<\/a><\/noindex>Das Ziel von Data Science besteht nicht darin, Aufgaben zu erledigen. Vielmehr geht es darum, neue, starke Gesch\u00e4ftsm\u00f6glichkeiten zu erforschen und zu entwickeln. Algorithmische Produkte und Dienstleistungen, wie Empfehlungsdienste, Kundeninteraktionen, Stilpr\u00e4ferenzklassifizierungen, Gr\u00f6\u00dfenempfehlungen, Modedesign, Logistikoptimierung, die Erkennung saisonaler Trends und vieles mehr, k\u00f6nnen nicht im Voraus entworfen werden. Sie m\u00fcssen erforscht werden. Es gibt keine Pl\u00e4ne f\u00fcr die Reproduktion; es handelt sich um neue M\u00f6glichkeiten, die ihre eigene Unsicherheit mit sich bringen. Koeffizienten, Modelle, Modelltypen, Hyperparameter \u2013 alle notwendigen Elemente m\u00fcssen 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.<\/p>\n
In einer Pinnfabrik, in der Schulung an erster Stelle steht, erwarten und wollen wir nicht, dass Mitarbeiter in irgendeinem Produktmerkmal improvisieren, au\u00dfer um die Produktionseffizienz zu steigern. Die Spezialisierung von Aufgaben macht Sinn, da sie zu Prozessoptimierung und Konsistenz in der Produktion f\u00fchrt (ohne \u00c4nderungen am Endprodukt vorzunehmen).<\/p>\n
Doch wenn das Produkt sich noch in der Entwicklung befindet und das Ziel das Lernen ist, behindert die Spezialisierung unsere Ziele in den folgenden F\u00e4llen:<\/p>\n
1. Sie erh\u00f6ht die Kosten f\u00fcr die Koordination. <\/b><\/p>\n
Das sind die Kosten, die sich im Laufe der Zeit ansammeln, die f\u00fcr Kommunikation, Diskussion, Begr\u00fcndung und Festlegung der Priorit\u00e4ten der Aufgaben, die erledigt werden m\u00fcssen, angefallen sind. Diese Kosten skalieren \u00fcberproportional mit der Anzahl der beteiligten Personen. (Wie uns J. Richard Hackman beigebracht hat, w\u00e4chst die Anzahl der Beziehungen r in \u00dcbereinstimmung mit der Funktion der Mitgliederzahl n gem\u00e4\u00df 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 \u00c4nderung, jede \u00dcbergabe von Dienstleistungen usw. viele Spezialisten, was die Koordinationskosten erh\u00f6ht. Zum Beispiel m\u00fcssen Statistischen Modellierern, die mit neuen Funktionen experimentieren m\u00f6chten, ihre Handlungen mit den Datenverarbeitungsingenieuren koordinieren, die die Datens\u00e4tze jedes Mal erg\u00e4nzen, wenn sie etwas Neues ausprobieren m\u00f6chten. Ebenso bedeutet jedes neu trainierte Modell, dass der Modellentwickler jemanden ben\u00f6tigt, mit dem er seine Handlungen zur Inbetriebnahme koordinieren kann. Die Koordinationskosten pr\u00e4sentieren sich als Geb\u00fchr f\u00fcr die Iteration, was sie schwieriger und teurer 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 besorgniserregender als die Koordinierungskosten ist die Zeit, die zwischen den Arbeitsschichten verloren geht. W\u00e4hrend die Koordinierungskosten in der Regel in Stunden gemessen werden \u2014 also der Zeit, die f\u00fcr Besprechungen, Diskussionen und Projekt\u00fcberpr\u00fcfungen ben\u00f6tigt wird \u2014 wird die Wartezeit oft in Tagen, Wochen oder sogar Monaten gemessen! Die Zeitpl\u00e4ne der Fachspezialisten sind schwer abzustimmen, da jeder Spezialist mehreren Projekten zugeordnet werden muss. Eine einst\u00fcndige Sitzung zur Diskussion von \u00c4nderungen kann Wochen in Anspruch nehmen, um den Arbeitsablauf abzustimmen. Und nachdem die \u00c4nderungen genehmigt wurden, muss auch die eigentliche Arbeit im Kontext vieler anderer Projekte geplant werden, die die Arbeitszeit der Spezialisten beanspruchen. Arbeit, die f\u00fcr Korrekturen oder Forschung ben\u00f6tigt wird und nur wenige Stunden oder Tage in Anspruch nehmen sollte, kann viel l\u00e4nger dauern, bis die Ressourcen verf\u00fcgbar sind. Bis dahin werden Iterationen und Schulungen 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, in ihrer Spezialisierung zu bleiben. Ein Forschungswissenschaftler, der in seinem Fachgebiet bleiben muss, konzentriert seine Energie beispielsweise darauf, Experimente mit verschiedenen Algorithmustypen durchzuf\u00fchren: Regression, neuronale Netze, Random Forest und so weiter. Sicherlich kann die Auswahl des richtigen Algorithmus zu schrittweisen Verbesserungen f\u00fchren, jedoch l\u00e4sst sich meist viel mehr aus anderen T\u00e4tigkeiten gewinnen, wie etwa der Integration neuer Datenquellen. Dies wird auch dazu beitragen, ein Modell zu entwickeln, das jede bit der erkl\u00e4renden Kraft der Daten nutzt. Dennoch k\u00f6nnte ihre St\u00e4rke darin liegen, die Zielfunktion zu \u00e4ndern oder bestimmte Einschr\u00e4nkungen zu lockern. Das ist schwer zu erkennen oder umzusetzen, wenn ihre Arbeit eingeschr\u00e4nkt 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.<\/p>\n
Lassen Sie uns die Anzeichen betrachten, die auftreten, wenn Data-Science-Teams wie \u201cNadel-Fabriken\u201d arbeiten (zum Beispiel bei einfachen Statusaktualisierungen): \u201eWarten auf \u00c4nderungen der Datenpipeline\u201c und \u201eWarten auf Ressourcen des ML-Engineers\u201c, die h\u00e4ufige Blockaden darstellen. Dennoch halte ich es f\u00fcr viel gef\u00e4hrlicher, was Sie nicht bemerken, weil Sie nicht bedauern k\u00f6nnen, was Sie noch nicht wissen. Eine fehlerfreie Umsetzung von Anforderungen und die Selbstzufriedenheit, die durch die Effizienzsteigerung in den Prozessen erreicht wird, k\u00f6nnen die Wahrheit verbergen, dass Organisationen sich der Vorteile des Lernens, die sie verpassen, nicht bewusst sind.<\/p>\n
Die L\u00f6sung dieses Problems besteht selbstverst\u00e4ndlich darin, den Ansatz der \"Pin Factory\" abzulehnen. Um Lernen und Iteration zu f\u00f6rdern, sollten die Rollen im Bereich Data Science vielf\u00e4ltig, aber mit breiten Aufgabenbereichen organisiert sein, die nicht von einer technischen Funktion abh\u00e4ngig sind. Das bedeutet, dass Datenexperten so strukturiert werden sollten, dass sie optimiert sind, um Lernen zu erm\u00f6glichen. Dies erfordert die Einstellung von \"Full-Stack-Spezialisten\" \u2013 vielseitigen Fachleuten, die verschiedene Aufgaben \u00fcbernehmen k\u00f6nnen: 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 \u00fcber drei relevante Gesch\u00e4ftskompetenzen verf\u00fcgen. In einer \"Pin Factory\" w\u00fcrde 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 vollst\u00e4ndig allen Gesch\u00e4ftsprozessen verpflichtet und tr\u00e4gt zur Skalierung und Verbesserung des Lernens bei.<\/p>\n
Mit weniger Personen, die den Produktionszyklus unterst\u00fctzen, wird die Koordination geringer. Der Universalist bewegt sich nahtlos zwischen den Funktionen, erweitert den Datenfluss, um ein gr\u00f6\u00dferes Datenvolumen hinzuzuf\u00fcgen, testet neue Funktionen in den Modellen, bringt neue Versionen f\u00fcr die Produktionsumgebung heraus, um kausale Messungen vorzunehmen, und wiederholt die Schritte so schnell, wie neue Ideen entstehen. Nat\u00fcrlich f\u00fchrt der Universalist verschiedene Funktionen nacheinander und nicht parallel aus. Schlie\u00dflich ist es nur eine Person. Jedoch nimmt die Ausf\u00fchrung 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.<\/p>\n
Unser Allesk\u00f6nner 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 allm\u00e4hlich auswirken. Mit einem umfassenden Kontext f\u00fcr eine vollst\u00e4ndige L\u00f6sung sieht er Chancen, die ein Fachspezialist \u00fcbersieht. Er hat mehr Ideen und M\u00f6glichkeiten. Auch er scheitert manchmal. Dennoch sind die Kosten f\u00fcr das Scheitern gering, w\u00e4hrend die Vorteile des Lernens hoch sind. Diese Asymmetrie f\u00f6rdert schnelle Iterationen und belohnt das Lernen.<\/p>\n
Es ist wichtig zu beachten, dass der Umfang der Autonomie und der Vielfalt der F\u00e4higkeiten von Wissenschaftlern, die mit Full-Stack-Technologien arbeiten, stark von der Zuverl\u00e4ssigkeit der Datenplattform abh\u00e4ngt, 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 zuverl\u00e4ssige 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 \u00fcbergeben. Der Data Scientist ist verantwortlich f\u00fcr den gesamten Code, der zur Ausf\u00fchrung der Plattform verwendet wird.<\/p>\n
Ich war auch einmal von der funktionalen Arbeitsteilung und der Effizienz der Prozesse interessiert. Durch Versuch und Irrtum \u2013 die beste Lernmethode \u00fcberhaupt \u2013 habe ich jedoch festgestellt, dass typische Rollen das Lernen und die Innovationen besser unterst\u00fctzen. Sie bieten genauere Indikatoren daf\u00fcr, dass viel mehr Gesch\u00e4ftsm\u00f6glichkeiten entdeckt und geschaffen werden als bei einem spezialisierten Ansatz. Ein effektiverer Weg, um mehr \u00fcber 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 Wissens\u00f6konomie wettbewerbsf\u00e4hig sind\" zu lesen.<\/p>\n
Es gibt einige wichtige Annahmen, die diesen Ansatz zur Organisation in bestimmten Unternehmen zuverl\u00e4ssiger 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). Dar\u00fcber hinaus, wenn Sie es mit Petabytes oder Exabytes an Daten zu tun haben, k\u00f6nnte eine Spezialisierung im Bereich Datenarchitektur erforderlich sein. Ebenso kann, wenn die Aufrechterhaltung von Gesch\u00e4ftsm\u00f6glichkeiten im Netz und deren Verf\u00fcgbarkeit wichtiger ist als deren Perfektion, funktionale Exzellenz das Lernen \u00fcbertreffen. Schlie\u00dflich basiert das Full-Stack-Modell auf dem Wissen von Fachleuten. Diese sind keine Einh\u00f6rner; Sie k\u00f6nnen sie finden oder selbst ausbilden. Allerdings sind sie stark nachgefragt, und um sie anzuziehen und im Unternehmen zu halten, werden wettbewerbsf\u00e4hige materielle Anreize, nachhaltige Unternehmenswerte und interessante Aufgaben ben\u00f6tigt. Stellen Sie sicher, dass Ihre Unternehmenskultur solche Bedingungen schaffen kann.<\/p>\n
Trotz all dessen denke ich, dass ein Full-Stack-Modell die besten Voraussetzungen f\u00fcr einen gelungenen Start bietet. Beginnen Sie damit und bewegen Sie sich erst dann bewusst zur funktionalen Arbeitsteilung, wenn es wirklich n\u00f6tig ist.<\/p>\n
Es gibt auch weitere Nachteile der funktionalen Spezialisierung. Diese kann zu einem Verlust von Verantwortung und Passivit\u00e4t bei den Mitarbeitenden f\u00fchren. Smith kritisiert selbst die Arbeitsteilung, da sie dazu f\u00fchren kann, dass Talente stumpfer werden; das hei\u00dft, die Mitarbeitenden werden ungebildet und introvertiert, da ihre Rollen auf einige sich wiederholende Aufgaben beschr\u00e4nkt sind. W\u00e4hrend Spezialisierung den Prozess effizienter gestalten kann, inspiriert sie die Mitarbeitenden weniger.<\/p>\n
Universelle Rollen bieten alles, was die Arbeitszufriedenheit f\u00f6rdert: Autonomie, Fachkompetenz und Zielstrebigkeit. Autonomie bedeutet, dass sie unabh\u00e4ngig sind, um Erfolg zu haben. Fachkompetenz beruht auf starken Wettbewerbsvorteilen. Zielstrebigkeit liegt in der M\u00f6glichkeit, Einfluss auf das Unternehmen zu nehmen, das sie sch\u00f6pfen. Wenn es uns gelingt, Menschen f\u00fcr ihre Arbeit zu begeistern und einen gro\u00dfen Einfluss auf das Unternehmen auszu\u00fcben, wird der Rest an seinen Platz fallen.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-novosti-interneta"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t
![\"Warum](\"\/wp-content\/uploads\/2019\/05\/19d1e32e5d57abd463376af240cfa42e.jpg\")