны решать проблемы и критически мыслить, понимают бизнес и конкретную отрасль. Скоро будет недостаточно уметь ориентироваться в паре программных пакетов или вызубрить несколько строк кода, да и вообще специалист по Data Science не будет определяться умением писать код. Об этом свидетельствует растущая популярность autoML-решений, таких как DataRobot, Rapid Miner и Alteryx. 

Что это значит?

Примерно через десять лет  специалисты по анализу данных вымрут, или, по крайней мере, исчезнет само понятие такой должности. Набор навыков, известный под общим названием «наука о данных», перейдет к новому поколению бизнес-специалистов и отраслевых экспертов, способных наполнить анализ глубокими знаниями о предметной области, независимо от того, умеют они писать код или нет. Вес будет иметь их опыт, а не средства, с помощью которых они его демонстрируют. 

Такое случалось и с другими специалистами. Например, во время появления электронных таблиц специалисты по вводу данных были очень востребованы, но теперь, как заметил автор книги Storytelling With Data Коул Нуссбаумер Нафлик, владение пакетом Microsoft Office стало для всех необходимым минимумом. Раньше умение печатать на пишущей машинке считалось профессиональным навыком, но с появлением персональных компьютеров владение клавиатурой тоже стало повсеместным. 

Тем, кто рассматривает возможность карьерного роста в области науки о данных или только начинает обучение, полезно постоянно обращаться к диаграмме Венна. Она описывает науку о данных как слияние статистики, программирования и знаний о предметной области. Несмотря на то, что каждая сфера занимает равную долю, некоторые из них могут иметь больший вес, чем другие.