L'essor des grands modèles de langage rend difficile la prévision de la manière dont l'IA remodèlera le monde, et le marché de l'emploi évolue déjà. Plutôt que de dresser la liste des intitulés de postes en science des données, cet article examine ce qui a changé dans le domaine, pourquoi de nouveaux rôles émergent et comment les professionnels peuvent s'y préparer.
Avant l'ère des transformers, la science des données était globalement scindée en deux. Les data scientists étaient plus proches du côté produit, centrés sur la statistique, l'expérimentation, l'analyse de données et l'extraction d'informations, avec Python et SQL comme outils principaux. Les ingénieurs en machine learning travaillaient plus près du modèle lui-même, en prenant en charge les pipelines d'entraînement, l'optimisation, les réseaux de neurones, les performances et le déploiement, généralement avec des bibliothèques telles que TensorFlow et PyTorch. Les analystes de données et les ingénieurs data avaient des frontières plus nettes.
Le titre de scientifique appliqué, popularisé par des entreprises comme Amazon et Microsoft, occupait un entre-deux. Les scientifiques appliqués expérimentaient de nouveaux modèles et algorithmes, mais devaient aussi s'assurer que leur code pouvait fonctionner dans un système de production. Les frontières entre les rôles tenaient parce que le prototypage exigeait des semaines de codage, de tests et de débogage manuels, sans assistants de programmation pour aider.
Tout a basculé avec l'article de Google de 2017, « Attention Is All You Need », qui a introduit l'architecture transformer sur laquelle reposent les LLM comme GPT. Le domaine a commencé à y prêter une attention sérieuse après GPT-3, mais GPT-4 a été le véritable tournant, les entreprises ayant commencé à repenser la façon dont les modèles sont construits et déployés. C'est ce changement qui a fait émerger les nouveaux rôles examinés dans la suite de l'article.
Source: Towards Data Science · Résumé par HeadlinesBriefing