El mercado de la ciencia de datos y la IA puede estar buscando una recalibración

Se suponía que ser científico de datos period “el trabajo más horny del siglo XXI”. Si el famoso Revisión de negocios de Harvard aforismo de 2012 contiene agua es algo subjetivo, dependiendo de cómo interpretes “horny”. Sin embargo, los datos en torno a los científicos de datos, así como los roles relacionados con la ingeniería de datos y los analistas de datos, están comenzando a hacer sonar las alarmas.

La parte subjetiva del aforismo de HBR es si realmente le gusta encontrar y limpiar datos, construir y depurar canalizaciones de datos y código de integración, así como construir y mejorar modelos de aprendizaje automático. Esa lista de tareas, en ese orden, es en lo que los científicos de datos pasan la mayor parte de su tiempo.

Algunas personas se sienten realmente atraídas por las carreras centradas en datos por la descripción del trabajo; el crecimiento de la demanda y de los salarios atrae más a otros. Mientras que la lados oscuros de la descripción del trabajo en sí no son desconocidos, la parte de crecimiento y salarios no fue muy discutida. Sin embargo, eso puede estar cambiando: los roles de científico de datos todavía están en demanda, pero no son inmunes a la agitación del mercado.

Señales mezcladas

A principios de 2022, se hizo evidente la primera señal de que algo podría estar cambiando. como un Análisis de espectro IEEE de los datos publicados por la empresa de contratación en línea Dado mostró que, en 2021, los salarios de inteligencia synthetic y aprendizaje automático cayeron, aunque, en promedio, los salarios tecnológicos de EE. UU. subieron casi un 7 %.

En normal, 2021 fue un buen año para los profesionales de la tecnología en los Estados Unidos, con un aumento del salario promedio del 6,9 % a $104 566. Sin embargo, como señala IEEE Spectrum, la competencia por el aprendizaje automático, el procesamiento del lenguaje pure y los expertos en inteligencia synthetic se suavizó, y los salarios promedio cayeron un 2,1 %, un 7,8 % y un 8,9 %, respectivamente.

Es la primera vez que esto ocurre en los últimos años, ya que los salarios promedio en EE. UU. para ingenieros de software program con experiencia en aprendizaje automático, por ejemplo, aumentaron un 22 % en 2019 con respecto a 2018, y luego aumentaron otro 3,1 % en 2020. Al mismo tiempo, la demanda para los roles de científico de datos no muestra signos de disminuir, al contrario.

Las plataformas de contratación de desarrolladores informan que han visto un fuerte aumento en la demanda de habilidades de TI relacionadas con la ciencia de datos. Lo último Informe de habilidades de TI por la plataforma de entrevistas y evaluación de desarrolladores DevSkiller registró un aumento del 295 % en la cantidad de tareas relacionadas con la ciencia de datos que los reclutadores establecieron para los candidatos en el proceso de entrevistas durante 2021.

CodinGame y CoderPad Encuesta de contratación de tecnología 2022 también identificó la ciencia de datos como una profesión para la cual la demanda supera con creces la oferta, junto con los especialistas en DevOps y aprendizaje automático. Como resultado, de ZDNet Notas de Owen Hugheslos empleadores tendrán que reevaluar tanto los salarios como los paquetes de beneficios que ofrecen a los empleados si esperan seguir siendo competitivos.

Además, 2021 vio lo que se conoció como el “Gran Resignación” o “gran reorganización” — un momento en que todos están reconsiderando todo, incluidas sus carreras. En teoría, tener una parte de la fuerza laboral redefiniendo su trayectoria y metas y/o renunciar debería aumentar la demanda y los salarios — análisis sobre por qué los científicos de datos renuncian y qué pueden hacer los empleadores para retenerlos comenzó a hacer las rondas.

Luego llegaron los despidos, incluidos los despidos de científicos de datos, ingenieros de datos y analistas de datos. Como Análisis de LinkedIn de la última ronda de notas de despidosel tumultuoso año del sector tecnológico ha estado marcado por anuncios diarios de despidos, congelación de contrataciones y ofertas de trabajo rescindidas.

Aproximadamente 17,000 trabajadores de más de 70 nuevas empresas tecnológicas en todo el mundo fueron despedidos en mayo, un aumento del 350% desde abril. Esta es la cifra más significativa de puestos de trabajo perdidos en el sector desde mayo de 2020, en pleno apogeo de la pandemia. Además, los gigantes tecnológicos como netflix y Paypal también están perdiendo empleos, mientras que Uber, Lyft, Siesta y Meta han frenado la contratación.

Según datos compartidos por el sitio de seguimiento de despidos tecnológicos Despidos.para tu información, los despidos oscilan entre el 7% y el 33% de la fuerza laboral en las empresas rastreadas. Profundizar en los datos específicos de la empresa muestra que estos también incluyen roles orientados a datos.

Mirando datos de FinTech Klarna y inicio de seguros PolicyGenius los despidos, por ejemplo, muestran que los roles de científico de datos, ingeniero de datos y analista de datos se ven afectados tanto en los niveles junior como senior. En ambas empresas, esos roles representan cerca del 4% de los despidos.

Coolies de alta tecnología que se codifican a sí mismos fuera de sus trabajos

Entonces, ¿qué vamos a hacer con esas señales contradictorias? La demanda de tareas relacionadas con la ciencia de datos parece ser sólida, pero los salarios están cayendo y esos roles tampoco son inmunes a los despidos. Cada una de esas señales viene con sus propios antecedentes e implicaciones. Intentemos desglosarlos y ver qué significa su confluencia para los buscadores de empleo y los empleadores.

Como dijo la directora de advertising de Cube, Michelle Marian, a IEEE Spectrum, hay una variedad de factores que probablemente contribuyan a las disminuciones en el aprendizaje automático y los salarios de IA, con una consideración importante que es que más tecnólogos están aprendiendo y dominando estos conjuntos de habilidades:

“Los aumentos en el grupo de talentos con el tiempo pueden hacer que los empleadores deban pagar al menos un poco menos, dado que los conjuntos de habilidades son más fáciles de encontrar. Hemos visto que esto ocurre con una variedad de certificaciones y otras habilidades tecnológicas altamente especializadas”, dijo. Mariano.

Parece una conclusión razonable. Sin embargo, para la ciencia de datos y el aprendizaje automático, también puede haber algo más en juego. Los científicos de datos y los expertos en aprendizaje automático no solo compiten entre sí, sino también cada vez más contra la automatización. Como señala Peter Yuen, gestor de cartera cuantitativa con sede en Hong Kong, los quants han visto todo esto antes.

Impulsado por la noticia de que los principales investigadores de IA obtuvieron salarios en el rango de $ 1 millón, Yuen escribe que esto “debería interpretarse con mayor precisión como una continuación de una larga tendencia de coolies de alta tecnología que se codifican a sí mismos fuera de sus trabajos en un contexto de exceso de oferta international de mano de obra calificada”.

Si se tiene en cuenta la experiencia de tres generaciones de quants en la automatización de los mercados financieros, escribe Yuen, la automatización de los profesionales de IA de base en muchas industrias está quizás a solo una década de distancia. Después de eso, agrega, un pequeño grupo de profesionales de IA de élite habrán logrado el estatus de gerentes o propietarios, mientras que el resto está atrapado en trabajos de salario promedio encargados de monitorear y mantener sus creaciones.

Es posible que ya estemos en las etapas iniciales de este ciclo, como lo demuestran desarrollos como AutoML y bibliotecas de modelos de aprendizaje automático listos para usar. Si la historia sirve de algo, entonces lo que Yuen describe probablemente también sucederá, lo que inevitablemente generará preguntas sobre cómo los trabajadores desplazados pueden “subir en la pila”.

El estallido de la burbuja de la IA

Sin embargo, probablemente sea seguro asumir que los roles de ciencia de datos no tendrán que preocuparse demasiado por eso en el futuro inmediato. Después de todo, otro El hecho citado con frecuencia sobre los proyectos de ciencia de datos es que ~80% de ellos todavía fallan por un número de razones. uno de los mas casos públicos de fracaso de la ciencia de datos fue Zillow.

El negocio de Zillow llegó a depender en gran medida del equipo de ciencia de datos para crear modelos predictivos precisos para su servicio de compra de viviendas. Al last resultó que, los modelos no eran tan precisos. Como resultado, las acciones de la empresa cayeron más del 30 % en 5 días, el director ejecutivo culpó mucho al equipo de ciencia de datos y el 25 % del private fue despedido.

Si el equipo de ciencia de datos tuvo o no la culpa en Zillow está en debate. En cuanto a los despidos recientes, probablemente deberían verse como parte de un cambio mayor en la economía en lugar de una falla de los equipos de ciencia de datos per se. Como el editor de la comunidad de Knowledge Science Central, Kurt Cagle escribese habla de un inminente invierno de IA, que se remonta al período de la década de 1970 cuando la financiación de las empresas de IA se agotó por completo.

Cagle cree que si bien es poco possible un AI Winter, se puede esperar un AI Autumn con un enfriamiento de un campo de capital de riesgo exagerado en el espacio. El invierno de la IA de la década de 1970 se debió en gran parte al hecho de que la tecnología no estaba a la altura de la tarea y no había suficientes datos digitalizados.

En la actualidad, se dispone de una potencia informática mucho mayor y la cantidad de datos también se está disparando. Cagle argumenta que el problema podría ser que nos estamos acercando a los límites de las arquitecturas de redes neuronales empleadas actualmente. Cagle agrega que un período en el que las mentes brillantes puedan realmente descansar e innovar en lugar de simplemente aplicar el pensamiento establecido probablemente le haría bien a la industria.

Como muchos otros, Cagle señala deficiencias en la escuela de pensamiento “el aprendizaje profundo podrá hacerlo todo”. Esta crítica parece válida, y la incorporación de enfoques que hoy se pasan por alto podría impulsar el progreso en el campo. Sin embargo, no olvidemos que el lado tecnológico de las cosas no es todo lo que importa aquí.

Tal vez la historia reciente pueda ofrecer algunas concepts: ¿qué nos puede enseñar la historia del desarrollo de software program e Web? En cierto modo, el punto en el que nos encontramos ahora recuerda a la period de la burbuja de las puntocom: mayor disponibilidad de capital, especulación excesiva, expectativas poco realistas y valoraciones por encima del techo. Hoy, es posible que nos dirijamos hacia el estallido de la burbuja de la IA.

Eso no significa que los roles de ciencia de datos perderán su atractivo de la noche a la mañana o que lo que hacen no tenga valor. Después de todo, los ingenieros de software program todavía están en demanda por todo el progreso y la automatización que la ingeniería de software program ha visto en las últimas décadas. Pero probablemente signifique que se debe realizar una recalibración, y las expectativas deben gestionarse en consecuencia.