Почему ML это сексиест направление

Последние несколько лет активно обсуждается вопрос, насколько сложно найти работу в различных направлениях IT, особенно на фоне волатильности рынка труда и стремительно меняющихся требований к кандидатам. В интернете полно отчетов и аналитических индексов, призванных оценить ситуацию, однако методология большинства таких исследований вызывает массу вопросов.

Кто-то считает количество открытых вакансий, игнорируя, что вакансии джуниоров зачастую просматривают сотни человек в день и получают тысячи откликов. Кто-то рассчитывает средние зарплаты по вакансиям, хотя эти данные указываются редко и зачастую занижены. Другие сопоставляют число открытых резюме и вакансий, не учитывая, что многие IT-специалисты всегда находятся в статусе «open-to-work», независимо от реального намерения менять работу, а в некоторых областях на одну вакансию часто приходится сразу несколько ставок.

Поэтому я решил отказаться от подобных «оффлайн-метрик» и подойти максимально просто и прозрачно: проверить сложность поиска работы экспериментально, «на собственной шкуре». Для этого я создал 25 фейковых резюме на hh.ru в пяти популярных направлениях (Java, Go, React, Data Science и ML/NLP) и отправил сотни откликов на реальные вакансии.

Всем резюме сделал максимально плохие и ни о чем не говорящие описания (в целом как делают почти джуны), чтобы не было эффекта, что в областях, где я шарю, конверсия завышена из-за хорошего резюме.

С каждого из этих аккаунтов я откликнулся на 100% вакансий по соотвествующем направлениям, с требованиями меньше 3х лет опыта.

По итогу вышла вот такая статистика:

После чего замерял сколько раз фейковый аккаунт пригласят на первый этап (приглашение на скрининг тоже считается, ссылка на сайт с формой, онлайн тестированием итп не считается), после чего для каждой из области айти можно будет рассчитать конверсию из откликов в собеседования.

Применив тут Z-test, можно сказать что статзначимо (p_value = 0.5%)

Думаю, многим известны страшилки про необходимость знать высшую математику в Data Science, однако на практике весь объем знаний необходимый для прохождения собеседований заканчивается первыми 2мя неделями матанализа в хорошем вузе, а для работы, в большинстве случаев, требуется еще меньше. По своему опыту скажу, что разобраться в транзакциях в базах данных, в работе кубернетиса и горутин намного сложнее чем в понятии производной)

Кажется, что хайп нейронок сейчас настолько большой, что будет большой глупостью за него него не схватиться.