HIROSHI WATANABE/GETTY IMAGES
A "Gazdagság népei" című könyvében Adam Smith megmutatja, hogy a munka megosztása a termelékenység növelésének fő forrásává válik. Példaként említi a hajtűgyártó üzem összeszerelő sorát: "Az egyik munkás húzza a drótot, a másik kiegyenesíti, a harmadik levágja, a negyedik hegyezi a végét, az ötödik a másik végét csiszolja a fej rögzítéséhez." A funkciókra orientált specializációnak köszönhetően minden munkás magasan képzett szakértővé válik a saját szűk feladatában, ami fokozza a folyamat hatékonyságát. Az egy munkásra jutó termelés többszörösére nő, és a gyár hatékonyabbá válik a hajtűk gyártásában.
Ez a funkcionális munkamegosztás annyira gyökerezett a tudatunkban még ma is, hogy gyorsan megszerveztük a csapatainkat ennek megfelelően. A Data Science nem kivétel. A komplex algoritmikus üzleti lehetőségek számos munkafeladatot igényelnek, ezért a cégek általában szakértői csoportokat alakítanak: kutatókat, adatelemző mérnököket, gépi tanulási mérnököket, oka-és-következmény tudósokat stb. A szakértők munkáját a termékmenedzser koordinálja, a funkciók átadása olyan módon történik, amely a hajtűgyárhoz hasonlít: "valaki adatokat szerez, másik modellez, harmadik végrehajt, negyedik mér" és így tovább.
Sajnos nem szabad optimalizálnunk a Data Science csapatainkat a termelékenység növelése érdekében. Ennek ellenére ezt teszi, amikor megérti, hogy mit is gyárt: hajtűket vagy bármi mást, és egyszerűen a hatékonyság növelésére törekszik. Az összeszerelő sorok célja a feladat elvégzése. Pontosan tudjuk, mit akarunk: hajtűket (ahogy Smith példájában), de bármilyen termék vagy szolgáltatás említhető, ahol az igények teljes mértékben leírják a termék minden aspektusát és viselkedését. A munkavállalók szerepe az, hogy ezeket az igényeket a lehető legnagyobb hatékonysággal teljesítsék.
A Data Science célja nem csupán feladatok végrehajtása. Sokkal inkább az, hogy új, erős üzleti lehetőségeket tanulmányozzunk és fejlesszünk. Az algoritmus-alapú termékek és szolgáltatások, mint például az ajánlórendszerek, ügyfélkapcsolatok, stíluspreferenciák klasszifikálása, méretajánlások, ruházati dizájn, logisztikai optimalizálás, szezonális trendek felfedezése és még sok más nem állítható elő előre. Ezeket meg kell ismerni. Nincsenek tervek a reprodukálásra, ezek új lehetőségek, amelyek belső bizonytalansággal rendelkeznek. Az arányok, modellek, modellek típusai, hiperparaméterek, minden szükséges elem kísérletezés, próbálkozás és hibák útján kell, hogy tanulmányozzunk. Az egyszerűsítő képzés és tervezés előre, a gyártás előtt történik. A Data Science során a folyamat során tanulsz, nem pedig azelőtt.
A tűgyárban, ahol a képzés az első számú prioritás, nem várunk, és nem is akarjuk, hogy a dolgozók improvizáljanak a termék bármely jellemzőjén, azon kívül, hogy növeljék a gyártás hatékonyságát. A feladatok specializációja értelmet nyer, mivel a folyamatok hatékonyságához és a gyártás koherenciájához vezet (anélkül, hogy változtatnánk a végterméken).
De amikor a termék még mindig fejlődik, és a cél a tanulás, a specializáció akadályozza a céljainkat az alábbi esetekben:
1. Ez növeli a koordinációs költségeket.
Tehát azok a költségek, amelyek felhalmozódnak a beszélgetésre, megbeszélésre, indoklásra és a végrehajtandó munka prioritásainak meghatározására fordított idő alatt. Ezek a költségek nemlineárisan növekednek a résztvevő emberek számával. (Ahogy J. Richard Hackman tanított minket, a kapcsolatok száma r hasonlóan növekszik a tagok számának n függvényében az alábbi egyenlet szerint: r = (n ^ 2-n) / 2. És minden kapcsolat feltár egy bizonyos költség-arányt). Amikor az adat-analitikai szakemberek funkciók szerint vannak szervezve, minden szakaszban, minden változással, minden szolgáltatásérintéssel és így tovább. Számos szakemberre van szükség, ami növeli a kooridnáció költségeit. Például a statisztikai modellezéssel foglalkozó szakembereknek, akik új funkciókkal szeretnének kísérletezni, koordinálniuk kell cselekedeteiket az adatfeldolgozó mérnökökkel, akik minden alkalommal kiegészítik az adatokat, amikor új dolgokat akarnak kipróbálni. Hasonlóképpen, minden újonnan tanított modell azt jelenti, hogy a modell fejlesztőjének szüksége van valakire, akivel koordinálhatja a munkáját a bevezetéshez. A koordinációs költségek az iteráció díjaként működnek, ami nehezebbé és költségesebbé teszi őket, és nagyobb valószínűséggel arra késztetik az embereket, hogy lemondjanak a kutatásról. Ez megakadályozhatja a tanulást.
2. Ez megnehezíti a várakozási időt.
Még ijesztőbb, mint a koordinációs költségek, az az idő, amely elveszik a munkaidő-váltások között. Míg a koordinációs költségeket általában órákban mérik: az az idő, amely a találkozók, megbeszélések, projekt-áttekintések lebonyolításához szükséges, a várakozási idő általában napokban, hetekben vagy akár hónapokban mérhető! A funkcionális szakemberek ütemezése nehezen kivitelezhető, mivel minden szakembernek több projektre is ki kell osztani. Egy óra hosszat tartó ülés a változtatások megvitatására hetekbe telhet a munkafolyamat összehangolásában. A változások jóváhagyása után meg kell tervezni a tényleges munkát is, figyelembe véve számos más projektet, amelyek a szakemberek munkaidejét foglalják le. A kódjavítással vagy kutatással kapcsolatos feladatok, amelyek befejezéséhez csak néhány órára vagy napra van szükség, sokkal több időt vehetnek igénybe, mielőtt a források elérhetővé válnak. Ezen időszak alatt az iteráció és a tanulás szünetel.
3. Ez szűkíti a kontextust.
A munka megosztása mesterségesen korlátozhatja a tanulást, jutalmazva az embereket azért, mert a saját szakterületükön maradnak. Például egy kutató, aki a saját funkcióján belül kell, hogy maradjon, energiáját különböző algoritmusok: regresszió, neuronhálók, random forest stb. kisérletezésére összpontosítja. Nyilvánvalóan a megfelelő algoritmus kiválasztása fokozatos javulást eredményezhet, de általában sokkal többet lehet kihozni más tevékenységekből, például új adatforrások integrálásából. Hasonlóképpen, ez segíthet egy olyan modell kidolgozásában, amely kihasználja az összes magyarázó képességet, amely a rendelkezésre álló adatokra jellemző. Ennek ellenére a szakterülete az lehet, hogy a célváltozó módosítása vagy bizonyos korlátok enyhítése. Ezt nehéz észlelni vagy megtenni, amikor a munkáját korlátozzák. Mivel a szakértő kutató az algoritmusok optimalizálására specializálódik, sokkal kisebb eséllyel foglalkozik mással, még ha az jelentős haszonnal is jár.
Nézzük meg azokat a jeleket, amelyek megjelennek, amikor a data science csapatok úgy működnek, mint a gombgyárak (például egyszerű státuszfrissítések esetén): "adatfolyamat-változtatás várakozása" és "ML Eng erőforrások várakozása", amelyek általános blokkoló tényezők. Mindazonáltal úgy gondolom, hogy a legveszélyesebb hatás az, amit nem észlelsz, mert nem sajnálhatod azt, amiről még nem tudsz. A követelmények hibátlan teljesítése és az önelégültség, amely a folyamatok hatékonyságának eléréséből fakad, eltakarhatja az igazságot arról, hogy a szervezetek nincsenek tisztában az oktatás előnyeivel, amelyekről lemaradnak.
A probléma megoldása természetesen abban rejlik, hogy megszabadulunk a gombgyári módszertől. A tanulás és iteráció ösztönzéséhez a data science szerepeknek közösnek kell lenniük, de széleskörű felelősségekkel, amelyek nem függenek a technikai funkcióktól, tehát a szakembereket úgy kell megszervezni, hogy azok az oktatásra optimalizáltak legyenek. Ez azt jelenti, hogy fel kell venni „teljes készletű szakembereket” — általános szakembereket, akik különböző feladatokat tudnak ellátni: a koncepciótól a modellezésig, a megvalósítástól a mérésig. Fontos megjegyezni, hogy nem feltételezem, hogy a teljes készletű szakemberek felvételével a munkatársak száma csökkenne. Valójában inkább azt feltételezem, hogy amikor őket másképp szervezik, az ösztönzőik jobban összhangban állnak az oktatás és hatékonyság előnyeivel. Például van egy három fős csapat, amely három üzleti jellemzővel rendelkezik. A gombgyárban minden szakember az idejének egyharmadát minden egyes szakmai feladatra fordítja, mivel senki más nem tudja elvégezni a munkáját. Egy teljes készleten minden univerzális munkatárs teljes mértékben elkötelezett az üzleti folyamat iránt, a munka bővítéséért és az oktatásért.
A kevesebb ember, aki támogatja a termelési ciklust, csökkenti a koordinációt. Az univerzalista zökkenőmentesen vált a funkciók között, bővítve az adatfolyamot, hogy több adatot adjon hozzá, új funkciókat próbálva ki a modellekben, új verziókat bevezetve a termelésbe a kauzális mérésekhez, és minél gyorsabban ismétli a lépéseket, amint új ötletek érkeznek. Természetesen az univerzalista különböző funkciókat hajt végre egymás után, nem párhuzamosan. Végül is, ez csak egy ember. Azonban a feladat végrehajtása általában csak a szükséges idő kis részét foglalja magában ahhoz, hogy hozzáférjen egy másik szakosodott erőforráshoz. Így az iterációs idő csökken.
A mi univerzalistánk talán nem annyira ügyes, mint egy szakember egy adott munka működésében, de nem a funkcionális tökéletességre vagy a kis fokozatos javulásokra törekszünk. Inkább arra törekszünk, hogy felfedezzük az új szakmai kihívásokat fokozatos hatással. Az integrált kontextussal a teljes körű megoldás érdekében látja azokat a lehetőségeket, amelyeket a szűk specialisták elszalasztanának. Több ötlete és több lehetősége van. Ő is kudarcot vall. Ennek ellenére a kudarc ára csekély, míg a tanulás előnyei magasak. Ez az aszimmetria elősegíti a gyors iterációt és jutalmazza a tanulást.
Fontos megjegyezni, hogy a tudósok által biztosított autonómia mértéke és a készségek sokfélesége, akik teljes technológiai stackkel dolgoznak, nagymértékben függ azoktól az adatplatformoktól, amelyeken dolgoznak. Egy jól megtervezett adatplatform elvonja a tudósokat az adatfeldolgozás bonyodalmaitól, például a konténerizálás, a elosztott feldolgozás, más erőforrásokra való automatikus áttérés és más fejlett számítástechnikai koncepciók terén. Az elvonás mellett egy megbízható adatplatform zökkenőmentes kapcsolódást kínálhat a kísérleti infrastruktúrához, automatizálhatja a megfigyelést és az értesítési rendszert, biztosíthatja az automatikus skálázást, valamint algoritmikus eredmények és hibakeresés vizualizációját. Ezeket az összetevőket az adatplatform mérnökei tervezik és építik, azaz a Data Science szakember nem adja át ezeket az adatplatform fejlesztőcsapatának. Az adatkutató felelős az összes kódért, amellyel az platform működtethető.
Engem is egyszer foglalkoztatott a munkamegosztás funkcionális szétválasztása, kihasználva a folyamatok hatékonyságát, de próbák és tévedések módszerével (nincs jobb tanulási mód) felfedeztem, hogy a tipikus szerepek jobban hozzájárulnak a tanuláshoz és az innovációhoz, és helyes mutatókat nyújtanak: sokkal több üzleti lehetőséget felfedezni és kiépíteni, mint a specializált megközelítés. (Nincs hatékonyabb módszer, hogy erről a megszervezéshez való megközelítésről tudomást szerezzünk, mint amit a próbák és tévedések módszerével tapasztaltam, és elolvassuk Amy Edmondson „Csapatmunka: hogyan tanulnak, innoválnak és versenyeznek a szervezetek a tudásalapú gazdaságban” című könyvét).
Vannak fontos feltételezések, amelyek miatt ez a megközelítés bizonyos cégeknél kevésbé vagy inkább megbízható lehet. Az iterációs folyamat csökkenti a próbák és hibák költségeit. Ha a hiba ára magas, érdemes lehet csökkenteni őket (de ez nem ajánlott orvosi alkalmazások vagy gyártás esetén). Ezen kívül, ha petabájtnyi vagy exabájtnyi adatokkal dolgozol, szükség lehet az adat-tervezés specializációjára. Hasonlóképpen, ha fontosabb a hálózati üzleti lehetőségek fenntartása és elérhetősége, mint azok fejlesztése, a funkcionalitás fölénye felülmúlhatja a tanulást. Végül a teljes stack modell azok véleményére támaszkodik, akik értenek ehhez. Ők nem unikornisok; megtalálhatók vagy magad is felkészítheted őket. Azonban nagyon keresettek, és a vállalatba vonzásuk és megtartásuk érdekében versenyképes anyagi kompenzációra, fenntartható vállalati értékekre és érdekes munkára van szükség. Győződj meg róla, hogy a vállalati kultúrád meg tudja teremteni ezeket a feltételeket.
Még mindezek figyelembevételével is úgy gondolom, hogy a teljes stack modell biztosítja a legjobb feltételeket a kezdéshez. Kezdj ezekkel, majd tudatosan haladj a funkcionális munkamegosztás felé, csak akkor, amikor ez pontosan szükséges.
A funkcionális specializációnak más hátrányai is vannak. Ez felelőtlenséghez és passzivitáshoz vezethet a munkavállalók részéről. Smith maga is bírálja a munkamegosztást, azt állítva, hogy ez a tehetség tompulásához vezet, azaz a munkavállalók tudatlanokká és zárkózottakká válnak, mivel szerepük csak pár ismétlődő feladatra korlátozódik. Miközben a specializáció biztosíthatja a folyamat hatékonyságát, ritkábban inspirálja a munkavállalókat.
Az univerzális szerepek mindent biztosítanak, ami ösztönzi a munkahelyi elégedettséget: autonómia, szakértelem és célorientáltság. Az autonómia abban rejlik, hogy nem függenek valamitől a siker elérésében. A szakértelem a erős versenyelőnyökben rejlik. A célorientáltság pedig abban, hogy képesek legyenek hatással lenni a vállalkozásra, amelyet létrehoznak. Ha sikerül motiválni az embereket a munkájuk iránt és jelentős hatást gyakorolni a cégre, akkor minden más a helyére kerül.
Forrás: habr.com
