<\/a><\/noindex>No, cilj Data Science nije u obavljanju zadataka. Umjesto toga, cilj je istra\u017eivanje i razvoj novih jakih poslovnih mogu\u0107nosti. Algoritamski proizvodi i usluge, kao \u0161to su sustavi preporuka, interakcije s kupcima, klasifikacija stilskih preferencija, odabir veli\u010dine, dizajniranje odje\u0107e, optimizacija logistike, otkrivanje sezonskih trendova i mnogo vi\u0161e ne mogu se unaprijed razviti. Oni se moraju istra\u017eivati. Ne postoje nacrti za reprodukciju, to su nove mogu\u0107nosti s inherentnom neizvjesno\u0161\u0107u. Koeficijenti, modeli, tipovi modela, hiperpodaci, svi potrebni elementi moraju se istra\u017eivati kroz eksperimentiranje, poku\u0161aje i pogre\u0161ke, kao i ponavljanje. S iglama, obuka i dizajn se provode unaprijed, prije njihovog proizvodnje. S Data Science u\u010dite tijekom procesa, a ne prije njega.<\/p>\n
U tvornici igala, kada je obuka na prvom mjestu, ne \u010dekamo ni ne \u017eelimo da zaposlenici improviziraju vezano uz bilo koju osobinu proizvoda, osim kada to pobolj\u0161ava u\u010dinkovitost proizvodnje. Specijalizacija zadataka ima smisla, jer dovodi do u\u010dinkovitosti procesa i konzistentnosti proizvodnje (bez izmjena u kona\u010dnom proizvodu).<\/p>\n
No, kada se proizvod jo\u0161 uvijek razvija i cilj je obu\u010davanje, specijalizacija ometa na\u0161e ciljeve u sljede\u0107im slu\u010dajevima:<\/p>\n
1. Pove\u0107ava tro\u0161kove koordinacije. <\/b><\/p>\n
To jest tro\u0161ak koji nastaje zbog vremena provedenog u komunikaciji, raspravama, opravdavanju i odre\u0111ivanju prioriteta rada koji treba obaviti. Ovi tro\u0161kovi rastu nelinearno s brojem uklju\u010denih ljudi. (Kao \u0161to nas je u\u010dio J. Richard Hackman, broj odnosa r raste poput funkcije broja \u010dlanova n prema ovoj jednad\u017ebi: r = (n ^ 2 - n) \/ 2. Svaki odnos otkriva odre\u0111eni broj odnosa tro\u0161kova). Kada su stru\u010dnjaci za analizu podataka organizirani po funkcijama, na svakom koraku, uz svaku promjenu, svaki prijenos usluge itd. potrebno je mnogo stru\u010dnjaka, \u0161to pove\u0107ava tro\u0161kove koordinacije. Na primjer, stru\u010dnjaci za statisti\u010dko modeliranje koji \u017eele eksperimentirati s novim funkcijama moraju koordinirati svoje aktivnosti s in\u017eenjerima za obradu podataka koji nadopunjuju skupove podataka svaki put kada \u017eele isprobati ne\u0161to novo. Na sli\u010dan na\u010din, svaki novi obu\u010deni model zna\u010di da \u0107e programeru modela biti potrebna osoba s kojom \u0107e koordinirati svoje aktivnosti za njegovo pu\u0161tanje u rad. Tro\u0161kovi koordinacije djeluju kao cijena iteracije, \u0161to ih \u010dini te\u017ee i skuplje te s ve\u0107om vjerojatno\u0161\u0107u da \u0107e odustati od istra\u017eivanja. To mo\u017ee ometati u\u010denje.<\/p>\n
2. To ote\u017eava vrijeme \u010dekanja. <\/b><\/p>\n
\u010cak je i vi\u0161e zabrinjavaju\u0107e od tro\u0161kova koordinacije izgubljeno vrijeme izme\u0111u smjena. Dok se tro\u0161kovi koordinacije obi\u010dno mjere u satima: vrijeme potrebno za odr\u017eavanje sastanaka, rasprava, pregleda projekata, vrijeme \u010dekanja obi\u010dno se mjeri u danima, tjednima ili \u010dak mjesecima! Te\u0161ko je uskladiti rasporede funkcionalnih stru\u010dnjaka jer svaki stru\u010dnjak mora biti raspore\u0111en na vi\u0161e projekata. Jedan sat sastanka za raspravu o promjenama mo\u017ee potrajati nekoliko tjedana da se uskladi radni proces. I nakon \u0161to su promjene dogovorene, potrebno je planirati i sam rad u kontekstu mnogih drugih projekata koji oduzimaju radno vrijeme stru\u010dnjaka. Rad povezan s ispravkom koda ili istra\u017eivanjem, koji bi mogao biti dovr\u0161en za nekoliko sati ili dana, mo\u017ee potrajati mnogo du\u017ee prije nego \u0161to resursi postanu dostupni. Do tada, iteracija i u\u010denje su obustavljeni.<\/p>\n
3. To su\u017eava kontekst.<\/b><\/p>\n
Podjela rada mo\u017ee umjetno ograni\u010diti u\u010denje, nagra\u0111uju\u0107i ljude da ostanu unutar svoje specijalizacije. Na primjer, istra\u017eiva\u010d koji mora ostati unutar svoje funkcionalnosti fokusirat \u0107e svoju energiju na eksperimentiranje s razli\u010ditim vrstama algoritama: regresijom, neuronskim mre\u017eama, random forest itd. Dobar odabir algoritma definitivno mo\u017ee dovesti do postepenih pobolj\u0161anja, ali, kao pravilo, mnogo vi\u0161e se mo\u017ee izvu\u0107i iz drugih vrsta aktivnosti, kao \u0161to je integracija novih izvora podataka. Tako\u0111er \u0107e pomo\u0107i u razvoju modela koji koristi svaki dio obja\u0161njavaju\u0107e sposobnosti koja podacima pripada. Ipak, njezina snaga mo\u017ee le\u017eati u promjeni ciljne funkcije ili oslabljenju odre\u0111enih ograni\u010denja. To je te\u0161ko primijetiti ili u\u010diniti kada je njezin rad ograni\u010den. Kako se stru\u010dnjak specijalizirao za optimizaciju algoritama, ima mnogo manje \u0161anse da se bavi ne\u010dim drugim, \u010dak i ako to donosi zna\u010dajne beneficije.<\/p>\n
Nazovimo znakove koji se pojavljuju kada timovi za podatkovnu znanost rade kao tvornice igala (na primjer, u jednostavnim a\u017euriranjima statusa): \u201e\u010dekanje na promjene u kanalu podataka\u201c i \u201e\u010dekanje na resurse ML Eng\u201c, \u0161to su uobi\u010dajeni blokatori. Ipak, smatram da je opasniji utjecaj ono \u0161to ne primje\u0107ujete, jer ne mo\u017eete \u017ealiti za ne\u010dim \u0161to jo\u0161 ne znate. Besprijekorno ispunjavanje zahtjeva i samozadovoljstvo koja se posti\u017eu ostvarivanjem u\u010dinkovitosti procesa mogu prikriti istinu da organizacije nisu upoznate s prednostima u\u010denja koje propu\u0161taju.<\/p>\n
Rje\u0161enje ovog problema, naravno, le\u017ei u osloba\u0111anju od metode tvornice igala. Da bismo potaknuli u\u010denje i iteraciju, uloge u podatkovnoj znanosti trebaju biti zajedni\u010dke, ali s \u0161irokim odgovornostima koje ne ovise o tehni\u010dkoj funkciji, tj. organizirati stru\u010dnjake za podatke na na\u010din koji je optimiziran za u\u010denje. To zna\u010di da je potrebno zaposliti \u201especijaliste punog staka\u201c \u2014 op\u0107e stru\u010dnjake koji mogu izvr\u0161avati razli\u010dite funkcije: od koncepta do modeliranja, od implementacije do mjerenja. Va\u017eno je napomenuti da ne pretpostavljam da bi prilikom zapo\u0161ljavanja specijalista punog staka broj zaposlenika trebao opadati. Vjerojatno \u0107u samo pretpostaviti da, kada su organizirani na druga\u010diji na\u010din, njihovi motivi bolje odgovaraju prednostima u\u010denja i u\u010dinkovitosti. Na primjer, imate tim od tri osobe s tri poslovne vje\u0161tine. U tvornici igala svaki stru\u010dnjak \u0107e posvetiti tre\u0107inu svog vremena svakoj profesionalnoj zadatku, budu\u0107i da nitko drugi ne mo\u017ee obaviti njegov posao. U punom staku svaki univerzalni zaposlenik potpuno je posve\u0107en cijelom poslovnom procesu, skaliranju posla i u\u010denju.<\/p>\n
S manjim brojem ljudi koji podr\u017eavaju proizvodni ciklus, koordinacija opada. Universal se nesmetano prebacuje izme\u0111u funkcija, pro\u0161iruju\u0107i cjevovod podataka kako bi dodao ve\u0107i obim podataka, isprobavaju\u0107i nove funkcije u modelima, implementiraju\u0107i nove verzije u proizvodnji za uzro\u010dne mjere i ponavljaju\u0107i korake koliko god brzo nove ideje dolaze. Naravno, universal obavlja razli\u010dite funkcije sekvencijalno, a ne paralelno. Na kraju, to je samo jedna osoba. Me\u0111utim, izvr\u0161avanje zadatka obi\u010dno zauzima samo mali deo vremena potrebnog za pristup drugom specijalizovanom resursu. Tako da se vreme iteracije smanjuje.<\/p>\n
Na\u0161 universal mo\u017eda nije tako ve\u0161t kao specijalista za odre\u0111enu radnu funkciju, ali ne te\u017eimo funkcionalnoj savr\u0161enosti ili malim postupnim pobolj\u0161anjima. Umesto toga, te\u017eimo da istra\u017eimo i otkrijemo nove profesionalne zadatke s postupnim uticajem. Imaju\u0107i cjelokupni kontekst za sveobuhvatno re\u0161enje, on vidi mogu\u0107nosti koje \u0107e uski specijalista propustiti. Ima vi\u0161e ideja i vi\u0161e mogu\u0107nosti. Tako\u0111e do\u017eivljava neuspehe. Ipak, cena neuspeha je mala, dok su prednosti u\u010denja velike. Ova asimetrija podsti\u010de brzu iteraciju i nagra\u0111uje u\u010denje.<\/p>\n
Va\u017eno je napomenuti da se razina autonomije i raznolikosti vje\u0161tina koju znanstvenici sa punim stakovima posjeduju u velikoj mjeri oslanja na pouzdanost platforme podataka s kojom mogu raditi. Dobro dizajnirana platforma podataka apstrahira znanstvenike za obradu podataka od slo\u017eenosti kontejnerizacije, distribuirane obrade, automatskog prebacivanja na druge resurse i drugih naprednih ra\u010dunalnih koncepcija. Pored apstrakcije, pouzdana platforma podataka mo\u017ee omogu\u0107iti nesmetano povezivanje s eksperimentalnom infrastrukturom, automatizirati nadzor i sustav obavijesti, osigurati automatsko skaliranje te vizualizaciju algoritamskih rezultata i otklanjanje pogre\u0161aka. Ove komponente osmi\u0161ljavaju i stvaraju in\u017eenjeri platforme podataka, tj. od stru\u010dnjaka za Data Science ne prelaze timu za razvoj platforme podataka. Upravo je stru\u010dnjak za Data Science odgovoran za sav kod koji se koristi za pokretanje platforme.<\/p>\n
I mene je jednom zanimalo funkcionalno razdvajanje rada uz kori\u0161tenje u\u010dinkovitosti procesa, ali metodom poku\u0161aja i pogre\u0161aka (nema boljeg na\u010dina u\u010denja) otkrio sam da tipi\u010dne uloge bolje doprinose u\u010denju i inovacijama te daju ispravne pokazatelje: otkrivanje i stvaranje mnogo ve\u0107eg broja poslovnih prilika nego specijalizirani pristup. (U\u010dinkovitiji na\u010din da saznate o ovom pristupu organizaciji nego metodom poku\u0161aja i pogre\u0161aka kroz koju sam pro\u0161ao je \u010ditati knjigu Amy Edmondson \u00abTim interactive: kako organizacije u\u010de, stvaraju inovacije i natje\u010du se u ekonomiji znanja\u00bb).<\/p>\n
Postoje odre\u0111ene va\u017ene pretpostavke koje mogu u\u010diniti ovaj pristup organizaciji manje ili vi\u0161e pouzdanim u nekim kompanijama. Proces iteracije smanjuje tro\u0161kove poku\u0161aja i gre\u0161aka. Ako je cena gre\u0161ke visoka, mo\u017eda \u0107ete \u017eeleti da ih smanjite (ali, to nije preporu\u010dljivo za medicinske aplikacije ili proizvodnju). Pored toga, ako se bavite petabajtima ili eksabajtima podataka, mo\u017ee biti potrebna specializacija u oblasti projektovanja podataka. Tako\u0111e, ako je odr\u017eavanje poslovnih mogu\u0107nosti na mre\u017ei i njihova dostupnost va\u017enije od njihovog usavr\u0161avanja, funkcionalna izvrsnost mo\u017ee prevladati nad u\u010denjem. Na kraju, model punog staka oslanja se na mi\u0161ljenja onih koji se razumeju u to. Oni nisu jednorogi; mogu se prona\u0107i ili pripremiti sami. Me\u0111utim, veoma su tra\u017eeni, a za privla\u010denje i zadr\u017eavanje takvih ljudi u kompaniji potrebna je konkurentna materijalna kompenzacija, odr\u017eive korporativne vrednosti i zanimljiv posao. Uverite se da va\u0161a korporativna kultura mo\u017ee obezbediti takve uslove.<\/p>\n
\u010cak i uz sve re\u010deno, smatram da model punog staka pru\u017ea najbolje uslove za po\u010detak. Zapo\u010dnite s njima, a zatim svesno pre\u0111ite na funkcionalnu podelu rada samo kada je to zaista potrebno.<\/p>\n
Postoje i druge slabosti funkcionalne specijalizacije. To mo\u017ee dovesti do gubitka odgovornosti i pasivnosti me\u0111u zaposlenima. Sam Smit kritikuje podelu rada, sugeriraju\u0107i da ona dovodi do otu\u0111enja talenta, tj. zaposleni postaju neinformisani i zatvoreni, jer su njihove uloge ograni\u010dene na nekoliko ponavljaju\u0107ih zadatka. Dok specijalizacija mo\u017ee obezbediti efikasnost procesa, re\u0111e inspiri\u0161e zaposlene.<\/p>\n
Sveobuhvatne uloge osiguravaju sve \u0161to poti\u010de zadovoljstvo poslom: autonomiju, stru\u010dnost i usmjerenost. Autonomija se odnosi na neovisnost u postizanju uspjeha. Stru\u010dnost uklju\u010duje sna\u017ene konkurentske prednosti. A usmjerenost se odnosi na sposobnost utjecanja na poslovanje koje stvaraju. Ako uspijemo motivirati ljude da se strastveno posvete svom poslu i ostvariti veliki utjecaj na tvrtku, sve \u0107e drugo do\u0107i na svoje mjesto.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
![\"Za\u0161to](\"\/wp-content\/uploads\/2019\/05\/19d1e32e5d57abd463376af240cfa42e.jpg\")