Data Scientist and Analytics Engineer还有前途吗?怎么转型
提问
有前途,但前提是离开“分析、建模、报表、实验”这类中间层执行位,往更接近模型和结果的位置走:设计系统、定义评估、对结果负责。
危险的不是岗位名,是可被压缩的执行动作
立正把 Data Scientist 归为中间层岗位:懂一点业务、操作一点数据、输出一点洞察、支撑一点决策,这些具体动作恰好是 AI 最擅长压缩的。他更早也讲过类似判断:机器学习真正的价值是工程问题,多数公司招数据科学家做 ML 未必比招 ML 工程师划算,而很多学数据科学的人还停在“学 DS 就该做模型”的想象里,没去补工程能力1。所以“有没有前途”要看你实际在做什么,而不是头衔叫什么。
转型方向是往结果和系统那一端靠
他给的方向不是原地补技能,而是主动走到更接近模型、也更接近结果的位置,AI engineer、AI PM、builder 之类名字不重要,重要的是负责设计系统怎么用 AI 把结果做出来:把模糊业务问题翻译成 AI 能消费的 context、设计 eval 和反馈回路、编排模型工具数据流程、判断什么该自动化什么该人工接管2。判断标准可以简化成一句:你是在设计系统,还是只在维护流程。他也提醒先拷问自己的工作是否真的创造了价值,DS 存在一种畸形繁荣,而真实世界里并不是越难的事越值钱3。
先动起来,别停在聊天框里
AI推演面对“程序员加 AI 效率更高”的焦虑,他的回应是承认这一点,但指出编程不是创造价值的唯一环节,商业和真实世界的复杂性里还有大量空间;他更强调决心先于方向,什么都不改变才是最冒险的选择4。他自己在 2023 年就判断不能再在 DS 这个岗位上继续做下去,于是离开大厂去 startup,选做 A/B 实验这类 AI 生产不出来的事,因为实验的意义在于证明你错了5。对 Analytics Engineer 这类更偏数据管道和指标定义的岗位,材料没有直接讨论,可迁移的判断是同一套:看你的产出是别人能直接拿去决策的结果,还是一段可被自动生成的中间产物。
材料主要讨论 Data Scientist,对 Analytics Engineer 没有直接论述,相关部分是类比推演。
回到5份原文
可回到原文核对这部分判断
最直接回答转型方向,列出设计系统所需的四项能力和“设计系统还是维护流程”的判断标准。
立正本人回应“DS 接下来怎么转型”,提出先拷问工作是否真正创造价值。
针对 DS 面对 AI 的具体建议:决心优先、编程不是唯一环节、别停在聊天框。
他本人转型的实例:离开大厂去 startup,选择 AI 生产不出来的 A/B 实验方向。