10年后，数据科学家会像当年的网管一样，成为历史吗？

数据科学家会被机器学习取代吗？虽然现在的数据科学家岗位需求非常热，但是所从事的工作领域，正好面临机器学习的不断挑战。福布斯作者认为，数据科学家工作的5个领域，未来5-10年会被机器学习取代，Reddit网友对此进行了激烈的讨论。

数据科学岗位正在面临巨大的变革。

计算器被发明之前，它的工作是由人来担当的；互联网刚刚发展起来的时候，网管是一个非常热门的职业；中层领导曾经并不自己做PPT，这些琐碎的工作由他们的秘书处理。

如今，计算员、网管、中层领导的秘书这些岗位，早已被科技的浪潮淹没在海底深处。

数据科学淘金热

数据科学家岗位现在的形势，很像当年美国西部淘金热潮。一些数据科学家赚到了高薪，各大公司、薪酬网站也在不算释放缺人、待遇高的信号。

根据美国最热岗位排行榜数据显示，数据科学家岗位的招聘信息在过去3年时间，增加了75%，而薪资也提升到了吓人的30万美元，相当于200万人民币。

与此相对应的是，包括UC伯克利在内的多所高校，均新增了数据科学专业，并很快就成为最热门专业。

著名科技网站Slashdot联合创始人、Sight Machine联合创始人兼CTO、福布斯科技委员会成员Nate Oostendorp对此表示，未来只会有一小部分人能够真正成为数据科学家，而其中大部分，前途依旧充满未知。

从汇编到高级语言，再到数据自动化

作为一名元老级别的开发者，Nate Oostendorp经历了从低级语言到高级语言的变革时期。

最早的时候，编译器设计是一门必修课程，比如把C转换成汇编。在商业应用上直接使用汇编，是再正常不过的事情。

然而仅仅几十年后，大家都还是用高级语言，直接用汇编语言开发的软件，基本上绝迹了。而数据科学领域的变化，显然更快。

如今，很多公司都在提供数据分析工具，就算你不懂代码，也可以轻松进行数据分析。

3年后，更高级别的工具将越来越多地减少对基础技术的专业知识的要求。这些工具的不仅简化了数据科学家的工作流程、提升了工作效率，更重要的是降低了入行门槛，及时没学过数据科学的人，不懂代码也可以完成一些数据科学家的工作。

机器学习，人工智能，像吹气球一样吹大了数据科学的旺盛需求，同时也将在5年后，吹爆数据科学家这个职业。

数据科学家岗位在5年后将不复存在

Nate认为，当下非常火的数据科学家，5年后将不再作为一个独立岗位存在。而是分裂成5种类型：

1. 通才

他们将解释数据并使其可用。这些通才将专注于教育最终用户，帮助用户提出数据问题而不是自己找到所有答案。这可能是一个过渡性的角色，五年内比十年更常见。

2. 行业专家

他们将在制造，医学和金融等特定行业应用数据科学技术和工具。这是我认为大部分工作都将在这里的地方。但是，这些不会被视为数据科学工作。这名工作人员不会是了解制造业的数据科学家，而是了解数据科学的制造业领导者。今天相当于研究员是统计学王牌。

3. 深度专家

这些细分的特定数据科学技术的深度专家，人数是也最少的。这是剩下的纯数据科学工作所在的地方。他们的角色将是抽象地追求数据科学，提高算法的性能和设计新的通用方法。他们将像今天的计算机科学家一样，建立理论基础而不是解决日常问题。

4. 分析开发人员

他们将从数据科学家转变为分析开发人员。这些是软件开发专家，负责处理数据交互并帮助人们从数据报告中进行推断。算法设计将是他们工作的一小部分，由数据平台以及以交钥匙方式完成大量工作的强大代码库提供帮助。

5. 数据工程师

他们构建管道，将数据转换并传输到基础平台，进行分析和可视化。虽然数据科学家通常因其出色的算法而受到认可，但数据科学家80％的时间可用于收集，清理和组织数据。

此言论一出，造成了非常大的争议，并在Reddit上产生了激烈的讨论。与其说是讨论，不如说是一边倒的反对此观点。

各方观点

反方

logicchains用stackexchange上一个问题（What happens if the explanatory and response variables are sorted independently before regression?）来说明，数据科学并不单单是自动化。选择正确使用，正确清理和验证数据的数据至少与选择正确的模型同样重要。

他指出，目前没有任何软件能够通过组织内部进行拖网查找`Sales`表上的'Extra2`字段的正确解释，该字段有三个值：“TRUE”，“Error”和null。言下之意：5年内不可能，10年内不可能。

FrenchCuirassier认为，数据以指数速度增长，未来将会有更多的工作，但其中大部分将分析、理解和解释数据。

人工智能并不能解释，也不能理解它做的所有事情。AI在未来可能达到人类智能，但谁敢说我们能活着看到那一天呢？

BeneficialArcher也持有相同观点，认为大多数数据科学角色不太可能实现自动化。目前自动化已经很成熟了，但没有任何软件能够解决模糊的问题，并使用所有可用的数据解决它。

但他又认为未来几年工资会有所下降是合理的，因为初中政治学到的最基本的经济原理：供大于求。

killver声称没有看到一个案例能够证明AutoML优于熟练的数据科学家。如果有，那每年举行的Kaggle比赛，靠一个算法就够了。

具体而言，领域知识将始终是重要的。尝试了几次AutoML工具后发现，这些工具从来没有达到过满意的效果。

正方

当然，每个人的认知都是不同的。也有人表示认可Nate的部分观点。

sid__想的比较实际，他认为软件工程作为一门学科将比数据科学更难实现自动化。

考虑一家不希望聘请150k数据科学家的普通公司，如果能够利用普通的软件工程师，将数据投入到autoML引擎中，使用api调用并获得预测结果，在很多情况下这已经足够了，特别是如果不是一些关键任务应用程序。