HIROSHI WATANABE/GETTY IMAGES
Ādams Smits grāmatā The Wealth of Nations parāda, kā darba dalīšana kļūst par galveno ražīguma palielināšanas avotu. Kā piemēru var minēt tapas rūpnīcas montāžas līniju: “Viens strādnieks stiepli velk, otrs iztaisno, trešais griež, ceturtais galu asina, piektais noslīpē otru galu, lai tas atbilstu galvai.” Pateicoties specializācijai, kas vērsta uz konkrētām funkcijām, katrs darbinieks kļūst par augsti kvalificētu speciālistu savā šaurajā uzdevumā, kas noved pie procesa efektivitātes paaugstināšanas. Izlaide uz vienu darbinieku palielinās vairākas reizes, un rūpnīca kļūst efektīvāka tapu ražošanā.
Šis darba dalījums pēc funkcionalitātes ir tik ļoti iesakņojies mūsu prātos pat šodien, ka ātri atbilstoši organizējām savas komandas. Datu zinātne nav izņēmums. Sarežģītām algoritmiskām biznesa iespējām ir nepieciešamas vairākas darba funkcijas, tāpēc uzņēmumi parasti veido speciālistu komandas: pētniekus, datu inženierus, mašīnmācīšanās inženierus, cēloņu un seku zinātniekus utt. Speciālistu darbu ar funkciju nodošanu produktu vadītājs saskaņo tādā veidā, kas atgādina piespraudes fabriku: “viens saņem datus, cits modelē, trešais izpilda, ceturtais mēra” un tā tālāk,
Diemžēl mums nevajadzētu optimizēt savas datu zinātnes komandas, lai uzlabotu produktivitāti. Tomēr jūs to darāt, kad saprotat, ko ražojat: tapas vai kaut ko citu, un vienkārši cenšaties palielināt efektivitāti. Montāžas līniju mērķis ir izpildīt uzdevumu. Mēs precīzi zinām, ko vēlamies – piespraudes (kā Smita piemērā), taču var minēt jebkuru produktu vai pakalpojumu, kurā prasības pilnībā apraksta visus produkta un tā uzvedības aspektus. Darbinieku uzdevums ir izpildīt šīs prasības pēc iespējas efektīvāk.
Taču datu zinātnes mērķis nav izpildīt uzdevumus. Drīzāk mērķis ir izpētīt un attīstīt jaunas spēcīgas uzņēmējdarbības iespējas. Algoritmiskos produktus un pakalpojumus, piemēram, ieteikumu sistēmas, klientu mijiedarbību, stila preferenču klasifikāciju, izmēru, apģērbu dizainu, loģistikas optimizāciju, sezonas tendenču noteikšanu un daudz ko citu, nevar izstrādāt iepriekš. Tie ir jāizpēta. Nav nekādu projektu, ko atkārtot, tās ir jaunas iespējas ar raksturīgu nenoteiktību. Koeficienti, modeļi, modeļu veidi, hiperparametri, visi nepieciešamie elementi ir jāapgūst eksperimentējot, veicot izmēģinājumus un kļūdas, kā arī atkārtojot. Ar tapām apmācība un projektēšana tiek veikta pirms ražošanas. Izmantojot datu zinātni, jūs mācāties tā, kā to darāt, nevis agrāk.
Piespraudes rūpnīcā, kad apmācība ir pirmajā vietā, mēs negaidām un nevēlamies, lai darbinieki improvizētu par kādu produkta funkciju, izņemot ražošanas efektivitātes uzlabošanu. Uzdevumu specializācija ir jēga, jo tā nodrošina procesa efektivitāti un ražošanas konsekvenci (bez izmaiņām galaproduktā).
Bet, kad produkts vēl tikai attīstās un mērķis ir apmācība, specializācija traucē mūsu mērķiem šādos gadījumos:
1. Tas palielina koordinācijas izmaksas.
Tas ir, tās izmaksas, kas uzkrājas laikā, kas pavadīts komunikācijai, pārrunām, pamatošanai un veicamo darbu prioritāšu noteikšanai. Šīs izmaksas superlineāri mainās atkarībā no iesaistīto cilvēku skaita. (Kā mums mācīja Dž. Ričards Hakmens, attiecību skaits r pieaug līdzīgi kā terminu skaita n funkcija saskaņā ar šo vienādojumu: r = (n^2-n)/2. Un katra saistība atklāj zināmu daļu izmaksu attiecība.) Ja datu zinātniekus organizē pēc funkcijām, katrā posmā, ar katrām izmaiņām, katru nodošanu utt., ir nepieciešami daudzi speciālisti, kas palielina koordinēšanas izmaksas. Piemēram, statistikas modelētājiem, kuri vēlas eksperimentēt ar jaunām funkcijām, būs jāsadarbojas ar datu inženieriem, kuri papildina datu kopas katru reizi, kad vēlas izmēģināt kaut ko jaunu. Tāpat katrs jauns apmācīts modelis nozīmē, ka modeļa izstrādātājam būs nepieciešams kāds, ar kuru jāsaskaņo, lai to nodotu ražošanā. Koordinācijas izmaksas darbojas kā iterācijas cena, padarot tās sarežģītākas un dārgākas un, visticamāk, izraisīs pētījuma pārtraukšanu. Tas var traucēt mācīšanos.
2. Tas apgrūtina gaidīšanas laiku.
Vēl biedējošāks par koordinēšanas izmaksām ir laiks, kas tiek zaudēts starp darba maiņām. Lai gan koordinācijas izmaksas parasti mēra stundās - laiks, kas nepieciešams, lai vadītu sanāksmes, diskusijas, dizaina pārskatus, gaidīšanas laiks parasti tiek mērīts dienās, nedēļās vai pat mēnešos! Funkcionālo speciālistu grafikus ir grūti sabalansēt, jo katrs speciālists ir jāsadala vairākos projektos. Vienu stundu ilga sanāksme, lai apspriestu izmaiņas, var ilgt nedēļas, lai izlīdzinātu darbplūsmu. Un pēc saskaņošanas par izmaiņām ir jāplāno pats faktiskais darbs daudzu citu projektu kontekstā, kas aizņem speciālistu darba laiku. Darbs, kas saistīts ar koda labošanu vai izpēti, kura pabeigšana aizņem tikai dažas stundas vai dienas, var aizņemt daudz ilgāku laiku, pirms resursi kļūst pieejami. Līdz tam atkārtošanās un mācīšanās ir apturēta.
3. Tas sašaurina kontekstu.
Darba dalīšana var mākslīgi ierobežot mācīšanos, atalgojot cilvēkus par palikšanu savā specialitātē. Piemēram, pētnieks, kuram jāpaliek savas funkcionalitātes ietvaros, savu enerģiju koncentrēs uz eksperimentiem ar dažāda veida algoritmiem: regresiju, neironu tīkliem, nejaušiem mežiem utt. Protams, labas algoritma izvēles var radīt pakāpeniskus uzlabojumus, taču parasti ir daudz vairāk, ko var iegūt no citām darbībām, piemēram, integrējot jaunus datu avotus. Tāpat tas palīdzēs izstrādāt modeli, kas izmanto katru datiem raksturīgo skaidrojošo spēku. Tomēr tā stiprā puse var būt mērķa funkcijas maiņa vai noteiktu ierobežojumu atslābināšana. To ir grūti redzēt vai izdarīt, ja viņas darbs ir ierobežots. Tā kā tehniskais zinātnieks specializējas algoritmu optimizēšanā, viņš daudz retāk darīs kaut ko citu, pat ja tas nes ievērojamas priekšrocības.
Lai nosauktu pazīmes, kas parādās, kad datu zinātnes komandas darbojas kā piespraudes rūpnīcas (piemēram, vienkāršos statusa atjauninājumos): “gaida datu konveijera izmaiņas” un “gaida ML Eng resursus” ir izplatīti bloķētāji. Tomēr es uzskatu, ka bīstamāka ietekme ir tā, ko jūs nepamanāt, jo jūs nevarat nožēlot to, ko jūs jau nezināt. Nevainojama izpilde un pašapmierinātība, kas gūta, panākot procesa efektivitāti, var slēpt patiesību, ka organizācijas neapzinās mācību priekšrocības, ko tās zaudē.
Šīs problēmas risinājums, protams, ir atbrīvoties no rūpnīcas tapas metodes. Lai veicinātu mācīšanos un iterāciju, datu zinātnieku lomām jābūt vispārīgām, bet ar plašiem pienākumiem neatkarīgi no tehniskās funkcijas, t.i., datu zinātniekus jāorganizē tā, lai tie būtu optimizēti mācībām. Tas nozīmē, ka ir jāpieņem darbā “pilna komplekta speciālisti” — vispārīgi speciālisti, kuri var veikt dažādas funkcijas, sākot no koncepcijas līdz modelēšanai, ieviešanai līdz mērījumiem. Ir svarīgi atzīmēt, ka es neapgalvoju, ka visu talantu algošanai vajadzētu samazināt darbinieku skaitu. Drīzāk es vienkārši pieņemu, ka tad, kad tie tiek organizēti atšķirīgi, viņu stimuli ir labāk saskaņoti ar mācīšanās un darbības priekšrocībām. Piemēram, pieņemsim, ka jums ir trīs cilvēku komanda ar trim biznesa prasmēm. Spraudīšu rūpnīcā katrs tehniķis katram darba uzdevumam veltīs trešdaļu sava laika, jo neviens cits nevar veikt viņa darbu. Pilnā kaudzē katrs vispārīgais speciālists ir pilnībā veltīts visam biznesa procesam, mēroga palielināšanai un apmācībai.
Tā kā ražošanas ciklu atbalsta mazāk cilvēku, koordinācija tiek samazināta. Ģenerālists nepārtraukti pārvietojas starp funkcijām, paplašinot datu cauruļvadu, lai pievienotu vairāk datu, izmēģinot jaunas funkcijas modeļos, izvietojot jaunas versijas ražošanā cēloņsakarības mērījumiem un atkārtojot darbības, tiklīdz rodas jaunas idejas. Protams, universāls dažādas funkcijas pilda secīgi, nevis paralēli. Galu galā tā ir tikai viena persona. Tomēr uzdevuma pabeigšana parasti aizņem tikai daļu no laika, kas nepieciešams, lai piekļūtu citam specializētam resursam. Tātad iterācijas laiks samazinās.
Mūsu ģenerāldirektors var nebūt tik prasmīgs kā speciālists noteiktā darba funkcijā, taču mēs necenšamies pēc funkcionālās pilnības vai nelieliem pakāpeniskiem uzlabojumiem. Mēs drīzāk cenšamies mācīties un atklāt arvien vairāk profesionālu izaicinājumu ar pakāpenisku ietekmi. Ar holistisku kontekstu pilnīgam risinājumam viņš saskata iespējas, kuras speciālists palaistu garām. Viņam ir vairāk ideju un vairāk iespēju. Viņam arī neizdodas. Tomēr neveiksmju izmaksas ir zemas, un mācīšanās ieguvumi ir lieli. Šī asimetrija veicina ātru atkārtošanos un atalgo mācīšanos.
Ir svarīgi atzīmēt, ka autonomijas un prasmju daudzveidības apjoms, kas tiek piešķirts visiem zinātniekiem, lielā mērā ir atkarīgs no datu platformas, kurā viņi strādā, noturības. Labi izstrādāta datu platforma abstrahē datu zinātniekus no sarežģītības, kas saistīta ar konteinerizāciju, izkliedēto apstrādi, automātisko kļūmjpārlēci un citām progresīvām skaitļošanas koncepcijām. Papildus abstrakcijai spēcīga datu platforma var nodrošināt netraucētu savienojamību ar eksperimentālo infrastruktūru, automatizēt uzraudzību un brīdinājumus, iespējot automātisku mērogošanu un algoritmisko rezultātu vizualizāciju un atkļūdošanu. Šos komponentus izstrādā un izveido datu platformas inženieri, kas nozīmē, ka datu zinātnieks tos nenodod datu platformas izstrādes komandai. Datu zinātnes speciālists ir atbildīgs par visu platformas palaišanai izmantoto kodu.
Arī mani kādreiz interesēja funkcionālā darba sadale, izmantojot procesa efektivitāti, taču, izmantojot izmēģinājumus un kļūdas (nav labāka veida, kā mācīties), es atklāju, ka tipiskas lomas labāk atvieglo mācīšanos un inovācijas un nodrošina pareizos rādītājus: atklāšanu un radot daudz vairāk uzņēmējdarbības iespēju nekā specializēta pieeja. (Efektīvāks veids, kā uzzināt par šo organizēšanas pieeju, nevis izmēģinājumi un kļūdas, ko es piedzīvoju, ir izlasīt Eimijas Edmondsones grāmatu Team Collaboration: How Organizations Learn, Innovate and Compete in the Knowledge Economy).
Ir daži svarīgi pieņēmumi, kas dažos uzņēmumos var padarīt šo pieeju organizēšanai vairāk vai mazāk uzticamu. Iterācijas process samazina izmēģinājumu un kļūdu izmaksas. Ja kļūdu izmaksas ir augstas, iespējams, vēlēsities tās samazināt (bet tas nav ieteicams medicīniskiem nolūkiem vai ražošanai). Turklāt, ja jums ir darīšana ar datu petabaitiem vai eksabaitiem, var būt nepieciešama specializācija datu inženierijā. Tāpat, ja tiešsaistes biznesa iespēju un to pieejamības uzturēšana ir svarīgāka par to uzlabošanu, funkcionālā izcilība var pārspēt mācīšanos. Visbeidzot, pilnas kaudzes modelis balstās uz to cilvēku viedokļiem, kuri par to zina. Tie nav vienradži; jūs varat tos atrast vai sagatavot pats. Tomēr tie ir ļoti pieprasīti, un to piesaistīšanai un noturēšanai būs nepieciešama konkurētspējīga atalgojums, spēcīgas korporatīvās vērtības un izaicinājumiem pilns darbs. Pārliecinieties, ka jūsu uzņēmuma kultūra to atbalsta.
Pat neskatoties uz to, es uzskatu, ka pilnas kaudzes modelis nodrošina vislabākos sākuma apstākļus. Sāciet ar tiem un pēc tam apzināti virzieties uz funkcionālu darba dalīšanu tikai tad, kad tas ir absolūti nepieciešams.
Funkcionālajai specializācijai ir arī citi trūkumi. Tas var novest pie darbinieku atbildības un pasivitātes zaudēšanas. Pats Smits kritizē darba dalīšanu, liekot domāt, ka tā noved pie talanta notrulināšanas, t.i. darbinieki kļūst nezinoši un noslēgti, jo viņu lomas aprobežojas ar dažiem atkārtotiem uzdevumiem. Lai gan specializācija var nodrošināt procesa efektivitāti, ir mazāka iespēja, ka tā iedvesmos darbiniekus.
Savukārt daudzpusīgās lomas nodrošina visas lietas, kas veicina gandarījumu par darbu: autonomiju, meistarību un mērķtiecību. Autonomija ir tāda, ka viņi nav no nekā atkarīgi, lai gūtu panākumus. Meistarība slēpjas spēcīgās konkurences priekšrocībās. Un mērķa izjūta slēpjas iespējā ietekmēt viņu radīto biznesu. Ja mēs spēsim aizraut cilvēkus par savu darbu un atstāt lielu iespaidu uz uzņēmumu, tad viss pārējais nostāsies savās vietās.
Avots: www.habr.com
