全文共1859字，預計學習時長6分鐘
圖源：simplilearn
從某種程度上說，數據科學已經成爲一片紅海了。所謂的21世紀最熱門的工作可能並沒有那麼受歡迎。即使現在，人們和公司都利用它來創造價值和賺取金錢，但這真的是未來的職業嗎？
雖然這個觀點可能存在一定的偏見，每個人所在的國家地區、所具有的技能也不盡相同，不一定適合所有人，但筆者看來，這個觀點仍然有一定的道理。
如果你正在做與軟件相關的工作，或許你已經考慮過轉換到數據科學領域的選擇。爲什麼不呢？該領域的工作遍處都有，其薪水通常比軟件開發工作的薪水更高，而在工作職稱中加上“科學家”一詞會更令人驕傲。
但這也許不是最後一份工作。在領域內工作了一段時間之後，探索了很多庫和其他有趣的東西，寫了約80篇與數據科學相關的文章，與此同時還探索了其他選項，我發現自己有能力消化關於該領域的積極內容和負面內容。
本文的焦點將主要集中於負面內容，互聯網上充斥着“爲什麼要成爲數據科學家”和“一個月內學習數據科學”這類文章。但或許數據科學並沒有你看到的那麼完美，它有好處也有缺陷，這些缺點你也應該瞭解。
圖源：Unsplash
1.數據科學正在實現自動化
如果是一些熱門詞彙引導你進入該領域，諸如預測建模，機器學習等之類，不要誤會，很多事物在這裏還無法實現自動化，但是其中很大一部分已經實現了自動化。
令人遺憾的是，儘管人們擔心常規工作會變得自動化，但實際上我們已經將所有有趣的工作自動化了。
你目睹過專業的雲環境嗎？沒有也沒關係，因爲實在不怎麼樣。可以使用的算法數量基本上是有限的，只要以正確的方式準備數據，知道的準確度越高，任何人都可以測試所有組合，最終得到一個不錯的解決方案。
與有着10年以上經驗的資深數據科學家相比，你的開發會遜色點。如果只是提高2％的準確性，它的重要程度該如何衡量呢？
儘量從僱員和僱主的角度來思考這一點。由數據科學家團隊提供的略微好些的模型真的值得花費時間和金錢嗎？對於一些公司來說，這是值得的，但是這些企業中的大多數會完全適應 “企業雲環境”。
圖源：unsplash
2.數據科學很無聊
是的，你沒有看錯。大多數數據科學工作說到底就是從源表中提取數據，然後進行一些彙總和計算，將結果存儲在適合分析的新表中。這完美地描述了ETL過程，而不是數據科學。
而且，你還得花費一些時間來清理和準備數據，這又與純粹的數據科學無關。最後，處理預測建模的一個部分——該部分也不是新鮮事物，但是在最近幾年中非常流行。
這三個組成部分結合在一起，再加上不錯的演示和溝通技巧，這就是典型的數據科學家。
數據科學會不會改變世界？
既會也不會。會是因爲專業人士將能夠更好地完成工作，比如醫生；而不會是因爲你對ETL管道的興趣絕對不會有人關注，與是不是“數據科學家”職位無關。
3.工作清單糟透了
進入最喜歡的工作清單網站並搜索數據科學的工作，你會期待出現SQL，Python，R語言，統計信息之類的技能。問題是，這隻佔到工作內容的30％！
其他一些可能包括常規編程，API，版本控制，甚至可能包括一些前端技能，糟糕極了。即使你有軟件開發的經驗而且掌握了所有涉及的技能，在數據科學領域也不一定能有你的一席之地。
來看看2020年5月16日Indeed.com上的列表，該列表僅適用於美國：
數據科學 — 9474份工作
軟件開發員 — 66647 份工作
現在，情況大有不同。你現在可能會認爲軟件開發的前景比數據科學要廣得多，所以有更多的工作可供選擇。的確，這也是爲什麼筆者想在軟件開發——Java開發員中尋找一個更狹小的領域。下面看看工作清單的數量：
Java開發員— 29324
幾乎多3倍。就算這個數據說服不了你，但另一個事實絕對可以：大多數數據科學的職位都是高級職位。
大多數中小型公司對數據科學家的需求與對軟件開發人員的需求不同，他們甚至是在尋找自己公司的首位數據科學家。你真的認爲他們會僱用一名實習生或一名初級人員來處理與數據科學相關的工作？勸各位三思而後行。
圖源：unsplash
也許筆者對數據科學有些苛刻。但也許事實就是如此——在做出如此重大的決定時，應該瞭解其利弊。
別誤會，數據科學仍然很不錯，就是大約90–95％的時間會要騰給ETL、數據處理和準備上，其餘5–10％的時間做自己真正感興趣的事情（預測模型）。
如果正在選擇職業，筆者希望你能再次認真考慮。
一起分享AI學習與發展的乾貨
歡迎關注全平臺AI垂類自媒體 “讀芯術”
（添加小編微信：dxsxbb，加入讀者圈，一起討論最新鮮的人工智能科技哦～）