Le marché de la science des données et de l’IA pourrait être recalibré

Être knowledge scientist était censé être « le métier le plus horny du 21e siècle ». Si le célèbre revue de Harvard enterprise aphorisme de 2012 détient de l’eau est quelque peu subjective, selon la façon dont vous interprétez « horny ». Cependant, les données concernant les scientifiques des données, ainsi que les rôles connexes d’ingénierie des données et d’analystes de données, commencent à sonner l’alarme.

La partie subjective de l’aphorisme de HBR est de savoir si vous aimez réellement trouver et nettoyer des données, créer et déboguer des pipelines de données et du code d’intégration, ainsi que créer et améliorer des modèles d’apprentissage automatique. Cette liste de tâches, dans cet ordre, est celle sur laquelle les knowledge scientists passent le plus de temps.

Certaines personnes sont véritablement attirées par les carrières centrées sur les données par la description de poste ; la croissance de la demande et des salaires en apparel davantage d’autres. Tandis que le côtés sombres de la description de poste lui-même ne sont pas inconnus, la partie croissance et salaires n’a pas été beaucoup contestée. Cependant, cela pourrait changer : les rôles de knowledge scientist sont toujours en demande mais ne sont pas à l’abri des turbulences du marché.

Signaux mixtes

Au début de 2022, le premier signe que quelque selected pourrait changer est devenu obvious. En tant que Analyse du spectre IEEE des données diffusées par les cupboards de recrutement en ligne Dé ont montré qu’en 2021, les salaires de l’IA et de l’apprentissage automatique ont chuté, même si, en moyenne, les salaires des applied sciences américaines ont augmenté de près de 7 %.

Dans l’ensemble, 2021 a été une bonne année pour les professionnels de la technologie aux États-Unis, avec un salaire moyen en hausse de 6,9 ​​% à 104 566 $. Cependant, comme le word l’IEEE Spectrum, la concurrence pour les consultants en apprentissage automatique, en traitement du langage naturel et en intelligence artificielle s’est atténuée, les salaires moyens baissant respectivement de 2,1 %, 7,8 % et 8,9 %.

C’est la première fois que cela se produit ces dernières années, automobile les salaires américains moyens des ingénieurs en logiciel ayant une experience en apprentissage automatique, par exemple, ont bondi de 22 % en 2019 par rapport à 2018, puis ont encore augmenté de 3,1 % en 2020. Dans le même temps, la demande pour les rôles de knowledge scientist ne montre aucun signe d’affaiblissement, au contraire.

Les plateformes de recrutement de développeurs signalent une forte augmentation de la demande de compétences informatiques liées à la science des données. Le dernier Rapport sur les compétences informatiques par la plateforme de sélection et d’entretien des développeurs, DevSkiller a enregistré une augmentation de 295 % du nombre de tâches liées à la science des données que les recruteurs définissaient pour les candidats dans le cadre du processus d’entretien en 2021.

CodinGame et CoderPad Sondage sur l’embauche de techniciens 2022 a également identifié la science des données comme une career pour laquelle la demande dépasse largement l’offre, ainsi que les spécialistes du DevOps et de l’apprentissage automatique. Par conséquent, de ZDNet Notes d’Owen Hughesles employeurs devront réévaluer à la fois les salaires et les avantages sociaux qu’ils offrent aux employés s’ils espèrent rester compétitifs.

De plus, 2021 a vu ce qui est devenu connu sous le nom de « Grande démission » ou « Grand remaniement » — une époque où chacun repense tout, y compris sa carrière. En théorie, le fait qu’une partie de la main-d’œuvre redéfinisse sa trajectoire et ses objectifs et/ou démissionne devrait augmenter la demande et les salaires — des analyses sur les raisons pour lesquelles les knowledge scientists quittent et ce que les employeurs peuvent faire pour les retenir commencé à faire le tour.

Puis vinrent les licenciements, y compris les licenciements de scientifiques de données, d’ingénieurs de données et d’analystes de données. Comme L’analyse de LinkedIn de la dernière série de notes sur les licenciementsl’année tumultueuse du secteur de la technologie a été marquée par des annonces quotidiennes de licenciements, de gels d’embauche et d’offres d’emploi annulées.

Environ 17 000 travailleurs de plus de 70 startups technologiques dans le monde ont été licenciés en mai, un bond de 350 % par rapport à avril. Il s’agit du nombre le plus essential d’emplois perdus dans le secteur depuis mai 2020, au plus fort de la pandémie. De plus, des géants de la technologie tels que Netflix et Pay Pal suppriment également des emplois, tandis que Uber, Lyft, Instantané et Méta ont ralenti les embauches.

Selon les données partagées par le website de suivi des licenciements technologiques Licenciements.fyi, les licenciements vont de 7 % à 33 % des effectifs des entreprises suivies. L’exploration des données spécifiques à l’entreprise montre que celles-ci incluent également des rôles orientés données.

En regardant les données de FinTech Klarna et start-up d’assurance PolicyGenius les licenciements, par exemple, montre que les rôles de knowledge scientist, d’ingénieur de données et d’analyste de données sont affectés aux niveaux junior et senior. Dans les deux entreprises, ces rôles représentent environ 4 % des licenciements.

Les coolies de la haute technologie se codent hors de leur travail

Que devons-nous alors penser de ces signaux mitigés ? La demande pour les tâches liées à la science des données semble être forte, mais les salaires baissent et ces rôles ne sont pas non plus à l’abri des licenciements. Chacun de ces signaux a son propre contexte et ses propres implications. Essayons de les décortiquer, et voyons ce que signifie leur confluence pour les demandeurs d’emploi et les employeurs.

Comme l’a dit Michelle Marian, directrice du advertising and marketing chez Cube, IEEE Spectrum, il existe une variété de facteurs qui contribuent probablement à la baisse des salaires de l’apprentissage automatique et de l’IA, une considération importante étant que davantage de technologues apprennent et maîtrisent ces ensembles de compétences :

« L’augmentation du bassin de abilities au fil du temps peut obliger les employeurs à payer au moins un peu moins, étant donné que les ensembles de compétences sont plus faciles à trouver. Nous avons vu cela se produire avec une gamme de certifications et d’autres compétences technologiques hautement spécialisées », a déclaré Marianne.

Cela semble être une conclusion raisonnable. Cependant, pour la science des données et l’apprentissage automatique, il peut aussi y avoir autre selected en jeu. Les scientifiques des données et les consultants en apprentissage automatique sont non seulement en concurrence les uns contre les autres, mais aussi de plus en plus contre l’automatisation. Comme le word Peter Yuen, gestionnaire de portefeuille quantitatif basé à Hong Kong, les quants ont déjà vu tout ça.

Invité par les nouvelles des meilleurs chercheurs en IA qui décrochent des salaires de l’ordre d’un million de {dollars}, Yuen écrit que cela « devrait être interprété plus précisément comme la continuation d’une longue tendance de coolies de la haute technologie qui se codent hors de leur emploi dans un contexte d’offre excédentaire mondiale de travail qualifié ».

Si l’on se fie à trois générations d’expérience de quants dans l’automatisation des marchés financiers, écrit Yuen, l’automatisation des praticiens de l’IA de base dans de nombreux secteurs n’est peut-être qu’à une dizaine d’années. Après cela, ajoute-t-il, un petit groupe de praticiens d’élite de l’IA auront atteint le statut de path ou de propriété tandis que les autres sont coincés dans des emplois moyennement rémunérés chargés de surveiller et de maintenir leurs créations.

Nous sommes peut-être déjà aux premières étapes de ce cycle, comme en témoignent des développements tels que AutoML et des bibliothèques de modèles d’apprentissage automatique prêts à l’emploi. Si l’on se fie à l’histoire, alors ce que Yuen décrit se produira probablement aussi, ce qui amènera inévitablement à se demander remark les travailleurs déplacés peuvent « gravir les échelons ».

L’éclatement de la bulle de l’IA

Cependant, il est probablement prudent de supposer que les rôles en science des données n’auront pas trop à s’en soucier dans un avenir immédiat. Après tout, un autre Un fait souvent cité à propos des projets de science des données est qu’environ 80 % d’entre eux échouent encore Pour plusieurs raisons. Un des plus cas publics d’échec de la science des données était Zillow.

L’entreprise de Zillow en est venue à s’appuyer fortement sur l’équipe de science des données pour créer des modèles prédictifs précis pour son service d’achat de maison. Il s’est avéré que les modèles n’étaient pas aussi précis. En conséquence, les actions de l’entreprise ont chuté de plus de 30 % en 5 jours, le PDG a beaucoup blâmé l’équipe de science des données et 25 % du personnel a été licencié.

La query de savoir si l’équipe de science des données était en faute ou non chez Zillow est à débattre. Quant aux licenciements récents, ils devraient probablement être considérés comme faisant partie d’un virage plus essential de l’économie plutôt que comme un échec des équipes de science des données en soi. En tant que rédacteur en chef de la communauté Information Science Central, Kurt Cagle écriton parle d’un hiver de l’IA imminent, rappelant la période des années 1970 où le financement des entreprises d’IA s’est complètement tari.

Cagle pense que même si un hiver de l’IA est peu possible, on peut s’attendre à un automne de l’IA avec un refroidissement d’un champ de capital-risque exagéré dans l’espace. L’hiver de l’IA des années 1970 était en grande partie dû au fait que la technologie n’était pas à la hauteur de la tâche et qu’il n’y avait pas assez de données numérisées pour y parvenir.

Aujourd’hui, une puissance de calcul beaucoup plus importante est disponible et la quantité de données monte également en flèche. Cagle soutient que le problème pourrait être que nous approchons des limites des architectures de réseaux neuronaux actuellement utilisées. Cagle ajoute qu’une période au cours de laquelle les esprits brillants peuvent réellement se reposer et innover plutôt que de simplement appliquer la pensée établie ferait probablement du bien à l’industrie.

Comme beaucoup d’autres, Cagle souligne les lacunes de l’école de pensée « l’apprentissage en profondeur sera succesful de tout faire ». Cette critique semble valable, et l’intégration d’approches aujourd’hui négligées pourrait faire progresser le domaine. Cependant, n’oublions pas que le côté technologique des choses n’est pas tout ce qui compte ici.

Peut-être que l’histoire récente peut offrir quelques éclaircissements : que peut nous apprendre l’histoire du développement de logiciels et d’Web ? À certains égards, le level où nous en sommes maintenant rappelle l’ère de la bulle Web: disponibilité accrue de capitaux, spéculation extreme, attentes irréalistes et valorisations au-delà du plafond. Aujourd’hui, nous nous dirigeons peut-être vers l’éclatement de la bulle de l’IA.

Cela ne signifie pas que les rôles en science des données perdront leur attrait du jour au lendemain ou que ce qu’ils font est sans valeur. Après tout, les ingénieurs logiciels sont toujours en demande pour tous les progrès et l’automatisation que l’ingénierie logicielle a connus au cours des dernières décennies. Mais cela signifie probablement qu’un recalibrage est dû et que les attentes doivent être gérées en conséquence.