Warum ich meine 6-Figur

Bild von Autor | Ideogramm

# Einführung

Als ich meine Datenwissenschaftskarriere im Jahr 2020 anfing, boomte das Feld. Überall, wo Sie sich angesehen haben, mieteten Unternehmen Datenfachleute. Zu dieser Zeit habe ich ein Knowledge Science-Portfolio erstellt und es gelang, mehrere hochbezahlte Kunden zu landen.

Ich würde Datenwissenschaftsinhalte wie White Papers, Artikel und technische Dokumentation schreiben – die zwischen USD $ 500 und $ 1.000 gezahlt wurden für zwei Arbeitstage. Ich habe einfache Modelle für maschinelles Lernen erstellt und Analysen mit Instruments wie Tableau und Energy BI durchgeführt. Als Kunden meine Arbeit empfahl und constructive Bewertungen hinterlassen hatte, landete ich mehr Projekte. Ich habe jeden Tag 5 bis 6 Stunden von meiner Sofa gearbeitet und conflict völlig abgelegen.

Vor kurzem habe ich jedoch die Dinge verändert.

Ich habe ein paar freiberufliche Jobs für eine Vollzeit-Datenwissenschaftsposition gekündigt-eine, in der ich jeden Tag ins Büro gehe und die Stunden doppelt so arbeite. Und nein, es liegt nicht daran, dass der Job mehr bezahlt. Tatsächlich habe ich als freiberuflicher Datenwissenschaftler mehr Geld verdient als jetzt.

Warum wechselte ich von einem komfortablen, hochbezahlten freiberuflichen Job zu einer Vollzeitstelle, die weniger zahlt?

Lesen Sie weiter und Sie werden die drei wichtigsten Bedenken herausfinden, die mich dazu veranlassten, diese Aktion zu ergreifen.

# 1. technische Fähigkeiten aufbauen

Als ich für mich selbst arbeitete, wurde mir klar, dass ich ein Plateau im Erlernen von technischen Fähigkeiten erreicht hatte. Ich arbeitete eher wie eine Maschine und generierte sich wiederholende Ergebnisse für dieselben freiberuflichen Kunden. Dies bedeutete, dass ich nicht nur weniger arbeitete, sondern mein technisches Wissen hatte einen Stillstand erreicht.

Ein Actuality -Verify kam, als ich an einer seriösen Tech -Konferenz teilnahm und mich mit anderen Datenfachleuten vernetzte. Mir wurde klar, dass ich nicht mit viel von der Technologie, die sie besprochen hatten, Schritt gehalten hatte. Diese Datenfachleute bauten KI-Agenten und RAG-Systeme (Abruf-ausgerüstete Technology) auf, während ich zum hundertsten Mal dasselbe Dashboard erfrischte und weiße Papiere auf Python für Knowledge Science schrieb.

Verstehen Sie mich nicht falsch – der Wert eines Datenwissenschaftlers liegt in den Ergebnissen, die sie antreiben, und in vielen Fällen sind schicke Instruments wie große Sprachmodelle (LLMs) der Verwendung eines Vorschlaghammers, um eine Nuss zu knacken. Es fehlte mir jedoch Grundkenntnisse über Instruments, die an der Spitze von Technologieunternehmen standen, und das hat mich erschreckt. Ich habe aus erster Hand miterlebt, wie Selbstzufriedenheit und Unwilligkeit, sich an neue Instruments anzupassen, die technischen Mitarbeiter veraltet haben.

# 2.. Bezahlt zu lernen, um zu lernen

Bei meinem aktuellen Vollzeitjob gibt es Schulungskurse unter der Leitung von KI-Experten, die Sie beibringen, LLMs in Ihre Datenwissenschafts-Workflows zu integrieren. Durch regelmäßige Hackathons mit Groups wie Daten und Software program -Engineering können Sie Fähigkeiten erwerben, die über Ihren Arbeitsumfang hinausgehen. Quick jede Woche gibt es Peer-Line-Tutorial-Sitzungen, in denen andere Teammitglieder Sie durch ein Downside führen, das sie gelöst haben, und zeigen Ihnen, wie Sie ein ähnliches Projekt aufbauen können. Dies spart viel Zeit und lehrt Sie weit mehr als die meisten On-line -Kurse.

Ein Vollzeitjob ist der einzige Ort, an dem Sie auf dem Cent eines anderen lernen, anstatt sich in einem Bootcamp in Höhe von 1.000 US-Greenback einschreiben zu müssen.

Als ich mich ausschließlich auf freiberufliche Arbeit konzentrierte, geschahen zwei Dinge:

1. Erstens wurde ich nicht dazu angeregt, neue Dinge zu lernen, es sei denn, ein Kunde hatte ein Downside, das mich für Upskill verlangte.
2. Wenn ich etwas Neues lernen musste, habe ich normalerweise einen On-line -Kurs bezahlt.

Und wenn ich stecken blieb oder nichts verstand, hatte ich niemanden, der mir helfen könnte, das Konzept zu erfassen.

3..

Dies magazine für einige kontrovers sein, aber der größte Grund, warum ich einen Vollzeit-Datenwissenschaftsjob bekommen habe, ist, dass ich glaube, dass dies meine Karriere vor KI sichern wird. Und obwohl dies kontraintuitiv klingen magazine, hören Sie mich aus.

Mit meinem freiberuflichen Job habe ich hier gelernt:

• So nutzen Sie meine vorhandenen Fähigkeiten, um das Downside des Kunden zu lösen
• Sammeln von Kundenanforderungen und verwenden Sie sie zur Lösung eines bestimmten technischen Issues

Mit einem Vollzeitjob bei einem großen Technologieunternehmen geht es jetzt mit meinem Umfang mit:

• Sammeln Sie eine geschäftliche Anforderung und arbeiten Sie mit Groups wie Produkt, Design und Engineering zusammen, um sie in ein Datenproblem zu verwandeln
• Treffen Sie wichtige Produktentscheidungen
• Verstehen, wie das Knowledge Warehouse des Unternehmens funktioniert, und verwenden Sie es zum Erstellen von Datenpipelines
• Beziehungen zu Stakeholdern und Kollegen aufbauen

Mit freiberuflicher Arbeit lösen Sie normalerweise ein gezielteres technisches Downside für das Unternehmen – z. B. das Erstellen eines Dashboards und das Aktualisieren eines jeden Quartals oder das Erstellen eines maschinellen Lernmodells für einen bestimmten Anwendungsfall. Die Anforderungen sind klar angegeben, und Sie müssen sich nur auf die Ausführung mit Ihren technischen Fähigkeiten konzentrieren.

Die KI demokratisieren jedoch technische Fähigkeiten.

Es ermöglicht Leuten, die nicht wissen, wie sie Anwendungen erstellen können. Personen, die SQL nicht kennen, können leicht eine Abfrage schreiben und ein umfassendes Dashboard erstellen. Da die KI weiterhin technische Fähigkeiten demokratisieren, wird der Wert von Datenwissenschaftlern wahrscheinlich sinken. Die Bezahlung wird abnehmen und der Raum wird wettbewerbsfähiger.

Umgekehrt ist eine Unternehmensrolle vielfältig. Es erfordert weitaus mehr Zusammenarbeit, Area -Experience, kritisches Denken und Verständnis des Unternehmens. Wenn Sie die Knowledge Science Company Leiter besteigen und höhere Positionen innerhalb des Unternehmens erreichen, werden Sie schwieriger zu ersetzen (selbst wenn KI -Modelle besser werden). Außerdem können Sie in Rollen wie Enterprise Analyst oder Produktmanager übergehen und sogar höhere Gehälter aushandeln. Einfach ausgedrückt, es gibt viele Möglichkeiten, in einer Unternehmensrolle voranzukommen. Sie können Datenlösungen überwachen und den Geschäftswert auf eine Weise vorantreiben, die sich nicht mit den Funktionen der KI überlappt.

Auf der anderen Seite, wenn Sie einen freiberuflichen Job arbeiten, bei dem Sie den einzigen Wert haben, den Sie mitbringen, ist Ihre technische Fähigkeiten Sie in eine verletzliche Place.

Aus diesem Grund habe ich beschlossen, die langfristige Karrieresicherheit vor kurzfristigem Einkommen zu priorisieren. Ich habe mich für einen tiefer bezahlten Vollzeitjob über freiberufliche Datenwissenschaftsrollen entschieden, um eine Reihe von Fähigkeiten zu erstellen, die mich im nächsten Jahrzehnt related halten, unabhängig davon, wie KI die technische Seite des Berufs beeinflusst.

Zusammenfassung

Zusammenfassend lässt sich sagen, dass ich meine komfortablen, hochbezahlten freiberuflichen Rollen kündigte, um einen viel anspruchsvolleren Vollzeit-Datenwissenschaftsjob zu übernehmen. Und ich habe es aus folgenden Gründen gemacht:

• Um technische Fähigkeiten schneller zu erlernen
• Die Unternehmensleiter zu besteigen und die langfristige finanzielle Stabilität vor kurzfristigem Einkommen zu priorisieren
• Um meine Karriere vor KI zu sichern, indem Sie Erfahrungen und Lernfähigkeiten erhalten, die nicht ersetzt werden können (wie Geschäfts- und Produktkenntnisse, Stakeholder -Administration und kritisches Denken)

YMMV, additionally ermutige ich Sie, Ihre eigenen Nachforschungen anzustellen. Schreiben Sie unten einen Kommentar, wenn Sie das Gefühl haben, wertvolle Einblicke für andere zu haben.
& nbsp

Natassha Selvaraj ist ein autodidaktischer Datenwissenschaftler mit einer Leidenschaft für das Schreiben. Natassha schreibt über alles, was Knowledge Science zu tun hat, einen echten Grasp aller Datenthemen. Sie können sich mit ihr verbinden LinkedIn Oder schauen Sie sich sie an YouTube -Kanal.