Scienziati dei dati: è ancora il lavoro più sexy, se qualcuno li ascoltasse

Secondo un sondaggio, solo un modello di machine learning su cinque sviluppato dai data scientist riesce a raggiungere l’effettiva implementazione. Qual è il problema?

Il ruolo del data scientist, ovvero colui che estrae storie e fa scoperte dai dati, è stato notoriamente dichiarato il "lavoro più sexy del 21° secolo" dalla Harvard Business Review nel 2012. Solo due anni fa, gli autori, Thomas H. Davenport e DJ Patil hanno aggiornato la loro prognosi per osservare che i data scientist sono diventati mainstream e assolutamente vitali per le loro attività nell'era dell'intelligenza artificiale e dell'apprendimento automatico (ML).

Anche il ruolo lavorativo si è evoluto, in parte in meglio, in parte in peggio. "È diventato meglio istituzionalizzato, la portata del lavoro è stata ridefinita, la tecnologia su cui si basa ha fatto passi da gigante ed è cresciuta l'importanza delle competenze non tecniche, come l'etica e la gestione del cambiamento", osservano Davenport e Patil.

Allo stesso tempo, i data scientist riferiscono che “trascorrono gran parte del loro tempo a pulire e discutere i dati, e questo è ancora così nonostante alcuni progressi nell’uso dell’intelligenza artificiale stessa per miglioramenti nella gestione dei dati”.

Ancora più significativo è il fatto che “molte organizzazioni non hanno una cultura basata sui dati e non sfruttano le informazioni fornite dai data scientist”, rilevano Davenport e Patil. "Essere assunti e pagati bene non significa che i data scientist saranno in grado di fare la differenza per i loro datori di lavoro. Di conseguenza, molti sono frustrati, con conseguente elevato turnover."

Le persone rispettano i data scientist, ma tendono a non mettere in pratica i loro consigli o approfondimenti, conferma un recente sondaggio condotto su 328 professionisti dell'analisi di Rexer Analytics. Solo il 22% dei data scientist afferma che le proprie iniziative (modelli sviluppati per abilitare un nuovo processo o capacità) di solito raggiungono l'implementazione, osserva il coautore del sondaggio Eric Siegel, ex professore alla Columbia University e autore di The AI Playbook, in un post correlato su KDNuggets. Più di quattro intervistati su dieci, il 43%, afferma che l'80% o più dei loro nuovi modelli non riesce a essere implementato.

In molti casi, anche la modifica dei modelli esistenti non è sufficiente. "Tra tutti i tipi di progetti ML, compresi i modelli di aggiornamento per le implementazioni esistenti, solo il 32% afferma che i propri modelli vengono generalmente implementati", aggiunge Siegel.

Qual è il problema? L’interazione tra i team aziendali e quelli di data science - o la sua mancanza - sembra essere al centro di molti problemi. Solo il 34% dei data scientist afferma che gli obiettivi dei progetti di data science “sono solitamente ben definiti prima di iniziare”, rileva il sondaggio.

Inoltre, meno della metà, il 49%, può affermare che i manager e i decisori nelle loro organizzazioni che devono approvare l'implementazione del modello "sono generalmente sufficientemente informati per prendere tali decisioni in modo ben informato".

Nel complesso, i motivi principali citati per la mancata implementazione dei modelli di machine learning consigliati sono i seguenti:

1. I decisori non sono disposti ad approvare la modifica delle operazioni esistenti.
2. Mancanza di una pianificazione sufficiente e proattiva.
3. Mancanza di comprensione del modo corretto di eseguire la distribuzione.
4. Problemi con la disponibilità dei dati richiesti per il punteggio del modello.
5. Nessuna persona assegnata alla distribuzione degli steward.
6. Il personale non è disposto o non è in grado di lavorare in modo efficace con i risultati del modello.
7. Ostacoli tecnici nel calcolo dei punteggi o nell'implementazione/integrazione del modello o dei suoi punteggi nei sistemi esistenti.

La difficoltà per l'implementazione deriva da due principali fattori che contribuiscono, afferma Seigel: "Sottopianificazione endemica e stakeholder aziendali privi di visibilità concreta. Molti professionisti dei dati e leader aziendali non sono arrivati a riconoscere che l'operatività prevista del ML deve essere pianificata in grande dettaglio e perseguita aggressivamente fin dall'inizio di ogni progetto ML."

I leader aziendali o i professionisti hanno bisogno di maggiore visibilità "sul modo preciso in cui il ML migliorerà le loro operazioni e sul valore che si prevede che il miglioramento apporterà", aggiunge. "Ne hanno bisogno per dare il via libera all'implementazione di un modello e, prima ancora, per valutare l'esecuzione del progetto durante le fasi precedenti l'implementazione."

Significativamente, le prestazioni del progetto ML spesso non vengono misurate, continua. Troppo spesso, le misurazioni delle prestazioni si basano su arcani parametri tecnici, anziché su parametri aziendali, come il ROI.

Tuttavia, quello del data scientist è un ottimo lavoro da svolgere e continua a migliorare, suggerisce il sondaggio Rexer. Nel precedente sondaggio del 2020, il 23% dei data scientist aziendali ha dichiarato di avere elevati livelli di soddisfazione lavorativa, una percentuale che è quasi raddoppiata raggiungendo il 41% in questo sondaggio più recente. Solo il 5% esprime insoddisfazione, in calo rispetto al 12% del 2020.

Anche l’appetito per le competenze di scienza dei dati è ancora in crescita. I data scientist continuano a essere difficili da trovare: il 40% afferma di essere preoccupato per la carenza di talenti all’interno delle proprie imprese. La metà degli intervistati riferisce che le proprie organizzazioni hanno intensificato la formazione interna per potenziare le competenze in materia di scienza dei dati, mentre il 39% sta collaborando con le università per promuovere l’interesse per la scienza dei dati.