In den letzten Jahren ist die Nachfrage nach Data-Profilen und insbesondere nach Experten für Machine Learning explosionsartig gestiegen. Die Nachfrage ist groß, aber auch das Angebot wächst.
Obwohl die Talente ungleichmäßig über die Berufsfelder verteilt sind (folgt man der Burtch Works Studie 2018, nach der 44 % der Data Scientists im Technologiesektor beschäftigt sind – mehr als in den Bereichen Gesundheit, Beratung, Marketing, Einzelhandel, Bildung und Regierung zusammen), tendiert dieser Trend allmählich zum Verschwinden.
Weiterbildungen waren lange Zeit zu schwer zugänglich
Der Grund, warum es heute so schwierig ist, Data Scientists zu finden, liegt vor allem darin, dass die Ausbildung in Data Science jahrelang auf ein sehr kleines, bestimmtes Publikum ausgerichtet war.
Die wissenschaftlichen Fächer, die zum Verständnis und zur Anwendung von KI erforderlich sind, erfordern eine solide Ausbildung und sind der Grund dafür, dass es nur wenige Talente auf dem Markt gibt: Fast 60 % der KI-Entwickler haben einen Master in angewandter Mathematik.
Und je mehr sich der Bereich Big Data auf Unternehmen aller Größen und Branchen ausbreitet, desto mehr reißen sich die Unternehmen um diese Spezialisten. Dies hat zur Entstehung von spezialisierten Masterstudiengängenan den bekannten Unis und zur Demokratisierung der Big-Data-Ausbildung im akademischen Bereich geführt. An der französischen Universität Paris Dauphine wurde beispielsweise 2019 ein neuer Masterstudiengang ins Leben gerufen (IASD: Artificial Intelligence and Data Sciences).
Andere Hindernisse, wie die Komplexität, Zugang zu großen (oder zumindest relevanten) Datenbanken zu erhalten, haben die Entwicklung und Demokratisierung der Ausbildung in Data Science lange Zeit behindert. Glücklicherweise werden neue Initiativen ergriffen, um Daten zu öffnen und mit möglichst vielen Menschen zu teilen, wie z.B. die Seite des Statistischen Bundesamtes.
Wie kommt es, dass sich der Markt ausgleicht ?
Heute gibt es eine größere Anzahl von Data Scientists auf dem Markt. Dieser Trend lässt sich durch drei Faktoren erklären.
Erstens ist das „reine Wissen“, das für den Aufbau von Kompetenzen erforderlich ist, dank der Entwicklung von Sprachen wie Python leichter zugänglich und leichter umsetzbar. Tatsächlich macht Python das Codieren dank seiner Bibliothek, Scikit-Learn, einfacher, da man mit wenigen Codezeilen Algorithmen testen kann.
In einem zweiten Schritt ermöglichte der erleichterte Datenzugang den Nutzern, ihr Wissen häufiger in die Praxis umzusetzen, indem sie Use-Cases erstellten. Einer wachsenden Anzahl von Menschen den Zugang zu großen Datenbanken zu ermöglichen, ist die Grundlage des Open-Data-Gedankens. In diesem Sinne wurden auch Schulungen in Data Science ins Leben gerufen, die sich sowohl auf Unternehmen als auch auf Privatpersonen erstrecken.
Letztendlich war es die Verbreitung von leistungsstarken und preisgünstigen Maschinen, die die Zahl der Datenprofile exponentiell ansteigen ließ. Der fehlende Zugang zu Rechenressourcen war lange Zeit ein Hindernis für die Entwicklung der Data Science.
Dank der Entwicklung von Clouds, die die Speicherkapazität erhöhen, der Technik, aber auch der Systeme zur Vermietung von Maschinen, ist Rechenleistung heute kein Problem mehr, wie es in der Vergangenheit der Fall war. Der Preis für erhöhte Rechenmaschinen ist extrem niedrig, wenn man bedenkt, welche Auswirkungen sie in einem Unternehmen haben können.
Das Zusammenspiel dieser Elemente führt also dazu, dass die Praxis des Machine Learning banalisiert wird. Vor 30 Jahren war die Theorie zwar schon vorhanden, aber es fehlten die Mechanismen, um sie in die Praxis umzusetzen.
Diese Demokratisierung geht einher mit der Verbreitung von Bildungsangeboten im Bereich Data Science. Sowohl Privatpersonen als auch Fachleute wollen sich weiterbilden und diese neuen, attraktiven Bereiche entdecken, auf der Suche nach neuen Herausforderungen, einer guten Bezahlung oder einfach einem Job in einer angenehmen Branche (75 % der KI-Fachleute sind mit ihrem derzeitigen Job zufrieden).
Sich in jedem Alter in diesem Bereich neu zu orientieren, erscheint daher für einige als eine Notwendigkeit. Darüber hinaus sorgt der Mangel an Talenten für ein hohes Gehalt, das laut Glassdoor-Studien im Juli 2019 bei rund 70.000 € pro Jahr liegt.
KI-Entwickler gehören zu den bestbezahlten Entwicklern auf dem Markt und ihre Gehälter steigen nur noch: Mehr als die Hälfte hat in den letzten drei Jahren von einer Gehaltserhöhung von 20 % oder mehr profitiert, wenn man den auf mmcventures.com kommentierten Studien Glauben schenken darf.
Einblick in die Zukunft
Im Laufe der Zeit werden leichter zugängliche KI-Tools und eine wachsende Zahl an qualifizierten Data-Science-Fachkräften dafür sorgen, dass das Potenzial der KI voll ausgeschöpft wird. Sowohl Regierungen als auch Unternehmen und Universitäten sollten massiv in diesen Bereich investieren, um ihre jeweiligen Probleme zu lösen.
Dazu könnten auch vermehrte Bildungsangebote und die vom öffentlichen und privaten Sektor zur Verfügung gestellten Ressourcen beitragen.
Das Qualifikationsniveau im Bereich der KI dürfte hingegen sinken, da dieser Sektor für immer weniger spezialisierte Entwickler zugänglich sein wird. Diese Entwickler arbeiten an Problemen, die sich ständig weiterentwickeln.
Während die meisten von ihnen im Bereich der neuen Technologien eingesetzt werden, wird die Demokratisierung und die Zunahme von qualifizierten Arbeitskräften im Bereich Data Science den Einsatz von Data Analysts, Data Scientists und Data Engineers in den unterschiedlichsten Bereichen ermöglichen.
Diese Demokratisierung zeigt sich vor allem im Unternehmensbereich. Laut einer Umfrage von Gartner sind nur 9 % der Unternehmen nicht an KI interessiert. Für 14 % der Befragten ist KI bereits in ihrem Unternehmen vorhanden, während 23 % sagen, dass sie KI-Lösungen innerhalb von 12 Monaten und 52 % der Befragten innerhalb von 1 bis 3 Jahren einführen werden.
Allerdings könnte es zu folgendem Phänomen kommen: Heutzutage gibt es in den Unternehmen Mitarbeiter, die genug Berufserfahrung haben, um Data Scientists zu werden. Absolut gesehen verfügen sie über die Kernkompetenzen, die es ihnen ermöglichen, den Schritt zu wagen. Diese Fähigkeiten ermöglichen es ihnen, eine beliebte Programmiersprache für Data Science wie Python zu erlernen, dann ihre Fähigkeiten in der Datenverwaltung durch NumPy und Pandas und in Machine Learning durch Scikit-Learn, TensorFlow und andere spezialisierte Bibliotheken zu erweitern.
So kann man davon ausgehen, dass die Unternehmen auf ihren zukünftigen Data Scientists sitzen, ohne es zu wissen: Sie erkennen nicht das Potenzial ihrer Mitarbeiter, die leicht umqualifiziert werden können.
Das ist übrigens auch das Ziel von DataScientest: Wir haben eine Plattform für die Ausbildung in Data Science entwickelt, um die Teams der größten französischen und internationalen Konzerne zu qualifizieren.
Wenn du Dehr Informationen über unsere Data-Trainings erhalten möchtest, kontaktiere uns!
