ਡੇਟਾ ਸਾਇੰਸ ਟੀਮਾਂ ਨੂੰ ਜਨਰਲਿਸਟਾਂ ਦੀ ਲੋੜ ਕਿਉਂ ਹੈ, ਮਾਹਿਰਾਂ ਦੀ ਨਹੀਂ

ਹਿਰੋਸ਼ੀ ਵਾਤਾਨਾਬੇ/ਗੈਟੀ ਚਿੱਤਰ

ਦ ਵੈਲਥ ਆਫ਼ ਨੇਸ਼ਨਜ਼ ਵਿੱਚ, ਐਡਮ ਸਮਿਥ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਕਿਰਤ ਦੀ ਵੰਡ ਵਧੀ ਹੋਈ ਉਤਪਾਦਕਤਾ ਦਾ ਮੁੱਖ ਸਰੋਤ ਬਣ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਉਦਾਹਰਨ ਇੱਕ ਪਿੰਨ ਫੈਕਟਰੀ ਦੀ ਅਸੈਂਬਲੀ ਲਾਈਨ ਹੈ: "ਇੱਕ ਕਰਮਚਾਰੀ ਤਾਰ ਨੂੰ ਖਿੱਚਦਾ ਹੈ, ਦੂਜਾ ਇਸਨੂੰ ਸਿੱਧਾ ਕਰਦਾ ਹੈ, ਤੀਜਾ ਇਸਨੂੰ ਕੱਟਦਾ ਹੈ, ਇੱਕ ਚੌਥਾ ਸਿਰੇ ਨੂੰ ਤਿੱਖਾ ਕਰਦਾ ਹੈ, ਇੱਕ ਪੰਜਵਾਂ ਸਿਰ ਨੂੰ ਫਿੱਟ ਕਰਨ ਲਈ ਦੂਜੇ ਸਿਰੇ ਨੂੰ ਪੀਸਦਾ ਹੈ।" ਵਿਸ਼ੇਸ਼ ਫੰਕਸ਼ਨਾਂ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਮੁਹਾਰਤ ਲਈ ਧੰਨਵਾਦ, ਹਰੇਕ ਕਰਮਚਾਰੀ ਆਪਣੇ ਤੰਗ ਕੰਮ ਵਿੱਚ ਇੱਕ ਉੱਚ ਯੋਗਤਾ ਪ੍ਰਾਪਤ ਮਾਹਰ ਬਣ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਪ੍ਰਕਿਰਿਆ ਦੀ ਕੁਸ਼ਲਤਾ ਵਧਦੀ ਹੈ। ਪ੍ਰਤੀ ਵਰਕਰ ਆਉਟਪੁੱਟ ਕਈ ਗੁਣਾ ਵੱਧ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਫੈਕਟਰੀ ਪਿੰਨ ਪੈਦਾ ਕਰਨ ਵਿੱਚ ਵਧੇਰੇ ਕੁਸ਼ਲ ਬਣ ਜਾਂਦੀ ਹੈ।

ਕਾਰਜਸ਼ੀਲਤਾ ਦੁਆਰਾ ਕਿਰਤ ਦੀ ਇਹ ਵੰਡ ਅੱਜ ਵੀ ਸਾਡੇ ਮਨਾਂ ਵਿੱਚ ਇੰਨੀ ਜੜੀ ਹੋਈ ਹੈ ਕਿ ਅਸੀਂ ਤੇਜ਼ੀ ਨਾਲ ਉਸ ਅਨੁਸਾਰ ਆਪਣੀਆਂ ਟੀਮਾਂ ਨੂੰ ਸੰਗਠਿਤ ਕਰ ਲਿਆ ਹੈ। ਡਾਟਾ ਸਾਇੰਸ ਕੋਈ ਅਪਵਾਦ ਨਹੀਂ ਹੈ। ਗੁੰਝਲਦਾਰ ਐਲਗੋਰਿਦਮਿਕ ਵਪਾਰਕ ਸਮਰੱਥਾਵਾਂ ਲਈ ਕਈ ਕਾਰਜ ਫੰਕਸ਼ਨਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਇਸਲਈ ਕੰਪਨੀਆਂ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਮਾਹਿਰਾਂ ਦੀਆਂ ਟੀਮਾਂ ਬਣਾਉਂਦੀਆਂ ਹਨ: ਖੋਜਕਰਤਾ, ਡਾਟਾ ਇੰਜੀਨੀਅਰ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਇੰਜੀਨੀਅਰ, ਕਾਰਨ-ਅਤੇ-ਪ੍ਰਭਾਵ ਵਿਗਿਆਨੀ, ਅਤੇ ਹੋਰ। ਮਾਹਰਾਂ ਦਾ ਕੰਮ ਉਤਪਾਦ ਪ੍ਰਬੰਧਕ ਦੁਆਰਾ ਫੰਕਸ਼ਨਾਂ ਦੇ ਟ੍ਰਾਂਸਫਰ ਦੇ ਨਾਲ ਇਸ ਤਰੀਕੇ ਨਾਲ ਤਾਲਮੇਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੋ ਇੱਕ ਪਿੰਨ ਫੈਕਟਰੀ ਵਰਗਾ ਹੁੰਦਾ ਹੈ: "ਇੱਕ ਵਿਅਕਤੀ ਡੇਟਾ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਦੂਜਾ ਇਸਨੂੰ ਮਾਡਲ ਬਣਾਉਂਦਾ ਹੈ, ਤੀਜਾ ਇਸਨੂੰ ਚਲਾਉਂਦਾ ਹੈ, ਇੱਕ ਚੌਥਾ ਉਪਾਅ" ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ,

ਹਾਏ, ਸਾਨੂੰ ਉਤਪਾਦਕਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਸਾਡੀਆਂ ਡੇਟਾ ਸਾਇੰਸ ਟੀਮਾਂ ਨੂੰ ਅਨੁਕੂਲ ਨਹੀਂ ਬਣਾਉਣਾ ਚਾਹੀਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਤੁਸੀਂ ਅਜਿਹਾ ਉਦੋਂ ਕਰਦੇ ਹੋ ਜਦੋਂ ਤੁਸੀਂ ਸਮਝਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਕੀ ਪੈਦਾ ਕਰ ਰਹੇ ਹੋ: ਪਿੰਨ ਜਾਂ ਕੁਝ ਹੋਰ, ਅਤੇ ਸਿਰਫ਼ ਕੁਸ਼ਲਤਾ ਵਧਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹੋ। ਅਸੈਂਬਲੀ ਲਾਈਨਾਂ ਦਾ ਉਦੇਸ਼ ਇੱਕ ਕੰਮ ਨੂੰ ਪੂਰਾ ਕਰਨਾ ਹੈ. ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ ਕਿ ਅਸੀਂ ਕੀ ਚਾਹੁੰਦੇ ਹਾਂ - ਪਿੰਨ (ਜਿਵੇਂ ਕਿ ਸਮਿਥ ਦੀ ਉਦਾਹਰਨ ਵਿੱਚ), ਪਰ ਕਿਸੇ ਵੀ ਉਤਪਾਦ ਜਾਂ ਸੇਵਾ ਦਾ ਜ਼ਿਕਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਲੋੜਾਂ ਉਤਪਾਦ ਅਤੇ ਇਸਦੇ ਵਿਵਹਾਰ ਦੇ ਸਾਰੇ ਪਹਿਲੂਆਂ ਦਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵਰਣਨ ਕਰਦੀਆਂ ਹਨ। ਕਰਮਚਾਰੀਆਂ ਦੀ ਭੂਮਿਕਾ ਇਹਨਾਂ ਲੋੜਾਂ ਨੂੰ ਜਿੰਨਾ ਸੰਭਵ ਹੋ ਸਕੇ ਕੁਸ਼ਲਤਾ ਨਾਲ ਪੂਰਾ ਕਰਨਾ ਹੈ।

ਪਰ ਡੇਟਾ ਸਾਇੰਸ ਦਾ ਟੀਚਾ ਕਾਰਜਾਂ ਨੂੰ ਪੂਰਾ ਕਰਨਾ ਨਹੀਂ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ, ਟੀਚਾ ਮਜ਼ਬੂਤ ​​​​ਨਵੇਂ ਕਾਰੋਬਾਰੀ ਮੌਕਿਆਂ ਦੀ ਪੜਚੋਲ ਅਤੇ ਵਿਕਾਸ ਕਰਨਾ ਹੈ. ਐਲਗੋਰਿਦਮਿਕ ਉਤਪਾਦਾਂ ਅਤੇ ਸੇਵਾਵਾਂ ਜਿਵੇਂ ਕਿ ਸਿਫ਼ਾਰਿਸ਼ ਪ੍ਰਣਾਲੀਆਂ, ਗਾਹਕਾਂ ਦੀ ਗੱਲਬਾਤ, ਸ਼ੈਲੀ ਦੀਆਂ ਤਰਜੀਹਾਂ ਦਾ ਵਰਗੀਕਰਨ, ਆਕਾਰ, ਕੱਪੜੇ ਡਿਜ਼ਾਈਨ, ਲੌਜਿਸਟਿਕ ਅਨੁਕੂਲਨ, ਮੌਸਮੀ ਰੁਝਾਨ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ ਪਹਿਲਾਂ ਤੋਂ ਵਿਕਸਤ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਉਹਨਾਂ ਦਾ ਅਧਿਐਨ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ. ਦੁਹਰਾਉਣ ਲਈ ਕੋਈ ਬਲੂਪ੍ਰਿੰਟ ਨਹੀਂ ਹਨ, ਇਹ ਅੰਦਰੂਨੀ ਅਨਿਸ਼ਚਿਤਤਾ ਵਾਲੀਆਂ ਨਵੀਆਂ ਸੰਭਾਵਨਾਵਾਂ ਹਨ। ਗੁਣਾਂਕ, ਮਾਡਲ, ਮਾਡਲ ਕਿਸਮ, ਹਾਈਪਰਪੈਰਾਮੀਟਰ, ਸਾਰੇ ਜ਼ਰੂਰੀ ਤੱਤ ਪ੍ਰਯੋਗ, ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਗਲਤੀ, ਅਤੇ ਦੁਹਰਾਓ ਦੁਆਰਾ ਸਿੱਖੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ। ਪਿੰਨ ਦੇ ਨਾਲ, ਸਿਖਲਾਈ ਅਤੇ ਡਿਜ਼ਾਈਨ ਉਤਪਾਦਨ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਕੀਤੇ ਜਾਂਦੇ ਹਨ. ਡੇਟਾ ਸਾਇੰਸ ਨਾਲ, ਤੁਸੀਂ ਸਿੱਖਦੇ ਹੋ ਜਿਵੇਂ ਤੁਸੀਂ ਕਰਦੇ ਹੋ, ਪਹਿਲਾਂ ਨਹੀਂ।

ਇੱਕ ਪਿੰਨ ਫੈਕਟਰੀ ਵਿੱਚ, ਜਦੋਂ ਸਿਖਲਾਈ ਪਹਿਲਾਂ ਆਉਂਦੀ ਹੈ, ਅਸੀਂ ਨਾ ਤਾਂ ਇਹ ਉਮੀਦ ਕਰਦੇ ਹਾਂ ਅਤੇ ਨਾ ਹੀ ਚਾਹੁੰਦੇ ਹਾਂ ਕਿ ਕਰਮਚਾਰੀ ਉਤਪਾਦਨ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਤੋਂ ਇਲਾਵਾ ਉਤਪਾਦ ਦੀ ਕਿਸੇ ਵਿਸ਼ੇਸ਼ਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ। ਕਾਰਜਾਂ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਬਣਾਉਣਾ ਅਰਥ ਰੱਖਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਪ੍ਰਕਿਰਿਆ ਦੀ ਕੁਸ਼ਲਤਾ ਅਤੇ ਉਤਪਾਦਨ ਦੀ ਇਕਸਾਰਤਾ (ਅੰਤਿਮ ਉਤਪਾਦ ਵਿੱਚ ਬਦਲਾਅ ਕੀਤੇ ਬਿਨਾਂ) ਵੱਲ ਅਗਵਾਈ ਕਰਦਾ ਹੈ।

ਪਰ ਜਦੋਂ ਉਤਪਾਦ ਅਜੇ ਵੀ ਵਿਕਸਤ ਹੋ ਰਿਹਾ ਹੈ ਅਤੇ ਟੀਚਾ ਸਿਖਲਾਈ ਹੈ, ਤਾਂ ਮੁਹਾਰਤ ਹੇਠ ਲਿਖੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਸਾਡੇ ਟੀਚਿਆਂ ਵਿੱਚ ਦਖਲ ਦਿੰਦੀ ਹੈ:

1. ਇਹ ਤਾਲਮੇਲ ਦੀ ਲਾਗਤ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ।

ਭਾਵ, ਉਹ ਖਰਚੇ ਜੋ ਸੰਚਾਰ ਕਰਨ, ਚਰਚਾ ਕਰਨ, ਜਾਇਜ਼ ਠਹਿਰਾਉਣ ਅਤੇ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਕੰਮ ਨੂੰ ਤਰਜੀਹ ਦੇਣ ਵਿੱਚ ਬਿਤਾਏ ਸਮੇਂ ਦੌਰਾਨ ਇਕੱਠੇ ਹੁੰਦੇ ਹਨ। ਇਹ ਲਾਗਤਾਂ ਸ਼ਾਮਲ ਲੋਕਾਂ ਦੀ ਸੰਖਿਆ ਦੇ ਨਾਲ ਸੁਪਰ-ਰੇਖਿਕ ਤੌਰ 'ਤੇ ਸਕੇਲ ਕਰਦੀਆਂ ਹਨ। (ਜਿਵੇਂ ਕਿ ਜੇ. ਰਿਚਰਡ ਹੈਕਮੈਨ ਨੇ ਸਾਨੂੰ ਸਿਖਾਇਆ ਹੈ, ਰਿਸ਼ਤਿਆਂ ਦੀ ਗਿਣਤੀ r ਇਸ ਸਮੀਕਰਨ ਦੇ ਅਨੁਸਾਰ n ਸ਼ਬਦਾਂ ਦੀ ਸੰਖਿਆ ਦੇ ਫੰਕਸ਼ਨ ਵਾਂਗ ਹੀ ਵਧਦੀ ਹੈ: r = (n^2-n)/2। ਅਤੇ ਹਰੇਕ ਰਿਸ਼ਤਾ ਕੁਝ ਮਾਤਰਾ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦਾ ਹੈ। ਲਾਗਤ ਸਬੰਧ।) ਜਦੋਂ ਡੇਟਾ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਫੰਕਸ਼ਨ ਦੁਆਰਾ ਸੰਗਠਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਹਰ ਪੜਾਅ 'ਤੇ, ਹਰ ਤਬਦੀਲੀ, ਹਰ ਹੈਂਡਓਵਰ, ਆਦਿ ਦੇ ਨਾਲ, ਬਹੁਤ ਸਾਰੇ ਮਾਹਰਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜੋ ਤਾਲਮੇਲ ਦੀ ਲਾਗਤ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਅੰਕੜਾ ਮਾਡਲਰ ਜੋ ਨਵੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਡਾਟਾ ਇੰਜਨੀਅਰਾਂ ਨਾਲ ਤਾਲਮੇਲ ਕਰਨਾ ਹੋਵੇਗਾ ਜੋ ਹਰ ਵਾਰ ਡਾਟਾ ਸੈੱਟਾਂ ਵਿੱਚ ਜੋੜਦੇ ਹਨ ਜਦੋਂ ਉਹ ਕੁਝ ਨਵਾਂ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਨ। ਇਸੇ ਤਰ੍ਹਾਂ, ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹਰੇਕ ਨਵੇਂ ਮਾਡਲ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਮਾਡਲ ਡਿਵੈਲਪਰ ਨੂੰ ਇਸ ਨੂੰ ਉਤਪਾਦਨ ਵਿੱਚ ਲਿਆਉਣ ਲਈ ਕਿਸੇ ਨਾਲ ਤਾਲਮੇਲ ਕਰਨ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। ਤਾਲਮੇਲ ਦੀਆਂ ਲਾਗਤਾਂ ਦੁਹਰਾਓ ਲਈ ਇੱਕ ਕੀਮਤ ਦੇ ਤੌਰ ਤੇ ਕੰਮ ਕਰਦੀਆਂ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਵਧੇਰੇ ਮੁਸ਼ਕਲ ਅਤੇ ਮਹਿੰਗੀਆਂ ਬਣਾਉਂਦੀਆਂ ਹਨ ਅਤੇ ਅਧਿਐਨ ਨੂੰ ਛੱਡਣ ਦੀ ਸੰਭਾਵਨਾ ਵੱਧ ਜਾਂਦੀ ਹੈ। ਇਹ ਸਿੱਖਣ ਵਿੱਚ ਵਿਘਨ ਪਾ ਸਕਦਾ ਹੈ।

2. ਇਹ ਉਡੀਕ ਦੇ ਸਮੇਂ ਨੂੰ ਔਖਾ ਬਣਾਉਂਦਾ ਹੈ।

ਤਾਲਮੇਲ ਦੇ ਖਰਚਿਆਂ ਨਾਲੋਂ ਵੀ ਵਧੇਰੇ ਮੁਸ਼ਕਲ ਕੰਮ ਦੀਆਂ ਸ਼ਿਫਟਾਂ ਵਿਚਕਾਰ ਗੁਆਚਿਆ ਸਮਾਂ ਹੈ। ਜਦੋਂ ਕਿ ਤਾਲਮੇਲ ਦੀ ਲਾਗਤ ਆਮ ਤੌਰ 'ਤੇ ਘੰਟਿਆਂ ਵਿੱਚ ਮਾਪੀ ਜਾਂਦੀ ਹੈ - ਮੀਟਿੰਗਾਂ, ਵਿਚਾਰ-ਵਟਾਂਦਰੇ, ਡਿਜ਼ਾਈਨ ਸਮੀਖਿਆਵਾਂ ਕਰਨ ਲਈ ਜੋ ਸਮਾਂ ਲੱਗਦਾ ਹੈ - ਉਡੀਕ ਸਮਾਂ ਆਮ ਤੌਰ 'ਤੇ ਦਿਨਾਂ, ਹਫ਼ਤਿਆਂ ਜਾਂ ਮਹੀਨਿਆਂ ਵਿੱਚ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ! ਕਾਰਜਾਤਮਕ ਮਾਹਿਰਾਂ ਦੇ ਕਾਰਜਕ੍ਰਮ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨਾ ਔਖਾ ਹੈ ਕਿਉਂਕਿ ਹਰੇਕ ਮਾਹਰ ਨੂੰ ਕਈ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਬਦਲਾਵਾਂ 'ਤੇ ਚਰਚਾ ਕਰਨ ਲਈ ਇੱਕ ਘੰਟੇ ਦੀ ਮੀਟਿੰਗ ਵਿੱਚ ਕੰਮ ਦੇ ਪ੍ਰਵਾਹ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਣ ਵਿੱਚ ਹਫ਼ਤੇ ਲੱਗ ਸਕਦੇ ਹਨ। ਅਤੇ ਤਬਦੀਲੀਆਂ 'ਤੇ ਸਹਿਮਤ ਹੋਣ ਤੋਂ ਬਾਅਦ, ਮਾਹਰਾਂ ਦੇ ਕੰਮ ਕਰਨ ਦੇ ਸਮੇਂ 'ਤੇ ਕਬਜ਼ਾ ਕਰਨ ਵਾਲੇ ਕਈ ਹੋਰ ਪ੍ਰੋਜੈਕਟਾਂ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਅਸਲ ਕੰਮ ਦੀ ਖੁਦ ਯੋਜਨਾ ਬਣਾਉਣਾ ਜ਼ਰੂਰੀ ਹੈ. ਕੋਡ ਫਿਕਸ ਜਾਂ ਖੋਜ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਵਾਲਾ ਕੰਮ ਜਿਸ ਨੂੰ ਪੂਰਾ ਹੋਣ ਵਿੱਚ ਸਿਰਫ਼ ਕੁਝ ਘੰਟੇ ਜਾਂ ਦਿਨ ਲੱਗਦੇ ਹਨ, ਸਰੋਤ ਉਪਲਬਧ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਮਾਂ ਲੈ ਸਕਦਾ ਹੈ। ਉਦੋਂ ਤੱਕ, ਦੁਹਰਾਓ ਅਤੇ ਸਿੱਖਣ ਨੂੰ ਮੁਅੱਤਲ ਕਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ।

3. ਇਹ ਸੰਦਰਭ ਨੂੰ ਸੰਕੁਚਿਤ ਕਰਦਾ ਹੈ।

ਕਿਰਤ ਦੀ ਵੰਡ ਲੋਕਾਂ ਨੂੰ ਉਹਨਾਂ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਵਿੱਚ ਬਣੇ ਰਹਿਣ ਲਈ ਇਨਾਮ ਦੇ ਕੇ ਸਿੱਖਣ ਨੂੰ ਨਕਲੀ ਤੌਰ 'ਤੇ ਸੀਮਤ ਕਰ ਸਕਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਖੋਜ ਵਿਗਿਆਨੀ ਜਿਸਨੂੰ ਆਪਣੀ ਕਾਰਜਕੁਸ਼ਲਤਾ ਦੇ ਦਾਇਰੇ ਵਿੱਚ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ, ਆਪਣੀ ਊਰਜਾ ਨੂੰ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਐਲਗੋਰਿਦਮ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰਨ 'ਤੇ ਕੇਂਦਰਿਤ ਕਰੇਗਾ: ਰਿਗਰੈਸ਼ਨ, ਨਿਊਰਲ ਨੈੱਟਵਰਕ, ਬੇਤਰਤੀਬ ਜੰਗਲ, ਅਤੇ ਹੋਰ। ਬੇਸ਼ੱਕ, ਚੰਗੀਆਂ ਐਲਗੋਰਿਦਮ ਚੋਣਾਂ ਵਧੇ ਹੋਏ ਸੁਧਾਰਾਂ ਦੀ ਅਗਵਾਈ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਪਰ ਆਮ ਤੌਰ 'ਤੇ ਹੋਰ ਗਤੀਵਿਧੀਆਂ ਤੋਂ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਹੋਰ ਬਹੁਤ ਕੁਝ ਹੁੰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਨਵੇਂ ਡੇਟਾ ਸਰੋਤਾਂ ਨੂੰ ਜੋੜਨਾ। ਇਸੇ ਤਰ੍ਹਾਂ, ਇਹ ਇੱਕ ਮਾਡਲ ਵਿਕਸਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰੇਗਾ ਜੋ ਡੇਟਾ ਵਿੱਚ ਮੌਜੂਦ ਹਰ ਤਰ੍ਹਾਂ ਦੀ ਵਿਆਖਿਆਤਮਕ ਸ਼ਕਤੀ ਦਾ ਸ਼ੋਸ਼ਣ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਸਦੀ ਤਾਕਤ ਉਦੇਸ਼ ਫੰਕਸ਼ਨ ਨੂੰ ਬਦਲਣ ਜਾਂ ਕੁਝ ਰੁਕਾਵਟਾਂ ਨੂੰ ਢਿੱਲ ਦੇਣ ਵਿੱਚ ਹੋ ਸਕਦੀ ਹੈ। ਜਦੋਂ ਉਸਦਾ ਕੰਮ ਸੀਮਤ ਹੁੰਦਾ ਹੈ ਤਾਂ ਇਹ ਦੇਖਣਾ ਜਾਂ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ। ਕਿਉਂਕਿ ਇੱਕ ਤਕਨੀਕੀ ਵਿਗਿਆਨੀ ਐਲਗੋਰਿਦਮ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਵਿੱਚ ਮੁਹਾਰਤ ਰੱਖਦਾ ਹੈ, ਉਹ ਹੋਰ ਕੁਝ ਕਰਨ ਦੀ ਬਹੁਤ ਘੱਟ ਸੰਭਾਵਨਾ ਰੱਖਦਾ ਹੈ, ਭਾਵੇਂ ਇਹ ਮਹੱਤਵਪੂਰਨ ਲਾਭ ਲਿਆਉਂਦਾ ਹੈ।

ਉਹਨਾਂ ਚਿੰਨ੍ਹਾਂ ਨੂੰ ਨਾਮ ਦੇਣ ਲਈ ਜੋ ਡੇਟਾ ਸਾਇੰਸ ਟੀਮਾਂ ਪਿੰਨ ਫੈਕਟਰੀਆਂ ਦੇ ਤੌਰ ਤੇ ਕੰਮ ਕਰਦੀਆਂ ਹਨ (ਉਦਾਹਰਨ ਲਈ, ਸਧਾਰਨ ਸਥਿਤੀ ਅੱਪਡੇਟ ਵਿੱਚ): "ਡੇਟਾ ਪਾਈਪਲਾਈਨ ਤਬਦੀਲੀਆਂ ਦੀ ਉਡੀਕ" ਅਤੇ "ML Eng ਸਰੋਤਾਂ ਦੀ ਉਡੀਕ" ਆਮ ਬਲੌਕਰ ਹਨ। ਹਾਲਾਂਕਿ, ਮੇਰਾ ਮੰਨਣਾ ਹੈ ਕਿ ਵਧੇਰੇ ਖ਼ਤਰਨਾਕ ਪ੍ਰਭਾਵ ਉਹ ਹੈ ਜੋ ਤੁਸੀਂ ਧਿਆਨ ਨਹੀਂ ਦਿੰਦੇ, ਕਿਉਂਕਿ ਤੁਸੀਂ ਉਸ ਚੀਜ਼ 'ਤੇ ਪਛਤਾਵਾ ਨਹੀਂ ਕਰ ਸਕਦੇ ਜੋ ਤੁਸੀਂ ਪਹਿਲਾਂ ਤੋਂ ਨਹੀਂ ਜਾਣਦੇ ਹੋ। ਨਿਰਵਿਘਨ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਦੀ ਕੁਸ਼ਲਤਾ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਤੋਂ ਪ੍ਰਾਪਤ ਹੋਈ ਢਿੱਲ-ਮੱਠ ਇਸ ਸੱਚਾਈ ਨੂੰ ਢੱਕ ਸਕਦੀ ਹੈ ਕਿ ਸੰਸਥਾਵਾਂ ਸਿੱਖਣ ਦੇ ਲਾਭਾਂ ਤੋਂ ਅਣਜਾਣ ਹਨ ਜਿਨ੍ਹਾਂ ਤੋਂ ਉਹ ਗੁਆ ਰਹੇ ਹਨ।

ਇਸ ਸਮੱਸਿਆ ਦਾ ਹੱਲ, ਬੇਸ਼ੱਕ, ਫੈਕਟਰੀ ਪਿੰਨ ਵਿਧੀ ਤੋਂ ਛੁਟਕਾਰਾ ਪਾਉਣਾ ਹੈ. ਸਿੱਖਣ ਅਤੇ ਦੁਹਰਾਓ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਲਈ, ਡੇਟਾ ਵਿਗਿਆਨੀ ਦੀਆਂ ਭੂਮਿਕਾਵਾਂ ਆਮ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ ਪਰ ਤਕਨੀਕੀ ਕਾਰਜਾਂ ਤੋਂ ਸੁਤੰਤਰ ਵਿਆਪਕ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਦੇ ਨਾਲ, ਅਰਥਾਤ ਡੇਟਾ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਸੰਗਠਿਤ ਕਰੋ ਤਾਂ ਜੋ ਉਹ ਸਿੱਖਣ ਲਈ ਅਨੁਕੂਲਿਤ ਹੋ ਸਕਣ। ਇਸਦਾ ਮਤਲਬ ਹੈ "ਪੂਰੇ ਸਟੈਕ ਮਾਹਿਰਾਂ" ਨੂੰ ਨਿਯੁਕਤ ਕਰਨਾ—ਆਮ ਮਾਹਰ ਜੋ ਸੰਕਲਪ ਤੋਂ ਲੈ ਕੇ ਮਾਡਲਿੰਗ, ਲਾਗੂਕਰਨ ਤੋਂ ਮਾਪ ਤੱਕ, ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਕਾਰਜ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਨੋਟ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਮੈਂ ਇਹ ਸੁਝਾਅ ਨਹੀਂ ਦੇ ਰਿਹਾ ਹਾਂ ਕਿ ਫੁੱਲ-ਸਟੈਕ ਪ੍ਰਤਿਭਾ ਨੂੰ ਭਰਤੀ ਕਰਨ ਨਾਲ ਕਰਮਚਾਰੀਆਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਘਟਾ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਸ ਦੀ ਬਜਾਇ, ਮੈਂ ਬਸ ਇਹ ਮੰਨ ਲਵਾਂਗਾ ਕਿ ਜਦੋਂ ਉਹਨਾਂ ਨੂੰ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਸੰਗਠਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਉਹਨਾਂ ਦੇ ਪ੍ਰੋਤਸਾਹਨ ਸਿੱਖਣ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਲਾਭਾਂ ਨਾਲ ਬਿਹਤਰ ਮੇਲ ਖਾਂਦੇ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਮੰਨ ਲਓ ਕਿ ਤੁਹਾਡੇ ਕੋਲ ਤਿੰਨ ਕਾਰੋਬਾਰੀ ਹੁਨਰਾਂ ਵਾਲੇ ਤਿੰਨ ਲੋਕਾਂ ਦੀ ਟੀਮ ਹੈ। ਇੱਕ ਪਿੰਨ ਫੈਕਟਰੀ ਵਿੱਚ, ਹਰੇਕ ਟੈਕਨੀਸ਼ੀਅਨ ਹਰ ਕੰਮ ਲਈ ਆਪਣੇ ਸਮੇਂ ਦਾ ਤੀਜਾ ਹਿੱਸਾ ਸਮਰਪਿਤ ਕਰੇਗਾ, ਕਿਉਂਕਿ ਕੋਈ ਹੋਰ ਉਸ ਦਾ ਕੰਮ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਇੱਕ ਪੂਰੇ ਸਟੈਕ ਵਿੱਚ, ਹਰੇਕ ਜਨਰਲਿਸਟ ਪੂਰੀ ਵਪਾਰਕ ਪ੍ਰਕਿਰਿਆ, ਸਕੇਲ-ਅੱਪ, ਅਤੇ ਸਿਖਲਾਈ ਲਈ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਮਰਪਿਤ ਹੈ।

ਉਤਪਾਦਨ ਚੱਕਰ ਦਾ ਸਮਰਥਨ ਕਰਨ ਵਾਲੇ ਘੱਟ ਲੋਕਾਂ ਦੇ ਨਾਲ, ਤਾਲਮੇਲ ਘੱਟ ਜਾਂਦਾ ਹੈ। ਜਨਰਲਿਸਟ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਵਿਚਕਾਰ ਤਰਲ ਢੰਗ ਨਾਲ ਅੱਗੇ ਵਧਦਾ ਹੈ, ਹੋਰ ਡੇਟਾ ਜੋੜਨ ਲਈ ਡੇਟਾ ਪਾਈਪਲਾਈਨ ਦਾ ਵਿਸਤਾਰ ਕਰਦਾ ਹੈ, ਮਾਡਲਾਂ ਵਿੱਚ ਨਵੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ, ਕਾਰਕ ਮਾਪਾਂ ਲਈ ਉਤਪਾਦਨ ਵਿੱਚ ਨਵੇਂ ਸੰਸਕਰਣਾਂ ਨੂੰ ਤੈਨਾਤ ਕਰਦਾ ਹੈ, ਅਤੇ ਜਿਵੇਂ ਹੀ ਨਵੇਂ ਵਿਚਾਰ ਆਉਂਦੇ ਹਨ ਕਦਮਾਂ ਨੂੰ ਦੁਹਰਾਉਂਦੇ ਹਨ। ਬੇਸ਼ੱਕ, ਸਟੇਸ਼ਨ ਵੈਗਨ ਕ੍ਰਮਵਾਰ ਵੱਖ-ਵੱਖ ਫੰਕਸ਼ਨ ਕਰਦੀ ਹੈ ਨਾ ਕਿ ਸਮਾਨਾਂਤਰ ਵਿੱਚ। ਆਖ਼ਰਕਾਰ, ਇਹ ਸਿਰਫ਼ ਇੱਕ ਵਿਅਕਤੀ ਹੈ। ਹਾਲਾਂਕਿ, ਕਿਸੇ ਕੰਮ ਨੂੰ ਪੂਰਾ ਕਰਨ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਕਿਸੇ ਹੋਰ ਵਿਸ਼ੇਸ਼ ਸਰੋਤ ਤੱਕ ਪਹੁੰਚਣ ਲਈ ਲੋੜੀਂਦੇ ਸਮੇਂ ਦਾ ਸਿਰਫ ਇੱਕ ਹਿੱਸਾ ਲੱਗਦਾ ਹੈ। ਇਸ ਲਈ, ਦੁਹਰਾਅ ਦਾ ਸਮਾਂ ਘਟਦਾ ਹੈ.

ਸਾਡਾ ਜਨਰਲਿਸਟ ਕਿਸੇ ਖਾਸ ਨੌਕਰੀ ਫੰਕਸ਼ਨ ਵਿੱਚ ਇੱਕ ਮਾਹਰ ਜਿੰਨਾ ਕੁਸ਼ਲ ਨਹੀਂ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਅਸੀਂ ਕਾਰਜਾਤਮਕ ਸੰਪੂਰਨਤਾ ਜਾਂ ਛੋਟੇ ਵਾਧੇ ਵਾਲੇ ਸੁਧਾਰਾਂ ਲਈ ਕੋਸ਼ਿਸ਼ ਨਹੀਂ ਕਰਦੇ ਹਾਂ। ਇਸ ਦੀ ਬਜਾਏ, ਅਸੀਂ ਹੌਲੀ-ਹੌਲੀ ਪ੍ਰਭਾਵ ਨਾਲ ਵੱਧ ਤੋਂ ਵੱਧ ਪੇਸ਼ੇਵਰ ਚੁਣੌਤੀਆਂ ਨੂੰ ਸਿੱਖਣ ਅਤੇ ਖੋਜਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ। ਇੱਕ ਸੰਪੂਰਨ ਹੱਲ ਲਈ ਇੱਕ ਸੰਪੂਰਨ ਸੰਦਰਭ ਦੇ ਨਾਲ, ਉਹ ਅਜਿਹੇ ਮੌਕਿਆਂ ਨੂੰ ਦੇਖਦਾ ਹੈ ਜੋ ਇੱਕ ਮਾਹਰ ਗੁਆ ਦੇਵੇਗਾ। ਉਸ ਕੋਲ ਹੋਰ ਵਿਚਾਰ ਅਤੇ ਹੋਰ ਸੰਭਾਵਨਾਵਾਂ ਹਨ। ਉਹ ਵੀ ਫੇਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਅਸਫਲਤਾ ਦੀ ਕੀਮਤ ਘੱਟ ਹੈ ਅਤੇ ਸਿੱਖਣ ਦੇ ਲਾਭ ਵਧੇਰੇ ਹਨ. ਇਹ ਅਸਮਾਨਤਾ ਤੇਜ਼ੀ ਨਾਲ ਦੁਹਰਾਓ ਅਤੇ ਸਿੱਖਣ ਨੂੰ ਇਨਾਮ ਦਿੰਦੀ ਹੈ।

ਇਹ ਨੋਟ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਪੂਰੇ ਸਟੈਕ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਖੁਦਮੁਖਤਿਆਰੀ ਅਤੇ ਹੁਨਰ ਵਿਭਿੰਨਤਾ ਦੀ ਮਾਤਰਾ ਜ਼ਿਆਦਾਤਰ ਡਾਟਾ ਪਲੇਟਫਾਰਮ ਦੀ ਮਜ਼ਬੂਤੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ ਜਿਸ 'ਤੇ ਕੰਮ ਕਰਨਾ ਹੈ। ਇੱਕ ਚੰਗੀ ਤਰ੍ਹਾਂ ਡਿਜ਼ਾਇਨ ਕੀਤਾ ਡਾਟਾ ਪਲੇਟਫਾਰਮ ਕੰਟੇਨਰਾਈਜ਼ੇਸ਼ਨ, ਡਿਸਟ੍ਰੀਬਿਊਟਿਡ ਪ੍ਰੋਸੈਸਿੰਗ, ਆਟੋਮੈਟਿਕ ਫੇਲਓਵਰ, ਅਤੇ ਹੋਰ ਉੱਨਤ ਕੰਪਿਊਟਿੰਗ ਸੰਕਲਪਾਂ ਦੀਆਂ ਜਟਿਲਤਾਵਾਂ ਤੋਂ ਡਾਟਾ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਐਬਸਟਰੈਕਟ ਕਰਦਾ ਹੈ। ਐਬਸਟਰੈਕਸ਼ਨ ਤੋਂ ਇਲਾਵਾ, ਇੱਕ ਮਜਬੂਤ ਡੇਟਾ ਪਲੇਟਫਾਰਮ ਪ੍ਰਯੋਗਾਤਮਕ ਬੁਨਿਆਦੀ ਢਾਂਚੇ, ਆਟੋਮੈਟਿਕ ਨਿਗਰਾਨੀ ਅਤੇ ਚੇਤਾਵਨੀ, ਆਟੋਮੈਟਿਕ ਸਕੇਲਿੰਗ ਅਤੇ ਐਲਗੋਰਿਦਮਿਕ ਨਤੀਜਿਆਂ ਅਤੇ ਡੀਬੱਗਿੰਗ ਦੀ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਸਮਰੱਥ ਬਣਾ ਸਕਦਾ ਹੈ। ਇਹ ਭਾਗ ਡੇਟਾ ਪਲੇਟਫਾਰਮ ਇੰਜਨੀਅਰਾਂ ਦੁਆਰਾ ਡਿਜ਼ਾਈਨ ਕੀਤੇ ਅਤੇ ਬਣਾਏ ਗਏ ਹਨ, ਭਾਵ ਇਹ ਡੇਟਾ ਸਾਇੰਟਿਸਟ ਤੋਂ ਡੇਟਾ ਪਲੇਟਫਾਰਮ ਡਿਵੈਲਪਮੈਂਟ ਟੀਮ ਨੂੰ ਨਹੀਂ ਦਿੱਤੇ ਗਏ ਹਨ। ਇਹ ਡੇਟਾ ਸਾਇੰਸ ਮਾਹਰ ਹੈ ਜੋ ਪਲੇਟਫਾਰਮ ਨੂੰ ਚਲਾਉਣ ਲਈ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਸਾਰੇ ਕੋਡ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੈ।

ਮੈਂ ਵੀ, ਇੱਕ ਵਾਰ ਪ੍ਰਕਿਰਿਆ ਕੁਸ਼ਲਤਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਕਿਰਤ ਦੀ ਕਾਰਜਸ਼ੀਲ ਵੰਡ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਦਾ ਸੀ, ਪਰ ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਗਲਤੀ (ਸਿੱਖਣ ਦਾ ਕੋਈ ਵਧੀਆ ਤਰੀਕਾ ਨਹੀਂ ਹੈ) ਦੁਆਰਾ, ਮੈਂ ਖੋਜਿਆ ਕਿ ਆਮ ਭੂਮਿਕਾਵਾਂ ਸਿੱਖਣ ਅਤੇ ਨਵੀਨਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਂਦੀਆਂ ਹਨ ਅਤੇ ਸਹੀ ਮਾਪਦੰਡ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ: ਖੋਜ ਅਤੇ ਵਿਸ਼ੇਸ਼ ਪਹੁੰਚ ਨਾਲੋਂ ਬਹੁਤ ਸਾਰੇ ਹੋਰ ਕਾਰੋਬਾਰੀ ਮੌਕੇ ਬਣਾਉਣਾ. (ਜਿਸ ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਤਰੁੱਟੀ ਵਿੱਚੋਂ ਮੈਂ ਲੰਘਿਆ ਸੀ, ਉਸ ਨਾਲੋਂ ਸੰਗਠਿਤ ਕਰਨ ਲਈ ਇਸ ਪਹੁੰਚ ਬਾਰੇ ਸਿੱਖਣ ਦਾ ਇੱਕ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕਾ ਹੈ ਐਮੀ ਐਡਮੰਡਸਨ ਦੀ ਕਿਤਾਬ ਟੀਮ ਸਹਿਯੋਗ: ਗਿਆਨ ਦੀ ਆਰਥਿਕਤਾ ਵਿੱਚ ਕਿਵੇਂ ਸੰਸਥਾਵਾਂ ਸਿੱਖਣ, ਨਵੀਨਤਾ ਅਤੇ ਮੁਕਾਬਲਾ ਕਰਦੀਆਂ ਹਨ ਨੂੰ ਪੜ੍ਹਨਾ)।

ਕੁਝ ਮਹੱਤਵਪੂਰਨ ਧਾਰਨਾਵਾਂ ਹਨ ਜੋ ਕੁਝ ਕੰਪਨੀਆਂ ਵਿੱਚ ਵੱਧ ਜਾਂ ਘੱਟ ਭਰੋਸੇਮੰਦ ਸੰਗਠਿਤ ਕਰਨ ਲਈ ਇਸ ਪਹੁੰਚ ਨੂੰ ਬਣਾ ਸਕਦੀਆਂ ਹਨ। ਦੁਹਰਾਓ ਪ੍ਰਕਿਰਿਆ ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਗਲਤੀ ਦੀ ਲਾਗਤ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ. ਜੇਕਰ ਗਲਤੀ ਦੀ ਕੀਮਤ ਜ਼ਿਆਦਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਘਟਾਉਣਾ ਚਾਹ ਸਕਦੇ ਹੋ (ਪਰ ਮੈਡੀਕਲ ਐਪਲੀਕੇਸ਼ਨਾਂ ਜਾਂ ਨਿਰਮਾਣ ਲਈ ਇਸਦੀ ਸਿਫ਼ਾਰਸ਼ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ)। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਜੇਕਰ ਤੁਸੀਂ ਪੈਟਾਬਾਈਟਸ ਜਾਂ ਐਕਸਾਬਾਈਟ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਡੇਟਾ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਮੁਹਾਰਤ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ। ਇਸੇ ਤਰ੍ਹਾਂ, ਜੇਕਰ ਔਨਲਾਈਨ ਕਾਰੋਬਾਰੀ ਸਮਰੱਥਾਵਾਂ ਅਤੇ ਉਹਨਾਂ ਦੀ ਉਪਲਬਧਤਾ ਨੂੰ ਕਾਇਮ ਰੱਖਣਾ ਉਹਨਾਂ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਨਾਲੋਂ ਵਧੇਰੇ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਤਾਂ ਕਾਰਜਾਤਮਕ ਉੱਤਮਤਾ ਸਿੱਖਣ ਨੂੰ ਰੋਕ ਸਕਦੀ ਹੈ। ਅੰਤ ਵਿੱਚ, ਪੂਰਾ ਸਟੈਕ ਮਾਡਲ ਉਹਨਾਂ ਲੋਕਾਂ ਦੇ ਵਿਚਾਰਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਜੋ ਇਸ ਬਾਰੇ ਜਾਣਦੇ ਹਨ। ਉਹ ਯੂਨੀਕੋਰਨ ਨਹੀਂ ਹਨ; ਤੁਸੀਂ ਉਹਨਾਂ ਨੂੰ ਲੱਭ ਸਕਦੇ ਹੋ ਜਾਂ ਉਹਨਾਂ ਨੂੰ ਆਪਣੇ ਆਪ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹੋ। ਹਾਲਾਂਕਿ, ਉਹ ਉੱਚ ਮੰਗ ਵਿੱਚ ਹਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਆਕਰਸ਼ਿਤ ਕਰਨ ਅਤੇ ਬਰਕਰਾਰ ਰੱਖਣ ਲਈ ਪ੍ਰਤੀਯੋਗੀ ਮੁਆਵਜ਼ੇ, ਮਜ਼ਬੂਤ ​​ਕਾਰਪੋਰੇਟ ਮੁੱਲਾਂ ਅਤੇ ਚੁਣੌਤੀਪੂਰਨ ਕੰਮ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡੀ ਕੰਪਨੀ ਦਾ ਸੱਭਿਆਚਾਰ ਇਸਦਾ ਸਮਰਥਨ ਕਰ ਸਕਦਾ ਹੈ.

ਇੱਥੋਂ ਤੱਕ ਕਿ ਉਸ ਸਭ ਕੁਝ ਦੇ ਨਾਲ, ਮੇਰਾ ਮੰਨਣਾ ਹੈ ਕਿ ਪੂਰਾ ਸਟੈਕ ਮਾਡਲ ਸਭ ਤੋਂ ਵਧੀਆ ਸ਼ੁਰੂਆਤੀ ਸਥਿਤੀਆਂ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਉਹਨਾਂ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ, ਅਤੇ ਫਿਰ ਸੁਚੇਤ ਤੌਰ 'ਤੇ ਕਿਰਤ ਦੀ ਇੱਕ ਕਾਰਜਸ਼ੀਲ ਵੰਡ ਵੱਲ ਵਧੋ ਜਦੋਂ ਬਿਲਕੁਲ ਜ਼ਰੂਰੀ ਹੋਵੇ।

ਕਾਰਜਾਤਮਕ ਮੁਹਾਰਤ ਦੇ ਹੋਰ ਨੁਕਸਾਨ ਹਨ। ਇਸ ਨਾਲ ਵਰਕਰਾਂ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਅਤੇ ਪੈਸਵਿਟੀ ਦਾ ਨੁਕਸਾਨ ਹੋ ਸਕਦਾ ਹੈ। ਸਮਿਥ ਖੁਦ ਕਿਰਤ ਦੀ ਵੰਡ ਦੀ ਆਲੋਚਨਾ ਕਰਦਾ ਹੈ, ਇਹ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਇਹ ਪ੍ਰਤਿਭਾ ਨੂੰ ਘੱਟ ਕਰਨ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ, ਯਾਨੀ. ਵਰਕਰ ਅਣਜਾਣ ਹੋ ਜਾਂਦੇ ਹਨ ਅਤੇ ਵਾਪਸ ਲੈ ਲਏ ਜਾਂਦੇ ਹਨ ਕਿਉਂਕਿ ਉਹਨਾਂ ਦੀਆਂ ਭੂਮਿਕਾਵਾਂ ਕੁਝ ਦੁਹਰਾਉਣ ਵਾਲੇ ਕੰਮਾਂ ਤੱਕ ਸੀਮਿਤ ਹੁੰਦੀਆਂ ਹਨ। ਹਾਲਾਂਕਿ ਮੁਹਾਰਤ ਪ੍ਰਕਿਰਿਆ ਦੀ ਕੁਸ਼ਲਤਾ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੀ ਹੈ, ਇਹ ਕਰਮਚਾਰੀਆਂ ਨੂੰ ਪ੍ਰੇਰਿਤ ਕਰਨ ਦੀ ਘੱਟ ਸੰਭਾਵਨਾ ਹੈ।

ਬਦਲੇ ਵਿੱਚ, ਬਹੁਮੁਖੀ ਭੂਮਿਕਾਵਾਂ ਉਹ ਸਾਰੀਆਂ ਚੀਜ਼ਾਂ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ ਜੋ ਨੌਕਰੀ ਦੀ ਸੰਤੁਸ਼ਟੀ ਨੂੰ ਵਧਾਉਂਦੀਆਂ ਹਨ: ਖੁਦਮੁਖਤਿਆਰੀ, ਮੁਹਾਰਤ ਅਤੇ ਉਦੇਸ਼। ਖੁਦਮੁਖਤਿਆਰੀ ਇਹ ਹੈ ਕਿ ਉਹ ਸਫਲਤਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕਿਸੇ ਵੀ ਚੀਜ਼ 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦੇ ਹਨ. ਮੁਹਾਰਤ ਮਜ਼ਬੂਤ ​​ਪ੍ਰਤੀਯੋਗੀ ਫਾਇਦਿਆਂ ਵਿੱਚ ਹੈ। ਅਤੇ ਉਦੇਸ਼ ਦੀ ਭਾਵਨਾ ਉਹਨਾਂ ਦੁਆਰਾ ਬਣਾਏ ਗਏ ਕਾਰੋਬਾਰ 'ਤੇ ਪ੍ਰਭਾਵ ਪਾਉਣ ਦੇ ਮੌਕੇ ਵਿੱਚ ਹੈ। ਜੇਕਰ ਅਸੀਂ ਲੋਕਾਂ ਨੂੰ ਉਨ੍ਹਾਂ ਦੇ ਕੰਮ ਬਾਰੇ ਉਤਸ਼ਾਹਿਤ ਕਰ ਸਕਦੇ ਹਾਂ ਅਤੇ ਕੰਪਨੀ 'ਤੇ ਵੱਡਾ ਪ੍ਰਭਾਵ ਪਾ ਸਕਦੇ ਹਾਂ, ਤਾਂ ਬਾਕੀ ਸਭ ਕੁਝ ਠੀਕ ਹੋ ਜਾਵੇਗਾ।

ਸਰੋਤ: www.habr.com