(oder 2010er genauer sein) Large-Knowledge-Increase brachte die Entstehung einer Spezialisierung auf Datenrollen. Was früher ausschließlich als „Enterprise Intelligence Engineer“ bezeichnet wurde, wurde weiter in Enterprise Intelligence Engineers/Analysten, Dateningenieure/Analysten, Datenwissenschaftler usw. der Grund dafür unterteilt? Die Fülle von Daten und die damit verbundenen multidisziplinären Verantwortlichkeiten, die durch eine generische Stellenbeschreibung nicht gezähmt werden konnten. Daher bestand die Notwendigkeit, es aufgrund der Vielfalt der täglichen Aufgaben auf kleinere Stücke zu brechen. Wenn wir uns jedoch am Ende von 2025 nähern, kehren wir jetzt zu allgemeineren Datenrollen zurück?
Der Aufstieg des Datenalwwanists
Nehmen wir es von Anfang an. Was meine ich mit Daten Generalisten? Wenn Sie „Generalist Definition“ googeln, erhalten Sie die folgende Definition:
„Eine Individual, die in verschiedenen Bereichen oder Aktivitäten kompetent ist“
Nehmen Sie die obige Definition und wenden Sie sie auf den Datensektor an. Je mehr Erfahrung ich in das Datenfeld bekomme, desto größer ist das Ausmaß, in dem ich eine Zunahme der Nachfrage nach Daten Generalisten sehe.
Heutzutage wird von einem Dateningenieur nicht nur erwartet, wie man Datenpipelines implementiert, um Daten von Punkt A bis Punkt B zu übertragen. Sie erwarten, dass sie wissen, wie sie Cloud -Ressourcen sprudeln, CI/CD -Pipelines und Greatest Practices implementieren und auch KI/ML -Modelle entwickeln. Das bedeutet, dass Cloud, DevOps und maschinelles Lerntechnik jetzt Teil des Tech -Stacks des modernen Dateningenieurs sind.
In ähnlicher Weise entwickelt ein Datenwissenschaftler nicht nur Modelle in einem Notizbuch, das nie irgendwo in der Produktion landen wird. Sie müssen wissen, wie sie in der Produktion arbeiten und die KI/ML -Modelle dienen, indem sie möglicherweise Container oder APIs verwenden. Dies ist eine Überlappung von Datenwissenschaft, Maschinenbautechnik und Cloud von vorne.
Sie sehen additionally, wohin das geht? Was könnten die Gründe dafür sein, dass diese Rollen heutzutage alle verwechselt und sich miteinander überlappen? Warum sind die Datenrollen jetzt anspruchsvoller und der erforderliche Tech -Stack umfasst mehrere Disziplinen? Ist dies in der Tat die Ära, in der der Daten Generalist auf dem Vormarsch ist?
Meine persönliche Meinung, warum Daten -Generalisten jetzt florieren, sind die drei Hauptgründe:
- Entstehung von Cloud -Diensten
- Explosion von Startup -Unternehmen
- Entwicklung künstlicher Intelligenzwerkzeuge
Lassen Sie uns bewerten.
Entstehung von Cloud -Diensten
Cloud -Dienste haben seit 2010 einen langen Weg zurückgelegt und alles auf eine einzige Plattform gebracht. AWS, Google und Azure machen es jetzt viel einfacher und zugänglich für Fachkräfte, Zugang zu Ressourcen und Diensten zu haben, die zur Bereitstellung von Anwendungen verwendet werden können. Dies bedeutet, dass einige der überspezifizierten Rollen, die diese Funktionen betrieben haben, jetzt an die Cloud-Anbieter abgeladen werden und die Datenfachleute an der Datenseite der Dinge bleiben.
Wenn Sie beispielsweise eine Plattform als Knowledge Warehouse (PAAS) verwenden, müssen Sie sich keine Sorgen über den von ihm ausgeführten virtuellen Maschine, das Betriebssystem, die Aktualisierungen usw. machen. Ein Dateneringenieur kann sofort die Datenbankadministrator- oder Systemingenieuraufgaben übernehmen, ohne dass er tägliche Aufgaben zu viel belastet. Anstatt 2-3 Personen zu haben, die das Knowledge Warehouse unterhalten, ist 1 genug. Dies bedeutet auch, dass der Dateningenieur neben den üblichen Daten technischen Aufgaben ein Verständnis der Infrastruktur- und Datenbankverwaltung hat.
Die Artwork und Weise, wie sich die Branche weiterentwickelt, wobei mehr Software program als SaaS -Produkte (SaaS) entwickelt werden (wie Datenbanken, Schneeflocken und Stoff), denke ich, dass dieser Development die neue Norm sein wird. Diese Produkte erleichtern es einem Datenfachmann nun einfach, die gesamte Finish-to-Finish-Datenpipeline von einer einzelnen Plattform zu verarbeiten. Das ist natürlich mit einem Preis verbunden.
Explosion von Startup -Unternehmen
Startups werden für jedes Land immer kritische und wirtschaftliche Antriebskräfte. Es gibt weltweit eine erstaunliche Zahl von über 150 Millionen Startups, wie in diesem Bereich berichtet Studie, mit rund 50 Millionen Neugeschäften professional Jahr. Von diesen gibt es weltweit mehr als 1.200 Einhorn -Startups. Basierend auf diesen Zahlen kann niemand mit uns streiten, in einer Ära der Begin -up -Dominanz zu leben.
Angenommen, Sie haben eine Idee, dass Sie sich in ein Startup -Unternehmen verwandeln möchten. Mit welchen Menschen möchten Sie sich umgeben? Gehen Sie für Menschen mit einer Nischenkompetenz zu Daten oder Personen mit genaueren Kenntnissen, die wissen, wie man die gesamte Finish-to-Finish-Datenpipeline navigiert? Ich würde denken, es ist das letztere.
Tiefe Fachwissen ist intestine für multinationale Unternehmen, in denen Sie jeden Tag an sehr spezifischen Dingen arbeiten, aber ein Daten -Generalist ist Ihr Move für Startups. Zumindest hat ich aus meiner Erfahrung das bemerkt.
Werkzeuge für künstliche Intelligenz
November 2022 – Ein Monat in den Geschichtsbüchern für die Technologiewelt, in der sich alles verändert hat. Die Veröffentlichung von Chatgpt. Chatgpt brachte die Revolution in der KI -Welt. Von diesem Tag an ist jeder Tag im Techsektor anders. Die Auswirkungen auf die Branche? Riesig. KI -Instruments werden täglich freigegeben, jeweils eigene Stärken und Schwächen.
Lange vorbei sind die Tage, in denen Sie in der Vergangenheit ein ähnliches Downside mit Ihnen mit Ihnen hatten, um ein Stück Code zu schreiben oder Wissen zu erlangen, um zu Stack Overflow zu gehen und zu lesen, ob jemand ein ähnliches Downside mit Ihnen hatte und ihn gelöst hat. Auf diese Weise waren es früher, um eine Lösung zu entwickeln. Jetzt schreibt jeder Datenprofi den ganzen Tag mit einem KI -Buddy Code. KI kann Fragen beantworten, Sie effizienter arbeiten lassen, aber auch einen relativ einfachen Vorsprung bei Dingen erhalten, die Sie noch nie zuvor getan haben. Natürlich macht es immer noch Fehler, aber wenn Sie es richtig fordern und die richtigen Fragen stellen, erhalten Sie erstaunliche Hilfe davon.
Wie hängt das mit Daten Generalisten zusammen? Wenn Sie heutzutage die richtigen Fragen für Chatgpt, Gemini oder Copilot (oder was auch immer andere KI gibt) kennen, können Sie die Dinge unglaublich schnell tun. Wenn additionally ein Dateningenieur einen kurzen Überblick über die Entwicklung eines linearen Regressionsmodells erhalten möchte, kann AI helfen. Wenn ein Datenwissenschaftler bei der Erstellung einer Cloud -Ressource helfen möchte, kann KI helfen.
So entwickelt sich diese Branche und wohin die Dinge übergehen. Dies ist auch der Grund, warum ich denke, wenn Sie heutzutage ein guter Daten -Generalist sind und wissen, wie Sie die richtigen Fragen stellen können, können Sie alles erreichen. Das Fachwissen kommt später, abhängig von der Wiederholung einer Aufgabe und den Fehlern, die Sie auf dem Weg begegnen.
Abschluss
Wir leben in einer Zeit, in der sich die Datenlandschaft in unglaublichem Tempo entwickelt. Jeder Tag bringt neue Herausforderungen und neue Instruments zum Lernen. Ich glaube jedoch, dass es der Schlüssel zum langfristigen Erfolg sein wird, sich auf das Gesamtbild zu konzentrieren und sich als Daten-Generalist zu entwickeln.
Durch das Nageln der Grundlagen und das Verständnis der Architektur der gesamten Datenpipeline-Finish-to-Finish-Verständnis positionieren Sie sich als jemanden, der in Zukunft sehr gefordert bleibt. In vielerlei Hinsicht scheint sich die Branche zurückzuschieben, um vielseitige Daten Generalisten über eng spezialisierte Rollen zu bewerten.
Natürlich ist dies nur meine Meinung – aber ich würde gerne Ihre hören.