السياق والاتساق والتعاون ضروريان لنجاح علوم البيانات

تصوير mohamed_hassan على Pixabay

لم تعد مجالات الذكاء الاصطناعي (AI) والتعلم الآلي (ML) ، في نهاية عام 2021 ، مجالات وليدة مع مستقبل غير مؤكد أمامها. نما الذكاء الاصطناعي والتعلم الآلي ليصبحا مجالات تأثير ذات تأثير كبير على العالم الأوسع لعلوم البيانات ، وهي حقيقة بقيت أصدق من طوال هذا العام.

نظرًا لأن الذكاء الاصطناعي والتعلم الآلي وبالتالي علم البيانات استمروا في التوسع ، على الرغم من ذلك ، فلدينا أيضًا المعلمات التي يمكن أن تحقق نجاح فرق علوم البيانات أو تكسرها. تعتمد فرص الحصول على رؤى مهمة وعميقة من مجالات الذكاء الاصطناعي والتعلم الآلي على فرق علوم البيانات التي تكون أكبر من مجرد عالم بيانات واحد يعمل بجهاز كمبيوتر محمول واحد. ببساطة ، هناك الكثير من البيانات التي يجب الحصول عليها وتنظيفها وإعدادها للتحليل - وهي عملية تستهلك جزءًا كبيرًا من متوسط ​​يوم عمل عالم البيانات - لكي يتعامل معها أي شخص بمفرده. 

تدور مشاريع علوم البيانات الحديثة حول المعلومات المهمة المتعلقة بإعداد البيانات ، ومشاريع علوم البيانات السابقة ، والطرق المحتملة للتقدم لنشر نماذج البيانات التي يجب مشاركتها مع علوم البيانات المتعددة. لذلك ، من الأهمية بمكان التحقيق في الأسباب التي تجعل فرق علوم البيانات تتطلب السياق والاتساق والتعاون الآمن لبياناتهم لضمان نجاح علم البيانات. دعنا نفحص بسرعة كل من هذه المتطلبات حتى نتمكن من فهم أفضل لما قد يبدو عليه نجاح علم البيانات للمضي قدمًا.

الجزء الأول: السياق

 
يبدأ فحصنا لنجاح علم البيانات في المستقبل بالسياق: لا توجد عملية لبناء نموذج تكراري التي تعتمد على تجربة المحاولة والفشل يمكن أن تستمر لفترة طويلة دون معرفة مؤسسية يتم توثيقها وتخزينها وإتاحتها لعلماء البيانات. ومع ذلك ، فإن قدرًا كبيرًا من المعرفة المؤسسية يُفقد بانتظام بسبب نقص التوثيق والتخزين المناسبين.

ضع في اعتبارك هذا السيناريو الشائع: يتم سحب عالم بيانات مبتدئ أو مواطن إلى مشروع لتحسين مهاراته ، فقط ليكافح بعد ذلك بوقت قصير. التعاون المتزامن وغير المتزامن بسبب نقص السياق. يحتاج أعضاء الفريق المخصص هؤلاء إلى سياق لمعرفة المزيد عن البيانات التي يتفاعلون معها ، والأشخاص الذين عالجوا المشكلات في الماضي ، وكيف أثر العمل السابق على المشهد الحالي للمشروع.

يمكن أن تؤدي الحاجة إلى توثيق المشاريع ونماذج البيانات وسير العمل بشكل صحيح إلى تشتيت انتباه فريق من علماء البيانات بسهولة ، ناهيك عن فريق واحد يعمل بمفرده. قد ينظر القادة في خيار توظيف مطور مستقل للمساهمة بوقتهم في الحفاظ على المعرفة المؤسسية ونشرها لتحسين المراجعة القياسية وجلسات التغذية الراجعة لمشاريع علوم البيانات الحديثة. يمكن لهذه الجلسات بالإضافة إلى أنظمة البرامج ومنضدة العمل وأفضل الممارسات تبسيط الالتقاط الأكثر فعالية للسياق المتعلق بالمشروع الذي يحسن إمكانية اكتشاف البيانات لعلماء البيانات المبتدئين والمواطنين في المستقبل.

يتطلب نجاح علم البيانات وجود إدارة مبسطة للمعرفة والسياق المحيط به. بدونها ، من المرجح أن يواجه علماء البيانات الجدد والصغار والمواطنون صعوبة في الإعداد والمساهمة الهادفة في مشاريعهم ، الأمر الذي يؤدي بدوره إلى قيام الفرق بإعادة إنشاء المشاريع بدلاً من المساهمة في العمل السابق. 

الجزء الثاني: الاتساق

 
ساهمت مجالات تعلم الآلة والذكاء الاصطناعي في إحداث تغييرات أساسية عندما يتعلق الأمر بالخدمات المالية وعلوم الصحة والحياة والتصنيع ؛ هذه الصناعات ، رغم ذلك ، تخضع لبيئات تنظيمية كبيرة. هذا يعني أن مشروع الذكاء الاصطناعي الذي يتم تنفيذه في بيئة منظمة يجب أن يكون قابلاً للتكرار مع مسار تدقيق واضح. بعبارة أخرى ، يحتاج قادة تكنولوجيا المعلومات والأعمال الذين يشاركون بطريقة أو بأخرى في مشروع علم البيانات إلى ذلك ضمان مستوى من اتساق البيانات عندما يتعلق الأمر بنتائج مشروع علم البيانات الخاص بهم. 

يمكن لقادة تكنولوجيا المعلومات والأعمال الذين يتوقعون مستوى موثوقًا من الاتساق الاستمتاع أيضًا بمزيد من الثقة عندما يحين الوقت لإجراء أنواع التحولات الاستراتيجية التي يسهلها الذكاء الاصطناعي. هناك الكثير على المحك عندما يتعلق الأمر بمشاريع علوم البيانات وهناك الكثير من الاستثمار الذي يعتمد عليها ، لذلك يستحق علماء البيانات بنية تحتية يمكنهم من خلالها العمل بمستوى مضمون من قابلية التكرار. من البداية الى النهاية. تُترجم هذه القابلية للتكرار الكامل إلى الاتساق في البيانات التي يبحث عنها كبار المديرين التنفيذيين من أجل تحديد ما إذا كان مشروع علم البيانات مهمًا بدرجة كافية ويتوافق مع أهداف أعمالهم أم لا.

يجب أن يتوقع كبار المسؤولين التنفيذيين ، بدورهم ، أنه مع توسع فرقهم العلمية ، ستتزايد أيضًا مجموعات التدريب اللازمة ومتطلبات الأجهزة لضمان الاتساق في النتائج من المشاريع القديمة. لذلك ، تعد العمليات والأنظمة التي تساعد في إدارة البيئة ضرورة مطلقة لتوسيع فريق علوم البيانات. على سبيل المثال ، إذا كان عالم البيانات يستخدم جهاز كمبيوتر محمول أثناء تشغيل مهندس البيانات إصدارًا مختلفًا من مكتبة تعمل على سحابة افتراضية ، فقد يرى عالم البيانات هذا نموذج البيانات الخاص به ينتج نتائج مختلفة من جهاز إلى آخر. خلاصة القول: يجب على المديرين التنفيذيين التأكد من أن المتعاونين في البيانات لديهم طريقة متسقة لمشاركة بيئات البرامج نفسها بالضبط.

الجزء الثالث: التعاون

 
أخيرًا ، نصل إلى أهمية التعاون الآمن. مع استمرار الشركات في تحويل عملياتها إلى نموذج العمل من المنزل ، تدرك المؤسسات أن التعاون في علوم البيانات أصعب بكثير من التعاون الشخصي. على الرغم من أن بعض واجبات علوم البيانات الأساسية يمكن إدارتها بمساعدة علم بيانات واحد (إعداد البيانات ، والبحث ، وتكرار نموذج البيانات) ، إلا أن غالبية المديرين التنفيذيين تركوا التعاون عن طريق الخطأ وأعاقوا بالتالي الإنتاجية عن بُعد.

ولكن كيف يمكن تسهيل التنسيق الفعال عن بعد بين المشاركين في المشروع وكذلك أمن بيانات المشروع؟ تكمن الإجابة في ملفات العمل والبيانات القابلة للمشاركة والمتعلقة بمشروع علم البيانات مما يجعلها أكثر قابلية للتطبيق لنشر المعلومات عن بعد. ونظرًا لأن نشر البيانات المتعلقة بالمشروع أصبح أبسط ، فكلما أصبح تبادل المعلومات أسهل ، أصبح من الأسهل تسهيل التعاون في البيانات عن بُعد. يمكن للمشاركين في مشروع علم البيانات الاستفادة من الأدوات المستندة إلى مجموعة النظراء لتقوية الأمان الكامن وراء أبحاثهم. لكن الكثير من القادة ارتكبوا خطأ عدم تشجيع التعاون وخفض الإنتاجية.

وفي الختام

 
كان التقدم الهائل الذي حدث في مجال علم البيانات في السنوات الأخيرة غير مسبوق ومدهش بصراحة. لقد جعل تقدم علم البيانات من الممكن للشركات في جميع أنحاء العالم معالجة الأسئلة التي كانت في السابق قليلة ، إن وجدت ، إجابات متاحة بسهولة دون الابتكارات التي أتاحها الذكاء الاصطناعي والتعلم الآلي. 

ومع ذلك ، مع استمرار نضج عالم علم البيانات وتنميته ، حان الوقت لكبار المديرين التنفيذيين وفرق علوم البيانات التي يشرفون عليها للانتقال بعيدًا عن طريقة مخصصة وتفاعلية لإنجاز العمل. من المحتمل أن تكون الموارد التي يمكن لعلماء البيانات استخدامها لإنشاء السياق والاتساق والتعاون الأكبر مثل طاولات عمل البرامج ضرورية لنجاح علم البيانات. في النهاية ، ستتطلب المشاريع جهدًا أقل من علماء البيانات والمهندسين والمحللين والباحثين ، الذين سيكونون أكثر قدرة على تسريع النجاح المستمر والمذهل للمجال.

 
 
نهلة ديفيز هو مطور برامج وكاتب تقني. قبل تكريس عملها بدوام كامل للكتابة التقنية ، تمكنت - من بين أشياء أخرى مثيرة للاهتمام - من العمل كمبرمج رئيسي في مؤسسة تجارية تجريبية للعلامة التجارية 5,000 شركة تضم عملائها Samsung و Time Warner و Netflix و Sony.

المصدر: https://www.kdnuggets.com/2022/01/context-consistency-collaboration-essential-data-science-success.html