HIROSHI WATANABE/GETTY IMAGES
In seinem Werk „Der Wohlstand der Nationen“ zeigt Adam Smith, wie die Arbeitsteilung zur Hauptquelle der Produktivitätssteigerung wird. Ein Beispiel dafür ist die Fließbandfertigung in einer Stecknadelfabrik: „Ein Arbeiter zieht den Draht, ein anderer richtet ihn auf, der dritte schneidet ihn ab, der vierte spitzt das Ende, der fünfte schleift das andere Ende, um den Kopf aufzusetzen“. Durch diese auf bestimmte Funktionen ausgerichtete Spezialisierung wird jeder Arbeiter zu einem hochqualifizierten Fachmann in seiner speziellen Aufgabe, was zu einer Effizienzsteigerung im Prozess führt. Die Produktion pro Arbeiter vervielfacht sich, und die Fabrik wird effektiver in der Herstellung von Stecknadeln.
Diese funktionale Arbeitsteilung hat sich so stark in unserem Denken verankert, dass wir unsere Teams schnell entsprechend organisiert haben. Data Science bildet da keine Ausnahme. Komplexe algorithmische Geschäftsmöglichkeiten erfordern eine Vielzahl von Arbeitsfunktionen, weshalb Unternehmen in der Regel Spezialistenteams bilden: Forscher, Datenanalysten, Maschinenbau-Ingenieure, Wissenschaftler für kausale Zusammenhänge usw. Die Arbeit der Spezialisten wird von einem Produktmanager koordiniert, der die Aufgaben nach einem Muster zuweist, das an eine Stecknadel-Fabrik erinnert: „Eine Person erhält die Daten, eine andere modelliert sie, eine dritte führt sie aus, eine vierte misst usw.“
Leider müssen wir unsere Data-Science-Teams nicht optimieren, um die Leistung zu steigern. Doch genau das tun Sie, wenn Sie verstehen, was Sie herstellen: Nadeln oder etwas anderes, und einfach nach Effizienz streben. Das Ziel der Produktionslinien ist es, die Aufgabe zu erfüllen. Wir wissen genau, was wir wollen – es sind die Nadeln (wie im Beispiel von Smith), aber man kann jedes Produkt oder jede Dienstleistung erwähnen, deren Anforderungen alle Aspekte des Produkts und seines Verhaltens vollständig beschreiben. Die Rolle der Mitarbeiter besteht darin, diese Anforderungen so effizient wie möglich zu erfüllen.
Das Ziel von Data Science besteht nicht darin, Aufgaben zu erledigen. Vielmehr geht es darum, neue, starke Geschäftsmöglichkeiten zu erforschen und zu entwickeln. Algorithmische Produkte und Dienstleistungen, wie Empfehlungsdienste, Kundeninteraktionen, Stilpräferenzklassifizierungen, Größenempfehlungen, Modedesign, Logistikoptimierung, die Erkennung saisonaler Trends und vieles mehr, können nicht im Voraus entworfen werden. Sie müssen erforscht werden. Es gibt keine Pläne für die Reproduktion; es handelt sich um neue Möglichkeiten, die ihre eigene Unsicherheit mit sich bringen. Koeffizienten, Modelle, Modelltypen, Hyperparameter – alle notwendigen Elemente müssen durch Experimente, Versuche und Fehler sowie Wiederholungen erlernt werden. Mit Pinnwand und Design wird im Voraus gearbeitet, bevor die Produktion beginnt. Bei Data Science lernen Sie im Prozess und nicht vorher.
In einer Pinnfabrik, in der Schulung an erster Stelle steht, erwarten und wollen wir nicht, dass Mitarbeiter in irgendeinem Produktmerkmal improvisieren, außer um die Produktionseffizienz zu steigern. Die Spezialisierung von Aufgaben macht Sinn, da sie zu Prozessoptimierung und Konsistenz in der Produktion führt (ohne Änderungen am Endprodukt vorzunehmen).
Doch wenn das Produkt sich noch in der Entwicklung befindet und das Ziel das Lernen ist, behindert die Spezialisierung unsere Ziele in den folgenden Fällen:
1. Sie erhöht die Kosten für die Koordination.
Das sind die Kosten, die sich im Laufe der Zeit ansammeln, die für Kommunikation, Diskussion, Begründung und Festlegung der Prioritäten der Aufgaben, die erledigt werden müssen, angefallen sind. Diese Kosten skalieren überproportional mit der Anzahl der beteiligten Personen. (Wie uns J. Richard Hackman beigebracht hat, wächst die Anzahl der Beziehungen r in Übereinstimmung mit der Funktion der Mitgliederzahl n gemäß dieser Gleichung: r = (n ^ 2 - n) / 2. Und jede Beziehung zeigt eine bestimmte Menge an Beziehungskosten). Wenn Datenanalysten nach Funktionen organisiert sind, erfordert jeder Schritt, jede Änderung, jede Übergabe von Dienstleistungen usw. viele Spezialisten, was die Koordinationskosten erhöht. Zum Beispiel müssen Statistischen Modellierern, die mit neuen Funktionen experimentieren möchten, ihre Handlungen mit den Datenverarbeitungsingenieuren koordinieren, die die Datensätze jedes Mal ergänzen, wenn sie etwas Neues ausprobieren möchten. Ebenso bedeutet jedes neu trainierte Modell, dass der Modellentwickler jemanden benötigt, mit dem er seine Handlungen zur Inbetriebnahme koordinieren kann. Die Koordinationskosten präsentieren sich als Gebühr für die Iteration, was sie schwieriger und teurer macht und die Wahrscheinlichkeit erhöht, dass auf die Forschung verzichtet wird. Dies kann das Lernen behindern.
2. Das erschwert die Wartezeit.
Noch besorgniserregender als die Koordinierungskosten ist die Zeit, die zwischen den Arbeitsschichten verloren geht. Während die Koordinierungskosten in der Regel in Stunden gemessen werden — also der Zeit, die für Besprechungen, Diskussionen und Projektüberprüfungen benötigt wird — wird die Wartezeit oft in Tagen, Wochen oder sogar Monaten gemessen! Die Zeitpläne der Fachspezialisten sind schwer abzustimmen, da jeder Spezialist mehreren Projekten zugeordnet werden muss. Eine einstündige Sitzung zur Diskussion von Änderungen kann Wochen in Anspruch nehmen, um den Arbeitsablauf abzustimmen. Und nachdem die Änderungen genehmigt wurden, muss auch die eigentliche Arbeit im Kontext vieler anderer Projekte geplant werden, die die Arbeitszeit der Spezialisten beanspruchen. Arbeit, die für Korrekturen oder Forschung benötigt wird und nur wenige Stunden oder Tage in Anspruch nehmen sollte, kann viel länger dauern, bis die Ressourcen verfügbar sind. Bis dahin werden Iterationen und Schulungen ausgesetzt.
3. Das schränkt den Kontext ein.
Die Arbeitsteilung kann das Lernen künstlich einschränken, indem sie Menschen dafür belohnt, in ihrer Spezialisierung zu bleiben. Ein Forschungswissenschaftler, der in seinem Fachgebiet bleiben muss, konzentriert seine Energie beispielsweise darauf, Experimente mit verschiedenen Algorithmustypen durchzuführen: Regression, neuronale Netze, Random Forest und so weiter. Sicherlich kann die Auswahl des richtigen Algorithmus zu schrittweisen Verbesserungen führen, jedoch lässt sich meist viel mehr aus anderen Tätigkeiten gewinnen, wie etwa der Integration neuer Datenquellen. Dies wird auch dazu beitragen, ein Modell zu entwickeln, das jede bit der erklärenden Kraft der Daten nutzt. Dennoch könnte ihre Stärke darin liegen, die Zielfunktion zu ändern oder bestimmte Einschränkungen zu lockern. Das ist schwer zu erkennen oder umzusetzen, wenn ihre Arbeit eingeschränkt ist. Da sich der Spezialist auf die Optimierung von Algorithmen konzentriert, hat er deutlich weniger Chancen, sich mit anderen Aspekten zu befassen, selbst wenn dies erhebliche Vorteile bringt.
Lassen Sie uns die Anzeichen betrachten, die auftreten, wenn Data-Science-Teams wie “Nadel-Fabriken” arbeiten (zum Beispiel bei einfachen Statusaktualisierungen): „Warten auf Änderungen der Datenpipeline“ und „Warten auf Ressourcen des ML-Engineers“, die häufige Blockaden darstellen. Dennoch halte ich es für viel gefährlicher, was Sie nicht bemerken, weil Sie nicht bedauern können, was Sie noch nicht wissen. Eine fehlerfreie Umsetzung von Anforderungen und die Selbstzufriedenheit, die durch die Effizienzsteigerung in den Prozessen erreicht wird, können die Wahrheit verbergen, dass Organisationen sich der Vorteile des Lernens, die sie verpassen, nicht bewusst sind.
Die Lösung dieses Problems besteht selbstverständlich darin, den Ansatz der "Pin Factory" abzulehnen. Um Lernen und Iteration zu fördern, sollten die Rollen im Bereich Data Science vielfältig, aber mit breiten Aufgabenbereichen organisiert sein, die nicht von einer technischen Funktion abhängig sind. Das bedeutet, dass Datenexperten so strukturiert werden sollten, dass sie optimiert sind, um Lernen zu ermöglichen. Dies erfordert die Einstellung von "Full-Stack-Spezialisten" – vielseitigen Fachleuten, die verschiedene Aufgaben übernehmen können: von der Konzeptentwicklung bis zum Modellaufbau, von der Umsetzung bis zur Messung. Es ist wichtig zu betonen, dass ich nicht vorschlage, dass die Anzahl der Mitarbeiter bei der Einstellung von Full-Stack-Experten reduziert werden sollte. Vielmehr nehme ich an, dass, wenn sie anders organisiert sind, ihre Anreize besser mit den Vorteilen des Lernens und der Effizienz korrelieren. Zum Beispiel haben Sie ein Team von drei Personen, die über drei relevante Geschäftskompetenzen verfügen. In einer "Pin Factory" würde jeder Spezialist ein Drittel seiner Zeit jeder beruflichen Aufgabe widmen, da niemand sonst seine Arbeit erledigen kann. In einem Full-Stack-Umfeld ist jeder vielseitige Mitarbeiter vollständig allen Geschäftsprozessen verpflichtet und trägt zur Skalierung und Verbesserung des Lernens bei.
Mit weniger Personen, die den Produktionszyklus unterstützen, wird die Koordination geringer. Der Universalist bewegt sich nahtlos zwischen den Funktionen, erweitert den Datenfluss, um ein größeres Datenvolumen hinzuzufügen, testet neue Funktionen in den Modellen, bringt neue Versionen für die Produktionsumgebung heraus, um kausale Messungen vorzunehmen, und wiederholt die Schritte so schnell, wie neue Ideen entstehen. Natürlich führt der Universalist verschiedene Funktionen nacheinander und nicht parallel aus. Schließlich ist es nur eine Person. Jedoch nimmt die Ausführung einer Aufgabe normalerweise nur einen kleinen Teil der Zeit in Anspruch, die erforderlich ist, um auf eine andere spezialisierte Ressource zuzugreifen. Daher verringert sich die Iterationszeit.
Unser Alleskönner ist vielleicht nicht so talentiert wie ein Spezialist in einer bestimmten beruflichen Funktion, aber wir streben nicht nach funktionaler Perfektion oder schrittweisen Verbesserungen. Vielmehr wollen wir neue berufliche Herausforderungen lernen und entdecken, die sich allmählich auswirken. Mit einem umfassenden Kontext für eine vollständige Lösung sieht er Chancen, die ein Fachspezialist übersieht. Er hat mehr Ideen und Möglichkeiten. Auch er scheitert manchmal. Dennoch sind die Kosten für das Scheitern gering, während die Vorteile des Lernens hoch sind. Diese Asymmetrie fördert schnelle Iterationen und belohnt das Lernen.
Es ist wichtig zu beachten, dass der Umfang der Autonomie und der Vielfalt der Fähigkeiten von Wissenschaftlern, die mit Full-Stack-Technologien arbeiten, stark von der Zuverlässigkeit der Datenplattform abhängt, auf der sie arbeiten. Eine gut gestaltete Datenplattform abstrahiert die Datenwissenschaftler von den Herausforderungen der Containerisierung, der verteilten Verarbeitung, der automatischen Migration zu anderen Ressourcen und anderen fortschrittlichen Computing-Konzepten. Neben dieser Abstraktion kann eine zuverlässige Datenplattform nahtlose Verbindungen zur experimentellen Infrastruktur herstellen, das Monitoring und das Alarmsystem automatisieren sowie automatisches Scaling und die Visualisierung algorithmischer Ergebnisse und Debugging bieten. Diese Komponenten werden von den Ingenieuren der Datenplattform entworfen und entwickelt, d.h. sie werden nicht an das Team der Datenplattform-Entwickler übergeben. Der Data Scientist ist verantwortlich für den gesamten Code, der zur Ausführung der Plattform verwendet wird.
Ich war auch einmal von der funktionalen Arbeitsteilung und der Effizienz der Prozesse interessiert. Durch Versuch und Irrtum – die beste Lernmethode überhaupt – habe ich jedoch festgestellt, dass typische Rollen das Lernen und die Innovationen besser unterstützen. Sie bieten genauere Indikatoren dafür, dass viel mehr Geschäftsmöglichkeiten entdeckt und geschaffen werden als bei einem spezialisierten Ansatz. Ein effektiverer Weg, um mehr über diesen Organisationsansatz zu lernen als der Versuch-und-Irrtum-Prozess, den ich durchlaufen habe, ist es, das Buch von Amy Edmondson "Team Interaktion: wie Organisationen lernen, Innovationen schaffen und im Wissensökonomie wettbewerbsfähig sind" zu lesen.
Es gibt einige wichtige Annahmen, die diesen Ansatz zur Organisation in bestimmten Unternehmen zuverlässiger oder weniger zuverlässig machen können. Der Iterationsprozess senkt die Kosten für Versuche und Fehler. Wenn die Kosten für Fehler hoch sind, möchten Sie diese möglicherweise reduzieren (aber das wird für medizinische Anwendungen oder die Produktion nicht empfohlen). Darüber hinaus, wenn Sie es mit Petabytes oder Exabytes an Daten zu tun haben, könnte eine Spezialisierung im Bereich Datenarchitektur erforderlich sein. Ebenso kann, wenn die Aufrechterhaltung von Geschäftsmöglichkeiten im Netz und deren Verfügbarkeit wichtiger ist als deren Perfektion, funktionale Exzellenz das Lernen übertreffen. Schließlich basiert das Full-Stack-Modell auf dem Wissen von Fachleuten. Diese sind keine Einhörner; Sie können sie finden oder selbst ausbilden. Allerdings sind sie stark nachgefragt, und um sie anzuziehen und im Unternehmen zu halten, werden wettbewerbsfähige materielle Anreize, nachhaltige Unternehmenswerte und interessante Aufgaben benötigt. Stellen Sie sicher, dass Ihre Unternehmenskultur solche Bedingungen schaffen kann.
Trotz all dessen denke ich, dass ein Full-Stack-Modell die besten Voraussetzungen für einen gelungenen Start bietet. Beginnen Sie damit und bewegen Sie sich erst dann bewusst zur funktionalen Arbeitsteilung, wenn es wirklich nötig ist.
Es gibt auch weitere Nachteile der funktionalen Spezialisierung. Diese kann zu einem Verlust von Verantwortung und Passivität bei den Mitarbeitenden führen. Smith kritisiert selbst die Arbeitsteilung, da sie dazu führen kann, dass Talente stumpfer werden; das heißt, die Mitarbeitenden werden ungebildet und introvertiert, da ihre Rollen auf einige sich wiederholende Aufgaben beschränkt sind. Während Spezialisierung den Prozess effizienter gestalten kann, inspiriert sie die Mitarbeitenden weniger.
Universelle Rollen bieten alles, was die Arbeitszufriedenheit fördert: Autonomie, Fachkompetenz und Zielstrebigkeit. Autonomie bedeutet, dass sie unabhängig sind, um Erfolg zu haben. Fachkompetenz beruht auf starken Wettbewerbsvorteilen. Zielstrebigkeit liegt in der Möglichkeit, Einfluss auf das Unternehmen zu nehmen, das sie schöpfen. Wenn es uns gelingt, Menschen für ihre Arbeit zu begeistern und einen großen Einfluss auf das Unternehmen auszuüben, wird der Rest an seinen Platz fallen.
Quelle: habr.com
