In che modo il progetto di IBM per la trasformazione del settore sfrutta l'intelligenza artificiale, il 5G e la collaborazione
I ruoli di data science sono ancora "sexy" ma non immuni alle turbolenze del mercato del lavoro.
Essere un data scientist doveva essere "il lavoro più sexy del 21° secolo". Se il famoso aforisma della Harvard Business Review del 2012 regga è in qualche modo soggettivo, a seconda di come si interpreta "sexy". Tuttavia, i dati relativi ai data scientist, così come i ruoli correlati di data engineering e data analyst, stanno iniziando a far suonare l'allarme.
La parte soggettiva dell'aforisma di HBR è se ti piace davvero trovare e ripulire i dati, costruire e debuggare pipeline di dati e codice di integrazione, nonché costruire e migliorare modelli di apprendimento automatico. L'elenco delle attività, in quest'ordine, è ciò a cui i data scientist dedicano la maggior parte del loro tempo.
Alcune persone sono sinceramente attratte da carriere incentrate sui dati dalla descrizione del lavoro; La crescita della domanda e degli stipendi attrae di più gli altri. Mentre i lati oscuri della descrizione del lavoro in sé non sono sconosciuti, la parte della crescita e degli stipendi non è stata molto discussa. Tuttavia, la situazione potrebbe cambiare: i ruoli di data scientist sono ancora richiesti, ma non sono immuni dalle turbolenze del mercato.
Segnali misti
All'inizio del 2022 è apparso il primo segnale che qualcosa potrebbe cambiare. Come ha mostrato un'analisi IEEE Spectrum dei dati pubblicati dalla società di reclutamento online Dice , nel 2021 gli stipendi dell'intelligenza artificiale e dell'apprendimento automatico sono diminuiti, anche se, in media, gli stipendi del settore tecnologico negli Stati Uniti sono aumentati di quasi il 7%.
Nel complesso, il 2021 è stato un buon anno per i professionisti della tecnologia negli Stati Uniti, con uno stipendio medio in aumento del 6.9% a $104,566. Tuttavia, come osserva l'IEEE Spectrum, la concorrenza per l'apprendimento automatico, l'elaborazione del linguaggio naturale e gli esperti di intelligenza artificiale si è attenuata, con stipendi medi in calo rispettivamente del 2,1%, 7,8% e 8,9%.
È la prima volta che ciò si verifica negli ultimi anni, poiché gli stipendi medi negli Stati Uniti per gli ingegneri del software con esperienza nell'apprendimento automatico, ad esempio, sono aumentati del 22% nel 2019 rispetto al 2018, per poi aumentare di un altro 3,1% nel 2020. Allo stesso tempo, la domanda di ruoli di data scientist non mostra alcun segno di cedimento, al contrario.
Le piattaforme di reclutamento degli sviluppatori segnalano un forte aumento della domanda di competenze IT relative alla scienza dei dati. L'ultimo IT Skills Report della piattaforma di screening e colloquio per sviluppatori DevSkiller ha registrato un aumento del 295% del numero di attività relative alla scienza dei dati che i reclutatori hanno assegnato ai candidati nel processo di colloquio nel 2021.
Anche il Tech Hiring Survey 2022 di CodinGame e CoderPad ha identificato la scienza dei dati come una professione per la quale la domanda supera di gran lunga l'offerta, insieme agli specialisti di DevOps e apprendimento automatico. Di conseguenza, osserva Owen Hughes di ZDNet, i datori di lavoro dovranno rivalutare sia gli stipendi che i pacchetti di benefit che offrono ai dipendenti se sperano di rimanere competitivi.
Il mercato della scienza dei dati e dell'intelligenza artificiale sta inviando segnali contrastanti
Inoltre, il 2021 ha visto quello che è diventato noto come "Great Resignation" o "Great Reshuffle", un momento in cui tutti stanno ripensando a tutto, compresa la propria carriera. In teoria, avere una parte della forza lavoro che ridefinisce la propria traiettoria e i propri obiettivi e/o si dimette dovrebbe aumentare la domanda e gli stipendi: le analisi sul motivo per cui i data scientist si licenziano e su cosa possono fare i datori di lavoro per trattenerli hanno iniziato a fare il giro.
Poi sono arrivati i licenziamenti, compresi i licenziamenti di data scientist, data engineer e data analyst. Come osserva l'analisi di LinkedIn dell'ultimo round di licenziamenti, l'anno tumultuoso del settore tecnologico è stato caratterizzato da annunci quotidiani di licenziamenti, blocco delle assunzioni e offerte di lavoro revocate.
Circa 17.000 lavoratori di oltre 70 startup tecnologiche a livello globale sono stati licenziati a maggio, con un aumento del 350% rispetto ad aprile. Si tratta del numero più significativo di posti di lavoro persi nel settore da maggio 2020, al culmine della pandemia. Inoltre, anche giganti della tecnologia come Netflix e PayPal stanno perdendo posti di lavoro, mentre Uber, Lyft, Snap e Meta hanno rallentato le assunzioni.
Secondo i dati condivisi dal sito di monitoraggio dei licenziamenti Layoffs.fyi, i licenziamenti vanno dal 7% al 33% della forza lavoro nelle aziende monitorate. L'analisi dei dati specifici dell'azienda mostra che anche questi includono ruoli orientati ai dati.
Osservando i dati del FinTech Klarna e della startup assicurativa PolicyGenius, ad esempio, si nota che i ruoli di data scientist, data engineer e data analyst sono interessati sia a livello junior che senior. In entrambe le società, questi ruoli ammontano a circa il 4% dei licenziamenti.
Coolies high-tech che si tolgono dal lavoro
Che cosa dobbiamo pensare di questi segnali contrastanti? La domanda di attività legate alla scienza dei dati sembra essere in forte crescita, ma gli stipendi stanno diminuendo e anche questi ruoli non sono immuni dai licenziamenti. Ognuno di questi segnali ha il proprio background e le proprie implicazioni. Proviamo a spacchettarli e vediamo cosa significa la loro confluenza per le persone in cerca di lavoro e per i datori di lavoro.
Come ha dichiarato Michelle Marian, Chief Marketing Officer di Dice, a IEEE Spectrum, ci sono una varietà di fattori che probabilmente contribuiscono alla diminuzione degli stipendi dell'apprendimento automatico e dell'intelligenza artificiale, con una considerazione importante che è che più tecnologi stanno imparando e padroneggiando queste competenze:
"L'aumento del pool di talenti nel tempo può comportare la necessità per i datori di lavoro di pagare almeno un po' meno, dato che le competenze sono più facili da trovare. Lo abbiamo visto accadere con una serie di certificazioni e altre competenze tecnologiche altamente specializzate", ha affermato Marian.
Sembra una conclusione ragionevole. Tuttavia, per la scienza dei dati e l'apprendimento automatico, potrebbe esserci anche qualcos'altro in gioco. I data scientist e gli esperti di machine learning non solo competono tra loro, ma anche sempre più contro l'automazione. Come osserva Peter Yuen, gestore di portafoglio quantitativo con sede a Hong Kong, i quant hanno già visto tutto questo.
Sollecitato dalla notizia che i migliori ricercatori di intelligenza artificiale hanno ottenuto stipendi nell'ordine di 1 milione di dollari, Yuen scrive che questo "dovrebbe essere interpretato più accuratamente come una continuazione di una lunga tendenza di coolies high-tech che si ritirano dal loro lavoro in un contesto di eccesso globale di offerta di manodopera qualificata".
Se l'esperienza di tre generazioni di quant nell'automazione dei mercati finanziari è un dato di fatto, scrive Yuen, l'automazione dei professionisti dell'IA di base in molti settori è forse lontana solo un decennio o giù di lì. Dopodiché, aggiunge, un piccolo gruppo di professionisti dell'intelligenza artificiale d'élite sarà arrivato allo status manageriale o di proprietà, mentre i restanti saranno bloccati in lavori mediamente retribuiti con il compito di monitorare e mantenere le loro creazioni.
Potremmo essere già nelle fasi iniziali di questo ciclo, come evidenziato da sviluppi come AutoML e librerie di modelli di apprendimento automatico pronti all'uso. Se la storia è qualcosa su cui basarsi, allora ciò che Yuen descrive probabilmente accadrà, portando inevitabilmente a chiedersi come i lavoratori sfollati possano "salire di livello".
Lo scoppio della bolla dell'IA
Tuttavia, è probabilmente lecito ritenere che i ruoli di data science non dovranno preoccuparsi troppo di questo nell'immediato futuro. Dopotutto, un altro fatto spesso citato sui progetti di data science è che ~80% di essi fallisce ancora per una serie di motivi. Uno dei casi più pubblici di fallimento della scienza dei dati è stato Zillow.
L'azienda di Zillow si è affidata molto al team di data science per creare modelli predittivi accurati per il suo servizio di acquisto di case. Come si è scoperto, i modelli non erano così accurati. Di conseguenza, le azioni della società sono scese di oltre il 30% in 5 giorni, l'amministratore delegato ha dato molta colpa al team di data science e il 25% del personale è stato licenziato.
Se il team di data science sia stato o meno in colpa a Zillow è oggetto di dibattito. Per quanto riguarda i recenti licenziamenti, dovrebbero probabilmente essere visti come parte di una svolta più ampia nell'economia piuttosto che come un fallimento dei team di data science di per sé. Come scrive Kurt Cagle, Data Science Central Community Editor, si parla di un inverno incombente dell'intelligenza artificiale, che risale al periodo degli anni '70 in cui i finanziamenti per le iniziative di intelligenza artificiale si sono prosciugati del tutto.
Cagle ritiene che, sebbene un inverno dell'IA sia improbabile, ci si può aspettare un autunno dell'IA con un raffreddamento di un campo di venture capital esagerato nel settore. L'inverno dell'IA degli anni '70 è stato in gran parte dovuto al fatto che la tecnologia non era all'altezza del compito e non c'erano abbastanza dati digitalizzati per andare in giro.
L'era della bolla delle dot-com potrebbe avere in serbo alcune lezioni per i ruoli odierni della scienza dei dati
Oggi è disponibile una potenza di calcolo molto maggiore e anche la quantità di dati è alle stelle. Cagle sostiene che il problema potrebbe essere che ci stiamo avvicinando ai limiti delle architetture di rete neurale attualmente impiegate. Cagle aggiunge che un periodo in cui le menti brillanti possono effettivamente riposare e innovare piuttosto che semplicemente applicare il pensiero consolidato probabilmente farebbe bene al settore.
Come molti altri, Cagle sta sottolineando le carenze nella scuola di pensiero "l'apprendimento profondo sarà in grado di fare tutto". Questa critica sembra valida e l'incorporazione di approcci che oggi vengono trascurati potrebbe guidare il progresso nel campo. Tuttavia, non dimentichiamo che il lato tecnologico delle cose non è tutto ciò che conta qui.
Forse la storia recente può offrire qualche spunto: cosa può insegnarci la storia dello sviluppo del software e di internet? In un certo senso, il punto in cui ci troviamo ora ricorda l'era della bolla delle dot-com: maggiore disponibilità di capitali, speculazione eccessiva, aspettative irrealistiche e valutazioni oltre il tetto. Oggi potremmo essere diretti verso lo scoppio della bolla dell'intelligenza artificiale.
Ciò non significa che i ruoli di data science perderanno il loro appeal da un giorno all'altro o che ciò che fanno è privo di valore. Dopotutto, gli ingegneri del software sono ancora richiesti per tutti i progressi e l'automazione che l'ingegneria del software ha visto negli ultimi decenni. Ma probabilmente significa che è necessaria una ricalibrazione e le aspettative dovrebbero essere gestite di conseguenza.