De oplossing voor het data scientisttekort

Elk bedrijf in elke sector moet AI en machine learning toepassen om bij te blijven met het ontwikkelen van nieuwe producten en diensten. Machine learning-technieken en algoritmes zijn een essentieel onderdeel van elke softwarestack, omdat op basis van data gedrag voorspeld kan worden, bedrijfsprocessen worden gestroomlijnd en ervaringen worden gepersonaliseerd.

Een snelle implementatie van machine learning kent echter drie belangrijke obstakels. Door een gebrek aan dataprofessionals halen bedrijven onvoldoende voordeel uit machine learning-strategieën. In de jaren ‘90 was er een vergelijkbaar probleem. Toen waren er te weinig specialisten om te profiteren van de opkomst van het internet. Dat probleem treedt nu weer op; de afgelopen jaren is het aantal vacatures op het gebied van AI met 207% toegenomen, terwijl er maar een beperkt aantal data scientists op de markt te vinden is.

Geautomatiseerde toegang tot data is het volgende obstakel. Soms is de benodigde data namelijk nog niet eens verzameld. Geautomatiseerde toegang is noodzakelijk in de zowel de ontwikkelings- als de productiefase van machine learning, omdat machine learning-modellen moeten worden getraind om zich aan te kunnen passen aan veranderende activiteiten.

Het laatste obstakel is de mogelijkheid om modellen in productie te brengen. Data scientists werken nu tamelijk geïsoleerd aan datamodellen. Ze verwerken grote hoeveelheden data, testen verschillende algoritmes en stellen algoritmes zo af dat machine learning toegepast kan worden in verschillende use cases. Vervolgens moet het ontwikkelteam deze modellen produceren, maar hiervoor hebben ze wel de juiste technologieën nodig.

Hoe kunnen deze obstakels worden verholpen? Universiteiten pakken de skills gap aan door meer AI- en machine learning-cursussen aan te bieden als onderdeel van de opleiding computerwetenschap. Hiervoor zijn er wel gekwalificeerde docenten nodig, maar zij worden gerekruteerd door technologiebedrijven, wat bijdraagt aan het tekort.

Hernieuwde samenwerking

Om dit te veranderen moeten bedrijven iets terugdoen voor de academische wereld, bijvoorbeeld door hun experts aan te moedigen om lessen te geven op de universiteit. Een samenwerking met een universiteit biedt ook de mogelijkheid om jong talent te werven en hen praktische ervaringen te bieden voordat ze het werkveld betreden. Zelf doen wij dit in samenwerking met de Universiteit van San Francisco; inmiddels bestaat een derde van onze engineersgroep uit oud-studenten van deze universiteit.

Daarnaast verbreden andere beroepsgroepen, zoals bedrijfsanalisten en data-engineers, hun kennis van data en machine learning. Dankzij hun ervaringen op het gebied van datasets en software, zijn ze al flink op weg om machine learning onder de knie te krijgen. Toch doen bedrijven er goed aan om te investeren in specialistische cursussen om ze volledig voor te bereiden op een datagedreven werkplek.

Nieuwe technologie

Het ontwikkelen van talent is echter niet de enige manier om obstakels te overwinnen. Bedrijven kunnen ook investeren in machine learning en AI-technologieën om de skills gap te overwinnen. Grote organisaties hebben geïnvesteerd in machine learning-infrastructuren, maar veel kleinere bedrijven kunnen zich dit niet veroorloven. Veel bedrijven implementeren software die samenvattingen en interfaces genereren, zodat er minder code nodig is voor het trainen, testen en inzetten van machine learning-modellen.

Toekomstige werknemers profiteren van een combinatie van academische educatie en nieuwe technologieën, waardoor het eenvoudiger wordt om machine learning te ontwikkelen en te gebruiken. Het bedrijfsleven kan helpen met het bieden van praktische mogelijkheden voor studenten en het leveren van gastdocenten. De verbeteringen aan data science-platformen zullen de machine learning initiatieven versnellen.