Занимаясь рекрутингом в области науки о данных более 7 лет, есть кое-что, что беспокоило меня с самого начала моей карьеры и продолжает беспокоить меня сегодня.

Я знаю, что эту проблему разделяют многие другие представители отрасли, в том числе ученые, инженеры, рекрутеры и даже целые компании (а не только те, которые нанимают специалистов по науке о данных — я объясню позже).

Проблема в том, что названия должностей в науке о данных неясны.

В этой отрасли специалист по данным одной компании может быть инженером по машинному обучению, аналитиком данных в другой, а иногда и более дикими титулами, такими как ниндзя, единорог или волшебник!

Какая-то ирония в том, что сектор, в котором полно людей с логическим мышлением и который регулярно анализирует неструктурированные данные, еще не согласовал и не внедрил стандартизированные названия должностей.

В то время как компании, занимающиеся наукой о данных, заняты поиском решений почти для всех остальных сфер жизни, они, похоже, оставили позади проблему упрощения определения своих собственных ролей. Это напоминает поговорки «дом строителя никогда не достраивают» и «отпуск официанта».

Есть некоторые стартапы RecTech, которые каким-то образом идут к упрощению, но поскольку компании продают свои услуги, помогающие идентифицировать людей, им нелогично предоставлять услугу, которая может существенно снизить их потребность на рынке.

Почему это проблема? Ну, почти для всех других профессий и ремесел очень просто определить, чем кто-то занимается. Например, если бы я сказал, что мне нужен художник, а не маляр/декоратор, опрыскиватель автомобилей или художник, вы бы простили, если бы вы неправильно поняли, для чего они мне нужны, верно?

Однако на этом рынке менеджер по найму может сказать, что мне нужен «специалист по данным среднего уровня со знанием Python, SQL и R», или чтобы кандидат сказал: «Меня интересует вакансия, которую вы разместили: инженер MLOps». Основываясь на моем опыте работы старшим инженером по машинному обучению, я считаю, что могу подойти» (это было просто скопировано из сообщения, которое я получил час назад).

Чем инженер MLOps отличается от инженера по машинному обучению? И если да, то почему они не называются одинаково? Это похоже на то, как если бы кто-то сказал BA, что он отлично справится с полетом на пассажирском самолете через Атлантику, основываясь на своем опыте пилота дрона.

Абсурд, правда? Или это? Трудно сказать!

Это проблема для:

Все, кто ищет новую должность в отрасли

Не проведя довольно много времени, вы, вероятно, не узнаете, что должность Data Scientist в компании X не соответствует вашему опыту. В отличие от компаний, в которых вы раньше работали, их специалисты по обработке данных должны выполнять работу инженеров по машинному обучению. Это приводит к несогласованным заявкам и отклонениям (а иногда и вообще к отсутствию ответа). Процесс подачи заявки в один клик еще больше усугубляет ситуацию, поскольку кандидаты часто просто читают заголовок и нажимают «Применить».

Кроме того, в настоящее время очень часто людей приглашают на собеседование только для того, чтобы обнаружить, что они совсем не подходят для той роли, на которую они претендовали. Принимая во внимание, что любое собеседование на роль специалиста по науке о данных потенциально включает в себя массу исследований, свободное время, договоренности по уходу, возможные поездки и случайный стресс, следует приветствовать все, что помогает свести на нет этот сценарий!

Команды талантов и рекрутеры

Пока вы ломаете голову, задаваясь вопросом, почему парень, который прокладывал кабели для передачи данных для Sky Broadband в течение последних 15 лет, подал заявку на вашу должность инженера данных (кстати, реальная история), отсутствие титулов в униформе затрудняет решение, к кому обратиться для вашего машинного обучения. Роль инженера, особенно с учетом того, что технические инструменты и фреймворки часто пересекаются между многими этими позициями.

Как вы решаете, к кому не подходить? Рискуете ли вы упустить потенциально отличного инженера машинного обучения на таком коротком рынке кандидатов? Или вы все равно отправляете им сообщение и рискуете навлечь на себя их гнев за очередной «спамовый, неточный подход»? Кроме того, как собрать точную рыночную информацию, например, о зарплатах?

Риск заключается в том, что потенциальные кандидаты столкнутся с несовпадающими подходами. Это приводит к тому, что даже приличные, целевые сообщения, электронные письма и звонки игнорируются. И если кто-то не читает ваши сообщения, он никогда не узнает, когда вы найдёте работу своей мечты.

Вспомогательные организации, которые поддерживают набор специалистов по науке о данных

Это поставщики системного программного обеспечения ATS/CRM, нанимающие разработчиков приложений, доски объявлений, такие как Indeed, Monster и библиотека CV, а также приложения RecTech, такие как LinkedIn. Это огромная, многомиллиардная международная индустрия. Я уверен, что большинство из вас лучше меня поймут, насколько сложно это усложняет кластеризацию и поиск ролей и кандидатов.

Мой обходной путь для этого всегда заключался в том, чтобы игнорировать названия должностей. Независимо от того, говорит ли компания мне, что им нужен Data Scientist, ML Engineer или Full Stack Scientist, мой первый вопрос всегда будет «скажите мне, что вы хотите, чтобы они сделали». И у кандидатов, с которыми я разговариваю, я прошу описать, что они делали в своей роли.

Однако, как и стартапы RecTech, о которых я упоминал ранее, я предоставляю услугу по идентификации людей, и я делаю это каждый день в течение 7 лет. Я знаю сложности этого рынка наизнанку. Я полностью признаю, что мне пришлось очень многому научиться.

До сих пор это хорошо служило мне, но мало помогает при рекламе вакансий или иногда даже при просмотре резюме или профилей.

Я вижу несколько решений этой проблемы, наиболее очевидным из которых будет стандартизация названий должностей. Учитывая скорость, с которой рынок растет и развивается, возможно, отраслевой орган мог бы вмешаться, чтобы определить названия для ролей, которые появятся в будущем. Это потребовало бы участия большой и уважаемой организации в этом секторе и очень много времени, ресурсов и дебатов!

Другой — постепенно приучать людей к стандартным названиям. Возможно, LinkedIn (крупнейшая в мире профессиональная сеть) и/или советы по трудоустройству могли бы взять на себя обязательство ограничить выбор наименований вакансий с помощью раскрывающихся меню, группировки названий по категориям и постепенного влияния на компании и отдельных лиц, чтобы они со временем принимали их версии.

Более сложным решением была бы разработка модели НЛП, которая может присваивать должности, просматривая Интернет (и, возможно, график знаний) для получения подробной информации о том, что человек делает на основе предыдущих ролей и что делают другие с такими же должностями в компании.

Эти решения потребуют поддержки уважаемых организаций данных и отраслевых органов, инвестиций в технологии и внедрения на низовом уровне. Однако, в свою очередь, это поможет людям найти подходящую для них работу, уменьшив количество нерелевантных приложений и подходов, поможет доскам объявлений и приложениям для найма находить лучшие совпадения и, в конечном итоге, сэкономит драгоценное время и ресурсы для всех.

Я уверен, что мы добьемся этого, но чем раньше мы это сделаем, тем больше времени мы все сможем потратить на выполнение своей части применения Data Science для улучшения мира.