<\/a><\/noindex>Men m\u00e5let med Data Science handler ikke om at udf\u00f8re opgaver. Snarere handler det om at udforske og udvikle nye st\u00e6rke forretningsmuligheder. Algoritmiske produkter og tjenester, s\u00e5som anbefalingssystemer, kundeinteraktioner, stilpr\u00e6ferencer, st\u00f8rrelsesvalg, t\u00f8jdesign, logistikoptimering, opdagelse af s\u00e6sonm\u00e6ssige tendenser og meget mere, kan ikke forud bestilles. De skal udforskes. Der er ingen tegninger til reproduktion, det er nye muligheder med iboende usikkerhed. Koefficienter, modeller, modeltyper, hyperparametre, alle n\u00f8dvendige elementer skal udforskes gennem eksperimenter, fors\u00f8g og fejl samt gentagelse. Med n\u00e5le udf\u00f8res tr\u00e6ning og design p\u00e5 forh\u00e5nd, f\u00f8r produktionen. Med Data Science l\u00e6rer man undervejs, ikke f\u00f8r.<\/p>\n
P\u00e5 n\u00e5lefabrikken, n\u00e5r tr\u00e6ning er i fokus, venter vi ikke og \u00f8nsker ikke, at arbejdstagerne improviserer p\u00e5 nogen egenskab ved produktet, bortset fra at \u00f8ge produktionseffektiviteten. Specialisering af opgaver giver mening, da det f\u00f8rer til effektive processer og ensartet produktion (uden \u00e6ndringer af det endelige produkt).<\/p>\n
Men n\u00e5r produktet stadig er under udvikling, og m\u00e5let er l\u00e6ring, hindrer specialisering vores m\u00e5l i f\u00f8lgende tilf\u00e6lde:<\/p>\n
1. Det \u00f8ger omkostningerne ved koordinering. <\/b><\/p>\n
Det vil sige de omkostninger, der opst\u00e5r over tid, n\u00e5r der kommunikeres, diskuteres, begrundes og prioriteres det arbejde, der skal udf\u00f8res. Disse omkostninger skalerer overline\u00e6rt med antallet af involverede personer. (Som J. Richard Hackman l\u00e6rte os, vokser antallet af relationer r ligesom funktionen for antallet af medlemmer n i henhold til denne formel: r = (n ^ 2-n) \/ 2. Og hver relation afsl\u00f8rer et vist antal omkostningsforhold). N\u00e5r dataanalytikere er organiseret efter funktioner, kr\u00e6ver hvert trin, hver \u00e6ndring, hver overf\u00f8rsel af service osv. mange specialister, hvilket \u00f8ger omkostningerne ved koordinering. For eksempel skal statistikmodelleringsspecialister, der \u00f8nsker at eksperimentere med nye funktioner, koordinere deres handlinger med dataingeni\u00f8rer, der opdaterer datas\u00e6t, hver gang de \u00f8nsker at afpr\u00f8ve noget nyt. Tilsvarende betyder hver ny tr\u00e6net model, at modeludvikleren har brug for nogen at koordinere sine handlinger med for at f\u00e5 den implementeret. Omkostningerne ved koordinering fungerer som en pris for iteration, hvilket g\u00f8r dem mere vanskelige og kostbare og \u00f8ger sandsynligheden for at opgive udforskning. Dette kan hindre l\u00e6ring.<\/p>\n
2. Dette komplicerer ventetiden. <\/b><\/p>\n
Endnu mere skr\u00e6mmende end omkostningerne ved koordinering er den tid, der g\u00e5r tabt mellem arbejdsopgaver. Mens omkostningerne ved koordinering typisk m\u00e5les i timer \u2014 den tid der bruges p\u00e5 m\u00f8der, diskussioner, projektgennemgange \u2014 m\u00e5les ventetid ofte i dage, uger eller endda m\u00e5neder! Det er vanskeligt at synkronisere tidsplaner for fagfolk, da hver specialist skal fordeles p\u00e5 flere projekter. Et enkelt m\u00f8de for at diskutere \u00e6ndringer kan tage flere uger for at justere arbejdsflowet. Og efter at \u00e6ndringerne er godkendt, skal selve den faktiske opgave planl\u00e6gges i konteksten af mange andre projekter, der optager specialisternes arbejdstid. Opgaver relateret til kodefiksning eller forskning, som kun kr\u00e6ver nogle f\u00e5 timer eller dage for at blive afsluttet, kan tage langt l\u00e6ngere tid, f\u00f8r ressourcerne bliver tilg\u00e6ngelige. Indtil da er iteration og l\u00e6ring sat p\u00e5 pause.<\/p>\n
3. Dette indsn\u00e6vrer konteksten.<\/b><\/p>\n
Arbejdsdeling kan kunstigt begr\u00e6nse l\u00e6ring ved at bel\u00f8nne folk for at forblive inden for deres specialisering. For eksempel vil en forsker, der skal holde sig inden for sit felt, fokusere sin energi p\u00e5 eksperimenter med forskellige typer algoritmer: regression, neurale netv\u00e6rk, random forest osv. Det er uden tvivl en god algoritmevalg, der kan f\u00f8re til gradvise forbedringer, men generelt kan man hente meget mere fra andre aktiviteter, s\u00e5som integration af nye datakilder. Det vil ogs\u00e5 hj\u00e6lpe med at udvikle en model, der bruger hver eneste bit forklarende kapacitet, der ligger i dataene. Alligevel kan dens styrke ligge i at \u00e6ndre den m\u00e5lrettede funktion eller sv\u00e6kke visse begr\u00e6nsninger. Det er sv\u00e6rt at se eller g\u00f8re, n\u00e5r dens arbejde er begr\u00e6nset. Da den specialiserede forsker fokuserer p\u00e5 optimering af algoritmer, har han meget mindre mulighed for at besk\u00e6ftige sig med andre emner, selvom det ville give betydelige fordele.<\/p>\n
Lad os beskrive de tegn, der viser sig, n\u00e5r teams for data science fungerer som en n\u00e5lefabrik (for eksempel ved enkle statusopdateringer): 'venten p\u00e5 \u00e6ndringer i datar\u00f8rledningen' og 'venten p\u00e5 ML Eng ressourcer', som er almindelige blokeringer. Jeg mener dog, at en mere farlig indflydelse er det, du ikke bem\u00e6rker, fordi du ikke kan fortryde, hvad du endnu ikke kender til. Uplett udf\u00f8relse af krav og selvtilfredshed, opn\u00e5et gennem effektivisering af processer, kan skjule sandheden om, at organisationer ikke er klar over de tr\u00e6ningsfordele, de g\u00e5r glip af.<\/p>\n
L\u00f8sningen p\u00e5 dette problem ligger selvf\u00f8lgelig i at slippe for n\u00e5lefabriksmetoden. For at fremme l\u00e6ring og iteration skal rollerne inden for data science v\u00e6re generelle, men med brede ansvarsomr\u00e5der, der ikke er afh\u00e6ngige af en teknisk funktion, det vil sige, organiser dataspecialister, s\u00e5 de er optimeret til l\u00e6ring. Det betyder, at det er n\u00f8dvendigt at ans\u00e6tte 'full-stack specialister' - generelle eksperter, der kan udf\u00f8re forskellige funktioner: fra koncept til modellering, fra implementering til m\u00e5ling. Det er vigtigt at bem\u00e6rke, at jeg ikke antyder, at antallet af ansatte b\u00f8r mindskes, n\u00e5r man ans\u00e6tter full-stack specialister. Snarere formoder jeg bare, at n\u00e5r de er organiseret anderledes, vil deres incitamenter bedre korrelere med l\u00e6rings- og effektivitefordele. For eksempel har du et team p\u00e5 tre personer, der besidder tre forretningskompetencer. P\u00e5 en n\u00e5lefabrik vil hver specialist dedikere en tredjedel af tiden til hver professionel opgave, da ingen anden kan udf\u00f8re deres arbejde. I et full-stack setup er hver universel medarbejder fuldt engageret i hele forretningsprocessen, skaleringsarbejde og l\u00e6ring.<\/p>\n
Med f\u00e6rre mennesker, der st\u00f8tter produktionscyklussen, falder koordineringen. Universalen bev\u00e6ger sig glat mellem funktionerne, hvilket udvider datakanalen for at tilf\u00f8je flere data, pr\u00f8ver nye funktioner i modeller, implementerer nye versioner i produktion til kausale m\u00e5linger og gentager trin s\u00e5 hurtigt, som nye ideer kommer. Selvf\u00f8lgelig udf\u00f8rer universalen forskellige funktioner sekventielt og ikke parallelt. I sidste ende er det kun \u00e9n person. Dog tager udf\u00f8relsen af en opgave typisk kun en lille del af den tid, der kr\u00e6ves for at f\u00e5 adgang til en anden specialiseret ressource. S\u00e5 iterationstiden reduceres.<\/p>\n
Vores universal er muligvis ikke s\u00e5 dygtig som en specialist inden for en bestemt arbejdsfunktion, men vi str\u00e6ber ikke efter funktionel perfektion eller sm\u00e5 trinvise forbedringer. Snarere str\u00e6ber vi efter at udforske og opdage alle nye professionelle opgaver med gradvis indflydelse. Med en helhedsorienteret kontekst til at tr\u00e6ffe et helt beslutning, ser han muligheder, som den sn\u00e6vre specialist vil g\u00e5 glip af. Han har flere ideer og flere muligheder. Han oplever ogs\u00e5 fiasko. Ikke desto mindre er omkostningerne ved fiasko sm\u00e5, mens fordelene ved l\u00e6ring er h\u00f8je. Denne asymmetri fremmer hurtig iteration og bel\u00f8nner l\u00e6ring.<\/p>\n
Det er vigtigt at bem\u00e6rke, at niveauet af autonomi og mangfoldighed af f\u00e6rdigheder, som forskere, der arbejder med full-stack, har, i h\u00f8j grad afh\u00e6nger af p\u00e5lideligheden af den dataplatform, de kan arbejde p\u00e5. En velfungerende dataplatform abstraherer forskere inden for databehandling fra kompleksiteterne ved containerisering, distribueret behandling, automatisk skift til andre ressourcer og andre avancerede computerkoncept. Ud over abstraktionen kan en p\u00e5lidelig dataplatform sikre problemfri forbindelse til eksperimentel infrastruktur, automatisere overv\u00e5gning og alarmsystemer, sikre automatisk skalering samt visualisere algoritmiske resultater og fejlfinding. Disse komponenter er designet og bygget af ingeni\u00f8rer p\u00e5 dataplatformen, hvilket betyder, at data science-specialisten ikke overdrager dem til dataplatformens udviklingsteam. Det er selve data science-specialisten, der er ansvarlig for al den kode, der bruges til at k\u00f8re platformen.<\/p>\n
Jeg blev ogs\u00e5 engang interesseret i funktionelt arbejdsdeling ved brug af proceseffektivitet, men gennem trial and error (den bedste l\u00e6ringsmetode) fandt jeg ud af, at typiske roller bedre fremmer l\u00e6ring og innovation og giver de rigtige indikatorer: opdagelse og udvikling af langt flere forretningsmuligheder end en specialiseret tilgang. (En mere effektiv m\u00e5de at l\u00e6re om denne tilgang til organisering p\u00e5, end den trial and error-proces jeg har gennemg\u00e5et, er at l\u00e6se Amy Edmondsons bog \"Team Interactions: How Organizations Learn, Innovate, and Compete in the Knowledge Economy\").<\/p>\n
Der er nogle vigtige antagelser, der kan g\u00f8re denne tilgang til organisering mere eller mindre p\u00e5lidelig i nogle virksomheder. Iterationsprocessen reducerer omkostningerne ved fors\u00f8g og fejl. Hvis omkostningerne ved en fejl er h\u00f8je, kan du overveje at minimere dem (men det anbefales ikke til medicinske applikationer eller fremstilling). Derudover, hvis du arbejder med petabytes eller exabytes af data, kan der v\u00e6re behov for specialisering inden for datadesign. P\u00e5 samme m\u00e5de, hvis opretholdelse af forretningsmuligheder online og deres tilg\u00e6ngelighed er vigtigere end deres forbedring, kan funktionel overlegenhed overvinde tr\u00e6ning. Endelig bygger modellen for hele stakken p\u00e5 meninger fra folk, der har forstand p\u00e5 dette. De er ikke enhj\u00f8rninger; de kan findes eller tr\u00e6nes internt. Men de er i h\u00f8j eftersp\u00f8rgsel, og for at tiltr\u00e6kke og fastholde dem i virksomheden vil der v\u00e6re behov for konkurrencedygtig materielfordeling, b\u00e6redygtige virksomhedsv\u00e6rdier og sp\u00e6ndende arbejde. S\u00f8rg for, at din virksomhedskultur kan skabe s\u00e5danne vilk\u00e5r.<\/p>\n
Selv med alt dette sagt, mener jeg, at modellen for hele stakken giver de bedste betingelser for at komme i gang. Start med dem, og bev\u00e6g dig derefter bevidst hen imod funktionel arbejdsdeling, kun n\u00e5r det er strengt n\u00f8dvendigt.<\/p>\n
Der er ogs\u00e5 andre ulemper ved funktionel specialisering. Det kan f\u00f8re til tab af ansvar og passivitet blandt medarbejderne. Selve Smith kritiserer arbejdsdeling og antyder, at det f\u00f8rer til en udtynding af talent, dvs. at medarbejderne bliver uvidende og isolerede, da deres roller begr\u00e6nses til et par gentagne opgaver. Mens specialisering kan sikre proces effektivitet, inspirerer det sj\u00e6ldnere medarbejderne.<\/p>\n
Universelle roller sikrer alt det, der fremmer arbejdsgl\u00e6de: autonomi, dygtighed og m\u00e5lorientering. Autonomi betyder, at de ikke er afh\u00e6ngige af noget for at opn\u00e5 succes. Dygtighed handler om st\u00e6rke konkurrencefordele. Og m\u00e5lorientering er muligheden for at have indflydelse p\u00e5 den forretning, de skaber. Hvis vi form\u00e5r at f\u00e5 folk til at begejstre sig for deres arbejde og have stor indflydelse p\u00e5 virksomheden, vil alt andet falde p\u00e5 plads.habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"HIROSHI WATANABE\/GETTY IMAGES \u0412 \u043a\u043d\u0438\u0433\u0435 \u00ab\u0411\u043e\u0433\u0430\u0442\u0441\u0442\u0432\u043e \u043d\u0430\u0440\u043e\u0434\u043e\u0432\u00bb \u0410\u0434\u0430\u043c \u0421\u043c\u0438\u0442 \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442, \u043a\u0430\u043a \u0440\u0430\u0437\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u0442\u0440\u0443\u0434\u0430 \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u0433\u043b\u0430\u0432\u043d\u044b\u043c \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u043e\u043c \u043f\u043e\u0432\u044b\u0448\u0435\u043d\u0438\u044f \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438. \u041f\u0440\u0438\u043c\u0435\u0440\u043e\u043c \u0432\u044b\u0441\u0442\u0443\u043f\u0430\u0435\u0442 \u043b\u0438\u043d\u0438\u044f \u0441\u0431\u043e\u0440\u043a\u0438 \u0437\u0430\u0432\u043e\u0434\u0430 \u043f\u043e \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0441\u0442\u0432\u0443 \u0431\u0443\u043b\u0430\u0432\u043e\u043a: \u00ab\u041e\u0434\u0438\u043d \u0440\u0430\u0431\u043e\u0447\u0438\u0439 \u0442\u044f\u043d\u0435\u0442 \u043f\u0440\u043e\u0432\u043e\u043b\u043e\u043a\u0443, \u0434\u0440\u0443\u0433\u043e\u0439 \u0432\u044b\u043f\u0440\u044f\u043c\u043b\u044f\u0435\u0442 \u0435\u0451, \u0442\u0440\u0435\u0442\u0438\u0439 \u043e\u0431\u0440\u0435\u0437\u0430\u0435\u0442, \u0447\u0435\u0442\u0432\u0435\u0440\u0442\u044b\u0439 \u0437\u0430\u043e\u0441\u0442\u0440\u044f\u0435\u0442 \u043a\u043e\u043d\u0435\u0446, \u043f\u044f\u0442\u044b\u0439 \u043e\u0431\u0442\u0430\u0447\u0438\u0432\u0430\u0435\u0442 \u0434\u0440\u0443\u0433\u043e\u0439 \u043a\u043e\u043d\u0435\u0446 \u0434\u043b\u044f \u043d\u0430\u0441\u0430\u0436\u0438\u0432\u0430\u043d\u0438\u044f \u0433\u043e\u043b\u043e\u0432\u043a\u0438\u00bb. \u0411\u043b\u0430\u0433\u043e\u0434\u0430\u0440\u044f \u0441\u043f\u0435\u0446\u0438\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438, \u043e\u0440\u0438\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0439 \u043d\u0430 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u043d\u044b\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438, \u043a\u0430\u0436\u0434\u044b\u0439 \u0440\u0430\u0431\u043e\u0442\u043d\u0438\u043a \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u0432\u044b\u0441\u043e\u043a\u043e\u043a\u0432\u0430\u043b\u0438\u0444\u0438\u0446\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u043c […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":24671,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-32907","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t
![\"Hvorfor](\"\/wp-content\/uploads\/2019\/05\/19d1e32e5d57abd463376af240cfa42e.jpg\")