Data Science: Αναμένεται Έκρηξη Απασχόλησης

Για πολλά χρόνια τα δεδομένα έπρεπε να δακτυλογραφηθούν για περαιτέρω επεξεργασία από υπολογιστές. Αυτή η εισαγωγή δεδομένων (data entry) ήταν χρονοβόρα και είχε μεγάλο κόστος. Τώρα, επειδή όλη η οικονομία και μεγάλο μέρος της κοινωνικής μας ζωής συνδέεται κατευθείαν με ηλεκτρονικά δεδομένα, ουσιαστικά δεν χρειάζεται η είσοδος δεδομένων. Υπάρχουν ήδη μέσα στους υπολογιστές, έτοιμα για επεξεργασία. 

Επίσης η διασύνδεση των υπολογιστών μέσω ίντερνετ και η παρουσία υπηρεσιών τύπου Cloud επιτρέπουν την εύκολη πρόσβαση και ανάλυση των δεδομένων. Αυτές οι αλλαγές, καθώς και η εξαιρετικά φθηνή τιμή υπολογιστικής ταχύτητας, δίνουν την ευκαιρία για εύστοχες και πολύτιμες αναλύσεις αυτών των μεγάλων (και πολλαπλών) δεδομένων (Big Data). Ήδη τα Big Data θεωρούνται το ουσιαστικότερο πλεονέκτημα και περιουσιακό στοιχείο μιας επιχείρησης η οργανισμού. 

ΔΕΙΤΕ ΕΔΩ ΟΛΑ ΤΑ ΔΕΔΟΜΕΝΑ ΓΙΑ ΕΠΑΓΓΕΛΜΑΤΙΕΣ ΠΛΗΡΟΦΟΡΙΚΗΣ

Η διασύνδεση όλων των συσκευών μέσω ίντερνετ (Internet of things) θα δώσει μια μεγαλύτερη ώθηση σε αυτό το φαινόμενο με πολύ περισσότερα δεδομένα και μεγαλύτερη σημασία στην ανάλυσή τους. Για παράδειγμα, ένα αυτόνομο αυτοκίνητο θα παίρνει από το περιβάλλον του άπειρα δεδομένα, που θα πρέπει να αναλύσει σε χρόνο μηδέν, για να οδηγηθεί σωστά. Όλες αυτές οι αλλαγές χρειάζονται επαγγελματίες που να ξέρουν τους υπολογιστές, τα δίκτυα και τα μαθηματικά μοντέλα, για να μπορούν να σχεδιάζουν αλγόριθμους και να τους προγραμματίζουν για τις αναλύσεις. Γνώσεις τεχνητής νοημοσύνης και machine learning είναι απαραίτητες σαν εργαλεία γι’ αυτές τις αναλύσεις. Αυτή τη στιγμή υπάρχει τεράστια έλλειψη ειδικών σε αυτό το πεδίο (Data Science), ενώ αναμένεται μια έκρηξη απασχόλησης στον συγκεκριμένο τομέα, όταν όλοι οι οργανισμοί, ιδιωτικοί και δημόσιοι, καταλάβουν την αξία των μεγάλων δεδομένων τους.

Σε πολλά πανεπιστήμια υπάρχουν ήδη προγράμματα Data Science και ακόμη περισσότερα προγραμματίζουν προπτυχιακά και μεταπτυχιακά ειδικότητες σε αυτόν τον τομέα. Εφόσον στην Ελλάδα δεν υπάρχουν ανεπτυγμένοι τέτοιοι τομείς, πρέπει να συνδυαστούν υπάρχοντα τμήματα με γνώσεις που θα προέρχονται εκτός ύλης από άλλα τμήματα. Αν δεν γίνεται, λόγω απουσίας ευελιξίας, με επιλογή μαθημάτων από τα δημόσια ιδρύματα, τότε μπορεί να γίνει ακόμη και χωρίς Credit από άλλα ιδρύματα, ιδιωτικά ή δημόσια. Προτείνουμε δύο επιλογές:

1. Πρόγραμμα Επιστήμης Υπολογιστών με έμφαση σε Βάσεις Δεδομένων και Τεχνητή Νοημοσύνη. 

Δεν παίζει ιδιαίτερο ρόλο αν θα είναι ανεξάρτητο ή μέρος ενός τμήματος Ηλεκτρολόγων Μηχανικών ή Οικονομικών Επιστημών. Σε αυτό θα πρέπει οπωσδήποτε να προστεθούν γνώσεις σοβαρές από μερικά μαθήματα Στατιστικής.

2. Πρόγραμμα Μαθηματικών με έμφαση σε Στατιστική και Measure Theory. Σε αυτό θα πρέπει να προστεθούν μαθήματα Προγραμματισμού Υπολογιστών, Αλγόριθμοι, Βάσεις Δεδομένων και Τεχνητή Νοημοσύνη.

Το πιο σημαντικό για τον φοιτητή που στοχεύει σε Data Science είναι να παρακολουθεί διαρκώς το πεδίο όπως εξελίσσεται και να προσπαθεί συνέχεια να αποκτήσει εμπειρίες στο πεδίο. Σχεδόν όλοι οι Data Scientists που εργάζονται τώρα ήλθαν από διαφορετικές ειδικότητες και μόνοι τους χρειάστηκε να καλύψουν ό,τι δεν ήξεραν. Αυτή η κουλτούρα του self learning είναι απαραίτητη για ένα σύγχρονο και γρήγορα εξελισσόμενο επάγγελμα.