盡管近些年人工智能進入了大眾視野,也做了相當程度的宣傳,但沒有多少人能夠將人機互動達到最佳平衡。Dataiku最新的白皮書強調的是數據科學項目中的協作,它使整個數據團隊能夠更有效的探索、原型化、構建并交付他們自己的數據產品,同時有助于找出數據團隊可能存在的問題。想要獲得成功的企業,至少要在2018年余下的半年時間去解決這些問題。
數據項目&數據科學項目
與數據科學項目不同的是,數據項目僅僅是目標為建立更具分析深度的項目。打個比方,一個營銷歸因模型,它的目的是為了觀察分析營銷策略;一個運輸行業中的預測性維護項目,嘗試預測在不同地點更換零件的需求。
不過這些項目通常可以利用相對簡單的統計模型結合行業經驗解決。數據項目之所以能成為數據科學項目,需要利用更先進的機器學習方法,分析結合系統中添加潛在的、非存量的附加數據(如使用數據、點擊數據、傳感器數據、社會數據等等)。
在數據科學項目中,數據科學家和數據分析師之間就相互依存,前者關注的是潛在的新數據源和新的預測模型,數據科學家的模型和數據被數據分析師打包分析,統籌處理。
應該聘請什么樣的數據科學家?
不同的數據科學家有不同的優勢,就像文學家,不是豪放派的就比婉約派的高級,選擇不同的數據科學家完全取決于一家企業正在攻關的課題或項目。
擁有博士學位的數據科學家并不好招(跟別提薪資要求高),因為其中80%的人都被谷歌挖走了,從另一個角度說,他們也許也不適配于你的企業需求。
Dataiku的白皮書將數據科學家分為七類:傳說型、全能型、統計專家、二把刀型、ML工程師、垂直領域專家、明星級數據經理。縱然他們都有相同的職稱抬頭,但是必須理解和承認各種數據科學家都是有其作用,在不久的將來,不同專業類型的數據科學家會有不同的抬頭,也許就在明年有望成為一個新的趨勢。
為什么很多數據科學家會辭職?
美國Glassdoor公司(美國的一家企業點評與職位搜索的職場社區平臺)提名數據科學家為2018年美國最佳工作,Linkedln(全球知名職場社交平臺)則將數據科學家列入最佳工作的top10。但是與此同時,英國《金融時報》將數據科學家放在“尋找新工作”榜單榜首的位置。
其實仔細想想就能明白個中三味。
企業對數據科學家的需求很強烈,數據科學家們很容易就能夠找到待遇更好的公司,一定程度上意味著他們很難長期在一個地方。這也涉及到他們工作幸福感的問題,大多數人都不會傾向于頻繁更換工作,但是由于這個職位相對較新,很多公司不知道該怎么做去留住這些最重要且最前沿的角色。
一個數據經理想離職有很多原因。作為企業的管理者,需要確保數據團隊不被其他團隊孤立,開放的工作環境,保證溝通無礙;通過想其他團隊展示數據團隊的豐富內容,讓他們了解數據團隊在一個項目中的意義,能夠做什么來幫助改進流程或產品從而推動項目進程。
除了技術之外,溝通技巧也是重要一環,你肯定也不希望數據科學家通過Excel去推銷業務,數據科學家要會通過數據講故事,多角度縱橫分析。企業主招聘時要考量數據科學家的PPT能力。
每個行業都是成王敗寇,知道讓企業員工凝合聚力做到利益最大化,自然能封王拜相。不過這不僅僅是企業需要做的,數據科學家們的工作同樣不可或缺,發揮自己的特長幫助企業完成好項目,能夠與時俱進持續成長不故步自封,不斷提高工作幸福感。
非協作不成功
自2017年《福布斯》表示數據科學世界必須通力協作以來,這個觀點至今風靡。數據團隊協作模型的支持者提出各種論據來證明其效率及有效性,但是協作背景下,同時也意味著存在著很多誤解和矛盾。以下是關于數據科學協作的常見觀念:
-協作意味著數據科學家之間可以進行工作劃分;
-協作意味著工作可以依著更多初級和更高級的資源進行劃分;
-協作意味著工作可以仰賴團隊中不同的角色進行劃分;
這是迄今為止最有效率的數據科學項目協作辦法。
因為數據科學項目中的某些部分更適合數據分析師去做:數據挖掘和整理。一旦他們完成這部分的工作,處理預測或負責機器學習的工作才能繼續。
這意味著數據分析師和數據科學家能夠更大的發揮作用,因為他們不需要對整個項目負責,可以同時多線操作,服務于多個不同的項目。
在一些組織當中,同時承接的數據科學項目很多,在這種情形下,一個組織中的數據科學家數量可能成為一個限制因素——不可能每個項目都配備一個數據科學家。
基于以上,為了持續獲得收益,數據科學家和數據分析師之間的協作自然也變得尤為普遍。
我的公司是否能部署+管理多個預測模型?
-首先對標已經完成的組織,尤其是那些同一行業或者同類型的數據科學項目的組織。
-再問問自己,部署這些預測模型對你的企業意味著什么?(例如,是否意味著內部儀表板暴露給企業內的其他團隊,是否將推薦引擎暴露給了客戶?)明確答案后再確定后面的問題。
-
人工智能
+關注
關注
1791文章
47206瀏覽量
238272 -
機器學習
+關注
關注
66文章
8408瀏覽量
132569
原文標題:2018年人工智能(AI)和機器學習(ML)中待解決的最重要問題
文章出處:【微信號:jingzhenglizixun,微信公眾號:機器人博覽】歡迎添加關注!文章轉載請注明出處。
發布評論請先 登錄
相關推薦
評論