HIROSHI WATANABE/GETTY IMAGES
Në librin «Pasuria e kombeve», Adam Smith tregon se si ndarja e punës bëhet burimi kryesor i rritjes së produktivitetit. Një shembull është linja e montimit në një fabrikë prodhimi të thikave: «Një punëtor tërheq telin, tjetri e shtrëngon atë, i treti e pret, i katërti e thekon përfundimin, i pesti e modelon skajin tjetër për ta vendosur sipër.» Falë specializimit të orientuar drejt funksioneve të caktuara, çdo punëtor bëhet një specialist i kualifikuar në detyrën e tij të ngushtë, e cila çon në rritjen e efikasitetit të procesit. Prodhimi për çdo punëtor rritet shumëfish, dhe fabrika bëhet më efikase në prodhimin e thikave.
Kjo ndarje e punës sipas funksionalitetit është aq e thelluar në mendjet tona sot, saqë ne shpejt organizojmë ekipet tona përkatësisht. Data Science nuk është një përjashtim. Mundësitë komplekse algoritmike të biznesit kërkojnë shumë funksione pune, prandaj kompanitë zakonisht krijojnë grupe specialistësh: kërkues, inxhinierë të analizës së të dhënave, inxhinierë të mësimit të makinave, shkencëtarë që merren me marrëdhëniet shkak-pasojë, dhe kështu me radhë. Puna e specialistëve koordinohet nga menaxheri i produktit me kalimin e funksioneve në një mënyrë që i ngjan fabrikës së thikave: «një njeri merr të dhënat, tjetri i modelon ato, i treti i realizon ato, i katërti i mat» dhe kështu me radhë.
Fatkeqësisht, ne nuk duhet ta optimizojmë ekipet tona Data Science për të rritur produktivitetin. Megjithatë, ju e bëni këtë kur kuptoni se çfarë po prodhoni: thika apo diçka tjetër, dhe thjesht përpiqeni të rrisni efikasitetin. Qëllimi i linjave të montimit është të përfundojnë detyrën. Ne e dimë saktësisht se çfarë duam – ato janë thikat (si në shembullin e Smithit), por mund të përmendim çdo produkt ose shërbim në të cilin kërkesat përshkruajnë plotësisht të gjitha aspektet e produktit dhe sjelljen e tij. Roli i punonjësve është të përmbushin këto kërkesa sa më efikashtu që është e mundur.
Por megjithatë, qëllimi i Data Science nuk është për të kryer detyra. Më tepër, qëllimi është për të studiuar dhe zhvilluar mundësi të reja të forta për biznesin. Produktet dhe shërbimet algoritmike, të tilla si sistemet e rekomandimit, ndërveprimi me klientët, klasifikimi i preferencave në stil, përshtatja e dimensioneve, dizajni i veshjeve, optimizimi i logjistikës, identifikimi i tendencave sezonale dhe shumë më tepër nuk mund të zhvillohen paraprakisht. Ato duhet të studiohen. Nuk ka asnjë skicë për riprodhim, këto janë mundësi të reja me pasigurinë e tyre të natyrshme. Koeficientët, modelet, llojet e modeleve, hiperparametrat, të gjithë elementët e nevojshëm duhet të studiohen përmes eksperimenteve, provave dhe gabimeve si dhe përsëritjes. Në fabrikën e qëndisteve, trajnimi dhe dizajni kryhen paraprakisht, përpara prodhimit të tyre. Me Data Science, ju mësoni gjatë procesit, jo para tij.
Në fabrikën e qëndisteve, kur trajnimi është në krye të listës, ne nuk presim dhe nuk duam që punonjësit të improvizojnë ndonjë aspekt të produktit, përveç rritjes së efikasitetit të prodhimit. Specializimi i detyrave ka kuptim, sepse çon në efikasitetin e proceseve dhe qëndrueshmërinë e prodhimit (pa bërë ndryshime në produktin përfundimtar).
Por kur produkte ende po zhvillohen dhe qëllimi është mësimi, specializimi shqetëson qëllimet tona në rastet e mëposhtme:
1. Kjo rrit kostot e koordinimit.
Pra negative costs that accumulate over time spent on communication, discussion, justification, and prioritizing the work that needs to be done. These costs scale non-linearly with the number of people involved. (As taught by J. Richard Hackman, the number of relationships r grows similarly to the function of the number of members n according to this equation: r = (n ^ 2-n) / 2. And each relationship reveals some amount of cost relation). When data analysis specialists are organized by functions, at every stage, with every change, every handoff, etc., many specialists are required, which increases coordination costs. For example, statistical modeling specialists who want to experiment with new features will need to coordinate their actions with data processing engineers who update the datasets every time they want to try something new. Similarly, each newly trained model means that the model developer will need someone to coordinate their actions to deploy it. Coordination costs act as a fee for iteration, making them more challenging and costly and increasing the likelihood of abandoning exploration. This can hinder learning.
2. This complicates waiting time.
Më shqetësuese se kostot e koordinimit është koha e humbur midis turneve të punës. Ndërsa kostot e koordinimit zakonisht matën në orë: koha që nevojitet për mbledhje, diskutime, rishikime projektesh — koha e pritjes zakonisht matet në ditë, javë ose madje muaj! Oraret e specialistëve janë të vështira për t'u përputhur, pasi çdo specialist duhet të ndahen në disa projekte. Një takim njëorësh për diskutimin e ndryshimeve mund të zgjasë disa javë për të përputhur rrjedhën e punës. Dhe pas miratimit të ndryshimeve, duhet të planifikohet edhe puna e vërtetë në kontekstin e shumë projekteve të tjera që e zënë kohën e punës të specialistëve. Puna që lidhet me rregullimin e kodit ose kërkimin, për të cilat nevojiten vetëm disa orë ose ditë për t'u përfunduar, mund të zgjasë shumë më tepër përpara se resurset të jenë të disponueshme. Deri atëherë, iterimi dhe mësimi janë të shkurtra.
3. Kjo ngushton kontekstin.
Ndarja e punës mund të kufizojë në mënyrë artificiale mësimin, duke i shpërblyer njerëzit për qëndrim në specializimin e tyre. Për shembull, një shkencëtar hulumtues që duhet të qëndrojë brenda funksionalitetit të tij, do të përqendrojë energjinë e tij në eksperimente me lloje të ndryshme algoritmesh: regresion, rrjete neurale, pyllin rastësishëm dhe kështu me radhë. Sigurisht, zgjedhja e mirë e algoritmit mund të çojë në përmirësime graduale, por në përgjithësi, shumë më tepër mund të nxirret nga aktivitete të tjera, si integrimi i burimeve të reja të të dhënave. Po ashtu, kjo do të ndihmojë në zhvillimin e një modeli që përdor çdo copë shpjeguese që i është e natyrshme të dhënave. Megjithatë, pika e saj e fortë mund të jetë në ndryshimin e funksionit të synuar ose lehtësimin e disa kufizimeve. Kjo është e vështirë për t'u parë ose realizuar kur puna e saj është e kufizuar. Ndërsa shkencëtari-specialist është i specializuar në optimizimin e algoritmeve, ai ka shumë më pak mundësi të merret me diçka tjetër, edhe pse kjo sjell dobi të konsiderueshme.
Le të përmendim shenjat që shfaqen kur ekipet e shkencës së të dhënave punojnë si fabrikat e gozhdave (për shembull, në përditësime të thjeshta të statusit): "pritja e ndryshimeve në kanalin e të dhënave" dhe "pritja e burimeve të ML Eng", që janë bllokues të zakonshëm. Megjithatë, mendoj se ndikimi më i rrezikshëm qëndron në atë që nuk vëreni, sepse nuk mund të pendoheni për atë që nuk e dini. Ekzekutimi i përsosur i kërkesave dhe vetëkënaqësia të arritura si rezultat i arritjes së efikasitetit të proceseve, mund të fshehin të vërtetën në lidhje me faktin që organizatat nuk janë të njohura me përfitimet e mësimit që po humbasin.
Zgjidhja e këtij problemi, sigurisht, është eliminimi i metodës së fabrikës së gozhdave. Për të stimuluar mësimin dhe iterimin, rolet e shkencës së të dhënave duhet të jenë të përgjithshme, por me përgjegjësi të gjerë, që nuk varen nga funksioni teknik, dmth organizoni specialistët e të dhënave në mënyrë që të jenë të optimizuar për mësim. Kjo do të thotë se është e nevojshme të punësohen "specialistë të plotë" — ekspertë të përgjithshëm që mund të kryejnë funksione të ndryshme: nga konceptimi deri te modelimi, nga zbatimi deri te matja. Është e rëndësishme të theksohet se nuk sugjeroj se kur punësohen specialistët e plotë, numri i punonjësve duhet të reduktohet. Është më e mundshme që thjesht t'ju sugjeroj se kur ata organizohen ndryshe, stimulimet e tyre lidhen më mirë me përfitimet e mësimit dhe efikasitetit. Për shembull, keni një ekip prej tre personash, të cilët kanë tre cilësi biznesi. Në fabrikën e gozhdave, çdo specialist do të përkushtonte një të tretën e kohës në çdo detyrë profesionale, pasi askush tjetër nuk mund të kryejë punën e tij. Në të gjithë stakun, çdo punonjës univers nuk është plotësisht i përkushtuar ndaj të gjithë procesit biznesor, zgjerimit të punës dhe mësimit.
Me pak më pak njerëz që mbështesin ciklin e prodhimit, koordinimi zvogëlohet. Universali kalon me lehtësi ndërmjet funksioneve, duke zgjeruar kanalin e të dhënave për të shtuar më shumë volum të dhënash, duke provuar funksione të reja në modele, duke zbatuar versione të reja në prodhim për matje shkakësore, dhe përsërit këto hapa aq shpejt sa arrijnë ide të reja. Sigurisht, universali kryen funksione të ndryshme në mënyrë nën rend. Në fund të fundit, kjo është thjesht një person. Megjithatë, kryerja e detyrës zakonisht zë vetëm një pjesë të vogël të kohës që nevojitet për të aksesuar një burim tjetër të specializuar. Prandaj, koha e iterrimit zvogëlohet.
Universali ynë ndoshta nuk është kaq i aftë sa një specialist në një funksion të caktuar pune, por ne nuk synojmë perfeeksionin funksional ose përmirësime të vogla graduale. Përkundrazi, ne synojmë të eksplorojmë dhe zbulojmë detyra profesionale gjithnjë e më shumë me një ndikim gradual. Me një kontekst të plotë për një zgjidhje të plotë, ai sheh mundësi që specialisti i ngushtë do t'i humbiste. Ai ka më shumë ide dhe më shumë mundësi. Ai përballon dështime gjithashtu. Megjithatë, kostoja e dështimit është e vogël, ndërsa përfitimet e të mësuarit janë të larta. Kjo asimetri kontribuon në iterrim të shpejtë dhe shpërblen të mësuarin.
Është e rëndësishme të theksohet se kjo shkallë autonomi dhe diversiteti i aftësive, që ofrohet nga shkencëtarë që punojnë me stack të plotë, në masë të madhe varet nga qëndrueshmëria e platformës së të dhënave me të cilën mund të punosh. Një platformë e mirë e ndërtuar për të dhënat e ndihmon shkencëtarët që të punojnë me të dhënat të biglationalizuar nga kompleksiteti i konteinerizimit, përpunimit të shpërndarë, kalimit automatik në burime të tjera dhe konceptet e tjera përparimtare kompjuterike. Në përveç abstarcionit, një platformë e besueshme e të dhënave mund të ofrojë lidhje pa pengesa me infrastrukturën eksperimentale, të automatizojë monitorimin dhe sistemin e njoftimit, të sigurojë shkallëzim automatik dhe visualizimin e rezultateve algoritmike dhe gjurmimin e gabimeve. Këto komponentë projektohen dhe krijohen nga inxhinierët e platformës së të dhënave, pra nuk transferohen nga specialisti i Shkencave të të Dhënave në ekipin zhvillues të platformës së të dhënave. Në fakt, specialisti i Shkencave të të Dhënave është përgjegjës për gjithë kodin e përdorur për të operuar platformën.
Më interesoi gjithashtu ndarja funksionale e punës duke përdorur efikasitetin e proceseve, por me metodën e provave dhe gabimeve (në të vërtetë nuk ka mënyrë më të mirë të mësuarit) pashë se rolet tipike më shumë kontribuojnë në mësim dhe inovacione dhe ofrojnë tregues të saktë: zbulimi dhe ndërtimi i një numri shumë më të madh mundësish biznesi seq një qasje e specializuar. (Një mënyrë më e efektshme për të mësuar për këtë qasje organizative, sesa metoda e provave dhe gabimeve që kam kaluar, është të lexosh librin e Amy Edmondson „Bashkëpunimi në grup: si mësojnë organizata, krijojnë inovacione dhe konkurrojnë në ekonominë e njohurive“).
Ka disa supozita të rëndësishme që mund ta bëjnë këtë qasje në organizim më të besueshme ose më pak, në disa kompani. Procesi i iteracionit ul kostot e provave dhe gabimeve. Nëse çmimi i një gabimi është i lartë, mund të dëshironit t'i zvogëloni ato (por, kjo nuk rekomendohet për aplikimet mjekësore ose prodhimin). Për më tepër, nëse po merresh me petabyte ose exabyte të dhënash, mund të nevojitet një specializim në projektimin e të dhënave. Po ashtu, nëse mbajtja e mundësive të biznesit në rrjet dhe disponueshmëria e tyre janë më të rëndësishme se përmirësimi i tyre, superioriteti funksional mund të tejkalojë mësimin. Së fundi, modeli i stack-ut të plotë mbështetet në mendimet e atyre që janë të njohur në këtë fushë. Ato nuk janë njëhornjosh; mund të gjenden ose të trajnohen vetë. Megjithatë, ato janë shumë të kërkuara, dhe për t'i tërhequr dhe mbajtur në kompani, do të duhet një kompensim konkurrues, vlera korporative të qëndrueshme dhe punë interesante. Sigurohuni që kultura juaj korporative mund të ofrojë kushte të tilla.
Edhe duke marrë parasysh gjithçka që u tha, unë besoj se modeli i stack-ut të plotë ofron kushtet më të mira për fillim. Filloni me ta dhe pastaj lëvizni në mënyrë të vetëdijshme drejt ndarjes funksionale të punës vetëm atëherë kur kjo është me të vërtetë e nevojshme.
Ka edhe disavantazhe të tjera të specializimit funksional. Kjo mund të çojë në humbjen e përgjegjësisë dhe pasivitetit nga ana e punonjësve. Edhe Smith e kritikon ndarjen e punës, duke sugjeruar se ajo çon në mbylljen e talentit, pra punonjësit bëhen inekzistentë dhe të mbyllur, pasi rolet e tyre kufizohen në disa detyra të përsëritura. Ndërsa specializimi mund të ofrojë efikasitet në proces, ai rrallëherë i frymëzon punonjësit.
Në anën e saj, rolet universale ofrojnë gjithçka që nxit kënaqësinë në punë: autonomi, mjeshtri dhe qëllim. Autonomia që ata nuk varen nga ndonjë gjë për të arritur suksesin. Mjeshtëria qëndron tek avantazhet e forta konkurruese. Ndërsa qëllimi përqendrohet në mundësinë e ndikimit mbi biznesin që ata krijojnë. Nëse arrijmë të bëjmë që njerëzit të angazhohen me punën e tyre dhe të kenë një ndikim të madh mbi kompaninë, atëherë gjithçka tjetër do të bie në vendin e vet.
Burimi: habr.com
