Enquadrando a pergunta certa
84Transformar um vago problema comercial ou científico em uma questão específica e testável requer um contexto organizacional e de domínio ao qual uma ferramenta automatizada não tem acesso por si só.
A ciência de dados situa-se num ponto incomum na história da IA: muitas das ferramentas que remodelam a profissão – aprendizagem automática de máquinas, tradução de linguagem natural para SQL, gráficos assistidos por IA – foram elas próprias, em grande parte, construídas por cientistas de dados clínicos e investigadores de aprendizagem automática, agora direccionados para partes do seu próprio trabalho diário.
Essa exposição é real e desigual. O final do trabalho rotineiro e bem especificado – extrair dados, executar um modelo padrão, produzir um primeiro rascunho do gráfico – já é comparativamente rápido para as ferramentas de IA realizarem. O fim que sobrevive tem menos a ver com escrever código e mais com decidir que pergunta vale a pena fazer e se uma resposta é confiável.
Moderado
Share of the work a machine could do
Uma parcela significativa do trabalho rotineiro de ciência de dados – consultas SQL, gráficos exploratórios, ajuste de um modelo padrão com AutoML, gravação de código de pipeline padronizado – já é automatizável ou assistida por IA hoje, e essa parcela está crescendo rapidamente. O que resiste à automação é enquadrar um problema de negócios ambíguo como uma questão testável, julgar se um resultado é real ou um artefato estatístico e ser responsável quando a decisão de um modelo no mundo real se revelar errada.
Scored from the tasks, not the job title. Lower is safer.
Jobs AI cannot take →What machines cannot take
Julgando se um padrão é real
80Distinguir um efeito genuíno do ruído, de um artefato de vazamento de dados ou de uma divisão sortuda de teste de trem é exatamente o julgamento cético que os pipelines automatizados são piores em aplicar à sua própria saída.
Responsabilidade por uma decisão do mundo real
88Alguém tem que responder por um modelo que nega um empréstimo, sinaliza um paciente ou avalia mal um produto – uma responsabilidade que não pode ser transferida para a ferramenta que produziu o número.
Persuadir as partes interessadas céticas
68Conseguir que uma descoberta contra-intuitiva ou indesejável seja realmente implementada depende de confiança, credibilidade e negociação com as pessoas, e não apenas de uma análise correta.
Projetando um experimento genuinamente novo
74Escolher o experimento natural, o grupo de controle ou a estratégia de inferência causal correta para uma nova questão está mais próximo do julgamento criativo do que da correspondência de padrões em análises anteriores.
What they already take
Consultas SQL de rotina e extração de dados
75As ferramentas de linguagem natural para SQL agora lidam com uma grande parcela de solicitações diretas de recuperação de dados que antes exigiam o envolvimento direto de um cientista de dados clínicos.
Primeiro rascunho de gráficos exploratórios e resumos
65Ferramentas automatizadas de análise exploratória podem gerar gráficos de distribuição, resumos de correlação e gráficos básicos a partir de um conjunto de dados brutos em segundos.
Ajustando e ajustando modelos padrão
68As plataformas AutoML podem selecionar, treinar e ajustar modelos convencionais, como aumento de gradiente ou regressão logística, em grande parte autônoma, para problemas bem definidos e rotulados.
Pipeline padrão e código ETL
60Conectar um script padrão de transformação ou carregamento de dados agora costuma ser mais rápido de gerar com um assistente de codificação de IA e revisar do que escrever do zero.
How the work is changing
Desde construir modelos até direcioná-los e verificá-los
Uma parcela crescente do trabalho consiste em especificar o que um pipeline automatizado deve tentar e verificar sua saída, em vez de escrever cada consulta e modelo manualmente.
O título generalista se divide em especialidades
A engenharia analítica, a engenharia de aprendizagem automática e a análise de produtos tornaram-se cada vez mais cargos separados, cada um absorvendo uma fatia do que se esperava que um único “cientista de dados clínicos” cobrisse há uma década.
Inferência causal e experimentação ganham status
À medida que a descoberta de padrões nos dados existentes se torna mais fácil de automatizar, a habilidade mais difícil de conceber uma experiência fiável ou uma análise causal está a tornar-se mais valorizada, e não menos.
O 'cientista cidadão de dados clínicos' espalha análises básicas
As ferramentas sem código e AutoML permitem que não especialistas executem suas próprias análises básicas, empurrando cientistas de dados clínicos dedicados para problemas mais difíceis e ambíguos que essas ferramentas não conseguem resolver.
New jobs branching off
Engenheiro analítico
Constrói e mantém pipelines de transformação de dados – geralmente usando ferramentas como dbt – que alimentam painéis e modelos, situados entre a engenharia e a análise de dados.
Engenheiro de aprendizado de máquina
Retira um modelo de um caderno de pesquisa e faz com que ele seja executado de forma confiável, monitorada e em escala em um sistema de produção.
Gerente de produtos de dados
Possui o roteiro para um recurso baseado em dados ou IA, traduzindo as metas de negócios no que uma equipe de dados deve realmente construir.
IA responsável/analista de risco de modelo
Audita modelos e os dados por trás deles em busca de parcialidade, imparcialidade e conformidade regulatória antes de serem autorizados a serem enviados.
Outlook
É muito provável que a procura por pessoas que possam transformar os dados numa decisão fiável se mantenha forte durante a próxima década, mas a versão inicial do trabalho já está a mudar: existirão menos funções exclusivamente para escrever manualmente consultas de rotina e primeiros rascunhos de gráficos.
A vantagem mais clara a longo prazo reside nos cientistas de dados clínicos, que conseguem formular uma questão genuinamente útil, identificar quando um resultado gerado pela IA está silenciosamente errado e assumir a responsabilidade por uma recomendação perante partes interessadas céticas – o mesmo julgamento que o campo tem necessitado desde os testes de colheita de Fisher, agora aplicado a um fluxo de trabalho que cada vez mais elabora a sua própria primeira passagem.
Similar professions
🔐
Especialista em segurança cibernética
Protege sistemas, dados e pessoas, encontrando, prevenindo e respondendo a ataques digitais.
AI-resistant 63 🌬️Engenheiro de Energia Renovável
Projeta, constrói e melhora sistemas eólicos, solares, de armazenamento e de rede que transformam recursos renováveis em eletricidade confiável.
AI-resistant 72 🦾Engenheiro de Robótica
Projeta as máquinas que sentem, decidem e agem no mundo físico, onde o problema difícil nunca foi a inteligência, mas o próprio mundo.
AI-resistant 65 🌿Gerente de Sustentabilidade
Lidera a estratégia, medição e relatórios que ajudam as organizações a reduzir os danos ambientais e sociais, ao mesmo tempo que cumprem as obrigações comerciais.
AI-resistant 66 🔌Engenheiro de Semicondutores
Projeta e fabrica os transistores dentro de cada computador, telefone e arma, usando máquinas precisas o suficiente para que apenas algumas fábricas na Terra possam operá-las.
AI-resistant 60 📦Engenheiro MLOps
Constrói os sistemas que treinam, implantam, monitoram e controlam modelos de aprendizado de máquina em produção.
AI-resistant 54Continue exploring
Keep exploring
More in Science & Research
⚛️
Físico
Deriva e testa as leis matemáticas que regem a matéria, a energia, o espaço e o tempo, desde um quadro-negro solitário até um artigo sobre o acelerador de partículas de 3.000 autores.
AI-resistant 65 🧬Biólogo
O cientista que estuda a própria vida, desde Linnaeus nomeando espécies manualmente até a edição de genomas com CRISPR, ainda testando todas as ideias contra um organismo vivo.
AI-resistant 64 🧪Químico
O cientista que fabrica e mede a própria matéria – desde o perfume babilónico de Tapputi até aos laboratórios robóticos de hoje, continua a ser aquele que decide o que significa o espectro.
AI-resistant 70 📊Cientista de Dados
Encontra padrões e constrói modelos preditivos a partir de dados – um cargo de 2008 baseado em três séculos de contagem, teste e visualização de evidências.
AI-resistant 38 🔭Astrônomo
O cientista que mede o universo, desde as tabuletas de argila da Babilônia até os telescópios espaciais, ainda decidindo qual oscilação nos dados é uma descoberta.
AI-resistant 70 🧮Matemático
Dos escribas babilônicos aos medalhistas Fields e às provas assistidas por IA: a profissão que transforma questões difíceis em certezas permanentes, um teorema de cada vez.
AI-resistant 70 🧿Engenheiro Quântico
Constrói, mede e controla dispositivos que exploram estados quânticos para computação, detecção, comunicação e pesquisa de materiais.
AI-resistant 78