Начало карьеры в Data Science в эпоху ИИ: какие навыки переживут смену технологий

Такой вопрос сегодня особенно актуален для студентов, которые выбирают Data Science и машинное обучение. За последнее десятилетие сама профессия заметно изменилась, а вместе с распространением больших языковых моделей изменились и требования к специалистам. Поэтому вместо попытки угадать, какая технология окажется востребованной через несколько лет, имеет смысл сосредоточиться на навыках, которые позволяют адаптироваться к переменам.

Диверсифицируйте профессиональный опыт

Работа в технологической компании — далеко не единственный путь для специалиста по данным. Data Science и инженерия машинного обучения применяются практически во всех отраслях: от здравоохранения и государственного управления до некоммерческих организаций и промышленности.

Во многих случаях ценность специалиста определяется не столько конкретным алгоритмом, сколько его способностью использовать данные для решения реальной задачи. Поэтому студентам стоит обращать внимание на самые разные отрасли, проходить стажировки, изучать описания вакансий и общаться с практикующими специалистами. Это позволяет получить представление о том, чем на самом деле занимаются дата-сайентисты в различных организациях и какие компетенции требуются от них на практике.

При этом сами роли будут продолжать меняться. Именно поэтому знакомство с профессией непосредственно через практику зачастую оказывается полезнее попытки заранее составить идеальный список технологий для изучения.

Учитесь работать с данными ответственно

Этическая сторона Data Science становится всё более важной. Специалисты по данным находятся в положении, которое позволяет им влиять на то, как организация использует данные и модели, включая большие языковые модели.

От них требуется не только строить работающие системы, но и помогать коллегам понимать связанные с ними риски. Неконтролируемое внедрение ИИ может затрагивать безопасность, приватность, здоровье и благополучие людей. Поэтому специалисту необходимо уметь объяснить не только то, что модель способна сделать, но и то, где её применение становится рискованным или не оправданным.

Для начинающего специалиста это может стать важной частью профессиональной культуры: способность говорить о границах применимости технологии иногда не менее ценна, чем умение её использовать.

Учитесь решать проблемы, а не только строить модели

В реальной работе дата-сайентиста задача редко выглядит как готовое техническое задание: «возьмите такой-то алгоритм и примените его к этим данным». Обычно сначала появляется проблема бизнеса или организации, а уже затем возникает вопрос, можно ли и каким образом решить её с помощью данных.

Начинающий специалист постепенно учится формулировать такие задачи, выбирать подходящие методы, находить и проверять данные, а затем получать статистически обоснованный ответ. Более опытный специалист отличается прежде всего способностью распознать тип проблемы, разобраться в запутанных исходных данных и самостоятельно выстроить стратегию решения.

Именно этот навык способен переноситься из одной отрасли в другую. Конкретные инструменты будут меняться, а способность разбираться в неизвестной проблеме и находить для неё рабочее решение останется востребованной.

Не загоняйте себя в слишком узкую специализацию

Быстрое развитие ИИ создаёт соблазн сделать ставку на одну наиболее модную технологию — например, на обучение больших языковых моделей. Однако для большинства начинающих специалистов такая стратегия может оказаться слишком узкой.

Методы машинного обучения уже неоднократно менялись, и нет оснований считать, что нынешний набор инструментов останется неизменным. Поэтому полезнее иметь широкий технический фундамент: понимать нейронные сети, но одновременно владеть градиентным бустингом, обработкой естественного языка, кластеризацией и другими методами.

LLM стали чрезвычайно важным инструментом, но это не означает завершения истории машинного обучения. Следующая значимая технология в этой области ещё может оказаться неизвестной сегодня.

Используйте LLM, но не отказывайтесь от собственного мышления

Большие языковые модели уже могут существенно ускорить программирование и решение многих рабочих задач. Однако для начинающего специалиста особенно важно не перепутать выполнение работы с приобретением навыка.

Если задача поставлена для того, чтобы чему-то научиться, передача её выполнения ИИ может лишить человека именно того опыта, ради которого она была придумана. Практика и самостоятельное решение задач по-прежнему остаются основой формирования профессиональных навыков.

Это не означает, что от LLM необходимо отказаться. Напротив, их использование может дать существенный выигрыш в производительности. Но важно понимать, для чего именно применяется инструмент. Если задача заключается в обучении, самостоятельное выполнение может быть важнее скорости. Если же задача прежде всего рабочая и требуется получить результат, использование ИИ может быть вполне оправданным.

Полезно задавать себе два вопроса: цель этой работы — научиться чему-то или просто получить результат? И есть ли в этой задаче что-то, что человек способен сделать лучше модели благодаря собственному опыту, знаниям или творческому подходу?

Ответы на эти вопросы помогают определить границу между полезной автоматизацией и отказом от самостоятельного мышления.

Будьте готовы к неожиданным изменениям

Начало карьеры в Data Science неизбежно связано с неопределённостью. За последнее десятилетие область сильно изменилась, и нет оснований ожидать, что в ближайшие годы темп перемен снизится.

Появятся новые модели, инструменты и подходы. На рынок будут влиять экономические события, изменения в регулировании и технологические сдвиги. Одни навыки могут резко вырасти в цене, другие — перестать быть востребованными.

Поэтому невозможно дать студенту простой рецепт вроде «выучи эти технологии — и получишь профессию на всю жизнь». Более универсальная стратегия заключается в способности быстро осваивать новые инструменты и применять их к реальным проблемам.

В этом смысле наиболее долговечным профессиональным навыком оказывается не владение конкретной технологией, а умение решать задачи с помощью той технологии, которая окажется доступна завтра.

А что делать с самой системой?

Есть и более фундаментальный вопрос. Разговоры о том, как оставаться востребованным, неизбежно предполагают, что человек должен постоянно доказывать свою экономическую ценность и адаптироваться к требованиям рынка.

Эту предпосылку можно критиковать. Однако для студента или молодого специалиста, которому необходимо получить профессию и обеспечить собственную жизнь, критика экономической системы сама по себе не решает практических задач.

Поэтому вопрос о начале карьеры в Data Science остаётся прежде всего практическим: как получить навыки, которые позволят работать в условиях постоянных технологических изменений, не превращая карьеру в бесконечную гонку за очередным модным инструментом?

Возможно, ответ заключается не в том, чтобы угадать следующую «главную» технологию, а в том, чтобы научиться уверенно работать с неопределённостью, критически оценивать инструменты ИИ и решать реальные задачи независимо от того, какой именно набор технологий окажется актуальным через несколько лет. А как вы считаете: в эпоху ИИ именно способность решать проблемы станет главным профессиональным преимуществом человека — или сами системы искусственного интеллекта со временем вытеснят и эту компетенцию?

Источник: https://towardsdatascience.com/starting-a-career-in-data-science-in-the-age-of-ai/