რატომ სჭირდებათ მონაცემთა მეცნიერების გუნდებს გენერალისტები და არა სპეციალისტები

HIROSHI WATANABE/GETTY IMAGES

ხალხთა სიმდიდრეში ადამ სმიტი გვიჩვენებს, თუ როგორ ხდება შრომის დანაწილება გაზრდილი პროდუქტიულობის მთავარი წყარო. ამის მაგალითია ქინძისთავის ქარხნის ასამბლეის ხაზი: „ერთი მუშა ათრევს მავთულს, მეორე ასწორებს მას, მესამე ჭრის მას, მეოთხე ამახვილებს ბოლოს, მეხუთე აჭრელებს მეორე ბოლოს, რათა თავი მოერგოს“. სპეციფიკურ ფუნქციებზე ორიენტირებული სპეციალიზაციის წყალობით, თითოეული თანამშრომელი ხდება მაღალკვალიფიციური სპეციალისტი მისი ვიწრო ამოცანის შესრულებაში, რაც იწვევს პროცესის ეფექტურობის გაზრდას. ერთ მუშაკზე პროდუქტიულობა ბევრჯერ იზრდება და ქარხანა უფრო ეფექტური ხდება ქინძისთავების წარმოებაში.

შრომის ეს დანაწილება ფუნქციონალურობით იმდენად არის ჩადებული ჩვენს გონებაში დღესაც, რომ სწრაფად მოვაწესრიგეთ ჩვენი გუნდები შესაბამისად. მონაცემთა მეცნიერება არ არის გამონაკლისი. რთული ალგორითმული ბიზნეს შესაძლებლობები მოითხოვს მრავალ სამუშაო ფუნქციას, ამიტომ კომპანიები, როგორც წესი, ქმნიან სპეციალისტთა გუნდებს: მკვლევარები, მონაცემთა ინჟინრები, მანქანათმცოდნეობის ინჟინრები, მიზეზ-შედეგობრივი მეცნიერები და ა.შ. სპეციალისტების მუშაობას კოორდინაციას უწევს პროდუქტის მენეჯერი ფუნქციების გადაცემით ისე, როგორც ქინძისთავის ქარხანა: „ერთი ადამიანი იღებს მონაცემებს, მეორე აყალიბებს მას, მესამე ასრულებს მას, მეოთხე ზომავს“ და ა.შ.

სამწუხაროდ, ჩვენ არ უნდა მოვახდინოთ მონაცემთა მეცნიერების გუნდების ოპტიმიზაცია პროდუქტიულობის გასაუმჯობესებლად. თუმცა, ამას აკეთებთ, როცა გესმით, რას აწარმოებთ: ქინძისთავები ან სხვა და უბრალოდ ცდილობთ გაზარდოთ ეფექტურობა. შეკრების ხაზების დანიშნულება არის დავალების შესრულება. ჩვენ ზუსტად ვიცით რა გვინდა - ქინძისთავები (როგორც სმიტის მაგალითში), მაგრამ შეიძლება აღინიშნოს ნებისმიერი პროდუქტი ან სერვისი, რომელშიც მოთხოვნები სრულად აღწერს პროდუქტის ყველა ასპექტს და მის ქცევას. თანამშრომლების როლი არის ამ მოთხოვნების მაქსიმალურად ეფექტურად შესრულება.

მაგრამ მონაცემთა მეცნიერების მიზანი არ არის ამოცანების დასრულება. უფრო მეტიც, მიზანია შეისწავლოს და განავითაროს ძლიერი ახალი ბიზნეს შესაძლებლობები. ალგორითმული პროდუქტები და სერვისები, როგორიცაა სარეკომენდაციო სისტემები, მომხმარებელთა ურთიერთქმედება, სტილის პრეფერენციების კლასიფიკაცია, ზომები, ტანსაცმლის დიზაინი, ლოგისტიკური ოპტიმიზაცია, სეზონური ტენდენციების გამოვლენა და მრავალი სხვა, წინასწარ შეუძლებელია. ისინი უნდა იყოს შესწავლილი. არ არსებობს გეგმები გასამეორებლად, ეს არის ახალი შესაძლებლობები თანდაყოლილი გაურკვევლობით. კოეფიციენტები, მოდელები, მოდელის ტიპები, ჰიპერპარამეტრები, ყველა საჭირო ელემენტი უნდა ვისწავლოთ ექსპერიმენტების, ცდისა და შეცდომის და გამეორების გზით. ქინძისთავებით, სწავლება და დიზაინი კეთდება წარმოებამდე. მონაცემთა მეცნიერებით თქვენ სწავლობთ ისე, როგორც ამას აკეთებთ და არა ადრე.

ქინძისთავის ქარხანაში, როდესაც ტრენინგი პირველ ადგილზეა, ჩვენ არც ველით და არც გვინდა, რომ მუშებმა იმპროვიზირება მოახდინონ პროდუქტის რაიმე მახასიათებლებზე, გარდა წარმოების ეფექტურობის გაუმჯობესებისა. ამოცანების სპეციალიზაციას აზრი აქვს, რადგან ეს იწვევს პროცესის ეფექტურობას და წარმოების თანმიმდევრულობას (საბოლოო პროდუქტში ცვლილებების გარეშე).

მაგრამ როდესაც პროდუქტი ჯერ კიდევ ვითარდება და მიზანი ტრენინგია, სპეციალიზაცია ხელს უშლის ჩვენს მიზნებს შემდეგ შემთხვევებში:

1. ზრდის კოორდინაციის ხარჯებს.

ანუ ის ხარჯები, რომლებიც გროვდება კომუნიკაციაზე, განხილვაზე, დასაბუთებასა და პრიორიტეტულ სამუშაოზე დახარჯული დროის განმავლობაში, რომელიც უნდა გაკეთდეს. ეს ხარჯები მასშტაბურია სუპერწრფივი ჩართული ადამიანების რაოდენობით. (როგორც ჯ. რიჩარდ ჰეკმანმა გვასწავლა, r კავშირების რიცხვი იზრდება n ტერმინების რაოდენობის ფუნქციის მსგავსად ამ განტოლების მიხედვით: r = (n^2-n)/2. და თითოეული ურთიერთობა ავლენს გარკვეულ რაოდენობას. ხარჯებთან ურთიერთობა.) როდესაც მონაცემთა მეცნიერები ორგანიზებულნი არიან ფუნქციების მიხედვით, ყველა ეტაპზე, ყოველ ცვლილებასთან, ყოველ გადაცემასთან და ა.შ., საჭიროა ბევრი სპეციალისტი, რაც ზრდის კოორდინაციის ხარჯებს. მაგალითად, სტატისტიკურ მოდელებს, რომლებსაც სურთ ექსპერიმენტები ჩაატარონ ახალ ფუნქციებზე, უნდა კოორდინაცია გაუწიონ მონაცემთა ინჟინრებს, რომლებიც ამატებენ მონაცემთა ნაკრებებს ყოველ ჯერზე, როცა სურთ რაიმე ახლის ცდა. ანალოგიურად, ყოველი ახალი მომზადებული მოდელი ნიშნავს, რომ მოდელის შემქმნელს დასჭირდება ვინმე, ვისთანაც კოორდინაციას გაუწევს მის წარმოებაში. საკოორდინაციო ხარჯები მოქმედებს, როგორც გამეორების ფასი, რაც მათ უფრო რთულს და ძვირს ხდის და უფრო მეტად იწვევს კვლევის მიტოვებას. ამან შეიძლება ხელი შეუშალოს სწავლას.

2. ეს ართულებს ლოდინის დროს.

საკოორდინაციო ხარჯებზე კიდევ უფრო საშიშია სამუშაო ცვლებს შორის დაკარგული დრო. მიუხედავად იმისა, რომ კოორდინაციის ხარჯები ჩვეულებრივ იზომება საათებში - შეხვედრების, დისკუსიების, დიზაინის მიმოხილვის დროს საჭირო დრო - ლოდინის დრო ჩვეულებრივ იზომება დღეებში, კვირებში ან თვეებშიც კი! ფუნქციონალური სპეციალისტების განრიგი რთული დასაბალანსებელია, რადგან თითოეული სპეციალისტი უნდა გადანაწილდეს მრავალ პროექტზე. ცვლილებების განსახილველად ერთსაათიან შეხვედრას შეიძლება კვირები დასჭირდეს სამუშაო პროცესის გასაუმჯობესებლად. ცვლილებებზე შეთანხმების შემდეგ კი აუცილებელია თავად ფაქტობრივი სამუშაოების დაგეგმვა მრავალი სხვა პროექტის კონტექსტში, რომელიც იკავებს სპეციალისტების სამუშაო დროს. სამუშაოები, რომლებიც მოიცავს კოდის შესწორებებს ან კვლევას, რომლის დასრულებას მხოლოდ რამდენიმე საათი ან დღე სჭირდება, შეიძლება გაცილებით მეტი დრო დასჭირდეს, სანამ რესურსები ხელმისაწვდომი გახდება. მანამდე გამეორება და სწავლა შეჩერებულია.

3. ის ავიწროებს კონტექსტს.

შრომის დანაწილებამ შეიძლება ხელოვნურად შეზღუდოს სწავლა ადამიანების დაჯილდოებით სპეციალობაში დარჩენისთვის. მაგალითად, მკვლევარი მეცნიერი, რომელიც უნდა დარჩეს თავისი ფუნქციების ფარგლებში, თავის ენერგიას მიმართავს სხვადასხვა ტიპის ალგორითმების ექსპერიმენტებზე: რეგრესია, ნერვული ქსელები, შემთხვევითი ტყე და ა.შ. რა თქმა უნდა, ალგორითმის კარგმა არჩევანმა შეიძლება გამოიწვიოს დამატებითი გაუმჯობესება, მაგრამ, როგორც წესი, ბევრად მეტია მოსაპოვებელი სხვა აქტივობებისგან, როგორიცაა მონაცემთა ახალი წყაროების ინტეგრირება. ანალოგიურად, ეს ხელს შეუწყობს მოდელის შემუშავებას, რომელიც გამოიყენებს მონაცემებს თანდაყოლილი ახსნა-განმარტების ძალას. თუმცა, მისი ძალა შეიძლება იყოს ობიექტური ფუნქციის შეცვლა ან გარკვეული შეზღუდვების მოდუნება. ამის დანახვა ან გაკეთება ძნელია, როდესაც მისი სამუშაო შეზღუდულია. იმის გამო, რომ ტექნიკური მეცნიერი სპეციალიზირებულია ალგორითმების ოპტიმიზაციაში, ნაკლებად სავარაუდოა, რომ სხვა რამე გააკეთოს, თუნდაც ამას მნიშვნელოვანი სარგებელი მოაქვს.

იმ ნიშნების დასასახელებლად, რომლებიც ჩნდება, როდესაც მონაცემთა მეცნიერების გუნდები მოქმედებენ როგორც pin Factories (მაგალითად, სტატუსის მარტივ განახლებებში): „მონაცემთა მილსადენის ცვლილებების მოლოდინში“ და „ML Eng რესურსების მოლოდინში“ ჩვეულებრივი ბლოკატორებია. თუმცა, მე მჯერა, რომ უფრო სახიფათო გავლენა არის ის, რასაც ვერ ამჩნევ, რადგან არ შეგიძლია ინანო ის, რაც უკვე არ იცი. უნაკლო შესრულებამ და პროცესის ეფექტურობის მიღწევის შედეგად მიღებულმა თვითკმაყოფილებამ შეიძლება შენიღბოს ის ჭეშმარიტება, რომ ორგანიზაციებმა არ იციან სწავლის სარგებელი, რომელიც მათ ხელიდან გაუშვებენ.

ამ პრობლემის გადაწყვეტა, რა თქმა უნდა, არის ქარხნული ქინძისთავის მეთოდის მოშორება. სწავლისა და გამეორების წახალისებისთვის, მონაცემთა მეცნიერის როლები უნდა იყოს ზოგადი, მაგრამ ტექნიკური ფუნქციისგან დამოუკიდებელი ფართო პასუხისმგებლობებით, ანუ მონაცემთა მეცნიერთა ორგანიზება ისე, რომ ისინი ოპტიმიზირებული იყოს სწავლისთვის. ეს ნიშნავს „სრული სტეკის სპეციალისტების“ დაქირავებას - გენერალურ სპეციალისტებს, რომლებსაც შეუძლიათ შეასრულონ სხვადასხვა ფუნქციები, კონცეფციიდან მოდელირებამდე, განხორციელებიდან გაზომვამდე. მნიშვნელოვანია აღინიშნოს, რომ მე არ ვთავაზობ, რომ სრული სტეკის ნიჭის დაქირავებამ უნდა შეამციროს თანამშრომლების რაოდენობა. უფრო სწორად, მე უბრალოდ ვივარაუდებ, რომ როდესაც ისინი სხვაგვარად არიან ორგანიზებულნი, მათი წახალისება უკეთესად შეესაბამება სწავლისა და შესრულების სარგებელს. მაგალითად, ვთქვათ, რომ გყავთ სამი კაციანი გუნდი სამი ბიზნეს უნარებით. ქინძისთავის ქარხანაში თითოეული ტექნიკოსი თავისი დროის მესამედს დაუთმობს თითოეულ სამუშაო ამოცანას, რადგან სხვა ვერავინ შეძლებს თავისი სამუშაოს შესრულებას. სრულ სტეკში, თითოეული გენერალისტი სრულად არის მიძღვნილი მთელი ბიზნეს პროცესისთვის, მასშტაბის გაზრდასა და ტრენინგზე.

როდესაც ნაკლები ადამიანი მხარს უჭერს წარმოების ციკლს, კოორდინაცია მცირდება. გენერალისტი უპრობლემოდ მოძრაობს მახასიათებლებს შორის, აფართოებს მონაცემთა მილსადენს მეტი მონაცემების დასამატებლად, ცდის ახალ ფუნქციებს მოდელებში, ავრცელებს ახალ ვერსიებს წარმოებაში მიზეზ-შედეგობრივი გაზომვებისთვის და იმეორებს ნაბიჯებს ახალი იდეების გაჩენისთანავე. რა თქმა უნდა, ვაგონი სხვადასხვა ფუნქციებს ასრულებს თანმიმდევრულად და არა პარალელურად. ყოველივე ამის შემდეგ, ეს მხოლოდ ერთი ადამიანია. თუმცა, დავალების შესრულებას ჩვეულებრივ სჭირდება მხოლოდ დროის ნაწილი, რომელიც საჭიროა სხვა სპეციალიზებულ რესურსზე წვდომისთვის. ასე რომ, გამეორების დრო მცირდება.

ჩვენი გენერალისტი შეიძლება არ იყოს ისეთივე გამოცდილი, როგორც სპეციალისტი კონკრეტული სამუშაო ფუნქციის, მაგრამ ჩვენ არ ვცდილობთ ფუნქციონალური სრულყოფის ან მცირე დამატებითი გაუმჯობესებისკენ. პირიქით, ჩვენ ვცდილობთ ვისწავლოთ და აღმოვაჩინოთ უფრო და უფრო მეტი პროფესიული გამოწვევები თანდათანობითი გავლენით. სრული გადაწყვეტის ჰოლისტიკური კონტექსტით, ის ხედავს შესაძლებლობებს, რომლებსაც სპეციალისტი გამოტოვებს. მას მეტი იდეა და მეტი შესაძლებლობა აქვს. ისიც მარცხდება. თუმცა, წარუმატებლობის ღირებულება დაბალია და სწავლის სარგებელი მაღალია. ეს ასიმეტრია ხელს უწყობს სწრაფ გამეორებას და აჯილდოებს სწავლას.

მნიშვნელოვანია აღინიშნოს, რომ ავტონომიისა და უნარების მრავალფეროვნების ოდენობა, რომელსაც ენიჭება სრული სტეკის მეცნიერები, დიდწილად არის დამოკიდებული მონაცემთა პლატფორმის გამძლეობაზე, რომელზეც უნდა იმუშაონ. კარგად შემუშავებული მონაცემთა პლატფორმა აბსტრაქტებს მონაცემთა მეცნიერებს კონტეინერიზაციის, განაწილებული დამუშავების, ავტომატური შეფერხების და სხვა მოწინავე გამოთვლითი ცნებებისგან. გარდა აბსტრაქციისა, მონაცემთა მძლავრ პლატფორმას შეუძლია უზრუნველყოს უწყვეტი კავშირი ექსპერიმენტულ ინფრასტრუქტურასთან, ავტომატიზირებული მონიტორინგი და გაფრთხილება, ჩართოს ალგორითმული შედეგების ავტომატური მასშტაბირება და ვიზუალიზაცია და გამართვა. ეს კომპონენტები შექმნილია და აშენებულია მონაცემთა პლატფორმის ინჟინრების მიერ, რაც იმას ნიშნავს, რომ ისინი არ გადაეცემა მონაცემთა მეცნიერისგან მონაცემთა პლატფორმის განვითარების გუნდს. ეს არის მონაცემთა მეცნიერების სპეციალისტი, რომელიც პასუხისმგებელია პლატფორმის გასაშვებად გამოყენებულ ყველა კოდზე.

მეც ოდესღაც მაინტერესებდა შრომის ფუნქციონალური დანაწილება პროცესის ეფექტურობის გამოყენებით, მაგრამ ცდისა და შეცდომის მეშვეობით (სწავლის უკეთესი გზა არ არსებობს), აღმოვაჩინე, რომ ტიპიური როლები უკეთ აადვილებს სწავლას და ინოვაციას და უზრუნველყოფს სწორ მეტრიკას: აღმოჩენა და უფრო მეტი ბიზნეს შესაძლებლობების შექმნა, ვიდრე სპეციალიზებული მიდგომა. (ორგანიზების ამ მიდგომის გაცნობის უფრო ეფექტური გზა, ვიდრე საცდელი და შეცდომის შესახებ, არის ემი ედმონდსონის წიგნის გუნდური თანამშრომლობა: როგორ სწავლობენ, ინოვაციას და კონკურენციას ახდენენ ორგანიზაციები ცოდნის ეკონომიკაში).

არსებობს რამდენიმე მნიშვნელოვანი დაშვება, რამაც შეიძლება ეს მიდგომა ორგანიზების მეტ-ნაკლებად სანდო გახადოს ზოგიერთ კომპანიაში. გამეორების პროცესი ამცირებს საცდელი და შეცდომის ღირებულებას. თუ შეცდომის ღირებულება მაღალია, შეიძლება დაგჭირდეთ მათი შემცირება (მაგრამ ეს არ არის რეკომენდებული სამედიცინო აპლიკაციებისთვის ან წარმოებისთვის). გარდა ამისა, თუ საქმე გაქვთ პეტაბაიტებთან ან ეგზაბაიტებთან, შეიძლება დაგჭირდეთ სპეციალიზაცია მონაცემთა ინჟინერიაში. ანალოგიურად, თუ ონლაინ ბიზნეს შესაძლებლობების შენარჩუნება და მათი ხელმისაწვდომობა უფრო მნიშვნელოვანია, ვიდრე მათი გაუმჯობესება, ფუნქციონალურმა სრულყოფილებამ შეიძლება დაამარცხოს სწავლა. დაბოლოს, სრული სტეკის მოდელი ეყრდნობა იმ ადამიანების მოსაზრებებს, რომლებმაც იციან ამის შესახებ. ისინი არ არიან unicorns; შეგიძლიათ იპოვოთ ისინი ან თავად მოამზადოთ ისინი. თუმცა, მათზე დიდი მოთხოვნაა და მათი მოზიდვა და შენარჩუნება მოითხოვს კონკურენტულ კომპენსაციას, ძლიერ კორპორატიულ ღირებულებებს და რთულ სამუშაოს. დარწმუნდით, რომ თქვენი კომპანიის კულტურას შეუძლია მხარი დაუჭიროს ამას.

ამ ყველაფრის მიუხედავად, მე მჯერა, რომ სრული სტეკის მოდელი უზრუნველყოფს საუკეთესო სასტარტო პირობებს. დაიწყეთ მათგან და შემდეგ შეგნებულად გადადით შრომის ფუნქციური დანაწილებისკენ მხოლოდ მაშინ, როცა აბსოლუტურად აუცილებელია.

ფუნქციონალური სპეციალობის სხვა ნაკლოვანებებიც არსებობს. ამან შეიძლება გამოიწვიოს მუშების პასუხისმგებლობის დაკარგვა და პასიურობა. თავად სმიტი აკრიტიკებს შრომის დანაწილებას და ვარაუდობს, რომ ეს იწვევს ნიჭის დაკნინებას, ე.ი. მუშები ხდებიან უცოდინრები და გარიყულები, რადგან მათი როლები შემოიფარგლება რამდენიმე განმეორებადი ამოცანებით. მიუხედავად იმისა, რომ სპეციალიზაციამ შეიძლება უზრუნველყოს პროცესის ეფექტურობა, ნაკლებად სავარაუდოა, რომ ის შთააგონებს მუშებს.

თავის მხრივ, მრავალმხრივი როლები უზრუნველყოფს ყველაფერს, რაც იწვევს სამუშაოს კმაყოფილებას: ავტონომიას, ოსტატობას და მიზანს. ავტონომია არის ის, რომ ისინი არაფერზე არიან დამოკიდებულნი წარმატების მისაღწევად. ოსტატობა მდგომარეობს ძლიერ კონკურენტულ უპირატესობებში. და მიზნის გრძნობა მდგომარეობს მათ მიერ შექმნილ ბიზნესზე გავლენის მოხდენის შესაძლებლობაში. თუ ჩვენ შევძლებთ ხალხის აღფრთოვანებას მათი მუშაობით და დიდი გავლენა მოვახდინოთ კომპანიაზე, მაშინ ყველაფერი თავის ადგილზე დადგება.

წყარო: www.habr.com