{"id":77176,"date":"2020-04-08T13:42:19","date_gmt":"2020-04-08T11:42:19","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/data-engineer-i-data-scientist-kakaya-voobshhe-raznicza"},"modified":"2020-04-08T13:42:19","modified_gmt":"2020-04-08T11:42:19","slug":"data-engineer-i-data-scientist-kakaya-voobshhe-raznicza","status":"publish","type":"post","link":"https:\/\/prohoster.info\/da\/blog\/administrirovanie\/data-engineer-i-data-scientist-kakaya-voobshhe-raznicza","title":{"rendered":"Data Engineer og Data Scientist: hvad er forskellen?","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Jobtitlerne Data Scientist og Data Engineer forveksles ofte. Hver virksomhed har sin egen tilgang til databehandling, forskellige m\u00e5l for deres analyse og forskellige opfattelser af, hvem der skal lave hvad, s\u00e5 kravene til hver stilling varierer.\u00a0<\/p>\n

Lad os se n\u00e6rmere p\u00e5 forskellen mellem disse specialister, hvilke forretningsopgaver de l\u00f8ser, hvilke f\u00e6rdigheder de besidder, og hvad de tjener. Materialet er s\u00e5 omfattende, at vi har opdelt det i to publikationer.<\/p>\n

I den f\u00f8rste artikel fort\u00e6ller Elena Gerasimova, leder af fakultetet \"Data Science og analyse<\/a><\/noindex>\" i Netology, om forskellen mellem Data Scientist og Data Engineer og hvilke v\u00e6rkt\u00f8jer de arbejder med.<\/a><\/noindex><\/p>\n

Hvordan adskiller rollerne sig mellem ingeni\u00f8rer og dataforskere<\/h2>\n

\nDataingeni\u00f8ren er en specialist, der p\u00e5 den ene side udvikler, tester og vedligeholder infrastrukturen til databehandling: databaser, lagringssystemer og systemer til massebehandling. P\u00e5 den anden side er det den, der renser og 'friser' dataene, s\u00e5 de kan bruges af analytikere og dataforskere, alts\u00e5 skaber data behandlingslinjer.<\/p>\n

Data Scientist udvikler og tr\u00e6ner forudsigende (og ikke kun) modeller ved hj\u00e6lp af machine learning-algoritmer og neurale netv\u00e6rk, hvilket hj\u00e6lper virksomheder med at finde skjulte m\u00f8nstre, forudsige begivenheder og optimere n\u00f8gleforretningsprocesser.<\/p>\n

Den v\u00e6sentligste forskel mellem Data Scientist og Data Engineer er, at de normalt har forskellige m\u00e5l. Begge arbejder for at sikre, at data er tilg\u00e6ngelige og af h\u00f8j kvalitet. Men Data Scientist finder svar p\u00e5 sine sp\u00f8rgsm\u00e5l og tester hypoteser i datak\u00e6den (f.eks. p\u00e5 Hadoop), mens Data Engineer skaber en pipeline, der vedligeholder en machine learning-algoritme skrevet af dataforskeren i et Spark-klynge inden for den samme datak\u00e6de.\u00a0<\/p>\n

Dataingeni\u00f8ren skaber v\u00e6rdi for virksomheden ved at arbejde i team. Hans opgave er at fungere som et vigtigt bindeled mellem forskellige interessenter: fra udviklere til forretningsbrugere af rapporter \u2014 og \u00f8ge produktiviteten blandt analytikere \u2014 fra marketing og produkt til BI.\u00a0<\/p>\n

Data Scientist deltager derimod aktivt i virksomhedens strategi, skabelsen af indsigter, beslutningstagning og implementering af automatiseringsalgoritmer, modellering og v\u00e6rdiskabelse ud fra data.
\n\"Data
\n
\nArbejdet med data f\u00f8lger GIGO-princippet (garbage in \u2014 garbage out): hvis analytikere og data scientists arbejder med uforberedte og potentielt ukorrekte data, vil resultaterne, selv med de mest sofistikerede analysealgoritmer, v\u00e6re forkerte.\u00a0<\/p>\n

Dataingeni\u00f8rer l\u00f8ser dette problem ved at opbygge pipelines til behandling, rensning og transformation af data, s\u00e5 data scientists kan arbejde med kvalitetsdata.\u00a0<\/p>\n

Der findes mange v\u00e6rkt\u00f8jer p\u00e5 markedet til databehandling, der d\u00e6kker hvert trin: fra dataopst\u00e5else til visning p\u00e5 et dashboard for bestyrelsen. Det er vigtigt, at beslutningen om at bruge dem tr\u00e6ffes af ingeni\u00f8ren \u2014 ikke fordi det er moderne, men fordi det reelt vil hj\u00e6lpe de andre involverede i processen.\u00a0<\/p>\n

Kort sagt: hvis virksomheder skal forbinde BI og ETL \u2014 dataloading og rapportopdateringer, s\u00e5 er her et typisk legacy-fundament, som Data Engineer vil skulle h\u00e5ndtere (det er godt, hvis der ogs\u00e5 er en arkitekt i teamet ud over ham).<\/p>\n

Data Engineerens opgaver<\/b><\/p>\n