No estoy de acuerdo con que hay “muchos” científicos de datos reales e ingenieros de ML en este momento. Si lo hubiera, entonces probablemente no nos pagarían tanto :). Pero para dar más detalles sobre la cuestión, Harvard Business Review acuñó la ciencia de datos como el trabajo “más sexy” en 2012. Machine Learning Engineer está a la altura de la ciencia de datos; pero la ciencia de datos es solo el término general como AI que abarca una amplia variedad de campos. En otras palabras, es un campo “candente” en este momento.
Pero para responder la pregunta:
- Data Science es muy gratificante tanto desde el punto de vista financiero como laboral. Los científicos de datos como Google y FB (la mayoría de ellos) han citado un excelente equilibrio entre la vida laboral y salarios muy altos. No encontrará muchos trabajos que ofrezcan altos salarios y poco estrés.
- Data Science puede ayudar a las empresas a resolver problemas reales de formas que antes no podían. Las empresas quieren parecer modernas; y el uso de datos (aunque no siempre es la medida IMO más prudente) para resolver sus problemas puede ser una excelente manera de ahorrar costos u optimizar los ingresos. Esto ofrece a muchos científicos de datos la capacidad de trabajar en problemas comerciales y codificar al mismo tiempo.
- Los ingenieros de ML deben codificar soluciones avanzadas para problemas de ML que se ajusten a una arquitectura dada, deben ajustarse a las restricciones comerciales (eso significa que al ejecutivo de nivel XYZ C le debe gustar y comprender la solución) y deben resolver el problema comercial en mano. Eso sí, que esta descripción puede cambiar dependiendo de la organización en la que trabaje. La mayoría de las personas que son ingenieros de ML adoran ese desafío (y el dinero que viene con él).
- Los ingenieros de ML en entornos de investigación también tienden a trabajar en problemas de vanguardia; y ver que su nuevo algoritmo hace lo que antes era una tarea “indescifrable” puede ser muy gratificante.
- Como comentario adicional (y esto es puramente anecdótico), conozco a alguien que cambió su título de trabajo a ML Engineer en Tinder e instantáneamente comenzó a recibir aproximadamente el triple de la cantidad normal de “derechos de barrido”. Tomalo por lo que vale.
Pero puedo decirte que, aunque parezca una existencia gloriosa, debes saber MUCHO para convertirte en un científico de datos “real” o un verdadero ingeniero de ML. La gente pasó por Quora y respondió cuáles son las habilidades necesarias para ser un científico de datos (incluido yo mismo); y no es fácil obtenerlos todos. Pero si logras obtener las habilidades necesarias … Estaré encantado de darle la bienvenida al redil de científicos de datos “reales”. No hay muchos de nosotros por ahí; así que felicidades!
- ¿Qué tan grande debe ser mi equipo de ciencia de datos?
- ¿Qué libro de ciencia de datos / blog-artículo / texto debería leer cada profesional de ciencia de datos para tener una mejor comprensión del tema?
- ¿Qué paquete estadístico debo usar para el análisis de datos, R o SciPy?
- ¿Cuánto debería cobrar un estadístico por el análisis de big data?
- ¿Todavía vale la pena hacer MS en aprendizaje automático clásico o minería de datos sin un módulo en profundidad sobre aprendizaje profundo que está en tendencia?
