De vraag naar Data Science-talent is veel groter dan de talentenpool, wat het behoud van medewerkers een uitdaging maakt. De verwachting is dat de vraag in 2022 hoog zal blijven, waardoor talent ruimschoots de kans krijgt om via concurrerende organisaties door te stromen. Een enorme hoeveelheid bekendheid en begrip van projecten is gebouwd op de rug van datawetenschappers en gaat verloren wanneer ze vertrekken. Te midden van ongekende kansen in de sector en de vraag naar datawetenschappers, is het belangrijk voor bedrijven om zich te concentreren op het behouden van toptalent om overgangsverliezen zoals trainingskosten, teamefficiëntie en expertise tot een minimum te beperken.
Volgens de US Bureau of Labor Statistics, is het verwachte groeipercentage van de banenmarkt voor Data Science en aanverwante gebieden 31%, veel hoger dan het algemene gemiddelde banengroeipercentage van 4%. Datawetenschappers weten dit en kunnen meer eisen voor hun vaardigheden. In 2021 bedroeg het gemiddelde salaris voor datawetenschappers $ 100,000, meer dan dat van ingenieurs. Als kunstmatige intelligentie (AI), machinaal leren (ML), en andere opkomende technologieën verder worden toegepast, zal de vraag naar toptalent alleen maar toenemen. Als gevolg hiervan zullen datawetenschappers meer onderhandelingsmacht hebben om te lobbyen voor wat ze willen, en zullen werkgevers nog harder moeten werken om datawetenschapstalent te behouden.
KOM JIJ BIJ ENTERPRISE DATA WORLD?
Leer, netwerk en maak je carrière toekomstbestendig op onze populairste conferentie van het jaar - 20-25 maart 2022!
One studies ontdekte dat, net als veel andere rollen in de technische industrie, de arbeidstevredenheid voor datawetenschappers na ongeveer twee jaar sterk daalt. Waardoor ontstaat deze afname in tevredenheid en hoe lossen we dit op? Hier zijn enkele aanwijzingen.
1. Documentatie is vervelend en leidt af.
Naarmate toepassingen voor machinaal leren vooruitgaan en de impact ervan groter wordt, neemt de publieke controle en voorbeelden van onverantwoordelijkheid toe AI trekken de aandacht van beleidsmakers. En naarmate AI/ML volwassener wordt, nemen de verwachtingen rond transparantie, effectiviteit en ethiek toe. Deze verwachtingen zorgen voor extra druk op Data Science-teams en een kritieke behoefte aan documentatie.
Strenge documentatie is nu vereist gedurende de hele levenscyclus van het AI-model om ervoor te zorgen dat modellen transparant, onbevooroordeeld en veilig zijn. Documentatie, hoewel noodzakelijk voor verantwoorde AI, is repetitief en tijdrovend. Het leidt vaak af van ander werk dat datawetenschappers het liefst doen. Gelukkig is er een oplossing: automatisering.
Het automatiseren van documentatieprocessen helpt datawetenschappers en ML-teams tijd terug te winnen om te werken aan taken waar ze echt gepassioneerd over zijn. Technologieoplossingen kunnen helpen bij het automatiseren van taken en het begeleiden van datawetenschappers bij documentatiecontrolepunten die aansluiten bij evoluerend beleid en regelgeving. Het aannemen van een oplossing die documentatie stroomlijnt, is een effectieve manier om datawetenschappers in staat te stellen zich meer te concentreren op het werk dat ze het leukst vinden.
2. Vertraagde en verlaten projecten zijn ontmoedigend.
Zevenentachtig procent van de Data Science-projecten maak het nooit in productie. Als datawetenschappers alles in een project stoppen dat later wordt stopgezet, is dat teleurstellend; ze krijgen niet de vruchten van hun arbeid, om zo te zeggen. Het kan zijn dat bedrijven merken dat het verbeteren van hun modelrisicobeheerproces, en zelfs het betrekken van datawetenschappers en het inbedden van controles tijdens de modelontwikkeling, zal resulteren in minder onnodig werk en minder verlaten projecten. Het biedt datawetenschappers ook meer mogelijkheden om trots te zijn op hun werk en de ROI van hun inspanningen te verbeteren.
Zelfs wanneer modellen zijn in productie wordt genomen, kan het model-to-market-proces soms tergend traag verlopen. Door te onderzoeken waar en waarom projecten worden opgehouden, en vervolgens oplossingen te bedenken om vertragingen aan te pakken en processen te versnellen, kunnen wetenschappers sneller tevreden zijn als ze hun modellen in gebruik zien.
3. Teams en workflows zijn niet gestructureerd voor naadloze samenwerking.
Het verplaatsen van AI-modellen van ontwikkeling naar productie vraagt bijdragen van meerdere groepen. Datawetenschappers en AI-modelontwikkelaars moeten bijvoorbeeld samenwerken met validators en kwaliteitsborgingsteams, aangezien modellen door nalevingscontroles worden geleid, worden getest op vooringenomenheid, enz. Als teams en processen in afzonderlijke silo's bestaan, kan validatie chaotisch, onhandig, en repetitief.
Het overbruggen van kloven tussen teams, het verbeteren van communicatie en samenwerking en het versnellen van de overdracht van informatie met behoud van strikte controle en scheiding van taken is belangrijk voor naleving van de regelgeving, vooral in de financiële dienstverlening. Tegelijkertijd moeten en willen datawetenschappers hun onafhankelijkheid kunnen behouden en niet worden gemicromanaged. Om aan al deze behoeften te voldoen, moeten organisaties een modeloplossing voor risicobeheer implementeren die datawetenschappers tools geeft om gegevens en beslissingen vast te leggen, terwijl ze toch de controle over hun werk behouden. Met een slimme oplossing zal de samenwerking en communicatie vlotter verlopen.
4. Organisaties zijn traag met het adopteren van innovatieve technologie.
Er is een duidelijke correlatie tussen werktevredenheid en toegang tot geavanceerde technologie, ondersteund door onderzoeken van Deloitte. Datawetenschappers worden gedreven door en zijn zich bewust van nieuwe innovaties die hun werk gemakkelijker en boeiender kunnen maken. Veel bedrijven zijn echter traag geweest met het adopteren van technologische oplossingen die het leven voor hen gemakkelijker zouden kunnen maken.
Nieuwe technologieën zijn direct beschikbaar die oplossingen bieden voor veelvoorkomende AI-uitdagingen. Organisaties zullen meer geluk hebben met het behouden van toptalent als ze hun datawetenschappers en AI-teams ondersteunen met slimme tools en krachtige technologieën die helpen bij het verzamelen van bewijsmateriaal, het vereenvoudigen van documentatie, het stroomlijnen van rapportage, het identificeren van risico's, het controleren op naleving, het bewaken van de prestaties en andere belangrijke functies. de levenscyclus van het AI-model.
Terwijl de AI-race voortduurt, groeit de vraag naar talent snel. Succesvolle bedrijven zullen niet alleen concurreren om de beste AI te bouwen, maar ook om de beste werkomgeving te creëren voor degenen die het ontwikkelen.
