7 ragioni per cui non dovresti diventare un Data Scientist

7 motivi per cui non dovresti diventare un Data Scientist

Sei un aspirante data scientist? Se è così, è probabile che tu abbia visto o sentito parlare di molti che sono passati con successo a una carriera nel data science. E anche tu stai sperando di fare lo switch un giorno.

Ci sono diverse cose eccitanti nel lavorare come data scientist. Puoi:

• Costruire competenze hard e soft trasferibili in diversi settori
• Raccontare storie con i dati
• Rispondere a domande di business con i dati
• Sviluppare soluzioni di impatto a problemi di business

E molto altro ancora. Per quanto eccitante possa sembrare tutto ciò, essere un data scientist è altrettanto sfidante, se non di più. Ma quali sono alcune di queste sfide?

• Rivoluzionare il Machine Learning Raggiungere il 4% più alto su Kaggle con AutoGluon in soli 7 righe di codice
• Agenti AI Autonomi Pionieri del Futuro della Scienza dei Dati e della Tecnologia
• Questa newsletter di intelligenza artificiale è tutto ciò di cui hai bisogno #76

Analizziamole.

1. Ti piace lavorare in silos

Quando stai lavorando sulle tue competenze di programmazione e tecniche, probabilmente ti sentirai a tuo agio lavorando da solo. Ma come data scientist, dovresti dare priorità alla collaborazione e alla comunicazione. Perché il data science non riguarda solo l’analisi dei dati e i calcoli in isolamento.

Hai bisogno di collaborare con altri professionisti, non solo nella stessa squadra, ma spesso anche tra diverse squadre. Quindi, la tua capacità di collaborare con team diversi e stakeholder è altrettanto importante delle tue competenze tecniche.

Inoltre, dovresti anche essere in grado di comunicare le tue scoperte e intuizioni a stakeholder non tecnici, inclusi i leader aziendali.

Nisha Arya Ahmed, una data scientist e scrittrice tecnica, condivide:

“In un team di data science, collaborerai con altri professionisti del data science su ogni attività, le loro responsabilità e come tutto funziona insieme. Questo è importante perché non vuoi ripetere un lavoro che è già stato fatto e utilizzare più tempo e risorse. Inoltre, i professionisti dei dati non sono le uniche persone con cui devi collaborare, farai parte di un team interfunzionale che include prodotto, marketing e altri stakeholder.”

– Nisha Arya Ahmed, Data Scientist e Scrittrice Tecnica

2. Vuoi veramente “finire” i progetti

Se sei qualcuno che si diverte a lavorare su progetti, a completarli e a portarli in produzione, potresti non trovare soddisfazione nella carriera del data science.

Anche se inizi un progetto con un insieme di obiettivi, che vengono perfezionati e migliorati iterativamente, spesso dovrai modificare la portata dei progetti a seconda dei cambiamenti degli obiettivi aziendali dell’organizzazione. Forse, gli stakeholder vedono una nuova direzione promettente.

Quindi, dovrai ridare priorità ed adattare la portata dei progetti. E nel peggiore dei casi, abbandonare il tuo progetto se necessario.

Inoltre, in una startup in fase iniziale, spesso dovrai assumere diversi ruoli. Quindi, il tuo lavoro non finisce con la creazione del modello. Anche se riesci a implementare un modello di machine learning in produzione, dovrai monitorare le prestazioni del modello, cercare eventuali variazioni, riadattare e riaddestrare il modello se necessario.

Abid Ali Awan, Scrittore, Redattore e Data Scientist presso VoAGI, condivide:

“Se lavori in un’azienda, potresti dover passare spesso tra squadre diverse e lavorare su progetti diversi contemporaneamente. Tuttavia, la maggior parte dei progetti su cui lavori potrebbe non arrivare nemmeno in produzione.

Perché le priorità dell’azienda potrebbero cambiare o l’impatto dei progetti potrebbe non essere stato abbastanza significativo. Passare continuamente da una squadra all’altra e da un progetto all’altro può essere esaustivo e potresti sentirti confuso su ciò a cui stai contribuendo.”

– Abid Ali Awan, Scrittore, Redattore e Data Scientist presso VoAGI

Quindi, lavorare su progetti di data science non è un processo lineare di inizio-fine, in cui finisci un progetto e passi al successivo.

3. Sei frustrato dall’ambiguità del ruolo

La giornata nella vita di un data scientist in due diverse organizzazioni può essere completamente diversa. I ruoli di un data scientist, di un machine learning engineer e di un MLOps engineer spesso hanno molte funzionalità comuni.

Diciamo che sei un data scientist molto interessato alla costruzione di modelli predittivi. E hai ottenuto il ruolo di data scientist in un’organizzazione di tuo interesse.

Tuttavia, non stupirti se trascorri l’intera giornata a elaborare numeri in fogli di calcolo e a creare report. O a estrarre dati dai database utilizzando SQL. Potresti pensare che manipolare i dati con SQL e trovare risposte alle domande aziendali si adatti meglio al ruolo di un data analyst.

Mentre in altri casi, potresti essere responsabile della costruzione e del deployment dei modelli in produzione, del monitoraggio degli scostamenti e del riaddestramento del modello se necessario. In questo caso, sei un data scientist che indossa anche il cappello di un MLOps engineer.

Vediamo cosa ha da dire Abid sulla fluidità del ruolo nella carriera dei dati:

 

“Sono sempre confuso quando mi chiamano “Data Scientist”. Cosa significa esattamente? Sono un Data Analyst, un Business Intelligence Engineer, un Machine Learning Engineer, un MLOps Engineer o tutto quanto sopra? Il tuo ruolo all’interno di un’azienda è flessibile se lavori in una piccola azienda o in una startup. Tuttavia, le grandi organizzazioni possono avere una distinzione più chiara tra i ruoli. Ma ciò non garantisce che il ruolo sia completamente definito. Potresti essere un data scientist, ma gran parte del lavoro che fai potrebbe riguardare la creazione di report di analisi che si allineano agli obiettivi aziendali.”

– Abid Ali Awan, Writer, Editor e Data Scientist presso VoAGI

 

4. Non ti Interessano gli Obiettivi Aziendali

 

Come data scientist, dovresti indirizzare i tuoi sforzi verso progetti che hanno un impatto significativo sull’azienda anziché perseguire progetti tecnicamente interessanti ma meno rilevanti. A tal fine, la comprensione degli obiettivi aziendali è fondamentale per le seguenti ragioni:

• La comprensione degli obiettivi aziendali ti permette di adattare e ripriorizzare i tuoi progetti in base alle esigenze mutevoli dell’organizzazione.
• Il successo di un progetto di data science viene spesso misurato dal suo impatto sull’attività aziendale. Quindi una buona comprensione degli obiettivi aziendali fornisce un quadro chiaro per valutare il successo di un progetto, collegando gli aspetti tecnici ai risultati aziendali tangibili.

Matthew Mayo, Editor-in-Chief e Data Scientist presso VoAGI, condivide il costo dell’indifferenza ai risultati aziendali:

 

“Come data scientist, se sei indifferente agli obiettivi aziendali potresti essere paragonato a un gatto che insegue un puntatore laser: ti troverai sovraattivo e senza una meta, e avrai poche probabilità di raggiungere risultati significativi. Comprendere gli obiettivi aziendali e saperli tradurre nel linguaggio dei dati sono competenze cruciali, senza le quali potresti trovarti a investire tempo nella creazione di modelli sofisticati ma irrilevanti. Una decision tree che funziona batte un modello all’avanguardia che fallisce ogni giorno!”

– Matthew Mayo, Editor-in-Chief e Data Scientist, VoAGI

 

Ecco cosa ha da dire Nisha in proposito:

 

“Per tutto ciò che fai, hai bisogno di una ragione dietro. Questa è la tua intenzione, che precede l’azione. Nel mondo dei dati, comprendere le sfide e gli obiettivi aziendali è fondamentale. Senza questo, ti sentirai solo confuso durante il processo. Ad ogni passo che compi in un progetto di data science, vorrai fare riferimento agli obiettivi che motivano il progetto.”

– Nisha Arya Ahmed, Data Scientist e Technical Writer

 

La data science, quindi, non riguarda solo l’elaborazione dei numeri e la creazione di modelli complessi. Riguarda principalmente l’utilizzo dei dati per guidare il successo aziendale.

Senza una solida comprensione degli obiettivi aziendali, i tuoi progetti potrebbero deviare dai problemi aziendali che sono destinati a risolvere, riducendo così il loro valore e impatto.

 

5. Non ti Piace il Lavoro “Noioso”

 

Costruire modelli è entusiasmante. Tuttavia, la strada che porta a questo punto potrebbe non essere altrettanto interessante.

Puoi aspettarti di dedicare grandi porzioni del tuo tempo a:

• Raccolta dati
• Identificazione del sottoinsieme di dati più rilevante da utilizzare
• Pulizia dei dati per renderli adatti all’analisi

Ora, questo è un lavoro che non è super emozionante. Spesso, nemmeno devi costruire modelli di machine learning. Una volta che hai i dati in un database, puoi utilizzare SQL per rispondere alle domande. In tal caso, nemmeno hai bisogno di costruire un modello di machine learning.

Ecco Abid che condivide le sue opinioni su quanto il lavoro importante spesso non sia interessante:

“Può essere noioso fare sempre la stessa cosa. Spesso ti possono assegnare il compito di pulire i dati, che può essere piuttosto difficile, specialmente quando si lavora con set di dati diversi. Inoltre, compiti come la validazione dei dati e la scrittura dei test unitari potrebbero non essere eccitanti ma sono necessari.”

– Abid Ali Awan, Scrittore, Redattore e Data Scientist presso VoAGI

Quindi devi divertirti nel processo di lavorare con i dati, inclusi i lati positivi, negativi e brutti, per avere una carriera di successo nella scienza dei dati. Perché la scienza dei dati riguarda l’estrazione di valore dai dati. Che spesso non significa costruire i modelli più sofisticati.

6. Vuoi smettere di imparare a un certo punto

Come data scientist, (probabilmente) non sarai mai in grado di raggiungere un punto in cui puoi dire di aver imparato tutto. Ciò che devi imparare e quanto dipende da ciò su cui stai lavorando.

Potrebbe trattarsi di un compito piuttosto semplice come imparare e utilizzare un nuovo framework in futuro. Oppure qualcosa di più noioso come migrare il codice esistente a un linguaggio come Rust per una maggiore sicurezza e prestazioni. Oltre a una solida preparazione tecnica, dovresti essere in grado di imparare e acquisire rapidamente competenze su framework, strumenti e linguaggi di programmazione quando necessario.

Inoltre, dovresti essere disposto a imparare di più sul settore e sul business se richiesto. È molto improbabile lavorare in un singolo settore per tutta la tua carriera nella scienza dei dati. Ad esempio, potresti iniziare come data scientist nel settore sanitario, poi passare a fintech, logistica e altro ancora.

Durante il mio corso di laurea, ho avuto l’opportunità di lavorare sull’applicazione di machine learning nel settore sanitario, su un progetto di prognosi di malattie. Non avevo mai studiato biologia oltre il liceo. Quindi le prime settimane sono state dedicate all’esplorazione delle specifiche dei segnali biomedici, alle loro proprietà, caratteristiche e altro ancora. Questi erano molto importanti prima ancora di poter procedere alla preelaborazione delle registrazioni.

Kanwal Mehreen, una scrittrice tecnica, condivide la sua esperienza con noi:

“Sai quella sensazione quando finalmente impari una nuova abilità e pensi: ‘Ah, ecco, sono bravo’? Beh, nella scienza dei dati quel momento non arriva mai davvero. Questo campo è in continua evoluzione, con nuove tecnologie, strumenti e metodologie che emergono frequentemente. Quindi, se sei una persona che preferisce raggiungere un certo punto in cui l’apprendimento passa in secondo piano, allora una carriera nella scienza dei dati potrebbe non essere la scelta migliore.

Inoltre, la scienza dei dati è una bellissima fusione di statistica, programmazione, apprendimento automatico e conoscenza di dominio. Se l’idea di esplorare diversi settori, dalla sanità alla finanza al marketing, non ti eccita, potresti sentirti perduto nella tua carriera.”

– Kanwal Mehreen, Scrittrice Tecnica

Quindi, come data scientist, non dovresti mai evitare l’apprendimento e l’acquisizione di nuove competenze.

7. Non ti piacciono le sfide

Abbiamo già descritto diverse sfide nel ruolo di data scientist, tra cui:

• Andare oltre le competenze tecniche di programmazione e costruzione di modelli
• Comprendere il dominio e gli obiettivi aziendali
• Continuare ad apprendere e acquisire competenze per rimanere rilevanti
• Essere proattivi senza preoccuparsi di terminare i progetti nel senso letterale
• Essere pronti a cambiare le priorità, regredire e apportare modifiche
• Svolgere il lavoro che è noioso ma necessario

Come in qualsiasi altro ruolo tecnico, la parte difficile non è trovare un lavoro come data scientist. È costruire una carriera di successo nella scienza dei dati.

Mathew Mayo riassume in modo appropriato come dovresti affrontare queste sfide come un data scientist:

“Se stai cercando una carriera rilassata, in cui puoi smettere di imparare non appena inizi il tuo lavoro e non preoccuparti mai degli strumenti, trucchi e tecniche più recenti, lascia perdere la data science! Aspettarsi una carriera tranquilla come professionista dei dati è come aspettarsi una passeggiata asciutta in un monsone, armato solo di un ombrello da cocktail e di una mentalità ottimista.

Questo campo è una montagna russa incessante di enigmi tecnici ed enigmi non tecnici: un giorno ti immergi a fondo negli algoritmi, e il giorno dopo cerchi di spiegare le tue scoperte a qualcuno che pensa che la regressione sia un ritorno a uno stato infantile di comportamento. Ma l’emozione sta in queste sfide, ed è ciò che tiene le nostre menti ubriache di caffeina intrattenute.

Se sei allergico alle sfide, potresti trovare maggior conforto nel lavoro a maglia. Ma se non ti sei ancora tirato indietro di fronte a un’inondazione di dati, la data science potrebbe essere proprio il tuo pezzo di… caffè.”

– Matthew Mayo, direttore generale e data scientist, VoAGI

Ascoltiamo le opinioni di Kanwal su questo:

“Affrontiamo questo fatto: la data science non è sempre una navigazione tranquilla. I dati non arrivano sempre in pacchetti ordinati e organizzati. I tuoi dati potrebbero sembrare che abbiano attraversato una tempesta, potrebbero essere incompleti, inconsistenti o addirittura inesatti. Pulire e preprocessare questi dati per garantire la loro pertinenza per l’analisi può essere impegnativo.

Lavorando in un campo multidisciplinare, potresti dover interagire con stakeholder non tecnici. Spiegare loro concetti tecnici e come si allineano con i loro obiettivi può essere davvero sfidante.

Pertanto, se sei qualcuno che preferisce un percorso di carriera chiaro e diretto, una carriera nella data science potrebbe essere piena di ostacoli per te.”

– Kanwal Mehreen, Technical Writer

Conclusione

Quindi la data science non riguarda solo la matematica e i modelli; riguarda il passaggio dai dati alle decisioni. E nel processo, dovresti sempre essere disposto a imparare e migliorare, comprendere gli obiettivi commerciali e le dinamiche di mercato, e molto altro.

Se stai cercando una carriera stimolante che vorresti affrontare con resilienza, la data science è davvero una buona opzione di carriera per te. Buona esplorazione!

Ringrazio Matthew, Abid, Nisha e Kanwal per aver condiviso le loro conoscenze su vari aspetti di una carriera nella data science. E per aver reso questo articolo una lettura molto più interessante e piacevole!

[Bala Priya C](https://twitter.com/balawc27) è una sviluppatrice e scrittrice tecnica dell’India. Le piace lavorare all’intersezione tra matematica, programmazione, data science e creazione di contenuti. Le sue aree di interesse e competenza includono DevOps, data science e elaborazione del linguaggio naturale. Ama leggere, scrivere, programmare e il caffè! Attualmente sta lavorando per imparare e condividere le sue conoscenze con la comunità degli sviluppatori scrivendo tutorial, guide pratiche, articoli di opinione e altro ancora.