Czy kariera w data science/data analyst jest perspektywistyczna?

Hej, czy w dobie rozwijającego się AI/chat GPT opłaca się pójść w stronę data science/ data analyst całkowicie od zera?
Pytam, ponieważ przeglądając internet trafiłem na dwie skrajne odpowiedzi- jedni twierdza, że chat gpt potrafi takie cuda wygenerować, że ta dziedzina pójdzie do lamusa, a inni twierdzą, że w tej dziedzinie będzie coraz więcej miejsc bardzo dobrze płatnej pracy- jak to finalnie wyglada waszym zdaniem?

Dodatkowo, jak wyglada konkurencja? Wiem, ze najwieksza konkurencja jest przy webówce, gdzie na 1 miejsce potrafi walczyc kilka tysiecy osob, a jak to wyglada w ds/da? Wydaje mi się, że na pewno jest mniej osób chętnych, ale pracy tez o wiele mniej- prawda to? Czy w przyszlości może sie to zmienic i bedzie wiecej pracy?

Dzieki za wszelkie odpowiedzi/sugestie! <3

Zacznę od ilości chętnych, dzięki wszelakim kursom chętnych na DS/analityka jest więcej niż na frontend, tak jak kilka lat temu internet zalała fala reklam zostań DS bo zapotrzebowanie na nich będzie rosnąć najszybciej, faktycznie były takie dane z USA, tylko o ironio ludzie, którzy się na to złapali, nie ogarnęli, że duży % od małej liczby daje mały wynik, idealni kandydaci na DS xD, i tak jeszcze w tamtym roku były ogłoszenia na Linkedin gdzie było po >1k chętnych, bijąc rekordy (nawet na fornt nie było tylu chętnych), tak teraz idzie fala reklam "zostań analitykiem", cały FB zawalony obietnicami o pięknej przyszłości w roli analityka

Co do przyszłości, to na DS pewnie będzie zapotrzebowanie, ale o dość specyficznym skilu, i bardzo dużą konkurencją, zresztą moim zdaniem DS i sec to dwa najbardziej wymagające zawody, znaczeni przekraczające wiedzę programisty czy fronta, z wysokim progiem wejścia, natomiast większość ogłoszeń w PL na DS to tak naprawdę ogłoszenia na analityka.

Rola analityka jako osoby obsługującej sql/progrma bi/pythona powoli się kończy, co prawda jeszcze parę lat to potrwa, ale już dziś są pierwsze sukcesy w podłączeniu LLM do bazy danych, to co dziś robi analityk będzie można napisać zwykłym językiem, co spowoduje zwiększenie wydajności i duże ograniczenie zapotrzebowania na ten zawód.
Natomiast będzie potrzebny ktoś bardziej taki jak BI, ale raczej z wiedzą z zakresu zarządzania, finansów, ekonomi + umiejętności raportowania/promptowania/forecastowania + dobra znajomość danej branży

Jak jesteś prawdziwym DS z mocnym backgroundem matematyczno-statystycznym to jest to zajebiście płatna fucha. Mam w projekcie gościa co zrobił doktorat z astrofizyki i pracuje jako DS. Tworzy algorytmy ml od zera. Mega łebski gość.

Generalnie wszystko co związane z danymi jest perspektywiczne, bo praktycznie wszystko się na nich opiera.

Prawdziwe data science to matematyka level master (doktorat must have). Próg wejścia? Mega duży. Umiejętność użycia tensor flow w projekcie do rozwiązania jakiegoś trywialnego problemu to nie data science.

Jeśli chodzi o analityka danych to ch.. tak naprawdę wie, bo każda firma trochę inaczej to stanowisko definiuje. W jednej będziesz robił dashboardy w power bi, w innej szukał korelacji czy trendów łącząc i analizujac dane z wielu źródeł by odpowiedzieć na ważne pytania biznesowe, a w jeszcze innej będziesz zbierał wymagania. W zależności do której firmy trafisz na analityka to próg wejscia będzie wyżsy albo niższy.
Im mniejszy próg wejścia (poziom wiedzy na poziomie szkoły podstawowej) tym wieksza konkurencja.

markone_dev napisał(a):

Prawdziwe data science to matematyka level master (doktorat must have). Próg wejścia? Mega duży. Umiejętność użycia tensor flow w projekcie do rozwiązania jakiegoś trywialnego problemu to nie data science.

Nie tak do końca. W biznesie to właśnie rozwiązywanie problemów biznesowych z użyciem ML/NNs, które sprowadza się do przygotowania danych i strojenia hiperparametrów, aby przygotować dobry model predykcyjny. W biznesie raczej nie wymyślasz kolejnego optymalizatora spadku gradientu, tylko korzystasz z tego, co ktoś wymyślił i pokazał, że jest dobre. Takie rzeczy to ludzie robią raczej na uczelniach, potem pisząc z tego publikacje. Tak samo nie wymyślasz czegoś tak wielkiego jak rekurencyjna sieć neuronowa, by rozwiązać biznesowy problem. To są zadania dla naukowców, ewentualnie dla ludzi od Chat-GPT.

Pyxis napisał(a):

Nie tak do końca. W biznesie to właśnie rozwiązywanie problemów biznesowych z użyciem ML/NNs, które sprowadza się do przygotowania danych i strojenia hiperparametrów, aby przygotować dobry model predykcyjny. W biznesie raczej nie wymyślasz kolejnego optymalizatora spadku gradientu, tylko korzystasz z tego, co ktoś wymyślił i pokazał, że jest dobre. Takie rzeczy to ludzie robią raczej na uczelniach, potem pisząc z tego publikacje. Tak samo nie wymyślasz czegoś tak wielkiego jak rekurencyjna sieć neuronowa, by rozwiązać biznesowy problem. To są zadania dla naukowców, ewentualnie dla ludzi od Chat-GPT.

Mimo wszystko to o czym piszesz wymaga doskonałej wiedzy matematycznej. Z racji mojego stanowiska mam kontakt z różnymi projektami, z czego większość w ostatnich 3 latach to tematy big data i data science i każdy data scientist z którym pracowałem miał doktorat z matematyki. To o co mi chodziło, to to, że znajomość biblioteki do ML to nie data science. Podobnie jak znajomość bootstrapa. Owszem można się go nauczyć i wyrzeźbić jakiś tam layout na podstawie tutka (80% frontent devów*), ale znajomość tego w jaki sposób bootstrap działa pod spodem to już nisza (20% devów*).

*dane z d**y