ಹಿರೋಶಿ ವಟನಬೆ/ಗೆಟ್ಟಿ ಚಿತ್ರಗಳು
ದಿ ವೆಲ್ತ್ ಆಫ್ ನೇಷನ್ಸ್ ನಲ್ಲಿ ಆಡಮ್ ಸ್ಮಿತ್ ಹೇಗೆ ಕಾರ್ಮಿಕರ ವಿಭಜನೆಯು ಹೆಚ್ಚಿದ ಉತ್ಪಾದಕತೆಯ ಮುಖ್ಯ ಮೂಲವಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತಾನೆ. ಪಿನ್ ಫ್ಯಾಕ್ಟರಿಯ ಅಸೆಂಬ್ಲಿ ಲೈನ್ ಒಂದು ಉದಾಹರಣೆಯಾಗಿದೆ: "ಒಬ್ಬ ಕೆಲಸಗಾರ ತಂತಿಯನ್ನು ಎಳೆಯುತ್ತಾನೆ, ಇನ್ನೊಬ್ಬನು ಅದನ್ನು ನೇರಗೊಳಿಸುತ್ತಾನೆ, ಮೂರನೆಯವನು ಅದನ್ನು ಕತ್ತರಿಸುತ್ತಾನೆ, ನಾಲ್ಕನೆಯವನು ತುದಿಯನ್ನು ತೀಕ್ಷ್ಣಗೊಳಿಸುತ್ತಾನೆ, ಐದನೆಯವನು ತಲೆಗೆ ಸರಿಹೊಂದುವಂತೆ ಇನ್ನೊಂದು ತುದಿಯನ್ನು ಪುಡಿಮಾಡುತ್ತಾನೆ." ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದ ವಿಶೇಷತೆಗೆ ಧನ್ಯವಾದಗಳು, ಪ್ರತಿ ಉದ್ಯೋಗಿ ತನ್ನ ಕಿರಿದಾದ ಕಾರ್ಯದಲ್ಲಿ ಹೆಚ್ಚು ಅರ್ಹವಾದ ಪರಿಣಿತನಾಗುತ್ತಾನೆ, ಇದು ಹೆಚ್ಚಿದ ಪ್ರಕ್ರಿಯೆಯ ದಕ್ಷತೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಪ್ರತಿ ಕೆಲಸಗಾರನ ಉತ್ಪಾದನೆಯು ಹಲವು ಬಾರಿ ಹೆಚ್ಚಾಗುತ್ತದೆ ಮತ್ತು ಪಿನ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸುವಲ್ಲಿ ಕಾರ್ಖಾನೆಯು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿರುತ್ತದೆ.
ಕಾರ್ಯಚಟುವಟಿಕೆಯಿಂದ ಈ ಕಾರ್ಮಿಕರ ವಿಭಜನೆಯು ಇಂದಿಗೂ ನಮ್ಮ ಮನಸ್ಸಿನಲ್ಲಿ ಎಷ್ಟು ಬೇರೂರಿದೆ ಎಂದರೆ ನಾವು ನಮ್ಮ ತಂಡಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಸಂಘಟಿಸಿದ್ದೇವೆ. ಡೇಟಾ ಸೈನ್ಸ್ ಇದಕ್ಕೆ ಹೊರತಾಗಿಲ್ಲ. ಸಂಕೀರ್ಣ ಅಲ್ಗಾರಿದಮಿಕ್ ವ್ಯವಹಾರ ಸಾಮರ್ಥ್ಯಗಳಿಗೆ ಬಹು ಕೆಲಸದ ಕಾರ್ಯಗಳು ಬೇಕಾಗುತ್ತವೆ, ಆದ್ದರಿಂದ ಕಂಪನಿಗಳು ವಿಶಿಷ್ಟವಾಗಿ ತಜ್ಞರ ತಂಡಗಳನ್ನು ರಚಿಸುತ್ತವೆ: ಸಂಶೋಧಕರು, ಡೇಟಾ ಎಂಜಿನಿಯರ್‌ಗಳು, ಯಂತ್ರ ಕಲಿಕೆ ಎಂಜಿನಿಯರ್‌ಗಳು, ಕಾರಣ ಮತ್ತು ಪರಿಣಾಮದ ವಿಜ್ಞಾನಿಗಳು, ಇತ್ಯಾದಿ. ತಜ್ಞರ ಕೆಲಸವನ್ನು ಉತ್ಪನ್ನ ನಿರ್ವಾಹಕರು ಪಿನ್ ಕಾರ್ಖಾನೆಯನ್ನು ಹೋಲುವ ರೀತಿಯಲ್ಲಿ ಕಾರ್ಯಗಳ ವರ್ಗಾವಣೆಯೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತಾರೆ: “ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಡೇಟಾವನ್ನು ಸ್ವೀಕರಿಸುತ್ತಾನೆ, ಇನ್ನೊಬ್ಬರು ಅದನ್ನು ಮಾದರಿ ಮಾಡುತ್ತಾರೆ, ಮೂರನೆಯವರು ಅದನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತಾರೆ, ನಾಲ್ಕನೇ ಕ್ರಮಗಳು” ಮತ್ತು ಹೀಗೆ,
ಅಯ್ಯೋ, ಉತ್ಪಾದಕತೆಯನ್ನು ಸುಧಾರಿಸಲು ನಾವು ನಮ್ಮ ಡೇಟಾ ಸೈನ್ಸ್ ತಂಡಗಳನ್ನು ಆಪ್ಟಿಮೈಜ್ ಮಾಡಬಾರದು. ಆದಾಗ್ಯೂ, ನೀವು ಏನನ್ನು ಉತ್ಪಾದಿಸುತ್ತಿರುವಿರಿ ಎಂಬುದನ್ನು ನೀವು ಅರ್ಥಮಾಡಿಕೊಂಡಾಗ ನೀವು ಇದನ್ನು ಮಾಡುತ್ತೀರಿ: ಪಿನ್‌ಗಳು ಅಥವಾ ಇನ್ನೇನಾದರೂ, ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಸರಳವಾಗಿ ಶ್ರಮಿಸಿ. ಅಸೆಂಬ್ಲಿ ಲೈನ್‌ಗಳ ಉದ್ದೇಶವು ಕಾರ್ಯವನ್ನು ಪೂರ್ಣಗೊಳಿಸುವುದು. ನಮಗೆ ಬೇಕಾದುದನ್ನು ನಾವು ನಿಖರವಾಗಿ ತಿಳಿದಿದ್ದೇವೆ - ಪಿನ್‌ಗಳು (ಸ್ಮಿತ್‌ನ ಉದಾಹರಣೆಯಲ್ಲಿರುವಂತೆ), ಆದರೆ ಯಾವುದೇ ಉತ್ಪನ್ನ ಅಥವಾ ಸೇವೆಯನ್ನು ನಮೂದಿಸಬಹುದು ಇದರಲ್ಲಿ ಅವಶ್ಯಕತೆಗಳು ಉತ್ಪನ್ನದ ಎಲ್ಲಾ ಅಂಶಗಳನ್ನು ಮತ್ತು ಅದರ ನಡವಳಿಕೆಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ವಿವರಿಸುತ್ತದೆ. ಈ ಅವಶ್ಯಕತೆಗಳನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಪೂರೈಸುವುದು ಉದ್ಯೋಗಿಗಳ ಪಾತ್ರವಾಗಿದೆ.
ಆದರೆ ಡೇಟಾ ಸೈನ್ಸ್‌ನ ಗುರಿ ಕಾರ್ಯಗಳನ್ನು ಪೂರ್ಣಗೊಳಿಸುವುದು ಅಲ್ಲ. ಬದಲಿಗೆ, ಬಲವಾದ ಹೊಸ ವ್ಯಾಪಾರ ಅವಕಾಶಗಳನ್ನು ಅನ್ವೇಷಿಸುವುದು ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ಗುರಿಯಾಗಿದೆ. ಶಿಫಾರಸ್ಸು ವ್ಯವಸ್ಥೆಗಳು, ಗ್ರಾಹಕರ ಸಂವಹನಗಳು, ಶೈಲಿಯ ಆದ್ಯತೆಗಳ ವರ್ಗೀಕರಣ, ಗಾತ್ರ, ಬಟ್ಟೆ ವಿನ್ಯಾಸ, ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಆಪ್ಟಿಮೈಸೇಶನ್, ಕಾಲೋಚಿತ ಪ್ರವೃತ್ತಿ ಪತ್ತೆ ಮತ್ತು ಹೆಚ್ಚಿನವುಗಳಂತಹ ಅಲ್ಗಾರಿದಮಿಕ್ ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಸೇವೆಗಳನ್ನು ಮುಂಚಿತವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗುವುದಿಲ್ಲ. ಅವುಗಳನ್ನು ಅಧ್ಯಯನ ಮಾಡಬೇಕು. ಪುನರಾವರ್ತಿಸಲು ಯಾವುದೇ ನೀಲನಕ್ಷೆಗಳಿಲ್ಲ, ಇವು ಅಂತರ್ಗತ ಅನಿಶ್ಚಿತತೆಯೊಂದಿಗೆ ಹೊಸ ಸಾಧ್ಯತೆಗಳಾಗಿವೆ. ಗುಣಾಂಕಗಳು, ಮಾದರಿಗಳು, ಮಾದರಿ ಪ್ರಕಾರಗಳು, ಹೈಪರ್‌ಪ್ಯಾರಾಮೀಟರ್‌ಗಳು, ಎಲ್ಲಾ ಅಗತ್ಯ ಅಂಶಗಳನ್ನು ಪ್ರಯೋಗ, ಪ್ರಯೋಗ ಮತ್ತು ದೋಷ ಮತ್ತು ಪುನರಾವರ್ತನೆಯ ಮೂಲಕ ಕಲಿಯಬೇಕು. ಪಿನ್ಗಳೊಂದಿಗೆ, ತರಬೇತಿ ಮತ್ತು ವಿನ್ಯಾಸವನ್ನು ಉತ್ಪಾದನೆಯ ಮುಂಚಿತವಾಗಿ ಮಾಡಲಾಗುತ್ತದೆ. ಡೇಟಾ ಸೈನ್ಸ್‌ನೊಂದಿಗೆ, ನೀವು ಮಾಡುವಂತೆ ನೀವು ಕಲಿಯುತ್ತೀರಿ, ಮೊದಲು ಅಲ್ಲ.
ಪಿನ್ ಫ್ಯಾಕ್ಟರಿಯಲ್ಲಿ, ತರಬೇತಿಯು ಮೊದಲು ಬಂದಾಗ, ಉತ್ಪಾದನಾ ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸುವುದನ್ನು ಹೊರತುಪಡಿಸಿ ಉತ್ಪನ್ನದ ಯಾವುದೇ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಕಾರ್ಮಿಕರು ಸುಧಾರಿಸಬೇಕೆಂದು ನಾವು ನಿರೀಕ್ಷಿಸುವುದಿಲ್ಲ ಅಥವಾ ಬಯಸುವುದಿಲ್ಲ. ವಿಶೇಷ ಕಾರ್ಯಗಳು ಅರ್ಥಪೂರ್ಣವಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ಪ್ರಕ್ರಿಯೆಯ ದಕ್ಷತೆ ಮತ್ತು ಉತ್ಪಾದನಾ ಸ್ಥಿರತೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ (ಅಂತಿಮ ಉತ್ಪನ್ನಕ್ಕೆ ಬದಲಾವಣೆಗಳಿಲ್ಲದೆ).
ಆದರೆ ಉತ್ಪನ್ನವು ಇನ್ನೂ ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಿರುವಾಗ ಮತ್ತು ಗುರಿಯು ತರಬೇತಿಯಾಗಿದ್ದರೆ, ಈ ಕೆಳಗಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ ವಿಶೇಷತೆಯು ನಮ್ಮ ಗುರಿಗಳೊಂದಿಗೆ ಮಧ್ಯಪ್ರವೇಶಿಸುತ್ತದೆ:
1. ಇದು ಸಮನ್ವಯ ವೆಚ್ಚವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.
ಅಂದರೆ, ಸಂವಹನ, ಚರ್ಚೆ, ಸಮರ್ಥನೆ ಮತ್ತು ಮಾಡಬೇಕಾದ ಕೆಲಸವನ್ನು ಆದ್ಯತೆ ನೀಡುವ ಸಮಯದಲ್ಲಿ ಸಂಗ್ರಹವಾಗುವ ವೆಚ್ಚಗಳು. ಈ ವೆಚ್ಚಗಳು ಒಳಗೊಂಡಿರುವ ಜನರ ಸಂಖ್ಯೆಯೊಂದಿಗೆ ರೇಖಾತ್ಮಕವಾಗಿ ಅಳೆಯಲಾಗುತ್ತದೆ. (ಜೆ. ರಿಚರ್ಡ್ ಹ್ಯಾಕ್‌ಮನ್ ನಮಗೆ ಕಲಿಸಿದಂತೆ, ಈ ಸಮೀಕರಣದ ಪ್ರಕಾರ n ಪದಗಳ ಸಂಖ್ಯೆಯ ಕಾರ್ಯದಂತೆಯೇ r ಸಂಬಂಧಗಳ ಸಂಖ್ಯೆಯು ಬೆಳೆಯುತ್ತದೆ: r = (n^2-n)/2. ಮತ್ತು ಪ್ರತಿ ಸಂಬಂಧವು ಕೆಲವು ಪ್ರಮಾಣವನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ ವೆಚ್ಚ ಸಂಬಂಧ.) ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಕಾರ್ಯದಿಂದ ಸಂಘಟಿಸಲ್ಪಟ್ಟಾಗ, ಪ್ರತಿ ಹಂತದಲ್ಲಿ, ಪ್ರತಿ ಬದಲಾವಣೆಯೊಂದಿಗೆ, ಪ್ರತಿ ಹಸ್ತಾಂತರ, ಇತ್ಯಾದಿಗಳೊಂದಿಗೆ, ಅನೇಕ ತಜ್ಞರು ಅಗತ್ಯವಿದೆ, ಇದು ಸಮನ್ವಯ ವೆಚ್ಚವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಹೊಸ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಪ್ರಯೋಗಿಸಲು ಬಯಸುವ ಅಂಕಿಅಂಶಗಳ ಮಾದರಿಗಾರರು ಹೊಸದನ್ನು ಪ್ರಯತ್ನಿಸಲು ಬಯಸಿದಾಗ ಪ್ರತಿ ಬಾರಿ ಡೇಟಾ ಸೆಟ್‌ಗಳಿಗೆ ಸೇರಿಸುವ ಡೇಟಾ ಎಂಜಿನಿಯರ್‌ಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸಬೇಕಾಗುತ್ತದೆ. ಅಂತೆಯೇ, ತರಬೇತಿ ಪಡೆದ ಪ್ರತಿ ಹೊಸ ಮಾದರಿ ಎಂದರೆ ಮಾದರಿ ಡೆವಲಪರ್‌ಗೆ ಅದನ್ನು ಉತ್ಪಾದನೆಗೆ ಒಳಪಡಿಸಲು ಸಮನ್ವಯಗೊಳಿಸಲು ಯಾರಾದರೂ ಅಗತ್ಯವಿದೆ. ಸಮನ್ವಯ ವೆಚ್ಚಗಳು ಪುನರಾವರ್ತನೆಗೆ ಬೆಲೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ, ಅವುಗಳನ್ನು ಹೆಚ್ಚು ಕಷ್ಟಕರವಾಗಿಸುತ್ತದೆ ಮತ್ತು ದುಬಾರಿಯಾಗಿಸುತ್ತದೆ ಮತ್ತು ಅಧ್ಯಯನವನ್ನು ಕೈಬಿಡುವ ಸಾಧ್ಯತೆ ಹೆಚ್ಚು. ಇದು ಕಲಿಕೆಗೆ ಅಡ್ಡಿಯಾಗಬಹುದು.
2. ಇದು ಕಾಯುವ ಸಮಯವನ್ನು ಕಷ್ಟಕರವಾಗಿಸುತ್ತದೆ.
ಸಮನ್ವಯ ವೆಚ್ಚಗಳಿಗಿಂತ ಹೆಚ್ಚು ಬೆದರಿಸುವುದು ಕೆಲಸದ ಪಾಳಿಗಳ ನಡುವೆ ಕಳೆದುಹೋದ ಸಮಯ. ಸಮನ್ವಯ ವೆಚ್ಚಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಗಂಟೆಗಳಲ್ಲಿ ಅಳೆಯಲಾಗುತ್ತದೆ - ಸಭೆಗಳು, ಚರ್ಚೆಗಳು, ವಿನ್ಯಾಸ ವಿಮರ್ಶೆಗಳನ್ನು ನಡೆಸಲು ತೆಗೆದುಕೊಳ್ಳುವ ಸಮಯ - ಕಾಯುವ ಸಮಯವನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ದಿನಗಳು, ವಾರಗಳು ಅಥವಾ ತಿಂಗಳುಗಳಲ್ಲಿ ಅಳೆಯಲಾಗುತ್ತದೆ! ಕ್ರಿಯಾತ್ಮಕ ತಜ್ಞರ ವೇಳಾಪಟ್ಟಿಗಳನ್ನು ಸಮತೋಲನಗೊಳಿಸುವುದು ಕಷ್ಟಕರವಾಗಿದೆ ಏಕೆಂದರೆ ಪ್ರತಿಯೊಬ್ಬ ತಜ್ಞರನ್ನು ಬಹು ಯೋಜನೆಗಳಲ್ಲಿ ವಿತರಿಸಬೇಕು. ಬದಲಾವಣೆಗಳನ್ನು ಚರ್ಚಿಸಲು ಒಂದು ಗಂಟೆಯ ಸಭೆಯು ಕೆಲಸದ ಹರಿವನ್ನು ಸುಗಮಗೊಳಿಸಲು ವಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಮತ್ತು ಬದಲಾವಣೆಗಳನ್ನು ಒಪ್ಪಿಕೊಂಡ ನಂತರ, ತಜ್ಞರ ಕೆಲಸದ ಸಮಯವನ್ನು ಆಕ್ರಮಿಸುವ ಅನೇಕ ಇತರ ಯೋಜನೆಗಳ ಸಂದರ್ಭದಲ್ಲಿ ನಿಜವಾದ ಕೆಲಸವನ್ನು ಸ್ವತಃ ಯೋಜಿಸುವುದು ಅವಶ್ಯಕ. ಕೋಡ್ ಫಿಕ್ಸ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಕೆಲಸ ಅಥವಾ ಸಂಶೋಧನೆಯು ಪೂರ್ಣಗೊಳ್ಳಲು ಕೆಲವೇ ಗಂಟೆಗಳು ಅಥವಾ ದಿನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, ಸಂಪನ್ಮೂಲಗಳು ಲಭ್ಯವಾಗುವ ಮೊದಲು ಹೆಚ್ಚು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಅಲ್ಲಿಯವರೆಗೆ, ಪುನರಾವರ್ತನೆ ಮತ್ತು ಕಲಿಕೆಯನ್ನು ಅಮಾನತುಗೊಳಿಸಲಾಗಿದೆ.
3. ಇದು ಸಂದರ್ಭವನ್ನು ಸಂಕುಚಿತಗೊಳಿಸುತ್ತದೆ.
ಕಾರ್ಮಿಕರ ವಿಭಜನೆಯು ತಮ್ಮ ವಿಶೇಷತೆಯಲ್ಲಿ ಉಳಿಯಲು ಜನರಿಗೆ ಪ್ರತಿಫಲ ನೀಡುವ ಮೂಲಕ ಕಲಿಕೆಯನ್ನು ಕೃತಕವಾಗಿ ಮಿತಿಗೊಳಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ತನ್ನ ಕಾರ್ಯಚಟುವಟಿಕೆಗಳ ವ್ಯಾಪ್ತಿಯೊಳಗೆ ಇರಬೇಕಾದ ಒಬ್ಬ ಸಂಶೋಧನಾ ವಿಜ್ಞಾನಿಯು ವಿವಿಧ ರೀತಿಯ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಪ್ರಯೋಗಿಸುವುದರ ಮೇಲೆ ತನ್ನ ಶಕ್ತಿಯನ್ನು ಕೇಂದ್ರೀಕರಿಸುತ್ತಾನೆ: ಹಿಂಜರಿತ, ನರಗಳ ಜಾಲಗಳು, ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯ, ಇತ್ಯಾದಿ. ಸಹಜವಾಗಿ, ಉತ್ತಮ ಅಲ್ಗಾರಿದಮ್ ಆಯ್ಕೆಗಳು ಹೆಚ್ಚುತ್ತಿರುವ ಸುಧಾರಣೆಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು, ಆದರೆ ಹೊಸ ಡೇಟಾ ಮೂಲಗಳನ್ನು ಸಂಯೋಜಿಸುವಂತಹ ಇತರ ಚಟುವಟಿಕೆಗಳಿಂದ ಸಾಮಾನ್ಯವಾಗಿ ಹೆಚ್ಚಿನದನ್ನು ಪಡೆಯಬಹುದು. ಅಂತೆಯೇ, ಡೇಟಾದಲ್ಲಿ ಅಂತರ್ಗತವಾಗಿರುವ ಪ್ರತಿಯೊಂದು ವಿವರಣಾತ್ಮಕ ಶಕ್ತಿಯನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಇದು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಅದರ ಸಾಮರ್ಥ್ಯವು ವಸ್ತುನಿಷ್ಠ ಕಾರ್ಯವನ್ನು ಬದಲಾಯಿಸುವಲ್ಲಿ ಅಥವಾ ಕೆಲವು ನಿರ್ಬಂಧಗಳನ್ನು ಸಡಿಲಿಸುವುದರಲ್ಲಿ ಅಡಗಿರಬಹುದು. ಅವಳ ಕೆಲಸ ಸೀಮಿತವಾದಾಗ ಇದನ್ನು ನೋಡುವುದು ಅಥವಾ ಮಾಡುವುದು ಕಷ್ಟ. ಒಬ್ಬ ತಾಂತ್ರಿಕ ವಿಜ್ಞಾನಿಯು ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಉತ್ತಮಗೊಳಿಸುವಲ್ಲಿ ಪರಿಣತಿ ಹೊಂದಿರುವುದರಿಂದ, ಗಮನಾರ್ಹ ಪ್ರಯೋಜನಗಳನ್ನು ತಂದರೂ ಅವನು ಬೇರೆ ಏನನ್ನೂ ಮಾಡುವ ಸಾಧ್ಯತೆ ಕಡಿಮೆ.
ಡೇಟಾ ಸೈನ್ಸ್ ತಂಡಗಳು ಪಿನ್ ಫ್ಯಾಕ್ಟರಿಗಳಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದಾಗ ಕಾಣಿಸಿಕೊಳ್ಳುವ ಚಿಹ್ನೆಗಳನ್ನು ಹೆಸರಿಸಲು (ಉದಾಹರಣೆಗೆ, ಸರಳ ಸ್ಥಿತಿ ನವೀಕರಣಗಳಲ್ಲಿ): “ಡೇಟಾ ಪೈಪ್‌ಲೈನ್ ಬದಲಾವಣೆಗಳಿಗಾಗಿ ಕಾಯಲಾಗುತ್ತಿದೆ” ಮತ್ತು “ML Eng ಸಂಪನ್ಮೂಲಗಳಿಗಾಗಿ ಕಾಯಲಾಗುತ್ತಿದೆ” ಸಾಮಾನ್ಯ ಬ್ಲಾಕರ್‌ಗಳಾಗಿವೆ. ಹೇಗಾದರೂ, ನಾನು ಹೆಚ್ಚು ಅಪಾಯಕಾರಿ ಪ್ರಭಾವವನ್ನು ನೀವು ಗಮನಿಸುವುದಿಲ್ಲ ಎಂದು ನಾನು ನಂಬುತ್ತೇನೆ, ಏಕೆಂದರೆ ನಿಮಗೆ ಈಗಾಗಲೇ ತಿಳಿದಿಲ್ಲದಿರುವ ಬಗ್ಗೆ ನೀವು ವಿಷಾದಿಸುವಂತಿಲ್ಲ. ದೋಷರಹಿತ ಮರಣದಂಡನೆ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಯ ದಕ್ಷತೆಯನ್ನು ಸಾಧಿಸುವುದರಿಂದ ಪಡೆದ ತೃಪ್ತಿಯು ಸಂಸ್ಥೆಗಳು ತಾವು ಕಳೆದುಕೊಳ್ಳುತ್ತಿರುವ ಕಲಿಕೆಯ ಪ್ರಯೋಜನಗಳ ಬಗ್ಗೆ ತಿಳಿದಿರುವುದಿಲ್ಲ ಎಂಬ ಸತ್ಯವನ್ನು ಮರೆಮಾಚಬಹುದು.
ಈ ಸಮಸ್ಯೆಗೆ ಪರಿಹಾರವೆಂದರೆ, ಕಾರ್ಖಾನೆಯ ಪಿನ್ ವಿಧಾನವನ್ನು ತೊಡೆದುಹಾಕುವುದು. ಕಲಿಕೆ ಮತ್ತು ಪುನರಾವರ್ತನೆಯನ್ನು ಉತ್ತೇಜಿಸಲು, ದತ್ತಾಂಶ ವಿಜ್ಞಾನಿ ಪಾತ್ರಗಳು ಸಾರ್ವತ್ರಿಕವಾಗಿರಬೇಕು ಆದರೆ ತಾಂತ್ರಿಕ ಕಾರ್ಯದಿಂದ ಸ್ವತಂತ್ರವಾಗಿ ವಿಶಾಲವಾದ ಜವಾಬ್ದಾರಿಗಳನ್ನು ಹೊಂದಿರಬೇಕು, ಅಂದರೆ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳನ್ನು ಸಂಘಟಿಸಿ ಇದರಿಂದ ಅವರು ಕಲಿಕೆಗೆ ಹೊಂದುವಂತೆ ಮಾಡಲಾಗುತ್ತದೆ. ಇದರರ್ಥ "ಪೂರ್ಣ ಸ್ಟಾಕ್ ಪರಿಣಿತರನ್ನು" ನೇಮಿಸಿಕೊಳ್ಳುವುದು - ಪರಿಕಲ್ಪನೆಯಿಂದ ಮಾಡೆಲಿಂಗ್, ಅನುಷ್ಠಾನದಿಂದ ಮಾಪನದವರೆಗೆ ವಿವಿಧ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಬಲ್ಲ ಸಾಮಾನ್ಯ ತಜ್ಞರು. ಪೂರ್ಣ-ಸ್ಟಾಕ್ ಪ್ರತಿಭೆಯನ್ನು ನೇಮಿಸಿಕೊಳ್ಳುವುದು ಉದ್ಯೋಗಿಗಳ ಸಂಖ್ಯೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಬೇಕೆಂದು ನಾನು ಸಲಹೆ ನೀಡುತ್ತಿಲ್ಲ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಮುಖ್ಯ. ಬದಲಿಗೆ, ಅವರು ವಿಭಿನ್ನವಾಗಿ ಸಂಘಟಿಸಲ್ಪಟ್ಟಾಗ, ಅವರ ಪ್ರೋತ್ಸಾಹಗಳು ಕಲಿಕೆ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ಪ್ರಯೋಜನಗಳೊಂದಿಗೆ ಉತ್ತಮವಾಗಿ ಜೋಡಿಸಲ್ಪಟ್ಟಿವೆ ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ. ಉದಾಹರಣೆಗೆ, ನೀವು ಮೂರು ವ್ಯವಹಾರ ಕೌಶಲ್ಯಗಳನ್ನು ಹೊಂದಿರುವ ಮೂರು ಜನರ ತಂಡವನ್ನು ಹೊಂದಿದ್ದೀರಿ ಎಂದು ಭಾವಿಸೋಣ. ಪಿನ್ ಫ್ಯಾಕ್ಟರಿಯಲ್ಲಿ, ಪ್ರತಿಯೊಬ್ಬ ತಂತ್ರಜ್ಞನು ತನ್ನ ಕೆಲಸದ ಮೂರನೇ ಒಂದು ಭಾಗವನ್ನು ಪ್ರತಿ ಕೆಲಸದ ಕಾರ್ಯಕ್ಕೆ ವಿನಿಯೋಗಿಸುತ್ತಾನೆ, ಏಕೆಂದರೆ ತನ್ನ ಕೆಲಸವನ್ನು ಬೇರೆ ಯಾರೂ ಮಾಡಲು ಸಾಧ್ಯವಿಲ್ಲ. ಪೂರ್ಣ ಸ್ಟಾಕ್‌ನಲ್ಲಿ, ಪ್ರತಿಯೊಬ್ಬ ಸಾಮಾನ್ಯವಾದಿಯು ಸಂಪೂರ್ಣ ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆ, ಸ್ಕೇಲ್-ಅಪ್ ಮತ್ತು ತರಬೇತಿಗೆ ಸಂಪೂರ್ಣವಾಗಿ ಸಮರ್ಪಿತನಾಗಿರುತ್ತಾನೆ.
ಉತ್ಪಾದನಾ ಚಕ್ರವನ್ನು ಬೆಂಬಲಿಸುವ ಕಡಿಮೆ ಜನರು, ಸಮನ್ವಯವು ಕಡಿಮೆಯಾಗುತ್ತದೆ. ಸಾಮಾನ್ಯವಾದವು ವೈಶಿಷ್ಟ್ಯಗಳ ನಡುವೆ ದ್ರವವಾಗಿ ಚಲಿಸುತ್ತದೆ, ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ಸೇರಿಸಲು ಡೇಟಾ ಪೈಪ್‌ಲೈನ್ ಅನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ, ಮಾದರಿಗಳಲ್ಲಿ ಹೊಸ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಪ್ರಯತ್ನಿಸುತ್ತದೆ, ಸಾಂದರ್ಭಿಕ ಅಳತೆಗಳಿಗಾಗಿ ಉತ್ಪಾದನೆಗೆ ಹೊಸ ಆವೃತ್ತಿಗಳನ್ನು ನಿಯೋಜಿಸುತ್ತದೆ ಮತ್ತು ಹೊಸ ಆಲೋಚನೆಗಳು ಬಂದ ತಕ್ಷಣ ಹಂತಗಳನ್ನು ಪುನರಾವರ್ತಿಸುತ್ತದೆ. ಸಹಜವಾಗಿ, ಸ್ಟೇಷನ್ ವ್ಯಾಗನ್ ವಿವಿಧ ಕಾರ್ಯಗಳನ್ನು ಅನುಕ್ರಮವಾಗಿ ನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಸಮಾನಾಂತರವಾಗಿ ಅಲ್ಲ. ಎಲ್ಲಾ ನಂತರ, ಇದು ಕೇವಲ ಒಬ್ಬ ವ್ಯಕ್ತಿ. ಆದಾಗ್ಯೂ, ಕಾರ್ಯವನ್ನು ಪೂರ್ಣಗೊಳಿಸುವುದು ಸಾಮಾನ್ಯವಾಗಿ ಮತ್ತೊಂದು ವಿಶೇಷ ಸಂಪನ್ಮೂಲವನ್ನು ಪ್ರವೇಶಿಸಲು ಅಗತ್ಯವಿರುವ ಸಮಯದ ಒಂದು ಭಾಗವನ್ನು ಮಾತ್ರ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಆದ್ದರಿಂದ, ಪುನರಾವರ್ತನೆಯ ಸಮಯ ಕಡಿಮೆಯಾಗುತ್ತದೆ.
ನಮ್ಮ ಸಾಮಾನ್ಯವಾದಿಯು ನಿರ್ದಿಷ್ಟ ಉದ್ಯೋಗ ಕಾರ್ಯದಲ್ಲಿ ಪರಿಣಿತರಾಗಿರದೆ ಇರಬಹುದು, ಆದರೆ ನಾವು ಕ್ರಿಯಾತ್ಮಕ ಪರಿಪೂರ್ಣತೆ ಅಥವಾ ಸಣ್ಣ ಹೆಚ್ಚುತ್ತಿರುವ ಸುಧಾರಣೆಗಳಿಗಾಗಿ ಶ್ರಮಿಸುವುದಿಲ್ಲ. ಬದಲಿಗೆ, ಕ್ರಮೇಣ ಪ್ರಭಾವದೊಂದಿಗೆ ಹೆಚ್ಚು ಹೆಚ್ಚು ವೃತ್ತಿಪರ ಸವಾಲುಗಳನ್ನು ಕಲಿಯಲು ಮತ್ತು ಅನ್ವೇಷಿಸಲು ನಾವು ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ. ಸಂಪೂರ್ಣ ಪರಿಹಾರಕ್ಕಾಗಿ ಸಮಗ್ರ ಸನ್ನಿವೇಶದೊಂದಿಗೆ, ತಜ್ಞರು ತಪ್ಪಿಸಿಕೊಳ್ಳುವ ಅವಕಾಶಗಳನ್ನು ಅವನು ನೋಡುತ್ತಾನೆ. ಅವನಿಗೆ ಹೆಚ್ಚಿನ ಆಲೋಚನೆಗಳು ಮತ್ತು ಹೆಚ್ಚಿನ ಸಾಧ್ಯತೆಗಳಿವೆ. ಅವನೂ ವಿಫಲನಾಗುತ್ತಾನೆ. ಆದಾಗ್ಯೂ, ವೈಫಲ್ಯದ ವೆಚ್ಚ ಕಡಿಮೆ ಮತ್ತು ಕಲಿಕೆಯ ಪ್ರಯೋಜನಗಳು ಹೆಚ್ಚು. ಈ ಅಸಿಮ್ಮೆಟ್ರಿಯು ತ್ವರಿತ ಪುನರಾವರ್ತನೆಯನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆ ಮತ್ತು ಕಲಿಕೆಗೆ ಪ್ರತಿಫಲ ನೀಡುತ್ತದೆ.
ಪೂರ್ಣ ಸ್ಟಾಕ್ ವಿಜ್ಞಾನಿಗಳಿಗೆ ಸ್ವಾಯತ್ತತೆ ಮತ್ತು ಕೌಶಲ್ಯ ವೈವಿಧ್ಯತೆಯ ಪ್ರಮಾಣವು ಕೆಲಸ ಮಾಡುವ ಡೇಟಾ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನ ದೃಢತೆಯ ಮೇಲೆ ಹೆಚ್ಚಾಗಿ ಅವಲಂಬಿತವಾಗಿದೆ ಎಂಬುದನ್ನು ಗಮನಿಸುವುದು ಮುಖ್ಯವಾಗಿದೆ. ಉತ್ತಮವಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಡೇಟಾ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಧಾರಕೀಕರಣ, ವಿತರಿಸಿದ ಸಂಸ್ಕರಣೆ, ಸ್ವಯಂಚಾಲಿತ ವಿಫಲತೆ ಮತ್ತು ಇತರ ಸುಧಾರಿತ ಕಂಪ್ಯೂಟಿಂಗ್ ಪರಿಕಲ್ಪನೆಗಳ ಸಂಕೀರ್ಣತೆಗಳಿಂದ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳನ್ನು ಅಮೂರ್ತಗೊಳಿಸುತ್ತದೆ. ಅಮೂರ್ತತೆಯ ಜೊತೆಗೆ, ದೃಢವಾದ ಡೇಟಾ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಪ್ರಾಯೋಗಿಕ ಮೂಲಸೌಕರ್ಯಕ್ಕೆ ತಡೆರಹಿತ ಸಂಪರ್ಕವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಸ್ವಯಂಚಾಲಿತ ಮೇಲ್ವಿಚಾರಣೆ ಮತ್ತು ಎಚ್ಚರಿಕೆಯನ್ನು ನೀಡುತ್ತದೆ, ಸ್ವಯಂಚಾಲಿತ ಸ್ಕೇಲಿಂಗ್ ಮತ್ತು ಅಲ್ಗಾರಿದಮಿಕ್ ಫಲಿತಾಂಶಗಳ ದೃಶ್ಯೀಕರಣ ಮತ್ತು ಡೀಬಗ್ ಮಾಡುವಿಕೆಯನ್ನು ಸಕ್ರಿಯಗೊಳಿಸುತ್ತದೆ. ಈ ಘಟಕಗಳನ್ನು ಡೇಟಾ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಎಂಜಿನಿಯರ್‌ಗಳು ವಿನ್ಯಾಸಗೊಳಿಸಿದ್ದಾರೆ ಮತ್ತು ನಿರ್ಮಿಸಿದ್ದಾರೆ, ಅಂದರೆ ಅವುಗಳನ್ನು ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳಿಂದ ಡೇಟಾ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅಭಿವೃದ್ಧಿ ತಂಡಕ್ಕೆ ರವಾನಿಸಲಾಗುವುದಿಲ್ಲ. ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅನ್ನು ಚಲಾಯಿಸಲು ಬಳಸುವ ಎಲ್ಲಾ ಕೋಡ್‌ಗಳಿಗೆ ಡೇಟಾ ಸೈನ್ಸ್ ತಜ್ಞರು ಜವಾಬ್ದಾರರಾಗಿರುತ್ತಾರೆ.
ನಾನು ಕೂಡ ಒಮ್ಮೆ ಪ್ರಕ್ರಿಯೆಯ ದಕ್ಷತೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಕಾರ್ಮಿಕರ ಕ್ರಿಯಾತ್ಮಕ ವಿಭಜನೆಯಲ್ಲಿ ಆಸಕ್ತಿ ಹೊಂದಿದ್ದೆ, ಆದರೆ ಪ್ರಯೋಗ ಮತ್ತು ದೋಷದ ಮೂಲಕ (ಕಲಿಯಲು ಉತ್ತಮ ಮಾರ್ಗವಿಲ್ಲ), ವಿಶಿಷ್ಟವಾದ ಪಾತ್ರಗಳು ಕಲಿಕೆ ಮತ್ತು ನಾವೀನ್ಯತೆಯನ್ನು ಉತ್ತಮವಾಗಿ ಸುಗಮಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಸರಿಯಾದ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ ಎಂದು ನಾನು ಕಂಡುಹಿಡಿದಿದ್ದೇನೆ: ಅನ್ವೇಷಣೆ ಮತ್ತು ವಿಶೇಷ ವಿಧಾನಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ವ್ಯಾಪಾರ ಅವಕಾಶಗಳನ್ನು ನಿರ್ಮಿಸುವುದು. (ನಾನು ಅನುಭವಿಸಿದ ಪ್ರಯೋಗ ಮತ್ತು ದೋಷಕ್ಕಿಂತ ಸಂಘಟಿಸುವ ಈ ವಿಧಾನದ ಬಗ್ಗೆ ತಿಳಿದುಕೊಳ್ಳಲು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಮಾರ್ಗವೆಂದರೆ ಆಮಿ ಎಡ್ಮಂಡ್ಸನ್ ಅವರ ಟೀಮ್ ಸಹಯೋಗ: ಸಂಸ್ಥೆಗಳು ಹೇಗೆ ಕಲಿಯುವುದು, ಆವಿಷ್ಕರಿಸುವುದು ಮತ್ತು ಜ್ಞಾನ ಆರ್ಥಿಕತೆಯಲ್ಲಿ ಸ್ಪರ್ಧಿಸುವುದು).
ಕೆಲವು ಕಂಪನಿಗಳಲ್ಲಿ ಹೆಚ್ಚು ಅಥವಾ ಕಡಿಮೆ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಸಂಘಟಿಸಲು ಈ ವಿಧಾನವನ್ನು ಮಾಡುವ ಕೆಲವು ಪ್ರಮುಖ ಊಹೆಗಳಿವೆ. ಪುನರಾವರ್ತನೆ ಪ್ರಕ್ರಿಯೆಯು ಪ್ರಯೋಗ ಮತ್ತು ದೋಷದ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ದೋಷದ ವೆಚ್ಚವು ಅಧಿಕವಾಗಿದ್ದರೆ, ನೀವು ಅವುಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಬಯಸಬಹುದು (ಆದರೆ ಇದನ್ನು ವೈದ್ಯಕೀಯ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಅಥವಾ ಉತ್ಪಾದನೆಗೆ ಶಿಫಾರಸು ಮಾಡುವುದಿಲ್ಲ). ಹೆಚ್ಚುವರಿಯಾಗಿ, ನೀವು ಪೆಟಾಬೈಟ್‌ಗಳು ಅಥವಾ ಎಕ್ಸಾಬೈಟ್‌ಗಳ ಡೇಟಾದೊಂದಿಗೆ ವ್ಯವಹರಿಸುತ್ತಿದ್ದರೆ, ಡೇಟಾ ಎಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ ವಿಶೇಷತೆ ಅಗತ್ಯವಾಗಬಹುದು. ಅಂತೆಯೇ, ಆನ್‌ಲೈನ್ ವ್ಯವಹಾರದ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು ಮತ್ತು ಅವುಗಳ ಲಭ್ಯತೆಯು ಅವುಗಳನ್ನು ಸುಧಾರಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚು ಮುಖ್ಯವಾಗಿದ್ದರೆ, ಕ್ರಿಯಾತ್ಮಕ ಉತ್ಕೃಷ್ಟತೆಯು ಕಲಿಕೆಯನ್ನು ಟ್ರಂಪ್ ಮಾಡಬಹುದು. ಅಂತಿಮವಾಗಿ, ಪೂರ್ಣ ಸ್ಟಾಕ್ ಮಾದರಿಯು ಅದರ ಬಗ್ಗೆ ತಿಳಿದಿರುವ ಜನರ ಅಭಿಪ್ರಾಯಗಳನ್ನು ಅವಲಂಬಿಸಿದೆ. ಅವು ಯುನಿಕಾರ್ನ್‌ಗಳಲ್ಲ; ನೀವು ಅವುಗಳನ್ನು ಹುಡುಕಬಹುದು ಅಥವಾ ಅವುಗಳನ್ನು ನೀವೇ ತಯಾರಿಸಬಹುದು. ಆದಾಗ್ಯೂ, ಅವರಿಗೆ ಹೆಚ್ಚಿನ ಬೇಡಿಕೆಯಿದೆ ಮತ್ತು ಅವುಗಳನ್ನು ಆಕರ್ಷಿಸಲು ಮತ್ತು ಉಳಿಸಿಕೊಳ್ಳಲು ಸ್ಪರ್ಧಾತ್ಮಕ ಪರಿಹಾರ, ಬಲವಾದ ಸಾಂಸ್ಥಿಕ ಮೌಲ್ಯಗಳು ಮತ್ತು ಸವಾಲಿನ ಕೆಲಸದ ಅಗತ್ಯವಿರುತ್ತದೆ. ನಿಮ್ಮ ಕಂಪನಿ ಸಂಸ್ಕೃತಿ ಇದನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ.
ಎಲ್ಲಾ ಹೇಳಿದರೂ ಸಹ, ಪೂರ್ಣ ಸ್ಟಾಕ್ ಮಾದರಿಯು ಅತ್ಯುತ್ತಮ ಆರಂಭಿಕ ಪರಿಸ್ಥಿತಿಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ ಎಂದು ನಾನು ನಂಬುತ್ತೇನೆ. ಅವರೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ, ಮತ್ತು ನಂತರ ಪ್ರಜ್ಞಾಪೂರ್ವಕವಾಗಿ ಸಂಪೂರ್ಣವಾಗಿ ಅಗತ್ಯವಿದ್ದಾಗ ಮಾತ್ರ ಕಾರ್ಮಿಕರ ಕ್ರಿಯಾತ್ಮಕ ವಿಭಾಗದ ಕಡೆಗೆ ಚಲಿಸಿ.
ಕ್ರಿಯಾತ್ಮಕ ವಿಶೇಷತೆಯ ಇತರ ಅನಾನುಕೂಲತೆಗಳಿವೆ. ಇದು ಕೆಲಸಗಾರರ ಕಡೆಯಿಂದ ಜವಾಬ್ದಾರಿ ಮತ್ತು ನಿಷ್ಕ್ರಿಯತೆಗೆ ಕಾರಣವಾಗಬಹುದು. ಸ್ಮಿತ್ ಸ್ವತಃ ಕಾರ್ಮಿಕರ ವಿಭಜನೆಯನ್ನು ಟೀಕಿಸುತ್ತಾನೆ, ಇದು ಪ್ರತಿಭೆಯ ಮಂದತೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ, ಅಂದರೆ. ಕೆಲಸಗಾರರು ಅಜ್ಞಾನಿಗಳಾಗುತ್ತಾರೆ ಮತ್ತು ಅವರ ಪಾತ್ರಗಳು ಕೆಲವು ಪುನರಾವರ್ತಿತ ಕಾರ್ಯಗಳಿಗೆ ಸೀಮಿತವಾಗಿರುವುದರಿಂದ ಹಿಂತೆಗೆದುಕೊಳ್ಳುತ್ತಾರೆ. ವಿಶೇಷತೆಯು ಪ್ರಕ್ರಿಯೆಯ ದಕ್ಷತೆಯನ್ನು ಒದಗಿಸಬಹುದಾದರೂ, ಇದು ಕಾರ್ಮಿಕರನ್ನು ಪ್ರೇರೇಪಿಸುವ ಸಾಧ್ಯತೆ ಕಡಿಮೆ.
ಪ್ರತಿಯಾಗಿ, ಬಹುಮುಖ ಪಾತ್ರಗಳು ಉದ್ಯೋಗ ತೃಪ್ತಿಯನ್ನು ಹೆಚ್ಚಿಸುವ ಎಲ್ಲಾ ವಿಷಯಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ: ಸ್ವಾಯತ್ತತೆ, ಪಾಂಡಿತ್ಯ ಮತ್ತು ಉದ್ದೇಶ. ಸ್ವಾಯತ್ತತೆ ಎಂದರೆ ಅವರು ಯಶಸ್ಸನ್ನು ಸಾಧಿಸಲು ಯಾವುದನ್ನೂ ಅವಲಂಬಿಸಿಲ್ಲ. ಪಾಂಡಿತ್ಯವು ಬಲವಾದ ಸ್ಪರ್ಧಾತ್ಮಕ ಪ್ರಯೋಜನಗಳಲ್ಲಿದೆ. ಮತ್ತು ಉದ್ದೇಶದ ಅರ್ಥವು ಅವರು ರಚಿಸುವ ವ್ಯವಹಾರದ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರುವ ಅವಕಾಶದಲ್ಲಿದೆ. ನಾವು ಜನರನ್ನು ಅವರ ಕೆಲಸದ ಬಗ್ಗೆ ಉತ್ಸುಕರನ್ನಾಗಿಸಿದರೆ ಮತ್ತು ಕಂಪನಿಯ ಮೇಲೆ ದೊಡ್ಡ ಪ್ರಭಾವ ಬೀರಿದರೆ, ಉಳಿದಂತೆ ಎಲ್ಲವೂ ಜಾರಿಯಾಗುತ್ತವೆ.
ಮೂಲ: www.habr.com