정규 데이터 과학 작업을 위해 6 개의 그림 측면 허슬을 그만 두었던 이유

저자의 이미지 | 표의 문자

틀 소개

2020 년에 데이터 과학 경력을 처음 시작했을 때이 분야는 호황을 누리고있었습니다. 당신이 보았을 때마다 회사는 데이터 전문가를 고용하고있었습니다. 당시 나는 데이터 과학 포트폴리오를 구축하고 여러 고임금 고객을 착륙 시켰습니다.

백서, 기사 및 기술 문서와 같은 데이터 과학 내용을 작성합니다. USD \ $ 500과 \ $ 1,000 사이에 지불했습니다 이틀 동안 일합니다. 간단한 기계 학습 모델을 구축하고 Tableau 및 Power BI와 같은 도구를 사용하여 분석을 수행했습니다. 고객이 내 작업을 추천하고 긍정적 인 리뷰를 남기기 시작하면서 더 많은 프로젝트를 시작했습니다. 나는 매일 소파에서 5 ~ 6 시간 일했고 완전히 멀리 떨어져있었습니다.

그러나 최근에 나는 상황을 바꿨습니다.

나는 풀 타임 데이터 과학 직책을 위해 몇 가지 프리랜서 작업을 그만 두었습니다. 매일 사무실에 가서 시간을 두 배로 일하는 곳. 그리고 아니요, 직업이 더 많은 돈을 지불하기 때문이 아닙니다. 사실, 나는 지금보다 프리랜서 데이터 과학자로서 더 많은 돈을 벌었습니다.

그렇다면 왜 편안하고 고임금 프리랜서 작업에서 덜 지불하는 풀 타임 포지션으로 전환 했습니까?

계속 읽으면이 조치를 취하게 된 세 가지 주요 관심사를 알게 될 것입니다.

틀 1. 기술 기술 구축

내가 나 자신을 위해 일했을 때, 나는 기술 능력 학습에 고원에 부딪쳤다는 것을 깨달았습니다. 나는 기계처럼 일하면서 동일한 프리랜서 고객을 위해 반복적 인 결과를 생성했습니다. 이것은 내가 덜 효과가 있었을뿐만 아니라 기술적 지식이 정지에 도달했다는 것을 의미했습니다.

평판이 좋은 기술 컨퍼런스에 참석하고 다른 데이터 전문가들과 네트워크를 찍었을 때 현실 점검이 이루어졌습니다. 나는 그들이 논의한 많은 기술을 유지하지 않았다는 것을 깨달았습니다. 이 데이터 전문가들은 AI 에이전트와 검색된 세대 (RAG) 시스템을 구축하고 있었으며, 백분기적으로 동일한 대시 보드를 새로 고치고 데이터 과학을 위해 Python에 백서를 작성했습니다.

나를 잘못 이해하지 마십시오 – 데이터 과학자의 가치는 그들이 추진하는 결과에 있으며, 대부분의 경우 LLM (Lagge Language Models)과 같은 멋진 도구는 슬레 즈 해머를 사용하여 너트를 부수는 것과 비슷합니다. 그러나 나는 기술 회사의 최전선에 있던 도구에 대한 기본 지식이 부족했고 저를 무서워했습니다. 나는 새로운 도구에 적응하려는 자만심과 의지가 기술 직원들을 쓸모 없게 만들었는지 직접 목격했습니다.

틀 2. 배우기 위해 돈을 받는다

현재의 정규직에는 AI 전문가가 이끄는 교육 과정이 있습니다. 데이터 및 소프트웨어 엔지니어링과 같은 팀의 정기적 인 해커 톤을 통해 작업 범위를 넘어서는 기술 세트를 얻을 수 있습니다. 다른 팀원들이 그들이 해결 한 문제를 안내하고 비슷한 프로젝트를 구축하는 방법을 보여주는 거의 매주 피어 주도의 튜토리얼 세션이 있습니다. 이것은 많은 시간을 절약하고 대부분의 온라인 과정보다 훨씬 더 많은 것을 가르쳐줍니다.

풀 타임 직업은 1,000 달러의 부트 캠프에 등록하지 않고 다른 사람의 소면에서 배우는 곳입니다.

프리랜서 작업에만 집중했을 때 두 가지가 발생했습니다.

첫째, 나는 고객이 내가 업 스킬을 요구하는 문제가 없다면 새로운 것을 배우는 것을 인센티브하지 않았다.
새로운 것을 배워야한다면 일반적으로 온라인 코스 비용을 지불했습니다.

그리고 내가 갇혀 있거나 무언가를 이해하지 못했다면, 나는 주변에 개념을 파악할 수 있도록 도와 줄 수있는 사람이 없었습니다.

3. AI-Proofing My Career

이것은 일부 사람들에게는 논란의 여지가 있지만, 풀 타임 데이터 과학 작업을 얻은 가장 큰 이유는 AI로부터 경력을 확보하는 데 도움이 될 것이라고 믿기 때문입니다. 그리고 이것은 반 직관적 인 것처럼 들릴지 모르지만 내 말을 들으십시오.

내 프리랜서 직업으로 내가 배운 내용은 다음과 같습니다.

기존 기술을 사용하여 고객의 문제를 해결하는 방법
고객 요구 사항을 수집하고 특정 기술 문제를 해결하기 위해 사용

그러나 대기업에서 정규직으로 일하면서 내 범위는 다음과 같습니다.

비즈니스 요구 사항 수집 및 제품, 디자인 및 엔지니어링과 같은 팀과 협력하여 데이터 문제로 전환
주요 제품 결정
회사의 데이터웨어 하우스 작동 방식 이해 및이를 사용하여 데이터 파이프 라인 구축
이해 관계자 및 동료와의 관계 구축

프리랜서 작업을 통해 일반적으로 대시 보드 구축 및 분기마다 새로 고침 또는 특정 사용 사례에 대한 기계 학습 모델을 만드는 등 회사의 대상 기술 문제를 해결합니다. 요구 사항은 명확하게 지정되며 기술 능력으로 실행에 집중하면됩니다.

그러나 AI는 기술 기술을 민주화하고 있습니다.

이를 통해 응용 프로그램을 구축하기 위해 코딩하는 방법을 모르는 사람들이 가능합니다. SQL을 모르는 사람들은 쿼리를 쉽게 작성하고 포괄적 인 대시 보드를 만들 수 있습니다. AI가 기술 기술을 계속 민주화함에 따라 데이터 과학 프리랜서의 가치는 감소 할 것입니다. 임금이 줄어들고 공간이 경쟁력이 높아집니다.

반대로, 기업의 역할은 다각적입니다. 훨씬 더 많은 협업, 도메인 전문 지식, 비판적 사고 및 비즈니스 이해가 필요합니다. Data Science Corporate Ladder를 올라가 회사 내에서 더 높은 위치에 도달하면 교체하기가 더 어려워 질 것입니다 (AI 모델이 향상 되더라도). 또한 비즈니스 분석가 또는 제품 관리자와 같은 역할로 전환하고 더 높은 급여를 협상 할 수도 있습니다. 간단히 말해서, 기업 역할을 수행하는 방법에는 여러 가지가 있습니다. AI 기능과 겹치지 않는 방식으로 데이터 솔루션을 감독하고 비즈니스 가치를 유도 할 수 있습니다.

반면에, 당신이 가져 오는 유일한 가치는 당신의 기술 기술이 당신을 취약한 위치에 두는 프리랜서 작업을 수행합니다.

이런 이유로, 나는 단기 소득에 대한 장기 경력 안전의 우선 순위를 정하기로 결정했습니다. AI가 직업의 기술적 측면에 어떤 영향을 미치는지에 관계없이 향후 10 년 동안 저를 관련성있게 유지할 수있는 일련의 기술을 구축하기 위해 프리랜서 데이터 과학 역할에 비해 고임금이 낮은 풀 타임 직업을 선택했습니다.

요약

요약하면, 나는 편안하고 고임금이 많은 프리랜서 역할을 그만 두어 훨씬 더 까다로운 풀 타임 데이터 과학 작업을 수행합니다. 그리고 나는 다음과 같은 이유로 그것을했다.

더 빠른 속도로 기술 능력을 배우는 것
기업 사다리를 오르고 단기 소득에 대한 장기 재무 안정성을 우선시하려면
대체 할 수없는 경험과 학습 기술을 얻음으로써 AI로부터 내 경력을 확보하려면 (예 : 비즈니스 및 제품 지식, 이해 관계자 관리 및 비판적 사고)

그러나 YMMV이므로 자신의 연구를 수행하는 것이 좋습니다. 다른 사람들에게 귀중한 통찰력이 있다고 생각되면 아래에 의견을 남겨주세요.
&nbsp

Natassha Selvaraj 글쓰기에 대한 열정을 가진 자립 데이터 과학자입니다. Natassha는 모든 데이터 주제의 진정한 마스터 인 Data Science 관련 Everything에 글을 씁니다. LinkedIn에서 그녀와 연결하거나 YouTube 채널을 확인할 수 있습니다.

출처 참조