- Ringkasan AMA dari seorang Staff Data Scientist di perusahaan teknologi besar yang berbasis di Silicon Valley, AS, di kanal Reddit DataScience
- Lulusan PhD statistika, dengan pengalaman sekitar 10 tahun di perusahaan berbagai skala seperti startup, unicorn pra-IPO, hingga FAANG
- Sebagian besar bekerja sebagai IC (Individual Contributor), tetapi juga punya sedikit pengalaman manajerial
- Kekuatan utamanya ada pada machine learning, eksperimen/inferensi kausal, dan analisis data
Ringkasan pertanyaan dan jawaban utama
Nilai gelar PhD (doktor)?
- Gelar PhD membantu saat masuk kerja pertama atau di awal karier, tetapi pengaruhnya makin berkurang seiring perjalanan karier
- Industri, khususnya Silicon Valley, berfokus pada kecepatan dan nilai bisnis; kepraktisan lebih dihargai daripada ketelitian akademik
- Jika harus memilih lagi, ia kemungkinan tidak akan menginvestasikan lebih dari 5 tahun untuk PhD. Tren industri dan perkembangan AI terlalu cepat
- Posisi riset AI memang memerlukan PhD, tetapi untuk peran DS/ML yang berfokus pada produk, MS/BS juga sudah cukup
Karier dan pengembangan pengalaman
- Untuk naik dari IC ke level Senior atau lebih tinggi, perlu memberi dampak di luar tim dan berkontribusi pada strategi/organisasi
- Membangun kepercayaan, memimpin proyek lintas fungsi, dan membina hubungan dengan eksekutif/manajer itu penting
- Untuk sukses di startup: dibutuhkan profil serbabisa yang mampu menangani beragam peran (ML end-to-end/pipeline data/analisis) serta punya antusiasme terhadap bisnis
- Di awal karier, kemampuan teknis lebih penting; di pertengahan hingga akhir karier, pengetahuan domain serta komunikasi dan kepemimpinan menjadi semakin penting
Masa depan data scientist dan AI
- AI akan cepat menggantikan pekerjaan yang sederhana/berulang, tetapi data scientist dengan kemampuan inti yang kuat justru akan makin menonjol
- Setelah adopsi Generative AI, cara kerja (coding, penulisan dokumen, dll.) memang berubah, tetapi peran inti seperti analisis dan pemodelan tetap relevan
- Ke depan AI bisa mengambil porsi lebih banyak, tetapi pemecahan masalah kompleks, interpretasi domain, dan kemampuan komunikasi tetap menjadi standar talenta
Praktik kerja dan budaya organisasi
- Pentingnya inferensi kausal/eksperimen (AB Test) berbeda-beda tergantung domain. Di lingkungan yang tidak memungkinkan eksperimen, kemampuan inferensi kausal berbasis data observasional menjadi wajib
- Saat berkomunikasi dengan bisnis/pimpinan: fokuslah menjelaskan “mengapa, apa yang akan dilakukan”, dan dampaknya, bukan detail teknis
- Jika budaya organisasi tidak menghargai inferensi kausal atau kualitas data, akan ada batasan dalam komunikasi dan perubahan. Perlu mempertimbangkan pindah kerja atau pindah tim
- Jika manajer tidak menyadari masalah, bangun kepercayaan, ajukan solusi, dan bila perlu pertimbangkan perpindahan internal atau resign
Pengembangan kemampuan dan saran karier
- Pada tahap awal karier, pengalaman internship/portofolio/proyek sangat penting. Kemampuan teknis (coding, ML, dll.) adalah ekspektasi minimum
- Pengetahuan domain, komunikasi, dan kemampuan memecahkan masalah akan menjadi pembeda yang makin penting di era AI dan otomasi
- Dibanding gelar atau sertifikat, proyek nyata dan pengalaman praktis lebih diprioritaskan
- Perekrutan di industri menekankan ‘pengalaman’. Disarankan mengumpulkan pengalaman lewat internship, consulting, dan berbagai proyek
Insight lainnya
- Tanda startup akan gagal: moral menurun, talenta inti keluar, metrik utama memburuk, dll.
- Kemampuan berpolitik: fokus pada proyek yang selaras dengan strategi organisasi dan bangun relasi yang berpengaruh
- Gaji tinggi/tunjangan: kompensasi untuk posisi senior di big tech seperti Netflix di atas $750k cukup realistis (termasuk saham)
- Kepuasan karier: selain skala data, pekerjaan di big tech terasa biasa saja, sehingga ia sedang mencari side job demi pertumbuhan dan kesenangan
Belum ada komentar.