9 Trends, die die Zukunft der Datenwissenschaft prägen

Als die Harvard Business Review den Beruf des Datenwissenschaftlers als "den sexiesten Job des 21. Jahrhunderts" bezeichnete, waren Datenwissenschaftler die magischen Alleskönner mit Fachkenntnissen in maschinellem Lernen, Domänenwissen und Softwaretechnik. Aber die Welt hat sich seit der Veröffentlichung dieses Artikels im Oktober 2012 stark verändert. Der Hype ist vorbei und Data Science ist in den meisten Unternehmen zum Standard geworden. Wenn also der Datenwissenschaftler, der "alles" kann, eine Illusion der Vergangenheit ist, was können wir dann von den Datenwissenschaftlern von morgen erwarten? Im Folgenden haben wir neun Trends skizziert, die unserer Meinung nach die Zukunft der Datenwissenschaft prägen werden.

Trend 1: "Datenwissenschaftler" werden zu Domänenspezialisten

Der Titel "Datenwissenschaftler" ist bedeutungslos geworden. Die Fähigkeit, Lösungen mit Data Science zu entwickeln, macht nicht den Unterschied. Die Domäne macht den Unterschied. Nehmen Sie zum Beispiel Chatbots. Neue Spezialisten nennen sich Trainer oder KI-Spezialisten, nicht Datenwissenschaftler. Dieser Spezialisierungstrend setzt sich in allen Anwendungsbereichen fort. Sie müssen etwas von Supermärkten verstehen, um genau vorhersagen zu können, welche Produkte in den Bonus aufgenommen werden sollten. Wenn Sie ein guter Datenwissenschaftler sein wollen, müssen Sie in Ihr Fachgebiet eintauchen. Nur dann können Sie etwas bewirken.

Trend 2: Datenwissenschaftler werden Ingenieure für maschinelles Lernen

Data Scientists werden zunehmend zu Machine Learning Engineers umgeschult, weil sie andere Probleme lösen müssen. Wie entwickeln Sie solide Lösungen? Wie bringen Sie diese in die Produktion? Wie pflegt man sie? Zuerst lag der Schwerpunkt darauf, die richtigen Lösungen zu finden, jetzt geht es darum, die Lösungen richtig zu bauen. Datenwissenschaftler erkennen, dass andere Fähigkeiten erforderlich sind, um einen Mehrwert zu schaffen, und bewegen sich in Richtung Technik.

Trend 3: Unternehmen suchen nach Spezialisten

Nicht nur Datenwissenschaftler erkennen, dass sich ihre Rolle verändert, sondern auch die Unternehmen selbst. Unternehmen verstehen, dass es besser ist, nach spezialisierten Datenwissenschaftlern zu suchen als nach Generalisten. Bol.com fand bessere Kandidaten für Logistikteams, nachdem sie die Stellenausschreibung geändert und ausdrücklich angegeben hatten, dass ein Hintergrund in  Operations Research gewünscht wurde. Vorbei sind die Zeiten der Stellenausschreibungen mit langen, abweichenden Listen von Anforderungen. Unternehmen brauchen Spezialisten mit spezifischen Erfahrungen in einem bestimmten Bereich, einer bestimmten Technologie oder Anwendung.

Trend 4: Daten machen den Unterschied - nicht Modelle

Der Schwerpunkt verlagert sich von der Suche nach besseren Modellen auf bessere Daten. Viele der großen Technologieunternehmen verfügen über hochmoderne Modelle, die mit mehr Daten, Rechenleistung und Wissen erstellt werden, als die meisten Unternehmen zur Verfügung haben. Diese Modelle sind oft öffentlich zugänglich, wo können Sie also noch etwas bewirken? Mit Daten, die spezifischer und besser sind. Um einen Chatbot für Hypotheken zu erstellen, benötigen Sie beispielsweise Daten, die ausschließlich für eine bestimmte Bank gelten. Mehr Text,  per se, nicht ausreicht. Bessere Modelle machen den Autopiloten von Tesla im Winter nicht besser. Er braucht Bilder von schneebedeckten Stoppschildern. Die Modelle sind so gut, dass die Daten der Engpass und der Wettbewerbsvorteil sind. Konzentrieren Sie sich also darauf.

Trend 5: Weniger Experimente, mehr kreatives Denken

Die Zeiten der langwierigen Experimente sind vorbei. Wir wissen jetzt besser, wie wir Data Science einsetzen können. Die Nachfrage nach Unternehmen, die am Anfang ihrer  KI-Maturitätsverbesserung hat sich verändert. Wo die Frage früher lautete: "Wie können wir Data Science für unsere Probleme nutzen?", lautet sie jetzt: "Wie lösen wir unsere Probleme am besten?" Nehmen Sie  Chatbots, zum Beispiel.  Sie können Geld dafür ausgeben, Daten zu sammeln, um alle Fragen Ihrer Kunden zu beantworten. Oder Sie können das richtige Benutzererlebnis finden, indem Sie z.B. die Suchfunktion oder den Helpdesk heranziehen. Was ist besser? Design Thinking mit Interviews bringt den Benutzern mehr als das Experimentieren mit Modellen.

Trend 6: Der Hype um MLOps hält an

So wie Big Data vor zehn Jahren ein Hype war und Data Science vor fünf Jahren, ist MLOps ein Hype. Trotz des ganzen Rummels um dieses Thema erfordert es immer noch zu viele Anpassungen, um eine Data-Science-Lösung in die Produktion zu bringen. Darüber hinaus ist die Fragmentierung des Marktes enorm. Es gibt Hunderte von MLOps-ähnlichen Tools, die unterschiedliche Probleme lösen. Nachverfolgung von Experimenten, Registrierung von Modellen, automatische Umschulung, Kennzeichnung von Daten: Jedes Tool macht etwas anderes. Jeder hat eine andere Vorstellung von MLOps. Genauso wie jeder eine andere Sichtweise auf Big Data und Data Science hatte. Es wird noch ein paar Jahre dauern, bis wir MLOps wirklich verstehen.

Trend 7: Mehr KI-Nutzung, weniger Selbstbau

Unsere Nutzung von KI wird weiter zunehmen, und dafür müssen wir nichts bauen. Foto-Apps erkennen bereits, was auf Ihren Fotos zu sehen ist - Sie brauchen nur nach dem Text "Baby" zu suchen und die App zeigt Ihnen alle Ihre Babyfotos. Die Tastatur Ihres Telefons gibt nicht nur Rechtschreibvorschläge für den Text, den Sie bereits eingegeben haben, sondern auch Vorschläge für die nächsten Wörter, die Sie eingeben müssen. Softwareentwickler können die Fotoerkennung auch ohne Kenntnisse des maschinellen Lernens in ihre Produkte integrieren. Analysten trainieren Chatbots mit Google Dialog Flow ohne Programmierkenntnisse. Designer verwenden KI in  RunwayML um Hintergrundbilder zu ändern, ohne dass Sie einen Greenscreen benötigen. KI wird zu einem vorgefertigten Werkzeugkasten, den jeder nutzen kann.

Trend 8: Von der Kreation zur Kuratierung

Trotz des nachlassenden "Hypes" um die Datenwissenschaft gibt es immer noch viele Dinge, die Sie begeistern werden. 

Zum einen liegt der Schwerpunkt jetzt auf unstrukturierten Daten, im Gegensatz zu den tabellarischen Daten, aus denen Data Science entstanden ist. Das bedeutet, dass Anwendungen mit Audio, Text und Bildern einfacher zu erstellen sind als solche mit relationalen Daten.  

Außerdem verändert die generative KI jetzt die Rolle des Menschen vom Schöpfer zu einem Kurator . Für ein Bild eines Avocado-Stuhls brauchen Sie zum Beispiel keinen Designer, fragen Sie einfach  DALL-E um Bilder davon zu generieren und das Beste für sich selbst auszuwählen.

Trend 9: Data Engineering erfindet sich selbst neu

Data Engineering kam zur gleichen Zeit wie Data Science auf und verändert sich auf die gleiche Weise. Spezialisten wie Analytik-Ingenieure, Ingenieure für maschinelles Lernen und Cloud-Ingenieure treten in die Rolle des ehemaligen Generalisten "Data Engineer".  

Die Berufe Data Science und Data Engineering, die einst durch den ganzen Hype sehr sexy waren, verändern und spezialisieren sich - zum Besseren. Ein Datenwissenschaftler 2.0 konzentriert sich nicht mehr auf das Modell, sondern auf die Domäne und erweitert seine Fähigkeiten um Beratung oder Engineering mit tiefgreifenden Spezialisierungen.

Sich neu qualifizieren, um sich als Data Scientist von morgen zu spezialisieren?

Machen Sie den Unterschied und bereiten Sie sich auf die Veränderungen in Ihrer beruflichen Zukunft vor, indem Sie unsere Trainingskurse für Analytics Translation & Machine Learning Engineering besuchen.

Gehen Sie zu unserer Trainingskursübersicht >>