Ilmuwan Data mungkin menjadi komoditas — Waktu yang tepat untuk memperbaiki cara…… – Menuju AI — Teknologi, Sains, dan Teknik Terbaik

Pengarang: Supriya Ghosh

Masa depan

Ilmuwan Data mungkin menjadi komoditas — Waktu yang tepat untuk memperbaiki cara……

Gambar oleh Penulis

Ilmu data adalah ‘pekerjaan terpanas abad ke-21 dengan gaji yang dibayar di atas rata-rata.

Menurut Studi Gaji AI & Ilmu Data 2021 oleh AIM Research, gaji seorang profesional ilmu data / analitik adalah 44 persen lebih tinggi dari pengembang perangkat lunak dan 36 persen lebih tinggi dari pengembang TI.

Perusahaan dan Wilayah di seluruh dunia menawarkan paket menarik untuk mempekerjakan data terampil, profesional sains. Hampir semua industri memanfaatkan ilmu data dalam satu atau lain cara, dan ilmuwan data sangat dibutuhkan di sebagian besar negara. Negara-negara teratas yang membayar paling tinggi kepada Ilmuwan Data adalah Amerika Serikat, Swiss, Norwegia, Australia, Kanada, Jerman, Afrika Selatan, Prancis, Belanda, dan Inggris. Daftarnya sama sekali tidak lengkap.

Tapi pertanyaan besarnya adalah, apakah itu berarti akan selalu tetap sama? Sebenarnya, ini adalah topik perdebatan.

Saat ini ilmu data dan pembelajaran mesin telah membawa gelombang transformasi yang satu dekade lalu tidak dapat dibayangkan oleh siapa pun. Sebagian besar perusahaan sekarang setidaknya menggunakan teknologi dan aplikasi ilmu data.

Sumber — https://morioh.com/p/debc898d81f3

Ilmu Data memiliki segudang aplikasi di hampir semua bidang dan bidang, seperti GIS, sistem Pertahanan, sistem rekomendasi produk, pengambilan keputusan bisnis, kendaraan cerdas, visi komputer, perawatan kesehatan, ritel, e-commerce, manufaktur, telekomunikasi, penerbangan, pintar rumah, pabrik pintar, kantor dan gedung pintar, perbankan, dll. Daftarnya sangat panjang.

Kemampuan analitis penambah nilai menyebar di setiap bidang aktivitas dengan alat dan teknik baru yang muncul dalam waktu yang luar biasa singkat. Pepatah mengatakan “Kebutuhan adalah ibu dari penemuan”. Oleh karena itu masalah baru disertai dengan penemuan baru, dan ini semua dilakukan dengan sangat cepat. Organisasi memiliki akses tak tertandingi ke komponen yang diperlukan untuk membangun kemampuan tingkat lanjut ini. Karena biaya dan biaya untuk komponen ini menurun dari hari ke hari, konsumsi analitik menjadi lebih mudah dan lebih murah — yaitu, semakin banyak organisasi yang dapat memasukkan analitik ke dalam proses mereka.

Sumber — https://www.linkedin.com/pulse/8-skills-you-really-need-become-data-scientist-2021-michael-song?trk=public_profile_article_view

Karena analitik menjadi tersedia untuk semua organisasi, para ilmuwan Data juga seperti komoditas.

Apa artinya ini?

Untuk memahami hal ini, izinkan saya menjelaskan komoditas terlebih dahulu.

Apa pun yang dapat dengan mudah diperdagangkan (dibeli atau dijual) di pasar komoditas adalah komoditas.

Dan setiap teknologi dan keterampilan panas pada akhirnya bertransisi dari yang baru muncul menjadi komoditas jika tidak dimanfaatkan dengan bijak.

Sumber — https://www.dreamstime.com/royalty-free-stock-image-commodities-trading-image18038796

Data Para ilmuwan cenderung mengambil karakteristik suatu komoditas di tahun-tahun mendatang. Dengan pertumbuhan pada puncaknya di bidang ini, semua orang sekarang ingin bergabung dengan perlombaan tikus ilmiah ini tanpa ketinggalan.

Ini mengingatkan saya pada sebuah dialog dari film “Incredibles” yang akan saya parafrasekan sebagai:

“Semua orang bisa menjadi super atau spesial!!!

Dan ketika semua orang super atau spesial, maka tidak ada seorang pun.”

Karena semakin banyak perusahaan yang mengadopsi dan mengadaptasi analitik, apa arti komoditisasi ilmuwan data yang akan datang?

Ada kemungkinan besar bahwa ilmuwan data masa depan dapat diperdagangkan seperti komoditas.

Pemikiran tentang era seperti itu menakutkan dan membutuhkan analisis dan penyelidikan yang lebih dalam.

Bayangkan apa yang akan terjadi ketika para ilmuwan data tidak lagi mampu menawarkan perspektif baru dan berbeda?

Dengan perspektif baru dan berbeda, itu berarti seperangkat pandangan dan manfaat baru selain yang sudah terbukti.

Data akan terus dihasilkan berlipat ganda tetapi teknik untuk memproses data tersebut mungkin menjadi stagnan dan mungkin tidak menawarkan perspektif tambahan yang berbeda karena keterampilan amatir dari ilmuwan data yang mungkin tetap tidak tertandingi dengan algoritme, alat, dan teknik.

Sumber — https://analyticsindiamag.com/10-memes-data-scientists-absolutely-love/

Biarkan saya menguraikan lebih lanjut.

Salah satu tren terbaru yang terlihat adalah bahwa banyak ilmuwan data saat ini telah terjun ke lapangan untuk mendapatkan gaji yang bagus tanpa berpikir dua kali. Sayangnya, mereka didorong oleh kecerdasan glamor dan keuntungan moneter. Ilmu data adalah tentang mendefinisikan dan memecahkan masalah bisnis tetapi di satu sisi, mereka gagal memahami atau menghargai aspek bisnis dari masalah dan di sisi lain, mereka kurang terpapar pada aspek rekayasa pengembangan solusi serta pengetahuan domain.

Lebih jauh,

Apa yang dapat dilakukan secara berbeda untuk menghindari situasi ini?

Bagaimana ilmuwan data masa depan dapat membentuk diri mereka sendiri agar tidak menjadi usang?

Keterampilan apa yang mereka butuhkan untuk berinvestasi?

Di bawah ini adalah daftar yang tidak lengkap.

1. Memahami masalah aspek bisnis karena pada akhirnya semuanya perlu diwujudkan dalam hal keuntungan bisnis.

2. Mengembangkan pengetahuan domain

3. Belajar, berpikir, dan berbicara bahasa bisnis. Sebagian besar waktu, aturan bisnis sederhana yang dipelajari menambah banyak nilai.

4. Tidak fokus pada teknik yang modis tanpa memiliki dasar yang kuat dalam algoritma, matematika, dan statistik. Misalnya, Banyak ilmuwan data berasumsi bahwa mereka hanya perlu memahami pembelajaran mendalam tanpa memiliki pemahaman yang komprehensif tentang asumsi apa yang dibuat tentang data, bagaimana data tersebut perlu dievaluasi, parameter perubahan apa yang berdampak, di mana tepatnya pembelajaran mendalam melebihi pembelajaran mesin, dll.)

5. Tidak menggunakan pembelajaran mendalam ketika seseorang tidak membutuhkannya, dan dalam 80–90% kasus bisnis, ilmuwan data tidak membutuhkannya.

6. Selalu menjadi perhatian dan mendapatkan keterampilan pemecahan masalah lebih dan lebih.

7. Belajar setiap hari — menjadi seperti Mesin Pembelajaran tetapi ingat untuk mengambil langkah kecil dan mengikuti Prinsip Kaizen.

8. Menghabiskan sebagian besar waktu untuk memahami domain, masalah bisnis, data, dan cara menambah nilai dengan analitik.

9. Prediksi itu mudah, menciptakan dampak bisnis itu sulit. Oleh karena itu, bekerja sama dengan tim pemasaran untuk memahami secara mendalam konteks bisnis, kebutuhan pelanggan, dll.

10. Banyak waktu mengorbankan kinerja model untuk kinerja bisnis yang lebih baik.

11. Memberikan rekomendasi untuk tindakan yang berwawasan luas karena rekomendasi dapat menjadi komoditas tetapi tindakan tidak.

12.Selalu fokus pada keputusan yang akan dipengaruhi/ditingkatkan.

13.Selalu menjajaki peluang untuk menambah nilai dari analitik.

14.Fokus pada kriteria seleksi.

15.Fokus pada kriteria keberhasilan atau KPI.

Dengan ini, saya menyimpulkan. Ini sepenuhnya perspektif saya yang telah saya sebutkan. Tolong jangan menganggap ini sebagai kenyataan final dan terikat. Bagaimanapun, topik ini tetap terbuka untuk perdebatan panjang.

Ilmuwan Data mungkin menjadi komoditas — Waktu yang tepat untuk memperbaiki cara…… awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Menuju AI