Bild vom Autor
# Einführung
Befinden wir uns alle in einem Wettlauf nach unten, den wir selbst geschaffen haben? Datenexperten werden seit Jahren mit der Entwicklung großer Sprachmodelle (LLMs) beschäftigt.
Mittlerweile scheint die Zahl der offenen Datenpositionen täglich zu sinken. Von denen, die beworben werden, scheinen die meisten ziemlich miserabel zu sein.
Mit miserabel meine ich nicht zu niedrige Gehälter oder unangemessene technische Erwartungen an die Kandidaten. Nein, ich meine diese vagen Formulierungen: „Komfortables Arbeiten mit KI-Produktivitätstools“, „Kann große Codemengen versenden“ oder „Ausgeprägte Immediate-Engineering-Fähigkeiten sind von Vorteil.“ Übersetzung: Ein Chatbot ist Ihr wichtigster Programmierpartner. Es gibt keine Mentorschaft, keine Requirements, nur Code-Umstellung.
Ein Chatbot, unsere eigene Kreation, reduziert uns jetzt auf bloße Kopierer seiner Ergebnisse. Es klingt nicht nach einer sehr sinnvollen oder erfüllenden Arbeit.
Ist es in diesem Umfeld noch möglich, eine sinnvolle Arbeit zu finden?
# Was ist Vibe-Codierung?
Andrej Karpathyein OpenAI Mitbegründer, prägte den Begriff „Vibe Coding“. Das bedeutet, dass Sie überhaupt nicht programmieren.
Was Sie tun: Sie trinken Ihren Matcha Latte, vibrieren, erteilen einem Programmier-Chatbot Befehle und kopieren seinen Code in Ihren Code-Editor.
Was der Chatbot macht: Er codiert, prüft auf Fehler und debuggt den Code.
Was Sie nicht tun: Sie programmieren nicht, prüfen nicht auf Fehler und debuggen den Code nicht.
Wie fühlt sich eine solche Arbeit an? Wie eine Vollzeit-Gehirnfäule.
Was hast du erwartet? Sie haben alle interessanten, kreativen und problemlösenden Aspekte Ihres Jobs an einen Chatbot übergeben.
# Vibe Coding hat die Codierung abgewertet
„Für wegwerfbare Wochenendprojekte ist es nicht schlecht, aber trotzdem ziemlich amüsant“, sagt Andrej Karpathy über Vibe Coding.
Dennoch entschieden die Unternehmen, denen Sie vertrauen würden – diejenigen, die ihre Produkte nicht als „Wegwerf-Wochenendprojekte“ betrachten –, dass es immer noch eine gute Idee sei, mit dem Vibe-Coding zu beginnen.
Die KI-Codierungstools kamen zum Einsatz und Datenexperten wurden rausgeworfen. Für diejenigen, die geblieben sind, besteht ihre Hauptaufgabe darin, sich mit einem Chatbot zu unterhalten.
Die Arbeit wird schneller als je zuvor erledigt. Sie halten Termine ein, die vorher unmöglich waren. Die Fähigkeit, so zu tun, als wäre man produktiv, hat ein völlig neues Niveau erreicht.
Das Ergebnis? Halbfertige Prototypen. Code, der die Produktion unterbricht. Datenprofis, die nicht wissen, warum der Code nicht funktioniert. Verdammt, sie wissen nicht einmal, warum der Code Ist Arbeiten.
Vorhersage: Profis, die wirklich wissen, wie man programmiert, werden schon bald wieder in Mode kommen. Schließlich muss jemand den von einem Chatbot „so schnell“ geschriebenen Code neu schreiben. Sprechen Sie über Effizienz. Nun, viel effizienter geht es nicht.
Aber wie überlebt man bis dahin?
# Wie findet man jetzt einen sinnvollen Job?
Das Prinzip ist ganz einfach: Erledigen Sie die Arbeit, die der Chatbot nicht erledigen kann. Hier ist ein Vergleich zwischen dem, was KI nicht kann, und dem, was Sie können.
Natürlich erfordert dies alles bestimmte Fähigkeiten.
# Erforderliche Fähigkeiten
Um im Zeitalter des Vibe-Codings eine sinnvolle Arbeit zu finden, sind diese Fähigkeiten erforderlich.
// 1. Verfassen technischer Spezifikationen
Die meisten Anfragen, die Sie bearbeiten, enthalten unvollständige und mehrdeutige Informationen. Wenn Sie diese Informationen in eine präzise technische Spezifikation umwandeln können, werden Sie dafür geschätzt, dass Sie widersprüchliche Annahmen und Erwartungen aus der Entwicklungsarbeit vermeiden. Technische Spezifikationen helfen dabei, alle am Projekt beteiligten Groups aufeinander abzustimmen.
Hier ist, was diese Fähigkeit umfasst.
Ressourcen:
// 2. Verständnis des Datenflusses
Systeme scheitern nicht nur an falschem Code. Sie scheitern vermutlich häufiger an falschen Annahmen über die Daten.
Unabhängig von der Vibe-Codierung muss immer noch jemand verstehen, wie Daten generiert, geändert und konsumiert werden.
Ressourcen:
// 3. Produktions-Debugging
LLMs können in der Produktion nicht debuggen. Hier kommen Sie ins Spiel, mit Ihrem Wissen über die Interpretation von Protokollen und Metriken zur Diagnose von Grundursachen für Produktionsvorfälle.
Ressourcen:
// 4. Architektonisches Denken
Ohne Verständnis ihrer Architektur werden Systeme so konzipiert, dass sie in der Produktion funktionieren (Daumen drücken!), aber im realen Datenverkehr scheitern sie oft.
Architektonische Überlegungen bestimmen die Zuverlässigkeit, Latenz, den Durchsatz und die betriebliche Komplexität eines Methods.
Ressourcen:
// 5. Schema- und Vertragsdesign
Schlecht gestaltete Schemata und Definitionen der Artwork und Weise, wie Systeme kommunizieren, können einen Dominoeffekt verursachen: kaskadierende Fehler, die zu übermäßigen Migrationen führen, die wiederum zu Koordinationsreibungen zwischen Groups führen.
Erstellen Sie ein gutes Design, und Sie haben Stabilität geschaffen und Ausfälle verhindert.
Ressourcen:
// 6. Betriebsbewusstsein
Systeme verhalten sich in Produktionsumgebungen immer anders als in der Entwicklung.
Da die Grundidee darin besteht, dass das System funktioniert, müssen Sie verstehen, wie sich Komponenten verschlechtern, wie es zu Ausfällen kommt und was und wo es Engpässe gibt. Mit diesem Wissen wird der Übergang zwischen Entwicklung und Produktion weniger schmerzhaft sein.
Ressourcen:
// 7. Anforderungsverhandlung
Auch hier gilt: „Vorbeugen ist besser als heilen“. Wenn die Anforderungen anfangs schlecht definiert waren, müssen Sie mit quick endlosen Ausfällen und Umschreibungen rechnen. Es ist eine Hölle, wenn man versucht, das System zu reparieren, sobald es in Produktion ist.
Um dies zu verhindern, müssen Sie bereits in den frühen Entwicklungsphasen geschickt eingreifen, um den Umfang anzupassen, technische Einschränkungen zu kommunizieren und vage Anforderungen in technisch machbare umzusetzen.
Ressourcen:
// 8. Überprüfung des Verhaltenskodex
Sie sollten in der Lage sein, Code nicht nur hinsichtlich seiner Funktionalität, sondern allgemeiner hinsichtlich seiner Auswirkungen auf das System zu lesen.
Auf diese Weise können Sie Risiken identifizieren, die bei Linting oder Checks nicht auftauchen, insbesondere bei KI-generierten Patches, und subtile Fehler verhindern, die andernfalls Ihre Produktion beeinträchtigen würden.
Ressourcen:
// 9. Kosten- und Leistungsbeurteilung
Ihre Arbeit hat finanzielle und betriebliche Auswirkungen. Sie werden mehr wertgeschätzt, wenn Sie zeigen, dass Sie sie verstehen, indem Sie bei Ihrer Arbeit Computernutzung, Latenz, Durchsatz und Infrastrukturkosten berücksichtigen.
Das wird von Unternehmen viel mehr geschätzt, als teure Systeme zu bauen, die auch noch nicht funktionieren.
Ressourcen:
# Echte Jobs, die sich immer noch sinnvoll anfühlen
Lassen Sie uns abschließend über tatsächliche Jobs sprechen, bei denen zumindest einige oder alle der zuvor besprochenen Fähigkeiten noch zum Einsatz kommen. Der Fokus verlagert sich möglicherweise vom Programmieren selbst, aber einige Aspekte dieser Jobs können sich immer noch sinnvoll anfühlen.
// 1. Datenwissenschaftler (die echte Artwork, nicht nur auf Notebooks)
KI kann Code generieren, aber Datenwissenschaftler sorgen für Struktur, Argumentation und Domänenverständnis für vage und oft falsch formulierte Probleme.
// 2. Ingenieur für maschinelles Lernen
KI kann ein Modell trainieren, aber was ist mit der Datenvorbereitung, dem Coaching von Pipelines, der Bereitstellung der Infrastruktur, der Überwachung, der Fehlerbehandlung usw.? Das ist die Aufgabe eines Ingenieurs für maschinelles Lernen.
// 3. Analytics-Ingenieur
KI kann SQL-Abfragen schreiben, aber Analyseingenieure sind diejenigen, die Korrektheit und Langzeitstabilität garantieren.
// 4. Dateningenieur
Dateningenieure sind für die Vertrauenswürdigkeit und Verfügbarkeit der Daten verantwortlich. KI kann Daten transformieren, aber sie kann das Systemverhalten, vorgelagerte Änderungen oder die langfristige Datenzuverlässigkeit nicht verwalten.
// 5. Maschinenlern-Ops-/Information-Ops-Ingenieur
Diese Rollen stellen sicher, dass Pipelines zuverlässig laufen und Modelle genau bleiben.
Sie können KI verwenden, um Korrekturen vorzuschlagen, aber Leistung, Systeminteraktionen und Produktionsausfälle bedürfen weiterhin der menschlichen Aufsicht.
// 6. Forschungswissenschaftler (Angewandtes Maschinelles Lernen/Künstliche Intelligenz)
KI kann eigentlich nichts Neues bringen, schon gar nicht neue Modellierungsansätze und Algorithmen; Es kann einfach wieder aufwärmen, was bereits existiert.
Für alles andere ist Expertenwissen erforderlich.
// 7. Datenproduktmanager
Die Beschreibung dieser Stelle besteht darin, zu definieren, was Daten- oder maschinelle Lernprodukte leisten sollen. Dazu gehört die Übersetzung von Geschäftsanforderungen in klare technische Anforderungen und die Abstimmung der Prioritäten verschiedener Stakeholder.
Sie können KI nicht einsetzen, um den Umfang auszuhandeln oder das Risiko zu bewerten.
// 8. Governance-, Compliance- und Datenqualitätsrollen
KI kann nicht sicherstellen, dass Datenpraktiken rechtlichen, ethischen und Zuverlässigkeitsstandards entsprechen. Jemand muss Regeln definieren und diese durchsetzen. Dafür sind Governance-, Compliance- und Datenqualitätsrollen da.
// 9. Rollen in der Datenvisualisierung/Entscheidungswissenschaft
Damit Daten einen Zweck erfüllen, müssen sie mit Entscheidungen verknüpft werden. Die KI kann so viele Diagramme erstellen, wie sie will, weiß aber nicht, worauf es bei der Entscheidungsfindung ankommt.
// 10. Leitende Datenrollen (Schulleiter, Mitarbeiter, Leiter)
KI ist ein großartiger Assistent, aber eine schreckliche Anführerin. Genauer gesagt kann es nicht führen.
Entscheidungsfindung? Domänenübergreifende Führung? Leitende technische Richtung? Das können nur Menschen.
# Abschluss
Im Zeitalter des Vibe-Coding ist es nicht einfach, sinnvolle Arbeit zu finden. Allerdings ist Codierung nicht das Einzige, was Datenprofis tun. Versuchen Sie, nach Stellenanzeigen zu suchen, die, auch wenn sie Vibe-Codierung erfordern, auch einige dieser Fähigkeiten erfordern, die KI immer noch nicht ersetzen kann.
Nate Rosidi ist Datenwissenschaftler und in der Produktstrategie tätig. Er ist außerdem außerordentlicher Professor für Analytik und Gründer von StrataScratch, einer Plattform, die Datenwissenschaftlern hilft, sich mit echten Interviewfragen von High-Unternehmen auf ihre Interviews vorzubereiten. Nate schreibt über die neuesten Developments auf dem Karrieremarkt, gibt Ratschläge zu Vorstellungsgesprächen, stellt Information-Science-Projekte vor und behandelt alles rund um SQL.