<\/a><\/noindex>Kuid Data Science'i eesm\u00e4rk pole lihtsalt \u00fclesandeid t\u00e4ita. Pigem seisneb eesm\u00e4rk uute tugevate \u00e4riv\u00f5imaluste uurimises ja arendams. Algoritmilised tooted ja teenused, nagu soovituss\u00fcsteemid, kliendisuhtlus, stiilieelistuste klassifitseerimine, suuruste sobitamine, r\u00f5ivadisaini optimeerimine, hooajaliste trendide avastamine ja palju muud, ei saa olla eelnevalt v\u00e4lja t\u00f6\u00f6tatud. Neid tuleb uurida. Pole olemas jooniseid, mille j\u00e4rgi kopeerida, need on uued v\u00f5imalused oma kaasneva ebakindlusega. Koefitsiendid, mudelid, mudelite t\u00fc\u00fcbid, h\u00fcperparameetrid, k\u00f5ik vajalikud elemendid tuleb uurida katsete, vigade ja korduste kaudu. Nuppudega toimub treening ja disain ette, enne nende tootmist. Data Science'is \u00f5pite protsessi k\u00e4igus, mitte enne seda.<\/p>\n
Nuppude tehases, kus \u00f5pe on prioriteet, ei oota ega soovi me, et t\u00f6\u00f6tajad improviseeriksid toote mis tahes omadusega, v\u00e4lja arvatud tootmisprotsessi efektiivsuse suurendamine. \u00dclesannete spetsialiseerumine on m\u00f5ttekas, kuna see toob kaasa protsesside efektiivsuse ja tootmise j\u00e4rjepidevuse (ilma l\u00f5pp-produkti muutmiseta).<\/p>\n
Kuid kui toode on endiselt arengus ja eesm\u00e4rk on \u00f5ppida, takistab spetsialiseerumine meie eesm\u00e4rke j\u00e4rgmistes juhtudes:<\/p>\n
1. See suurendab koordineerimise kulusid. <\/b><\/p>\n
See, the costs that accumulate over time spent on communication, discussion, justification, and prioritizing the work that needs to be done. These costs scale superlinearly with the number of people involved. (As J. Richard Hackman taught us, the number of relationships r grows similarly to the function of the number of members n according to this equation: r = (n ^ 2 - n) \/ 2. And each relationship reveals some amount of cost relation). When data analysts are organized by functions, at every stage, with each change, each service transition, etc., many specialists are required, which increases coordination costs. For instance, statistical modeling specialists who want to experiment with new features will need to coordinate their actions with data processing engineers who augment the datasets every time they want to try something new. Similarly, each new trained model means that the model developer will need someone to coordinate their actions for deployment. Coordination costs act as the price for iteration, making them more challenging and costly and more likely to discourage exploration. This can hinder training.<\/p>\n
2. This complicates the waiting time. <\/b><\/p>\n
Kooridiniikuludest veelgi hirmutavam on aeg, mis kaob t\u00f6\u00f6vahetuste vahel. Kui koordineerimise kulusid m\u00f5\u00f5detakse tavaliselt tundides \u2014 aega, mis kulub koosolekute, arutelude ja projektide \u00fclevaatamiseks, siis ooteaeg tavaliselt m\u00f5\u00f5detakse p\u00e4evades, n\u00e4dalates v\u00f5i isegi kuudes! Funktsionaalsete spetsialistide graafikute \u00fchte sobitamist on raske teha, kuna iga spetsialist peab olema jaotatud mitmele projektile. \u00dcks tund koosolekut muudatuste arutamiseks v\u00f5ib t\u00f6\u00f6voo \u00fchtsuse saavutamiseks v\u00f5tta mitu n\u00e4dalat. Ja p\u00e4rast muudatuste koosk\u00f5lastamist tuleb koosk\u00f5lastada ka tegelik t\u00f6\u00f6, mis seondub paljudele teistele projektidele, eraldades spetsialistide t\u00f6\u00f6aega. Koodigeenide parandamine v\u00f5i uurimist\u00f6\u00f6, mille l\u00f5petamiseks kulub ainult m\u00f5ned tunnid v\u00f5i p\u00e4evad, v\u00f5ib v\u00f5tta palju rohkem aega, enne kui ressursid muutuvad k\u00e4ttesaadavaks. Seni on iteratsioon ja \u00f5ppimine peatatud.<\/p>\n
3. See kitsendab konteksti.<\/b><\/p>\n
T\u00f6\u00f6 jagamine v\u00f5ib kunstlikult piirata \u00f5ppimist, premeerides inimesi selle eest, et nad j\u00e4\u00e4vad oma spetsialiseerumisse. N\u00e4iteks, teadlane, kes peab j\u00e4\u00e4ma oma funktsionaalsuse piiridesse, suunab oma energia erinevate algoritmide katsetamisele: regressioon, n\u00e4rviv\u00f5rgud, juhuslikud metsad jne. Ilmselt v\u00f5ib hea algoritmi valik viia j\u00e4rkj\u00e4rkseteni parandusteni, kuid tavaliselt on v\u00f5imalik teistest tegevustest, nagu uute andmeallikate integreerimine, palju rohkem kasu saada. Samuti aitab see v\u00e4lja t\u00f6\u00f6tada mudeli, mis kasutab \u00e4ra iga andmete seletusv\u00f5ime. Siiski v\u00f5ib selle tugevus seisneda sihtfunktsiooni muutmises v\u00f5i teatud piirangute leevendamises. Seda on raske n\u00e4ha v\u00f5i teha, kui selle t\u00f6\u00f6piirangud on kitsad. Kuna teadlane-ekspert spetsialiseerub algoritmide optimeerimisele, on tal palju v\u00e4hem v\u00f5imalusi millegi muuga tegeleda, isegi kui see looks m\u00e4rkimisv\u00e4\u00e4rset kasu.<\/p>\n
Vaatame m\u00e4rke, mis ilmnevad, kui andeteaduse meeskonnad t\u00f6\u00f6tavad nagu n\u00f6\u00f6pn\u00f5elte tehased (n\u00e4iteks lihtsates staatuse uuendustes): \u201eootamine andmevoo muutmisest\u201c ja \u201eootamine ML Engi ressurssidest\u201c, mis on tavalised takistajad. Sellegipoolest usun, et ohtlikum m\u00f5ju on see, mida te ei m\u00e4rka, kuna te ei saa kahetseda seda, mida te ei tea. T\u00e4iuslik n\u00f5uete t\u00e4itmine ja enesekehtestamine, mis on saavutatud protsesside t\u00f5hususe saavutamise toel, v\u00f5ivad varjata t\u00f5de, et organisatsioonid pole teadlikud \u00f5ppimise eelistest, mis neil on kaotatud.<\/p>\n
Selle probleemi lahenduseks on muidugi loobuda n\u00f6\u00f6pn\u00f5elte tehase meetodist. Et edendada \u00f5ppimist ja iteratsiooni, peavad andeteaduse rollid olema universaalsed, kuid laialdaste kohustustega, mis ei s\u00f5ltu tehnilisest funktsioonist, st korraldada andespetsialistid nii, et need oleksid optimiseeritud \u00f5ppimiseks. See t\u00e4hendab, et tuleb palgata \u201et\u00e4ism\u00f5\u00f5tme eksperte\u201c \u2014 universaalseid spetsialiste, kes saavad t\u00e4ita erinevaid funktsioone: kontseptsioonist modelleerimiseni, teostamisest m\u00f5\u00f5tmiseni. Oluline on m\u00e4rkida, et ma ei arva, et t\u00e4ism\u00f5\u00f5tme spetsialiste palgates peaks t\u00f6\u00f6tajate arv v\u00e4henema. Pigem eeldan, et kui nad on korraldatud teisiti, seondub nende motivatsioon paremini \u00f5ppimise ja efektiivsuse eelistega. N\u00e4iteks on teil kolmeliikmeline meeskond, kellel on kolm \u00e4rilist kvaliteeti. N\u00f6\u00f6pn\u00f5elte tehas, igal spetsialistil kulub iga ametiaja kolmandik aega, kuna keegi teine ei saa teha tema t\u00f6\u00f6d. T\u00e4ism\u00f5\u00f5tme puhul on iga \u00fcldspetsialist t\u00e4ielikult p\u00fchendunud kogu \u00e4ri protsessile, t\u00f6\u00f6mahu suurendamisele ja \u00f5ppimisele.<\/p>\n
Kui tootmisprotsessi toetamiseks on v\u00e4hem inimesi, v\u00e4heneb koordineerimine. Universaal liigub sujuvalt funktsioonide vahel, laiendades andmevooge, et lisada rohkem andmeid, katsetades uusi funktsioone mudelites, juurutades uusi versioone tootmises p\u00f5hjuse m\u00f5\u00f5tmise jaoks ja kordab samme nii kiiresti, kui uusi ideid tekib. Loomulikult t\u00e4idab universaal erinevaid funktsioone j\u00e4rjestikku, mitte paralleelselt. L\u00f5ppude l\u00f5puks on see vaid \u00fcks inimene. Siiski n\u00f5uab \u00fclesande t\u00e4itmine tavaliselt vaid v\u00e4hest osa ajast, mis oleks vajalik millekski muud spetsialiseeritud ressursiks. Seega v\u00e4heneb iteratsiooni aeg.<\/p>\n
Meie universaal ei pruugi olla nii osav kui spetsialist teatud t\u00f6\u00f6funktsioonis, kuid me ei p\u00fc\u00fcdle funktsionaalse t\u00e4iuslikkuse v\u00f5i v\u00e4ikeste j\u00e4rkj\u00e4rguline t\u00e4iustuste poole. Pigem p\u00fc\u00fcame avastada ja \u00f5ppida uusi professionaalseid \u00fclesandeid j\u00e4rkj\u00e4rgulise m\u00f5juga. Tervikliku konteksti abil tervikliku lahenduse jaoks n\u00e4eb ta v\u00f5imalusi, mida kitsas spetsialist v\u00f5ib maha magada. Tal on rohkem ideid ja rohkem v\u00f5imalusi. Ta eba\u00f5nnestub samuti. Sellegipoolest on eba\u00f5nnestumise hind madal ja \u00f5ppimise eelised suured. See as\u00fcmmeetria soodustab kiiret iteratsiooni ja premeerib \u00f5ppimist.<\/p>\n
Oluline on m\u00e4rkida, et teadlaste, kes t\u00f6\u00f6tavad t\u00e4ielike tehnoloogiliste virnadega, autonoomia ja oskuste mitmekesisus s\u00f5ltub suurel m\u00e4\u00e4ral andmep\u00f5histe platvormide usaldusv\u00e4\u00e4rsusest, millega nad saavad t\u00f6\u00f6tada. H\u00e4sti \u00fcles ehitatud andmep\u00f5hine platvorm eraldab andmeanal\u00fc\u00fctikud keerukalt konteineritest, jaotatud t\u00f6\u00f6tlemisest, automaatsest liikumisest muudele ressurssidele ja muudest t\u00e4iustatud arvutiteooriatest. Lisaks abstraktsioonile v\u00f5ib usaldusv\u00e4\u00e4rne andmep\u00f5hine platvorm tagada sujuva juurdep\u00e4\u00e4su eksperimentaalsele infrastruktuurile, automatiseerida j\u00e4lgimise ja h\u00e4ires\u00fcsteemi, pakkuda automaatset skaleerimist ja visualiseerida algoritmilisi tulemusi ja t\u00f5rkeotsingut. Need komponendid on projekteeritud ja loodud andmep\u00f5hise platvormi inseneride poolt, see t\u00e4hendab, et Data Science spetsialist ei edasta neid andmep\u00f5hise platvormi arendajate meeskonnale. Just Data Science spetsialist vastutab kogu selle koodi eest, mida kasutatakse platvormi k\u00e4ivitamiseks.<\/p>\n
Mind huvitas ka kunagi funktsionaalne t\u00f6\u00f6jaotus protsesside efektiivsuse kasutamise kaudu, kuid katse-eksituse meetodil (paremat \u00f5ppimise meetodit ei ole) avastasin, et t\u00fc\u00fcpilised rollid soodustavad paremini \u00f5ppimist ja innovaatilisust ning pakuvad \u00f5igeid n\u00e4itajaid: palju suurema hulga \u00e4riv\u00f5imaluste avastamine ja arendamine v\u00f5rreldes spetsialiseeritud l\u00e4henemisviisiga. (Efektiivsem viis selle l\u00e4henemise kohta \u00f5ppida, kui katse-eksituse meetod, millest ma olen l\u00e4binud, on lugeda Amy Edmondsoni raamatut \"Meeskonna koost\u00f6\u00f6: kuidas organisatsioonid \u00f5pivad, loovad innovaatilisust ja konkureerivad teadmistep\u00f5hises majanduses\").<\/p>\n
On teatud olulised eeldused, mis v\u00f5ivad muuta selle l\u00e4henemise organisatsioonile m\u00f5nes ettev\u00f5ttes rohkem v\u00f5i v\u00e4hem usaldusv\u00e4\u00e4rseks. Iteratsiooniprotsess v\u00e4hendab katsetamise ja eksimise kulusid. Kui vea hind on k\u00f5rge, v\u00f5ite soovida neid v\u00e4hendada (kuid see ei ole soovitatav meditsiiniliste rakenduste v\u00f5i tootmise puhul). Lisaks, kui tegelete petabaidiga v\u00f5i eksabaitidega andmetega, v\u00f5ib osutuda vajalikuks andmete kavandamise spetsialiseerumine. Samuti, kui \u00e4riv\u00f5imaluste s\u00e4ilitamine ja nende k\u00e4ttesaadavus on olulisem kui nende t\u00e4iendamine, v\u00f5ib funktsionaalne \u00fcleolek \u00fcletada \u00f5ppimise. L\u00f5puks tugineb t\u00e4iskihi mudel teadlike inimeste arvamusele. Nad ei ole \u00fche sarve faktid; neid on v\u00f5imalik leida v\u00f5i ise koolitada. Siiski on neil k\u00f5rge n\u00f5udlus ja nende ettev\u00f5ttesse toomiseks ja hoidmiseks on vajalik konkurentsiv\u00f5imeline rahaline h\u00fcvitis, p\u00fcsivad ettev\u00f5tte v\u00e4\u00e4rtused ja huvitav t\u00f6\u00f6. Veenduge, et teie ettev\u00f5tte kultuur suudab selliseid tingimusi pakkuda.<\/p>\n
Isegi k\u00f5ik eeltoodud arvesse v\u00f5ttes arvan, et t\u00e4iskihi mudel loob alustamiseks parimad tingimused. Alustage neist, seej\u00e4rel liikuge teadlikult funktsionaalse t\u00f6\u00f6jaotuse suunal ainult siis, kui see on t\u00f5eliselt vajalik.<\/p>\n
Funktsionaalsel spetsialiseerumisel on ka teisi puudusi. See v\u00f5ib viia vastutuse ja t\u00f6\u00f6tajate passiivsuse kadumiseni. Isegi Smith kritiseerib t\u00f6\u00f6jaotust, v\u00e4ites, et see toob kaasa andete tuhmumise, st t\u00f6\u00f6tajad muutuvad teadmistevaeseks ja isoleerituks, kuna nende rollid on piiratud m\u00f5ne korduva \u00fclesandega. Kuigi spetsialiseerumine v\u00f5ib pakkuda protsessi efektiivsust, inspireerib see t\u00f6\u00f6tajaid harva.<\/p>\n
\u00dcldrollid pakuvad k\u00f5ike, mis stimuleerib t\u00f6\u00f6rahulolu: autonoomia, meisterlikkus ja sihikindlus. Autonoomia t\u00e4hendab, et need ei s\u00f5ltu millestki edusamme saavutades. Meisterlikkus seisneb tugevatest konkurentsieelistest. Sihikindlus t\u00f5ukub v\u00f5imalusest m\u00f5jutada \u00e4ri, mida nad loovad. Kui suudame inimesi nende t\u00f6\u00f6 vastu entusiastlikuks teha ja olulist m\u00f5ju ettev\u00f5ttele avaldada, siis k\u00f5ik muu s\u00e4tib end paika.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
![\"Miks](\"\/wp-content\/uploads\/2019\/05\/19d1e32e5d57abd463376af240cfa42e.jpg\")