എന്തുകൊണ്ടാണ് ഡാറ്റാ സയൻസ് ടീമുകൾക്ക് സ്പെഷ്യലിസ്റ്റുകളല്ല, ജനറലിസ്‌റ്റുകൾ വേണ്ടത്

ഹിരോഷി വടനബെ/ഗെറ്റി ഇമേജസ്

ദ വെൽത്ത് ഓഫ് നേഷൻസിൽ, തൊഴിൽ വിഭജനം ഉൽപ്പാദന വർദ്ധനയുടെ പ്രധാന ഉറവിടമായി മാറുന്നത് എങ്ങനെയെന്ന് ആദം സ്മിത്ത് കാണിക്കുന്നു. ഒരു പിൻ ഫാക്ടറിയുടെ അസംബ്ലി ലൈൻ ഒരു ഉദാഹരണമാണ്: "ഒരു തൊഴിലാളി വയർ വലിക്കുന്നു, മറ്റൊരാൾ അത് നേരെയാക്കുന്നു, മൂന്നാമൻ മുറിക്കുന്നു, നാലാമൻ അറ്റം മൂർച്ച കൂട്ടുന്നു, അഞ്ചാമത്തേത് തലയ്ക്ക് അനുയോജ്യമാക്കാൻ മറ്റേ അറ്റം പൊടിക്കുന്നു." നിർദ്ദിഷ്ട പ്രവർത്തനങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ച സ്പെഷ്യലൈസേഷന് നന്ദി, ഓരോ ജീവനക്കാരനും തന്റെ ഇടുങ്ങിയ ചുമതലയിൽ ഉയർന്ന യോഗ്യതയുള്ള സ്പെഷ്യലിസ്റ്റായി മാറുന്നു, ഇത് പ്രോസസ്സ് കാര്യക്ഷമത വർദ്ധിപ്പിക്കുന്നതിലേക്ക് നയിക്കുന്നു. ഓരോ തൊഴിലാളിയുടെയും ഔട്ട്പുട്ട് പല മടങ്ങ് വർദ്ധിക്കുന്നു, പിന്നുകൾ ഉൽപ്പാദിപ്പിക്കുന്നതിൽ ഫാക്ടറി കൂടുതൽ കാര്യക്ഷമമാകുന്നു.

പ്രവർത്തനപരമായ ഈ തൊഴിൽ വിഭജനം ഇന്നും നമ്മുടെ മനസ്സിൽ രൂഢമൂലമായിരിക്കുന്നു, അതിനനുസരിച്ച് ഞങ്ങൾ ഞങ്ങളുടെ ടീമുകളെ വേഗത്തിൽ സംഘടിപ്പിച്ചു. ഡാറ്റ സയൻസ് ഒരു അപവാദമല്ല. സങ്കീർണ്ണമായ അൽഗോരിതമിക് ബിസിനസ്സ് കഴിവുകൾക്ക് ഒന്നിലധികം വർക്ക് ഫംഗ്ഷനുകൾ ആവശ്യമാണ്, അതിനാൽ കമ്പനികൾ സാധാരണയായി സ്പെഷ്യലിസ്റ്റുകളുടെ ടീമുകളെ സൃഷ്ടിക്കുന്നു: ഗവേഷകർ, ഡാറ്റാ എഞ്ചിനീയർമാർ, മെഷീൻ ലേണിംഗ് എഞ്ചിനീയർമാർ, കാരണ-പ്രഭാവമുള്ള ശാസ്ത്രജ്ഞർ തുടങ്ങിയവർ. ഒരു പിൻ ഫാക്ടറിയോട് സാമ്യമുള്ള രീതിയിൽ ഫംഗ്‌ഷനുകൾ കൈമാറ്റം ചെയ്യുന്നതിലൂടെ സ്പെഷ്യലിസ്റ്റുകളുടെ പ്രവർത്തനം ഉൽപ്പന്ന മാനേജർ ഏകോപിപ്പിക്കുന്നു: “ഒരാൾ ഡാറ്റ സ്വീകരിക്കുന്നു, മറ്റൊരാൾ അത് മോഡൽ ചെയ്യുന്നു, മൂന്നാമൻ അത് നടപ്പിലാക്കുന്നു, നാലാമത്തെ നടപടികൾ” തുടങ്ങിയവ.

അയ്യോ, ഉൽപ്പാദനക്ഷമത മെച്ചപ്പെടുത്താൻ ഞങ്ങളുടെ ഡാറ്റാ സയൻസ് ടീമുകളെ ഒപ്റ്റിമൈസ് ചെയ്യരുത്. എന്നിരുന്നാലും, നിങ്ങൾ എന്താണ് ഉത്പാദിപ്പിക്കുന്നതെന്ന് മനസിലാക്കുമ്പോൾ നിങ്ങൾ ഇത് ചെയ്യുന്നു: പിന്നുകൾ അല്ലെങ്കിൽ മറ്റെന്തെങ്കിലും, കാര്യക്ഷമത വർദ്ധിപ്പിക്കാൻ ശ്രമിക്കുക. അസംബ്ലി ലൈനുകളുടെ ലക്ഷ്യം ഒരു ടാസ്ക് പൂർത്തിയാക്കുക എന്നതാണ്. ഞങ്ങൾക്ക് എന്താണ് വേണ്ടതെന്ന് ഞങ്ങൾക്ക് കൃത്യമായി അറിയാം - പിന്നുകൾ (സ്മിത്തിന്റെ ഉദാഹരണത്തിലെന്നപോലെ), എന്നാൽ ഉൽപ്പന്നത്തിന്റെ എല്ലാ വശങ്ങളെയും അതിന്റെ സ്വഭാവത്തെയും ആവശ്യകതകൾ പൂർണ്ണമായി വിവരിക്കുന്ന ഏത് ഉൽപ്പന്നമോ സേവനമോ പരാമർശിക്കാം. ഈ ആവശ്യകതകൾ കഴിയുന്നത്ര കാര്യക്ഷമമായി നിറവേറ്റുക എന്നതാണ് ജീവനക്കാരുടെ പങ്ക്.

എന്നാൽ ഡേറ്റ സയൻസിന്റെ ലക്ഷ്യം ജോലികൾ പൂർത്തിയാക്കുക എന്നതല്ല. പകരം, ശക്തമായ പുതിയ ബിസിനസ്സ് അവസരങ്ങൾ പര്യവേക്ഷണം ചെയ്യുകയും വികസിപ്പിക്കുകയും ചെയ്യുക എന്നതാണ് ലക്ഷ്യം. ശുപാർശ സംവിധാനങ്ങൾ, ഉപഭോക്തൃ ഇടപെടലുകൾ, സ്‌റ്റൈൽ മുൻഗണനകളുടെ വർഗ്ഗീകരണം, വലുപ്പം, വസ്ത്ര രൂപകൽപ്പന, ലോജിസ്റ്റിക്‌സ് ഒപ്റ്റിമൈസേഷൻ, സീസണൽ ട്രെൻഡ് കണ്ടെത്തൽ എന്നിവയും അതിലേറെയും പോലുള്ള അൽഗോരിതമിക് ഉൽപ്പന്നങ്ങളും സേവനങ്ങളും മുൻകൂട്ടി വികസിപ്പിക്കാൻ കഴിയില്ല. അവ പഠിക്കണം. പകർത്താൻ ബ്ലൂപ്രിന്റുകളൊന്നുമില്ല, ഇവ അന്തർലീനമായ അനിശ്ചിതത്വമുള്ള പുതിയ സാധ്യതകളാണ്. ഗുണകങ്ങൾ, മോഡലുകൾ, മോഡൽ തരങ്ങൾ, ഹൈപ്പർപാരാമീറ്ററുകൾ, ആവശ്യമായ എല്ലാ ഘടകങ്ങളും പരീക്ഷണം, ട്രയൽ, പിശക്, ആവർത്തനം എന്നിവയിലൂടെ പഠിക്കണം. പിൻസ് ഉപയോഗിച്ച്, പരിശീലനവും രൂപകല്പനയും ഉൽപ്പാദനത്തിന് മുമ്പായി നടത്തുന്നു. ഡാറ്റ സയൻസ് ഉപയോഗിച്ച്, നിങ്ങൾ ചെയ്യുന്നതുപോലെ നിങ്ങൾ പഠിക്കുന്നു, മുമ്പല്ല.

ഒരു പിൻ ഫാക്ടറിയിൽ, പരിശീലനം ആദ്യം വരുമ്പോൾ, ഉൽപ്പാദനക്ഷമത മെച്ചപ്പെടുത്തുക എന്നതിലുപരി ഉൽപ്പന്നത്തിന്റെ ഏതെങ്കിലും സവിശേഷത തൊഴിലാളികൾ മെച്ചപ്പെടുത്തണമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുകയോ ആഗ്രഹിക്കുകയോ ചെയ്യുന്നില്ല. സ്പെഷ്യലൈസ് ചെയ്യുന്ന ജോലികൾ യുക്തിസഹമാണ്, കാരണം ഇത് പ്രോസസ്സ് കാര്യക്ഷമതയിലേക്കും ഉൽപ്പാദന സ്ഥിരതയിലേക്കും നയിക്കുന്നു (അവസാന ഉൽപ്പന്നത്തിൽ മാറ്റങ്ങളില്ലാതെ).

എന്നാൽ ഉൽപ്പന്നം ഇപ്പോഴും വികസിച്ചുകൊണ്ടിരിക്കുകയും ലക്ഷ്യം പരിശീലനമാകുകയും ചെയ്യുമ്പോൾ, ഇനിപ്പറയുന്ന സന്ദർഭങ്ങളിൽ സ്പെഷ്യലൈസേഷൻ ഞങ്ങളുടെ ലക്ഷ്യങ്ങളിൽ ഇടപെടുന്നു:

1. ഇത് ഏകോപന ചെലവ് വർദ്ധിപ്പിക്കുന്നു.

അതായത്, ആശയവിനിമയം നടത്തുകയും ചർച്ച ചെയ്യുകയും ന്യായീകരിക്കുകയും ചെയ്യേണ്ട ജോലിക്ക് മുൻഗണന നൽകുകയും ചെയ്യുന്ന സമയത്ത് ശേഖരിക്കപ്പെടുന്ന ചെലവുകൾ. ഉൾപ്പെട്ടിരിക്കുന്ന ആളുകളുടെ എണ്ണത്തിനനുസരിച്ച് ഈ ചെലവുകൾ വളരെ രേഖീയമായി കണക്കാക്കുന്നു. (ജെ. റിച്ചാർഡ് ഹാക്ക്മാൻ നമ്മെ പഠിപ്പിച്ചതുപോലെ, ഈ സമവാക്യം അനുസരിച്ച് n എന്ന പദങ്ങളുടെ എണ്ണത്തിന്റെ പ്രവർത്തനത്തിന് സമാനമായി r ബന്ധങ്ങളുടെ എണ്ണം വളരുന്നു: r = (n^2-n)/2. കൂടാതെ ഓരോ ബന്ധവും ചില തുക വെളിപ്പെടുത്തുന്നു ചെലവ് ബന്ധം.) ഡാറ്റാ സയന്റിസ്റ്റുകൾ ഫംഗ്‌ഷൻ പ്രകാരം, ഓരോ ഘട്ടത്തിലും, ഓരോ മാറ്റത്തിലും, ഓരോ കൈമാറ്റത്തിലും മറ്റും സംഘടിപ്പിക്കുമ്പോൾ, നിരവധി സ്പെഷ്യലിസ്റ്റുകൾ ആവശ്യമാണ്, ഇത് ഏകോപന ചെലവ് വർദ്ധിപ്പിക്കുന്നു. ഉദാഹരണത്തിന്, പുതിയ ഫീച്ചറുകൾ പരീക്ഷിക്കാൻ ആഗ്രഹിക്കുന്ന സ്റ്റാറ്റിസ്റ്റിക്കൽ മോഡലർമാർ പുതിയ എന്തെങ്കിലും പരീക്ഷിക്കാൻ ആഗ്രഹിക്കുന്ന ഓരോ തവണയും ഡാറ്റ സെറ്റുകളിലേക്ക് ചേർക്കുന്ന ഡാറ്റാ എഞ്ചിനീയർമാരുമായി ഏകോപിപ്പിക്കേണ്ടതുണ്ട്. അതുപോലെ, പരിശീലിപ്പിച്ച ഓരോ പുതിയ മോഡലും അർത്ഥമാക്കുന്നത് മോഡൽ ഡെവലപ്പർക്ക് അത് ഉൽപ്പാദിപ്പിക്കുന്നതിന് ആരെയെങ്കിലും ഏകോപിപ്പിക്കേണ്ടതുണ്ട് എന്നാണ്. കോർഡിനേഷൻ ചെലവുകൾ ആവർത്തനത്തിനുള്ള ഒരു വിലയായി പ്രവർത്തിക്കുന്നു, ഇത് കൂടുതൽ ബുദ്ധിമുട്ടുള്ളതും ചെലവേറിയതുമാക്കുകയും പഠനം ഉപേക്ഷിക്കാൻ ഇടയാക്കുകയും ചെയ്യുന്നു. ഇത് പഠനത്തെ തടസ്സപ്പെടുത്തിയേക്കാം.

2. ഇത് കാത്തിരിപ്പ് സമയം ബുദ്ധിമുട്ടാക്കുന്നു.

ഏകോപന ചെലവുകളേക്കാൾ കൂടുതൽ ഭയാനകമാണ് ജോലി ഷിഫ്റ്റുകൾക്കിടയിൽ നഷ്ടപ്പെടുന്ന സമയം. ഏകോപന ചെലവുകൾ സാധാരണയായി മണിക്കൂറുകളിലാണ് അളക്കുന്നത് - മീറ്റിംഗുകൾ, ചർച്ചകൾ, ഡിസൈൻ അവലോകനങ്ങൾ എന്നിവ നടത്താൻ എടുക്കുന്ന സമയം - കാത്തിരിപ്പ് സമയം സാധാരണയായി ദിവസങ്ങളിലോ ആഴ്ചകളിലോ മാസങ്ങളിലോ അളക്കുന്നു! ഫങ്ഷണൽ സ്പെഷ്യലിസ്റ്റുകളുടെ ഷെഡ്യൂളുകൾ സന്തുലിതമാക്കാൻ പ്രയാസമാണ്, കാരണം ഓരോ സ്പെഷ്യലിസ്റ്റും ഒന്നിലധികം പ്രോജക്ടുകളിൽ വിതരണം ചെയ്യണം. മാറ്റങ്ങൾ ചർച്ച ചെയ്യാനുള്ള ഒരു മണിക്കൂർ മീറ്റിംഗ് വർക്ക്ഫ്ലോ സുഗമമാക്കാൻ ആഴ്ചകൾ എടുത്തേക്കാം. മാറ്റങ്ങളിൽ സമ്മതിച്ചതിന് ശേഷം, സ്പെഷ്യലിസ്റ്റുകളുടെ പ്രവർത്തന സമയം ഉൾക്കൊള്ളുന്ന മറ്റ് നിരവധി പ്രോജക്റ്റുകളുടെ പശ്ചാത്തലത്തിൽ യഥാർത്ഥ ജോലി തന്നെ ആസൂത്രണം ചെയ്യേണ്ടത് ആവശ്യമാണ്. കോഡ് പരിഹരിക്കലുകളോ ഗവേഷണമോ ഉൾപ്പെടുന്ന ജോലി പൂർത്തിയാക്കാൻ കുറച്ച് മണിക്കൂറുകളോ ദിവസങ്ങളോ മാത്രം എടുക്കുന്ന, ഉറവിടങ്ങൾ ലഭ്യമാകുന്നതിന് മുമ്പ് കൂടുതൽ സമയമെടുത്തേക്കാം. അതുവരെ, ആവർത്തനവും പഠനവും താൽക്കാലികമായി നിർത്തിവച്ചിരിക്കുന്നു.

3. ഇത് സന്ദർഭത്തെ ചുരുക്കുന്നു.

തൊഴിൽ വിഭജനം അവരുടെ സ്പെഷ്യാലിറ്റിയിൽ തുടരുന്നതിന് ആളുകൾക്ക് പ്രതിഫലം നൽകിക്കൊണ്ട് പഠനത്തെ കൃത്രിമമായി പരിമിതപ്പെടുത്താൻ കഴിയും. ഉദാഹരണത്തിന്, ഒരു ഗവേഷണ ശാസ്ത്രജ്ഞൻ തന്റെ പ്രവർത്തനത്തിന്റെ പരിധിയിൽ തുടരണം, വ്യത്യസ്ത തരം അൽഗോരിതങ്ങൾ പരീക്ഷിക്കുന്നതിൽ തന്റെ ഊർജ്ജം കേന്ദ്രീകരിക്കും: റിഗ്രഷൻ, ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ, റാൻഡം ഫോറസ്റ്റ് തുടങ്ങിയവ. തീർച്ചയായും, നല്ല അൽഗോരിതം ചോയ്‌സുകൾ വർദ്ധിച്ചുവരുന്ന മെച്ചപ്പെടുത്തലുകളിലേക്ക് നയിച്ചേക്കാം, എന്നാൽ പുതിയ ഡാറ്റ സ്രോതസ്സുകൾ സമന്വയിപ്പിക്കുന്നത് പോലെയുള്ള മറ്റ് പ്രവർത്തനങ്ങളിൽ നിന്ന് സാധാരണയായി കൂടുതൽ കൂടുതൽ നേടാനുണ്ട്. അതുപോലെ, ഡാറ്റയിൽ അന്തർലീനമായ എല്ലാ വിശദീകരണ ശക്തിയും ചൂഷണം ചെയ്യുന്ന ഒരു മോഡൽ വികസിപ്പിക്കാൻ ഇത് സഹായിക്കും. എന്നിരുന്നാലും, അതിന്റെ ശക്തി വസ്തുനിഷ്ഠമായ പ്രവർത്തനത്തെ മാറ്റുന്നതിലോ ചില നിയന്ത്രണങ്ങളിൽ അയവ് വരുത്തുന്നതിലോ ആയിരിക്കാം. അവളുടെ ജോലി പരിമിതമായിരിക്കുമ്പോൾ ഇത് കാണാനോ ചെയ്യാനോ ബുദ്ധിമുട്ടാണ്. ഒരു സാങ്കേതിക ശാസ്ത്രജ്ഞൻ അൽഗരിതങ്ങൾ ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിൽ വൈദഗ്ദ്ധ്യം നേടിയതിനാൽ, കാര്യമായ നേട്ടങ്ങൾ കൈവരിച്ചാൽപ്പോലും അയാൾ മറ്റെന്തെങ്കിലും ചെയ്യാനുള്ള സാധ്യത വളരെ കുറവാണ്.

ഡാറ്റാ സയൻസ് ടീമുകൾ പിൻ ഫാക്ടറികളായി പ്രവർത്തിക്കുമ്പോൾ ദൃശ്യമാകുന്ന അടയാളങ്ങൾക്ക് പേരിടാൻ (ഉദാഹരണത്തിന്, ലളിതമായ സ്റ്റാറ്റസ് അപ്‌ഡേറ്റുകളിൽ): “ഡാറ്റ പൈപ്പ്ലൈൻ മാറ്റങ്ങൾക്കായി കാത്തിരിക്കുക”, “ML Eng ഉറവിടങ്ങൾക്കായി കാത്തിരിക്കുക” എന്നിവ സാധാരണ ബ്ലോക്കറുകളാണ്. എന്നിരുന്നാലും, നിങ്ങൾ ശ്രദ്ധിക്കാത്തതാണ് കൂടുതൽ അപകടകരമായ സ്വാധീനം എന്ന് ഞാൻ വിശ്വസിക്കുന്നു, കാരണം നിങ്ങൾക്ക് ഇതിനകം അറിയാത്തതിൽ നിങ്ങൾക്ക് ഖേദിക്കാൻ കഴിയില്ല. കുറ്റമറ്റ നിർവ്വഹണവും പ്രോസസ്സ് കാര്യക്ഷമത കൈവരിക്കുന്നതിൽ നിന്ന് നേടിയ ആത്മസംതൃപ്തിയും, ഓർഗനൈസേഷനുകൾക്ക് നഷ്ടപ്പെടുന്ന പഠന നേട്ടങ്ങളെക്കുറിച്ച് അറിയില്ല എന്ന സത്യം മറയ്ക്കാൻ കഴിയും.

ഈ പ്രശ്നത്തിനുള്ള പരിഹാരം, തീർച്ചയായും, ഫാക്ടറി പിൻ രീതി ഒഴിവാക്കുക എന്നതാണ്. പഠനവും ആവർത്തനവും പ്രോത്സാഹിപ്പിക്കുന്നതിന്, ഡാറ്റാ സയന്റിസ്റ്റ് റോളുകൾ പൊതുവായതായിരിക്കണം, എന്നാൽ സാങ്കേതിക പ്രവർത്തനത്തിൽ നിന്ന് സ്വതന്ത്രമായ വിശാലമായ ഉത്തരവാദിത്തങ്ങളോടെ വേണം, അതായത്, പഠനത്തിനായി ഒപ്റ്റിമൈസ് ചെയ്യപ്പെടുന്ന തരത്തിൽ ഡാറ്റ ശാസ്ത്രജ്ഞരെ സംഘടിപ്പിക്കുക. ഇതിനർത്ഥം "ഫുൾ സ്റ്റാക്ക് സ്പെഷ്യലിസ്റ്റുകളെ" നിയമിക്കുക എന്നതാണ് - ആശയം മുതൽ മോഡലിംഗ്, നടപ്പിലാക്കൽ മുതൽ അളവ് വരെ വിവിധ പ്രവർത്തനങ്ങൾ നിർവഹിക്കാൻ കഴിയുന്ന ജനറൽ സ്പെഷ്യലിസ്റ്റുകൾ. ഫുൾ-സ്റ്റാക്ക് പ്രതിഭകളെ നിയമിക്കുന്നത് ജീവനക്കാരുടെ എണ്ണം കുറയ്ക്കണമെന്ന് ഞാൻ നിർദ്ദേശിക്കുന്നില്ല എന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്. പകരം, അവർ വ്യത്യസ്തമായി സംഘടിപ്പിക്കപ്പെടുമ്പോൾ, അവരുടെ പ്രോത്സാഹനങ്ങൾ പഠന, പ്രകടന നേട്ടങ്ങളുമായി നന്നായി യോജിപ്പിക്കുമെന്ന് ഞാൻ അനുമാനിക്കും. ഉദാഹരണത്തിന്, നിങ്ങൾക്ക് മൂന്ന് ബിസിനസ്സ് കഴിവുകളുള്ള മൂന്ന് ആളുകളുടെ ഒരു ടീം ഉണ്ടെന്ന് കരുതുക. ഒരു പിൻ ഫാക്ടറിയിൽ, ഓരോ ടെക്നീഷ്യനും തന്റെ ജോലി മറ്റാർക്കും ചെയ്യാൻ കഴിയാത്തതിനാൽ, ഓരോ ജോലിയുടെ മൂന്നിലൊന്ന് സമയവും ചെലവഴിക്കും. ഒരു പൂർണ്ണ സ്റ്റാക്കിൽ, ഓരോ ജനറലിസ്റ്റും മുഴുവൻ ബിസിനസ്സ് പ്രക്രിയ, സ്കെയിൽ-അപ്പ്, പരിശീലനം എന്നിവയ്ക്കായി പൂർണ്ണമായും സമർപ്പിക്കുന്നു.

ഉൽപ്പാദന ചക്രത്തെ പിന്തുണയ്ക്കുന്ന ആളുകൾ കുറവായതിനാൽ, ഏകോപനം കുറയുന്നു. കൂടുതൽ ഡാറ്റ ചേർക്കാൻ ഡാറ്റാ പൈപ്പ്‌ലൈൻ വികസിപ്പിക്കുക, മോഡലുകളിൽ പുതിയ ഫീച്ചറുകൾ പരീക്ഷിക്കുക, കാര്യകാരണമായ അളവുകൾക്കായി ഉൽപ്പാദനത്തിലേക്ക് പുതിയ പതിപ്പുകൾ വിന്യസിക്കുക, പുതിയ ആശയങ്ങൾ ഉയർന്നുവരുമ്പോൾ തന്നെ ഘട്ടങ്ങൾ ആവർത്തിക്കുക, സവിശേഷതകൾക്കിടയിൽ സാമാന്യവാദികൾ ദ്രാവകമായി നീങ്ങുന്നു. തീർച്ചയായും, സ്റ്റേഷൻ വാഗൺ സമാന്തരമായിട്ടല്ല, തുടർച്ചയായി വ്യത്യസ്ത പ്രവർത്തനങ്ങൾ ചെയ്യുന്നു. എല്ലാത്തിനുമുപരി, ഇത് ഒരു വ്യക്തി മാത്രമാണ്. എന്നിരുന്നാലും, ഒരു ടാസ്‌ക്ക് പൂർത്തിയാക്കുന്നതിന് സാധാരണയായി മറ്റൊരു പ്രത്യേക ഉറവിടം ആക്‌സസ് ചെയ്യുന്നതിന് ആവശ്യമായ സമയത്തിന്റെ ഒരു ഭാഗം മാത്രമേ എടുക്കൂ. അതിനാൽ, ആവർത്തന സമയം കുറയുന്നു.

ഞങ്ങളുടെ ജനറലിസ്‌റ്റ് ഒരു പ്രത്യേക ജോബ് ഫംഗ്‌ഷനിൽ ഒരു സ്‌പെഷ്യലിസ്റ്റ് പോലെ വൈദഗ്ധ്യമുള്ളവനായിരിക്കില്ല, എന്നാൽ പ്രവർത്തനപരമായ പൂർണതയ്‌ക്കോ ചെറിയ വർദ്ധനവ് മെച്ചപ്പെടുത്തലുകൾക്കോ ​​ഞങ്ങൾ ശ്രമിക്കുന്നില്ല. പകരം, ക്രമേണ സ്വാധീനം ചെലുത്തിക്കൊണ്ട് കൂടുതൽ കൂടുതൽ പ്രൊഫഷണൽ വെല്ലുവിളികൾ പഠിക്കാനും കണ്ടെത്താനും ഞങ്ങൾ ശ്രമിക്കുന്നു. ഒരു സമ്പൂർണ്ണ പരിഹാരത്തിനുള്ള സമഗ്രമായ സന്ദർഭത്തിൽ, ഒരു സ്പെഷ്യലിസ്റ്റ് നഷ്ടപ്പെടുത്തുന്ന അവസരങ്ങൾ അദ്ദേഹം കാണുന്നു. അദ്ദേഹത്തിന് കൂടുതൽ ആശയങ്ങളും കൂടുതൽ സാധ്യതകളും ഉണ്ട്. അവനും പരാജയപ്പെടുന്നു. എന്നിരുന്നാലും, പരാജയത്തിന്റെ വില കുറവാണ്, പഠനത്തിന്റെ നേട്ടങ്ങൾ കൂടുതലാണ്. ഈ അസമമിതി ദ്രുതഗതിയിലുള്ള ആവർത്തനത്തെ പ്രോത്സാഹിപ്പിക്കുകയും പഠനത്തിന് പ്രതിഫലം നൽകുകയും ചെയ്യുന്നു.

പൂർണ്ണ സ്റ്റാക്ക് ശാസ്ത്രജ്ഞർക്ക് നൽകുന്ന സ്വയംഭരണത്തിന്റെയും വൈദഗ്ധ്യ വൈവിധ്യത്തിന്റെയും അളവ് പ്രധാനമായും പ്രവർത്തിക്കേണ്ട ഡാറ്റ പ്ലാറ്റ്‌ഫോമിന്റെ ദൃഢതയെ ആശ്രയിച്ചിരിക്കുന്നു എന്നത് ശ്രദ്ധിക്കേണ്ടതാണ്. നന്നായി രൂപകല്പന ചെയ്ത ഡാറ്റ പ്ലാറ്റ്ഫോം, കണ്ടെയ്നറൈസേഷൻ, ഡിസ്ട്രിബ്യൂട്ടഡ് പ്രോസസ്സിംഗ്, ഓട്ടോമാറ്റിക് പരാജയം, മറ്റ് നൂതന കമ്പ്യൂട്ടിംഗ് ആശയങ്ങൾ എന്നിവയുടെ സങ്കീർണ്ണതകളിൽ നിന്ന് ഡാറ്റ ശാസ്ത്രജ്ഞരെ സംഗ്രഹിക്കുന്നു. അമൂർത്തതയ്‌ക്ക് പുറമേ, ശക്തമായ ഒരു ഡാറ്റാ പ്ലാറ്റ്‌ഫോമിന് പരീക്ഷണാത്മക ഇൻഫ്രാസ്ട്രക്ചറിലേക്ക് തടസ്സമില്ലാത്ത കണക്റ്റിവിറ്റി നൽകാൻ കഴിയും, മോണിറ്ററിംഗും അലേർട്ടിംഗും യാന്ത്രികമാക്കുക, അൽഗോരിതം ഫലങ്ങളുടെയും ഡീബഗ്ഗിംഗിന്റെയും യാന്ത്രിക സ്കെയിലിംഗും ദൃശ്യവൽക്കരണവും പ്രവർത്തനക്ഷമമാക്കും. ഡാറ്റാ പ്ലാറ്റ്‌ഫോം എഞ്ചിനീയർമാരാണ് ഈ ഘടകങ്ങൾ രൂപകൽപ്പന ചെയ്‌ത് നിർമ്മിച്ചിരിക്കുന്നത്, അതായത് അവ ഡാറ്റാ സയന്റിസ്റ്റിൽ നിന്ന് ഡാറ്റാ പ്ലാറ്റ്‌ഫോം ഡെവലപ്‌മെന്റ് ടീമിലേക്ക് കൈമാറ്റം ചെയ്യപ്പെടുന്നില്ല. പ്ലാറ്റ്ഫോം പ്രവർത്തിപ്പിക്കുന്നതിന് ഉപയോഗിക്കുന്ന എല്ലാ കോഡിന്റെയും ഉത്തരവാദിത്തം ഡാറ്റാ സയൻസ് സ്പെഷ്യലിസ്റ്റാണ്.

പ്രോസസ്സ് കാര്യക്ഷമത ഉപയോഗിച്ച് ജോലിയുടെ പ്രവർത്തനപരമായ വിഭജനത്തിൽ എനിക്കും ഒരിക്കൽ താൽപ്പര്യമുണ്ടായിരുന്നു, പക്ഷേ ട്രയൽ ആന്റ് എററിലൂടെ (പഠിക്കാൻ ഇതിലും നല്ല മാർഗമില്ല), സാധാരണ റോളുകൾ പഠനത്തിനും നവീകരണത്തിനും മികച്ച മെട്രിക്കുകൾ നൽകുകയും ശരിയായ അളവുകൾ നൽകുകയും ചെയ്യുന്നുവെന്ന് ഞാൻ കണ്ടെത്തി. പ്രത്യേക സമീപനത്തേക്കാൾ കൂടുതൽ ബിസിനസ്സ് അവസരങ്ങൾ സൃഷ്ടിക്കുന്നു. (ഞാൻ കടന്നുപോയ ട്രയൽ ആന്റ് എറർ എന്നതിനേക്കാളും ഈ സംഘടനാ സമീപനത്തെക്കുറിച്ച് അറിയാനുള്ള കൂടുതൽ ഫലപ്രദമായ മാർഗം ആമി എഡ്മണ്ട്‌സണിന്റെ ടീം സഹകരണം: എങ്ങനെ ഓർഗനൈസേഷൻസ് പഠിക്കുന്നു, നവീകരിക്കുന്നു, വിജ്ഞാന സമ്പദ്‌വ്യവസ്ഥയിൽ മത്സരിക്കുന്നു എന്ന പുസ്തകം വായിക്കുക എന്നതാണ്).

ചില കമ്പനികളിൽ കൂടുതലോ കുറവോ വിശ്വസനീയമായി സംഘടിപ്പിക്കുന്നതിന് ഈ സമീപനം ഉണ്ടാക്കിയേക്കാവുന്ന ചില പ്രധാന അനുമാനങ്ങളുണ്ട്. ആവർത്തന പ്രക്രിയ ട്രയലിന്റെയും പിശകിന്റെയും ചെലവ് കുറയ്ക്കുന്നു. പിശകിന്റെ വില ഉയർന്നതാണെങ്കിൽ, അവ കുറയ്ക്കാൻ നിങ്ങൾ ആഗ്രഹിച്ചേക്കാം (എന്നാൽ മെഡിക്കൽ ആപ്ലിക്കേഷനുകൾക്കോ ​​നിർമ്മാണത്തിനോ ഇത് ശുപാർശ ചെയ്യുന്നില്ല). കൂടാതെ, നിങ്ങൾ പെറ്റാബൈറ്റുകൾ അല്ലെങ്കിൽ എക്സാബൈറ്റ് ഡാറ്റയുമായി ഇടപെടുകയാണെങ്കിൽ, ഡാറ്റാ എഞ്ചിനീയറിംഗിൽ സ്പെഷ്യലൈസേഷൻ ആവശ്യമായി വന്നേക്കാം. അതുപോലെ, ഓൺലൈൻ ബിസിനസ്സ് കഴിവുകളും അവയുടെ ലഭ്യതയും നിലനിർത്തുന്നത് അവ മെച്ചപ്പെടുത്തുന്നതിനേക്കാൾ പ്രധാനമാണെങ്കിൽ, പ്രവർത്തന മികവ് പഠനത്തെ തുരത്തിയേക്കാം. അവസാനമായി, പൂർണ്ണ സ്റ്റാക്ക് മോഡൽ അതിനെക്കുറിച്ച് അറിയാവുന്ന ആളുകളുടെ അഭിപ്രായങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു. അവ യുണികോണുകളല്ല; നിങ്ങൾക്ക് അവ കണ്ടെത്താം അല്ലെങ്കിൽ സ്വയം തയ്യാറാക്കാം. എന്നിരുന്നാലും, അവർക്ക് ഉയർന്ന ഡിമാൻഡുണ്ട്, അവരെ ആകർഷിക്കുന്നതിനും നിലനിർത്തുന്നതിനും മത്സരാധിഷ്ഠിത നഷ്ടപരിഹാരം, ശക്തമായ കോർപ്പറേറ്റ് മൂല്യങ്ങൾ, വെല്ലുവിളി നിറഞ്ഞ ജോലി എന്നിവ ആവശ്യമാണ്. നിങ്ങളുടെ കമ്പനി സംസ്കാരം ഇതിനെ പിന്തുണയ്ക്കുമെന്ന് ഉറപ്പാക്കുക.

എല്ലാം പറഞ്ഞിട്ടും, പൂർണ്ണ സ്റ്റാക്ക് മോഡൽ മികച്ച ആരംഭ വ്യവസ്ഥകൾ നൽകുമെന്ന് ഞാൻ വിശ്വസിക്കുന്നു. അവയിൽ നിന്ന് ആരംഭിക്കുക, തുടർന്ന് ബോധപൂർവ്വം ആവശ്യമുള്ളപ്പോൾ മാത്രം പ്രവർത്തനപരമായ തൊഴിൽ വിഭജനത്തിലേക്ക് നീങ്ങുക.

ഫങ്ഷണൽ സ്പെഷ്യലൈസേഷന്റെ മറ്റ് ദോഷങ്ങളുമുണ്ട്. ഇത് തൊഴിലാളികളുടെ ഭാഗത്തുനിന്ന് ഉത്തരവാദിത്തവും നിഷ്ക്രിയത്വവും നഷ്ടപ്പെടാൻ ഇടയാക്കും. സ്മിത്ത് തന്നെ തൊഴിൽ വിഭജനത്തെ വിമർശിക്കുന്നു, ഇത് കഴിവുകളുടെ മന്ദതയിലേക്ക് നയിക്കുന്നു, അതായത്. തൊഴിലാളികൾ അജ്ഞരായിത്തീരുകയും അവരുടെ റോളുകൾ ആവർത്തിച്ചുള്ള ചില ജോലികൾ മാത്രമായി പരിമിതപ്പെടുത്തുകയും ചെയ്യുന്നു. സ്പെഷ്യലൈസേഷൻ പ്രക്രിയ കാര്യക്ഷമത നൽകുമെങ്കിലും, അത് തൊഴിലാളികളെ പ്രചോദിപ്പിക്കാനുള്ള സാധ്യത കുറവാണ്.

അതാകട്ടെ, ബഹുമുഖമായ റോളുകൾ ജോലി സംതൃപ്തി നൽകുന്ന എല്ലാ കാര്യങ്ങളും നൽകുന്നു: സ്വയംഭരണം, പാണ്ഡിത്യം, ഉദ്ദേശ്യം. വിജയം നേടാൻ അവർ ഒന്നിനെയും ആശ്രയിക്കുന്നില്ല എന്നതാണ് സ്വയംഭരണം. വൈദഗ്ധ്യം ശക്തമായ മത്സര നേട്ടങ്ങളിലാണ്. ലക്ഷ്യബോധം അവർ സൃഷ്ടിക്കുന്ന ബിസിനസ്സിൽ സ്വാധീനം ചെലുത്താനുള്ള അവസരത്തിലാണ്. ആളുകളെ അവരുടെ ജോലിയിൽ ആവേശഭരിതരാക്കാനും കമ്പനിയിൽ വലിയ സ്വാധീനം ചെലുത്താനും ഞങ്ങൾക്ക് കഴിയുമെങ്കിൽ, മറ്റെല്ലാം ശരിയാകും.

അവലംബം: www.habr.com