Miert kernek (vagy legalabbis szeretnenek kerni) oly gyakran adatkutato poziciokhoz PhD vegzettsgete miközben sok szakember anelkül is tudja csinalani?

R&D munkákhoz gyakran kell. Azért aki egy PhD-t megcsinál, az már letett az asztalra egy olyan újdonságot, szellemi terméket ami bizonyítja, hogy magasabb szinten átlátja a dolgokat, mint egy graduate szakember.

Persze vannak kivételek, ismerek olyat is, aki érettségi után elment egy R&D céghez, és olyan szintű tudást és kreativitást rakott össze, hogy bárhová elmehetne a világon a témában.

Ilyenkor nem is kell foglalkozni az állásinterjú követelményeivel, mert a CV magáért beszél. Vannak olyan pozik, ahol visszafelé igaz... nem követelmény, de akik ott dolgoznak doktoráltak, mert sima ügy volt.

PhD nem nehéz, ha egy cégnél csinálod és a munkád ugyan az, két fizetést kapsz, alatta és utána jó pályázati lehetőségeid vannak. Nyugaton elég magas általában a PhD ösztöndíj, hogy megérje. Alig kevesebb a kezdő iparinál. (6-700 nettó HUF)

Mert 10x annyit fizet? :D

Term.tud kutatásban lehetetlen boldogulni PhD nélkül, ott az kb a jogosítvány.

Viszont utána sokan mennek iparba, mert sokkal jobban fizet, és pont a kutatás alatt sokak felszenek olyan extra tudást és látásmódot, amivel adott esetben jobb data scientistek lehetnek, mint egy alapképzést elvégzett szakmeber.

PhD-n sokan lesznek multidiszciplináris szakemberek. Elég erősen bele kell menni a kép-jelfeldolgozásba, hatalmas adatbázisok és adattömbök feldolgozásába. Sokan beletanulnak a mesterséges neurhálók és gépi tanulás tudományába is.

Ez inkább az oka...

Mi az info-bionika MSc-n végeztünk, és szerintem 90%-ban akik biológiával, idegtudománnyal, kvantummechanikával/kémiával foglalkoznak, azok alkalmasak data scientistnek. Hála az erős matek és programozás alapoknak.

Kutatás is egyre inkább ebbe az irányba megy el. Főleg a neurobiológia.

A kísérleteket bárki el tudja végezni, aki gyakorlatot szerez, de a sok TB adatot már nem lehet kézzel elemezgetni, Excel táblázatokkal.

Úgyhogy az összes kutatócsoport jelentős számban alkalmaz ilyen határterületekről érkező programozókat, kép és jelfeldolgozással, gépi tanulással foglalkozó kutatókat.

A mi csoportunkba már sima biológust nem is vesznek fel, csak külföldről hazatérő tapasztalt senior postdoc-okat. Biológus állás nincs is, programozóból meg elférne 5 szaldolgozó és 3 főállás legalább.

Ezzel nem leszólva amúgy a többi klasszikus term.tud képzést, csak azt mondom, hogy a kutatás erősen ebbe az irányba megy el, hiszen mindenhol óriási mennyiségű adat keletkezik, főleg ha in vivo mikroszkópia, vagy fMRI, és egyéb adatok keletkeznek.

Vannak ma már adatgyárak gyakorlatilag. Van 10 mikroscope setup, és a munkások beteszik az egeret, lemérik, és megy a következő pipeline-ra az adat. Éjjel nappal mennek a setupok.

Sőt van már robot alom is. Ez zseniális...

Az állatokat egy automatikus smart alomban tartják, egyedi ID-kel. Egy kocsi kiválasztja a ketrecet, leemeli és betölti a mikroszkópba. Az állat fejbefogóját beszívja egy mechanikai rendszer a mikroszkópba, és automatikusan leméri.

Aztán megy vissza az állat a polcra és jön a következő. Ezerszeres elemszámot el lehet érni 24/7.

Ez már tényleg egy adatgyár :)

Két dologgal egészíteném ki az eddig elhangzottakat:

1, a data science-hez legközelebb álló "hagyományos" terület a kutatásmódszertan, amit eddig is csak PhD oktattak használható színvonalon. Az egy fél év mat. stat. nagyon kevés ehhez.

2, Azt elhiszem, hogy egy szakterületen kívüli programozó képes leprogramozni bármilyen algoritmust, de azt sose fogja megmondani hogy melyiket kell éppen leprogramozni, mert nem érti, amiről az adatok szólnak.

Ez egyébként nagyon érdekes, de tényleg így van.

Közeli munkakapcsolatban vagyok sok programozóval, és gyakran nem értik mit kódolnak. Azt sem értik mik az igényei egy kutatóbiológusnak. Hiába működik baromi jól az a szoftver, adott célra ha már a fejlesztésnél félrement a dolog.

Data science-nél is így van, ott nagyon kell érteni mit csinálsz és mi az adat.

Egyébként minden programozónak jót tesz a terepmunka. Ha pl fMRI-fe fejlesztesz, vagy elektróda jelfeldolgozol, esetleg képalkotásból származó sok TB adatot dolgozol fel, akkor muszáj egyszerűen belefolyni a kutatásba is. Ez vonatkozik a vezérlőszoftverekre is... Le kell ülni a műszer elé és belelátni a folyamatba userként.

Szerintem ezért hasznosak a PhD-sek, akik már dolgoztak "terepen is" és nem riadnak vissza egy széttrancsírozott agytól mondjuk :)