ເປັນຫຍັງທີມວິທະຍາສາດຂໍ້ມູນຕ້ອງການນັກວິຊາການທົ່ວໄປ, ບໍ່ແມ່ນຜູ້ຊ່ຽວຊານ

HIROSHI WATANABE/ຮູບພາບ Getty

ໃນ The Wealth of Nations, Adam Smith ສະແດງໃຫ້ເຫັນວິທີການແບ່ງແຮງງານກາຍເປັນແຫຼ່ງຕົ້ນຕໍຂອງຜົນຜະລິດທີ່ເພີ່ມຂຶ້ນ. ຕົວຢ່າງເຊັ່ນ: ສາຍປະກອບຂອງໂຮງງານປັກເຂັມ: "ຄົນງານຄົນຫນຶ່ງດຶງສາຍ, ອີກຄົນຫນຶ່ງຕັດມັນໃຫ້ຊື່, ຜູ້ທີສາມຕັດມັນ, ສີ່ເຮັດໃຫ້ປາຍແຫຼມ, ຄົນທີຫ້າ grinds ປາຍອື່ນໆເພື່ອໃຫ້ເຫມາະກັບຫົວ." ຂໍຂອບໃຈກັບຄວາມຊ່ຽວຊານທີ່ສຸມໃສ່ຫນ້າທີ່ສະເພາະ, ພະນັກງານແຕ່ລະຄົນກາຍເປັນຜູ້ຊ່ຽວຊານທີ່ມີຄຸນວຸດທິສູງໃນວຽກງານແຄບຂອງລາວ, ເຊິ່ງນໍາໄປສູ່ການເພີ່ມປະສິດທິພາບຂອງຂະບວນການ. ຜົນ​ຜະ​ລິດ​ຕໍ່​ຄົນ​ງານ​ເພີ່ມ​ຂຶ້ນ​ຫຼາຍ​ຄັ້ງ, ແລະ​ໂຮງ​ງານ​ຜະ​ລິດ​ໄດ້​ປະ​ສິດ​ທິ​ພາບ​ຫຼາຍ​ຂຶ້ນ​ໃນ​ການ​ຜະ​ລິດ pins.

ການແບ່ງແຮງງານໂດຍການເຮັດວຽກນີ້ແມ່ນຝັງຢູ່ໃນໃຈຂອງພວກເຮົາເຖິງແມ່ນວ່າໃນມື້ນີ້ພວກເຮົາຈັດທີມງານຂອງພວກເຮົາຢ່າງໄວວາຕາມຄວາມເຫມາະສົມ. ວິທະຍາສາດຂໍ້ມູນແມ່ນບໍ່ມີຂໍ້ຍົກເວັ້ນ. ຄວາມສາມາດທາງທຸລະກິດທີ່ຊັບຊ້ອນ algorithmic ຮຽກຮ້ອງໃຫ້ມີການເຮັດວຽກຫຼາຍຫນ້າທີ່, ດັ່ງນັ້ນບໍລິສັດໂດຍທົ່ວໄປຈະສ້າງທີມງານຜູ້ຊ່ຽວຊານ: ນັກຄົ້ນຄວ້າ, ວິສະວະກອນຂໍ້ມູນ, ວິສະວະກອນການຮຽນຮູ້ເຄື່ອງຈັກ, ວິທະຍາສາດສາເຫດແລະຜົນກະທົບ, ແລະອື່ນໆ. ການເຮັດວຽກຂອງຜູ້ຊ່ຽວຊານໄດ້ຖືກປະສານງານໂດຍຜູ້ຈັດການຜະລິດຕະພັນທີ່ມີການໂອນຫນ້າໃນລັກສະນະທີ່ຄ້າຍຄືກັບໂຮງງານ pin: "ຄົນຫນຶ່ງໄດ້ຮັບຂໍ້ມູນ, ຮູບແບບອື່ນມັນ, ທີສາມປະຕິບັດມັນ, ມາດຕະການສີ່" ແລະອື່ນໆ.

ອະນິຈາ, ພວກເຮົາບໍ່ຄວນປັບປຸງທີມງານວິທະຍາສາດຂໍ້ມູນຂອງພວກເຮົາເພື່ອປັບປຸງຜົນຜະລິດ. ຢ່າງໃດກໍ່ຕາມ, ນີ້ແມ່ນສິ່ງທີ່ທ່ານເຮັດເມື່ອທ່ານເຂົ້າໃຈສິ່ງທີ່ທ່ານກໍາລັງຜະລິດ: pins ຫຼືສິ່ງອື່ນ, ແລະພຽງແຕ່ພະຍາຍາມເພີ່ມປະສິດທິພາບ. ຈຸດປະສົງຂອງສາຍປະກອບແມ່ນເພື່ອເຮັດສໍາເລັດວຽກງານ. ພວກເຮົາຮູ້ແທ້ໆວ່າພວກເຮົາຕ້ອງການຫຍັງ - pins (ໃນຕົວຢ່າງຂອງ Smith), ແຕ່ຜະລິດຕະພັນຫຼືບໍລິການໃດຫນຶ່ງສາມາດຖືກກ່າວເຖິງໃນທີ່ຄວາມຕ້ອງການອະທິບາຍຢ່າງເຕັມສ່ວນກ່ຽວກັບທຸກໆດ້ານຂອງຜະລິດຕະພັນແລະພຶດຕິກໍາຂອງມັນ. ພາລະບົດບາດຂອງພະນັກງານແມ່ນເພື່ອປະຕິບັດຂໍ້ກໍານົດເຫຼົ່ານີ້ປະສິດທິພາບເທົ່າທີ່ເປັນໄປໄດ້.

ແຕ່ເປົ້າໝາຍຂອງ Data Science ບໍ່ແມ່ນເພື່ອເຮັດສຳເລັດໜ້າວຽກ. ແທນທີ່ຈະ, ເປົ້າຫມາຍແມ່ນເພື່ອຄົ້ນຫາແລະພັດທະນາໂອກາດທາງທຸລະກິດໃຫມ່ທີ່ເຂັ້ມແຂງ. ຜະລິດຕະພັນ ແລະການບໍລິການແບບສູດການຄິດໄລ່ເຊັ່ນ: ລະບົບການແນະນຳ, ການໂຕ້ຕອບຂອງລູກຄ້າ, ການຈັດປະເພດຄວາມມັກຂອງສະໄຕລ໌, ຂະໜາດ, ການອອກແບບເຄື່ອງນຸ່ງ, ການເພີ່ມປະສິດທິພາບການຂົນສົ່ງ, ການກວດຫາທ່າອ່ຽງຕາມລະດູການ ແລະອື່ນໆອີກຫຼາຍອັນບໍ່ສາມາດພັດທະນາລ່ວງໜ້າໄດ້. ພວກເຂົາຕ້ອງໄດ້ຮັບການສຶກສາ. ບໍ່ມີແຜນຜັງທີ່ຈະເຮັດຊ້ໍາກັນ, ເຫຼົ່ານີ້ແມ່ນຄວາມເປັນໄປໄດ້ໃຫມ່ທີ່ມີຄວາມບໍ່ແນ່ນອນ. ຄ່າສໍາປະສິດ, ແບບຈໍາລອງ, ປະເພດຕົວແບບ, hyperparameters, ອົງປະກອບທີ່ຈໍາເປັນທັງຫມົດຕ້ອງໄດ້ຮັບການຮຽນຮູ້ໂດຍຜ່ານການທົດລອງ, ການທົດລອງແລະຄວາມຜິດພາດ, ແລະການຄ້າງຫ້ອງ. ດ້ວຍ pins, ການຝຶກອົບຮົມແລະການອອກແບບແມ່ນເຮັດລ່ວງຫນ້າຂອງການຜະລິດ. ດ້ວຍວິທະຍາສາດຂໍ້ມູນ, ເຈົ້າຮຽນແບບທີ່ເຈົ້າເຮັດ, ບໍ່ແມ່ນແຕ່ກ່ອນ.

ໃນໂຮງງານຜະລິດເຂັມຂັດ, ເມື່ອການຝຶກອົບຮົມມາຄັ້ງທໍາອິດ, ພວກເຮົາບໍ່ຄາດຫວັງຫຼືຕ້ອງການໃຫ້ຜູ້ອອກແຮງງານ improvise ກ່ຽວກັບຄຸນລັກສະນະໃດໆຂອງຜະລິດຕະພັນນອກເຫນືອຈາກການປັບປຸງປະສິດທິພາບການຜະລິດ. ວຽກງານພິເສດເຮັດໃຫ້ຄວາມຮູ້ສຶກເພາະວ່າມັນນໍາໄປສູ່ການເພີ່ມປະສິດທິພາບຂອງຂະບວນການແລະຄວາມສອດຄ່ອງຂອງການຜະລິດ (ໂດຍບໍ່ມີການປ່ຽນແປງຜະລິດຕະພັນສຸດທ້າຍ).

ແຕ່ໃນເວລາທີ່ຜະລິດຕະພັນຍັງພັດທະນາແລະເປົ້າຫມາຍແມ່ນການຝຶກອົບຮົມ, ຄວາມຊ່ຽວຊານແຊກແຊງເປົ້າຫມາຍຂອງພວກເຮົາໃນກໍລະນີຕໍ່ໄປນີ້:

1. ມັນເພີ່ມຄ່າໃຊ້ຈ່າຍໃນການປະສານງານ.

ນັ້ນແມ່ນ, ຄ່າໃຊ້ຈ່າຍເຫຼົ່ານັ້ນທີ່ສະສົມໃນໄລຍະເວລາທີ່ໃຊ້ໃນການສື່ສານ, ສົນທະນາ, ສົມເຫດສົມຜົນແລະຈັດລໍາດັບຄວາມສໍາຄັນຂອງວຽກງານທີ່ຕ້ອງເຮັດ. ຄ່າ​ໃຊ້​ຈ່າຍ​ເຫຼົ່າ​ນີ້​ຂະ​ຫຍາຍ​ຕົວ​ເປັນ super-linearly ກັບ​ຈໍາ​ນວນ​ຂອງ​ຄົນ​ທີ່​ກ່ຽວ​ຂ້ອງ​. (ດັ່ງທີ່ J. Richard Hackman ໄດ້ສອນພວກເຮົາ, ຈໍານວນຂອງການພົວພັນ r ຈະເລີນເຕີບໂຕຄ້າຍຄືກັນກັບຫນ້າທີ່ຂອງຈໍານວນຂອງຂໍ້ກໍານົດ n ຕາມສົມຜົນນີ້: r = (n^2-n)/2. ແລະແຕ່ລະສາຍພົວພັນສະແດງໃຫ້ເຫັນຈໍານວນຈໍານວນຫນຶ່ງ ຄວາມ​ສໍາ​ພັນ​ຄ່າ​ໃຊ້​ຈ່າຍ​.) ໃນເວລາທີ່ນັກວິທະຍາສາດຂໍ້ມູນຖືກຈັດລຽງຕາມຫນ້າທີ່, ໃນທຸກຂັ້ນຕອນ, ທຸກໆການປ່ຽນແປງ, ທຸກໆການມອບຫມາຍ, ແລະອື່ນໆ, ຜູ້ຊ່ຽວຊານຈໍານວນຫຼາຍແມ່ນຕ້ອງການ, ເຊິ່ງເຮັດໃຫ້ຄ່າໃຊ້ຈ່າຍໃນການປະສານງານເພີ່ມຂຶ້ນ. ຕົວຢ່າງ, ຜູ້ສ້າງແບບຈໍາລອງສະຖິຕິທີ່ຕ້ອງການທົດລອງລັກສະນະໃຫມ່ຈະຕ້ອງປະສານງານກັບວິສະວະກອນຂໍ້ມູນຜູ້ທີ່ເພີ່ມໃສ່ຊຸດຂໍ້ມູນທຸກໆຄັ້ງທີ່ພວກເຂົາຕ້ອງການລອງສິ່ງໃຫມ່. ເຊັ່ນດຽວກັນ, ແຕ່ລະຕົວແບບໃຫມ່ທີ່ໄດ້ຮັບການຝຶກອົບຮົມຫມາຍຄວາມວ່າຜູ້ພັດທະນາແບບຈໍາລອງຈະຕ້ອງການຄົນທີ່ຈະປະສານງານກັບມັນເຂົ້າໃນການຜະລິດ. ຄ່າໃຊ້ຈ່າຍໃນການປະສານງານເຮັດຫນ້າທີ່ເປັນລາຄາສໍາລັບ iteration, ເຮັດໃຫ້ພວກເຂົາມີຄວາມຫຍຸ້ງຍາກແລະລາຄາແພງກວ່າແລະມັກຈະເຮັດໃຫ້ການສຶກສາຖືກປະຖິ້ມ. ອັນນີ້ອາດຈະລົບກວນການຮຽນຮູ້.

2. ມັນເຮັດໃຫ້ເວລາລໍຖ້າມີຄວາມຫຍຸ້ງຍາກ.

ເຖິງແມ່ນວ່າອັນຕະລາຍຫຼາຍກ່ວາຄ່າໃຊ້ຈ່າຍໃນການປະສານງານແມ່ນການສູນເສຍເວລາລະຫວ່າງການປ່ຽນວຽກ. ໃນຂະນະທີ່ຄ່າໃຊ້ຈ່າຍໃນການປະສານງານມັກຈະຖືກວັດແທກເປັນຊົ່ວໂມງ - ເວລາທີ່ມັນໃຊ້ເວລາເພື່ອດໍາເນີນການປະຊຸມ, ການສົນທະນາ, ການທົບທວນຄືນການອອກແບບ - ເວລາລໍຖ້າມັກຈະຖືກວັດແທກເປັນມື້, ອາທິດຫຼືແມ້ກະທັ້ງເດືອນ! ຕາຕະລາງຂອງຜູ້ຊ່ຽວຊານດ້ານຫນ້າທີ່ມີຄວາມຫຍຸ້ງຍາກໃນການດຸ່ນດ່ຽງເພາະວ່າຜູ້ຊ່ຽວຊານແຕ່ລະຄົນຕ້ອງໄດ້ຮັບການແຈກຢາຍໃນທົ່ວໂຄງການຫຼາຍໂຄງການ. ການປະຊຸມໜຶ່ງຊົ່ວໂມງເພື່ອປຶກສາຫາລືກ່ຽວກັບການປ່ຽນແປງສາມາດໃຊ້ເວລາຫຼາຍອາທິດເພື່ອໃຫ້ຂະບວນການເຮັດວຽກໄດ້ດີຂຶ້ນ. ແລະຫຼັງຈາກໄດ້ຕົກລົງກ່ຽວກັບການປ່ຽນແປງ, ມັນຈໍາເປັນຕ້ອງໄດ້ວາງແຜນການເຮັດວຽກຕົວຈິງຂອງຕົນເອງໃນສະພາບການຂອງຫຼາຍໂຄງການອື່ນໆທີ່ຄອບຄອງເວລາເຮັດວຽກຂອງຜູ້ຊ່ຽວຊານ. ການເຮັດວຽກທີ່ກ່ຽວຂ້ອງກັບການແກ້ໄຂລະຫັດຫຼືການຄົ້ນຄວ້າທີ່ໃຊ້ເວລາພຽງແຕ່ສອງສາມຊົ່ວໂມງຫຼືມື້ເພື່ອໃຫ້ສໍາເລັດອາດຈະໃຊ້ເວລາຫຼາຍກ່ອນທີ່ຊັບພະຍາກອນຈະສາມາດໃຊ້ໄດ້. ຈົນ​ກ​່​ວາ​ນັ້ນ​, ການ​ຊ​້​ໍາ​ຄືນ​ແລະ​ການ​ຮຽນ​ຮູ້​ແມ່ນ​ລະ​ງັບ​ໄວ້​.

3. ມັນຮັດແຄບສະພາບການ.

ການແບ່ງແຮງງານສາມາດຈໍາກັດການຮຽນຮູ້ແບບປອມໂດຍການໃຫ້ລາງວັນແກ່ຄົນທີ່ມີຄວາມຊໍານິຊໍານານທີ່ຍັງເຫຼືອ. ສໍາລັບຕົວຢ່າງ, ນັກຄົ້ນຄວ້າວິທະຍາສາດຜູ້ທີ່ຕ້ອງຢູ່ໃນຂອບເຂດຂອງການເຮັດວຽກຂອງລາວຈະສຸມໃສ່ພະລັງງານຂອງລາວໃນການທົດລອງກັບປະເພດຕ່າງໆຂອງ algorithms: regression, neural networks, random forest, ແລະອື່ນໆ. ແນ່ນອນ, ການເລືອກວິທີທີ່ດີສາມາດນໍາໄປສູ່ການປັບປຸງທີ່ເພີ່ມຂຶ້ນ, ແຕ່ໂດຍທົ່ວໄປແລ້ວມີຫຼາຍຫຼາຍທີ່ຈະໄດ້ຮັບຈາກກິດຈະກໍາອື່ນໆ, ເຊັ່ນ: ການເຊື່ອມໂຍງແຫຼ່ງຂໍ້ມູນໃຫມ່. ເຊັ່ນດຽວກັນ, ມັນຈະຊ່ວຍພັດທະນາແບບຈໍາລອງທີ່ຂຸດຄົ້ນພະລັງງານຄໍາອະທິບາຍທຸກໆຢ່າງທີ່ມີຢູ່ໃນຂໍ້ມູນ. ຢ່າງໃດກໍ່ຕາມ, ຄວາມເຂັ້ມແຂງຂອງມັນອາດຈະນອນຢູ່ໃນການປ່ຽນແປງຫນ້າທີ່ຈຸດປະສົງຫຼືການຜ່ອນຄາຍຂໍ້ຈໍາກັດບາງຢ່າງ. ນີ້ແມ່ນຍາກທີ່ຈະເຫັນຫຼືເຮັດໃນເວລາທີ່ວຽກງານຂອງນາງມີຈໍາກັດ. ເນື່ອງຈາກວ່ານັກວິທະຍາສາດດ້ານວິຊາການມີຄວາມຊ່ຽວຊານໃນການເພີ່ມປະສິດທິພາບສູດການຄິດໄລ່, ລາວມີແນວໂນ້ມທີ່ຈະເຮັດສິ່ງອື່ນຫນ້ອຍລົງ, ເຖິງແມ່ນວ່າມັນຈະນໍາເອົາຜົນປະໂຫຍດທີ່ສໍາຄັນ.

ເພື່ອຕັ້ງຊື່ສັນຍານທີ່ປາກົດໃນເວລາທີ່ທີມງານວິທະຍາສາດຂໍ້ມູນເຮັດຫນ້າທີ່ເປັນໂຮງງານ pin (ຕົວຢ່າງ, ໃນການປັບປຸງສະຖານະພາບງ່າຍໆ): "ລໍຖ້າການປ່ຽນແປງທໍ່ຂໍ້ມູນ" ແລະ "ລໍຖ້າຊັບພະຍາກອນ ML Eng" ແມ່ນຕົວສະກັດທົ່ວໄປ. ແນວໃດກໍ່ຕາມ, ຂ້ອຍເຊື່ອວ່າອິດທິພົນທີ່ອັນຕະລາຍກວ່າແມ່ນສິ່ງທີ່ເຈົ້າບໍ່ສັງເກດເຫັນ, ເພາະວ່າເຈົ້າບໍ່ສາມາດເສຍໃຈກັບສິ່ງທີ່ເຈົ້າບໍ່ຮູ້. ການປະຕິບັດທີ່ບໍ່ມີຂໍ້ບົກພ່ອງແລະຄວາມພໍໃຈທີ່ໄດ້ຮັບຈາກການບັນລຸປະສິດທິຜົນຂອງຂະບວນການສາມາດປິດບັງຄວາມຈິງທີ່ອົງການຈັດຕັ້ງບໍ່ຮູ້ເຖິງຜົນປະໂຫຍດການຮຽນຮູ້ທີ່ເຂົາເຈົ້າຂາດຫາຍໄປ.

ການແກ້ໄຂບັນຫານີ້, ແນ່ນອນ, ແມ່ນເພື່ອກໍາຈັດວິທີການ pin ໂຮງງານຜະລິດ. ເພື່ອຊຸກຍູ້ໃຫ້ມີການຮຽນຮູ້ ແລະການເຮັດຊໍ້າຄືນ, ບົດບາດຂອງນັກວິທະຍາສາດຂໍ້ມູນຄວນຈະເປັນແບບທົ່ວໄປ ແຕ່ມີຄວາມຮັບຜິດຊອບອັນກວ້າງໃຫຍ່ໄພສານເປັນເອກະລາດຈາກໜ້າທີ່ທາງວິຊາການ, ເຊັ່ນ: ຈັດຕັ້ງນັກວິທະຍາສາດຂໍ້ມູນ ເພື່ອໃຫ້ເໝາະສົມກັບການຮຽນຮູ້. ນີ້ຫມາຍຄວາມວ່າຈ້າງ "ຜູ້ຊ່ຽວຊານດ້ານ stack ເຕັມ" - ຜູ້ຊ່ຽວຊານທົ່ວໄປທີ່ສາມາດປະຕິບັດຫນ້າທີ່ຫລາກຫລາຍ, ຈາກແນວຄວາມຄິດໄປສູ່ການສ້າງແບບຈໍາລອງ, ການປະຕິບັດຈົນເຖິງການວັດແທກ. ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະສັງເກດວ່າຂ້ອຍບໍ່ໄດ້ແນະນໍາວ່າການຈ້າງຄົນທີ່ມີພອນສະຫວັນເຕັມທີ່ຄວນຫຼຸດຜ່ອນຈໍານວນພະນັກງານ. ແທນທີ່ຈະ, ຂ້ອຍຈະສົມມຸດວ່າເມື່ອພວກເຂົາຖືກຈັດຕັ້ງແຕກຕ່າງກັນ, ແຮງຈູງໃຈຂອງພວກເຂົາແມ່ນສອດຄ່ອງກັບຜົນປະໂຫຍດດ້ານການຮຽນຮູ້ແລະການປະຕິບັດ. ຕົວຢ່າງ, ໃຫ້ເວົ້າວ່າທ່ານມີທີມງານສາມຄົນທີ່ມີສາມທັກສະທາງທຸລະກິດ. ໃນໂຮງງານປັກໝຸດ, ນັກວິຊາການແຕ່ລະຄົນຈະອຸທິດສ່ວນໜຶ່ງສ່ວນສາມຂອງເວລາຂອງຕົນໃຫ້ກັບແຕ່ລະໜ້າວຽກ, ເພາະວ່າບໍ່ມີໃຜສາມາດເຮັດວຽກຂອງຕົນໄດ້. ໃນ stack ເຕັມ, generalist ແຕ່ລະຄົນແມ່ນອຸທິດຕົນຢ່າງເຕັມສ່ວນກັບຂະບວນການທຸລະກິດທັງຫມົດ, ຂະຫນາດ, ແລະການຝຶກອົບຮົມ.

ມີປະຊາຊົນຫນ້ອຍທີ່ສະຫນັບສະຫນູນວົງຈອນການຜະລິດ, ການປະສານງານຫຼຸດລົງ. ຜູ້ທົ່ວໄປເຄື່ອນຍ້າຍຢ່າງຄ່ອງແຄ້ວລະຫວ່າງລັກສະນະຕ່າງໆ, ຂະຫຍາຍທໍ່ຂໍ້ມູນເພື່ອເພີ່ມຂໍ້ມູນ, ພະຍາຍາມລັກສະນະໃຫມ່ໃນແບບຈໍາລອງ, ນໍາໃຊ້ຮຸ່ນໃຫມ່ໃນການຜະລິດສໍາລັບການວັດແທກສາເຫດ, ແລະຂັ້ນຕອນການເຮັດຊ້ໍາອີກໄວເທົ່າທີ່ຄວາມຄິດໃຫມ່ເກີດຂື້ນ. ແນ່ນອນ, wagon ສະຖານີປະຕິບັດຫນ້າທີ່ແຕກຕ່າງກັນຕາມລໍາດັບແລະບໍ່ແມ່ນຂະຫນານ. ຫຼັງຈາກທີ່ທັງຫມົດ, ມັນເປັນພຽງແຕ່ຫນຶ່ງຄົນ. ຢ່າງໃດກໍ່ຕາມ, ການສໍາເລັດວຽກງານໂດຍປົກກະຕິໃຊ້ເວລາພຽງແຕ່ສ່ວນຫນຶ່ງຂອງເວລາທີ່ຕ້ອງການເພື່ອເຂົ້າເຖິງຊັບພະຍາກອນພິເສດອື່ນ. ດັ່ງນັ້ນ, ເວລາ iteration ຫຼຸດລົງ.

ພະນັກງານທົ່ວໄປຂອງພວກເຮົາອາດຈະບໍ່ມີຄວາມຊໍານິຊໍານານຄືກັບຜູ້ຊ່ຽວຊານໃນຫນ້າທີ່ວຽກສະເພາະ, ແຕ່ພວກເຮົາບໍ່ໄດ້ພະຍາຍາມເພື່ອຄວາມສົມບູນແບບຂອງຫນ້າທີ່ເຮັດວຽກຫຼືການປັບປຸງເລັກນ້ອຍ. ແທນທີ່ຈະ, ພວກເຮົາພະຍາຍາມຮຽນຮູ້ ແລະຄົ້ນພົບສິ່ງທ້າທາຍດ້ານວິຊາຊີບຫຼາຍຂຶ້ນໂດຍມີຜົນກະທົບເທື່ອລະກ້າວ. ດ້ວຍສະພາບການລວມສໍາລັບການແກ້ໄຂທີ່ສົມບູນ, ລາວເຫັນໂອກາດທີ່ຜູ້ຊ່ຽວຊານຈະພາດ. ລາວມີແນວຄວາມຄິດ ແລະຄວາມເປັນໄປໄດ້ຫຼາຍຂຶ້ນ. ລາວລົ້ມເຫລວຄືກັນ. ຢ່າງໃດກໍ່ຕາມ, ຄ່າໃຊ້ຈ່າຍຂອງຄວາມລົ້ມເຫລວແມ່ນຕໍ່າແລະຜົນປະໂຫຍດຂອງການຮຽນຮູ້ແມ່ນສູງ. ຄວາມບໍ່ສົມມາດນີ້ສົ່ງເສີມການຊໍ້າຄືນຢ່າງໄວວາ ແລະໃຫ້ລາງວັນການຮຽນຮູ້.

ມັນເປັນສິ່ງ ສຳ ຄັນທີ່ຈະຕ້ອງສັງເກດວ່າ ຈຳ ນວນເອກະລາດແລະຄວາມຫຼາກຫຼາຍດ້ານທັກສະທີ່ໃຫ້ນັກວິທະຍາສາດເຕັມຮູບແບບແມ່ນສ່ວນໃຫຍ່ແມ່ນຂຶ້ນກັບຄວາມແຂງແຮງຂອງແພລະຕະຟອມຂໍ້ມູນທີ່ຈະເຮັດວຽກ. ແພລະຕະຟອມຂໍ້ມູນທີ່ຖືກອອກແບບຢ່າງດີເຮັດໃຫ້ນັກວິທະຍາສາດຂໍ້ມູນຈາກຄວາມສັບສົນຂອງການບັນຈຸ, ການປຸງແຕ່ງການແຈກຢາຍ, ການລົ້ມເຫຼວອັດຕະໂນມັດ, ແລະແນວຄວາມຄິດຄອມພິວເຕີ້ຂັ້ນສູງອື່ນໆ. ນອກເຫນືອຈາກການບໍ່ມີຕົວຕົນ, ແພລະຕະຟອມຂໍ້ມູນທີ່ເຂັ້ມແຂງສາມາດສະຫນອງການເຊື່ອມຕໍ່ທີ່ບໍ່ມີຮອຍຕໍ່ກັບໂຄງສ້າງພື້ນຖານຂອງການທົດລອງ, ການກວດສອບອັດຕະໂນມັດແລະການແຈ້ງເຕືອນ, ເປີດໃຊ້ການປັບຂະຫນາດອັດຕະໂນມັດແລະການເບິ່ງເຫັນຜົນໄດ້ຮັບ algorithmic ແລະ debugging. ອົງປະກອບເຫຼົ່ານີ້ຖືກອອກແບບແລະສ້າງໂດຍວິສະວະກອນແພລະຕະຟອມຂໍ້ມູນ, ຊຶ່ງຫມາຍຄວາມວ່າພວກມັນບໍ່ໄດ້ຖືກຖ່າຍທອດຈາກນັກວິທະຍາສາດຂໍ້ມູນໄປຫາທີມງານພັດທະນາແພລະຕະຟອມຂໍ້ມູນ. ມັນແມ່ນຜູ້ຊ່ຽວຊານດ້ານວິທະຍາສາດຂໍ້ມູນຜູ້ທີ່ຮັບຜິດຊອບສໍາລັບລະຫັດທັງຫມົດທີ່ໃຊ້ເພື່ອດໍາເນີນການເວທີ.

ຂ້າພະເຈົ້າເຊັ່ນດຽວກັນ, ເຄີຍມີຄວາມສົນໃຈໃນການແບ່ງປັນແຮງງານທີ່ໃຊ້ປະສິດທິພາບຂະບວນການ, ແຕ່ໂດຍຜ່ານການທົດລອງແລະຄວາມຜິດພາດ (ບໍ່ມີວິທີທີ່ດີກວ່າທີ່ຈະຮຽນຮູ້), ຂ້າພະເຈົ້າໄດ້ຄົ້ນພົບວ່າພາລະບົດບາດປົກກະຕິເຮັດໃຫ້ການຮຽນຮູ້ແລະການປະດິດສ້າງທີ່ດີກວ່າແລະສະຫນອງການວັດແທກທີ່ຖືກຕ້ອງ: ການຄົ້ນພົບແລະ. ສ້າງໂອກາດທາງທຸລະກິດຫຼາຍກ່ວາວິທີການພິເສດ. (ວິທີທີ່ມີປະສິດທິພາບກວ່າທີ່ຈະຮຽນຮູ້ກ່ຽວກັບວິທີການຈັດຕັ້ງນີ້ຫຼາຍກວ່າການທົດລອງແລະຄວາມຜິດພາດທີ່ຂ້າພະເຈົ້າໄດ້ຜ່ານໄປແມ່ນການອ່ານປື້ມຂອງ Amy Edmondson Team Collaboration: How Organizations Learn, Innovate, and Compete in the Knowledge Economy).

ມີບາງສົມມຸດຕິຖານທີ່ສໍາຄັນທີ່ອາດຈະເຮັດໃຫ້ວິທີການນີ້ໃນການຈັດຕັ້ງຫຼາຍຫຼືຫນ້ອຍທີ່ເຊື່ອຖືໄດ້ໃນບາງບໍລິສັດ. ຂະບວນການ iteration ຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍຂອງການທົດລອງແລະຄວາມຜິດພາດ. ຖ້າຄ່າໃຊ້ຈ່າຍຂອງຄວາມຜິດພາດແມ່ນສູງ, ທ່ານອາດຈະຕ້ອງການຫຼຸດຜ່ອນພວກມັນ (ແຕ່ນີ້ບໍ່ໄດ້ແນະນໍາໃຫ້ໃຊ້ສໍາລັບການນໍາໃຊ້ທາງການແພດຫຼືການຜະລິດ). ນອກຈາກນັ້ນ, ຖ້າທ່ານກໍາລັງຈັດການກັບຂໍ້ມູນ petabytes ຫຼື exabytes, ອາດຈະຕ້ອງການຄວາມຊ່ຽວຊານດ້ານວິສະວະກໍາຂໍ້ມູນ. ເຊັ່ນດຽວກັນ, ຖ້າການຮັກສາຄວາມສາມາດທາງທຸລະກິດອອນໄລນ໌ແລະຄວາມພ້ອມຂອງພວກມັນແມ່ນສໍາຄັນກວ່າການປັບປຸງພວກມັນ, ຄວາມດີເລີດທາງດ້ານການທໍາງານອາດຈະຂັດຂວາງການຮຽນຮູ້. ສຸດທ້າຍ, ຮູບແບບ stack ເຕັມແມ່ນອີງໃສ່ຄວາມຄິດເຫັນຂອງປະຊາຊົນຜູ້ທີ່ຮູ້ກ່ຽວກັບມັນ. ພວກເຂົາບໍ່ແມ່ນ unicorns; ທ່ານສາມາດຊອກຫາໃຫ້ເຂົາເຈົ້າຫຼືກະກຽມໃຫ້ເຂົາເຈົ້າເອງ. ຢ່າງໃດກໍ່ຕາມ, ພວກເຂົາເຈົ້າມີຄວາມຕ້ອງການສູງແລະການດຶງດູດແລະຮັກສາພວກມັນຈະຮຽກຮ້ອງໃຫ້ມີການຊົດເຊີຍທີ່ມີການແຂ່ງຂັນ, ມູນຄ່າຂອງບໍລິສັດທີ່ເຂັ້ມແຂງແລະການເຮັດວຽກທີ່ທ້າທາຍ. ໃຫ້ແນ່ໃຈວ່າວັດທະນະທໍາຂອງບໍລິສັດຂອງທ່ານສາມາດສະຫນັບສະຫນູນສິ່ງນີ້.

ເຖິງແມ່ນວ່າທັງຫມົດທີ່ເວົ້າ, ຂ້າພະເຈົ້າເຊື່ອວ່າຮູບແບບ stack ເຕັມສະຫນອງເງື່ອນໄຂການເລີ່ມຕົ້ນທີ່ດີທີ່ສຸດ. ເລີ່ມຕົ້ນດ້ວຍພວກມັນ, ແລະຫຼັງຈາກນັ້ນມີສະຕິກ້າວໄປສູ່ການແບ່ງວຽກທີ່ມີປະໂຫຍດພຽງແຕ່ເມື່ອມີຄວາມຈໍາເປັນຢ່າງແທ້ຈິງ.

ມີຂໍ້ບົກຜ່ອງອື່ນໆຂອງຄວາມຊ່ຽວຊານດ້ານຫນ້າທີ່. ນີ້ສາມາດນໍາໄປສູ່ການສູນເສຍຄວາມຮັບຜິດຊອບແລະຄວາມຕົວຕັ້ງຕົວຕີຂອງພະນັກງານ. Smith ຕົນເອງໄດ້ວິພາກວິຈານການແບ່ງອອກແຮງງານ, ແນະນໍາວ່າມັນນໍາໄປສູ່ການຂາດພອນສະຫວັນ, i.e. ຄົນງານກາຍເປັນຄົນໂງ່ ແລະຖືກຖອນຕົວ ເນື່ອງຈາກບົດບາດຂອງເຂົາເຈົ້າຖືກຈຳກັດໃຫ້ເຮັດຊ້ຳໆ. ໃນຂະນະທີ່ຄວາມຊ່ຽວຊານອາດຈະໃຫ້ປະສິດທິພາບຂະບວນການ, ມັນມີແນວໂນ້ມຫນ້ອຍທີ່ຈະດົນໃຈພະນັກງານ.

ໃນທາງກັບກັນ, ບົດບາດທີ່ຫຼາກຫຼາຍໄດ້ໃຫ້ທຸກສິ່ງທີ່ເຮັດໃຫ້ຄວາມພໍໃຈໃນການເຮັດວຽກ: ຄວາມເປັນເອກະລາດ, ຄວາມຊ່ຽວຊານ, ແລະຈຸດປະສົງ. Autonomy ແມ່ນວ່າພວກເຂົາບໍ່ໄດ້ຂຶ້ນກັບສິ່ງໃດເພື່ອບັນລຸຜົນສໍາເລັດ. Mastery ແມ່ນຢູ່ໃນຂໍ້ໄດ້ປຽບການແຂ່ງຂັນທີ່ເຂັ້ມແຂງ. ແລະຄວາມຮູ້ສຶກຂອງຈຸດປະສົງແມ່ນຢູ່ໃນໂອກາດທີ່ຈະມີຜົນກະທົບຕໍ່ທຸລະກິດທີ່ພວກເຂົາສ້າງ. ຖ້າພວກເຮົາສາມາດເຮັດໃຫ້ຄົນຕື່ນເຕັ້ນໃນການເຮັດວຽກຂອງພວກເຂົາແລະມີຜົນກະທົບອັນໃຫຍ່ຫຼວງຕໍ່ບໍລິສັດ, ຫຼັງຈາກນັ້ນ, ທຸກສິ່ງທຸກຢ່າງອື່ນຈະຕົກຢູ່ໃນບ່ອນ.

ແຫຼ່ງຂໍ້ມູນ: www.habr.com