किन डाटा विज्ञान टोलीहरूलाई सामान्य विशेषज्ञहरू चाहिन्छ, विशेषज्ञहरू होइन

हिरोशी वातानाबे / गेटी छविहरू

द वेल्थ अफ नेशन्समा, एडम स्मिथले श्रमको विभाजन कसरी उत्पादकत्व वृद्धिको मुख्य स्रोत बन्छ भनेर देखाउँछन्। एउटा उदाहरण पिन कारखानाको एसेम्बली लाइन हो: "एउटा कामदारले तार तान्छ, अर्कोले सीधा गर्छ, तेस्रोले काट्छ, चौथोले छेउलाई तिखार्छ, पाँचौंले टाउको मिलाउन अर्को छेउलाई पीस्छ।" विशेष प्रकार्यहरूमा केन्द्रित विशेषज्ञताको लागि धन्यवाद, प्रत्येक कर्मचारी आफ्नो संकीर्ण कार्यमा उच्च योग्यता विशेषज्ञ बन्छन्, जसले प्रक्रियाको दक्षता बढाउँछ। प्रति कार्यकर्ता आउटपुट धेरै गुणा बढ्छ, र कारखाना पिन उत्पादन गर्न अधिक कुशल हुन्छ।

कार्यात्मकताद्वारा श्रमको यो विभाजन आज पनि हाम्रो दिमागमा यसरी गाँसिएको छ कि हामीले छिट्टै तदनुसार हाम्रो टोलीहरू व्यवस्थित गर्यौं। डाटा विज्ञान कुनै अपवाद छैन। जटिल एल्गोरिथमिक व्यापार क्षमताहरू धेरै कार्य प्रकार्यहरू चाहिन्छ, त्यसैले कम्पनीहरूले सामान्यतया विशेषज्ञहरूको टोलीहरू सिर्जना गर्छन्: अनुसन्धानकर्ताहरू, डेटा इन्जिनियरहरू, मेसिन लर्निङ इन्जिनियरहरू, कारण-र-प्रभाव वैज्ञानिकहरू, र यस्तै। विशेषज्ञहरूको काम उत्पादन प्रबन्धकद्वारा कार्यहरूको स्थानान्तरणको साथ समन्वय गरिन्छ जुन पिन कारखाना जस्तो देखिन्छ: "एक व्यक्तिले डाटा प्राप्त गर्दछ, अर्कोले यसलाई मोडेल गर्दछ, तेस्रोले यसलाई कार्यान्वयन गर्दछ, चौथो उपायहरू" र यस्तै,

काश, उत्पादकता सुधार गर्न हामीले हाम्रो डेटा विज्ञान टोलीहरूलाई अप्टिमाइज गर्नु हुँदैन। जे होस्, तपाईले यो गर्नुहुन्छ जब तपाईले के उत्पादन गर्दै हुनुहुन्छ: पिन वा अन्य केहि, र केवल दक्षता बढाउन प्रयास गर्नुहोस्। असेंबली लाइनहरूको उद्देश्य कार्य पूरा गर्नु हो। हामीलाई थाहा छ हामी के चाहन्छौं - पिन (स्मिथको उदाहरणमा जस्तै), तर कुनै पनि उत्पादन वा सेवा उल्लेख गर्न सकिन्छ जसमा आवश्यकताहरूले उत्पादन र यसको व्यवहारका सबै पक्षहरूलाई पूर्ण रूपमा वर्णन गर्दछ। कर्मचारीहरूको भूमिका यी आवश्यकताहरूलाई सकेसम्म कुशलतापूर्वक पूरा गर्नु हो।

तर डाटा विज्ञानको लक्ष्य कार्यहरू पूरा गर्नु होइन। बरु, लक्ष्य भनेको बलियो नयाँ व्यापार अवसरहरू अन्वेषण र विकास गर्नु हो। एल्गोरिदमिक उत्पादनहरू र सेवाहरू जस्तै सिफारिस प्रणालीहरू, ग्राहक अन्तरक्रियाहरू, शैली प्राथमिकताहरूको वर्गीकरण, साइजिङ, कपडा डिजाइन, रसद अनुकूलन, मौसमी प्रवृत्ति पत्ता लगाउने र धेरै धेरै अग्रिम विकास गर्न सकिँदैन। तिनीहरूले अध्ययन गर्नुपर्छ। त्यहाँ नक्कल गर्न कुनै खाका छैन, यी अन्तर्निहित अनिश्चितताका साथ नयाँ सम्भावनाहरू हुन्। गुणांकहरू, मोडेलहरू, मोडेल प्रकारहरू, हाइपरपेरामिटरहरू, सबै आवश्यक तत्वहरू प्रयोग, परीक्षण र त्रुटि, र पुनरावृत्ति मार्फत सिक्नुपर्छ। पिनको साथ, प्रशिक्षण र डिजाइन उत्पादन अघि नै गरिन्छ। डेटा विज्ञानको साथ, तपाईंले पहिले जस्तो नभई तपाईं जस्तै सिक्नुहुन्छ।

पिन फ्याक्ट्रीमा, जब प्रशिक्षण पहिलो आउँछ, हामी न त कामदारहरूले उत्पादन दक्षता सुधार गर्न बाहेक उत्पादनको कुनै पनि विशेषतामा सुधार गर्ने अपेक्षा गर्दैनौं। विशेष कार्यहरू अर्थपूर्ण हुन्छन् किनभने यसले प्रक्रियाको दक्षता र उत्पादन स्थिरता (अन्तिम उत्पादनमा परिवर्तन नगरी) निम्त्याउँछ।

तर जब उत्पादन अझै विकास भइरहेको छ र लक्ष्य प्रशिक्षण हो, विशेषज्ञताले निम्न अवस्थामा हाम्रा लक्ष्यहरूमा हस्तक्षेप गर्दछ:

1. यसले समन्वय लागत बढाउँछ।

त्यो हो, ती लागतहरू जुन समयको समयमा जम्मा हुन्छन् सञ्चार, छलफल, औचित्य र कार्यलाई प्राथमिकता दिन आवश्यक छ। यी लागतहरू संलग्न व्यक्तिहरूको संख्यासँग सुपर-रेखीय रूपमा मापन गर्छन्। (जस्तै जे. रिचर्ड ह्याकम्यानले हामीलाई सिकाउनुभयो, सम्बन्धहरू r को संख्या यस समीकरण अनुसार n पदहरूको संख्याको कार्यसँग समान रूपमा बढ्छ: r = (n^2-n)/2। र प्रत्येक सम्बन्धले केही मात्रालाई प्रकट गर्दछ। लागत सम्बन्ध।) जब डेटा वैज्ञानिकहरू कार्यद्वारा व्यवस्थित हुन्छन्, प्रत्येक चरणमा, प्रत्येक परिवर्तनको साथ, प्रत्येक हस्तान्तरण, आदि, धेरै विशेषज्ञहरू आवश्यक हुन्छन्, जसले समन्वय लागत बढाउँछ। उदाहरणका लागि, नयाँ सुविधाहरू प्रयोग गर्न चाहने तथ्याङ्कीय मोडेलहरूले डेटा इन्जिनियरहरूसँग समन्वय गर्नुपर्नेछ जसले डेटा सेटहरूमा प्रत्येक पटक नयाँ प्रयास गर्न चाहन्छन्। त्यसै गरी, प्रत्येक नयाँ मोडेल प्रशिक्षितको मतलब यो हो कि मोडेल विकासकर्तालाई उत्पादनमा राख्नको लागि कसैसँग समन्वय गर्न आवश्यक पर्दछ। समन्वय लागतहरू पुनरावृत्तिको मूल्यको रूपमा कार्य गर्दछ, तिनीहरूलाई अझ गाह्रो र महँगो बनाउँछ र अध्ययनलाई त्याग्ने सम्भावना बढी हुन्छ। यसले सिकाइमा बाधा पुग्न सक्छ।

२. यसले पर्खाइको समयलाई गाह्रो बनाउँछ।

समन्वय लागत भन्दा पनि बढी चुनौतीपूर्ण काम शिफ्टहरू बीचको समय हो। जबकि समन्वय लागतहरू सामान्यतया घण्टामा मापन गरिन्छ - बैठकहरू, छलफलहरू, डिजाइन समीक्षाहरू सञ्चालन गर्न लाग्ने समय - प्रतीक्षा समय सामान्यतया दिन, हप्ता वा महिनाहरूमा मापन गरिन्छ! कार्यात्मक विशेषज्ञहरूको कार्यतालिका सन्तुलन गर्न गाह्रो हुन्छ किनभने प्रत्येक विशेषज्ञलाई बहु ​​परियोजनाहरूमा वितरित हुनुपर्छ। परिवर्तनहरू छलफल गर्न एक घण्टाको बैठकले कार्यप्रवाहलाई सहज बनाउन हप्ताहरू लिन सक्छ। र परिवर्तनहरूमा सहमत भएपछि, विशेषज्ञहरूको काम गर्ने समय ओगटेका अन्य धेरै परियोजनाहरूको सन्दर्भमा वास्तविक कामको योजना बनाउन आवश्यक छ। कोड फिक्सहरू वा अनुसन्धानहरू समावेश गर्ने कार्य जुन पूरा हुन केही घण्टा वा दिन मात्र लाग्छ संसाधनहरू उपलब्ध हुन अघि धेरै समय लाग्न सक्छ। तब सम्म, पुनरावृत्ति र सिकाइ निलम्बित छ।

3. यसले सन्दर्भलाई संकुचित बनाउँछ।

श्रमको विभाजनले मानिसहरूलाई उनीहरूको विशेषतामा रहनको लागि पुरस्कृत गरेर सिकाइलाई कृत्रिम रूपमा सीमित गर्न सक्छ। उदाहरण को लागी, एक अनुसन्धान वैज्ञानिक जो आफ्नो कार्यक्षमता को दायरा भित्र रहनु पर्छ आफ्नो ऊर्जा विभिन्न प्रकार को एल्गोरिदम संग प्रयोग मा केन्द्रित हुनेछ: रिग्रेसन, न्यूरल नेटवर्क, अनियमित वन, र यति। निस्सन्देह, राम्रो एल्गोरिदम छनोटहरूले वृद्धिशील सुधारहरू निम्त्याउन सक्छ, तर नयाँ डेटा स्रोतहरू एकीकृत गर्ने जस्ता अन्य गतिविधिहरूबाट प्राप्त गर्नको लागि सामान्यतया धेरै कुराहरू छन्। त्यस्तै गरी, यसले डेटामा अन्तर्निहित व्याख्यात्मक शक्तिको प्रत्येक बिटको शोषण गर्ने मोडेल विकास गर्न मद्दत गर्नेछ। यद्यपि, यसको बल उद्देश्य प्रकार्य परिवर्तन गर्न वा निश्चित अवरोधहरूलाई आराम गर्नमा निहित हुन सक्छ। यो देख्न वा गर्न गाह्रो छ जब उनको काम सीमित छ। एउटा प्राविधिक वैज्ञानिकले एल्गोरिदमलाई अप्टिमाइज गर्नमा माहिर भएकोले, उसले महत्त्वपूर्ण फाइदाहरू ल्याए तापनि अरू केही गर्ने सम्भावना कम हुन्छ।

डेटा विज्ञान टोलीहरूले पिन कारखानाको रूपमा काम गर्दा देखा पर्ने संकेतहरूलाई नाम दिन (उदाहरणका लागि, साधारण स्थिति अद्यावधिकहरूमा): "डेटा पाइपलाइन परिवर्तनहरूको लागि पर्खँदै" र "ML Eng स्रोतहरूको लागि पर्खँदै" सामान्य अवरोधहरू हुन्। जे होस्, म विश्वास गर्छु कि अधिक खतरनाक प्रभाव भनेको तपाईले याद नगर्नु भएको हो, किनकि तपाईले पहिले नै थाहा नभएको कुरालाई पछुताउन सक्नुहुन्न। निर्दोष कार्यान्वयन र प्रक्रियाको दक्षता हासिल गर्दा प्राप्त भएको सन्तुष्टिले संस्थाहरूलाई उनीहरूले गुमाउने सिकाइ लाभहरूबारे अनजान रहेको सत्यलाई लुकाउन सक्छ।

यस समस्याको समाधान, अवश्य पनि, कारखाना पिन विधिबाट छुटकारा पाउनु हो। सिकाइ र पुनरावृत्तिलाई प्रोत्साहित गर्न, डेटा वैज्ञानिक भूमिकाहरू सामान्य हुनुपर्छ तर प्राविधिक प्रकार्यबाट स्वतन्त्र रूपमा व्यापक जिम्मेवारीहरूसँग, अर्थात् डेटा वैज्ञानिकहरूलाई व्यवस्थित गर्नुहोस् ताकि तिनीहरू सिक्नको लागि अनुकूलित हुन्छन्। यसको अर्थ "पूर्ण स्ट्याक विशेषज्ञहरू" लाई भर्ना गर्नु हो—सामान्य विशेषज्ञहरू जसले अवधारणादेखि मोडलिङ, कार्यान्वयनदेखि मापनसम्म विभिन्न प्रकारका कार्यहरू गर्न सक्छन्। यो नोट गर्नु महत्त्वपूर्ण छ कि मैले पूर्ण-स्ट्याक प्रतिभालाई भर्ती गर्दा कर्मचारीहरूको संख्या कम गर्नुपर्छ भनेर सुझाव दिइरहेको छैन। बरु, जब तिनीहरू फरक तरिकाले संगठित हुन्छन्, तिनीहरूका प्रोत्साहनहरू सिकाइ र कार्यसम्पादन लाभहरूसँग राम्रोसँग मिल्दोजुल्दो छन् भनी मात्रै मान्‍नेछु। उदाहरणका लागि, मानौं तपाईंसँग तीनवटा व्यावसायिक सीप भएका तीन व्यक्तिको टोली छ। पिन फ्याक्ट्रीमा, प्रत्येक प्राविधिकले प्रत्येक काममा आफ्नो समयको एक तिहाइ खर्च गर्नेछ, किनकि अरू कसैले आफ्नो काम गर्न सक्दैन। पूर्ण स्ट्याकमा, प्रत्येक जनरलिस्ट सम्पूर्ण व्यापार प्रक्रिया, स्केल-अप, र प्रशिक्षणमा पूर्ण रूपमा समर्पित हुन्छ।

उत्पादन चक्रलाई समर्थन गर्ने थोरै मानिसहरूको साथ, समन्वय कम हुन्छ। सामान्यवादी सुविधाहरूको बीचमा तरलतापूर्वक सर्छ, थप डाटा थप्नको लागि डाटा पाइपलाइन विस्तार गर्दै, मोडेलहरूमा नयाँ सुविधाहरू प्रयास गर्दै, कारण मापनका लागि उत्पादनमा नयाँ संस्करणहरू प्रयोग गर्दै, र नयाँ विचारहरू आउने बित्तिकै चरणहरू दोहोर्याउँछन्। अवश्य पनि, स्टेशन वैगनले क्रमिक रूपमा फरक कार्यहरू गर्दछ र समानान्तरमा होइन। आखिर, यो केवल एक व्यक्ति हो। यद्यपि, कार्य पूरा गर्न सामान्यतया अर्को विशेष स्रोत पहुँच गर्न आवश्यक समयको एक अंश मात्र लाग्छ। त्यसैले, पुनरावृत्ति समय घट्छ।

हाम्रो जनरलिस्ट एक विशेष कार्य प्रकार्य मा एक विशेषज्ञ को रूप मा कुशल नहुन सक्छ, तर हामी कार्यात्मक पूर्णता वा सानो वृद्धिशील सुधार को लागी प्रयास गर्दैनौं। बरु, हामी क्रमिक प्रभावका साथ अधिक र अधिक व्यावसायिक चुनौतीहरू सिक्न र पत्ता लगाउन प्रयास गर्छौं। पूर्ण समाधानको लागि समग्र सन्दर्भको साथ, उसले अवसरहरू देख्छ जुन एक विशेषज्ञले गुमाउनेछ। उहाँसँग धेरै विचार र धेरै सम्भावनाहरू छन्। ऊ पनि असफल हुन्छ । यद्यपि, असफलताको लागत कम छ र सिक्ने फाइदाहरू उच्च छन्। यो विषमताले द्रुत पुनरावृत्ति र इनाम सिकाइलाई बढावा दिन्छ।

यो नोट गर्न महत्त्वपूर्ण छ कि पूर्ण स्ट्याक वैज्ञानिकहरूलाई प्रदान गरिएको स्वायत्तता र सीप विविधताको मात्रा धेरै हदसम्म डाटा प्लेटफर्मको बलियोतामा निर्भर हुन्छ जसमा काम गर्ने। राम्रोसँग डिजाइन गरिएको डाटा प्लेटफर्मले डाटा वैज्ञानिकहरूलाई कन्टेनराइजेशन, वितरित प्रशोधन, स्वचालित फेलओभर, र अन्य उन्नत कम्प्युटिङ अवधारणाहरूको जटिलताहरूबाट सार दिन्छ। एब्स्ट्र्याक्शनको अतिरिक्त, एक बलियो डाटा प्लेटफर्मले प्रयोगात्मक पूर्वाधारमा सहज जडान प्रदान गर्न सक्छ, स्वचालित निगरानी र सतर्कता, स्वचालित स्केलिंग र एल्गोरिदमिक परिणामहरूको दृश्य र डिबगिङ सक्षम गर्दछ। यी कम्पोनेन्टहरू डाटा प्लेटफर्म इन्जिनियरहरूद्वारा डिजाइन र निर्माण गरिएका हुन्, यसको मतलब तिनीहरू डाटा वैज्ञानिकबाट डाटा प्लेटफर्म विकास टोलीमा हस्तान्तरण गरिएका छैनन्। यो प्लेटफर्म चलाउन प्रयोग गरिने सबै कोडहरूको लागि जिम्मेवार डेटा विज्ञान विशेषज्ञ हो।

म, पनि, एक पटक प्रक्रिया दक्षता प्रयोग गरेर श्रमको कार्यात्मक विभाजनमा रुचि राखेको थिएँ, तर परीक्षण र त्रुटि (त्यहाँ सिक्नको लागि कुनै राम्रो तरिका छैन) मार्फत, मैले पत्ता लगाए कि सामान्य भूमिकाहरूले सिकाइ र नवीनतालाई अझ राम्रो बनाउँछ र सही मेट्रिक्स प्रदान गर्दछ: खोज र विशेष दृष्टिकोण भन्दा धेरै व्यापार अवसरहरू निर्माण। (मैले पार गरेको परीक्षण र त्रुटि भन्दा संगठित गर्ने यस दृष्टिकोणको बारेमा जान्नको लागि अझ प्रभावकारी तरिका भनेको एमी एडमन्डसनको पुस्तक टिम कोलाबोरेसन: हाउ अर्गनाइजेसन लर्न, इनोभेट, एन्ड कम्पिटेट इन नलेज इकोनोमी पढ्नु हो)।

त्यहाँ केही महत्त्वपूर्ण धारणाहरू छन् जुन यो दृष्टिकोणलाई केही कम्पनीहरूमा कम वा कम विश्वसनीय व्यवस्थित गर्न सक्छ। पुनरावृत्ति प्रक्रियाले परीक्षण र त्रुटिको लागत घटाउँछ। यदि त्रुटिको लागत उच्च छ भने, तपाइँ तिनीहरूलाई कम गर्न चाहानुहुन्छ (तर यो चिकित्सा अनुप्रयोगहरू वा निर्माणको लागि सिफारिस गरिएको छैन)। थप रूपमा, यदि तपाइँ डाटाको पेटाबाइट्स वा एक्साबाइटहरूसँग काम गर्दै हुनुहुन्छ भने, डाटा इन्जिनियरिङमा विशेषज्ञता आवश्यक हुन सक्छ। त्यस्तै गरी, यदि अनलाइन व्यापार क्षमताहरू कायम राख्नु र तिनीहरूको उपलब्धता तिनीहरूलाई सुधार गर्नु भन्दा बढी महत्त्वपूर्ण छ भने, कार्यात्मक उत्कृष्टताले सिकाउन सक्छ। अन्तमा, पूर्ण स्ट्याक मोडेल यसको बारेमा जान्ने व्यक्तिहरूको रायमा निर्भर गर्दछ। तिनीहरू युनिकर्न होइनन्; तपाईं तिनीहरूलाई फेला पार्न वा तिनीहरूलाई आफैं तयार गर्न सक्नुहुन्छ। यद्यपि, तिनीहरू उच्च मागमा छन् र तिनीहरूलाई आकर्षित गर्न र कायम राख्न प्रतिस्पर्धात्मक क्षतिपूर्ति, बलियो कर्पोरेट मूल्यहरू र चुनौतीपूर्ण कामको आवश्यकता पर्दछ। निश्चित गर्नुहोस् कि तपाईंको कम्पनी संस्कृतिले यसलाई समर्थन गर्न सक्छ।

सबैले भनेका भए पनि, मलाई विश्वास छ कि पूर्ण स्ट्याक मोडेलले उत्तम सुरूवात अवस्थाहरू प्रदान गर्दछ। तिनीहरूबाट सुरु गर्नुहोस्, र त्यसपछि सचेत रूपमा श्रमको कार्यात्मक विभाजन तर्फ जानुहोस् जब पूर्ण रूपमा आवश्यक हुन्छ।

कार्यात्मक विशेषज्ञताका अन्य बेफाइदाहरू छन्। यसले कार्यकर्ताहरूको तर्फबाट जिम्मेवारी र निष्क्रियता गुमाउन सक्छ। स्मिथ आफैंले श्रम विभाजनको आलोचना गर्छन्, सुझाव दिन्छन् कि यसले प्रतिभाको सुस्तता निम्त्याउँछ, अर्थात्। कामदारहरू अनभिज्ञ हुन्छन् र तिनीहरूको भूमिका केही दोहोरिने कार्यहरूमा सीमित हुनाले पछि हट्छ। जबकि विशेषज्ञताले प्रक्रिया दक्षता प्रदान गर्न सक्छ, यसले कामदारहरूलाई प्रेरित गर्ने सम्भावना कम छ।

बदलामा, बहुमुखी भूमिकाहरूले सबै चीजहरू प्रदान गर्दछ जसले कामको सन्तुष्टि दिन्छ: स्वायत्तता, निपुणता र उद्देश्य। स्वायत्तता भनेको सफलता हासिल गर्न कुनै कुरामा भर पर्दैन। निपुणता बलियो प्रतिस्पर्धात्मक लाभहरूमा निहित छ। र उद्देश्यको भावना उनीहरूले सिर्जना गरेको व्यवसायमा प्रभाव पार्ने अवसरमा निहित हुन्छ। यदि हामीले मानिसहरूलाई उनीहरूको कामको बारेमा उत्साहित बनाउन सक्छौं र कम्पनीमा ठूलो प्रभाव पार्न सक्छौं भने, त्यसपछि अरू सबै ठाउँमा खस्नेछ।

स्रोत: www.habr.com