<\/a><\/noindex>Jednak celem Data Science nie jest wykonywanie zada\u0144. Raczej celem jest badanie i rozwijanie nowych silnych mo\u017cliwo\u015bci biznesowych. Produkty i us\u0142ugi algorytmiczne, takie jak systemy rekomendacji, interakcje z klientami, klasyfikacja preferencji w stylu, dob\u00f3r rozmiar\u00f3w, designu odzie\u017cy, optymalizacja logistyki, wykrywanie sezonowych trend\u00f3w i wiele innych, nie mog\u0105 by\u0107 opracowane z g\u00f3ry. Musz\u0105 by\u0107 badane. Nie ma \u017cadnych szkic\u00f3w do reprodukcji, to nowe mo\u017cliwo\u015bci z wrodzon\u0105 im niepewno\u015bci\u0105. Wsp\u00f3\u0142czynniki, modele, typy modeli, hiperparametry, wszystkie niezb\u0119dne elementy musz\u0105 by\u0107 badane poprzez eksperymenty, pr\u00f3by i b\u0142\u0119dy oraz iteracje. W przypadku szpilek, uczenie i projektowanie odbywa si\u0119 z g\u00f3ry, przed ich produkcj\u0105. W Data Science uczysz si\u0119 w trakcie procesu, a nie przed nim.<\/p>\n
W fabryce szpilek, gdzie uczenie si\u0119 jest na pierwszym miejscu, nie czekamy i nie chcemy, aby pracownicy improwizowali przy jakiejkolwiek cechie produktu, z wyj\u0105tkiem podnoszenia efektywno\u015bci produkcji. Specjalizacja zada\u0144 ma sens, poniewa\u017c prowadzi do efektywno\u015bci proces\u00f3w i sp\u00f3jno\u015bci produkcji (bez wprowadzania zmian w finalnym produkcie).<\/p>\n
Jednak gdy produkt wci\u0105\u017c si\u0119 rozwija, a celem jest nauka, specjalizacja przeszkadza naszym celom w nast\u0119puj\u0105cych przypadkach:<\/p>\n
1. Zwi\u0119ksza to koszty koordynacji. <\/b><\/p>\n
Oznacza to koszty zwi\u0105zane z czasem po\u015bwi\u0119conym na komunikacj\u0119, dyskusje, uzasadnianie oraz okre\u015blanie priorytet\u00f3w zada\u0144, kt\u00f3re trzeba wykona\u0107. Te koszty rosn\u0105 nieliniowo wraz z liczb\u0105 zaanga\u017cowanych os\u00f3b. (Jak uczy\u0142 nas J. Richard Hackman, liczba relacji r ro\u015bnie w spos\u00f3b analogiczny do funkcji liczby cz\u0142onk\u00f3w n zgodnie z tym r\u00f3wnaniem: r = (n ^ 2-n) \/ 2. I ka\u017cda relacja ujawnia pewn\u0105 ilo\u015b\u0107 wsp\u00f3\u0142zale\u017cno\u015bci koszt\u00f3w). Kiedy specjali\u015bci ds. analizy danych s\u0105 zorganizowani wed\u0142ug funkcji, na ka\u017cdym etapie, przy ka\u017cdej zmianie, ka\u017cdym przekazaniu us\u0142ug, itd. Wymagana jest du\u017ca liczba specjalist\u00f3w, co zwi\u0119ksza koszty koordynacji. Na przyk\u0142ad, specjali\u015bci od modelowania statystycznego, kt\u00f3rzy chc\u0105 eksperymentowa\u0107 z nowymi funkcjami, musz\u0105 koordynowa\u0107 swoje dzia\u0142ania z in\u017cynierami przetwarzania danych, kt\u00f3rzy uzupe\u0142niaj\u0105 zbiory danych za ka\u017cdym razem, kiedy chc\u0105 spr\u00f3bowa\u0107 czego\u015b nowego. Podobnie, ka\u017cdy nowy wytrenowany model oznacza, \u017ce programista modelu potrzebuje kogo\u015b, z kim m\u00f3g\u0142by skoordynowa\u0107 swoje dzia\u0142ania w celu wdro\u017cenia go w produkcji. Koszty koordynacji dzia\u0142aj\u0105 jako op\u0142ata za iteracj\u0119, co czyni je bardziej skomplikowanymi i kosztownymi, a tak\u017ce zwi\u0119ksza prawdopodobie\u0144stwo rezygnacji z eksploracji. To mo\u017ce utrudni\u0107 proces uczenia si\u0119.<\/p>\n
2. Utrudnia to czas oczekiwania. <\/b><\/p>\n
Jeszcze bardziej niepokoj\u0105ce ni\u017c koszty koordynacji jest czas stracony pomi\u0119dzy zmianami roboczymi. Podczas gdy koszty koordynacji zazwyczaj mierzy si\u0119 w godzinach \u2014 czyli czasie potrzebnym na przeprowadzenie spotka\u0144, dyskusji, przegl\u0105d\u00f3w projekt\u00f3w \u2014 czas oczekiwania zwykle mierzy si\u0119 w dniach, tygodniach, a nawet miesi\u0105cach! Harmonogramy specjalist\u00f3w funkcjonalnych s\u0105 trudne do zgrania, poniewa\u017c ka\u017cdy specjalista musi by\u0107 zaanga\u017cowany w kilka projekt\u00f3w. Jednogodzinne spotkanie dotycz\u0105ce zmian mo\u017ce zaj\u0105\u0107 kilka tygodni, aby dostosowa\u0107 przebieg pracy. A po zatwierdzeniu zmian nale\u017cy zaplanowa\u0107 sam\u0105 faktyczn\u0105 prac\u0119 w kontek\u015bcie wielu innych projekt\u00f3w zajmuj\u0105cych czas roboczy specjalist\u00f3w. Prace zwi\u0105zane z napraw\u0105 kodu lub badaniami, kt\u00f3re w teorii mo\u017cna zako\u0144czy\u0107 w kilka godzin lub dni, mog\u0105 zaj\u0105\u0107 znacznie wi\u0119cej czasu, zanim zasoby b\u0119d\u0105 dost\u0119pne. Do tego czasu iteracja i uczenie si\u0119 s\u0105 wstrzymane.<\/p>\n
3. Ogranicza to kontekst.<\/b><\/p>\n
Podzia\u0142 pracy mo\u017ce sztucznie ograniczy\u0107 uczenie si\u0119, nagradzaj\u0105c ludzi za to, \u017ce pozostaj\u0105 w swojej specjalizacji. Na przyk\u0142ad naukowiec-badacz, kt\u00f3ry musi pozosta\u0107 w ramach swojej funkcjonalno\u015bci, skupi swoj\u0105 energi\u0119 na eksperymentach z r\u00f3\u017cnymi typami algorytm\u00f3w: regresj\u0105, sieciami neuronowymi, random forest itd. Oczywi\u015bcie dob\u00f3r algorytmu mo\u017ce prowadzi\u0107 do stopniowych ulepsze\u0144, ale generalnie znacznie wi\u0119cej mo\u017cna zyska\u0107 na innych rodzajach dzia\u0142alno\u015bci, takich jak integracja nowych \u017ar\u00f3de\u0142 danych. Podobnie pomo\u017ce to opracowa\u0107 model, kt\u00f3ry wykorzystuje ka\u017cd\u0105 bit\u0119 zdolno\u015bci wyja\u015bniaj\u0105cej zawartej w danych. Niemniej jednak jej mocn\u0105 stron\u0105 mo\u017ce by\u0107 zmiana funkcji celu lub os\u0142abienie pewnych ogranicze\u0144. Trudno to dostrzec lub zrobi\u0107, gdy jej praca jest ograniczona. Poniewa\u017c naukowiec-specjalista specjalizuje si\u0119 w optymalizacji algorytm\u00f3w, ma znacznie mniej szans na zaanga\u017cowanie si\u0119 w cokolwiek innego, nawet je\u015bli przynosi to znacz\u0105ce korzy\u015bci.<\/p>\n
Nazwijmy cechy, kt\u00f3re pojawiaj\u0105 si\u0119, gdy zespo\u0142y zajmuj\u0105ce si\u0119 danymi dzia\u0142aj\u0105 jak fabryki szpilek (na przyk\u0142ad w prostych aktualizacjach statusu): \u201eoczekiwanie na zmiany w potoku danych\u201d i \u201eoczekiwanie na zasoby ML Eng\u201d, kt\u00f3re s\u0105 powszechnymi blokadami. Niemniej jednak uwa\u017cam, \u017ce bardziej niebezpieczny wp\u0142yw tkwi w tym, czego nie dostrzegasz, poniewa\u017c nie mo\u017cesz \u017ca\u0142owa\u0107 czego\u015b, o czym jeszcze nie wiesz. Nienaganna realizacja wymaga\u0144 i samozadowolenie, osi\u0105gni\u0119te w wyniku zwi\u0119kszenia efektywno\u015bci proces\u00f3w, mog\u0105 ukrywa\u0107 prawd\u0119 o tym, \u017ce organizacje nie znaj\u0105 korzy\u015bci p\u0142yn\u0105cych z nauki, kt\u00f3re przeoczaj\u0105.<\/p>\n
Rozwi\u0105zaniem tego problemu jest oczywi\u015bcie pozbycie si\u0119 metody fabryki szpilek. Aby stymulowa\u0107 nauk\u0119 i iteracj\u0119, role w dziedzinie danych powinny by\u0107 wsp\u00f3lne, ale z szerokimi obowi\u0105zkami, niezale\u017cnymi od funkcji technicznych, to znaczy nale\u017cy zorganizowa\u0107 specjalist\u00f3w w dziedzinie danych w taki spos\u00f3b, aby byli zoptymalizowani pod k\u0105tem nauki. Oznacza to, \u017ce nale\u017cy zatrudni\u0107 \u201especjalist\u00f3w pe\u0142nostackowych\u201d \u2014 uniwersalnych specjalist\u00f3w, kt\u00f3rzy mog\u0105 pe\u0142ni\u0107 r\u00f3\u017cne funkcje: od koncepcji po modelowanie, od realizacji po pomiar. Wa\u017cne jest, aby podkre\u015bli\u0107, \u017ce nie zak\u0142adam, i\u017c przy zatrudnianiu specjalist\u00f3w pe\u0142nostackowych liczba pracownik\u00f3w powinna male\u0107. Raczej sugeruj\u0119, \u017ce kiedy s\u0105 zorganizowani inaczej, ich motywacje lepiej pasuj\u0105 do korzy\u015bci p\u0142yn\u0105cych z nauki i efektywno\u015bci. Na przyk\u0142ad masz zesp\u00f3\u0142 sk\u0142adaj\u0105cy si\u0119 z trzech os\u00f3b, posiadaj\u0105cych trzy cechy biznesowe. W fabryce szpilek ka\u017cdy specjalista po\u015bwi\u0119ca\u0142by jedn\u0105 trzeci\u0105 czasu ka\u017cdemu zadaniu zawodowemu, poniewa\u017c nikt inny nie m\u00f3g\u0142by wykona\u0107 jego pracy. W pe\u0142nym stosie ka\u017cdy wszechstronny pracownik jest ca\u0142kowicie po\u015bwi\u0119cony ca\u0142emu procesowi biznesowemu, zwi\u0119kszaniu skali pracy i nauce.<\/p>\n
Mniejsza liczba os\u00f3b wspieraj\u0105cych cykl produkcyjny prowadzi do mniejszej koordynacji. Uniwersalno\u015b\u0107 p\u0142ynnie przemieszcza si\u0119 mi\u0119dzy funkcjami, rozszerzaj\u0105c \u0142a\u0144cuch danych w celu dodania wi\u0119kszej ilo\u015bci informacji, wypr\u00f3bowuj\u0105c nowe funkcje w modelach, wdra\u017caj\u0105c nowe wersje w produkcji dla przyczynowych pomiar\u00f3w i powtarzaj\u0105c kroki tak szybko, jak tylko pojawiaj\u0105 si\u0119 nowe pomys\u0142y. Oczywi\u015bcie, uniwersalno\u015b\u0107 wykonuje r\u00f3\u017cne funkcje sekwencyjnie, a nie r\u00f3wnolegle. W ko\u0144cu to tylko jedna osoba. Jednak wykonanie zadania zazwyczaj zajmuje tylko niewielk\u0105 cz\u0119\u015b\u0107 czasu potrzebnego do uzyskania dost\u0119pu do innego wyspecjalizowanego zasobu. W zwi\u0105zku z tym czas iteracji si\u0119 skraca.<\/p>\n
Nasz uniwersalno\u015b\u0107 mo\u017ce nie by\u0107 tak bieg\u0142a jak specjalista w okre\u015blonej funkcji, ale nie d\u0105\u017cymy do doskona\u0142o\u015bci funkcjonalnej ani do niewielkich, stopniowych ulepsze\u0144. Raczej d\u0105\u017cymy do odkrywania nowych zada\u0144 zawodowych z stopniowym wp\u0142ywem. Maj\u0105c ca\u0142o\u015bciowy kontekst do pe\u0142nego rozwi\u0105zania, widzi mo\u017cliwo\u015bci, kt\u00f3re umkn\u0105\u0142by w\u0105skiemu specjali\u015bcie. Ma wi\u0119cej pomys\u0142\u00f3w i wi\u0119cej mo\u017cliwo\u015bci. On tak\u017ce do\u015bwiadcza pora\u017cek. Mimo to koszt pora\u017cki jest niski, a korzy\u015bci z nauki s\u0105 wysokie. Ta asymetria sprzyja szybkim iteracjom i nagradza uczenie si\u0119.<\/p>\n
Warto zauwa\u017cy\u0107, \u017ce zakres autonomii i r\u00f3\u017cnorodno\u015bci umiej\u0119tno\u015bci oferowanych przez naukowc\u00f3w pracuj\u0105cych z pe\u0142nymi stakami w du\u017cej mierze zale\u017cy od niezawodno\u015bci platformy danych, na kt\u00f3rej mog\u0105 pracowa\u0107. Dobrze zaprojektowana platforma danych abstrahuje naukowc\u00f3w zajmuj\u0105cych si\u0119 przetwarzaniem danych od z\u0142o\u017cono\u015bci konteneryzacji, rozproszonego przetwarzania, automatycznego przechodzenia na inny zas\u00f3b i innych zaawansowanych koncepcji komputerowych. Opr\u00f3cz abstrakcji, niezawodna platforma danych mo\u017ce zapewni\u0107 bezproblemowe po\u0142\u0105czenie z infrastruktur\u0105 eksperymentaln\u0105, zautomatyzowa\u0107 monitorowanie i system powiadamiania, zapewni\u0107 automatyczne skalowanie oraz wizualizacj\u0119 wynik\u00f3w algorytmicznych i debugowania. Te komponenty s\u0105 projektowane i tworzone przez in\u017cynier\u00f3w platformy danych, tzn. nie s\u0105 przekazywane zespo\u0142owi deweloper\u00f3w platformy danych przez specjalist\u0119 ds. Data Science. To w\u0142a\u015bnie specjalista ds. Data Science odpowiada za ca\u0142y kod u\u017cywany do uruchomienia platformy.<\/p>\n
R\u00f3wnie\u017c kiedy\u015b interesowa\u0142em si\u0119 podzia\u0142em funkcjonalnym pracy przy u\u017cyciu efektywno\u015bci proces\u00f3w, ale metod\u0105 pr\u00f3b i b\u0142\u0119d\u00f3w (nie ma lepszego sposobu nauki) odkry\u0142em, \u017ce typowe role lepiej sprzyjaj\u0105 nauce i innowacjom oraz dostarczaj\u0105 w\u0142a\u015bciwych wska\u017anik\u00f3w: odkrywanie i budowanie znacznie wi\u0119kszej liczby mo\u017cliwo\u015bci biznesowych ni\u017c podej\u015bcie specjalistyczne. (Bardziej efektywnym sposobem poznania tego podej\u015bcia do organizacji, ni\u017c metoda pr\u00f3b i b\u0142\u0119d\u00f3w, przez kt\u00f3r\u0105 przeszed\u0142em, jest przeczytanie ksi\u0105\u017cki Amy Edmondson \u201eInterakcje w zespole: jak organizacje ucz\u0105 si\u0119, tworz\u0105 innowacje i konkuruj\u0105 w gospodarce wiedzy\u201d).<\/p>\n
Istniej\u0105 pewne wa\u017cne za\u0142o\u017cenia, kt\u00f3re mog\u0105 sprawi\u0107, \u017ce takie podej\u015bcie do organizacji b\u0119dzie bardziej lub mniej niezawodne w niekt\u00f3rych firmach. Proces iteracji obni\u017ca koszty pr\u00f3b i b\u0142\u0119d\u00f3w. Je\u015bli koszt b\u0142\u0119du jest wysoki, warto rozwa\u017cy\u0107 jego redukcj\u0119 (cho\u0107 nie jest to zalecane w przypadku aplikacji medycznych lub produkcji). Ponadto, je\u015bli masz do czynienia z petabajtami lub eksabajtami danych, mo\u017ce by\u0107 konieczna specjalizacja w zakresie projektowania danych. Podobnie, je\u015bli utrzymanie mo\u017cliwo\u015bci biznesowych w sieci i ich dost\u0119pno\u015b\u0107 s\u0105 wa\u017cniejsze ni\u017c ich doskonalenie, przewaga funkcjonalna mo\u017ce przewy\u017cszy\u0107 uczenie si\u0119. Wreszcie, model pe\u0142nego stosu opiera si\u0119 na opinii os\u00f3b, kt\u00f3re si\u0119 na tym znaj\u0105. Nie s\u0105 to jednoro\u017cce; mo\u017cna ich znale\u017a\u0107 lub wykszta\u0142ci\u0107 samodzielnie. Jednak ich zapotrzebowanie jest wysokie, a przyci\u0105gni\u0119cie i zatrzymanie ich w firmie wymaga konkurencyjnego wynagrodzenia, trwa\u0142ych warto\u015bci korporacyjnych oraz interesuj\u0105cej pracy. Upewnij si\u0119, \u017ce twoja kultura korporacyjna mo\u017ce zapewni\u0107 takie warunki.<\/p>\n
Nawet bior\u0105c pod uwag\u0119 to wszystko, uwa\u017cam, \u017ce model pe\u0142nego stosu zapewnia najlepsze warunki do rozpocz\u0119cia. Zacznij od nich, a nast\u0119pnie \u015bwiadomie d\u0105\u017c do funkcjonalnego podzia\u0142u pracy tylko wtedy, gdy zajdzie taka potrzeba.<\/p>\n
Istniej\u0105 te\u017c inne wady specjalizacji funkcjonalnej. Mo\u017ce to prowadzi\u0107 do utraty odpowiedzialno\u015bci i bierno\u015bci ze strony pracownik\u00f3w. Sam Smith krytykuje podzia\u0142 pracy, sugeruj\u0105c, \u017ce prowadzi on do st\u0119pienia talentu, to znaczy pracownicy staj\u0105 si\u0119 nie\u015bwiadomi i zamkni\u0119ci, poniewa\u017c ich role ograniczaj\u0105 si\u0119 do kilku powtarzaj\u0105cych si\u0119 zada\u0144. Chocia\u017c specjalizacja mo\u017ce zapewnia\u0107 efektywno\u015b\u0107 procesu, rzadziej inspiruje pracownik\u00f3w.<\/p>\n
Uniwersalne role zapewniaj\u0105 wszystko, co stymuluje satysfakcj\u0119 z pracy: autonomi\u0119, mistrzostwo i ukierunkowanie na cel. Autonomia polega na tym, \u017ce nie s\u0105 uzale\u017cnione od niczego w osi\u0105ganiu sukcesu. Mistrzostwo to silne konkurencyjne przewagi. A ukierunkowanie na cel \u2014 mo\u017cliwo\u015b\u0107 wp\u0142ywania na biznes, kt\u00f3ry tworz\u0105. Je\u015bli uda nam si\u0119 zainspirowa\u0107 ludzi do zaanga\u017cowania w swoj\u0105 prac\u0119 i wywarcia du\u017cego wp\u0142ywu na firm\u0119, wszystko inne znajdzie swoje miejsce.habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"HIROSHI WATANABE\/GETTY IMAGES \u0412 \u043a\u043d\u0438\u0433\u0435 \u00ab\u0411\u043e\u0433\u0430\u0442\u0441\u0442\u0432\u043e \u043d\u0430\u0440\u043e\u0434\u043e\u0432\u00bb \u0410\u0434\u0430\u043c \u0421\u043c\u0438\u0442 \u043f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442, \u043a\u0430\u043a \u0440\u0430\u0437\u0434\u0435\u043b\u0435\u043d\u0438\u0435 \u0442\u0440\u0443\u0434\u0430 \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u0433\u043b\u0430\u0432\u043d\u044b\u043c \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u043e\u043c \u043f\u043e\u0432\u044b\u0448\u0435\u043d\u0438\u044f \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u0438. \u041f\u0440\u0438\u043c\u0435\u0440\u043e\u043c \u0432\u044b\u0441\u0442\u0443\u043f\u0430\u0435\u0442 \u043b\u0438\u043d\u0438\u044f \u0441\u0431\u043e\u0440\u043a\u0438 \u0437\u0430\u0432\u043e\u0434\u0430 \u043f\u043e \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0441\u0442\u0432\u0443 \u0431\u0443\u043b\u0430\u0432\u043e\u043a: \u00ab\u041e\u0434\u0438\u043d \u0440\u0430\u0431\u043e\u0447\u0438\u0439 \u0442\u044f\u043d\u0435\u0442 \u043f\u0440\u043e\u0432\u043e\u043b\u043e\u043a\u0443, \u0434\u0440\u0443\u0433\u043e\u0439 \u0432\u044b\u043f\u0440\u044f\u043c\u043b\u044f\u0435\u0442 \u0435\u0451, \u0442\u0440\u0435\u0442\u0438\u0439 \u043e\u0431\u0440\u0435\u0437\u0430\u0435\u0442, \u0447\u0435\u0442\u0432\u0435\u0440\u0442\u044b\u0439 \u0437\u0430\u043e\u0441\u0442\u0440\u044f\u0435\u0442 \u043a\u043e\u043d\u0435\u0446, \u043f\u044f\u0442\u044b\u0439 \u043e\u0431\u0442\u0430\u0447\u0438\u0432\u0430\u0435\u0442 \u0434\u0440\u0443\u0433\u043e\u0439 \u043a\u043e\u043d\u0435\u0446 \u0434\u043b\u044f \u043d\u0430\u0441\u0430\u0436\u0438\u0432\u0430\u043d\u0438\u044f \u0433\u043e\u043b\u043e\u0432\u043a\u0438\u00bb. \u0411\u043b\u0430\u0433\u043e\u0434\u0430\u0440\u044f \u0441\u043f\u0435\u0446\u0438\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u0438, \u043e\u0440\u0438\u0435\u043d\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0439 \u043d\u0430 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u043d\u044b\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438, \u043a\u0430\u0436\u0434\u044b\u0439 \u0440\u0430\u0431\u043e\u0442\u043d\u0438\u043a \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u0432\u044b\u0441\u043e\u043a\u043e\u043a\u0432\u0430\u043b\u0438\u0444\u0438\u0446\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u043c […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":24671,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-32907","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t
![\"Dlaczego](\"\/wp-content\/uploads\/2019\/05\/19d1e32e5d57abd463376af240cfa42e.jpg\")