A HeadHunter és a Mail.ru kutatásai szerint a Data Science szakemberek iránti kereslet meghaladja a kínálatot, de még így is a fiatal szakembereknek nem mindig sikerül állást találniuk. Elmondjuk, mi hiányzik a kurzusokról végzetteknek és hol lehet tanulni azoknak, akik nagy karriert terveznek a Data Science területén.
»Azt hiszik, hogy mostantól másodpercenként 500 ezer forintot fognak keresni, mert ismerik a keretrendszerek nevét és tudják, hogyan indítsanak el egy modellt két sorban«
Emil Mageramov a biocad cégnél a számítástechnikai kémia szolgáltatásainak csoportját vezeti, és interjúk során szembesül azzal, hogy a jelölteknek nincs rendszerszintű megértésük a szakmáról. Döntően a kurzusok elvégzése után érkeznek, jól kidolgozott Python és SQL tudással, két másodperc alatt el tudják indítani a Hadoopot vagy a Sparkot, és képesek a pontos műszaki leírás alapján megoldani a feladatokat. De bármilyen irányú eltérés esetén már nem tudnak alkalmazkodni. Pedig a Data Science szakemberektől pontosan ezt a rugalmasságot várják a munkáltatók.
Mi történik a Data Science piacon
A fiatal szakemberek kompetenciái tükrözik a munkaerőpiac helyzetét. Itt a kereslet jelentősen meghaladja a kínálatot, ezért a kétségbeesett munkáltatók gyakran valóban hajlandóak teljesen zöld szakembereket alkalmazni és őket kiépíteni. Ez a megoldás működőképes, de csak akkor, ha a csapatban már van egy tapasztalt csapatvezető, aki vállalja a juniorok képzését.
A HeadHunter és a Mail.ru kutatása szerint az adat-analitikus szakemberek a legkeresettebbek a piacon:
- 2019-ben az adat-analízis területén a munkakörök száma 9,6-szorosára nőtt, a gépi tanulás területén pedig 7,2-szeresére a 2015-ös évhez képest.
- A 2018-as évhez képest az adat-analízissel foglalkozó szakemberek iránti kereslet 1,4-szeresére, a gépi tanulás esetében pedig 1,3-szorosára nőtt.
- Az nyílt álláslehetőségek 38%-a IT cégeké, 29%-a pénzügyi szektorba tartozik, 9%-a pedig az üzleti szolgáltatások területén található.
A helyzetet a számos online iskola fűti, amelyek a junior fejlesztőket készítik fel. A képzés általában három és hat hónap között zajlik, ezalatt a tanulók alap szinten elsajátítják a főbb eszközöket: Python, SQL, adatelemzés, Git és Linux. A végeredmény egy klasszikus junior: képes egy konkrét problémát megoldani, de a problémát megérteni és önállóan megfogalmazni még nem tudja. Azonban a szakemberek iránti nagy kereslet és a szakma körüli hype gyakran magas ambíciókat és bérigényeket szül.
Sajnos a Data Science interjúk általában így néznek ki: a jelölt elmondja, hogy próbálkozott néhány könyvtár használatával, a kérdésekre arról, hogy az algoritmusok pontosan hogyan működnek, nem tud válaszolni, majd 200, 300, 400 ezer rubelt kér havonta.
A „bárki lehet adatelemző” és a „tanuld meg a gépi tanulást három hónap alatt, és kezdj el sok pénzt keresni” jellegű reklámszlogenek miatt hatalmas áradat érkezett a területünkre felületes jelöltekkel, akik teljesen hiányoznak a rendszeres felkészültséggel.
Viktor Kantor
Chief Data Scientist az MTS-nél
Kiket várnak a munkáltatók
Bármely munkáltató szeretné, hogy a juniorjai folyamatos ellenőrzés nélkül dolgozzanak, és a csapatvezető irányítása alatt fejlődjenek. Ehhez a kezdőnek azonnal ismernie kell a szükséges eszközöket a feladatok megoldásához, és elegendő elméleti háttérrel kell rendelkeznie ahhoz, hogy fokozatosan saját megoldásokat javasoljon, és egyre bonyolultabb feladatokhoz közelíthessen.
A kezdők számára a piacon az eszközökkel kedvező a helyzet. A rövid távú kurzusok lehetővé teszik, hogy gyorsan elsajátítsák őket és munkába álljanak.
A HeadHunter és a Mail.ru kutatása szerint a legkeresettebb készség a Python ismerete. Ezt a adatelemző pozíciók 45%-ában, míg a gépi tanulási területen 51%-ban említik.
A munkáltatók azt is várják, hogy az adatelemzők tudjanak SQL-t (23%), rendelkezzenek adatelemzési ismeretekkel (DataMining) (19%), matematikai statisztikával (11%), és tudjanak dolgozni nagy adathalmazokkal (10%).
Azok a munkáltatók, akik gépi tanulási szakembereket keresnek, a Python tudása mellett elvárják, hogy a jelölt ismerje a C++-t (18%), SQL-t (15%), a gépi tanulás algoritmusait (13%) és a Linuxot (11%).
De ha a juniorok eszközei rendben vannak, a vezetőik egy másik problémával szembesülnek. A legtöbb végzett diáknak nincs mély megértése a szakmáról, ezért nehéz a kezdőknek fejlődniük.
Most gépi tanulási szakembereket keresek a csapatomba. Eközben látom, hogy sok jelölt különböző Data Science eszközöket elsajátított, de nem rendelkeznek elegendő mély elméleti tudással, hogy új megoldásokat alkothassanak.
Emil Mageramov
A számítógépes kémia szolgáltató csoport vezetője, Biocad
A kurzusok felépítése és időtartama nem teszi lehetővé a szükséges szintű elmélyülést. A végzetteknek gyakran hiányzik az a bizonyos soft skill, ami általában elmarad a munkaköri leírások áttekintésekor. Tényleg, ki mondaná, hogy nincs rendszerszemlélete vagy fejlődni szeretne? Azonban a Data Science szakemberek esetében ez egy mélyebb kérdést jelent. Itt a fejlődéshez elég erős elméleti és tudományos irányultságra van szükség, amely csak hosszú távú képzés mellett lehetséges, például egy egyetemen.
Sok minden az emberen múlik: ha egy három hónapos intenzív képzés erős tanároktól, akik tapasztalt csapatvezetők a neves cégeknél, olyan hallgatóval zajlik, aki jó alapokkal rendelkezik matematikából és programozásból, és minden anyagot úgy dolgoz fel, mint egy szivacs, ahogy az iskolában mondták, akkor utána nem lesznek problémák ilyen alkalmazottal. De a 90-95% embernek, hogy valamit tartósan elsajátítson, tízszer többet kell tanulnia, és ezt évekig, rendszeresen kell csinálnia. Ezért a mesterképzések az adatelemzés terén nagyszerű lehetőséget nyújtanak, hogy jó alapot nyerjenek, amellyel nem kell szégyenkezni a munkaerőpiacon, és a munka sokkal könnyebb lesz.
Viktor Kantor
Chief Data Scientist az MTS-nél
Hol tanuljunk, hogy Data Science területen munkát találjunk?
A piacon sok jó Data Science kurzus érhető el, és az alapfokú képzés megszerzése nem probléma. De fontos megérteni ennek a képzésnek az irányát. Ha a jelöltnek már van erős műszaki háttérrel, akkor az intenzív kurzusok pont megfelelőek. Az ember elsajátítja az eszközöket, belép a pozícióba, és gyorsan beilleszkedik, mert már tud matematikusként gondolkodni, látja a problémákat és formulálja a feladatokat. Ha nincs ilyen háttér, akkor a kurzus után jó végrehajtó lesz, de korlátozott lehetőségekkel a fejlődésre.
Ha Önnek rövid távú feladata van a szakmaváltás vagy a munkakeresés terén, akkor valamilyen rendszeresített kurzus megfelelő Önnek, amelyek rövidek és gyorsan átadják a minimális technikai ismereteket, hogy kezdeti pozícióra pályázhasson ezen a területen.
Ivan Yamshchikov
A Data Science online mesterképzés akadémiai igazgatója
A kurzusok problémája éppen az, hogy gyors, de minimális felszerelést adnak. Az ember szó szerint berobban a szakmába, és gyorsan eléri a plafont. Ahhoz, hogy hosszú távon a szakmában maradjon, jó alapokat kell lefektetni egy hosszabb távú program keretein belül, például egy mesterképzés keretében.
A felsőoktatás megfelelő, amikor megérti, hogy ez a terület hosszú távon érdekli. Nem arra törekszik, hogy a lehető leghamarabb munkába álljon. És nem akarja azt, hogy karrierjének plafonja legyen, emellett nem szeretne szembesülni a tudás, készségek és az innovatív termékek fejlődését segítő ökoszisztéma hiányával. Ehhez kifejezetten a felsőoktatás szükséges, amely nemcsak a szükséges technikai ismereteket formálja meg, hanem másként struktúrálja a gondolkodását is, és segít egy hosszabb távú karrierlátás kialakításában.
Ivan Yamshchikov
A Data Science online mesterképzés akadémiai igazgatója
A karrier plafonjának hiánya – a mesterképzés legfőbb előnye. Két év alatt a szakember erős elméleti alapot szerez. Így néz ki az első félév a Data Science mesterprogramban a NITU "MISiS"-ben:
- Bevezetés a Data Science-be. 2 hét.
- Az adatelemzés alapjai. Az adatok feldolgozása. 2 hét.
- Gépi tanulás. Adat-előkészítés. 2 hét.
- EDA. Felfedező adatelemzés. 3 hét.
- Alapvető gépi tanulási algoritmusok. 1. rész + 2. rész (6 hét)
Egyúttal párhuzamosan gyakorlati tapasztalatot is szerezhetünk a munkahelyen. Semmi sem akadályozza meg, hogy junior pozícióba lépjünk, amint a diák elsajátította a szükséges eszközöket. Azonban, ellentétben a kurzus elvégzése után végzett hallgatókkal, a mesterképzés nem áll meg itt; a tanulmányait továbbra is mélyíti a szakmában. A jövőben ez lehetővé teszi a korlátlan fejlődést a Data Science területén.
A Műszaki Tudományok Egyetemének weboldalán folyik azok számára, akik a Data Science-ben szeretnének dolgozni. A NITU «MISiS», a SkillFactory, a HeadHunter, a Facebook, a Mail.ru Group és a Yandex képviselői beszélnek a legfontosabb dolgokról:
- „Hogyan találjuk meg helyünket a Data Science-ben?”
- „Lehet-e nulláról data scientist-té válni?”
- „Marad-e szükség a data scientist-ekre 2-5 éven belül?”
- „Milyen feladatokon dolgoznak a data science szakemberei?”
- „Hogyan építsük fel karrierünket a Data Science területén?”
Online képzés, állami diplomával. 2023. augusztus 10-ig 10 августа.
Forrás: habr.com
