ডেটা সায়েন্স 7 মাস আগে মারা গিয়েছিল?
এটিও 2 বছর আগে মারা গিয়েছিল।
আর মারা যাচ্ছে ৩ বছর আগে।
এবং বলাই বাহুল্য, এটি 5 বছর আগেও মারা যাচ্ছিল।
যাইহোক, আমি যতদূর দাঁড়িয়েছি, এটি অবশ্যই এমন নয়। লোকেরা এখনও ডেটা সায়েন্টিস্ট হিসাবে কাজ খুঁজে পাচ্ছে।
আমি বলতে চাচ্ছি, আমি আক্ষরিক অর্থে আমার কোচিং প্রোগ্রামে প্রতি সপ্তাহে লোকেদের এটি করতে সহায়তা করি।
তো, পৃথিবীতে কি হচ্ছে?
ভাল, এই নিবন্ধে, আমি ব্যাখ্যা করতে চাই:
- বর্তমান ডেটা বাজার কেমন দেখাচ্ছে
- ডেটা সায়েন্টিস্ট বলতে আসলে কী বোঝায়
- এবং, এই বর্তমান পরিবেশে চাকরি পেতে আপনার কী করা উচিত
এর যোগদান করা যাক!
বাজার আউটলুক
আপনারা হয়তো অনেকেই জানেন যে, 2022 এবং 2023 জুড়ে উল্লেখযোগ্য ছাঁটাই হয়েছিল, শুধুমাত্র জানুয়ারী 2023 সালে প্রায় 90,000 প্রযুক্তি কর্মী ছাঁটাই হয়েছিল।
প্রকৃতপক্ষে, এটি এতটাই গুরুতর ছিল যে টেকক্রাঞ্চ এমনকি এই সময়ের মধ্যে ঘটে যাওয়া সমস্ত ছাঁটাইয়ের একটি সংরক্ষণাগার তৈরি করেছিল!
যাইহোক, 365DataScience-এর একটি সমীক্ষা অনুসারে, এই ছাঁটাই দ্বারা ডেটা জব প্রভাবিত হয়নি; তিনি খুঁজে পেয়েছেন যে:
মজার বিষয় হল, আমাদের নমুনায় ছাঁটাই করা শ্রমিকদের বৃহত্তম গ্রুপের প্রযুক্তিগত কাজ ছিল না – 27.8% HR এবং ট্যালেন্ট সোর্সিংয়ে কাজ করেছেযেদিকে সফটওয়্যার ইঞ্জিনিয়ার সঙ্গে দ্বিতীয় এসেছে 22.1%. তাদের পরে ছিল বিপণন কর্মী 7.1%, গ্রাহক পরিষেবা 4.6%, PR, যোগাযোগ এবং কৌশল 4.4% ইত্যাদি।
উদাহরণস্বরূপ, এই সময়ের মধ্যে অ্যামাজন থেকে বহিস্কার করা লোকদের মধ্যে মাত্র 2.7% ডেটা বিজ্ঞানী উপাধি পেয়েছিলেন।
অন্য গবেষণা অনুযায়ী:
জুলাই 2023 সালে সর্বকালের সর্বনিম্ন অবস্থানে যাওয়ার পর ডেটা সায়েন্সের চাকরির পোস্টিং বছরে 130% বৃদ্ধি পেয়েছে, যেখানে একই সময়ের মধ্যে ডেটা বিশ্লেষক শূন্যপদগুলি 63% বৃদ্ধি পেয়েছে।
এবং আমরা দেখতে পাচ্ছি যে সামগ্রিকভাবে ডেটা কাজের জন্য বেতন কয়েক বছর ধরে বাড়ছে।
সুতরাং, এটা পরিষ্কার যে ডেটা সায়েন্স কোনোভাবেই চলে যাচ্ছে না; যদি কিছু হয়, তা বাড়ছে।
যাইহোক, কেন এখনই ডেটা সায়েন্টিস্টের চাকরি পাওয়া এত কঠিন বলে মনে হচ্ছে, বিশেষ করে এন্ট্রি এবং জুনিয়র স্তরে?
এটি ব্যাখ্যা করার জন্য, আমাদের সংখ্যাগুলি দেখতে হবে এবং প্রকৃতপক্ষে আধুনিক ডেটা বিজ্ঞানী কী তা বুঝতে হবে।
তথ্য বিজ্ঞান উন্নয়ন
এই ক্ষেত্রের একজন অভ্যন্তরীণ হিসাবে, আমি আপনাকে একটি গোপন কথা বলি।
তথ্য বিজ্ঞান দূরে যাচ্ছে না; এটি বিকশিত হচ্ছে।
10 বছর আগে, কোম্পানিগুলি জুপিটার নোটবুকের মেশিন লার্নিং মডেলগুলির সাথে টিঙ্কার করার জন্য ডেটা বিজ্ঞানীদের নিয়োগ করেছিল৷
আসলে, এটি আমার প্রথম ডেটা সায়েন্সের কাজ ছিল।
একজন ডেটা সায়েন্টিস্ট সুইস আর্মি ছুরির মতো হতেন – একজন ব্যক্তির কাছে ডেটা পরিষ্কার করা থেকে শুরু করে মডেল তৈরি করা এবং সিইও-র কাছে উপস্থাপন করা পর্যন্ত সবকিছু করার আশা করা হয়েছিল।
যাইহোক, সময়ের সাথে সাথে, কোম্পানিগুলি বুঝতে পেরেছিল যে তারা এই কৌশল থেকে বিনিয়োগের উপর কোন রিটার্ন পাচ্ছে না, তাই তারা যাতে তাদের অর্থের অপচয় না করে তা নিশ্চিত করার জন্য ভূমিকা এবং দায়িত্ব সম্পর্কে আরও কঠোর হয়ে ওঠে।
এটি ডেটা সায়েন্সের কাজকে খণ্ডিত করেছে এবং শিরোনামটিকে অর্থহীন করে তুলেছে, কারণ আপনি বিভিন্ন কোম্পানিতে ডেটা বিজ্ঞানীরা সম্পূর্ণ ভিন্ন জিনিস করছেন।
সাধারণভাবে, বর্তমানে তিন ধরনের ডেটা সায়েন্টিস্ট বিদ্যমান।
বিশ্লেষক
এই ধরনের ডেটা সায়েন্টিস্ট ব্যবসার দিকের সাথে ঘনিষ্ঠভাবে যুক্ত এবং প্রাথমিকভাবে ওয়ার্কফ্লো এবং এক্সপেরিমেন্ট রিপোর্টিং এর উপর ফোকাস করে।
উদাহরণস্বরূপ, আপনি এটি করবেন:
- একটি কোম্পানি ডাটাবেস বা অন্যান্য উত্স থেকে তথ্য পান.
- কিছু কোড লিখুন যা খুব লিনিয়ার এবং প্রকৃতির নির্দিষ্ট, ডেটা ইনজেস্ট করে শুরু করুন, এটিকে কিছুটা পরিষ্কার করুন, তারপর কিছু EDA এবং কিছু ভবিষ্যদ্বাণীমূলক বা মৌলিক মডেলিং কাজ করুন।
- একবার সম্পূর্ণ হয়ে গেলে, আপনি একটি প্রতিবেদন তৈরি করেন যা বিশ্লেষণের বিবরণ দেয়, ভিজ্যুয়ালাইজেশন এবং অন্যান্য মেট্রিক্স প্রদান করে এবং বিশ্লেষণের লক্ষ্যগুলির উপর ভিত্তি করে একটি সুপারিশ প্রদান করে।
এই ধরনের ডেটা সায়েন্টিস্ট একজন ডেটা বিশ্লেষক এবং সাধারণত আরও ব্যবসায়িক ডোমেন জ্ঞান প্রয়োজন।
ইঞ্জিনিয়ারিং
এই ধরনের ডেটা সায়েন্টিস্ট সমাধান তৈরি এবং স্থাপনের উপর দৃষ্টি নিবদ্ধ করে। এটি বিভিন্ন জিনিস হতে পারে যেমন:
- অভ্যন্তরীণ সফ্টওয়্যার টুলিং
- মেশিন লার্নিং মডেল যা সিদ্ধান্ত গ্রহণকে চালিত করে
- লাইব্রেরি নির্মাণ
এই ভূমিকাটি সফ্টওয়্যার প্রকৌশলের দিকে বেশি ঝুঁকছে, তবে একজন সফ্টওয়্যার প্রকৌশলীর বিপরীতে, এর জন্য গণিত, মেশিন লার্নিং এবং পরিসংখ্যান সম্পর্কে আরও জ্ঞান প্রয়োজন।
আজকাল, এই ধরনের চাকরি “ডেটা সায়েন্টিস্ট” শিরোনামের বাইরে চলে গেছে এবং এখন তাকে মেশিন লার্নিং ইঞ্জিনিয়ার বলা হয়।
এটি একটি এন্ট্রি-লেভেল পজিশন নয়, এবং সাধারণত একটি সফ্টওয়্যার ইঞ্জিনিয়ার বা বিশ্লেষকের মতো সন্নিহিত ভূমিকায় 2-3 বছরের অভিজ্ঞতার প্রয়োজন হয়৷ অনেক স্নাতক এবং কম অভিজ্ঞতাসম্পন্ন ব্যক্তিরা এই নির্দিষ্ট ডেটা সায়েন্স পজিশনে যাওয়ার জন্য সংগ্রাম করবে।
অবকাঠামো
এই ধরনের ডেটা সায়েন্টিস্ট বিরল, প্রধানত কারণ এর নিজস্ব শিরোনাম রয়েছে: ডেটা ইঞ্জিনিয়ার।
এই ভূমিকার লক্ষ্য হল ব্যবসার ডেটা রাখার জন্য ডেটা অবকাঠামো এবং পাইপলাইন তৈরি করা। এই ডেটা তারপর মেশিন লার্নিং ইঞ্জিনিয়ার, বিশ্লেষক, এমনকি অ-প্রযুক্তিগত স্টেকহোল্ডারদের দ্বারা ডাউনস্ট্রিম ব্যবহার করা হয়।
এই ভূমিকাটি ক্রমবর্ধমান গুরুত্বপূর্ণ হয়ে উঠেছে, বিশেষ করে সাম্প্রতিক বছরগুলিতে জেনারেটিভ এআই-এর আবির্ভাবের সাথে, যার জন্য কার্যকরভাবে প্রচুর পরিমাণে ডেটা সঞ্চয় করার এবং কম লেটেন্সি সহ এটি স্ট্রিম করার ক্ষমতা প্রয়োজন।
কিছু কোম্পানিতে, আপনি একজন অ্যানালিটিক্স ইঞ্জিনিয়ারও হতে পারেন, যা আরও ব্যবসা-কেন্দ্রিক ডেটা ইঞ্জিনিয়ার।
আমি জানি, এত শিরোনাম, এটা রাখা কঠিন!
জুনিয়র বনাম সিনিয়র
2025 সালের সেপ্টেম্বরে প্রকাশিত একটি গবেষণা ডেটা এবং মেশিন লার্নিংয়ের ক্ষেত্রে বেশ আলোড়ন সৃষ্টি করছে।
গবেষণায় 2015 থেকে 2025 সালের মধ্যে 285,000 কোম্পানি পরীক্ষা করা হয়েছে এবং কিভাবে GenAI গ্রহণ করা তাদের জুনিয়র এবং সিনিয়র পদের জন্য নিয়োগ প্রক্রিয়াকে প্রভাবিত করেছে।
দ্রষ্টব্য: এটি শুধুমাত্র ডেটা সায়েন্টিস্টের চাকরি নয়, এই কোম্পানিগুলির সমস্ত চাকরির ক্ষেত্রে প্রযোজ্য।
আপনি নীচের প্লটে দেখতে পাচ্ছেন যে সিনিয়র পদে নিয়োগ এখনও বাড়ছে, যখন জুনিয়র পদে নিয়োগ কমছে।
এটি স্বজ্ঞাত ধারণা তৈরি করে, কারণ বছরের পর বছর অর্জিত অভিজ্ঞতার কারণে জুনিয়রদের দায়িত্ব সিনিয়রদের তুলনায় AI এর সাথে স্বয়ংক্রিয় করা সহজ।
যাইহোক, আমি যা স্পষ্ট করতে চাই তা হল কোম্পানিগুলি জুনিয়রদের অপ্রয়োজনীয় করে তুলছে না বা বাজারে আর কোন জুনিয়র পদ অবশিষ্ট নেই।
বেশিরভাগ লোক এই গ্রাফটি দেখবে এবং মনে করবে যে জুনিয়র ডেটা সায়েন্স মার্কেট অদৃশ্য হয়ে যাচ্ছে। কিন্তু বস্তুনিষ্ঠভাবে তা নয়।
এখনো নিয়োগ হচ্ছে, কিন্তু নতুন পদে নিয়োগের হার বাড়ছে না। চাহিদা বেশি থাকলেও সরবরাহ বক্ররেখা অপরিবর্তিত থাকে।
এই কারণেই আজকাল এন্ট্রি-লেভেল চাকরি পাওয়া এত কঠিন বলে মনে হচ্ছে।
আপনি কি করতে পারেন?
আমাকে সৎ হতে দিন, ডেটা বিজ্ঞানে প্রবেশ করা আরও প্রতিযোগিতামূলক হয়ে উঠছে, তবে এটি অসম্ভব নয়।
সেই দিনগুলো চলে গেছে যখন আপনার প্রয়োজন ছিল মৌলিক পাইথন এবং এসকিউএল, এবং অ্যান্ড্রু এনজি-এর মেশিন লার্নিং কোর্স।
এগুলি এমন জিনিস যা আজকাল প্রত্যেকেরই রয়েছে, তাই আপনাকে অতিরিক্ত প্রচেষ্টা করতে হবে এবং নিজেকে আগের চেয়ে আরও বেশি আলাদা করতে হবে।
এটি করার অনেক উপায় আছে, উদাহরণস্বরূপ, আপনি কিছু প্রযুক্তিগত ডোমেন গ্রহণ করেন এবং বিশেষজ্ঞ হন যেমন:
- GenAI
- মডেল স্থাপনা
- সময় সিরিজের পূর্বাভাস
- সুপারিশ সিস্টেম
- ডোমেন-নির্দিষ্ট দক্ষতা
বিশেষজ্ঞরা তর্কাতীতভাবে আরও গুরুত্বপূর্ণ হয়ে উঠছে কারণ AI দ্বারা জ্ঞান ক্রমবর্ধমান গণতন্ত্রীকরণ করা হচ্ছে। গভীর দক্ষতা থাকা আজকাল প্রায় বিরল।
আরেকটি বিকল্প হল নিম্ন-স্তরের অবস্থানে যাওয়া, যেমন একটি ব্যবসা বা ডেটা বিশ্লেষক ভূমিকা, যা জুনিয়র এবং এন্ট্রি-লেভেল পজিশনের জন্য বেশি উপযুক্ত, এবং তারপর ধীরে ধীরে একটি ফুল-টাইম ডেটা সায়েন্টিস্ট পজিশন পর্যন্ত আপনার পথে কাজ করা।
আপনার সেই জায়গাগুলিতেও ফোকাস করা উচিত যেগুলি এআই সত্যিই প্রতিস্থাপন করতে পারে না:
- বিভিন্ন দর্শকদের সাথে কার্যকরভাবে যোগাযোগ করা
- আপনার কাজের ব্যবসায়িক প্রভাব বোঝা
- সমালোচনামূলক চিন্তাভাবনা এবং কোন সমস্যাটি সমাধান করতে হবে তা জানা
- গণিত এবং পরিসংখ্যানে শক্তিশালী মৌলিক বিষয়
- সম্পর্ক এবং নেটওয়ার্ক
এগুলি নিরবধি দক্ষতা, বিশেষ করে টার্মিনাল দক্ষতা।
আপনি নিশ্চয়ই এই কথাটি শুনেছেন:
এটা আপনি কি জানেন না, এটা আপনি যারা জানেন
আমি সত্যিই এই সঙ্গে একমত না.
আসল শক্তি ভিতরেই নিহিত কে আপনাকে চেনে.
যদি আপনার একটি শক্ত নেটওয়ার্ক থাকে এবং এলাকার অনেক লোকের সাথে সম্পর্ক থাকে যারা আপনাকে মূল্য দেয় এবং আপনাকে বিশ্বাস করে, আপনি রেফারেল, সুযোগ পেতে বা এমনকি আপনার নেটওয়ার্ককে আরও প্রসারিত করতে এটির সুবিধা নিতে পারেন।
এটি যে লিভারেজ প্রদান করে তা অবিশ্বাস্য। আমি সর্বদা আমার কোচিং ক্লায়েন্টদের বলি যে রেফারেল এবং নেটওয়ার্কগুলি সত্যিই শীর্ষস্থানীয় ডেটা বিজ্ঞানের চাকরি পাওয়ার সোনার টিকিট।
এবং আপনি যাদের সাথে সংযোগ করতে চান তাদের সাথে কথা বলার জন্য এটি কেবল প্রচেষ্টা এবং নিজেকে আপনার কমফোর্ট জোনের বাইরে ঠেলে দেয়।
প্রযুক্তি আসবে এবং যাবে, কিন্তু সত্যিকারের মানবিক সম্পর্ক আপনার পুরো ক্যারিয়ারের কেন্দ্রে থাকবে।
সত্য হল যে একজন ডেটা সায়েন্টিস্ট হিসাবে আপনাকে প্রতি 3-5 বছরে নিজেকে নতুন করে আবিষ্কার করতে হবে, কারণ প্রযুক্তি খুব দ্রুত পরিবর্তিত হয়।
তাই আমি জিজ্ঞাসা করছি “ডেটা সায়েন্স কি মারা যাচ্ছে?” আমি বিন্দু মিস.
তথ্য বিজ্ঞান সর্বদা প্রযুক্তিগতভাবে মারা যাচ্ছে কারণ এটি ক্রমাগত বিকশিত এবং পরিবর্তিত হচ্ছে।
কিন্তু যে এটা উত্তেজনাপূর্ণ করে তোলে কি.
এবং আপনি যদি আপনার দক্ষতা বাড়াতে ইচ্ছুক হন এবং অন্যদের চেয়ে বেশি পরিশ্রম করেন তবে আপনাকে প্রচুর পুরস্কৃত করা হবে।
আপনি যদি এটি পড়ার পরে ডেটা সায়েন্সে প্রবেশ করতে প্রস্তুত হন তবে এটি একটি দুর্দান্ত প্রথম পদক্ষেপ।
কিন্তু বাস্তবতা এখানে: আমি পাঁচ বছর ধরে এই ক্ষেত্রে ছিলাম, এবং পিছনে ফিরে তাকালে, আমি আমার পুরো প্রথম বছর এমন কিছু করতে কাটিয়েছি যা ছিল সম্পূর্ণ সময়ের অপচয়। আজকের হাইপার-কম্পিটিটিভ মার্কেটে, আপনার কাছে ট্রায়াল এবং এররের বিলাসিতা নেই।
আমার ভুলগুলি এড়াতে এবং আপনার অগ্রগতি ত্বরান্বিত করতে, এই নির্দেশিকাটি দেখুন যেখানে আমি ব্যাখ্যা করব কিভাবে আমি আবার ডেটা সায়েন্টিস্ট হব।
আর একটা কথা!
আমার বিনামূল্যের নিউজলেটারে যোগ দিন যেখানে আমি একজন অনুশীলনকারী ডেটা বিজ্ঞানী এবং মেশিন লার্নিং ইঞ্জিনিয়ার হিসাবে আমার অভিজ্ঞতা থেকে সাপ্তাহিক টিপস, অন্তর্দৃষ্টি এবং পরামর্শ শেয়ার করি। এছাড়াও, একজন গ্রাহক হিসাবে, আপনি আমার পাবেনবিনামূল্যে জীবনবৃত্তান্ত টেমপ্লেট!
ডেটা ধ্বংস করা
ডেটা সায়েন্স বা মেশিন লার্নিংয়ে আপনার প্রথম চাকরি পেতে সাহায্য করার জন্য সাপ্তাহিক ইমেলnewsletter.egorhowell.com
