Bagaimana cetak biru IBM untuk transformasi industri memanfaatkan AI, 5G, dan kolaborasi
Peran ilmu data masih "seksi" tetapi tidak kebal terhadap gejolak pasar kerja.
Menjadi ilmuwan data seharusnya menjadi "pekerjaan paling seksi di abad ke-21". Apakah pepatah Harvard Business Review yang terkenal tahun 2012 memegang air agak subjektif, tergantung pada bagaimana Anda menafsirkan "seksi". Namun, data seputar ilmuwan data, serta peran rekayasa data dan analis data terkait, mulai membunyikan alarm.
Bagian subjektif tentang pepatah HBR adalah apakah Anda benar-benar menikmati menemukan dan membersihkan data, membangun dan men-debug saluran data dan kode integrasi, serta membangun dan meningkatkan model pembelajaran mesin. Daftar tugas itu, dalam urutan itu, adalah apa yang dihabiskan sebagian besar waktu oleh ilmuwan data.
Beberapa orang benar-benar tertarik pada karir yang berpusat pada data dengan deskripsi pekerjaan; Pertumbuhan permintaan dan gaji lebih menarik orang lain. Sementara sisi gelap dari deskripsi pekerjaan itu sendiri tidak diketahui, bagian pertumbuhan dan gaji tidak banyak diperdebatkan. Namun, hal itu mungkin berubah: peran ilmuwan data masih diminati tetapi tidak kebal terhadap gejolak pasar.
Sinyal campuran
Pada awal tahun 2022, tanda pertama bahwa sesuatu mungkin berubah menjadi jelas. Seperti yang ditunjukkan oleh analisis IEEE Spectrum dari data yang dirilis oleh perusahaan perekrutan online Dice, pada tahun 2021, gaji AI dan pembelajaran mesin turun, meskipun, rata-rata, gaji teknologi AS naik hampir 7%.
Secara keseluruhan, 2021 adalah tahun yang baik bagi para profesional teknologi di Amerika Serikat, dengan gaji rata-rata naik 6.9% menjadi $104,566. Namun, seperti yang dicatat IEEE Spectrum, persaingan untuk pembelajaran mesin, pemrosesan bahasa alami, dan pakar AI melunak, dengan gaji rata-rata masing-masing turun 2,1%, 7,8%, dan 8,9%.
Ini adalah pertama kalinya hal ini terjadi dalam beberapa tahun terakhir, karena gaji rata-rata AS untuk insinyur perangkat lunak dengan keahlian dalam pembelajaran mesin, misalnya, melonjak 22% pada tahun 2019 dibandingkan tahun 2018, kemudian naik 3,1% lagi pada tahun 2020. Pada saat yang sama, permintaan untuk peran ilmuwan data tidak menunjukkan tanda-tanda mereda -- sebaliknya.
Platform perekrutan pengembang melaporkan peningkatan tajam dalam permintaan akan keterampilan TI terkait ilmu data. Laporan Keterampilan TI terbaru oleh platform penyaringan dan wawancara pengembang DevSkiller mencatat peningkatan 295% dalam jumlah tugas terkait ilmu data yang ditetapkan perekrut untuk kandidat dalam proses wawancara selama tahun 2021.
Survei Perekrutan Teknologi 2022 CodinGame dan CoderPad juga mengidentifikasi ilmu data sebagai profesi yang permintaannya jauh melebihi pasokan, bersama dengan DevOps dan spesialis pembelajaran mesin. Akibatnya, Owen Hughes dari ZDNet mencatat, pemberi kerja harus menilai kembali paket gaji dan tunjangan yang mereka tawarkan kepada karyawan jika mereka berharap untuk tetap kompetitif.
Ilmu data dan pasar AI mengirimkan sinyal yang beragam
Plus, tahun 2021 melihat apa yang kemudian dikenal sebagai "Pengunduran Diri Besar" atau "Perombakan Besar" -- saat ketika semua orang memikirkan kembali segalanya, termasuk karier mereka. Secara teori, memiliki sebagian dari tenaga kerja yang mendefinisikan ulang lintasan dan tujuan mereka dan/atau mengundurkan diri harus meningkatkan permintaan dan gaji -- analisis tentang mengapa ilmuwan data berhenti dan apa yang dapat dilakukan pemberi kerja untuk mempertahankan mereka mulai berputar-putar.
Kemudian datanglah PHK, termasuk PHK peran ilmuwan data, insinyur data, dan analis data. Seperti yang dicatat oleh analisis LinkedIn tentang putaran PHK terbaru, tahun yang penuh gejolak di sektor teknologi telah dilambangkan dengan pengumuman harian PHK, pembekuan perekrutan, dan pembatalan tawaran pekerjaan.
Sekitar 17.000 pekerja dari lebih dari 70 startup teknologi secara global diberhentikan pada bulan Mei, melonjak 350% dari April. Ini adalah jumlah kehilangan pekerjaan paling signifikan di sektor ini sejak Mei 2020, pada puncak pandemi. Selain itu, raksasa teknologi seperti Netflix dan PayPal juga kehilangan pekerjaan, sementara Uber, Lyft, Snap , dan Meta telah memperlambat perekrutan.
Menurut data yang dibagikan oleh situs pelacakan PHK teknologi Layoffs.fyi, PHK berkisar antara 7% hingga 33% dari tenaga kerja di perusahaan yang dilacak. Menelusuri data khusus perusahaan menunjukkan bahwa itu juga termasuk peran berorientasi data.
Melihat data dari FinTech Klarna dan PHK startup asuransi PolicyGenius, misalnya, menunjukkan bahwa peran ilmuwan data, insinyur data, dan analis data terpengaruh di tingkat junior dan senior. Di kedua perusahaan, peran tersebut berjumlah sekitar 4% dari PHK.
Kuli berteknologi tinggi mengkodekan diri mereka sendiri dari pekerjaan mereka
Lalu apa yang harus kita buat dari sinyal-sinyal campuran itu? Permintaan untuk tugas-tugas terkait ilmu data tampaknya terus meningkat, tetapi gaji turun, dan peran tersebut juga tidak kebal terhadap PHK. Masing-masing sinyal itu memiliki latar belakang dan implikasinya sendiri. Mari kita coba membongkarnya, dan lihat apa arti pertemuan mereka bagi pencari kerja dan pemberi kerja.
Seperti yang dikatakan oleh kepala pemasaran Dice Michelle Marian kepada IEEE Spectrum, ada berbagai faktor yang kemungkinan berkontribusi terhadap penurunan pembelajaran mesin dan gaji AI, dengan satu pertimbangan penting adalah bahwa lebih banyak teknolog yang mempelajari dan menguasai keahlian ini:
"Peningkatan kumpulan bakat dari waktu ke waktu dapat mengakibatkan pemberi kerja perlu membayar setidaknya sedikit lebih sedikit, mengingat keahlian lebih mudah ditemukan. Kami telah melihat hal ini terjadi dengan berbagai sertifikasi dan keterampilan teknologi lain yang sangat terspesialisasi", kata Marian.
Itu sepertinya kesimpulan yang masuk akal. Namun, untuk ilmu data dan pembelajaran mesin, mungkin ada hal lain yang berperan juga. Ilmuwan data dan pakar pembelajaran mesin tidak hanya bersaing satu sama lain tetapi juga semakin menentang otomatisasi. Seperti yang dicatat oleh manajer portofolio kuantitatif yang berbasis di Hong Kong, Peter Yuen, kuantitas telah melihat semua ini sebelumnya.
Didorong oleh berita tentang para peneliti AI terkemuka yang mendapatkan gaji di kisaran $1 juta, Yuen menulis bahwa ini "harus lebih akurat ditafsirkan sebagai kelanjutan dari tren panjang kuli berteknologi tinggi yang mengkodekan diri mereka sendiri dari pekerjaan mereka dengan latar belakang kelebihan pasokan tenaga kerja terampil global".
Jika pengalaman tiga generasi kuantitas dalam mengotomatisasi pasar keuangan adalah sesuatu yang harus dilalui, Yuen menulis, otomatisasi praktisi AI peringkat dan file di banyak industri mungkin hanya satu dekade atau lebih lagi. Setelah itu, tambahnya, sekelompok kecil praktisi AI elit akan berhasil mencapai status manajerial atau kepemilikan sementara sisanya terjebak dalam pekerjaan dengan bayaran rata-rata yang bertugas memantau dan memelihara kreasi mereka.
Kita mungkin sudah berada pada tahap awal dalam siklus ini, sebagaimana dibuktikan oleh perkembangan seperti AutoML dan pustaka model pembelajaran mesin siap pakai. Jika sejarah adalah sesuatu yang harus dilalui, maka apa yang digambarkan Yuen mungkin akan terjadi juga, mau tidak mau mengarah pada pertanyaan tentang bagaimana pekerja yang terlantar dapat "naik ke tumpukan".
Meledaknya gelembung AI
Namun, mungkin aman untuk berasumsi bahwa peran ilmu data tidak perlu terlalu khawatir tentang hal itu dalam waktu dekat. Lagi pula, fakta lain yang sering dikutip tentang proyek ilmu data adalah bahwa ~80% dari mereka masih gagal karena sejumlah alasan. Salah satu kasus kegagalan ilmu data yang paling publik adalah Zillow.
Bisnis Zillow sangat bergantung pada tim ilmu data untuk membangun model prediktif yang akurat untuk layanan pembelian rumahnya. Ternyata, modelnya tidak begitu akurat. Akibatnya, saham perusahaan turun lebih dari 30% dalam 5 hari, CEO menyalahkan tim ilmu data, dan 25% staf diberhentikan.
Apakah tim ilmu data bersalah di Zillow atau tidak masih diperdebatkan. Adapun PHK baru-baru ini, mereka mungkin harus dilihat sebagai bagian dari perubahan ekonomi yang lebih besar daripada kegagalan tim ilmu data itu sendiri. Seperti yang ditulis oleh Editor Komunitas Pusat Data Science Kurt Cagle, ada pembicaraan tentang musim dingin AI yang menjulang, mengingatkan kembali pada periode di tahun 1970-an ketika pendanaan untuk usaha AI mengering sama sekali.
Cagle percaya bahwa meskipun Musim Dingin AI tidak mungkin terjadi, Musim Gugur AI dengan pendinginan bidang modal ventura yang berlebihan di ruang angkasa dapat diharapkan. Musim Dingin AI tahun 1970-an sebagian besar disebabkan oleh fakta bahwa teknologi tersebut tidak sesuai dengan tugasnya, dan tidak ada cukup data digital untuk dilakukan.
Era gelembung dot-com mungkin memiliki beberapa pelajaran untuk peran ilmu data saat ini
Saat ini daya komputasi yang jauh lebih besar tersedia, dan jumlah data juga meroket. Cagle berpendapat bahwa masalahnya bisa jadi kita mendekati batas arsitektur jaringan saraf yang saat ini digunakan. Cagle menambahkan bahwa periode di mana pikiran brilian benar-benar dapat beristirahat dan berinovasi daripada hanya menerapkan pemikiran yang sudah mapan kemungkinan akan bermanfaat bagi industri ini.
Seperti banyak orang lain, Cagle menunjukkan kekurangan dalam aliran pemikiran "pembelajaran mendalam akan dapat melakukan segalanya". Kritik ini tampaknya valid, dan menggabungkan pendekatan yang diabaikan saat ini dapat mendorong kemajuan di lapangan. Namun, jangan lupa bahwa sisi teknologi bukanlah semua yang penting di sini.
Mungkin sejarah baru-baru ini dapat menawarkan beberapa wawasan: apa yang dapat diajarkan oleh sejarah pengembangan perangkat lunak dan internet kepada kita? Dalam beberapa hal, titik di mana kita berada saat ini mengingatkan pada era gelembung dot-com: peningkatan ketersediaan modal, spekulasi yang berlebihan, ekspektasi yang tidak realistis, dan penilaian melalui langit-langit. Hari ini, kita mungkin menuju ledakan gelembung AI.
Itu tidak berarti bahwa peran ilmu data akan kehilangan daya tarik mereka dalam semalam atau bahwa apa yang mereka lakukan tidak bernilai. Lagi pula, insinyur perangkat lunak masih diminati untuk semua kemajuan dan otomatisasi yang telah dilihat oleh rekayasa perangkat lunak dalam beberapa dekade terakhir. Tetapi itu mungkin berarti bahwa kalibrasi ulang jatuh tempo, dan ekspektasi harus dikelola sesuai dengan itu.