Περιεχόμενο
- Διάφοροι ορισμοί, ποικίλες αποστολές
- No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας
- Οι δεξιότητες ενός επιστήμονα δεδομένων
Πηγή: Σεργκέι Χάκιμουλίν / iStockphoto
Πάρε μακριά:
Οι επιστήμονες δεδομένων έχουν ευρείες θέσεις εργασίας που ποικίλλουν σημαντικά από την εφαρμογή. Αλλά ένα πράγμα που όλοι έχουν κοινό είναι η προσπάθεια να κάνουν καλή χρήση των δεδομένων.
Τι κάνει ο επιστήμονας των δεδομένων στον τομέα της τεχνητής νοημοσύνης και της μηχανικής μάθησης; Πολλοί επαγγελματίες που ασχολούνται με αυτά τα είδη έργων κάθε μέρα θα έλεγαν ότι το ερώτημα είναι δύσκολο να απαντηθεί απλά. Μια καλύτερη ερώτηση θα ήταν: Τι κάνουν οι επιστήμονες των δεδομένων;
Ένας επιστήμονας δεδομένων είναι αναπόσπαστο μέρος μιας διαδικασίας AI ή ML, με την έννοια ότι όλα αυτά τα έργα εξαρτώνται από μεγάλα δεδομένα ή σύνθετες εισροές. Ο επιστήμονας δεδομένων είναι ο βασικός καριεστής που ξέρει πώς να δουλεύει με τα δεδομένα για να παράγει αποτελέσματα.
Ωστόσο, υπάρχουν ορισμένοι τρόποι να μιλήσουμε για το τι κάνει ο επιστήμονας δεδομένων, για τα προσόντα που χρειάζεται και για το ποιος είναι ο ρόλος του στη διαδικασία.
Ανάγνωση: 6 Βασικές έννοιες της επιστήμης των δεδομένων που μπορείτε να αποκτήσετε μέσω της ηλεκτρονικής μάθησης
Διάφοροι ορισμοί, ποικίλες αποστολές
Πολλοί εμπειρογνώμονες που περιγράφουν το έργο ενός επιστήμονα δεδομένων μιλούν για αυτό σε γενικές γραμμές.
"Στις μικρές επιχειρήσεις ή όταν εργάζονται σε μια νέα αγορά, ο ρόλος ενός επιστήμονα δεδομένων είναι να μετατρέπει σχετικά νέες (αλλά προφανείς) πηγές δεδομένων σε πράγματα που λύνουν ένα πρόβλημα για έναν τελικό χρήστη, κάτι που δεν θα ήταν δυνατό, όπου οι χρησιμοποιούμενες τεχνολογίες δεν υπήρχαν ", λέει ο Antonio Hicks, Διευθυντής Λογαριασμού στην Mercury Global Partners. "Ο ιδανικός υποψήφιος είναι κάποιος που είναι μαθηματικός μέρος, μέρος μηχανικός λογισμικού, και επιχειρηματίας μέρος."
Άλλοι αντικατοπτρίζουν αυτήν τη βασική ιδέα, αναφέροντας τι πρέπει να κάνουν οι επιστήμονες δεδομένων για να αντιμετωπίσουν τα προγράμματα μοντελοποίησης.
"Το πιο σημαντικό χαρακτηριστικό που χρειάζεται ένας επιστήμονας δεδομένων είναι μια βαθιά περιέργεια για τον κόσμο γύρω του - είτε απαντούν σε ερωτήσεις είτε κατασκευάζουν μοντέλα, η επιθυμία να κατανοηθεί το πρόβλημα μπροστά τους είναι το κλειδί", λέει η Erin Akinci, Data Scientist Manager στο Asana. "Από εκεί, οι περισσότεροι άνθρωποι θα απαιτήσουν δεξιότητες στα μαθηματικά και τον προγραμματισμό για να βρουν λύσεις, αλλά τα συγκεκριμένα είδη μαθηματικών και προγραμματισμών ποικίλουν σημαντικά ανάλογα με τον τομέα της εμπειρογνωμοσύνης στην επιστήμη των δεδομένων".
No Bugs, No Stress - Ο οδηγός σας βήμα προς βήμα για τη δημιουργία λογισμικού που αλλάζει τη ζωή χωρίς να καταστρέφει τη ζωή σας
Δεν μπορείτε να βελτιώσετε τις δεξιότητες προγραμματισμού σας όταν κανείς δεν ενδιαφέρεται για την ποιότητα του λογισμικού.
"Το άριστο επιστημονικό έργο έχει να κάνει περισσότερο με τον τρόπο που ένας επιστήμονας σκέφτεται για ένα πρόβλημα, από τα εργαλεία που χρησιμοποιούν για την επίλυσή του", προσθέτει ο Charlie Burgoyne, ιδρυτής και διευθύνων σύμβουλος της Valkyrie Intelligence. Η Valkyrie είναι μια εφαρμοσμένη εταιρία συμβουλευτικών επιστημών με εντυπωσιακά έργα κάτω από την πτέρυγα της, όπως το Mark I, μια εξειδικευμένη συσκευή δικτύου που ενισχύει την εκπαίδευση και τις δοκιμές των νευρωνικών δικτύων, βελτιώνοντας το ό, τι είναι δυνατό με τις προηγούμενες πλατφόρμες εκμάθησης μηχανών που βασίζονται σε cloud.
"Η αγορά απαιτεί επιστήμονες που είναι ικανοί στην ανάπτυξη της Python, σχεδιασμός νευρωνικών δικτύων και τη δυνατότητα αναμόρφωσης ενός αποθετηρίου δεδομένων στην τελευταία αρχιτεκτονική της βάσης δεδομένων", λέει ο Burgoyne. "Αυτές οι δυνατότητες, ωστόσο, είναι τραπέζια-stakes για έναν ταλαντούχο επιστήμονα. Αυτό που είναι λιγότερο προφανές είναι η ικανότητα του επιστήμονα για ατρόμητη περιέργεια, επιθετική εφευρετικότητα και προσήλωση στην επιστημονική μέθοδο. "
Οι δεξιότητες ενός επιστήμονα δεδομένων
Έτσι, όσον αφορά τα πρακτικά σύνολα δεξιοτήτων, οι επιστήμονες δεδομένων χρειάζονται κάποια ποσότητα δημιουργικότητας και κατανόηση όσον αφορά τη μοντελοποίηση. Μπορούν επίσης να επωφεληθούν πολύ από την ύπαρξη "σκληρών δεξιοτήτων" όπως η κωδικοποίηση εμπειρίας σε Python, C ++ ή άλλες κοινές γλώσσες που εφαρμόζονται σε έργα ML.
"Η Python και η C ++ είναι απαραίτητες και είναι σε θέση να συνδυάσουν τις δεξιότητες κωδικοποίησης με την ανάλυση και επεξεργασία δεδομένων και τα στατιστικά στοιχεία είναι βασικές δεξιότητες που θα κάνουν τον επιστήμονα να ξεχωρίζει ως ισχυρός υποψήφιος ή υπάλληλος", λέει ο Val Streif στο Pramp για μηχανικούς λογισμικού, προγραμματιστές και επιστήμονες δεδομένων. "Ενώ μερικές από τις δεξιότητες προγραμματισμού θα μπορούσαν να ληφθούν μέριμνα συνδυάζοντας έναν επιστήμονα δεδομένων με έναν προγραμματιστή, είναι πολύ πιο εύκολο αν έχετε και τις δύο δεξιότητες συνδυασμένες σε ένα, από την οπτική γωνία μιας εταιρείας".
Άλλοι εμπειρογνώμονες προσθέτουν R, Hadoop, Spark, Sas και Java στη λίστα, καθώς και τεχνολογίες όπως Tableau, Hive και MATLAB.
Όλα αυτά κάνουν για ένα εντυπωσιακό βιογραφικό σημείωμα, αλλά μερικοί από αυτούς που έχουν εμπειρία με την πρόσληψη επιστημόνων δεδομένων λένε ότι η άλλη "ανθρώπινη" πλευρά έχει επίσης σημασία. (Ένας τύπος επιστημόνων δεδομένων είναι ο επιστήμονας των δεδομένων των πολιτών. Μάθετε περισσότερα στο The Role of Citizens Data Scientists στον κόσμο των μεγάλων δεδομένων.)
"Παραδοσιακά, τα άτομα με μια ποικιλόμορφη εκπαίδευση ελεύθερων τεχνών κάνουν εξαιρετικούς επιστήμονες δεδομένων", λέει ο Burgoyne, κάνοντας διάκριση μεταξύ μηχανικών, οι οποίοι είναι από την πλευρά του κτιρίου, και επιστήμονας δεδομένων, του οποίου η εργασία μπορεί να είναι πολύ πιο εννοιολογική. Αυτός συνεχίζει:
Η εξειδίκευση σε ένα παραδοσιακό πεδίο STEM με μια συμπληρωματική εστίαση στις ανθρωπιστικές επιστήμες, στις τέχνες ή στους τομείς των επιχειρήσεων αποδίδει εκείνες τις ιδιότητες που κάνουν έναν εξαιρετικό βιομηχανικό προσανατολισμένο επιστήμονα. Πρέπει να ειπωθεί ότι είναι εξίσου σημαντικό για την ικανότητα του οργανισμού να εκμεταλλευτεί αυτές τις ιδιότητες και να διαμορφώσει τον παραγωγικό τρόπο και τη φρίκη και τις μεθόδους του. Παρατήρησα ότι όταν μια πρωτοβουλία για την επιστήμη των δεδομένων είναι ανεπιτυχής, ο οργανισμός είναι πιθανό να είναι επίσης υπεύθυνος με τους επιστήμονες. Οι επιστήμονες δεν είναι μηχανικοί. Δεν οδηγούνται να εκτελούν και να χτίζουν. Τρέφονται για να ανακαλύψουν και να καταλάβουν. Οι οργανώσεις που κατανοούν τη διαφορά αυτή ανταμείβονται καλά για την καλλιέργεια και των δύο πεδίων.
Όσο για το τι οι επιστήμονες των δεδομένων συνήθως χρησιμοποιούν, αυτό έχει να κάνει με τους βασικούς στόχους της εταιρείας. Ορισμένες επιχειρήσεις κυνηγούν ένα αποκεντρωμένο διαδίκτυο - μερικοί παίζουν με το IoT ή το SaaS. Άλλοι προσπαθούν να πρωτοπορίσουν το φιλικό προς το χρήστη ή το "ηθικό" ή το "διαφανές" AI.
Σε κάθε περίπτωση, οι επιστήμονες δεδομένων πιθανόν να γεφυρώσουν το χάσμα ανάμεσα στις σκληρές μετρήσεις για τα δεδομένα που χρησιμοποιούν, σε οποιαδήποτε τεχνολογική στοίβα είναι στο παιχνίδι, και το ελεύθερο έργο της εννοιολογικής AI / ML λειτουργικότητας.
"Προσλαμβάνουμε επιστήμονες δεδομένων για να διαχειριστούμε τη συλλογή και τον καθαρισμό δεδομένων, αλλά και να μεταφράζουμε τα δεδομένα σε σημαντικές πληροφορίες", λέει ο Michael Hupp, Διευθυντής της Data Science και Analytics στο G2 Crowd. Αναλύει:
Τυπικά, αυτό σημαίνει τη διαχείριση οποιωνδήποτε σημαντικών αλγορίθμων που οδηγούν τη μηχανή δεδομένων μιας εταιρείας και είναι άπταιστα σε βασικά εργαλεία και γλώσσες ανάλυσης, αλλά τα τελευταία χρόνια έχει συμπεριλάβει επίσης αναδυόμενα πεδία όπως επεξεργασία φυσικής γλώσσας, μηχανική μάθηση, άλλες μορφές ανάλυσης με δυνατότητα AI. Οι πιο επιτυχημένοι επιστήμονες δεδομένων είναι εκείνοι που συνδυάζουν τις σκληρές δεξιότητές τους με την ικανότητα να μαθαίνουν γρήγορα και την ικανότητα να επικοινωνούν αποτελεσματικά τις ιδέες που αποκαλύπτουν, έτσι ώστε να έχουν νόημα στην επιχείρησή τους.
Με αυτά τα είδη γνώσεων, είναι ευκολότερο για τους νέους επαγγελματίες ή τους σπουδαστές να καταλάβουν εάν ο επιστήμονας δεδομένων θα είναι ένας καλός ρόλος για αυτούς και πώς θα αποκτήσουν δεξιότητες. Η μάθηση STEM γίνεται όλο και πιο προσιτή στα σχολεία σε όλη τη χώρα, αλλά δεν υπάρχει υποκατάστατο για το πάθος για κωδικοποίηση και τεχνολογία και για την ικανότητα να μαθαίνεις εν πτήσει.