A publicação de empregos “cientista de dados” está desaparecendo silenciosamente das páginas de carreira corporativa. Em seu lugar, você encontrará um título que não existia há três anos: Genai Knowledge Scientist. Uma pesquisa nos trabalhos do LinkedIn, a partir de hoje, retorna cerca de 18.000 funções abertas que exigem explicitamente “ajuste fino”, “avaliação rápida” ou “geração de dados sintéticos”, como uma das habilidades para o cargo. As publicações de emprego relacionadas à IA cresceram a uma taxa média anual de quase 29% no último 15 anosque supera a taxa de crescimento anual de 11% das publicações de emprego na economia em geral. A mensagem é franca: os empregadores ainda precisam de pessoas que possam extrair informações dos dados, mas esperam que essas pessoas façam isso com os modelos de fundação, não apenas a regressão logística.
Isso desafia o tradicional package de ferramentas de ciência de dados e carreira. O restante deste artigo se concentra nas novas habilidades, fluxos de trabalho e estruturas de equipe que você pode adotar para prosperar na period Genai.
O artigo foi inspirado em uma palestra sobre o assunto RIP, cientistas de dados por Anand sem DHS 2025.
Não é mais o MC!
Ninguém realmente colocou os cientistas de dados para descansar; Eles simplesmente pararam de ser o personagem principal.
Os painéis que uma vez heroicamente implantamos agora respondem a si mesmos. Executivos que costumavam implorar por previsões agora estão solicitando Chatgpt Para “cenários de receita de três anos no estilo da McKinsey”. O romance do pocket book Jupyter se foi – substituído por uma guia do navegador que escreve o caderno para você.
Você pode estar pensando: o que aconteceria com a carga de trabalho tradicionalmente associada aos cientistas de dados? Os cientistas de dados basicamente trabalham com dados dessa maneira:
- Discover
- Limpe
- Modelá -lo
- Explique isso
- Implantá -lo
- Anonimize isso.
Mas isso é do passado agora. Os recrutadores não perguntam mais “Você pode construir uma floresta aleatória?”. Em vez disso, eles perguntam:
- “Como você impede um LLM de alucinar cotações de preços na frente de um cliente?”
- “Que métrica de proteção você monitora após cada ajuste?”
- “Mostre -me o cartão de modelo que convenceu a Authorized a ser enviado.”
Uma análise de 2025 de 1.200 currículos contratados mostra os itens de linha obrigatórios para um papel de “cientista de dados da genai”:
Habilidade técnica | % de ofertas que mencionam isso |
|---|---|
| Estruturas prontas de engenharia / avaliação | 97 % |
| LLM Tuneamento fino (Lora, Qlora) | 91 % |
| Geração de recuperação usededed (RAG) | 89 % |
| Geração de dados sintéticos para problemas de pequenos dados | 72 % |
| Rigor estatístico (inferência causal, quantificação de incerteza) | 68 % (ainda vivo) |
| MLOPS (CI/CD para modelos) | 65 % |
Observe o que está ausente: Medalhas de Kaggle, painéis de quadro, credenciais de pesquisa puras. Observe o que é retido: estatísticas, porque alguém ainda precisa provar que o novo oleoduto supera o antigo.
Dados de salário e contratação
Lightcast’s Relatório de agosto de 2025 Para nós, os papéis têm o seguinte:
Título | Salário -base mediano | Crescimento Yoy nas postagens |
|---|---|---|
| Cientista de dados (genérico) | US $ 125k | –28% |
| Cientista de dados generativo-AI | US $ 155k | +310% |
| Cientista de dados do produto LLM | US $ 165k | +260% |
Há um papo claro para papéis orientados a IA sobre o cientista básico de dados. As empresas pagam o prêmio porque o custo de erguer sistemas generativos é público e imediato: multas regulatórias (Lei da AI da UE), dano da marca (Chatbot da companhia aérea que distribui descontos) ou as contas de computação que escalam com cada immediate mal formulado.
1. Semana 1-2: Termine um curso curto e credenciado
2. Semana 3-6: Construir um mini produto
- Escolha um problema de negócios que sua empresa atual já possui (sobrecarga de perguntas frequentes, geração de relatórios, and so forth.).
- Enviar um pipeline RAG + guardrails; Registre métricas de uso actual (latência, precisão da resposta, consumer thumbs-up).
- Hospede a demonstração em abraçar espaços de rosto. Isso ocorre porque os recrutadores preferem hyperlinks, não PDFs.
3. Semana 7-12: Publique os artefatos
- Escreva um cartão de modelo de uma página (conjunto de dados, limitações, avaliação de viés).
- Código aberto o arnês de avaliação imediata; Obtenha duas estrelas do Github, se nada mais.
- Adicione uma bala ao seu currículo com impacto quantificado: “Quantity de ingresso de suporte reduzido 18%; o modelo é executado <500 ms @ USD 0,002 por consulta".
A reforma do currículo
Manchete antiga: “Cientista de dados | Python, R, Scikit-Be taught, Tableau”
Nova manchete: “Eu transformo perguntas em produtos, produtos em insights e insights sobre histórias que as pessoas acreditam.”
Os pontos de bala encolhem; O portfólio explode com demos interativos, cartões de dados sintéticos e cartões de modelos que lêem como romances gráficos. Os recrutadores não pedem sua classificação Kaggle; Eles pedem seu aviso mais engraçado que ainda passa no filtro de segurança.
Conclusão
O trabalho de ciência de dados não está morrendo; O guarda -chuva está diminuindo, enquanto um novo, a Genai Knowledge Science, está se abrindo ao lado, oferecendo salários mais altos, crescimento mais rápido e expectativas de produção mais claras. A engenharia estatística Rigor Plus é o conjunto de habilidades híbridas que comanda um prêmio salarial de 20 a 30 % hoje e provavelmente será apostas na tabela amanhã. Retool uma vez e você à prova de futuro na próxima década.
Perguntas frequentes
R. Ele está sendo substituído por “Genai Knowledge Scientist”, um papel focado no ajuste fino do LLM, na avaliação imediata e nos dados sintéticos-as habilidades raramente mencionadas em publicações de 2022.
A. Engenharia Immediate (97%), LLM Tunção fina (91%), RAG (89%), geração de dados sintéticos (72%), estatísticas (68%) e MLOPs (65%).
R. Nos EUA, os cientistas genéricos de dados ganham ~ US $ 125 mil (queda de 28%), enquanto os cientistas generativos de dados da AI ganham ~ US $ 155k e os cientistas de dados de produtos LLM ~ US $ 165 mil, ambos com> 250% de crescimento.
A. Faça um curto curso de IA, envie um mini produto de trapo com o GuardRails e publique artefatos como cartões de modelo e ferramentas de código aberto para demonstrar impacto no mundo actual.
A. O rigor estatístico – inferência da causa, quantificação da incerteza – permanece essencial para provar que novos pipelines generativos realmente superam os métodos mais antigos.
Eu me especializo em revisar e refinar pesquisas orientadas pela IA, documentação técnica e conteúdo relacionado às tecnologias de IA emergentes. Minha experiência abrange treinamento de modelos de IA, análise de dados e recuperação de informações, permitindo -me criar conteúdo tecnicamente preciso e acessível.
Faça login para continuar lendo e desfrutar de conteúdo com curado especialista.