KDnuggets

av Jonny Brooks.

Rösta i KDnuggets omröstning inspirerad av det här inlägget:
Datavetenskap/maskininlärning/datayrket Arbetstillfredsställelse

Ja, jag är datavetare och ja, du läste rubriken rätt, men någon var tvungen att säga det. Vi läser så många historier om att datavetenskap är 2000-talets sexigaste jobb och de attraktiva summor pengar man kan tjäna som datavetare att det kan verka som det absoluta drömjobbet. Om man dessutom räknar med att området innehåller ett överflöd av högkvalificerade människor som nördar för att lösa komplexa problem (ja, det är en positiv sak att ”nörda”) finns det allt att älska med jobbet.

Men sanningen är att datavetare vanligtvis ”tillbringar 1-2 timmar i veckan med att leta efter ett nytt jobb”, som det sägs i den här artikeln från Financial Times. Vidare står det också i artikeln att ”specialister på maskininlärning toppade listan över utvecklare som sa att de letade efter ett nytt jobb, med 14,3 procent. Datavetare var en nära tvåa, med 13,2 procent”. Dessa uppgifter samlades in av Stack Overflow i deras undersökning baserad på 64 000 utvecklare.

Jag har också varit i den positionen och har nyligen själv bytt datavetenskapsjobb.

Så varför är det så många datavetare som letar efter nya jobb?

För att svara på den frågan bör jag klargöra att jag fortfarande är en datavetare. På det hela taget älskar jag jobbet och jag vill inte avskräcka andra från att sträva efter att bli datavetare eftersom det kan vara roligt, stimulerande och givande. Syftet med den här artikeln är att spela djävulens advokat och avslöja några av de negativa aspekterna av jobbet.

Från mitt perspektiv är här 4 stora skäl till varför jag tror att många datavetare är missnöjda med sina jobb.

Förväntningarna stämmer inte med verkligheten

Big data är som tonårssex: alla pratar om det, ingen vet egentligen hur man gör det, alla tror att alla andra gör det, så alla påstår att de gör det… – Dan Ariely

Det här citatet är så träffande. Många juniora datavetare jag känner (detta inkluderar mig själv) ville börja med datavetenskap eftersom det handlade om att lösa komplexa problem med coola nya algoritmer för maskininlärning som har en enorm inverkan på ett företag. Detta var en chans att känna att det arbete vi utförde var viktigare än allt vi gjort tidigare. Detta är dock ofta inte fallet.

I min mening är det faktum att förväntningarna inte stämmer överens med verkligheten den yttersta orsaken till att många datavetare slutar. Det finns många anledningar till detta och jag kan omöjligen komma med en uttömmande lista, men det här inlägget är i huvudsak en lista över några av de anledningar som jag stött på.

Alla företag är olika så jag kan inte tala för alla, men många företag anställer datavetare utan att ha en lämplig infrastruktur på plats för att börja få ut värde av AI. Detta bidrar till kallstartsproblemet inom AI. Om man kombinerar detta med det faktum att dessa företag misslyckas med att anställa seniora/erfarna dataexperter innan de anställer juniorer har man nu ett recept för en desillusionerad och olycklig relation för båda parter. Dataexperten kom sannolikt in för att skriva smarta algoritmer för maskininlärning för att skapa insikter, men kan inte göra detta eftersom deras första jobb är att reda ut datainfrastrukturen och/eller skapa analytiska rapporter. Företaget ville däremot bara ha ett diagram som de kunde presentera på sitt styrelsemöte varje dag. Företaget blir då frustrerat eftersom de inte ser att värdet drivs tillräckligt snabbt och allt detta leder till att datavetenskapsmannen är olycklig i sin roll.

Enligt min åsikt är det faktum att förväntningarna inte stämmer överens med verkligheten den yttersta orsaken till att många datavetenskapsmän slutar. Det finns många anledningar till detta och jag kan omöjligen komma med en uttömmande lista, men det här inlägget är i huvudsak en lista över några av de anledningar som jag stött på.

Alla företag är olika så jag kan inte tala för dem alla, men många företag anställer datavetare utan att ha en lämplig infrastruktur på plats för att börja få ut värde ur AI. Detta bidrar till kallstartsproblemet inom AI. Om man kombinerar detta med det faktum att dessa företag misslyckas med att anställa seniora/erfarna dataexperter innan de anställer juniorer har man nu ett recept för en desillusionerad och olycklig relation för båda parter. Dataexperten kom sannolikt in för att skriva smarta algoritmer för maskininlärning för att skapa insikter, men kan inte göra detta eftersom deras första jobb är att reda ut datainfrastrukturen och/eller skapa analytiska rapporter. Företaget ville däremot bara ha ett diagram som de kunde presentera på sitt styrelsemöte varje dag. Företaget blir då frustrerat eftersom de inte ser att värdet drivs tillräckligt snabbt och allt detta leder till att datavetenskapsmannen är olycklig i sin roll.

Robert Chang gav ett mycket insiktsfullt citat i sitt blogginlägg där han gav råd till juniora datavetenskapsmän:

Det är viktigt att utvärdera hur väl våra ambitioner stämmer överens med den kritiska vägen i den miljö vi befinner oss i. Hitta projekt, team och företag vars kritiska väg bäst stämmer överens med din.

Detta belyser det dubbelriktade förhållandet mellan arbetsgivaren och datavetaren. Om företaget inte är på rätt plats eller har mål som är i linje med datavetenskapsmannens så är det bara en tidsfråga innan datavetenskapsmannen hittar något annat.

För dem som är intresserade har Samson Hu en fantastisk serie om hur analysteamet byggdes upp på Wish som jag också fann mycket insiktsfullt.

En annan anledning till att datavetenskapsmännen är desillusionerade är en liknande anledning till varför jag blev desillusionerad som den akademiska världen: Jag trodde att jag skulle kunna påverka människor överallt, inte bara inom företaget. I verkligheten, om företagets kärnverksamhet inte är maskininlärning (min tidigare arbetsgivare är ett medieförlag), är det troligt att den datavetenskap som du bedriver endast kommer att ge små inkrementella vinster. Dessa kan adderas till något mycket betydelsefullt eller så kan du ha tur och snubbla över ett guldgruveprojekt, men detta är mindre vanligt.

Politiken regerar

Frågan om politik har redan fått en lysande artikel tillägnad sig själv: Det svåraste inom datavetenskap: politik och jag uppmanar dig att läsa den. De första meningarna från den artikeln sammanfattar i stort sett vad jag vill säga:

När jag vaknade klockan 6 på morgonen för att studera Support Vector Machines tänkte jag: ”Det här är verkligen tufft! Men, hey, jag kommer åtminstone att bli mycket värdefull för min framtida arbetsgivare!”. Om jag kunde få tag på en DeLorean skulle jag åka tillbaka i tiden och säga ”Bulls**t!” till mig själv.

Om du på allvar tror att om du kan en massa maskininlärningsalgoritmer kommer du att bli den mest värdefulla datavetaren, så återgå till min första punkt ovan: Förväntningarna stämmer inte överens med verkligheten.

Sanningen är att de personer i branschen som har störst inflytande måste ha en bra uppfattning om dig. Det kan innebära att du ständigt måste utföra ad hoc-arbete, t.ex. hämta siffror från en databas för att ge dem till rätt personer vid rätt tidpunkt, utföra enkla projekt bara för att rätt personer ska få rätt uppfattning om dig. Jag var tvungen att göra detta mycket på min förra arbetsplats. Hur frustrerande det än kan kännas var det en nödvändig del av jobbet.

3) Du är den person som man kan vända sig till när det gäller allt som har med data att göra

Följande av att du gör allt för att behaga de rätta personerna, så är det ofta så att just de personerna som har allt inflytande inte förstår vad som menas med ”datavetenskapare”. Detta innebär att du kommer att vara analysexpert och rapportör, och vi får inte glömma att du också kommer att vara databasexpert.

Det är inte bara icke-tekniska chefer som gör för många antaganden om dina färdigheter. Andra kollegor inom tekniken antar att du kan allt datarelaterat. Du känner till Spark, Hadoop, Hive, Pig, SQL, Neo4J, MySQL, Python, R, Scala, Tensorflow, A/B-testning, NLP, allt som har med maskininlärning att göra (och allt annat datarelaterat som du kan komma på – om du ser en jobbspecifikation där alla dessa saker står skrivna, håll dig borta. Det luktar jobbspecifikation från ett företag som inte har någon aning om vad deras datastrategi är och de anställer vem som helst eftersom de tror att det kommer att lösa alla deras dataproblem att anställa vilken datapersonal som helst).

Men det slutar inte där. Eftersom du vet allt detta och uppenbarligen har tillgång till ALLA data förväntas du ha svaren på ALLA frågor av……. väl, det borde ha landat i den relevanta personens inkorg för fem minuter sedan.

Att försöka berätta för alla vad du faktiskt vet och har kontroll över kan vara svårt. Inte för att någon faktiskt kommer att tycka mindre om dig, utan för att du som junior datavetare med liten branscherfarenhet oroar dig för att folk kommer att tycka mindre om dig. Detta kan vara en ganska svår situation.

4) Arbeta i ett isolerat team

När vi ser framgångsrika dataprodukter ser vi ofta expertutformade användargränssnitt med intelligenta funktioner och, viktigast av allt, en användbar utdata som åtminstone uppfattas av användarna som en lösning på ett relevant problem. Om en datavetare ägnar sin tid åt att bara lära sig att skriva och utföra algoritmer för maskininlärning kan han eller hon bara vara en liten (om än nödvändig) del av ett team som leder till att ett projekt som ger en värdefull produkt blir framgångsrikt. Detta innebär att datavetenskapsteam som arbetar isolerat kommer att ha svårt att skapa värde!

Trots detta har många företag fortfarande datavetenskapsteam som hittar på egna projekt och skriver kod för att försöka lösa ett problem. I vissa fall kan detta räcka. Om allt som behövs till exempel är ett statiskt kalkylblad som produceras en gång i kvartalet kan det ge ett visst värde. Å andra sidan, om målet är att optimera ge intelligenta förslag i en skräddarsydd produkt för att bygga webbplatser så kommer detta att kräva många olika färdigheter som man inte bör förvänta sig av den stora majoriteten datavetare (endast den sanna enhörningen inom datavetenskap kan lösa detta). Så om projektet tas upp av ett isolerat datavetenskapsteam kommer det med största sannolikhet att misslyckas (eller ta mycket lång tid eftersom det inte är lätt att organisera isolerade team för att arbeta med samarbetsprojekt i stora företag).

För att bli en effektiv datavetenskapare inom industrin räcker det alltså inte att bara göra bra ifrån sig i Kaggle-tävlingar och genomföra några online-kurser. Det innebär (o)lyckligtvis (beroende på hur man ser på det) att man måste förstå hur hierarkier och politik fungerar i näringslivet. Att hitta ett företag som är i linje med din kritiska väg bör vara ett viktigt mål när du letar efter ett datavetenskapsjobb som uppfyller dina behov. Du kan dock fortfarande behöva justera dina förväntningar på vad du kan förvänta dig av en datavetenskaplig roll.

Om någon har några ytterligare kommentarer, frågor eller invändningar är du välkommen att kommentera eftersom konstruktiva diskussioner är nödvändiga för att hjälpa blivande datavetenskapsmän att fatta välinformerade beslut om sin karriärväg.

Jag hoppas att jag inte har avskräckt dig från jobbet.

Tack för att du läste 🙂

Bio: Jonny Brooks, @Jonny_CBB är doktorand och förhoppningsfull datavetare. Älskar algoritmer för maskininlärning, vetenskapskommunikation och amerikansk fotboll.

Original. Reposted with permission.

Relaterat:

• Varför datavetare måste fokusera på att utveckla produktkänsla
• Hur får jag mitt första datavetenskapsjobb?
• En dag i en datavetares liv: Del 4