Data Science, Machine Learning i AI

Zobacz, jak wygląda praca specjalistów z modnej działki Data Science. Sprawdź, jakie są ich średnie zarobki. Dowiedz się, jakich technologii używają w codzinnej pracy.

Raport Społeczności IT 2024 Hero Image

Profil badanych

Podspecjalizacje
Data Science
55.2%
ML Engineer
23.8%
AI Engineer
19.0%
Prompt Engineer
1.9%

Komentarz

W branży data science, gdzie dominuje główny nurt, na uwagę zasługują rozwijające się nisze: AI Engineering i Prompt Engineering, które są bezpośrednio napędzane przez postępy w generatywnej sztucznej inteligencji (Gen.AI). Wzrost zainteresowania AI Engineering, osiągającym 19%, oraz pojawienie się Prompt Engineering, choć na razie z wynikiem 1,9%, podkreśla rosnące zapotrzebowanie na ekspertów w dziedzinie Gen.AI. Dynamika ta koreluje z popularyzacją zaawansowanych modeli językowych i technologii AI, które stają się bardziej dostępne i zintegrowane z codziennymi aplikacjami. Inżynierowie ML z wynikiem 23,8% pozostają fundamentem, umożliwiając rozwój i integrację tych innowacji. Ta dywersyfikacja w data science nie tylko wskazuje na ewolucję w zakresie umiejętności i kompetencji, ale także na potrzebę głębszej specjalizacji w odpowiedzi na wyzwania związane z rosnącą złożonością danych i oczekiwaniami rynku.

Karol Tajduś
Data&AI Director
Accenture
Płeć
Mężczyzna
Kobieta
Niebinarna
Mężczyzna: 73.3% 73.3% Kobieta: 25.7% 25.7% Niebinarna: 1.0% 1.0%
Wiek
18 - 24 lata
24.8%
25 - 29 lat
45.7%
30 - 34 lata
18.1%
35 - 39 lat
8.6%
40+ lat
2.9%
Wykształcenie
Studia II stopnia (magister, magister inżynier)
52.4%
Studia I stopnia (licencjat, inżynier)
16.2%
Jestem w trakcie studiów
14.3%
Studia doktoranckie
10.5%
Wielkość firmy
Mała firma (do 50)
26.9%
Średnia firma (51-500)
16.1%
Duża firma (501-5 000)
14.0%
Bardzo duża firma (więcej niż 5 000)
43.0%
Poziom doświadczenia
Stażysta/ka
2.9%
Junior
23.8%
Mid / Regular
48.6%
Senior
16.2%
Tech Lead / Team Lead
6.7%
Mid-level Manager
1.0%
Director / C-level
1.0%
Poziom doświadczenia a doświadczenie w latach
Senior
6.3 lat
Mid / Regular
3.5 lat
Junior
1.7 lat

Technologie

Jakich języków programowania używasz w swojej pracy?
Również języki skryptowe, znaczników i zapytań
Python
95.2%
SQL
51.0%
R
17.3%
Głównie używane techniki
Możliwość wybrania wielu odpowiedzi
Machine Learning
83.7%
Analiza statystyczna
67.3%
Uczenie nadzorowane
66.3%
Deep Learning
53.8%
Uczenie nienadzorowane
47.1%
NLP
44.2%
Fine-tuning LLM
35.6%
Uczenie transferowe
28.8%

Komentarz

Porównując ostatni raport z tym z roku obecnego widać, że Machine Learning (ML) stał się czymś więcej niż tylko technologią – to teraz podstawa innowacji w firmach, z przytupem potwierdzając swoje miejsce na rynku z imponującymi 83.7% adopcji. To jakby ML wszedł do głównego nurtu biznesowego, stając się stałym punktem w planach rozwoju.

Zeszłoroczne dane pokazywały mocniejsze przywiązanie do tradycyjnych technik jak Analiza Statystyczna i Uczenie Nadzorowane. Tymczasem Deep Learning nabrał rozpędu i teraz jest używany w coraz trudniejszych zadaniach danych – jest to trochę jak upgrade w świecie AI.

Co ciekawe, te wielkie oczekiwania na NLP, które były hitem w zeszłym roku, jakoś nie do końca się spełniły, ale zamiast tego wkraczają na scenę nowe, bardziej wyspecjalizowane metody jak Fine-tuning LLM i Uczenie Transferowe. Szczególnie to drugie teraz wychodzi na światło dzienne jako swoista metoda na przenoszenie doświadczeń między różnymi typami zadań.

W skrócie, data science zmierza w kierunku bardziej skrojonych na miarę technik. To pokazuje, jak branża potrafi się przystosować i ewoluować, by sprostać nowym wyzwaniom technologicznym i biznesowym, co daje nam przedsmak tego, jak może się zmieniać w najbliższych latach.

Karol Tajduś
Data&AI Director
Accenture
Głównie używane narzędzia
Możliwość wybrania wielu odpowiedzi
Pandas
87.5%
Jupyter Netebook
79.8%
Scikit-learn
69.2%
PyTorch
50.0%
Excel
49.0%
Tensorflow
35.6%
Keras
29.8%
Torch
27.9%
Inne
17.3%

Komentarz

Praca z danymi w myśl zasady Pareto to przeznaczenie 80% czasu na przeglądanie, czyszczenie i analizowanie danych. Najczęściej do analizy danych używany jest Python, zatem nic dziwnego, że w czołówce mamy Pandas, Jupyter Netebook oraz pakiet SciKit Learn. To trzy podstawowe (i często wystarczające) elementy do przygotowania nawet złożonych analiz czy modeli ML.

Excela używa prawie połowa ankietowanych, gdyż jak wiadomo, Excel jest królem korporacji i tabelek. Jego plusem jest to, że wiele rzeczy można w nim zrobić na szybko, bez pisania nawet linijki kodu.

Łukasz Prokulski
Analityk biznesowy IT i danych (Dane i Analizy)

Zarobki

AVG
MEDIAN
Zarobki a typ stanowiska - średnia
ML Engineer
12 427 PLN
Data Science
8 554 PLN
Data Science
21 138 PLN
AVG
MEDIAN
Zarobki a typ stanowiska - mediana
ML Engineer
9 100 PLN
Data Science
7 800 PLN
Data Science
23 000 PLN

Już czas na zmianę pracy? Zobacz oferty w kategori:

AVG
MEDIAN
Zarobki a doświadczenie - średnia
Mid / Regular
9 350 PLN
Junior
6 435 PLN
Mid / Regular
17 141 PLN
AVG
MEDIAN
Zarobki a doświadczenie - mediana
Mid / Regular
9 500 PLN
Junior
6 200 PLN
Mid / Regular
16 000 PLN
Patronat honorowy
Partnerzy merytoryczni
Partnerzy badania
Partnerzy community