<\/a><\/noindex>Ma l'obiettivo della Data Science non \u00e8 semplicemente quello di eseguire compiti. Piuttosto, il fine \u00e8 studiare e sviluppare nuove potenzialit\u00e0 per il business. Prodotti e servizi algoritmici, come i sistemi di raccomandazione, l'interazione con i clienti, la classificazione delle preferenze nella moda, 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 riprodurre; sono nuove opportunit\u00e0 con la loro intrinseca incertezza. I coefficienti, i modelli, i tipi di modelli, gli iperparametri, tutti gli elementi necessari devono essere studiati attraverso esperimenti, prove ed errori, e ripetizioni. Con le spille, l'apprendimento e il design vengono effettuati in anticipo, prima della loro produzione. Con la Data Science si impara nel processo, non prima.<\/p>\n
Nella fabbrica di spille, quando l'apprendimento \u00e8 al primo posto, non aspettamo e non vogliamo che i lavoratori improvvisino su alcuna caratteristica del prodotto, se non per migliorare l'efficienza della produzione. La specializzazione delle attivit\u00e0 ha senso, poich\u00e9 porta a una maggiore efficienza dei processi e coerenza nella produzione (senza 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, quei costi che si accumulano nel tempo speso per comunicare, discutere, giustificare e definire le priorit\u00e0 del lavoro da svolgere. Questi costi si amplificano in modo sovralineare con il numero di persone coinvolte. (Come ci ha insegnato J. Richard Hackman, il numero di relazioni r cresce secondo la funzione del numero di membri n in base a questa equazione: r = (n ^ 2-n) \/ 2. E ciascuna relazione svela un certo numero di rapporti di costo). Quando gli specialisti dell'analisi dei dati sono organizzati per funzioni, ad ogni fase, con ogni cambiamento, ogni trasferimento di servizio, ecc., sono richiesti molti specialisti, il che aumenta i costi di coordinamento. Ad esempio, gli specialisti di modellizzazione statistica che desiderano sperimentare nuove funzionalit\u00e0 devono coordinarsi con gli ingegneri di elaborazione dei dati, che completano i set di dati ogni volta che vogliono provare qualcosa di nuovo. Allo stesso modo, ogni nuovo modello addestrato significa che il creatore del modello avr\u00e0 bisogno di qualcuno con cui coordinarsi per metterlo in produzione. I costi di coordinamento fungono da tassa per l'iterazione, rendendola pi\u00f9 difficile e costosa e aumentando la probabilit\u00e0 di abbandonare la ricerca. Questo pu\u00f2 ostacolare l'apprendimento.<\/p>\n
2. Complica il tempo di attesa. <\/b><\/p>\n
Ancora pi\u00f9 preoccupante dei costi di coordinamento \u00e8 il tempo perso tra i turni di lavoro. Sebbene i costi di coordinamento siano generalmente misurati in ore\u2014il tempo necessario per riunioni, discussioni e revisioni dei progetti\u2014il tempo di attesa \u00e8 solitamente misurato in giorni, settimane o addirittura mesi! \u00c8 difficile allineare i programmi degli specialisti funzionali, poich\u00e9 ciascun esperto deve essere allocato su pi\u00f9 progetti. Una riunione di un'ora per discutere le modifiche pu\u00f2 richiedere diverse settimane per allineare il flusso di lavoro. E dopo aver approvato le modifiche, \u00e8 necessario pianificare anche il lavoro effettivo nel contesto di molti altri progetti, occupando il tempo lavorativo degli specialisti. Il lavoro legato alla correzione del codice o alla ricerca, che richiederebbe solo poche ore o giorni per essere completato, pu\u00f2 richiedere molto pi\u00f9 tempo prima che le risorse diventino disponibili. Fino ad allora, l'iterazione e l'apprendimento vengono sospesi.<\/p>\n
3. Questo restringe il contesto.<\/b><\/p>\n
La divisione del lavoro pu\u00f2 artificialmente limitare l'apprendimento, premiando le persone per rimanere nella loro specializzazione. Ad esempio, uno scienziato ricercatore che deve rimanere all'interno della propria funzionalit\u00e0 concentrer\u00e0 la propria energia su esperimenti con vari tipi di algoritmi: regressione, reti neurali, random forest e cos\u00ec via. Sicuramente, una buona scelta dell'algoritmo pu\u00f2 portare a miglioramenti graduali, ma in genere si pu\u00f2 ottenere 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 singolo bit di capacit\u00e0 esplicativa presente nei dati. Tuttavia, il suo punto di forza pu\u00f2 consistere nel modificare la funzione obiettivo o nel rilassare alcune restrizioni. Questo \u00e8 difficile da vedere o realizzare quando il suo lavoro \u00e8 limitato. Poich\u00e9 lo scienziato specialista \u00e8 specializzato nell'ottimizzazione degli algoritmi, ha molte meno possibilit\u00e0 di occuparsi di qualcos'altro, anche se questo porta a vantaggi sostanziali.<\/p>\n
Indichiamo i segni che si manifestano quando i team di data science operano come fabbriche di fermi meccanici (ad esempio, nei semplici aggiornamenti di stato): \u00abattesa di modifiche al flusso di dati\u00bb e \u00abattesa delle risorse ML Eng\u00bb, che sono comuni fattori di blocco. Tuttavia, ritengo che l'influenza pi\u00f9 pericolosa sia ci\u00f2 che non si nota, perch\u00e9 non si pu\u00f2 rimpiangere ci\u00f2 che non si conosce. Un'esecuzione impeccabile delle esigenze e una certa tranquillit\u00e0, raggiunte a seguito dell'efficienza dei processi, possono nascondere la verit\u00e0 su come le organizzazioni non siano consapevoli dei benefici dell'apprendimento che stanno perdendo.<\/p>\n
La soluzione a questo problema \u00e8, ovviamente, liberarsi del metodo della fabbrica di fermi meccanici. Per stimolare l'apprendimento e l'iterazione, i ruoli nel data science devono essere condivisi, ma con ampie responsabilit\u00e0, indipendenti dalla funzione tecnica, ovvero organizzare i professionisti dei dati in modo tale che siano ottimizzati per l'apprendimento. Questo significa che \u00e8 necessario assumere \u00abspecialisti full stack\u00bb \u2014 professionisti polivalenti che possono svolgere diverse funzioni: dalla concezione alla modellazione, dall'implementazione alla misurazione. \u00c8 importante notare che non posso suggerire che, assumendo specialisti full stack, il numero di dipendenti debba diminuire. Piuttosto, suppongo che quando sono organizzati in modo diverso, i loro incentivi siano meglio allineati ai benefici dell'apprendimento e dell'efficienza. Ad esempio, hai un team di tre persone con tre qualit\u00e0 aziendali. In una fabbrica di produzione di fermi meccanici, ogni specialista dedicar\u00e1 un terzo del tempo a ciascun compito professionale, poich\u00e9 nessun altro pu\u00f2 svolgere il suo lavoro. Nel full stack, ogni dipendente polivalente \u00e8 completamente dedicato all'intero processo aziendale, alla scalabilit\u00e0 del lavoro e all'apprendimento.<\/p>\n
Con un numero minore di persone a supporto del ciclo produttivo, la coordinazione diminuisce. L'universale si muove agevolmente tra le funzioni, ampliando il flusso di dati, per aggiungere un volume maggiore di informazioni, provando nuove funzionalit\u00e0 nei modelli, distribuendo nuove versioni in produzione per misurazioni causali e ripetendo i passaggi non appena arrivano nuove idee. Certamente, l'universale svolge funzioni diverse in modo sequenziale, e non parallelo. Alla fine, si tratta pur sempre di una sola persona. Tuttavia, il tempo necessario per completare un compito di solito occupa solo una piccola parte del tempo richiesto per accedere a un altro prezioso risorsa specializzata. Quindi, il tempo di iterazione si riduce.<\/p>\n
Il nostro universale, forse, non \u00e8 abile come uno specialista in una funzione lavorativa specifica, ma non puntiamo alla perfezione funzionale o a piccoli miglioramenti graduali. Piuttosto, miriamo a scoprire e affrontare continuamente nuovi compiti professionali con un impatto progressivo. Con un contesto olistico per una soluzione completa, vede opportunit\u00e0 che uno specialista ristretto trascura. Ha pi\u00f9 idee e pi\u00f9 possibilit\u00e0. Anche lui fallisce. Tuttavia, il costo del fallimento \u00e8 basso e i vantaggi dell'apprendimento sono elevati. Questa asimmetria favorisce rapide iterazioni e premia l'apprendimento.<\/p>\n
\u00c8 importante notare che l'entit\u00e0 dell'autonomia e della diversit\u00e0 delle competenze fornite dai professionisti che lavorano con stack completi dipende in gran parte dall'affidabilit\u00e0 della piattaforma dati su cui \u00e8 possibile operare. Una buona piattaforma dati astrae i professionisti della data processing dalle complessit\u00e0 della containerizzazione, dell'elaborazione distribuita, della transizione automatica a un'altra risorsa e di altri concetti informatici avanzati. Oltre all'astrazione, una piattaforma dati affidabile pu\u00f2 garantire una connessione fluida con l'infrastruttura sperimentale, automatizzare il monitoraggio e il sistema di allerta, fornire scalabilit\u00e0 automatica e visualizzazione dei risultati algoritmici e debug. Questi componenti sono progettati e realizzati dagli ingegneri della piattaforma dati, ovvero non sono trasferiti dal professionista di Data Science al team di sviluppo della piattaforma dati. \u00c8 proprio il professionista di Data Science ad essere responsabile di tutto il codice utilizzato per far funzionare la piattaforma.<\/p>\n
Anche a me un tempo interessava la divisione funzionale del lavoro utilizzando l'efficacia dei processi, ma con un metodo di tentativi ed errori (non c'\u00e8 modo migliore di apprendere) ho scoperto che ruoli tipici favoriscono meglio l'apprendimento e l'innovazione, fornendo indicatori accurati: identificare e costruire un numero molto maggiore di opportunit\u00e0 commerciali rispetto a un approccio specializzato. (Un modo pi\u00f9 efficace per apprendere questo approccio all'organizzazione, rispetto al metodo di tentativi ed errori che ho seguito, \u00e8 leggere il libro di Amy Edmondson \"Teaming: come le organizzazioni apprendono, innovano e competono nell'economia della conoscenza\").<\/p>\n
Ci sono alcune importanti assunzioni che possono rendere questo approccio all'organizzazione pi\u00f9 o meno affidabile in alcune aziende. Il processo iterativo riduce i costi di tentativi ed errori. Se il costo dell'errore \u00e8 alto, potresti voler ridurli (ma ci\u00f2 non \u00e8 raccomandato per applicazioni mediche o produzione). Inoltre, se ti occupi di petabyte o exabyte di dati, potrebbe essere necessaria una specializzazione nella progettazione dei dati. Allo stesso modo, se mantenere le opportunit\u00e0 aziendali online e la loro disponibilit\u00e0 \u00e8 pi\u00f9 importante del loro perfezionamento, il dominio funzionale potrebbe superare l'apprendimento. Infine, il modello full-stack si basa sul parere di persone competenti in materia. Non sono unicorni; possono essere trovati o formati internamente. Tuttavia, sono molto richiesti e per attrarli e trattenerli in azienda sar\u00e0 necessaria una compensazione materiale competitiva, valori aziendali solidi e un lavoro interessante. Assicurati che la tua cultura aziendale possa fornire tali condizioni.<\/p>\n
Anche considerando tutto ci\u00f2, credo che il modello full-stack offra le migliori condizioni per iniziare. Inizia con loro e poi prosegui consapevolmente verso la divisione del lavoro funzionale solo quando \u00e8 davvero necessario.<\/p>\n
Ci sono anche altri svantaggi della specializzazione funzionale. Questo pu\u00f2 portare a una perdita di responsabilit\u00e0 e passivit\u00e0 da parte dei lavoratori. Lo stesso Smith critica la divisione del lavoro, suggerendo che porta 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 funzioni universali forniscono tutto ci\u00f2 che stimola la soddisfazione lavorativa: autonomia, maestria e determinazione. L'autonomia implica che non dipendono da fattori esterni per raggiungere il successo. La maestria si traduce in forti vantaggi competitivi. Infine, la determinazione consiste nella possibilit\u00e0 di avere un impatto sul business che costruiscono. Se riusciamo a far appassionare le persone al loro lavoro e a esercitare una grande influenza 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-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t
![\"Perch\u00e9](\"\/wp-content\/uploads\/2019\/05\/19d1e32e5d57abd463376af240cfa42e.jpg\")