Tartalom
- Változatos meghatározások, változatos feladatok
- Nincsenek hibák, nincs stressz - Az Ön életét megváltoztató szoftverek készítésének lépésről lépésre történő leírása az élet megsemmisítése nélkül
- Az adattudós készségei
Forrás: Szergej Khakimullin / iStockphoto
Elvitel:
Az adattudósok széles körű feladatokkal rendelkeznek, amelyek alkalmazásonként jelentősen eltérnek. De az egyik dolog, ami közös mindegyikükhöz, az az adatfelhasználás előmozdítása.
Mit tesz az adattudós a mesterséges intelligencia és a gépi tanulás során? Sok szakember, akik mindennap ilyen jellegű projektekkel foglalkoznak, azt mondanák, hogy a kérdésre nehéz egyszerűen megválaszolni. Egy jobb kérdés az lenne: Mit nem csinálnak az adattudósok?
Az adattudósok nélkülözhetetlenek egy AI vagy ML folyamatban abban az értelemben, hogy ezek a projektek nagy adatoktól vagy komplex bemenetektől függnek. Az adattudós az alapvető karrierista, aki tudja, hogyan kell az adatokkal dolgozni az eredmények elérése érdekében.
Van azonban néhány módszer arra, hogy beszéljünk arról, hogy az adattudós mit csinál, milyen képesítésre van szüksége, és milyen szerepe van a folyamatban.
Olvas: 6 kulcsfontosságú adattudományi koncepció, amelyeket online tanulás révén elsajátíthat
Változatos meghatározások, változatos feladatok
Számos szakember, aki leírja egy adattudós munkáját, tág értelemben beszél erről.
„Kisvállalkozásoknál vagy új piacon dolgozva az adattudós feladata, hogy viszonylag új (de nyilvánvaló) adatforrásokat olyan anyaggá alakítson, amely megoldja a végfelhasználói problémát, amely korábban nem lett volna lehetséges, ahol az alkalmazott technológiák nem léteztek ”- mondja Antonio Hicks, a Mercury Global Partners ügyvezető igazgatója. "Az ideális jelölt valaki matematikus, részben szoftvermérnök és vállalkozó."
Mások visszatükrözik ezt az alapvető elképzelést, megemlítve, hogy milyen adatokkal kell a tudósoknak modellezési projekteket kezelniük.
"Az egyik legfontosabb tulajdonság, amelyre az adattudósnak szüksége van, a mély kíváncsiság az őket körülvevő világgal szemben - kérdéseket válaszolnak, vagy modelleket készítenek - kulcsfontosságú a vágy, hogy megértsék az előttük lévő problémát" - mondja Erin Akinci, az adattudomány vezetője Asanában. "Innentől kezdve a legtöbb embernek matematikai és programozási ismeretekre lesz szüksége a megoldások megtalálásához, de a matematika és a programozás különféle típusai nagyban különböznek az adattudomány szakterületétől függően."
Nincsenek hibák, nincs stressz - Az Ön életét megváltoztató szoftverek készítésének lépésről lépésre történő leírása az élet megsemmisítése nélkül
Nem javíthatja a programozási képességeit, ha senki sem törődik a szoftver minőségével.
"A kiváló tudományos munka inkább azzal kapcsolatos, ahogyan a tudós gondolkodik egy problémáról, mint az eszközökkel, amelyeket annak megoldására használnak." - tette hozzá Charlie Burgoyne, a Valkyrie Intelligence alapítója és vezérigazgatója. A Valkyrie egy alkalmazott tudományos tanácsadó cég, amelynek szárnyai alatt olyan lenyűgöző projektek vannak, mint például a Mark I, egy dedikált hálózati eszköz, amely elősegíti az ideghálózat képzését és tesztelését, és javítja a korábbi felhőalapú gépi tanulási platformokat.
"A piac megköveteli a Python fejlesztésében, az ideghálózat kialakításában és az adattár átrendezésében a legfrissebb adatbázis-architektúrába jártas tudósokat" - mondja Burgoyne. „Ezek a képességek azonban tehetséges tudósok asztali tétjei. Nem kevésbé nyilvánvaló, hogy a tudós képes megbirkózni a kíváncsisággal, az agresszív találékonysággal és a tudományos módszer iránti tisztelettel.
Az adattudós készségei
A gyakorlati készségekhez az adattudósoknak némi kreativitásra és hozzáértésre van szükségük a modellezéshez. Nagyon sokat profitálhatnak az is, ha rendelkeznek olyan „kemény képességekkel”, mint például a Python, C ++ vagy más általános nyelvek tapasztalati kódolása az ML projektekben.
„A Python és a C ++ alapvető fontosságúak, és a kódolási készségek kombinálása az adatok elemzésével és feldolgozásával, valamint a statisztika alapvető készségek, amelyek révén az adattudósok kiemelkedhetnek erős jelöltként vagy alkalmazottként” - mondja Val Streif a Pramp-onál, egy online modell-interjú platformnál. szoftvermérnökök, fejlesztők és adattudósok számára. "Noha a programozási készségek egy részét az adattudós és a fejlesztő párosításával lehetne vigyázni, sokkal könnyebb, ha mindkét készsége egyben van kombinálva, egy vállalkozás szempontjából."
Más szakértők az R, a Hadoop, a Spark, a Sas és a Java, valamint a technológiák, például a Tableau, a Hive és a MATLAB felvételével bővítik a listát.
Ezek mindegyike lenyűgöző folytatást tesz szükségessé, de azok közül, akik tapasztalattal rendelkeznek az adattudósok toborzásában, azt mondják, hogy a másik „emberi” oldal is fontos. (Az egyik adattudós típus a polgári adattudós. Tudjon meg többet a Citizen Data Scientists szerepéről a nagy adatvilágban.)
„Hagyományosan a sokszínű szabad művészeti képzettséggel rendelkező egyének kiváló adattudósokká válnak” - mondja Burgoyne, különbséget téve az építési oldalon lévő mérnökök és az adattudósok között, akiknek munkája sokkal koncepcionálisabb lehet. Folytatja:
A hagyományos STEM terület tapasztalatai, amelyek kiegészítő hangsúlyt fektetnek a humanitárius, művészeti vagy üzleti területeken, olyan tulajdonságokkal járnak, amelyek kiváló iparág-orientált tudósot eredményeznek. Azt kell mondani, hogy ugyanolyan fontos a szervezet képessége, hogy kihasználja ezeket a tulajdonságokat, és termékenyen alakítsa lelkesedését és módszereit. Megfigyeltem, hogy amikor egy adattudományi kezdeményezés kudarcot vall, akkor a szervezet ugyanolyan valószínűleg bűnös, mint a tudósok. A tudósok nem mérnökök. Nem az a célja, hogy kivitelezzék és építsék. Felfedezni és megérteni őket. Azok a szervezetek, amelyek megragadják ezt a különbséget, jól jutalmazzák mindkét terület megművelését.
Ami a tudósokat általában alkalmazza maguknak, ez a vállalat alapvető céljaival függ össze. Egyes cégek decentralizált internetet üldöznek - mások az IoT-vel vagy a SaaS-szel játszanak. Mások megpróbálják úttörővé tenni a „felhasználóbarát”, „etikus” vagy „átlátszó” AI-t.
Mindenesetre az adattudósok valószínűleg áthidalják a megosztást az általuk használt adatok kemény mutatói között, függetlenül attól, hogy milyen technológiai halomban van-e, és az AI / ML funkcionalitás fogalmának felszabadításának szabad mozgása.
"Adattanulmányozókat béreltünk az adatgyűjtés és -tisztítás kezelésére, valamint az adatok értelmező információkká történő fordítására" - mondta Michael Hupp, a G2 Crowd Data Science and Analytics igazgatója. Ő dolgozza ki:
Általában ez azt jelenti, hogy kezelni kell minden olyan fontos algoritmust, amely a társaság adatmotorját vezérli, és folyékonyan beszél a legfontosabb elemző eszközökről és nyelvekről, de az utóbbi években olyan feltörekvő területeket is magában foglal, mint a természetes nyelv feldolgozása, gépi tanulás, az AI-kompatibilis elemzés egyéb formái. A legsikeresebb adattudósok azok, akik kemény képességeiket kombinálják a gyors tanulás képességével és a felfedezett ismeretek hatékony kommunikációjának képességével, így értelmesek lesznek vállalkozásuk számára.
Az ilyen típusú betekintés révén a fiatal szakemberek vagy hallgatók könnyebben tudják megtudni, hogy az adattudósok jó szerepet töltenek-e be nekik, és hogyan tudják megszerezni a készségeket. A STEM-tanulás egyre hozzáférhetőbbé válik az ország iskoláiban, ám a pótlás nem helyettesíti a kódolás és a technológia iránti szenvedélyt, valamint a menet közbeni tanulás képességét.