<\/a><\/noindex>Mais l'objectif du Data Science n'est pas de simplement ex\u00e9cuter des t\u00e2ches. Au contraire, l'objectif est d'\u00e9tudier et de d\u00e9velopper de nouvelles opportunit\u00e9s commerciales solides. Des produits et services algorithmiques, tels que les syst\u00e8mes de recommandations, les interactions avec les clients, la classification des pr\u00e9f\u00e9rences en mati\u00e8re de style, le choix des tailles, le design de v\u00eatements, l'optimisation de la logistique, la d\u00e9tection des tendances saisonni\u00e8res et bien d'autres, ne peuvent pas \u00eatre con\u00e7us \u00e0 l'avance. Ils doivent \u00eatre explor\u00e9s. Il n'y a pas de plans pour les reproduire, ce sont de nouvelles opportunit\u00e9s avec leur propre incertitude. Les coefficients, mod\u00e8les, types de mod\u00e8les, hyperparam\u00e8tres, tous les \u00e9l\u00e9ments n\u00e9cessaires doivent \u00eatre \u00e9tudi\u00e9s par le biais d'exp\u00e9rimentations, d'essais et d'erreurs ainsi que de r\u00e9p\u00e9titions. Avec les \u00e9pingles, l'apprentissage et le design sont r\u00e9alis\u00e9s \u00e0 l'avance, avant leur production. Avec le Data Science, vous apprenez en cours de route, et non avant.<\/p>\n
Dans l'usine d'\u00e9pingles, lorsque l'apprentissage est la priorit\u00e9, nous n'attendons pas et ne souhaitons pas que les ouvriers improvisent sur quoi que ce soit concernant le produit, sauf pour am\u00e9liorer l'efficacit\u00e9 de la production. La sp\u00e9cialisation des t\u00e2ches a du sens, car elle m\u00e8ne \u00e0 l'efficacit\u00e9 des processus et \u00e0 la coh\u00e9rence de la production (sans modifications apport\u00e9es au produit final).<\/p>\n
Mais lorsque le produit est encore en d\u00e9veloppement et que l'objectif est l'apprentissage, la sp\u00e9cialisation entrave nos objectifs dans les cas suivants :<\/p>\n
1. Cela augmente les co\u00fbts de coordination. <\/b><\/p>\n
C'est-\u00e0-dire les co\u00fbts qui s'accumulent au fil du temps, consacr\u00e9s \u00e0 la communication, \u00e0 la discussion, \u00e0 la justification et \u00e0 la d\u00e9termination des priorit\u00e9s du travail \u00e0 accomplir. Ces co\u00fbts se scalent de mani\u00e8re superlin\u00e9aire avec le nombre de personnes impliqu\u00e9es. (Comme nous l'a enseign\u00e9 J. Richard Hackman, le nombre de relations r augmente selon une fonction du nombre de membres n, conform\u00e9ment \u00e0 cette \u00e9quation : r = (n ^ 2-n) \/ 2. Et chaque relation r\u00e9v\u00e8le un certain rapport de co\u00fbts). Lorsque les sp\u00e9cialistes en analyse de donn\u00e9es sont organis\u00e9s par fonctions, \u00e0 chaque \u00e9tape, avec chaque changement, chaque transfert de service, etc., un grand nombre de sp\u00e9cialistes sont n\u00e9cessaires, ce qui augmente les co\u00fbts de coordination. Par exemple, les sp\u00e9cialistes en mod\u00e9lisation statistique qui souhaitent exp\u00e9rimenter de nouvelles fonctionnalit\u00e9s doivent coordonner leurs actions avec les ing\u00e9nieurs en traitement de donn\u00e9es, qui compl\u00e8tent les ensembles de donn\u00e9es chaque fois qu'ils souhaitent essayer quelque chose de nouveau. De la m\u00eame mani\u00e8re, chaque nouveau mod\u00e8le entra\u00een\u00e9 signifie que le d\u00e9veloppeur du mod\u00e8le aura besoin de quelqu'un avec qui coordonner ses actions pour le mettre en production. Les co\u00fbts de coordination agissent comme un co\u00fbt d'it\u00e9ration, ce qui les rend plus difficiles et co\u00fbteux et augmente la probabilit\u00e9 d'abandonner la recherche. Cela peut entraver l'apprentissage.<\/p>\n
2. Cela complique le temps d'attente. <\/b><\/p>\n
Ce qui est encore plus alarmant que le co\u00fbt de la coordination, c'est le temps perdu entre les \u00e9quipes de travail. Alors que les co\u00fbts de coordination sont g\u00e9n\u00e9ralement mesur\u00e9s en heures \u2014 le temps n\u00e9cessaire pour organiser des r\u00e9unions, des discussions, des revues de projets \u2014 le temps d'attente est souvent mesur\u00e9 en jours, en semaines, voire en mois ! Il est difficile d'aligner les emplois du temps des sp\u00e9cialistes fonctionnels, car chacun doit \u00eatre r\u00e9parti sur plusieurs projets. Une r\u00e9union d'une heure pour discuter des changements peut n\u00e9cessiter plusieurs semaines pour synchroniser le flux de travail. Et apr\u00e8s avoir valid\u00e9 les modifications, il faut \u00e9galement planifier la r\u00e9alisation effective du travail dans le contexte de nombreux autres projets, ce qui empi\u00e8te sur le temps de travail des sp\u00e9cialistes. Le travail li\u00e9 \u00e0 la correction de code ou \u00e0 des recherches, qui ne n\u00e9cessite que quelques heures ou jours pour \u00eatre finalis\u00e9, peut prendre beaucoup plus de temps avant que les ressources ne soient disponibles. D'ici l\u00e0, l'it\u00e9ration et l'apprentissage sont suspendus.<\/p>\n
3. Cela restreint le contexte.<\/b><\/p>\n
La division du travail peut limiter artificiellement l'apprentissage, r\u00e9compensant les individus pour rester dans leur sp\u00e9cialisation. Par exemple, un chercheur qui doit rester dans son domaine de comp\u00e9tence va concentrer son \u00e9nergie sur des exp\u00e9riences avec diff\u00e9rents types d'algorithmes : r\u00e9gression, r\u00e9seaux de neurones, for\u00eats al\u00e9atoires, etc. Sans aucun doute, un bon choix d'algorithme peut mener \u00e0 des am\u00e9liorations progressives, mais en g\u00e9n\u00e9ral, on peut tirer bien plus de b\u00e9n\u00e9fices d'autres types d'activit\u00e9s, comme l'int\u00e9gration de nouvelles sources de donn\u00e9es. De la m\u00eame mani\u00e8re, cela contribuera \u00e0 d\u00e9velopper un mod\u00e8le qui utilise chaque bit d'explicabilit\u00e9 inh\u00e9rent aux donn\u00e9es. N\u00e9anmoins, sa force peut r\u00e9sider dans la modification de la fonction objective ou l'assouplissement de certaines contraintes. C'est difficile \u00e0 discerner ou \u00e0 r\u00e9aliser lorsque son travail est restreint. Comme le chercheur se sp\u00e9cialise dans l'optimisation des algorithmes, il a beaucoup moins de chances de s'engager dans d'autres domaines, m\u00eame si cela peut apporter des b\u00e9n\u00e9fices substantiels.<\/p>\n
Identifions les signes qui se manifestent lorsque les \u00e9quipes de data science fonctionnent comme des usines \u00e0 \u00e9pingles (par exemple, lors de simples mises \u00e0 jour de statut) : \u00ab attente des changements dans le pipeline de donn\u00e9es \u00bb et \u00ab attente des ressources en ML Eng \u00bb, qui sont des blocages courants. Cependant, je crois que l'effet le plus dangereux est ce que vous ne remarquez pas, car vous ne pouvez pas regretter ce que vous ne connaissez pas encore. L'ex\u00e9cution impeccable des exigences et l'autosatisfaction, atteintes gr\u00e2ce \u00e0 l'efficacit\u00e9 des processus, peuvent masquer la v\u00e9rit\u00e9 selon laquelle les organisations ne sont pas conscientes des avantages de l'apprentissage qu'elles perdent.<\/p>\n
La solution \u00e0 ce probl\u00e8me r\u00e9side bien s\u00fbr dans l'\u00e9limination de la m\u00e9thode de l'usine \u00e0 \u00e9pingles. Pour favoriser l'apprentissage et l'it\u00e9ration, les r\u00f4les en data science doivent \u00eatre interconnect\u00e9s, mais avec des responsabilit\u00e9s larges, ind\u00e9pendantes de la fonction technique, c'est-\u00e0-dire organiser les sp\u00e9cialistes des donn\u00e9es de mani\u00e8re \u00e0 ce qu'ils soient optimis\u00e9s pour l'apprentissage. Cela signifie qu'il est n\u00e9cessaire d'embaucher des \u00ab sp\u00e9cialistes full stack \u00bb \u2014 des professionnels polyvalents capables d'assumer diverses fonctions : de la conception \u00e0 la mod\u00e9lisation, de la mise en \u0153uvre \u00e0 la mesure. Il est important de noter que je ne suppose pas que lors de l'embauche de sp\u00e9cialistes full stack, le nombre d'employ\u00e9s doive diminuer. Je vais plut\u00f4t sugg\u00e9rer que lorsqu'ils sont organis\u00e9s diff\u00e9remment, leurs r\u00e9compenses sont mieux align\u00e9es sur les avantages de l'apprentissage et de l'efficacit\u00e9. Par exemple, vous avez une \u00e9quipe de trois personnes poss\u00e9dant trois comp\u00e9tences commerciales. Dans une usine \u00e0 \u00e9pingles, chaque sp\u00e9cialiste consacrera un tiers de son temps \u00e0 chaque t\u00e2che professionnelle, car personne d'autre ne pourra faire son travail. Dans un cadre full stack, chaque employ\u00e9 polyvalent est enti\u00e8rement engag\u00e9 dans l'ensemble du processus commercial, l'augmentation des volumes de travail et l'apprentissage.<\/p>\n
Avec moins de personnes soutenant le cycle de production, la coordination diminue. L'universel se d\u00e9place en douceur entre les fonctions, \u00e9tendant le pipeline de donn\u00e9es pour ajouter plus de volume de donn\u00e9es, en essayant de nouvelles fonctionnalit\u00e9s dans les mod\u00e8les, en d\u00e9ployant de nouvelles versions en production pour des mesures causales, et en r\u00e9p\u00e9tant les \u00e9tapes aussi rapidement que de nouvelles id\u00e9es \u00e9mergent. Bien s\u00fbr, l'universel effectue diff\u00e9rentes fonctions de mani\u00e8re s\u00e9quentielle, et non parall\u00e8lement. Apr\u00e8s tout, ce n'est qu'une seule personne. Cependant, l'ex\u00e9cution d'une t\u00e2che ne prend g\u00e9n\u00e9ralement qu'une petite partie du temps n\u00e9cessaire pour acc\u00e9der \u00e0 une autre ressource sp\u00e9cialis\u00e9e. Ainsi, le temps d'it\u00e9ration est r\u00e9duit.<\/p>\n
Notre universel n'est peut-\u00eatre pas aussi habile qu'un sp\u00e9cialiste dans une fonction de travail sp\u00e9cifique, mais nous ne visons pas la perfection fonctionnelle ou de petites am\u00e9liorations progressives. Au contraire, nous nous effor\u00e7ons d'explorer et de d\u00e9couvrir de nouvelles t\u00e2ches professionnelles avec un impact progressif. Avec un contexte holistique pour une solution compl\u00e8te, il voit des opportunit\u00e9s que sp\u00e9cialistes \u00e9troits manqueront. Il a plus d'id\u00e9es et plus de possibilit\u00e9s. Il \u00e9choue aussi. Pourtant, le co\u00fbt de l'\u00e9chec est faible, alors que les avantages de l'apprentissage sont \u00e9lev\u00e9s. Cette asym\u00e9trie favorise une it\u00e9ration rapide et r\u00e9compense l'apprentissage.<\/p>\n
Il est important de noter que l'\u00e9chelle d'autonomie et la diversit\u00e9 des comp\u00e9tences fournies par le scientifique travaillant avec des stacks complets d\u00e9pendent en grande partie de la fiabilit\u00e9 de la plateforme de donn\u00e9es sur laquelle il peut travailler. Une plateforme de donn\u00e9es bien con\u00e7ue abstrait les scientifiques des donn\u00e9es des complexit\u00e9s de la conteneurisation, du traitement distribu\u00e9, de la transition automatique vers d'autres ressources et d'autres concepts informatiques avanc\u00e9s. En plus de l'abstraction, une plateforme de donn\u00e9es fiable peut garantir une connexion fluide \u00e0 l'infrastructure exp\u00e9rimentale, automatiser la surveillance et les syst\u00e8mes d'alerte, assurer un dimensionnement automatique et visualiser les r\u00e9sultats algorithmiques ainsi que le d\u00e9bogage. Ces composants sont con\u00e7us et d\u00e9velopp\u00e9s par les ing\u00e9nieurs de la plateforme de donn\u00e9es, c'est-\u00e0-dire qu'ils ne sont pas transmis \u00e0 l'\u00e9quipe de d\u00e9veloppement de la plateforme de donn\u00e9es par le sp\u00e9cialiste des Data Science. C'est le sp\u00e9cialiste des Data Science qui est responsable de tout le code utilis\u00e9 pour ex\u00e9cuter la plateforme.<\/p>\n
Je me suis \u00e9galement int\u00e9ress\u00e9 \u00e0 la division fonctionnelle du travail en utilisant l'efficacit\u00e9 des processus, mais par le biais de l'apprentissage par essais et erreurs (il n'y a pas de meilleur moyen d'apprendre), j'ai d\u00e9couvert que les r\u00f4les typiques favorisent mieux l'apprentissage et l'innovation et fournissent des indicateurs pr\u00e9cis : la d\u00e9couverte et la construction d'un nombre beaucoup plus \u00e9lev\u00e9 d'opportunit\u00e9s commerciales qu'une approche sp\u00e9cialis\u00e9e. (Un moyen plus efficace de comprendre cette approche organisationnelle que le processus d'essais et d'erreurs que j'ai suivi est de lire le livre d'Amy Edmondson \u00ab L'interaction en \u00e9quipe : comment les organisations apprennent, innovent et rivalisent dans l'\u00e9conomie de la connaissance \u00bb).<\/p>\n
Il existe certaines hypoth\u00e8ses importantes qui peuvent rendre cette approche organisationnelle plus ou moins fiable dans certaines entreprises. Le processus it\u00e9ratif r\u00e9duit le co\u00fbt des essais et erreurs. Si le co\u00fbt d'une erreur est \u00e9lev\u00e9, vous voudrez peut-\u00eatre le diminuer (mais cela n'est pas recommand\u00e9 pour les applications m\u00e9dicales ou la production). De plus, si vous traitez des p\u00e9taoctets ou des exaoctets de donn\u00e9es, une sp\u00e9cialisation dans la conception des donn\u00e9es peut \u00eatre n\u00e9cessaire. De m\u00eame, si le maintien des opportunit\u00e9s commerciales en ligne et leur disponibilit\u00e9 sont plus importants que leur perfectionnement, l'excellence fonctionnelle peut surpasser l'apprentissage. Enfin, le mod\u00e8le de la pile compl\u00e8te repose sur des personnes comp\u00e9tentes. Elles ne sont pas des licornes ; on peut les trouver ou les former soi-m\u00eame. Cependant, elles sont tr\u00e8s demand\u00e9es, et pour les attirer et les retenir dans l'entreprise, une compensation mat\u00e9rielle comp\u00e9titive, des valeurs d'entreprise solides et un travail int\u00e9ressant seront n\u00e9cessaires. Assurez-vous que votre culture d'entreprise peut offrir de telles conditions.<\/p>\n
M\u00eame avec tout cela, je crois que le mod\u00e8le de la pile compl\u00e8te offre les meilleures conditions pour un d\u00e9marrage. Commencez par eux, puis avancez consciemment vers une division fonctionnelle du travail seulement quand cela est vraiment n\u00e9cessaire.<\/p>\n
Il existe aussi d'autres inconv\u00e9nients \u00e0 la sp\u00e9cialisation fonctionnelle. Cela peut entra\u00eener une perte de responsabilit\u00e9 et une passivit\u00e9 de la part des employ\u00e9s. Smith lui-m\u00eame critique la division du travail, sugg\u00e9rant qu'elle conduit \u00e0 une atrophie des talents, c'est-\u00e0-dire que les travailleurs deviennent ignorants et introvertis, car leurs r\u00f4les se limitent \u00e0 quelques t\u00e2ches r\u00e9p\u00e9titives. Bien que la sp\u00e9cialisation puisse offrir une efficacit\u00e9 de processus, elle inspire moins souvent les employ\u00e9s.<\/p>\n
Les r\u00f4les polyvalents garantissent tout ce qui stimule la satisfaction au travail : l'autonomie, l'expertise et la d\u00e9termination. L'autonomie signifie qu'ils ne d\u00e9pendent de rien pour r\u00e9ussir. L'expertise repose sur des avantages concurrentiels solides. Quant \u00e0 la d\u00e9termination, elle se traduit par la capacit\u00e9 d'influencer l'entreprise qu'ils cr\u00e9ent. Si nous parvenons \u00e0 inciter les gens \u00e0 s'engager dans leur travail et \u00e0 avoir un impact significatif sur l'entreprise, tout le reste suivra.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
![\"Pourquoi](\"\/wp-content\/uploads\/2019\/05\/19d1e32e5d57abd463376af240cfa42e.jpg\")