<\/a><\/noindex>Ma l'obiettivo della Data Science non \u00e8 semplicemente quello di svolgere compiti. Piuttosto, consiste nell'esplorare e sviluppare nuove capacit\u00e0 aziendali. Prodotti e servizi algoritmici, come i sistemi di raccomandazione, le interazioni con i clienti, la classificazione delle preferenze stilistiche, la scelta delle taglie, il design degli abiti, l'ottimizzazione della logistica, l'individuazione delle tendenze stagionali e molto altro non possono essere progettati in anticipo. Devono essere esplorati. Non ci sono schemi da seguire, sono nuove opportunit\u00e0 con incertezza intrinseca. Tassi, modelli, tipi di modelli, iperparametri, tutti gli elementi necessari devono essere esplorati attraverso esperimenti, tentativi ed errori, e ripetizioni. Con i pin, l'apprendimento e il design vengono effettuati in anticipo, prima della loro produzione. Con la Data Science, impari lungo il percorso, non prima.<\/p>\n
Nella fabbrica di spille, dove la formazione \u00e8 la priorit\u00e0, non aspettiamo n\u00e9 vogliamo che i lavoratori improvvisino su qualsiasi aspetto del prodotto, se non per migliorare l'efficienza della produzione. La specializzazione dei compiti ha senso, poich\u00e9 porta a processi pi\u00f9 efficienti e coerenza nella produzione (senza apportare modifiche al prodotto finale).<\/p>\n
Ma quando il prodotto \u00e8 ancora in fase di sviluppo e l'obiettivo \u00e8 l'apprendimento, la specializzazione ostacola i nostri obiettivi nei seguenti casi:<\/p>\n
1. Aumenta i costi di coordinamento. <\/b><\/p>\n
Cio\u00e8, quelle spese che si accumulano nel tempo impiegato per comunicare, discutere, giustificare e definire le priorit\u00e0 del lavoro da svolgere. Queste spese scalano in modo non lineare con il numero di persone coinvolte. (Come ci ha insegnato J. Richard Hackman, il numero delle relazioni r cresce secondo la funzione del numero dei membri n in base a questa equazione: r = (n ^ 2 - n) \/ 2. E ogni relazione rivela una certa quantit\u00e0 di proporzione di costi). Quando gli specialisti di analisi dei dati sono organizzati per funzioni, a ogni fase, con ogni cambiamento, ogni transizione del servizio, ecc., \u00e8 necessaria una grande quantit\u00e0 di specialisti, il che aumenta i costi di coordinamento. Ad esempio, gli specialisti in modellazione statistica che vogliono sperimentare nuove funzionalit\u00e0 devono coordinare le proprie azioni con gli ingegneri di elaborazione dati, che completano i dataset ogni volta che vogliono provare qualcosa di nuovo. Allo stesso modo, ogni nuovo modello addestrato significa che lo sviluppatore del modello avr\u00e0 bisogno di qualcuno con cui coordinare le proprie azioni per metterlo in produzione. I costi di coordinamento agiscono come un costo per iterazione, rendendoli pi\u00f9 difficili e costosi e aumentando la probabilit\u00e0 di rinunciare alla sperimentazione. Questo pu\u00f2 ostacolare l'apprendimento.<\/p>\n
2. Questo complica i tempi di attesa. <\/b><\/p>\n
Ancora pi\u00f9 preoccupante dei costi di coordinamento \u00e8 il tempo perso tra i turni di lavoro. Mentre i costi di coordinamento sono generalmente misurati in ore \u2014 tempo necessario per riunioni, discussioni e revisioni dei progetti \u2014 il tempo di attesa \u00e8 spesso misurato in giorni, settimane o addirittura mesi! Allineare i programmi dei professionisti \u00e8 difficile, poich\u00e9 ognuno di essi deve essere assegnato a pi\u00f9 progetti. Una riunione di un'ora per discutere delle modifiche pu\u00f2 richiedere settimane per allineare il flusso di lavoro. E dopo aver concordato le modifiche, \u00e8 necessario pianificare il lavoro effettivo nel contesto di molti altri progetti, che assorbono il tempo lavorativo dei professionisti. Il lavoro di correzione del codice o di ricerca, che richiederebbe solo poche ore o giorni per essere completato, pu\u00f2 richiedere molto pi\u00f9 tempo prima che le risorse siano disponibili. Fino ad allora, iterazioni e formazione sono sospese.<\/p>\n
3. Questo restringe il contesto.<\/b><\/p>\n
La suddivisione del lavoro pu\u00f2 artificialmente limitare l'apprendimento, premiando le persone per rimanere nella propria specializzazione. Ad esempio, un ricercatore scientifico, costretto a rimanere all'interno della sua funzionalit\u00e0, concentrer\u00e0 la propria energia su esperimenti con diversi tipi di algoritmi: regressione, reti neurali, random forest e cos\u00ec via. Certamente, una buona scelta dell'algoritmo pu\u00f2 portare a miglioramenti graduali, ma, di norma, si pu\u00f2 estrarre molto di pi\u00f9 da altre attivit\u00e0, come l'integrazione di nuove fonti di dati. Allo stesso modo, questo aiuter\u00e0 a sviluppare un modello che utilizza ogni bit di capacit\u00e0 esplicativa presente nei dati. Tuttavia, il suo punto di forza pu\u00f2 risiedere nella modifica della funzione obiettivo o nel rilascio di alcune restrizioni. \u00c8 difficile osservare o realizzare questo quando il suo lavoro \u00e8 limitato. Poich\u00e9 il ricercatore \u00e8 specializzato nell'ottimizzazione degli algoritmi, ha molte meno possibilit\u00e0 di dedicate a qualcos'altro, anche se ci\u00f2 porta a benefici significativi.<\/p>\n
Indichiamo i segnali che si manifestano quando i team di data science operano come fabbriche di spille (ad esempio, negli aggiornamenti di stato semplici): \"attesa per le modifiche nella pipeline dei dati\" e \"attesa per le risorse ML Eng\", che sono blocchi comuni. Tuttavia, credo che l'impatto pi\u00f9 pericoloso sia quello che non notate, perch\u00e9 non potete rimpiangere ci\u00f2 che non conoscete. L'esecuzione impeccabile delle richieste e la soddisfazione personale, raggiunte a seguito dell'efficienza dei processi, possono nascondere la verit\u00e0 su quanto le organizzazioni siano all'oscuro dei vantaggi della formazione che stanno perdendo.<\/p>\n
La soluzione a questo problema risiede, ovviamente, nell'abbandonare il metodo della fabbrica di puntine. Per stimolare l'apprendimento e l'iterazione, i ruoli nel data science devono essere condivisi, ma con ampie responsabilit\u00e0 che non dipendono dalla funzione tecnica; ovvero, organizzate gli specialisti dei dati in modo tale da ottimizzarli per l'apprendimento. Questo significa dover assumere \"specialisti full stack\" \u2014 professionisti generali capaci di ricoprire diverse funzioni: dalla concezione alla modellazione, dall'implementazione alla misurazione.\u00c8 importante notare che non intendo dire che, assumendo specialisti full stack, il numero dei dipendenti debba diminuire. Probabilmente, presumo solo che, quando sono organizzati diversamente, i loro incentivi siano meglio allineati ai vantaggi dell'apprendimento e dell'efficienza. Ad esempio, se hai un team di tre persone con tre qualit\u00e0 aziendali, in una fabbrica di puntine, ogni specialista dedicher\u00e0 un terzo del tempo a ciascun compito professionale, poich\u00e9 nessun altro sar\u00e0 in grado di svolgere il suo lavoro. In un contesto full stack, ogni dipendente polivalente \u00e8 completamente dedicato all'intero processo aziendale, ampliando il lavoro e apprendendo.<\/p>\n
Con un numero ridotto di persone a sostenere il ciclo produttivo, la coordinazione diminuisce. L'universalista si sposta agilmente tra le funzioni, ampliando il flusso di dati per aggiungere un maggiore volume di informazioni, sperimentando nuove funzionalit\u00e0 nei modelli, distribuendo nuove versioni in produzione per misurazioni causali e ripetendo i passaggi non appena arrivano nuove idee. Naturalmente, l'universalista svolge diverse funzioni in sequenza, non in parallelo. Alla fine, \u00e8 solo una persona. Tuttavia, completare il compito richiede generalmente solo una piccola parte del tempo necessario per accedere a un'altra risorsa specializzata. Quindi, il tempo di iterazione diminuisce.<\/p>\n
Il nostro universale potrebbe non essere tanto abile quanto uno specialista in una particolare funzione lavorativa, ma non aspiriamo alla perfezione funzionale o a piccoli miglioramenti graduali. Invece, ci impegniamo a esplorare e scoprire continuamente nuove sfide professionali con un impatto progressivo. Con un contesto olistico per una soluzione completa, vede opportunit\u00e0 che uno specialista ristretta non coglierebbe. Ha pi\u00f9 idee e pi\u00f9 possibilit\u00e0. Sperimenta anche insuccessi. Tuttavia, il costo del fallimento \u00e8 basso, mentre i benefici dell'apprendimento sono elevati. Questa asimmetria favorisce iterazioni rapide e premia l'apprendimento.<\/p>\n
\u00c8 importante notare che l'autonomia e la variet\u00e0 delle competenze offerte dagli scienziati che lavorano con stack completi dipendono in larga misura dall'affidabilit\u00e0 della piattaforma dati su cui possono operare. Una piattaforma dati ben progettata astrae gli scienziati dalla complessit\u00e0 della containerizzazione, dell'elaborazione distribuita, della transizione automatica su un'altra risorsa e di altre avanzate concezioni informatiche. Oltre all'astrazione, una piattaforma dati robusta pu\u00f2 garantire una connessione fluida con le infrastrutture sperimentali, automatizzare il monitoraggio e il sistema di allerta, fornire scalabilit\u00e0 automatica e visualizzare i risultati algoritmici e il debugging. Questi componenti sono progettati e realizzati dagli ingegneri della piattaforma dati, cio\u00e8 non sono delegati dal Data Scientist al team di sviluppatori della piattaforma dati. \u00c8 proprio il Data Scientist a considerare tutto il codice utilizzato per eseguire la piattaforma.<\/p>\n
Anche a me un tempo interessava la divisione funzionale del lavoro attraverso l'efficienza dei processi, ma, mediante un metodo di tentativi ed errori (non c'\u00e8 modo migliore di imparare), ho scoperto che i ruoli tipici favoriscono meglio l'apprendimento e l'innovazione e forniscono indicatori corretti: individuare e costruire un numero molto maggiore di opportunit\u00e0 di business rispetto all'approccio specializzato. (Un modo pi\u00f9 efficace per conoscere questo approccio all'organizzazione, rispetto al metodo di tentativi ed errori che ho seguito, \u00e8 leggere il libro di Amy Edmondson \"Interazione nel team: come le organizzazioni apprendono, creano innovazioni e competono nell'economia della conoscenza\").<\/p>\n
Ci sono alcune assunzioni importanti che possono rendere questo approccio all'organizzazione pi\u00f9 o meno affidabile in alcune aziende. Il processo iterativo riduce i costi di tentativi e errori. Se il costo di un errore \u00e8 elevato, potrebbe essere opportuno ridurli (ma ci\u00f2 non \u00e8 consigliabile per applicazioni mediche o di produzione). Inoltre, se ti occupi di petabyte o exabyte di dati, potrebbe essere necessaria una specializzazione nel design dei dati. Allo stesso modo, se mantenere le opportunit\u00e0 di business online e la loro disponibilit\u00e0 \u00e8 pi\u00f9 importante della loro perfezione, l'eccellenza funzionale pu\u00f2 superare l'apprendimento. Infine, un modello full-stack si basa sull'opinione di esperti del settore. Non sono unicorni; possono essere trovati o formati internamente. Tuttavia, sono molto richiesti e attrarli e trattenerli in azienda richieder\u00e0 un compenso competitivo, valori aziendali solidi e un lavoro interessante. Assicurati che la tua cultura aziendale possa fornire tali condizioni.<\/p>\n
Anche tenendo conto di tutto ci\u00f2, ritengo che un modello full stack offra le migliori condizioni per partire. Iniziate da l\u00ec, e poi procedete consapevolmente verso una divisione funzionale del lavoro solo quando \u00e8 assolutamente necessario.<\/p>\n
Ci sono anche altri svantaggi nella specializzazione funzionale. Questo pu\u00f2 portare a una perdita di responsabilit\u00e0 e a passivit\u00e0 da parte dei lavoratori. Lo stesso Smith critica la divisione del lavoro, suggerendo che essa porti a un appiattimento del talento, cio\u00e8 i lavoratori diventano ignoranti e introversi, poich\u00e9 i loro ruoli sono limitati a pochi compiti ripetitivi. Mentre la specializzazione pu\u00f2 garantire l'efficienza del processo, raramente ispira i lavoratori.<\/p>\n
Le tabelle universali forniscono tutto ci\u00f2 che stimola la soddisfazione lavorativa: autonomia, competenza e determinazione. L'autonomia sta nel fatto di non dipendere da fattori esterni per raggiungere il successo. La competenza si traduce in forti vantaggi competitivi. E la determinazione \u00e8 la capacit\u00e0 di influenzare il business che si crea. Se riusciamo a far appassionare le persone al proprio lavoro e avere un grande impatto sull'azienda, tutto il resto si sistemer\u00e0.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
![\"Perch\u00e9](\"\/wp-content\/uploads\/2019\/05\/19d1e32e5d57abd463376af240cfa42e.jpg\")