بررسی تحولات پیرامون عنوان شغلی علم داده‌ها
آینده علم داده‌ها و چشم‌انداز شغلی این حرفه به چه صورتی است؟
امروزه، دانشمندان داده مورد توجه شرکت‌های مختلف هستند. به بیان دقیق‌تر، این متخصصان تنها در صنعت فناوری اطلاعات مشغول به کار نیستند، صنایع مختلفی مثل بانک‌داری، بورس، تبلیغات و بازاریابی، خرده‌فروشی‌های آنلاین و غیره به‌دنبال جذب این متخصصان هستند، زیرا سازمان‌هایی که موفق به جذب استعدادهای این رشته شوند، به مزیت رقابتی بزرگی نسبت به رقبا دست پیدا می‌کنند. با این حال، در میان مشاغل حوزه هوش مصنوعی یا به بیان دقیق‌تر، داده‌محور، عنوان شغلی دانشمند داده به‌دلیل نوآوری‌های مستمر در حوزه فناوری و ارائه ابزارهای نوین دائما در حال پیشرفت است. به‌طور مثال، در گذشته عناوینی مثل آمارگیری (Statistician)، آکچوئری (Actuary) یا همان علم محاسبات و تحلیل پیشرفته داده‌های کمی
(Advanced Quantitative Data Analysis)، مقدم بر علم داده‌ها بودند، اما امروزه در زیرمجموعه عنوان شغلی دانشمند داده قرار گرفته‌اند. با این حال، کارشناسان هنوز به‌درستی قادر نیستند دورنمای تغییرات این عنوان شغلی را پیش‌بینی کنند. به‌طور مثال، به‌رغم تقاضای زیاد برای دانشمندان داده، الزامات روشنی برای این شغل وجود ندارد.

مطلب پیشنهادی

علم داده‌ها چیست، چه کاری انجام می‌دهد و چرا مورد توجه شرکت‌ها قرار دارد؟

آیا شغل علم داده آینده‌دار است؟ 

کارشناسان بر این باور هستند که 80 درصد کاری که یک دانشمند داده انجام می‌دهد آماده‌سازی داده‌ها برای تجزیه‌وتحلیل است. اکنون، ارائه‌دهندگان فناوری، پلتفرم‌هایی را ارائه می‌کنند که وظایف و داده‌های انتزاعی را به‌طور خودکار و بدون کدنویسی در اختیار کسب‌‌وکارها قرار می‌دهند و به‌طور بالقوه بیشتر کارهای یک دانشمند علم داده‌ها را انجام می‌دهند. 

کاتلین فیدرینگهام  (Kathleen Featheringham)، مدیر استراتژی هوش مصنوعی و آموزش در شرکت مشاوره مدیریت و فناوری Booz Allen Hamilton در این باره می‌گوید: «این احتمال وجود دارد که در آینده عنوان شغلی دانشمند داده با تغییرات گسترده‌ای روبه‌رو شود، زیرا ابزارها به‌سرعت در حال هوشمند شدن هستند.» 

به‌طور مثال، در گذشته اگر در نظر داشتید وب‌سایتی را طراحی کنید، مجبور بودید افراد زیادی را استخدام کنید که متخصص در کدنویسی بودند، اما اکنون می‌توانید از ابزارهای آنلاینی استفاده کنید که وب‌سایت شما را متناسب با نیازهای‌تان توسعه دهند. با این‌حال، تغییرات گسترده قرار نیست در کوتاه‌مدت به‌وجود آیند». 

آیا هوش مصنوعی و اتوماسیون جایگزین دانشمندان داده خواهند شد؟

پیش‌بینی آینده هوش مصنوعی مستلزم شناخت گذشته آن است. علم داده مبتنی بر تجزیه‌وتحلیل یا استوکاستیک (Stochastic)، تئوری احتمال و تجزیه‌وتحلیل در قالب کدنویسی است. در همین باره، زبان برنامه‌نویسی آر، به‌عنوان معادل ابزارهای منبع‌باز SASS و SRS که دو بسته تحلیلی سنتی هستند که قدمت آن‌ها به زبان برنامه‌نویسی فورترن (Fortran) بازمی‌گردد، اشاره دارد. در اکوسیستم پایتون نیز بسته‌های نرم‌افزاری مشابهی برای تحلیل داده‌ها و ادغام نتایج با دیگر مولفه‌ها، توسعه پیدا کرده است. 

با این‌حال، این ابزارها و نمونه‌های مشابهی که برای ساخت خطوط انتقال داده‌ها مورد استفاده قرار می‌گیرند، جای خود را به پلتفرم‌هایی مثل Alteryx یا Microsoft BI دادند که نیاز به دانش و تجربه برنامه‌نویسی را کاهش داده‌اند، اما افراد برای کار با آن‌ها به پیش‌زمینه قوی در آمار و احتمالات نیاز دارند. البته، بعید به‌نظر می‌رسد که پلتفرم‌های فوق بتوانند قابلیت‌های کاربردی دقیقی برای مدل‌سازی و ساخت خطوط انتقال داده‌ها ارائه کنند و ما همچنان به متخصصانی در این زمینه نیاز خواهیم داشت. بنابراین در حالی که ممکن است وابستگی به ‌عنوان شغلی دانشمند داده کم‌رنگ شود، اما نیاز به تحلیل‌گران متخصص در این زمینه ادامه خواهد داشت.

شناخت گراف که از نمودارهای ریاضی برای پشتیبانی از تحلیل استنتاجی استفاده می‌کند، برای مدتی خارج از قلمرو رسمی علم داده بود، اما اکنون دوباره به دنیای علم داده‌ها و یادگیری ماشین وارد شده است، زیرا در بیشتر موارد راه‌حل‌های یادگیری ماشین خالص بدون وجود گراف‌ها ارزش چندانی ندارند. سیستم‌های استنتاجی یکی از زمینه‌های جذاب‌ این روزهای دنیای فناوری است، به‌طوری که شبکه‌های عصبی به‌عنوان نمودارها نشان داده می‌شوند و تئوری‌هایی مثل قضیه بیز و مارکوف بر مبنای سیستم‌های گراف راهکاری جدید برای مدیریت و تحلیل‌های پیشگویانه ارائه می‌کنند. 

محاسبات کوانتومی چگونه بر مشاغل علم داده تاثیر می‌گذارد؟

رایانش کوانتومی و علم اطلاعات کوانتومی هنوز در ابتدای راه خود قرار دارند، اما دورنما و بازار جدیدی را برای دانشمندان داده ترسیم کرده‌اند. پتی لی دانشمند ارشد شرکت Honeywell Quantum Solutions در این باره می‌گوید: «اگر در حال انجام محاسبات روی یک کامپیوتر کلاسیک هستید و تعداد زیادی ورودی اولیه دارید، باید آن‌ها را تک به تک اجرا کنید، اما در یک کامپیوتر کوانتومی، می‌توانید آن‌ها را همزمان اجرا کنید. شما نمی‌توانید فقط یک الگوریتم محاسباتی کلاسیک را انتخاب کنید و آن را به یک کامپیوتر کوانتومی انتقال دهید. شما باید الگوریتم‌های جدیدی توسعه دهید که از خواص مکانیک کوانتومی استفاده کنند تا بتوانید اطلاعات را از دل داده‌ها به این شیوه استخراج کنید».

دانشمندان داده‌های کوانتومی باید مکانیک کوانتومی و نحوه استفاده از الگوریتم کوانتومی برای حل یک مشکل خاص را درک کنند. با این حال، لی فکر نمی‌کند که رشته یا عنوان شغلی جدیدی در این زمینه ابداع شود. 

لی می‌گوید: «ما به افراد زیادی نیاز داریم که آشنایی کامل با دنیای فیزیک کوانتوم، مباحث دنیای کسب‌و‌کارها و نظریه‌های کوانتومی داشته باشند و همچنین بر الگوریتم‌های کوانتومی نیز مسلط باشند. با این‌حال، به‌ندرت افرادی را پیدا می‌کنید که همه این الزامات را داشته باشند، از این‌رو به متخصصانی نیاز خواهیم داشت که نقش واسط میان متخصصان دنیای تجارت و کوانتوم را بازی کنند و صحبت‌های این افراد را برای یک‌دیگر ترجمه کنند».

مطلب پیشنهادی

نقشه راهی که شما را به یک دانشمند داده خبره تبدیل می‌کند

عنوان شغلی دانشمند داده در مقابل مهندس داده

در دنیای امروز، شرکت‌ها بهتر است به‌دنبال جذب افرادی باشند که مهارت‌های مبتنی بر داده‌ها را داشته باشند. عناوین شغلی مختلف به شرکت‌ها کمک می‌کند تا دامنه مسئولیت‌ها، شرح وظایف و دستمزد‌های مشاغل مختلف را به‌خوبی ترسیم کنند. البته، نکته‌ای که باید به آن دقت کنید این است که گاهی اوقات ‌عنوان شغلی دانشمند داده ممکن است به نقش دیگری تبدیل شود، زیرا شرکت‌ها نیازهای مختلفی دارند و گاهی‌اوقات یک دانشمند داده مجبور است وظایف متخصصان دیگر را نیز انجام دهد. 

راب وستون، بنیان‌گذار Heimdal Satellite Technologies می‌گوید: «در ایالات متحده ممکن است یک مهندس داده به یک دانشمند داده تبدیل شود، در حالی که در کشورهای دیگری مثل انگلستان برعکس این قضیه اتفاق می‌افتد. در هر دو حالت، شرکت‌ها انتظار دارند دانشمندان داده، در حوزه یادگیری ماشین نیز مهارت بالایی داشته باشند، اما مطلقا این‌گونه نیست. چالش اصلی این است که حجم و تنوع داده‌ها در حال تغییر است و همین مسئله باعث شده تا توانایی مدیریت و انتقال داده‌ها به یکی از چالش‌های بزرگ دنیای مهندسی تبدیل شود».

بیشتر سازمان‌ها بر این باور هستند که به یک دانشمند داده نیاز دارند، اما ممکن است این‌گونه نباشد. چاک کینکید، دانشمند داده و معمار محصول شرکت Experis Solutions می‌گوید: «بسیاری از مدیران عامل کلمات کلیدی را می‌شنوند و تصمیم می‌گیرند آن کلمات کلیدی را که برآیند عناوین شغلی است به مجموعه خود اضافه کنند، در حالی ممکن است به آن عنوان شغلی نیازی نداشته باشند. یکی از بزرگ‌ترین چالش‌هایی که شرکت‌ها با آن روبه‌رو هستند، جویندگان کاری است که ابزارهای نرم‌افزاری مختلفی را در رزومه خود فهرست می‌کنند، اما نمی‌دانند چگونه از آن‌ها به‌درستی استفاده کنند. همچنین، جویندگان کاری وجود دارند که سعی می‌کنند به کارفرمایان نشان دهند مسئولیت هدایت یک پروژه داده‌محور بر عهده آن‌ها بوده، در حالی که این‌گونه نیست».

مدارک اولیه دانشمندان داده

انجمن علوم داده، یک انجمن حرفه‌ای غیرانتفاعی متشکل از دانشمندان داده، در نظر دارد استانداردها، گواهینامه‌ها و مجوزهای علم داده را تدوین کند. از نقطه نظر شغلی، این حرف به این معنا است که دانشمندان داده برای درخواست دریافت مجوز باید معیارهای از‌پیش‌تعریف‌شده را داشته باشند. در نتیجه اگر متخصصی مجوز مربوطه را نداشته باشند، قادر نخواهد بود از این عنوان شغلی به‌شکل رسمی استفاده کند. 

وستون می‌گوید: «اگر به یک جوینده کار یک سناریوی فرضی بدهید، 49 نفر از 50 به شما خواهند گفت که هرگز در صنعتی که آن سناریوی فرضی در آن اتفاق افتاده کار نکرده‌اند، در حالی که باید از مهارت‌های خود برای حل مسئله و دستیابی به نتیجه موردنظر استفاده کنند. من اخیرا با فردی مصاحبه کردم که یک رزومه طولانی داشت و ادعا می‌کرد در حوزه علم داده و کلان‌داده نقش‌های زیادی داشته است و در ادامه بر این نکته تاکید داشت که ما به تجزیه‌و‌تحلیل‌های پیچیده نیاز داریم، زیرا با داده‌هایی در مقیاس پتابایت سروکار داریم. من گفتم که ما برای بیشتر پروژه‌های خود از پایتون استفاده می‌کنیم. چگونه می‌توانیم از پایتون در EMR Spark استفاده کنیم، از چه کتاب‌خانه‌هایی می‌توانیم استفاده کنیم؟ او پاسخی برای این پرسش نداشت و هرگز نام PySpark را نشنیده بود. این یک پرسش عادی است، زیرا در رزومه خود به سه سال تجربه کار عملی در این زمینه اشاره کرده بود». 

بیشتر دانشمندان خبره داده ترجیح می‌دهند مدارک کارشناسی یا کارشناسی ارشد در ریاضیات یا آمار کسب کنند تا بتوانند به‌شکل ساده‌ای مسائل را حل کنند. برخی دیگر با پیشینه‌ای در علوم کامپیوتر، فیزیک یا موضوعات دیگر به این حوزه وارد می‌شوند. فیدرینگهام در این باره می‌گوید: «آیا معتقدم که دانشمندان داده باید مدارک خاص داشته باشند؟ مطلقا این‌گونه نیست. هر شرکتی معیارهای خاص خود را دارد، اما افرادی که ذاتا کنجکاو هستند، شانس بیشتری برای موفقیت در این حوزه دارند. مانند بیشتر مشاغل دنیای فناوری، یک دانشمند داده ممکن است در گذر زمان به‌فکر یادگیری مهارت‌های دیگری باشد و به سراغ عناوین شغلی دیگری برود». 

دورنمای این حوزه نشان می‌دهد نقش دانشمند داده در حال تغییر است، هرچند چگونگی این تغییر به‌درستی روشن نیست. راه‌حل‌های خودکار برخی از کارها را تسریع و ساده‌تر می‌کنند، اما هنوز دنیای فناوری اطلاعات به دانشمندان داده برای انجام بیشتر کارها نیاز دارد. در همین حال، فرصت‌های دیگری مثل علم داده‌های کوانتومی در حال ظهور هستند. در چنین شرایطی، پرسش مهمی که مطرح می‌شود این است که آیا مشاغل دانشمند داده ناپدید می‌شوند؟ برخی بر این باور هستند که عنوان شغلی فوق هیچ‌گاه حذف نخواهد شد، اما ممکن است در آینده با تغییرات گسترده‌ای همراه شود. 

متخصصان علم داده چه تفاوتی با متخصصان هوش تجاری دارند؟

وظایف شغلی یک دانشمند داده ممکن است شبیه به وظایف یک متخصص هوش تجاری به‌نظر برسد، اما تفاوت‌های قابل توجهی وجود دارد. هوش تجاری برای تجزیه‌وتحلیل داده‌های خاص از استراتژی‌ها و فناوری‌های خاصی استفاده می‌کند تا پیش‌بینی‌هایی در مورد عملیات روزانه کسب‌و‌کارها ارائه دهد. هوش تجاری از اطلاعات ساختاریافته استفاده می‌کند و در حوزه تجزیه‌وتحلیل، بیشتر بر مبنای این اطلاعات کار می‌کند و از ابزارهای مصورسازی و گزارش‌های متمرکز زیادی استفاده می‌کند که بر مبنای تکنیک‌های آماری استاندارد ساخته شده‌اند. این اطلاعات مورد تجزیه‌وتحلیل قرار می‌گیرند تا روندها را مشخص کنند. 

اگر به علم داده نگاه کنید، متوجه می‌شوید که از داده‌های اسکریپتی و داده‌های بدون ساختار استفاده می‌کند و بیشتر مبتنی بر علوم مهندسی و ریاضیات است و از اشکال مختلف تحلیل‌های آماری و پیش‌بینی پیچیده استفاده می‌کند. 

وضعیت فعلی تقاضا برای دانشمندان داده چگونه است؟

به‌طور کلی، دانش و مهارت‌های بسیار تخصصی برای ورود به این حوزه نیاز است. بنابراین، شکافی بزرگ بین عرضه و تقاضا وجود دارد. همه افرادی که در علم داده هستند از این نکته مطلع هستند. به‌طور مثال، اگر به بازار کار ایالات متحده در این زمینه نگاه کنید، متوجه می‌شوید که بازار فوق به بیش از 150000 دانشمند داده نیاز است. همچنین، در اروپا و آسیا نیز شرکت‌ها با کمبود متخصصان آشنا به مهارت‌های علم داده روبه‌رو هستند. شرکت‌هایی که حجم گسترد‌ه و متنوعی از داده‌ها را تولید می‌کنند و نیازمند جذب متخصصان علم داده هستند، در این زمینه با با مشکلات جدی روبه‌رو می‌شوند، زیرا پیچیدگی داده‌ها باعث شده تا افراد مجبور شوند برای تحلیل داده‌های مختلف از روش‌ها و ابزارهای مختلفی استفاده کنند. بنابراین، اگر فردی قصد دارد یک دانشمند داده خبره شود، باید بتواند از پس مسائل فنی برآید، مهارت‌های ارتباطی خوبی داشته باشد و درباره مسائل ابتدایی حوزه تجارت، دانش پایه داشته باشد. تحقیقات انجام‌شده نشان می‌دهند، 94 درصد دانشمندان و فارغ‌التحصیلان رشته‌های داده‌محور از سال 2011 تا به امروز شغل موردنظر خود در این زمینه را پیدا کرده‌اند. ۹۴ درصد به این معنا است که اگر تصمیم دارید به این حوزه وارد شوید قادر به یافتن شغل دلخواه خود خواهید بود. شما می‌توانید به‌خوبی این مسئله را مشاهده کنید که چگونه عنوان شغلی فوق به‌سرعت در حال پیشرفت و تکامل است. اگر به حوزه‌هایی مثل اینترنت اشیاء، داده‌های اجتماعی و دنیای مجازی که چند سال دیگر به‌شکل عینی مورد توجه شرکت‌ها قرار خواهند گرفت نگاه کنیم، متوجه می‌شویم که تمامی این مشاغل به متخصصانی نیاز دارند که توانایی تحلیل داده‌ها را داشته باشند. اداره آمار کار ایالات متحده پیش‌بینی می‌کند تا سال 2026 یعنی حدود چهار سال دیگر، 11.5 میلیون موقعیت شغلی در علم داده و تجزیه‌وتحلیل پدید خواهد آمد. 

آیا این رشته تخصصی‌تر می‌شود؟

شرکت‌ها به‌دنبال استعدادها و مهارت‌های خاصی هستند که بتوانند به آن‌ها در خلق ایده‌های جدید و نوآورانه کمک کنند. اگر مجموعه‌ای از مهارت‌های خاص را ندارید، به‌سختی قادر به یافتن شغلی در این زمینه هستید. 

اکنون که تقریبا به ماه‌های پایانی سال 2022 نزدیک شده‌ایم و به آینده نگاه می‌کنیم، به‌خوبی مشاهده می‌کنیم که علم داده به مهارت‌های تخصصی‌تری نیاز دارد، بنابراین به این مسئله فکر کنید که می‌خواهید چه کاری انجام دهید، چه کاری را دوست دارید و شروع به یافتن آن کنید. واقعیت این است که دنیای مشاغل داده‌محور دارای انشعاب‌های زیادی است که یکی از آن‌ها دانشمند داده است. مهم این است که مشخص کنید چه هدفی دارید. به‌طور مثال، می‌توانید به‌ موقعیت شغلی دانشمند که باید روی یک زمینه خاص از هوش مصنوعی تمرکز کند و سپس به برچسب‌گذاری داده‌ها بپردازد، فکر کنید یا می‌توانید به یادگیری ماشین یا محاسبات موازی فکر کنید. اهمیت روزافزون تجزیه‌وتحلیل داده‌ها باعث می‌شود که سازمان‌ها رویکرد خود نسبت به جذب متخصصان را تغییر دهند و به‌دنبال جذب استعدادهای برتر در زمینه تحلیل داده‌های خاص باشند. 

چه تحولاتی نیاز به دانشمندان داده در آینده را بیشتر می‌کند؟

بر اساس شاخص اطمینان امنیت داده Gemalto تقریبا نزدیک به 65 درصد مشاغل نمی‌توانند داده‌هایی را که ذخیره کرده‌اند تجزیه‌وتحلیل یا دسته‌بندی کنند. این مشکلی است که بیشتر شرکت‌ها دارند. آن‌ها نمی‌توانند داده‌های فعلی را که ذخیره می‌کنند مدیریت کنند، بنابراین شرکت‌ها در مدیریت داده‌هایی که دائما در حال تولید هستند با مشکل جدی روبه‌رو هستند. رشد داده‌ها نقش مهمی در نیاز بازار به دانشمندان داده دارد، این حرف بدان معنا است که مجموعه مهارت‌های ویژه به‌طور فزاینده‌ای در این حوزه مهم و برجسته می‌شوند.

مهم‌ترین مهارت‌های نرم که دانشمندان داده باید داشته باشند چیست؟

یکی از مهارت‌هایی که واقعا مهم است و متاسفانه برخی دانشمندان داده فاقد آن هستند، برقراری ارتباط کلامی و نوشتاری است. اگر نتوانید به‌طور موثر با افراد ارتباط برقرار کنید، مورد توجه شرکت‌ها قرار نخواهید گرفت. بنابراین باید بتوانید مفاهیم تخصصی را به‌شکل ساده‌ای برای افراد بازگو کنید. شما باید ایده‌ها و اهداف خود را با کاربران و مدیران کسب‌و‌کار به روشی که آن‌ها درک کنند به‌اشتراک بگذارید. این مهارت به اندازه‌ای ارزشمند است که شانس شما برای احراز یک عنوان شغلی را افزایش می‌دهد. همچنین، باید بتوانید در قالب تیم کار کنید. به‌عنوان یک دانشمند داده، اگر بتوانید بینش خود را با کاربران غیرفنی به‌اشتراک بگذارید، به‌گونه‌ای که آن‌ها بتوانند منظور شما را به‌سرعت درک کنند، در کار خود موفق خواهید شد. سازگاری یکی از مهارت‌های مهم در این زمینه است. 

دانشمندان داده مشتاق چگونه باید برای حرفه خود آماده شوند؟

شما باید روزانه تمرین‌های زیادی انجام دهید، دانش خود درباره ابزارهای ارائه‌شده در این حوزه را افزایش دهید و به‌فکر یادگیری مهارت‌های تخصصی باشید. شرکت‌ها همیشه به‌دنبال دانشمندان داده‌ای با مهارت‌های خاص هستند، اما افرادی که مدارک مناسب دارند در اولویت قرار دارند. دنبال کردن آموزش مداوم و مهارت‌ها در این زمینه، دارایی‌ ارزشمندی است، زیرا فناوری به‌سرعت در حال پیشرفت است. حوزه‌های آموزشی خاصی وجود دارند که می‌توانید با در نظر گرفتن چشم‌انداز شغلی آینده خود به‌عنوان یک دانشمند داده، روی آن‌ها تمرکز کنید. بنابراین، می‌توانید روی دوره‌های آموزشی کلان‌داده‌ها، داده‌کاوی یا ساخت مدل‌های پیش‌گویانه تمرکز کنید. همچنین، نباید از یادگیری هدوپ، اسپارک و مدل‌سازی داده‌ها غافل شوید.

ماهنامه شبکه را از کجا تهیه کنیم؟
ماهنامه شبکه را می‌توانید از کتابخانه‌های عمومی سراسر کشور و نیز از دکه‌های روزنامه‌فروشی تهیه نمائید.

ثبت اشتراک نسخه کاغذی ماهنامه شبکه     
ثبت اشتراک نسخه آنلاین

 

کتاب الکترونیک +Network راهنمای شبکه‌ها

  • برای دانلود تنها کتاب کامل ترجمه فارسی +Network  اینجا  کلیک کنید.

کتاب الکترونیک دوره مقدماتی آموزش پایتون

  • اگر قصد یادگیری برنامه‌نویسی را دارید ولی هیچ پیش‌زمینه‌ای ندارید اینجا کلیک کنید.

ایسوس

نظر شما چیست؟