<\/a><\/noindex>Aber das Ziel von Data Science besteht nicht darin, Aufgaben auszuf\u00fchren. Vielmehr besteht das Ziel darin, neue, starke Gesch\u00e4ftsm\u00f6glichkeiten zu erforschen und zu entwickeln. Algorithmische Produkte und Dienstleistungen wie Empfehlungssysteme, Kundeninteraktionen, Klassifizierung von Stilvorlieben, Gr\u00f6\u00dfenanpassung, Modedesign, Logistikoptimierung, Entdeckung saisonaler Trends und vieles mehr k\u00f6nnen nicht im Voraus entwickelt werden. Sie m\u00fcssen erlernt werden. Es gibt keine Pl\u00e4ne zur Reproduktion, es sind neue M\u00f6glichkeiten mit der ihnen innewohnenden Unsicherheit. Parameter, Modelle, Modelltypen, Hyperparameter, alle notwendigen Elemente m\u00fcssen durch Experimente, Versuche und Irrt\u00fcmer sowie Wiederholungen erforscht werden. Bei Nadeln erfolgt das Lernen und das Design im Voraus, bevor sie produziert werden. Mit Data Science lernen Sie im Prozess und nicht davor.<\/p>\n
In der Nadelproduktionsst\u00e4tte, wenn das Lernen an erster Stelle steht, erwarten und wollen wir nicht, dass die Mitarbeiter an irgendeinem Merkmal des Produkts improvisieren, au\u00dfer um die Effizienz der Produktion zu steigern. Die Spezialisierung auf Aufgaben macht Sinn, da sie zu einer Effizienz der Prozesse und einer Konsistenz in der Produktion f\u00fchrt (ohne \u00c4nderungen am Endprodukt vorzunehmen).<\/p>\n
Aber wenn das Produkt noch in der Entwicklung ist und das Ziel im Lernen besteht, behindert die Spezialisierung unsere Ziele in den folgenden F\u00e4llen:<\/p>\n
1. Es erh\u00f6ht die Koordinationskosten. <\/b><\/p>\n
Das hei\u00dft, diese Kosten, die sich \u00fcber die Zeit anh\u00e4ufen, die f\u00fcr Kommunikation, Diskussion, Begr\u00fcndung und Festlegung von Priorit\u00e4ten bei der Arbeit, die erledigt werden muss, aufgebracht werden. Diese Kosten skalieren \u00fcberlinear mit der Anzahl der beteiligten Personen. (Wie uns J. Richard Hackman beigebracht hat, steigt die Anzahl der Beziehungen r entsprechend der Funktion der Mitgliederzahl n in dieser Gleichung: r = (n ^ 2-n) \/ 2. Und jede Beziehung offenbart ein gewisses Kostenverh\u00e4ltnis). Wenn Datenanalysten nach Funktionen organisiert sind, erfordert jede Phase, jede \u00c4nderung, jeder Servicetransfer usw. viele Spezialisten, was die Koordinationskosten erh\u00f6ht. Zum Beispiel m\u00fcssen Statistiker, die mit neuen Funktionen experimentieren m\u00f6chten, ihre Aktivit\u00e4ten mit den Datenverarbeitungsingenieuren koordinieren, die die Datens\u00e4tze jedes Mal erg\u00e4nzen, wenn sie etwas Neues ausprobieren wollen. Ebenso bedeutet jedes neu trainierte Modell, dass der Modellentwickler jemanden braucht, mit dem er seine Aktionen zur Implementierung koordinieren kann. Die Koordinationskosten fungieren als Geb\u00fchr f\u00fcr die Iteration, was sie schwieriger und kostspieliger macht und die Wahrscheinlichkeit erh\u00f6ht, dass auf die Forschung verzichtet wird. Dies kann das Lernen behindern.<\/p>\n
2. Das erschwert die Wartezeit. <\/b><\/p>\n
Noch beunruhigender als die Koordinationskosten sind die zwischen den Arbeitsschichten verlorenen Zeiten. W\u00e4hrend die Koordinationskosten normalerweise in Stunden gemessen werden \u2013 der Zeit, die f\u00fcr Meetings, Diskussionen, Projektbesprechungen erforderlich ist \u2013 wird die Wartezeit normalerweise in Tagen, Wochen oder sogar Monaten gemessen! Die Zeitpl\u00e4ne der Fachleute sind schwer in Einklang zu bringen, da jeder Spezialist mehreren Projekten zugeordnet werden muss. Eine einmalige Zusammenkunft zur Diskussion von \u00c4nderungen kann mehrere Wochen in Anspruch nehmen, um den Arbeitsablauf zu koordinieren. Und nach der Genehmigung der \u00c4nderungen muss die tats\u00e4chliche Arbeit im Kontext vieler anderer Projekte eingeplant werden, die die Arbeitszeit der Spezialisten in Anspruch nehmen. Aufgaben, die mit der Korrektur von Code oder Forschungsarbeiten verbunden sind, die nur wenige Stunden oder Tage zur Fertigstellung ben\u00f6tigen, k\u00f6nnen viel l\u00e4nger dauern, bevor Ressourcen verf\u00fcgbar sind. Bis dahin wird die Iteration und das Lernen ausgesetzt.<\/p>\n
3. Das schr\u00e4nkt den Kontext ein.<\/b><\/p>\n
Die Arbeitsteilung kann das Lernen k\u00fcnstlich einschr\u00e4nken, indem sie Menschen daf\u00fcr belohnt, dass sie in ihrem Spezialgebiet bleiben. Ein Forscher, der in seinem Funktionsbereich bleiben muss, wird seine Energie darauf konzentrieren, Experimente mit verschiedenen Arten von Algorithmen durchzuf\u00fchren: Regression, neuronale Netze, Random Forest usw. Ein gut gew\u00e4hlter Algorithmus kann sicherlich zu schrittweisen Verbesserungen f\u00fchren, aber im Allgemeinen kann viel mehr aus anderen T\u00e4tigkeiten gewonnen werden, wie etwa der Integration neuer Datenquellen. Ebenso hilft es, ein Modell zu entwickeln, das jede Erkl\u00e4rungskraft der Daten nutzt. Dennoch kann die St\u00e4rke darin liegen, die Zielsetzung zu \u00e4ndern oder bestimmte Einschr\u00e4nkungen zu lockern. Das ist schwer zu erkennen oder zu tun, wenn ihre Arbeit eingeschr\u00e4nkt ist. Da der Spezialist sich auf die Optimierung von Algorithmen konzentriert, hat er viel weniger Chancen, sich mit etwas anderem zu befassen, auch wenn es erhebliche Vorteile bringt.<\/p>\n
Nennen wir die Anzeichen, die auftreten, wenn Data-Science-Teams wie eine Stecknadel-Fabrik arbeiten (zum Beispiel bei einfachen Status-Updates): \u201eWarten auf \u00c4nderungen im Datenfluss\u201c und \u201eWarten auf Ressourcen des ML-Engineers\u201c, die h\u00e4ufige Blockaden darstellen. Dennoch glaube ich, dass der gef\u00e4hrlichere Einfluss darin besteht, was Sie nicht bemerken, weil Sie bedauern, was Sie nicht wissen. Ein makelloses Erf\u00fcllen von Anforderungen und Selbstzufriedenheit, die durch das Erreichen von Effizienz in den Prozessen erreicht wurden, k\u00f6nnen die Wahrheit dar\u00fcber verschleiern, dass Organisationen sich der Lernvorteile, die sie verpassen, nicht bewusst sind.<\/p>\n
Die L\u00f6sung dieses Problems liegt nat\u00fcrlich darin, sich von der Stecknadel-Fabrik-Methode zu befreien. Um Lernen und Iteration zu f\u00f6rdern, sollten Rollen in der Data Science gemeinsam, aber mit umfassenden Verantwortlichkeiten ohne technische Abh\u00e4ngigkeit sein, das hei\u00dft, organisieren Sie die Datenexperten so, dass sie f\u00fcr das Lernen optimiert sind. Das bedeutet, dass es notwendig ist, \u201eFull-Stack-Spezialisten\u201c einzustellen - vielseitige Fachkr\u00e4fte, die verschiedene Funktionen ausf\u00fchren k\u00f6nnen: von der Konzeption bis zur Modellierung, von der Implementierung bis zur Messung. Es ist wichtig zu betonen, dass ich nicht behaupte, dass bei der Einstellung von Voll-Stack-Spezialisten die Anzahl der Mitarbeiter verringert werden sollte. Wahrscheinlicher ist es, dass ich einfach annehme, dass, wenn sie anders organisiert werden, ihre Anreize besser mit den Vorteilen von Lernen und Effizienz \u00fcbereinstimmen. Zum Beispiel haben Sie ein Team von drei Personen, das \u00fcber drei Gesch\u00e4ftskompetenzen verf\u00fcgt. In einer Stecknadel-Fabrik w\u00fcrde jeder Spezialist ein Drittel seiner Zeit jeder beruflichen Aufgabe widmen, da niemand sonst seine Arbeit ausf\u00fchren kann. Im Full-Stack ist jeder vielseitige Mitarbeiter vollst\u00e4ndig dem gesamten Gesch\u00e4ftsprozess, der Skalierung der Arbeit und dem Lernen gewidmet.<\/p>\n
Mit weniger Menschen, die den Produktionszyklus unterst\u00fctzen, sinkt die Koordination. Der Universalist bewegt sich reibungslos zwischen den Funktionen, erweitert die Datenpipeline, um mehr Datenvolumen hinzuzuf\u00fcgen, testet neue Funktionen in Modellen, bringt neue Versionen f\u00fcr kausale Messungen in die Produktion und wiederholt die Schritte so schnell, wie neue Ideen kommen. Nat\u00fcrlich f\u00fchrt der Universalist verschiedene Funktionen nacheinander und nicht parallel aus. Schlie\u00dflich ist es nur eine Person. Die Ausf\u00fchrung der Aufgabe nimmt jedoch in der Regel nur einen kleinen Teil der Zeit in Anspruch, die f\u00fcr den Zugriff auf eine andere spezialisierte Ressource erforderlich ist. Daher verk\u00fcrzt sich die Iterationszeit.<\/p>\n
Unser Universalist ist m\u00f6glicherweise nicht so geschickt wie ein Spezialist in einer bestimmten Arbeitsfunktion, aber wir streben nicht nach funktionaler Perfektion oder kleinen schrittweisen Verbesserungen. Vielmehr versuchen wir, st\u00e4ndig neue berufliche Herausforderungen zu lernen und zu entdecken, mit einer schrittweisen Wirkung. Mit einem ganzheitlichen Kontext f\u00fcr eine umfassende L\u00f6sung sieht er Chancen, die ein enger Spezialist \u00fcbersehen w\u00fcrde. Er hat mehr Ideen und mehr M\u00f6glichkeiten. Auch er scheitert. Dennoch ist der Preis des Scheiterns gering, w\u00e4hrend die Vorteile des Lernens hoch sind. Diese Asymmetrie beg\u00fcnstigt schnelle Iterationen und belohnt das Lernen.<\/p>\n
Es ist wichtig zu beachten, dass die Reichweite der Autonomie und der Vielfalt der F\u00e4higkeiten, die Wissenschaftlern, die mit Full-Stack arbeiten, zur Verf\u00fcgung stehen, in hohem Ma\u00dfe von der Zuverl\u00e4ssigkeit der Datenplattform abh\u00e4ngt, auf der sie arbeiten k\u00f6nnen. Eine gut konstruierte Datenplattform abstrahiert Wissenschaftler im Datenmanagement von den Komplikationen der Containerisierung, der verteilten Verarbeitung, dem automatischen Wechsel zu einer anderen Ressource und anderen fortschrittlichen Computer-Konzepten. Neben der Abstraktion kann eine zuverl\u00e4ssige Datenplattform einen nahtlosen Zugang zur experimentellen Infrastruktur bieten, die \u00dcberwachung und das Alarmierungssystem automatisieren, automatisches Skalieren und die Visualisierung von algorithmischen Ergebnissen sowie Debugging gew\u00e4hrleisten. Diese Komponenten werden von Ingenieuren der Datenplattform entworfen und erstellt, d. h. sie werden nicht an das Entwicklerteam der Datenplattform von einem Data-Science-Spezialisten \u00fcbertragen. Der Data-Science-Spezialist ist verantwortlich f\u00fcr den gesamten Code, der zum Betrieb der Plattform verwendet wird.<\/p>\n
Ich war auch einmal an einer funktionalen Arbeitsteilung interessiert, die die Effizienz von Prozessen nutzt, aber durch Ausprobieren (es gibt keinen besseren Lernweg) habe ich festgestellt, dass typische Rollen das Lernen und die Innovation besser unterst\u00fctzen und die richtigen Kennzahlen liefern: die Entdeckung und den Aufbau vieler mehr Gesch\u00e4ftsm\u00f6glichkeiten als ein spezialisierter Ansatz. (Ein effektiverer Weg, um \u00fcber diesen Organisationsansatz zu lernen als die Methode des Ausprobierens, durch die ich gegangen bin, ist das Lesen des Buches von Amy Edmondson \"Teaminteraktion: Wie Organisationen lernen, Innovationen schaffen und im Wissens\u00f6konomie konkurrieren\").<\/p>\n
Es gibt einige wichtige Annahmen, die diesen Ansatz zur Organisation in einigen Unternehmen mehr oder weniger zuverl\u00e4ssig machen k\u00f6nnen. Der Iterationsprozess senkt die Kosten f\u00fcr Versuche und Fehler. Wenn die Kosten f\u00fcr Fehler hoch sind, m\u00f6chten Sie diese m\u00f6glicherweise reduzieren (aber das wird f\u00fcr medizinische Anwendungen oder die Produktion nicht empfohlen). Wenn Sie zudem mit Petabytes oder Exabytes an Daten umgehen, k\u00f6nnte eine Spezialisierung im Bereich der Datengestaltung erforderlich sein. Ebenso, wenn die Aufrechterhaltung der Gesch\u00e4ftsm\u00f6glichkeiten im Netz und deren Verf\u00fcgbarkeit wichtiger ist als deren Verbesserung, kann funktionale Exzellenz das Lernen \u00fcbertreffen. Schlie\u00dflich beruht das Full-Stack-Modell auf der Meinung von Fachleuten. Sie sind keine Einh\u00f6rner; sie sind zu finden oder selbst auszubilden. Allerdings sind sie sehr gefragt, und um sie in das Unternehmen zu holen und zu halten, sind wettbewerbsf\u00e4hige materielle Verg\u00fctungen, nachhaltige Unternehmenswerte und interessante Arbeitsaufgaben erforderlich. Stellen Sie sicher, dass Ihre Unternehmenskultur solche Bedingungen gew\u00e4hrleisten kann.<\/p>\n
Selbst bei all dem, was gesagt wurde, glaube ich, dass das Full-Stack-Modell die besten Bedingungen f\u00fcr den Start bietet. Beginnen Sie damit und bewegen Sie sich dann bewusst in Richtung funktionaler Arbeitsteilung, nur wenn dies wirklich notwendig ist.<\/p>\n
Es gibt auch andere Nachteile der funktionalen Spezialisierung. Sie kann zu einem Verlust von Verantwortung und Passivit\u00e4t bei den Mitarbeitern f\u00fchren. Smith selbst kritisiert die Arbeitsteilung und vermutet, dass sie zur Abstumpfung von Talenten f\u00fchrt, d.h. die Mitarbeiter werden ungebildet und isoliert, da ihre Rollen auf wenige sich wiederholende Aufgaben beschr\u00e4nkt sind. W\u00e4hrend Spezialisierung den Prozess effizient gestalten kann, inspiriert sie selten die Mitarbeiter.<\/p>\n
Universelle Rollen bieten alles, was die Arbeitszufriedenheit f\u00f6rdert: Autonomie, Fachkompetenz und Zielstrebigkeit. Autonomie bedeutet, dass sie f\u00fcr ihren Erfolg von nichts abh\u00e4ngig sind. Fachkompetenz liegt in starken Wettbewerbsvorteilen. Zielstrebigkeit besteht darin, Einfluss auf das Gesch\u00e4ft zu nehmen, das sie aufbauen. Wenn es uns gelingt, die Menschen f\u00fcr ihre Arbeit zu begeistern und einen gro\u00dfen Einfluss auf das Unternehmen auszu\u00fcben, wird sich alles andere an seinem Platz einfinden.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
![\"Warum](\"\/wp-content\/uploads\/2019\/05\/19d1e32e5d57abd463376af240cfa42e.jpg\")