<\/a><\/noindex>Mas o objetivo da Data Science n\u00e3o \u00e9 simplesmente executar tarefas. O verdadeiro objetivo \u00e9 explorar e desenvolver novas e poderosas oportunidades de neg\u00f3cios. Produtos e servi\u00e7os algoritmos, como sistemas de recomenda\u00e7\u00e3o, intera\u00e7\u00e3o com clientes, classifica\u00e7\u00e3o de prefer\u00eancias de estilo, escolha de tamanhos, design de roupas, otimiza\u00e7\u00e3o log\u00edstica, detec\u00e7\u00e3o de tend\u00eancias sazonais e muito mais n\u00e3o podem ser pr\u00e9-desenhados. Eles precisam ser estudados. N\u00e3o existem projetos para a reprodu\u00e7\u00e3o; s\u00e3o novas oportunidades com sua ineg\u00e1vel incerteza. Coeficientes, modelos, tipos de modelos, hiperpar\u00e2metros, todos os elementos necess\u00e1rios devem ser explorados por meio de experimentos, tentativas e erros, assim como repeti\u00e7\u00f5es. Com a pin\u00e7a, o aprendizado e o design s\u00e3o realizados anteriormente \u00e0 sua produ\u00e7\u00e3o. Com a Data Science, voc\u00ea aprende durante o processo, e n\u00e3o antes dele.<\/p>\n
Na f\u00e1brica de grampos, quando o aprendizado \u00e9 priorit\u00e1rio, n\u00e3o esperamos e n\u00e3o desejamos que os trabalhadores improvisem em nenhuma propriedade do produto, exceto para aumentar a efici\u00eancia da produ\u00e7\u00e3o. A especializa\u00e7\u00e3o de tarefas faz sentido, pois leva a efici\u00eancia dos processos e \u00e0 consist\u00eancia da produ\u00e7\u00e3o (sem altera\u00e7\u00f5es no produto final).<\/p>\n
Mas quando o produto ainda est\u00e1 em desenvolvimento e o objetivo \u00e9 o aprendizado, a especializa\u00e7\u00e3o pode prejudicar nossos objetivos nas seguintes situa\u00e7\u00f5es:<\/p>\n
1. Aumenta os custos de coordena\u00e7\u00e3o. <\/b><\/p>\n
Ou seja, os custos que se acumulam ao longo do tempo gasto em comunica\u00e7\u00e3o, discuss\u00e3o, justificativa e defini\u00e7\u00e3o de prioridades do trabalho que precisa ser realizado. Esses custos escalam de forma superlinear com o n\u00famero de pessoas envolvidas. (Como nos ensinou J. Richard Hackman, o n\u00famero de rela\u00e7\u00f5es r cresce como a fun\u00e7\u00e3o do n\u00famero de membros n de acordo com esta equa\u00e7\u00e3o: r = (n ^ 2-n) \/ 2. E cada rela\u00e7\u00e3o revela uma certa quantidade de rela\u00e7\u00e3o de custos). Quando os especialistas em an\u00e1lise de dados est\u00e3o organizados por fun\u00e7\u00f5es, em cada etapa, com cada mudan\u00e7a, cada transfer\u00eancia de servi\u00e7o, etc., s\u00e3o necess\u00e1rios muitos especialistas, o que aumenta os custos de coordena\u00e7\u00e3o. Por exemplo, os especialistas em modelagem estat\u00edstica que desejam experimentar novas fun\u00e7\u00f5es devem coordenar suas a\u00e7\u00f5es com os engenheiros de processamento de dados, que complementam os conjuntos de dados sempre que desejam tentar algo novo. Da mesma forma, cada novo modelo treinado significa que o desenvolvedor do modelo precisar\u00e1 de algu\u00e9m com quem coordenar suas a\u00e7\u00f5es para coloc\u00e1-lo em opera\u00e7\u00e3o. Os custos de coordena\u00e7\u00e3o atuam como uma taxa pela itera\u00e7\u00e3o, tornando-os mais dif\u00edceis e dispendiosos e com maior probabilidade de levar \u00e0 desist\u00eancia da pesquisa. Isso pode dificultar o aprendizado.<\/p>\n
2. Isso complica o tempo de espera. <\/b><\/p>\n
Ainda mais preocupante do que os custos de coordena\u00e7\u00e3o \u00e9 o tempo perdido entre os turnos de trabalho. Enquanto os custos de coordena\u00e7\u00e3o geralmente s\u00e3o medidos em horas \u2014 o tempo necess\u00e1rio para realizar reuni\u00f5es, discuss\u00f5es, revis\u00f5es de projeto \u2014 o tempo de espera geralmente \u00e9 medido em dias, semanas ou at\u00e9 meses! A sincroniza\u00e7\u00e3o das agendas dos especialistas funcional \u00e9 dif\u00edcil, pois cada especialista deve ser alocado em v\u00e1rios projetos. Uma reuni\u00e3o de uma hora para discutir mudan\u00e7as pode levar v\u00e1rias semanas para alinhar o fluxo de trabalho. E ap\u00f3s a aprova\u00e7\u00e3o das mudan\u00e7as, \u00e9 necess\u00e1rio programar o pr\u00f3prio trabalho real no contexto de muitos outros projetos, ocupando o tempo de trabalho dos especialistas. O trabalho relacionado \u00e0 corre\u00e7\u00e3o de c\u00f3digo ou pesquisas, que poderia ser conclu\u00eddo em apenas algumas horas ou dias, pode levar muito mais tempo at\u00e9 que os recursos estejam dispon\u00edveis. At\u00e9 l\u00e1, a itera\u00e7\u00e3o e o aprendizado ficam suspensos.<\/p>\n
3. Isso restringe o contexto.<\/b><\/p>\n
A divis\u00e3o do trabalho pode artificialmente limitar o aprendizado, recompensando as pessoas por permanecerem em sua especializa\u00e7\u00e3o. Por exemplo, um pesquisador que deve permanecer dentro de sua funcionalidade concentrar\u00e1 sua energia em experimentos com diferentes tipos de algoritmos: regress\u00e3o, redes neurais, random forest e assim por diante. Sem d\u00favida, uma boa escolha de algoritmo pode levar a melhorias graduais, mas, em geral, muito mais pode ser obtido de outras atividades, como a integra\u00e7\u00e3o de novas fontes de dados. Da mesma forma, isso ajudar\u00e1 a desenvolver um modelo que utilize cada bit de capacidade explicativa inerente aos dados. No entanto, seu ponto forte pode residir em alterar a fun\u00e7\u00e3o objetiva ou relaxar certas restri\u00e7\u00f5es. \u00c9 dif\u00edcil ver ou fazer isso quando seu trabalho \u00e9 limitado. Como o pesquisador especialista se especializa na otimiza\u00e7\u00e3o de algoritmos, \u00e9 muito menos prov\u00e1vel que ele se envolva em algo mais, mesmo que isso traga benef\u00edcios significativos.<\/p>\n
Vamos destacar os sinais que aparecem quando as equipes de data science funcionam como f\u00e1bricas de alfinetes (por exemplo, em atualiza\u00e7\u00f5es de status simples): \"esperando por mudan\u00e7as no pipeline de dados\" e \"aguardando recursos de ML Eng\", que s\u00e3o bloqueadores comuns. No entanto, acredito que o impacto mais perigoso est\u00e1 no que voc\u00ea n\u00e3o percebe, porque n\u00e3o pode lamentar o que ainda n\u00e3o conhece. A execu\u00e7\u00e3o impec\u00e1vel de requisitos e a auto-satisfa\u00e7\u00e3o, alcan\u00e7adas ao otimizar processos, podem esconder a verdade de que as organiza\u00e7\u00f5es n\u00e3o est\u00e3o cientes dos benef\u00edcios do aprendizado que est\u00e3o perdendo.<\/p>\n
A solu\u00e7\u00e3o para esse problema est\u00e1, sem d\u00favida, em se livrar do m\u00e9todo de f\u00e1brica de alfinetes. Para estimular o aprendizado e a itera\u00e7\u00e3o, os pap\u00e9is de data science devem ser gerais, mas com amplas responsabilidades, n\u00e3o dependentes da fun\u00e7\u00e3o t\u00e9cnica, ou seja, organize os especialistas em dados de forma que sejam otimizados para o aprendizado. Isso significa que \u00e9 necess\u00e1rio contratar \"especialistas de pilha completa\" \u2014 profissionais gerais que podem desempenhar diversas fun\u00e7\u00f5es: da concep\u00e7\u00e3o \u00e0 modelagem, da implementa\u00e7\u00e3o \u00e0 mensura\u00e7\u00e3o. \u00c9 importante notar que n\u00e3o estou sugerindo que, ao contratar especialistas de pilha completa, o n\u00famero de funcion\u00e1rios deve diminuir. Provavelmente, estou apenas assumindo que, quando eles s\u00e3o organizados de maneira diferente, seus incentivos se alinham melhor com os benef\u00edcios do aprendizado e da efic\u00e1cia. Por exemplo, voc\u00ea tem uma equipe de tr\u00eas pessoas, cada uma com tr\u00eas qualidades empresariais. Em uma f\u00e1brica de alfinetes, cada especialista dedicar\u00e1 um ter\u00e7o do tempo a cada tarefa profissional, pois ningu\u00e9m mais poder\u00e1 realizar seu trabalho. Em uma pilha completa, cada funcion\u00e1rio vers\u00e1til \u00e9 totalmente dedicado a todo o processo de neg\u00f3cios, escalando o trabalho e aprendendo.<\/p>\n
Com menos pessoas apoiando o ciclo produtivo, a coordena\u00e7\u00e3o diminui. O generalista navega suavemente entre fun\u00e7\u00f5es, expandindo o fluxo de dados para adicionar mais volume, testando novas funcionalidades em modelos, lan\u00e7ando novas vers\u00f5es em produ\u00e7\u00e3o para medi\u00e7\u00f5es causais e repetindo os passos t\u00e3o r\u00e1pido quanto novas ideias surgem. Claro, o generalista desempenha diferentes fun\u00e7\u00f5es de forma sequencial, e n\u00e3o paralela. Afinal, \u00e9 apenas uma pessoa. No entanto, a execu\u00e7\u00e3o da tarefa geralmente ocupa apenas uma pequena parte do tempo necess\u00e1rio para acessar outro recurso especializado. Assim, o tempo de itera\u00e7\u00e3o diminui.<\/p>\n
Nosso generalista pode n\u00e3o ser t\u00e3o habilidoso quanto um especialista em uma fun\u00e7\u00e3o de trabalho espec\u00edfica, mas n\u00e3o buscamos a perfei\u00e7\u00e3o funcional ou pequenas melhorias incrementais. Em vez disso, buscamos explorar e descobrir novas tarefas profissionais com um impacto gradual. Com um contexto hol\u00edstico para uma solu\u00e7\u00e3o completa, ele v\u00ea oportunidades que um especialista estreito deixaria passar. Ele tem mais ideias e mais possibilidades. Ele tamb\u00e9m falha. No entanto, o custo do fracasso \u00e9 baixo, enquanto os benef\u00edcios do aprendizado s\u00e3o altos. Essa assimetria favorece itera\u00e7\u00f5es r\u00e1pidas e recompensa o aprendizado.<\/p>\n
\u00c9 importante notar que a extens\u00e3o da autonomia e a diversidade de habilidades oferecidas por um cientista que trabalha com stacks completos dependem significativamente da confiabilidade da plataforma de dados em que se pode trabalhar. Uma plataforma de dados bem projetada abstrai os cientistas de dados das complexities da containeriza\u00e7\u00e3o, processamento distribu\u00eddo, escalonamento autom\u00e1tico para outros recursos e outras conceitos avan\u00e7ados de computa\u00e7\u00e3o. Al\u00e9m da abstra\u00e7\u00e3o, uma plataforma de dados robusta pode proporcionar uma conex\u00e3o sem emendas com a infraestrutura experimental, automatizar monitoramento e sistema de alertas, oferecer escalonamento autom\u00e1tico e visualiza\u00e7\u00e3o de resultados algor\u00edtmicos e debugging. Esses componentes s\u00e3o projetados e desenvolvidos pelos engenheiros da plataforma de dados, ou seja, as fun\u00e7\u00f5es de um especialista em Data Science n\u00e3o s\u00e3o transferidas para a equipe de desenvolvimento da plataforma de dados. \u00c9 o especialista em Data Science que \u00e9 respons\u00e1vel por todo o c\u00f3digo utilizado para executar a plataforma.<\/p>\n
Eu tamb\u00e9m me interessei um dia pela divis\u00e3o funcional do trabalho utilizando a efici\u00eancia dos processos, mas atrav\u00e9s de tentativa e erro (n\u00e3o h\u00e1 melhor maneira de aprender), descobri que os pap\u00e9is t\u00edpicos favorecem melhor o aprendizado e a inova\u00e7\u00e3o, e fornecem m\u00e9tricas corretas: a descoberta e constru\u00e7\u00e3o de um n\u00famero muito maior de oportunidades de neg\u00f3cios do que uma abordagem especializada. (Uma maneira mais eficaz de aprender sobre essa abordagem de organiza\u00e7\u00e3o do que o m\u00e9todo de tentativa e erro pelo qual passei \u00e9 ler o livro de Amy Edmondson, \"Trabalho em equipe: como as organiza\u00e7\u00f5es aprendem, inovam e competem na economia do conhecimento\").<\/p>\n
Existem algumas suposi\u00e7\u00f5es importantes que podem tornar essa abordagem organizacional mais ou menos confi\u00e1vel em algumas empresas. O processo de itera\u00e7\u00e3o reduz o custo de tentativas e erros. Se o custo de um erro \u00e9 alto, voc\u00ea pode desejar minimiz\u00e1-los (mas isso n\u00e3o \u00e9 recomendado para aplica\u00e7\u00f5es m\u00e9dicas ou de fabrica\u00e7\u00e3o). Al\u00e9m disso, se voc\u00ea est\u00e1 lidando com petabytes ou exabytes de dados, pode precisar de especializa\u00e7\u00e3o em design de dados. Da mesma forma, se a manuten\u00e7\u00e3o das capacidades de neg\u00f3cios online e sua disponibilidade s\u00e3o mais importantes do que seu aprimoramento, a excel\u00eancia funcional pode superar o aprendizado. Por fim, o modelo de pilha completa depende da opini\u00e3o de especialistas. Eles n\u00e3o s\u00e3o unic\u00f3rnios; podem ser encontrados ou treinados internamente. No entanto, eles s\u00e3o muito procurados e, para atra\u00ed-los e ret\u00ea-los na empresa, ser\u00e1 necess\u00e1ria uma compensa\u00e7\u00e3o financeira competitiva, valores corporativos sustent\u00e1veis e trabalho interessante. Certifique-se de que a cultura corporativa da sua empresa pode oferecer essas condi\u00e7\u00f5es.<\/p>\n
Mesmo considerando tudo isso, acredito que o modelo de pilha completa oferece as melhores condi\u00e7\u00f5es para come\u00e7ar. Comece por eles e depois avance de forma consciente para a divis\u00e3o funcional do trabalho apenas quando isso for realmente necess\u00e1rio.<\/p>\n
Existem tamb\u00e9m outras desvantagens da especializa\u00e7\u00e3o funcional. Isso pode levar \u00e0 perda de responsabilidade e \u00e0 passividade por parte dos trabalhadores. O pr\u00f3prio Smith critica a divis\u00e3o do trabalho, sugerindo que ela resulta em um apassivamento do talento, ou seja, os trabalhadores se tornam ignorantes e isolados, j\u00e1 que seus pap\u00e9is se limitam a algumas tarefas repetitivas. Embora a especializa\u00e7\u00e3o possa garantir efici\u00eancia no processo, ela raramente inspira os trabalhadores.<\/p>\n
Por sua vez, pap\u00e9is universais garantem tudo o que estimula a satisfa\u00e7\u00e3o no trabalho: autonomia, maestria e sentido de prop\u00f3sito. A autonomia se refere \u00e0 independ\u00eancia na busca pelo sucesso. A maestria se traduz em vantagens competitivas significativas. E o sentido de prop\u00f3sito est\u00e1 na capacidade de influenciar o neg\u00f3cio que est\u00e3o criando. Se conseguirmos fazer com que as pessoas se entusiasmem com seu trabalho e tenham um grande impacto na empresa, tudo o mais se ajustar\u00e1.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
![\"Por](\"\/wp-content\/uploads\/2019\/05\/19d1e32e5d57abd463376af240cfa42e.jpg\")