Der Aufstieg großer Sprachmodelle macht es schwer vorherzusagen, wie KI die Welt umgestalten wird, und der Arbeitsmarkt verändert sich bereits. Anstatt Berufsbezeichnungen aus dem Data-Science-Bereich aufzulisten, untersucht dieser Beitrag, was sich im Fachgebiet verändert hat, warum neue Rollen entstehen und wie sich Fachleute darauf vorbereiten können.
Vor der Ära der Transformer war Data Science im Wesentlichen zweigeteilt. Data Scientists arbeiteten näher an der Produktseite und konzentrierten sich auf Statistik, Experimente, Datenanalyse und die Gewinnung von Erkenntnissen, wobei Python und SQL die Kernwerkzeuge waren. Machine-Learning-Ingenieure arbeiteten näher am Modell selbst und kümmerten sich um Trainingspipelines, Optimierung, neuronale Netze, Leistung und Deployment, meist mit Bibliotheken wie TensorFlow und PyTorch. Data Analysts und Data Engineers hatten klarere Abgrenzungen.
Die Bezeichnung Applied Scientist, populär gemacht durch Unternehmen wie Amazon und Microsoft, füllte eine Mittelposition aus. Applied Scientists experimentierten mit neuen Modellen und Algorithmen, mussten aber auch sicherstellen, dass ihr Code in einem Produktivsystem funktionieren kann. Die Grenzen zwischen den Rollen blieben bestehen, weil Prototyping wochenlange manuelle Programmierung, Tests und Fehlersuche erforderte, ohne Coding-Assistenten als Unterstützung.
Alles änderte sich mit dem Google-Paper "Attention Is All You Need" aus dem Jahr 2017, das die Transformer-Architektur einführte, auf der LLMs wie GPT basieren. Das Feld begann nach GPT-3 ernsthaft aufmerksam zu werden, doch GPT-4 war der eigentliche Wendepunkt, da Unternehmen begannen, zu überdenken, wie Modelle gebaut und eingesetzt werden. Genau dieser Wandel brachte die neueren Rollen hervor, die im weiteren Verlauf des Artikels betrachtet werden.
Quelle: Towards Data Science · Zusammengefasst von HeadlinesBriefing