Data Scientist vs Data Analyst | KajoData Podcast

Że te wymagania są naprawdę duże. Bo taki Data Scientist, a nie jedynie, że chcieliśmy fancy nazwać kogoś, ale taka osoba jest naprawdę Data Scientistem, to tak. Z jednej strony ma ogarnięte programowanie. Z drugiej strony jest już zaawansowanym analitykiem. Po trzecie jest osobą, która ogarnia statystykę na dosyć wysokim poziomie i najlepiej, żeby jeszcze ogarniała machine learning, czyli AI nie na zasadzie tam czata GPT, Tylko, żeby rzeczywiście ogarniała uczenie maszynowe, algorytmy uczenia maszynowego. I teraz, jeżeli weźmiemy sobie to wszystko, to okaże się, że bardzo ciężko nabyć te wszystkie umiejętności.

Ja mówię o tym, że to jest nie ta ścieżka. To jest albo przez analityka danych, albo przez programista. Przez analitykę danych jest łatwiej, bo łatwiej jest analitykiem zostać. Punkt numer dwa. AI i automatyzacja. Jeżeli chodzi o analitykę, to ze względu na ilość rzeczy, które my wciąż musimy wykonywać po stronie takiej czysto ludzkiej, czyli ogólne rozkminy, co my chcemy liczyć i w jaki sposób. Jak powinny wyglądać KPI-e? Które KPI chcemy liczyć? W jaki sposób? Dogadywanie się co do tego, co ma być raportowane, a co ma nie być raportowane. Dogadywanie się co do tego, jak ma wyglądać dashboard, który prezentuje różne wykresy. To są wszystko umiejętności ludzkie, których po prostu nie da się outsourcować AI-owi, bo jesteśmy zespołem, jesteśmy teamem, pracujemy w firmie, nie pracujemy w próżni.

Tymczasem po stronie Data Scientista będzie tego trochę mniej, będzie trochę więcej pisania kodu. I mi się wydaje, że tutaj ten wpływ AI jest stosunkowo niewielki po jednej i po drugiej stronie. Bo oczywiście my możemy sobie optymalizować nasz kod, tak? Data Analyst może sobie optymalizować SQL-a, może sobie optymalizować Python-a, Data Scientist też może sobie optymalizować Python-a, może sobie próbować optymalizować to jak tam są rozpisane algorytmy do uczenia maszynowego. Ale obie te profesje wciąż muszą to znać, żeby móc sobie to optymalizować, tak? I to jest takie bardziej wspomaganie się AI-em. Tutaj nie ma takiego prostego zastąpienia umiejętności, jak to jest moim zdaniem w przypadku programisty.

Więc ten AI po prostu powoduje coś, co dla mnie jest inflacją oczekiwań. To znaczy, że oczekuje się trochę więcej. Oczekuje się zarówno od analityka trochę więcej, jak i od Data Scientista trochę więcej, bo po prostu jesteśmy w stanie szybciej robić rzeczy. To tyle. To tak jak kiedyś rozwiązywanie jakiegoś problemu zajmowało nam 3 dni, teraz zajmuje nam jeden dzień. I to byłby problem, gdyby na przykład tak u jednych było. Ale ponieważ to dotyczy wszystkich, To po prostu wszystkim podniesiona została poprzyczka, ale de facto, jak się rozejrzymy, to został status quo, jeśli chodzi o to, jak to wygląda dookoła nas, tak? Punkt nr 3. Zakres obowiązków i codzienna praca. Jeżeli chodzi o analityka danych, to ta praca jest dosyć ciekawa, szczerze mówiąc, dlatego że bardzo często będzie tak, że sama analiza danych czy tworzenie raportów, bo to też jest ważne, że analityk danych