Creo que su demanda disminuirá significativamente; pero tendrá menos que ver con la IA y más con los avances en las herramientas de software para la ciencia de datos.
Al final del día, eso es lo que hace el software. Automatiza tareas. Incluso tareas de desarrollo de software.
Comencé a programar en COBOL y FoxPro hace veinte años. Mi primer proyecto profesional (es decir, pago) fue para un ingenio azucarero local en Pakistán, desarrollando un software de contabilidad personalizado para ellos y capacitando a un pequeño equipo de operadores de ingreso de datos para usar el software. Me llevó más de seis meses desarrollar todo el proyecto. ¡Hoy, con SAP u Oracle, puede construir ese proyecto en seis horas! ¡Y es probable que tenga muchos menos errores también! Este ciertamente no es un ejemplo aislado. Los programadores, hace un par de décadas, tuvieron que construir sistemas completos desde cero, incluso en un lenguaje de programación de alto nivel. Los programadores de hoy en día solo necesitan unir bloques de funcionalidades listas para usar, ya sea de un único proveedor como SAP, o de varios proveedores de SDK de terceros y de código abierto.
- ¿Dónde usan las personas el aprendizaje automático en chatbots?
- ¿Necesito un maestro para seguir el aprendizaje profundo de Computer Vision?
- Cómo convertirse en un buen robotista
- ¿Perderán los programadores sus trabajos debido a la inteligencia artificial como DeepCoder?
- ¿Cuál es su opinión sobre Inteligencia Artificial AI (película de 2001)?
De acuerdo, el mercado laboral para los programadores en general no ha disminuido. Esto se debe a que a medida que la tecnología seguía avanzando, las empresas seguían pidiendo más funcionalidad, y la complejidad del software seguía aumentando. Al principio estaban contentos si el software podía imprimir automáticamente una hoja de cálculo resumiendo todos sus datos contables. Ahora quieren un monitoreo en tiempo real de toda su logística y acceso al almacenamiento y computación en la nube.
Sin embargo, si nos fijamos en la mayoría de las verticales. El número de programadores necesarios para cualquier tarea / dominio dado por compañía ciertamente disminuye después de alcanzar un pico.
Data Science tampoco es inmune a este fenómeno. Data Science es solo estadística aplicada. Por supuesto, si desea aplicar estadísticas hoy, querrá usar computadoras. Así, el famoso comentario de que un científico de datos es alguien que es mejor en programación que un estadístico y mejor en estadística que un programador.
Los libros de texto o los entusiastas pueden producir definiciones anormalmente amplias de la ciencia de datos, pero si observa lo que hacen los científicos de datos en la práctica (o incluso solo mira anuncios de trabajo relevantes), se dará cuenta de que una gran parte de su tiempo se dedica a la logística: moviendo datos, tratando con almacenamiento distribuido y cómputo. El cómputo distribuido convencional no es tan antiguo, y esa es la razón de la inmadurez actual de las herramientas. Pero ciertamente pronto tendremos herramientas que pueden automatizar estas tareas logísticas. Del mismo modo, a medida que las herramientas se vuelvan más maduras y los estándares para estructurar y almacenar datos se adopten más ampliamente, será mucho más fácil visualizar y extraer inferencias de los datos.
Imagínense: si las herramientas que tratan con datos se vuelven tan fáciles de usar, que un empleado o asistente de gerente (¡o incluso un MBA!) Podría unir todas las tareas estándar de procesamiento de datos juntas, ¿para qué necesitaríamos científicos de datos especializados? La mayoría de los flujos de trabajo de DS se pueden enlatar y vender, de modo que los no expertos puedan operarlos.
Si tiene fuertes dudas sobre esto, probablemente esté combinando el trabajo de un “científico de datos” profesional de hoy, con un científico de aprendizaje automático o IA.