Akademiden Ayrılıyor Musunuz?

Veri veya yazılım sektörüne girmeden önce iki kez düşünün. Bilgi endüstrisinde çalışmanın birçok avantajı vardır, ancak ödünleşimlerin farkında olmalısınız.

Her akademisyenin kariyerinde, kariyer planlarını yeniden değerlendirmesi gereken bir zaman gelir. Doktora öğrencilerinin çoğunluğu profesör olma arzusuyla yola çıkar, ancak doktora mezunlarının yalnızca %0,45'i bunu başarır.

Bazıları sistem tarafından dışarı atılıyor. Akademik iş piyasası acımasız bir sandalye kapmaca oyunudur. Geçtiğimiz on yıllar boyunca, verilen doktora derecelerinin sayısı balon gibi artmış ancak öğretim üyesi pozisyonlarının sayısı durağanlaşmıştır. Herkese yetecek kadar yer yok.

Birçokları da anlamsız yayınla ya da yok ol eziyetinden, kazanan her şeyi alır döngüsünden, dayanıksız kısa vadeli sözleşmelerden, zehirli egolardan, sayısız ek sorumluluktan, aile üzerindeki baskıdan, idari yükten ve vasat maaşlardan bıkarak kendi istekleriyle ayrılıyor.

Yine de akademisyenler için, özellikle de doktora sonrası deneyime sahiplerse, "endüstride" bir rol elde etmek zor olabilir. Uzun ve sonuçsuz bir iş arama dönemi, özellikle de hayatlarının en güzel yıllarını, o zamanlar prestijli olan ancak şimdi değersiz bir ödül gibi görünen akademik başarı yığınlarını biriktirmek için feda eden akademisyenlerde güvensizliğe ve umutsuzluğa yol açmaktadır.

Uzun süreli iş arama olgusu genellikle akademik bireyin yetkinlik eksikliğinden ziyade iş piyasasındaki tuhaflıkları - genel işlev bozukluğu demesek de - yansıtmaktadır. Ne olursa olsun, bu kayıp ruhları avlayan asalak bir kariyer koçları ve danışmanlık hizmetleri endüstrisi ortaya çıkmıştır. Akademinin karanlık ve misafirperver olmayan bir yer olduğu (kısmen de öyledir), oysa endüstrinin çimlerin her zaman yeşil olduğu vaat edilmiş topraklar olduğu (asla değildir) söylenmektedir. Birkaç bin dolar gibi kelepir bir fiyata siz de [topluluklarına katılabilir / kişisel koçluk alabilir / eğitim materyallerine erişebilir / ...], sonunda hayalinizdeki ilk endüstri işine girmenizi sağlayacak becerileri edinebilirsiniz!

Veri ve yazılım, yakında eski bilim insanı olacaklara sıklıkla tavsiye edilen endüstri kariyer yollarıdır. Araştırmacılar analitik zihinlerini ve teknik becerilerini YZ*/MÖ**, Büyük veri, nesnelerin interneti ve Dijitalleşme alanlarındaki en büyük zorlukları çözmek için kullanabilirler! Hype denilen trene atlama zamanı! İyi bir önlem olarak, bu tavsiye genellikle dostça bir "kodlamayı öğren" tokadıyla eşleştirilir.

Bu mesaj akademik camiada içselleştirilmiştir. Hype, fon fırsatları yaratıyor ve araştırmalar, herhangi bir teklife zorunlu YZ moda sözcüklerini serpiştirerek fon kırıntılarını takip ediyor. YZ/MÖ alanında doktoralar çoğalıyor. Endüstride ses getiren bir konu üzerinde doğrudan çalışarak işe alınmak varken neden fizik veya matematik alanında doktora yapasınız ki? LinkedIn'deki akademik influencer'lar düzenli olarak "kod yazmayı öğren" sloganını tekrarlıyor. İnternet ve medya "teknoloji "yi nihai Valhalla gibi gösteriyor ve akademik kariyer danışmanları sektörün yüksek eğitimli doktoralıları işe almak için yalvardığını söylüyor.

Propaganda işe yarıyor. Artık pek çok yeni araştırmacı, daha sonra veri ya da teknoloji alanında kariyer yapmak amacıyla doktora yapıyor. Yıkanmış akademisyenler Python eğitim kamplarına ve MOOC'lara*** kaydoluyor ve endüstrideki verileri akademik kariyer için sağlam bir geri dönüş planı olarak görüyorlar. Karmaşık verilerden iç görü elde etmek bilim insanlarının temel yetkinliğidir; aynı şeyi endüstride bir veri bilimcisi olarak yapmak sorunsuz bir geçişle sonuçlanmalı, değil mi?

Gerçek şu ki, veri endüstrisindeki çoğu iş, abartıların, blog yazılarının ve gazete manşetlerinin önerdiğinden çok daha az çekici. Sektörden ayrılanların çok azı hikayelerini anlatmak için geri dönüyor, bu nedenle çoğu akademisyenin diğer taraftaki yaşam hakkında hiçbir fikri yok. Bu makale, veri mühendisi olan eski bir akademisyenin bakış açısından iyi ve kötü yönleri aydınlatmayı amaçlamaktadır.

Benim kişisel hikayem

İstatistiklere göre ben de %99'luk akademisyen grubunun bir parçasıyım. Fizik alanında doktora yaptım ve onur derecesiyle mezun oldum. Sonrasında, COVID salgını sırasında "dünyaca ünlü" bir araştırma enstitüsünde doktora sonrası araştırmacı olarak iki yıl daha geçirdim. Araştırma ve bilimden keyif alıyordum, ancak doktora sonrası sözleşmem sona erdikten sonra akademik devamlılık için net bir yol yoktu. Böylece "gerçek bir iş" arayışım başladı.

Bu olasılığa karşı iyi hazırlandığımı düşünüyordum. Birincil araştırma faaliyetlerim bir laboratuvarda gerçekleştirilmiş olsa da, verilerimi analiz etmek için doktoram sırasında kendime Python programlamayı öğrendim. Makine öğrenimi ile de uğraştım çünkü 2010'ların ortalarında herkes XGBoost'u bilmek zorundaymış gibi görünüyordu. Doktora sonrası çalışmalarım sırasında, alanımda popüler olan açık kaynak kütüphanelerine görüntü analizi için özel GPU çekirdekleri ile yeni algoritmalar ekledim. Bu noktada kendimi kendi kendini yetiştirmiş deneyimli bir Python geliştiricisi ve potansiyel bir veri bilimcisi olarak görüyordum; sektördeki kariyerine kısa sürede geçiş yapabilecek biriydim.

Nihayetinde bir iş bulmak için başvurularım altı aydan fazla sürdü. Halka açık iş ilanlarına yaptığım başvuruların hiçbiri bir yere varmadı. Hiçbir zaman mülakata bile giremedim; sadece e-posta yoluyla reddedildim veya hayalet ilan edildim. Nihayetinde, bir arkadaşımın tavsiyesi üzerine bir şirkette veri mühendisliği pozisyonu için mülakat yapma fırsatı buldum. İlk görüşme bir diğerine ve sonunda kabul ettiğim bir iş teklifine yol açtı. Bu olay, egomun ve saf meritokratik adalete olan güçlü inancımın yediği birçok dayağın ilkiydi.

Veri mühendisi olarak sadece on ay çalıştıktan sonra havlu attım. Bu dönemden pişman değilim; ufuk açıcı ve eğiticiydi. Ancak işin içeriğinin ve kendimi içinde bulduğum yeni kültürün kişisel hedeflerim ve ilgi alanlarımla uzlaşmaz olduğunu keşfettim.

Deneyimlerimin çoğu kariyer koçları tarafından duyurulmadı, muhtemelen kendileri bu alanda hiç çalışmadıkları için. Eğer siz de veri işine girmeyi düşünen, bitmek üzere olan bir akademisyenseniz, umarım bu yazıdaki bakış açım bilinçli bir karar vermenize yardımcı olur.

Sorumluluk Reddi

Bu, kişisel deneyimlerden, gözlemlerden ve başkalarının anekdotlarından derlenmiş bir fikir yazısıdır. Bulgularınız, hangi şirkette çalıştığınıza, iş arkadaşlarınızın kim olduğuna, rolünüzün ne olduğuna, hangi ülkede çalıştığınıza, geçmişinizin ne olduğuna ve hayattaki önceliklerinize bağlı olarak değişebilir. Ben veri sektöründe kısa bir süre çalıştım ve bu nedenle deneyimlerim daha uzun bir kariyer için temsil edici olmayabilir. STEM doktorası olan birinin bakış açısından yazdığım için, bu aynı zamanda benim ana hedef kitlem.

İyi

Rahat bir maaş kazanacaksınız

Veri ve yazılım sektöründeki maaşlarla ilgili söylentiler doğru. Eğer para sizin için birincil motivasyon kaynağıysa, taşınmayı düşünmelisiniz. İlk olarak akademiye girdiğinize göre ya paraya o kadar değer vermiyorsunuz ya da safsınız. Yine de, öz-değer algımızın çoğunun gelirden kaynaklandığı günümüz toplumunda, iyi maaş almak iyi hissettiriyor. Eğer bir aileniz ya da bakmakla yükümlü olduğunuz başka kişiler varsa, bu husus hesaplamalarınızda daha da ağır basacaktır.

Batı'da, maaşlı bir geliştirici veya veri uzmanı olarak, kazananların üst yüzdelik dilimlerinde rahatça ikamet edeceksiniz. Bazı ülkelerde, serbest meslek sahibi olarak ve vergilerinizi özenle optimize ederek daha da iyisini yapabilirsiniz.

Ben her zaman Batı Avrupa'da çalıştım, bu nedenle akademideyken bile doktora sonrası maaşla rahatça yaşayabiliyordum (kalbim açlık çeken tüm Amerikalı doktora sonrası çalışanlara gidiyor). Yine de, akademide doktora sonrası çalışmadan veri mühendisliğine geçerek efektif net gelirim yaklaşık %40 artarak ayda ortalama 2500 Avro'dan 3500 Avro'ya yükseldi. Buna ek olarak bir şirket arabası, yakıt kartı ve diğer avantajlardan da faydalandım. Birkaç yıl bu alanda kalsaydım ve terfi etseydim, maaşımın akademide olabileceğinden çok daha hızlı artacağı tahmin ediliyordu.

Endüstride maaşların bir de diğer yüzü var: tam bir şeffaflık eksikliği.

Bir post-doktora olarak sabit bir maaş skalam vardı. Tüm kategorileri ve ilgili maaşları görmek için bir tabloya bakabilirdim. Diğer tüm post-doktoralıların benimle tamamen aynı miktarda kazandığını biliyordum.

Endüstride, meslektaşlarınızın ne kazandığını bilemezsiniz. Bir şirket size tahammül edebileceğiniz en az miktarı ödemek ister, bu nedenle kendinize en iyi anlaşmayı yapmak için acımasız bir müzakereci olmalısınız.

Akademisyenler pazarlık yapmaya alışık değildir, sistemlerin adil olmasını bekler ve genellikle suistimale karşı toleransları yüksektir. Kabul edilebilir maaşlar için iyi bir referans noktaları olmadığından, zayıf bir müzakere pozisyonundadırlar. Bu da masada çok fazla para bırakabilecekleri anlamına gelir.

İş dışında bir hayatınız olacak

Akademiden geldiğinizde, endüstrideki çoğu işin temposunun ürkütücü derecede... sakin olduğunu göreceksiniz. Hafta sonları ve tatillerde istediğinizi yapabilirsiniz. Belki ailenizle bile vakit geçirebilirsiniz! Cuma günü saat 17:00 olduğunda, dizüstü bilgisayarı kapatabilir ve Pazartesi gününe kadar her şeyi unutabilirsiniz.

Akademisyenler bunu yapabilir ama gerçeği en iyi bu çizgi roman özetliyor. Şahsen ben akademide kendimi hep bir yarış içinde hissederdim. Çalışmak için harcanmayan zaman boşa geçen zamandı. Her zaman başka bir makale, başka bir teklif, başka bir konferans özeti üzerinde çalışabilirdim. Kontratım bitmeden önce bunları yapmak için güçlü bir dürtü hissettim, böylece atlamak için bir sonraki yüzen buz tabakasını bulabilirdim. Geriye dönüp baktığımda, çalışma tempomu göz önünde bulundurursam asla bir aile kuramazdım.

Akademisyenler pek çok açıdan iş sahipleri gibidir; işleri akademik kariyerleridir. Piyasada şiddetli bir rekabet var, bu yüzden önde olmak için her şeyi yapmalısınız. Aradaki fark, akademisyenlerin şanslarını yenmeyi başardıklarında hiçbir maddi ödül almamalarıdır. Bilim insanlarının dibe doğru yarışının ana yan etkisi, toplumun sonsuza kadar bir ödeme duvarının arkasında okunmadan duran daha düşük kaliteli yayınlarla dolup taşmasıdır.

Yine bu madalyonun bir de diğer yüzü var.

Bir akademisyen olarak, sadece mecbur hissettiğim için değil, aynı zamanda araştırmam konusunda tutkulu olduğum için de sağlıksız saatler çalıştım. Önemsiyordum, çünkü kendi fikirlerimi keşfediyor ve kendi merakımı tatmin ediyordum. İşim aynı zamanda benim hobimdi.

Maaşlı bir geliştirici olarak başkalarının fikirleri üzerinde çalışmak ve başkalarının önceliklerine göre yaşamak zorundaydım. Bu öncelikler, kendimi oldukça kopuk hissettiğim hissedarların hedeflerinden kaynaklanıyordu. Anlam ve özgürlük kaybı, daha önce kod yazmaktan ve problem çözmekten aldığım tüm keyfi öldürdü. İşim artık sadece bir işti. Cuma günü dizüstü bilgisayarı kapattığımda rahatlamıştım ve Pazartesi günü tekrar açmaya isteksizdim.

Her zaman yeni bir fırsat olacak

Geliştiriciler ve veri uzmanları için talep yüksektir ve tüm sektörlerde iş ilanları bulunabilir. Bu alanda ilk işi bulmak zordur - bunun nedenini başka bir makaleye bırakıyorum. Ancak LinkedIn'de anahtar kelime dostu bir iş unvanı edindiğinizde, işe alım uzmanları sizi sinekler gibi rahatsız edecektir. Alakasız iş teklifleri ve "kariyeriniz hakkında sohbet etme" taleplerinden oluşan bir spam yağmuru altında, onları profesyonel bir şekilde uzaklaştırmakta zorlanabilirsiniz. Siz sahadan ayrıldıktan sonra bile işe alım uzmanları sizi takip edecektir. Bu deneyimin, kadınların kaydırma tabanlı flört uygulamalarında yaşadıklarıyla benzerlikler taşıdığını düşünüyorum.

Zaten bir işiniz varken işe alım tsunamisi can sıkıcıdır. Ancak en azından becerilerinizin arzu edilir olduğuna dair sürekli onay alırsınız ve ikinci kez iş bulmak o kadar zor olmaz. Bu, müzakere becerilerinizi geliştirmek için bir şans olabilir.

Uzaktan çalışabileceksiniz

Bu kısmen COVID pandemisine atfedilebilir. 100 uzaktan pozisyonlara ulaşmak bugünlerde daha zor, ancak yazılım ve veri için %60-80 uzaktan işler yaşadığım yerde hala norm. Bir geliştiricinin temel sorumluluklarını yerine getirmek için belirli bir yerde olmanıza gerek yok. Şahsen ben evden çalışabilmeyi ve işe gidip gelmekten kaçınmayı büyük bir nimet olarak görüyorum. Hatta bazı meslektaşlarım başka bir ülkede yaşayıp oradan çalışabiliyorlardı. Bu, diğer çoğu iş için mümkün değil.

Uzaktan çalışmanın bir dezavantajı, kendinizi izole ve ekibe daha az bağlı hissedebilmenizdir. Başkalarından bir şeyler öğrenmek ve kariyeriniz için faydalı olabilecek rastgele fırsatlarla karşılaşmak yüz yüze etkileşim sayesinde kolaylaşır. Akademide çoğunlukla kendi başınıza çalışır ve öğrenirsiniz. Tüketecek literatürün olmadığı endüstride bunu yapmakta zorlanırsınız; hızlanmak için başkalarının kafasından bilgi çıkarmanız gerekir.

İşe alternatif bir bakış açısı kazanacaksınız

Hiçbir şey olmasa bile, veri veya yazılım endüstrisinde bir süre çalışmak size sadece katılımla kazanabileceğiniz yeni bir bakış açısı kazandıracaktır. Doktora sonrası çalışmam sırasında karmaşık açık kaynaklı yazılımlar geliştirdim, ancak endüstride bir ekibin parçası olarak basit yazılımlar geliştirerek geliştirme tarzım daha iyi hale geldi. Her ilginç teğeti keşfetmek yerine işi önceliklendirerek ve yapılandırarak daha hedef odaklı bir şekilde çalışmayı öğrendim. Akademide asla öğrenemeyeceğim teknolojileri öğrendim, çünkü akademisyenler sıkıcı ama pratik çözümler yerine ilginç merakları eğlendirmeyi tercih ediyor.

Buna ek olarak, genel olarak endüstri işleri size dünyanın nasıl işlediğine dair farklı bir bakış açısı kazandıracaktır. İş piyasasının nasıl işlediği. Çok çeşitli bir işgücüne sahip kuruluşlarda nasıl gezinilir. Toplum tarafından gerçekte hangi becerilere değer verildiğini öğreneceksiniz - iyi ya da kötü. Zamanınızın bir dolar değeri olan bir piyasa katılımcısı olduğunuzun farkına varacaksınız. Akademik başarılarınıza dönüp bakacak ve ne kadar az şey ifade ettiklerine - kısmen hayal kırıklığıyla - güleceksiniz. Mafya benzeri kâr amaçlı yayın şirketlerine bedavaya teslim ettiğiniz taslakları hazırlamak için aylarınızı ve gecelerinizi nasıl feda ettiğinizi göreceksiniz.

Bir endüstri işinden öğreneceğiniz derslerin entelektüel yeteneklerinizi artırması pek olası değildir. Ama yine de önemlidirler.

Kötü 

İlginç problemler üzerinde çalışmayacaksınız.

Manşetler, abartılar ve kariyer koçları yalan söylüyor: Piyasadaki veri ve yazılım işlerinin çok azı araştırma kadar entelektüel açıdan teşvik edici.

Bu işlerin büyük çoğunluğu, bir işletmeyi şu anda sahip olduğu sorunları çözmede desteklemek için var. Bir sorunun önemi, sonuç üzerindeki etkisiyle ölçülür. Bu sorunların çoğu, akademik geçmişi olan biri için oldukça sıkıcı ve tatmin edici değildir.

Araştırmacılar, mekanizmaların ortaya çıkarılmasıyla ilgilenen zor ve açık uçlu sorular üzerinde çalışmaktan hoşlanırlar; çözüm bulmanın, cevaplamak için yeni yaklaşımlar icat etmeyi gerektirdiği problemler. Önemsiz çözümleri ve pratik detayları olan problemler "gelecekteki araştırmalara" bırakılır.

Buna karşılık, endüstrideki veri ve yazılım problemleri dar odaklıdır ve belirli bir sonuca ulaşma açısından formüle edilmiştir. Bu sonuç her zaman şirketin birincil hedefleriyle bağlantılı olmalıdır: işte kalmak, geliri artırmak, maliyetleri düşürmek. Bu sorunlar sektörler arasında evrenseldir ve bu nedenle toplum neredeyse aynı sorunları tekrar tekrar çözmek için muazzam miktarda insan sermayesi harcar. Teknik ve/veya analitik bir bakış açısıyla, sorunlar basit olma eğilimindedir; birinin - sizin - sadece sıkıcı detaylara kadar çözmek için zaman harcaması gerekir.

Sektörel sorunlarla ilgili temel zorluk nadiren sorunun kendisi değil, en az çabayla en hızlı şekilde nasıl çözüleceğidir. Bunun nedeni, bir sorunu çözmenin en pahalı kısmının bir veri veya yazılım uzmanının zamanını ödemek olması ve bu nedenle yönetim tarafından en aza indirilmesi gereken ilk parametre olmasıdır. İlginçtir ki, çalışanların verimliliğini en üst düzeye çıkarmayı amaçlayan tekrarlayan toplantılar ve mikro yönetim süreçleri, verimlilik üzerindeki etkileri ve insan sermayesi israfı açısından nadiren dikkate alınmaktadır.

Bir sorunu hızlı bir şekilde çözmek, denenmiş ve doğru yöntemlerin ve araçların (yeniden) kullanımını en üst düzeye çıkarmak ve uzun ve derin düşünme gerektiren senaryolardan kaçınmak anlamına gelir. Veri biliminde bu, özel makine öğrenimi algoritmaları geliştirmeyeceğiniz anlamına gelir; mevcut modellerin kataloğunu inceleyecek ve yeterince iyi olanı seçeceksiniz. Çoğu zaman günlerinizi bunları bir karıştırıcıya koyarak topluluklar oluşturmak için harcarsınız. Yazılım geliştirmede, sıfırdan optimize edilmiş yeni sistemler tasarlamayacaksınız; mevcut bileşenleri, genellikle tutkulu hobiciler tarafından yazılmış açık kaynaklı yazılımları birbirine bantlayacaksınız - "entegre edeceksiniz". Büyük ölçüde çerçevelere güvenecek ve aynı sıradan ve önemsiz görevlerin küçük varyasyonlarına yardımcı olan araçlar yaratacaksınız. Konuştuğum ve veri endüstrisinde biraz zaman geçirmiş olan akademisyenler "matematiği özlediklerini" itiraf ediyorlar. Bazıları için bu kederin acısı zaman ve para ile azalıyor.

Sektördeki sorunları önemsizmiş gibi göstermek küstahça görünebilir. Sonuçta, tüm modern şirketler "veri odaklı" olmak için yapay zeka ve makine öğrenimine büyük yatırımlar yapmıyor mu? Bu, kurumsal tarihte bilim insanlarının analitik becerilerinin şirketlerin piyasanın çalkantılı sularında gezinmesi için vazgeçilmez varlıklar haline geldiği dönüştürücü bir an değil mi?

Kariyer danışmanları ve sektörün önde gelenleri buna inanmanızı istiyor ama ben hayır diyorum.

Yeni başlayanlar için, YZ/MÖ hype treni hız kazanmadan çok önce, her şirket her zaman veri odaklı olmuştur. Veri analistlerinden oluşan bir "iş zekası" birimi vardı ve bu birim şirketin rakamlarını hesaplayıp liderlik için raporlar haline getiriyordu. Bir veri analistinin işi, bir araştırmacı bilim insanının yaptığına en yakın şeydir: bir soruyu yanıtlamak için veri toplamak, bu verileri işlemek, iç görüler elde etmek ve raporlamak. Yine de veri analisti genellikle şirketlerde giriş seviyesinde bir roldür; doktora gerekmez.

Bir bilim insanı ile bir veri analisti arasındaki fark nedir? Uğraştıkları veri türleri.

Bilim insanları verilerini anlamlandırmak için özel alan bilgisine ihtiyaç duyarlar. Herhangi bir sonuca varılmadan önce verilerin belirsiz yazılımlarda uygulanan özel algoritmalarla işlenmesi gerekebilir. Buna ek olarak, bilim insanları nedensel ilişkileri araştırmak için veri toplama çabalarını özenle kontrol ederler.

Buna karşılık, kurumsal veriler şirketin faaliyetlerinin doğrudan yorumlanabilir bir kaydıdır: işletmenin hangi varlıklara sahip olduğu, satışlarda neler olduğu, bordro maliyetlerinin ne olduğu vb. Veri, operasyonların bir yan ürünüdür. Bu verilerin anlaşılması, finansal jargonda bazı temel yeterlilikler ve şirkete özgü gelenekler hakkında bilgi gerektirir. Bu verilerin işlenmesi Excel yetkinliği ve temel bir aritmetik anlayışı gerektirir. Ortalamalar ve toplamlar, yukarı veya aşağı giden bir çizgiye sahip grafikler ve sağlıklı bir sağduyu dozu genellikle kurumsal gemiyi yönlendirmek için yeterlidir.

2010'ların ortasında başlayan Yapay Zeka/Makine Öğrenimi devrimi iş dünyasının doğasını değiştirmedi, ancak iş dünyası liderleri arasında çok fazla FOMO yarattı. Şirketler bu teknolojiyi ürünlerine, hizmetlerine ve süreçlerine dahil etmek için çabaladı ve bunu gerçekleştirmek için veri bilimcilerden oluşan orduları işe aldılar. Bu veri bilimcilerin çoğu doktoralıydı, çünkü o zamanlar veri bilimi oldukça akademik bir disiplin olarak görülüyordu. Gerçekte ise şirketler scikit-learn API'sine aşina analistler arıyordu.

Makine öğrenimi teknikleri yüksek boyutlu alanlarda veri madenciliği ve tahmin için faydalı olsa da, birçok işletme arabayı atın önüne koydu. Çözmeyi amaçladıkları sorunların çoğu hala eskisi kadar sıradan; makine öğrenimine gerek yok. Makine öğreniminden faydalanabilecek sorunlar için bile, düşük veri kalitesi, seyreklik, düşük/var olmayan korelasyonlar ve gürültü sorunları, parlak yeni bir algoritmanın bunları sihirli bir şekilde çözeceği inancıyla genellikle uygun bir şekilde örtbas edildi. Çok az kişi istatistikten anladığı için, günümüzde pek çok veri bilimcisi önemsiz doğruluk kazanımları için model hiperparametrelerini ayarlamakla görevlendirilmiştir. Ayrıca, kurumsal veriler geçici olarak toplandığından, nedensel ilişkileri bulmak neredeyse imkansızdır. Bu da veri biliminin genellikle yüceltilmiş bir eğri uydurma egzersizine indirgendiği anlamına geliyor.

Veri bilimi furyası soğudukça, şirketler bir veri projesindeki zamanın, çabanın ve zorluğun çoğunun aslında verileri almak, temizlemek ve kullanıma hazır bir makine öğrenimi modeline beslenebilecek bir biçime dönüştürmek için harcandığını fark etti. Ayrıca, veri bilimcileri tarafından üretilen Jupyter not defterlerini kullanamadıklarını keşfettiler. Bu nedenle, destekleyici altyapı oluşturmaya ve modellerden yazılım ürünleri yaratmaya çok daha fazla önem verildi ve veri mühendisi ve makine öğrenimi mühendisi rolleri doğdu.

Kendi deneyimlerime göre, bu roller David Graeber'in Bullshit jobs adlı kitabında "duct tapers" olarak adlandırdığı şeyin tam tanımı. En başta var olmaması gereken ve diğer insanlar işlerini iyi yapsa var olmayacak bir sorunu çözmekle görevlendiriliyorsunuz. Yine de kanal açıcılara olan talebin yüksek olduğu ortaya çıktı: veri alanındaki bilim rollerinden çok çeşitli mühendislik rolleri için çok daha fazla iş ilanı var. Bugünlerde, veri bilimcilerden bile daha yüksek maaşlar talep edebiliyorlar; bu da şirketlerin saf analitik becerilere veya eğitim seviyesine, eğer bu özelliklerden yararlanılamıyor ve kar getirici çabalara yönlendirilemiyorsa, düşük değer verdiğinin bir başka işareti.

Elbette sanayide de ilginç işler var. Araştırma ve inovasyon odaklı veri ve yazılım işleri mevcuttur. Sonuçta, büyük teknoloji şirketlerinin dünyanın ChatGPT'lerinin geliştirildiği araştırma kolları var. Ancak bu işler ortalama bir "Coursera'da makine öğrenimi kursu aldım" doktora mezunu için ayrılmış değil. Endüstride araştırma odaklı pozisyonlar için piyasa, akademi kadar rekabetçidir. Araştırma pahalı ve risklidir. Şirketler bir sonraki çeyreğin kârını maksimize etmek ister; araştırmaya yatırım yapmak bu hedefle taban tabana zıttır. Araştırmaya giden paranın çoğu yanmış da olabilir: kısa vadede yatırımcılara hiçbir şey getirmez. Bu nedenle temel araştırmaların neredeyse tamamı toplum tarafından vergiler yoluyla finanse edilmektedir.

Sonuç olarak, veri ve yazılım işlerinin büyük çoğunluğu iş dünyasına temel bir hizmet sunmak için vardır. Bu da çoğunlukla sıkıcı ve tekrarlayan sorunlar üzerinde çalışmayı gerektiriyor. İşin içine makine öğrenimini katmak ne sorunları daha ilginç hale getiriyor ne de ilgili işleri entelektüel açıdan daha teşvik edici kılıyor. Bunun yerine, MÖ uygulamalarının küçük bir çekirdeğini desteklemek için kanal konik işleri çoğaldı.

Hayatının yıllarını çöpe attın.

Ölen akademik kariyeriniz için kendinizi kederin beş aşamasından geçerken bulabilirsiniz. Kabul aşamasına daha hızlı ulaşmanızı sağlayacak bazı gerçek bombaları atmama izin verin.

Çok az şirket akademik referanslarınızı önemser. Hatta çoğu bunları tamamen görmezden gelecektir. Bazı durumlarda, aleyhinize sayılırlar. Doktoralı bir akademisyen olarak geçirdiğiniz 3-7 yılı dönüştürücü bir deneyim olarak görmüş olabilirsiniz, ancak bir veri veya yazılım işine girmeye karar verirseniz merdivenin en altından başlayacaksınız. Doktora sonrası herhangi bir akademik deneyim, aynı kaçınılmaz sonucu sadece geciktirir. Sizden daha kıdemli genç meslektaşlarınız olacak ve aynı yaştaki akranlarınız o kadar ileride olacak ki asla yetişemeyeceksiniz. Sahip olduğunuzu bildiğiniz tüm uzmanlık bilgi ve becerileri, yaptığınız fedakarlıklar ve yeni işin başlangıçta o kadar da zor olmadığı (önceki bölüme bakın) göz önüne alındığında, kendinizi aşağılanmış hissedersiniz. İnsan bilgisinin sınırlarının bir parçası olmak için çabalayarak, temel bir teknoloji kariyeri oluştururken kendinizi etkili bir şekilde engellediniz.

Kariyer koçları, bir akademisyen olarak edindiğiniz ve endüstri işlerinde de yararlı olan tüm "aktarılabilir becerileri" vurgulamanızı önerir: veri analizi, eleştirel düşünme, proje yönetimi, liderlik, etkili sözlü ve yazılı iletişim, ... liste uzayıp gider. Teknik işler için bu listeye programlama da eklenebilir.

Ne yazık ki, şirketler genellikle bu deneyimi bir endüstri işinde kazanılan deneyimle eşit tutmazlar, bu yüzden geri adım atarsınız. "Gerçek deneyim" sayacınız, akademik olmayan ilk işinizin birinci gününü saymaya başlar. Bu aynı zamanda LinkedIn işe alım uzmanları için değerli olduğunuz gündür.

Neden böyle oluyor?

Öncelikle, şirketler akademik işleri tam olarak anlamıyor. Onlara göre siz başka bir ülkeden gelen bir yabancısınız ve kültürü bilmediğinizi ve garip bir lehçeyle konuştuğunuzu hissediyorlar. "Bir sektörde yılların deneyimi" değerinizi değerlendirmek için uygun ve yaygın olarak kullanılan bir ölçüttür ve siz bu kutuya sığmazsınız.

İkinci olarak, veri ve yazılım dünyası akademiye kıyasla tamamen farklı bir şekilde işlemektedir. Akademisyenler çoğunlukla kendi başlarına ve kendileri için kod geliştirirler. Teknolojiden anlayanlar açık kaynak kodlu yazılımlara katkıda bulunabilirler. Buna karşılık, endüstride yazılım geliştirmenin ürün, ekip çalışması, sürdürülebilirlik ve sağlamlık üzerinde güçlü bir odağı vardır. Siz bu geliştirme yöntemine aşina değilsiniz. Bu nedenle, siz bir çömezsiniz.

Son olarak, şirketler geliştiricilere ve veri uzmanlarına öğrenme istekleri veya büyüme potansiyelleri için değil, çok özel teknolojilerdeki deneyimleri için ödeme yapar. Nasıl programlanacağını bilseniz bile, akademide yaygın olmayan araçlar ve kütüphanelerle (örneğin bulut hizmetleri, pyspark, kubernetes ve hatta SQL) ilgili pek çok zor beceriden ve uygulamalı deneyimden yoksun olacaksınız. Bu teknolojilerin temellerini öğrenmek birkaç gününüzü ya da haftanızı alacaktır. Bunlarda ustalaşmanız ise aylar ya da yıllar alabilir. Bu nedenle, siz bir çömezsiniz.

Bir araştırmacı bilim insanı olarak çıkmazınız, çoğu iş için aynı anda hem aşırı kalifiye hem de yetersiz olmanızdır. Proje yönetimi gibi bazı endüstri işlerinde, aktarılabilir becerilerinizi satarak kurtulabilirsiniz. Ancak teknik bir işte, çok özel bir alanda zor beceriler göstermeniz gerekir ve siz bunlara sahip değilsiniz. "Burada işlerin nasıl yapıldığını" bilmiyorsunuz. Elektrikçi olmak için başvuran bir elektrik mühendisisiniz.

Kabul aşamasına ulaşmak için akademik süslemelerinizi bir kenara bırakmayı kabul etmeli, tamamen farklı bir şey öğrenmeye açık olmalı ve sadece bir kod ustası olma hedefiyle ileriye bakmalısınız. Teknik sektörde bir iş seçtiniz çünkü kod yazmak istiyorsunuz, belge, kağıt veya slayt üretmek değil. Hızlı öğrenebildiğinizi kanıtladınız, bu yüzden tek yapabileceğiniz koşmak ve yetişmeye çalışmak. Umabileceğiniz en iyi şey, yolculuğunuz boyunca bir yerlerde, akademisyen olarak edindiğiniz niş bir becerinin tozunu alabilmenizdir.

Siz değiştirilebilir bir kaynaksınız

Bir araştırma kariyerinde ilerledikçe, alan çok az sayıda insana kadar daralır. Bir noktada, bu gezegendeki konuyla ilgili benzer uzmanlığa sahip tüm insanlar tek bir odaya sığar ve birbirlerinin sıkıcı PowerPoint konuşmalarını dinlemek için her yıl bir konferansta bir araya gelirler. Siz eşsizsiniz. Dünyadaki çok az sayıdaki uzmandan birisiniz ve bu iyi hissettiriyor.

Tek sorun şu ki, o odadaki insanlar dışında dünya üzerinde neredeyse hiç kimsenin umurunda değilsiniz. Vergi mükellefleri dışında kimse sizin bilginizi satın almayacak. Aksine, araştırmanızın reklamını yapmak için umutsuz bir çaba içinde konferans ve yayın ücretlerini ödeyen siz olacaksınız. Belki kıdemli profesör aşamasına ulaşır ve medya dostu bir kişiliğe sahip olursanız, haberlerde temel bilim sorularını yanıtlamaya layık görülürsünüz.

Buna karşın endüstri, bir veri ya da yazılım uzmanı olarak becerilerinizi satın almak için elini taşın altına koyar. Ancak, becerileriniz bir meta olarak kabul edilecektir. Yazılım kanallarına olan talebi karşılamak için çok az sayıda çalışan olsa da, işlevsel olarak aynı beceri setine sahip birçok kişiden biri olacaksınız.

Piyasa değerinizi belirleyen tek ayırt edici ölçüt, hangi teknolojiye dokunduğunuz ve bunlarla kaç yıllık deneyime sahip olduğunuzdur. Bilgisayar bilimlerinde doktora yapmış birinin psikoloji alanında lisans eğitimi almış biriyle aynı ücreti aldığını gördüm çünkü aynı işi yapıyorlardı. Elbette kimlik bilgileri tek başına maaşı belirlememelidir. Ancak, bilgisayar bilimcisinin en az iki kat daha üretken olduğu ve teknolojiyi derinlemesine anladığı için sorunları çözmede daha iyi olduğu gerçeği hiçbir iş denklemine dahil edilmedi. Bireyler arasındaki farklar bir ekip düzeyinde açıktır, ancak paralı insanlar için ölçülebilir veya görünür değildir.

İş dünyası için, benzersiz kişiliğiniz soyutlanmalıdır çünkü dağınık, karmaşık ve bir hesap tablosunda yakalanması zordur. Bir şirket, tüm operasyonlarının öngörülebilir, kolaylaştırılmış ve tekrar eden süreçlerle bir fabrika gibi davranmasını ister. Bundan böyle siz, bilgisayarın bir şeyler yapmasını sağlamak için tuşları doğru sırada yazma becerisine sahip birçok kişiden biri olan bir "kaynaktan" başka bir şey olmayacaksınız. Siz, en iyi şekilde kullanılması gereken dijital bir işçisiniz. Potansiyeliniz, kullanılabilir iş günü sayınızla ölçülür. Üretkenliğiniz, baskın BT proje yönetim aracı olan Jira'da sürüklenen biletler aracılığıyla takip edilir. Dijital fabrika katında can sıkıntısı ve monotonluktan ölürseniz, sorulan ilk soru hangi kaynağın sizin yerinizi alacağıdır.

Yazılım geliştirmenin üretim gibi olması gerektiği fikri Scrum ve Lean'in türevleri gibi popüler BT yönetim doktrinleri tarafından sürdürülmektedir. Endüstrideki liderlik, kanıtlara dayalı olarak yineleme yapmak yerine çeşitli yönetim heveslerini kargo kültü tarzında benimsemeye eğilimlidir. Bilim insanlarının dogmalara karşı alerjisi vardır, ancak artık kurumsal hiyerarşinin en altında yer alan bir kaynak olduğunuz için nasıl yönetileceğiniz ya da ne üzerinde çalışacağınız konusunda söz hakkınız yoktur. Bu görevler "düşünürler" ve "planlamacılar" için ayrılmıştır. Bu da bizi bir sonraki konuya götürüyor:

Görüş ve fikirlerinizin önemi yok

Akademisyenler her şeye, özellikle de otoriteye ve popüler görüşlere şüpheyle yaklaşmaya teşvik edilir. İnançlarının her birini sorgulamalı ve sağlam kanıtlar olmadan hiçbir ifadenin doğruluğunu asla değerlendirmemelidirler. İyi bir fikriniz ve bunu destekleyecek yeterince iyi bir argümanınız varsa, akademik dereceniz ne olursa olsun bunu denemekte özgürsünüz.

Endüstri şüphecileri sevmez, özellikle de hiyerarşinin en altında yer alıyorlarsa. Zor sorular sormak ve statükoya meydan okumak, ezber bozmak ve ekip uyumunu zorlaştırmak olarak algılanır. Kod ustası olmak için işe alındınız. Bunun ötesindeki her şey sizin etki alanınızın dışındadır.

Bir ekibin parçası olan teknik bir kaynak olarak, sahip olduğunuz değerlerin gerçekten doğru olmasından ziyade, ortak bir değerler dizisine inanmanız çok daha önemlidir. Endüstri gerçeği arama işinde değildir. Endüstride bilim veya felsefe yoktur, sadece düşünce liderliği vardır.

Akademisyenler literatürü inceleyip değerlendirmeyi ve bilimsel yöntemle hipotezler öne sürüp test ederek yeni bilgiler edinmeyi amaçlar.

Düşünce liderleri, eski bir temel kavrama orijinal bir dokunuş uygulayan ve bunu bir TED konuşması veya teknoloji blog yazısı olarak paketleyen ideolojileri sürdürür. Bu fikirlerden bazıları toplumda ilgi görür ve bu da düşünce liderini bir otorite figürü haline getirir. Popülarite ve otoritenin yanı sıra somut kanıtların tamamen yokluğu sayesinde yeni ideoloji geniş çapta kabul görür.

Düşünce liderliğinin şirketler tarafından körü körüne benimsenmesi, her türlü Kafkaesk duruma, verimliliği yok eden toplantılara ve teknik bir kaynak olarak içinden geçmeniz gereken performatif saçmalık nehirlerine yol açar. İşletmelerdeki Scrum ritüellerinden özellikle bahsetmek gerekir, ancak daha fazla ayrıntıya girmek bu makalenin kapsamı dışındadır.

Size her zaman geri bildirimde bulunabileceğiniz, bir şeylere meydan okuyabileceğiniz, yeni fikirler sunabileceğiniz söylenecektir. Bu sadece ekibin benimsediği temel değerleri çiğnemediğiniz ya da liderliğin alanına girmediğiniz sürece geçerlidir. Scrum tarafından mikro yönetildiğinizi düşünüyorsanız, buna meydan okuyamazsınız. Birim testinin veri boru hatlarının yazılmasında pek yardımcı olmadığını düşünüyorsanız, ekibin TDD felsefesini baltaladığınız için azarlanabilirsiniz. Mantıksız bir şekilde, konformizm ve hatta dalkavukluk öne çıkmak için çok daha üstün stratejilerdir. LinkedIn'in neden toksik pozitiflik saçmalıkları atan kaçıklarla dolu olduğunu biliyor musunuz? Çünkü ödüllendiriliyor.

İyi haber şu ki, gelgitleri değiştirmeyi denemek için her zaman kendiniz bir düşünce lideri olabilirsiniz. Kimlik bilgisi, kanıt ya da veri gerekmez, sadece bir parça özgünlük ve sağlıklı bir dozda satıcılık işinizi görecektir. Bu yazıyı kabarık bir düşünce liderliği parçası olarak düşünebilirsiniz, ancak kurumsal BT liderliğinin büyük bir kısmı bunu okumaktan mutlu olmayacaktır.

Teknik bir iş çıkmaz sokak işidir

İnsanların ilerleme için doymak bilmez bir arzuları vardır.

Teoride, akademide ilerleme, insan bilgisinin sınırlarını sürekli olarak zorlamak anlamına gelir. Çoğu akademisyen bunun öncelikli tutkuları olduğunu iddia eder. Ancak pratikte bunu ancak akademik oyunun içinde kalarak yapabilirler. Bu da daha fazla prestij puanı toplamayı gerektirir: profesör unvanı almak, Nature dergisinde yayın yapmak, bir konferansta ana konuşmacı olmak, prestijli bir burs almak, bir tür ödül almak, ... Bir noktada oyunu kazanmak başlı başına bir amaç haline gelir ve doğal seçilim kurnaz kariyeristleri üst sıralara doğru iter.

Endüstride ilerleme, her çeyrekte hissedar değerini artırmak anlamına gelir. Çalışanlar bu hedefe ulaşmak için içsel motivasyona sahip değildir, bu nedenle şirketler kariyer merdivenleri ve şişirilmiş iş unvanları ile iş deneyimini oyunlaştırarak bunu üretirler. Kariyerde ilerleme yanılsaması, kâr değirmenini döndürmeye devam etmeleri için işçinin önünde ulaşamayacağı bir yerde asılı duran mecazi bir havuç işlevi görür. Pek çok şirket çalışanlarına telkinlerde bulunarak onları "değer katmanın" hayatlarının en güzel yıllarını feda etmeleri gereken asil bir amaç olduğuna ikna edebilmektedir. En başarılı şirketler, çalışanlarını şirketin misyonunun toplum için iyi olduğuna ikna eder.

Bu açıdan bakıldığında, teknik bir kariyerde kariyer ilerlemesinin neden sorunlu bir kavram olduğunu görmek kolaydır. Eğer kurumsal hiyerarşide yükselirseniz, artık iş dünyasına aynı yararlı hizmeti veremeyecek ve bunun yerine insanları yönetmeniz beklenecektir. Alternatif olarak, yöneticiliğe geçmeden yılların deneyimini ödüllendirmek için kıdemsiz, orta düzey ve kıdemli olarak terfi ettirilebilirsiniz. Şirketler bu uzmanlık yolunun da en az yöneticilik yolu kadar ödüllendirici olduğunu iddia etmektedir. Elbette maaşınız artacak, ancak hiyerarşinin en altında bir kaynak olarak kalacaksınız.

Ayrıca endüstriye girdiğinizde Dilbert prensibini ve Putt kanununu ilk elden deneyimleyebilirsiniz. Akademide her profesör eşit derecede zeki değildir, ancak en azından bulundukları yere gelmek için en alttan tırmanmışlardır ve bir araştırmacı olmanın ne anlama geldiğine dair temel düzeyde bir yetkinlik ve anlayış bekleyebilirsiniz. Endüstride, bir satır kod yazmadan bir yazılım mühendisliği ekibini yönetmek görünüşe göre çok normaldir. Anlamsız planlama ve uyum toplantılarında zamanınızı boşa harcayarak varlıklarını haklı çıkarma ihtiyacı hisseden topal ördek BT yönetimi altında çalışmak ruh ezicidir.

BT alanında bir boşluk var gibi görünüyor: "mimar" kariyer yolu. Mimarların teknik işler yapmaları ya da insanları yönetmeleri gerekmez. Kurumsal bir ortamda bu rol, yapılan gerçek teknik işle hiçbir ilgisi olmayan üst düzey toplantılara ve tartışmalara profesyonel bir katılımcı olmayı içerir. Mimarlar, yapılmayacak olan yazılım sistemlerinin tasarımlarını ve çizimlerini yaparlar; kesinlikle planlarına göre değil. Kendilerinin herhangi bir şeyi nasıl uygulayacaklarını bilmelerine bile gerek yoktur, ancak UML'ye aşina olmalıdırlar. Mimarlar genellikle Dilbert prensibinin sözlük örneklerine benzerler.

En zeki insanlar, teknik işlerin kurumlarda her zaman angarya işlere dönüştüğünün farkındadır, bu yüzden de bu işlerden tamamen kaçınırlar. Algılanan en büyük etkiyi yaratmak - ve dolayısıyla en büyük ödemeyi almak - için yalnızca kurumsal hiyerarşinin en üst seviyesindeki sorunlarla ilgilenilmelidir. Bu sorunların çok azı tekniktir.

Bu nedenle, değer yaratma üzerinde algılanan maksimum etki için, doğrudan C-suite ile çalışmalı veya C-suite olmalısınız. Bunu yapmak için en iyi şans, yönetim danışmanlığına girerek - Bain, McKinsey veya BCG bir zorunluluktur - ve/veya kendinize bir MBA satın alarak yaratılır. Bu, kısa yoldan kariyer ilerleme yoludur. Kendinizi geliştiriciden CEO'luğa yükselterek tırmanamazsınız. Hele ki kariyerinizin ilk kritik yıllarını akademide harcadıktan sonra.

Peki ya programlama ve veri analizini seviyorsanız? Ya CEO olmayı umursamıyor ama yine de anlamlı, ilginç, değerli, teknik işler yapmak ve fikirleri, yaratıcılığı ve zekası olan bir kişi olarak saygı görmek istiyorsanız?

Çok kötü, kurumsal işler böyle yürümez.

Teknik bir kariyerden en iyi şekilde yararlanmanın iki yolu vardır.

Birincisi, bir kaynak olarak statünüzü benimsemek, kariyer ilerlemesini unutmak ve zamanınızı serbest çalışan/danışman olarak satmaktır. Bu senaryoda, piyasaya teslim olursunuz ancak kendi hissedarınız ve CEO'nuz olursunuz.

İkincisi, inşa ettiğiniz her şeyin şirketin kar hanesine doğrudan etkisi olmasını sağlamaktır. Bu da yazılımın ürün ve ana iş olduğu bir teknoloji şirketinde çalışmak anlamına geliyor. Elbette bu pozisyonlar, örneğin bir bankadaki geliştirici rolünden çok daha rekabetçidir.

En ödüllendirici ama en riskli olanı bu ikisini birleştirmeye çalışmak olabilir: kendi yazılımınızı yaratmak ve bunu şirketlere bir ürün olarak satmak.

Özetle, teknolojinin ürün olduğu bir şirkette çalışmıyorsanız, çoğu teknoloji ve veri işi, iş dünyası için düşük etkili ve düşük değerli bir hizmettir (olarak algılanır). Bir uygulayıcı olduğunuz sürece, bir kaynak olarak sonsuza kadar en altta kalırsınız ve karar verme yetkisine sahip aptalların kaprisleriyle sürüklenirsiniz.

Sonuç

Akademi krizdedir ve on yıllardır da öyledir. Bu, tepedeki birkaç ateşli akademisyenin çıkarı için hırslı gençleri yakıp kavuran bir piramit düzeni. Herkesin ekmek kırıntıları için savaştığı, köpeklerin birbirini yediği bir dünya. Piramidi tırmanma şansınız çok düşüktür, ancak şansınızı yenerseniz her şeyinizi feda etmiş olursunuz. Eğer yukarı tırmanmayı başaramazsanız, akademideki tek geleceğiniz post-doktora ârafı olacaktır. Sonunda, sistem sizi gösterecek hiçbir şeyiniz olmadan dışarı atar.

Öte yandan, araştırma alanında çalışmak, entelektüel meydan okuma ve yaratıcı özgürlüğün eşsiz bir kombinasyonunu sağlar. Kendi kendini motive eden bireylerin bilgi peşinde koşarak başarılı olduğu bir meslektir. Açlık çeken sanatçı ile açlık çeken bilim insanının sanıldığından daha fazla ortak noktası vardır.

Ne yazık ki, herkes meraklarıyla oynamak için para alırsa toplum bir bütün olarak işleyemez. Temizlikten inşaata, imalattan yazılım geliştirmeye kadar: "Bunun ...'da uygulamaları olabilir" diye başlayan bir cümleden insanların kullanabileceği gerçek bir ürüne geçmek için yapılması gereken çok fazla angarya iş var. En azından yazılım ve veri alanında evinizdeki rahat koltuğunuzda, rahat bir tempoda ve iyi bir ücret karşılığında çalışabilirsiniz.

"Sadece bir iş" türünde çalışmanın yanlış bir tarafı yok. Ancak, veri ve yazılımla ilgili yutturmaca ve kariyer tavsiyeleri, birçok akademisyeni, uzmanlık bilgi ve becerilerini endüstride gerçekleşen yapay zeka devriminde çığır açan uygulamalar üzerinde çalışmak için kullanacaklarını düşünmeleri konusunda yanıltıyor. Çoğunu bekleyen gerçek ise can sıkıntısı, monotonluk, amaçsızlık, mikro yönetim, insansızlaştırma, düşük takdir ve durgunluk olacaktır. Kimsenin ihtiyaç duymadığı düşük değerli ıvır zıvırları inşa etmek için yığılmış bir başka kaynak.

Kod yazmayı öğrenmek her akademisyen için iyi bir tavsiyedir, ancak bunu bir veri veya yazılım işini güvence altına almak için yapmak herkese göre değildir.

* Yapay zeka

** Makine Öğrenmesi

*** Massive Open Online Courses: Kitlesel açık çevrimi kurslar

Kaynak: https://tinyurl.com/mww9rmfv