ວິສະວະກອນຂໍ້ມູນ ແລະນັກວິທະຍາສາດຂໍ້ມູນ: ແມ່ນຫຍັງແຕກຕ່າງກັນ?

ອາຊີບຂອງ Data Scientist ແລະ Data Engineer ມັກຈະສັບສົນ. ແຕ່ລະບໍລິສັດມີຄວາມສະເພາະຂອງການເຮັດວຽກກັບຂໍ້ມູນ, ຈຸດປະສົງທີ່ແຕກຕ່າງກັນສໍາລັບການວິເຄາະຂອງພວກເຂົາແລະຄວາມຄິດທີ່ແຕກຕ່າງກັນຂອງຜູ້ຊ່ຽວຊານຄວນຈັດການກັບສ່ວນໃດຂອງການເຮັດວຽກ, ດັ່ງນັ້ນແຕ່ລະຄົນມີຄວາມຕ້ອງການຂອງຕົນເອງ. 

ຂໍໃຫ້ພິຈາລະນາຄວາມແຕກຕ່າງລະຫວ່າງຜູ້ຊ່ຽວຊານເຫຼົ່ານີ້, ບັນຫາທຸລະກິດໃດທີ່ເຂົາເຈົ້າແກ້ໄຂ, ທັກສະທີ່ເຂົາເຈົ້າມີແລະຫຼາຍປານໃດເຂົາເຈົ້າມີລາຍໄດ້. ວັດສະດຸໄດ້ກາຍເປັນຂະຫນາດໃຫຍ່, ດັ່ງນັ້ນພວກເຮົາໄດ້ແບ່ງອອກເປັນສອງສິ່ງພິມ.

ໃນບົດຄວາມທໍາອິດ, Elena Gerasimova, ຫົວຫນ້າຄະນະວິຊາ "ວິທະຍາສາດຂໍ້ມູນ ແລະການວິເຄາະ" ໃນ Netology, ບອກຄວາມແຕກຕ່າງລະຫວ່າງນັກວິທະຍາສາດຂໍ້ມູນແລະວິສະວະກອນຂໍ້ມູນແລະສິ່ງທີ່ພວກເຂົາເຮັດວຽກກັບເຄື່ອງມື.

ບົດບາດຂອງວິສະວະກອນ ແລະນັກວິທະຍາສາດແຕກຕ່າງກັນແນວໃດ

ວິສະວະກອນຂໍ້ມູນແມ່ນຜູ້ຊ່ຽວຊານດ້ານຫນຶ່ງ, ພັດທະນາ, ທົດສອບແລະຮັກສາໂຄງສ້າງພື້ນຖານຂອງຂໍ້ມູນ: ຖານຂໍ້ມູນ, ການເກັບຮັກສາແລະລະບົບການປຸງແຕ່ງມະຫາຊົນ. ໃນທາງກົງກັນຂ້າມ, ນີ້ແມ່ນຜູ້ທີ່ເຮັດຄວາມສະອາດແລະ "combs" ຂໍ້ມູນສໍາລັບການນໍາໃຊ້ໂດຍນັກວິເຄາະແລະນັກວິທະຍາສາດຂໍ້ມູນ, ນັ້ນແມ່ນ, ສ້າງທໍ່ການປຸງແຕ່ງຂໍ້ມູນ.

Data Scientist ສ້າງແລະຝຶກອົບຮົມແບບຈໍາລອງການຄາດເດົາ (ແລະອື່ນໆ) ໂດຍໃຊ້ເຄື່ອງຈັກການຮຽນຮູ້ເຄື່ອງຈັກແລະເຄືອຂ່າຍ neural, ຊ່ວຍໃຫ້ທຸລະກິດຊອກຫາຮູບແບບທີ່ເຊື່ອງໄວ້, ຄາດຄະເນການພັດທະນາແລະເພີ່ມປະສິດທິພາບຂະບວນການທຸລະກິດທີ່ສໍາຄັນ.

ຄວາມແຕກຕ່າງຕົ້ນຕໍລະຫວ່າງນັກວິທະຍາສາດຂໍ້ມູນແລະວິສະວະກອນຂໍ້ມູນແມ່ນວ່າພວກເຂົາມັກຈະມີເປົ້າຫມາຍທີ່ແຕກຕ່າງກັນ. ທັງສອງເຮັດວຽກເພື່ອຮັບປະກັນວ່າຂໍ້ມູນສາມາດເຂົ້າເຖິງໄດ້ແລະມີຄຸນນະພາບສູງ. ແຕ່ນັກວິທະຍາສາດຂໍ້ມູນຊອກຫາຄໍາຕອບຕໍ່ຄໍາຖາມຂອງລາວແລະທົດສອບສົມມຸດຕິຖານໃນລະບົບນິເວດຂໍ້ມູນ (ຕົວຢ່າງ, ອີງໃສ່ Hadoop), ແລະວິສະວະກອນຂໍ້ມູນສ້າງທໍ່ສໍາລັບການບໍລິການການຮຽນຮູ້ເຄື່ອງຈັກທີ່ຂຽນໂດຍນັກວິທະຍາສາດຂໍ້ມູນໃນກຸ່ມ Spark ພາຍໃນດຽວກັນ. ລະບົບນິເວດ. 

ວິສະວະກອນຂໍ້ມູນນໍາເອົາມູນຄ່າໃຫ້ກັບທຸລະກິດໂດຍການເຮັດວຽກເປັນສ່ວນຫນຶ່ງຂອງທີມງານ. ວຽກງານຂອງມັນແມ່ນເພື່ອເຮັດຫນ້າທີ່ເປັນການເຊື່ອມໂຍງທີ່ສໍາຄັນລະຫວ່າງຜູ້ເຂົ້າຮ່ວມທີ່ແຕກຕ່າງກັນ: ຈາກນັກພັດທະນາໄປຫາຜູ້ບໍລິໂພກທຸລະກິດຂອງການລາຍງານ, ແລະເພີ່ມຜົນຜະລິດຂອງນັກວິເຄາະ, ຈາກການຕະຫຼາດແລະຜະລິດຕະພັນກັບ BI. 

ນັກວິທະຍາສາດຂໍ້ມູນ, ໃນທາງກົງກັນຂ້າມ, ມີສ່ວນຮ່ວມຢ່າງຫ້າວຫັນໃນຍຸດທະສາດຂອງບໍລິສັດແລະຂຸດຄົ້ນຄວາມເຂົ້າໃຈ, ການຕັດສິນໃຈ, ການປະຕິບັດລະບົບອັດຕະໂນມັດ, ການສ້າງແບບຈໍາລອງແລະການສ້າງມູນຄ່າຈາກຂໍ້ມູນ.


ການເຮັດວຽກກັບຂໍ້ມູນແມ່ນຂຶ້ນກັບຫຼັກການ GIGO (ຂີ້ເຫຍື້ອໃນ - ຂີ້ເຫຍື້ອອອກ): ຖ້ານັກວິເຄາະແລະນັກວິທະຍາສາດຂໍ້ມູນຈັດການກັບຂໍ້ມູນທີ່ບໍ່ໄດ້ກະກຽມແລະອາດຈະບໍ່ຖືກຕ້ອງ, ຫຼັງຈາກນັ້ນ, ຜົນໄດ້ຮັບເຖິງແມ່ນວ່າການນໍາໃຊ້ລະບົບການວິເຄາະທີ່ຊັບຊ້ອນທີ່ສຸດກໍ່ຈະບໍ່ຖືກຕ້ອງ. 

ວິສະວະກອນຂໍ້ມູນແກ້ໄຂບັນຫານີ້ໂດຍການກໍ່ສ້າງທໍ່ສໍາລັບການປຸງແຕ່ງ, ທໍາຄວາມສະອາດແລະການຫັນປ່ຽນຂໍ້ມູນແລະໃຫ້ນັກວິທະຍາສາດຂໍ້ມູນເຮັດວຽກກັບຂໍ້ມູນທີ່ມີຄຸນນະພາບສູງ. 

ມີເຄື່ອງມືຈໍານວນຫຼາຍໃນຕະຫຼາດສໍາລັບການເຮັດວຽກກັບຂໍ້ມູນທີ່ກວມເອົາທຸກຂັ້ນຕອນ: ຈາກຮູບລັກສະນະຂອງຂໍ້ມູນເພື່ອຜົນຜະລິດໄປຫາ dashboard ສໍາລັບຄະນະກໍາມະການ. ແລະມັນເປັນສິ່ງສໍາຄັນທີ່ການຕັດສິນໃຈທີ່ຈະນໍາໃຊ້ພວກມັນແມ່ນເຮັດໂດຍວິສະວະກອນ - ບໍ່ແມ່ນຍ້ອນວ່າມັນເປັນຄົນອັບເດດ:, ແຕ່ຍ້ອນວ່າລາວຈະຊ່ວຍວຽກງານຂອງຜູ້ເຂົ້າຮ່ວມອື່ນໆໃນຂະບວນການ. 

ຕາມທໍາມະດາ: ຖ້າບໍລິສັດຕ້ອງການສ້າງການເຊື່ອມຕໍ່ລະຫວ່າງ BI ແລະ ETL - ການໂຫຼດຂໍ້ມູນແລະການປັບປຸງບົດລາຍງານ, ນີ້ແມ່ນພື້ນຖານທີ່ເປັນມໍລະດົກປົກກະຕິທີ່ນັກວິສະວະກອນຂໍ້ມູນຈະຕ້ອງຈັດການກັບ (ມັນດີຖ້າມີສະຖາປະນິກຢູ່ໃນທີມ).

ຄວາມຮັບຜິດຊອບຂອງວິສະວະກອນຂໍ້ມູນ

• ພັດທະນາ, ກໍ່ສ້າງ ແລະ ບຳລຸງສ້າງພື້ນຖານໂຄງລ່າງການປະມວນຜົນຂໍ້ມູນ.
• ການຈັດການຄວາມຜິດພາດແລະການສ້າງທໍ່ການປະມວນຜົນຂໍ້ມູນທີ່ເຊື່ອຖືໄດ້.
• ການນໍາເອົາຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງຈາກແຫຼ່ງແບບເຄື່ອນໄຫວຕ່າງໆໄປສູ່ຮູບແບບທີ່ຈໍາເປັນສໍາລັບການເຮັດວຽກຂອງນັກວິເຄາະ.
• ການໃຫ້ຄໍາແນະນໍາເພື່ອປັບປຸງຄວາມສອດຄ່ອງຂອງຂໍ້ມູນແລະຄຸນນະພາບ.
• ການສະຫນອງແລະການຮັກສາສະຖາປັດຕະຍະກໍາຂໍ້ມູນທີ່ໃຊ້ໂດຍນັກວິທະຍາສາດຂໍ້ມູນແລະນັກວິເຄາະຂໍ້ມູນ.
• ປະມວນຜົນ ແລະເກັບຮັກສາຂໍ້ມູນຢ່າງສະໝໍ່າສະເໝີ ແລະມີປະສິດທິພາບໃນກຸ່ມເຊີບເວີທີ່ແຈກຢາຍຫຼາຍສິບ ຫຼືຫຼາຍຮ້ອຍໜ່ວຍ.
• ປະເມີນການລົງທືນທາງດ້ານວິຊາການຂອງເຄື່ອງມືເພື່ອສ້າງສະຖາປັດຕະຍະກໍາທີ່ງ່າຍດາຍແຕ່ແຂງແຮງທີ່ສາມາດຢູ່ລອດການຂັດຂວາງ.
• ການຄວບຄຸມແລະສະຫນັບສະຫນູນການໄຫຼເຂົ້າຂອງຂໍ້ມູນແລະລະບົບທີ່ກ່ຽວຂ້ອງ (ການຕັ້ງຄ່າການຕິດຕາມແລະການແຈ້ງເຕືອນ).

ມີຄວາມຊ່ຽວຊານອີກຢ່າງຫນຶ່ງພາຍໃນເສັ້ນທາງວິສະວະກອນຂໍ້ມູນ - ວິສະວະກອນ ML. ໃນສັ້ນ, ວິສະວະກອນເຫຼົ່ານີ້ມີຄວາມຊ່ຽວຊານໃນການນໍາເອົາຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກໄປສູ່ການປະຕິບັດແລະການນໍາໃຊ້ອຸດສາຫະກໍາ. ເລື້ອຍໆ, ຮູບແບບທີ່ໄດ້ຮັບຈາກນັກວິທະຍາສາດຂໍ້ມູນແມ່ນສ່ວນຫນຶ່ງຂອງການສຶກສາແລະອາດຈະບໍ່ເຮັດວຽກຢູ່ໃນສະພາບການຕໍ່ສູ້.

ໜ້າທີ່ຮັບຜິດຊອບຂອງນັກວິທະຍາສາດຂໍ້ມູນ

• ການສະກັດເອົາຄຸນສົມບັດຈາກຂໍ້ມູນເພື່ອນຳໃຊ້ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກ.
• ການນໍາໃຊ້ເຄື່ອງມືການຮຽນຮູ້ເຄື່ອງຈັກຕ່າງໆເພື່ອຄາດຄະເນແລະຈັດປະເພດຮູບແບບໃນຂໍ້ມູນ.
• ການປັບປຸງປະສິດທິພາບ ແລະຄວາມຖືກຕ້ອງຂອງລະບົບການຮຽນຮູ້ເຄື່ອງຈັກໂດຍການປັບລະອຽດ ແລະປັບປຸງລະບົບວິທີການໃຫ້ເໝາະສົມ.
• ການສ້າງສົມມຸດຕິຖານ "ທີ່ເຂັ້ມແຂງ" ສອດຄ່ອງກັບຍຸດທະສາດຂອງບໍລິສັດທີ່ຕ້ອງໄດ້ຮັບການທົດສອບ.

ທັງວິສະວະກອນຂໍ້ມູນ ແລະນັກວິທະຍາສາດຂໍ້ມູນແບ່ງປັນການປະກອບສ່ວນທີ່ເຫັນໄດ້ຊັດເຈນໃນການພັດທະນາວັດທະນະທໍາຂໍ້ມູນ, ໂດຍຜ່ານບໍລິສັດສາມາດສ້າງກໍາໄລເພີ່ມເຕີມຫຼືຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍ.

ວິສະວະກອນແລະນັກວິທະຍາສາດເຮັດວຽກກັບພາສາແລະເຄື່ອງມືໃດ?

ໃນມື້ນີ້, ຄວາມຄາດຫວັງຂອງນັກວິທະຍາສາດຂໍ້ມູນໄດ້ປ່ຽນແປງ. ກ່ອນຫນ້ານີ້, ວິສະວະກອນໄດ້ລວບລວມຄໍາຖາມ SQL ຂະຫນາດໃຫຍ່, ຂຽນ MapReduce ດ້ວຍຕົນເອງແລະຂໍ້ມູນການປຸງແຕ່ງໂດຍໃຊ້ເຄື່ອງມືເຊັ່ນ Informatica ETL, Pentaho ETL, Talend. 

ໃນປີ 2020, ຜູ້ຊ່ຽວຊານບໍ່ສາມາດເຮັດໄດ້ໂດຍບໍ່ມີຄວາມຮູ້ກ່ຽວກັບ Python ແລະເຄື່ອງມືການຄິດໄລ່ທີ່ທັນສະໄຫມ (ຕົວຢ່າງ, Airflow), ຄວາມເຂົ້າໃຈກ່ຽວກັບຫຼັກການຂອງການເຮັດວຽກກັບແພລະຕະຟອມຟັງ (ໃຊ້ພວກມັນເພື່ອປະຫຍັດຮາດແວ, ໃນຂະນະທີ່ສັງເກດເບິ່ງຫຼັກການຄວາມປອດໄພ).

SAP, Oracle, MySQL, Redis ແມ່ນເຄື່ອງມືພື້ນເມືອງສໍາລັບວິສະວະກອນຂໍ້ມູນໃນບໍລິສັດຂະຫນາດໃຫຍ່. ພວກເຂົາເຈົ້າແມ່ນດີ, ແຕ່ຄ່າໃຊ້ຈ່າຍຂອງໃບອະນຸຍາດແມ່ນສູງດັ່ງນັ້ນການຮຽນຮູ້ທີ່ຈະເຮັດວຽກກັບພວກເຂົາພຽງແຕ່ເຮັດໃຫ້ຄວາມຮູ້ສຶກໃນໂຄງການອຸດສາຫະກໍາ. ໃນເວລາດຽວກັນ, ມີທາງເລືອກທີ່ບໍ່ເສຍຄ່າໃນຮູບແບບຂອງ Postgres - ມັນບໍ່ເສຍຄ່າແລະເຫມາະສົມສໍາລັບການຝຶກອົບຮົມບໍ່ພຽງແຕ່. 

ໃນປະຫວັດສາດ, ການຮ້ອງຂໍ Java ແລະ Scala ມັກຈະພົບເຫັນ, ເຖິງແມ່ນວ່າເຕັກໂນໂລຢີແລະວິທີການພັດທະນາ, ພາສາເຫຼົ່ານີ້ຈະຫາຍໄປໃນພື້ນຖານ.

ຢ່າງໃດກໍຕາມ, hardcore BigData: Hadoop, Spark ແລະສ່ວນທີ່ເຫຼືອຂອງສວນສັດບໍ່ແມ່ນເງື່ອນໄຂເບື້ອງຕົ້ນສໍາລັບວິສະວະກອນຂໍ້ມູນ, ແຕ່ປະເພດຂອງເຄື່ອງມືສໍາລັບການແກ້ໄຂບັນຫາທີ່ບໍ່ສາມາດແກ້ໄຂໄດ້ໂດຍ ETL ແບບດັ້ງເດີມ. 

ແນວໂນ້ມແມ່ນການບໍລິການສໍາລັບການນໍາໃຊ້ເຄື່ອງມືທີ່ບໍ່ມີຄວາມຮູ້ກ່ຽວກັບພາສາທີ່ເຂົາເຈົ້າຂຽນ (ຕົວຢ່າງເຊັ່ນ Hadoop ໂດຍບໍ່ມີຄວາມຮູ້ກ່ຽວກັບ Java), ເຊັ່ນດຽວກັນກັບການສະຫນອງການບໍລິການທີ່ກຽມພ້ອມສໍາລັບການປະມວນຜົນຂໍ້ມູນການຖ່າຍທອດ (ການຮັບຮູ້ສຽງຫຼືການຮັບຮູ້ຮູບພາບໃນວິດີໂອ. ).

ການແກ້ໄຂອຸດສາຫະກໍາຈາກ SAS ແລະ SPSS ແມ່ນມີຄວາມນິຍົມ, ໃນຂະນະທີ່ Tableau, Rapidminer, Stata ແລະ Julia ຍັງຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໂດຍນັກວິທະຍາສາດຂໍ້ມູນສໍາລັບວຽກງານທ້ອງຖິ່ນ.

ຄວາມສາມາດໃນການສ້າງທໍ່ດ້ວຍຕົນເອງໄດ້ປາກົດໃຫ້ນັກວິເຄາະແລະນັກວິທະຍາສາດຂໍ້ມູນພຽງແຕ່ສອງສາມປີກ່ອນ: ຕົວຢ່າງ, ມັນເປັນໄປໄດ້ແລ້ວທີ່ຈະສົ່ງຂໍ້ມູນໄປຫາບ່ອນເກັບຂໍ້ມູນທີ່ໃຊ້ PostgreSQL ໂດຍໃຊ້ສະຄິບທີ່ຂ້ອນຂ້າງງ່າຍດາຍ. 

ໂດຍປົກກະຕິ, ການນໍາໃຊ້ທໍ່ແລະໂຄງສ້າງຂໍ້ມູນປະສົມປະສານຍັງຄົງເປັນຄວາມຮັບຜິດຊອບຂອງວິສະວະກອນຂໍ້ມູນ. ແຕ່ໃນມື້ນີ້, ທ່າອ່ຽງຂອງຜູ້ຊ່ຽວຊານດ້ານຮູບຊົງຕົວ T ທີ່ມີຄວາມສາມາດຢ່າງກວ້າງຂວາງໃນຂົງເຂດທີ່ກ່ຽວຂ້ອງແມ່ນເຂັ້ມແຂງກວ່າ, ເພາະວ່າເຄື່ອງມືໄດ້ຖືກປັບປຸງຢ່າງຕໍ່ເນື່ອງ.

ເປັນຫຍັງວິສະວະກອນຂໍ້ມູນ ແລະນັກວິທະຍາສາດຂໍ້ມູນຈຶ່ງເຮັດວຽກຮ່ວມກັນ

ໂດຍການເຮັດວຽກຢ່າງໃກ້ຊິດກັບວິສະວະກອນ, ນັກວິທະຍາສາດຂໍ້ມູນສາມາດສຸມໃສ່ການຄົ້ນຄ້ວາ, ການສ້າງລະບົບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ກຽມພ້ອມ.
ແລະວິສະວະກອນຈໍາເປັນຕ້ອງໄດ້ສຸມໃສ່ການຂະຫຍາຍ, ຂໍ້ມູນ reuse, ແລະຮັບປະກັນວ່າຂໍ້ມູນ input ແລະ output pipelines ໃນແຕ່ລະໂຄງການບຸກຄົນປະຕິບັດຕາມສະຖາປັດຕະຂອງໂລກ.

ການແຍກຄວາມຮັບຜິດຊອບນີ້ຮັບປະກັນຄວາມສອດຄ່ອງໃນທົ່ວທີມງານທີ່ເຮັດວຽກໃນໂຄງການການຮຽນຮູ້ເຄື່ອງຈັກທີ່ແຕກຕ່າງກັນ. 

ການຮ່ວມມືຊ່ວຍສ້າງຜະລິດຕະພັນໃຫມ່ຢ່າງມີປະສິດທິພາບ. ຄວາມໄວແລະຄຸນນະພາບແມ່ນບັນລຸໄດ້ໂດຍຜ່ານການດຸ່ນດ່ຽງລະຫວ່າງການສ້າງການບໍລິການສໍາລັບທຸກຄົນ (ການເກັບຮັກສາທົ່ວໂລກຫຼືການເຊື່ອມໂຍງຂອງ dashboards) ແລະການຈັດຕັ້ງປະຕິບັດແຕ່ລະຄວາມຕ້ອງການຫຼືໂຄງການສະເພາະ (ທໍ່ທີ່ມີຄວາມຊ່ຽວຊານສູງ, ການເຊື່ອມຕໍ່ແຫຼ່ງພາຍນອກ). 

ການເຮັດວຽກຢ່າງໃກ້ຊິດກັບນັກວິທະຍາສາດຂໍ້ມູນແລະນັກວິເຄາະຊ່ວຍໃຫ້ວິສະວະກອນພັດທະນາທັກສະການວິເຄາະແລະການຄົ້ນຄວ້າເພື່ອຂຽນລະຫັດທີ່ດີກວ່າ. ການແບ່ງປັນຄວາມຮູ້ລະຫວ່າງຜູ້ນຳໃຊ້ສາງ ແລະ Data lake ປັບປຸງ, ເຮັດໃຫ້ໂຄງການມີຄວາມວ່ອງໄວ ແລະ ຜົນໄດ້ຮັບໃນໄລຍະຍາວທີ່ຍືນຍົງກວ່າ.

ໃນບໍລິສັດທີ່ມີຈຸດປະສົງເພື່ອພັດທະນາວັດທະນະທໍາຂອງການເຮັດວຽກກັບຂໍ້ມູນແລະການສ້າງຂະບວນການທາງທຸລະກິດໂດຍອີງໃສ່ພວກມັນ, Data Scientist ແລະ Data Engineer ປະກອບເຊິ່ງກັນແລະກັນແລະສ້າງລະບົບການວິເຄາະຂໍ້ມູນທີ່ສົມບູນແບບ. 

ໃນບົດຄວາມຕໍ່ໄປພວກເຮົາຈະເວົ້າກ່ຽວກັບການສຶກສາປະເພດໃດແດ່ທີ່ນັກວິສະວະກອນຂໍ້ມູນແລະນັກວິທະຍາສາດຂໍ້ມູນຄວນມີ, ທັກສະໃດທີ່ເຂົາເຈົ້າຕ້ອງການເພື່ອພັດທະນາແລະວິທີການຕະຫຼາດເຮັດວຽກ.

ຈາກບັນນາທິການຂອງ Netology

ຖ້າທ່ານຊອກຫາອາຊີບຂອງ Data Engineer ຫຼື Data Scientist, ພວກເຮົາຂໍເຊີນທ່ານເຂົ້າມາສຶກສາຫຼັກສູດຂອງພວກເຮົາ:

• ອາຊີບວິສະວະກອນຂໍ້ມູນ".  
• ອາຊີບData Scientist".

ແຫຼ່ງຂໍ້ມູນ: www.habr.com