Το πλαίσιο, η συνέπεια και η συνεργασία είναι απαραίτητα για την επιτυχία της Επιστήμης Δεδομένων

Φωτογραφία mohamed_hassan στο Pixabay

Τα πεδία της τεχνητής νοημοσύνης (AI) και της μηχανικής μάθησης (ML) δεν είναι πλέον, στο τέλος του 2021, πεδία εκκολαπτόμενων με αβέβαιο μέλλον μπροστά τους. Η τεχνητή νοημοσύνη και η ML έχουν εξελιχθεί σε σφαίρες επιρροής με τεράστια επιρροή στον ευρύτερο κόσμο της επιστήμης δεδομένων, γεγονός που έχει παραμείνει πιο αληθινό από ποτέ όλο αυτό το έτος.

Καθώς η AI, η ML και, στη συνέχεια, η επιστήμη δεδομένων συνέχισαν να επεκτείνονται, ωστόσο, το ίδιο ισχύει και για τις παραμέτρους που μπορούν να κάνουν ή να σπάσουν την επιτυχία των ομάδων επιστήμης δεδομένων. Οι ευκαιρίες για να αποκτήσετε σημαντικές και βαθιές γνώσεις από τους τομείς της τεχνητής νοημοσύνης και της ML βασίζονται σε ομάδες επιστήμης δεδομένων που είναι μεγαλύτερες από έναν απλό επιστήμονα δεδομένων που λειτουργεί με έναν μόνο φορητό υπολογιστή. Υπάρχουν απλώς πάρα πολλά δεδομένα που πρέπει να ληφθούν, να καθαριστούν και να προετοιμαστούν για ανάλυση - μια διαδικασία που καταναλώνει σημαντικό μέρος της μέσης εργάσιμης ημέρας ενός επιστήμονα δεδομένων - για να τα χειριστεί ένα άτομο μόνο του. 

Τα σύγχρονα έργα επιστήμης δεδομένων περιστρέφονται γύρω από σημαντικές πληροφορίες σχετικά με την προετοιμασία δεδομένων, προηγούμενα έργα επιστήμης δεδομένων και πιθανούς τρόπους ανάπτυξης μοντέλων δεδομένων που πρέπει να κοινοποιούνται σε πολλές επιστήμες δεδομένων. Ως εκ τούτου, είναι σημαντικό να διερευνηθούν οι λόγοι για τους οποίους οι ομάδες επιστήμης δεδομένων απαιτούν το πλαίσιο, τη συνέπεια και την ασφαλή συνεργασία των δεδομένων τους για να διασφαλιστεί η επιτυχία της επιστήμης δεδομένων. Ας εξετάσουμε γρήγορα καθεμία από αυτές τις απαιτήσεις, ώστε να κατανοήσουμε καλύτερα πώς μπορεί να μοιάζει η επιτυχία της επιστήμης δεδομένων προς τα εμπρός.

Μέρος πρώτο: Πλαίσιο

 
Η εξέτασή μας για τη μελλοντική επιτυχία της επιστήμης δεδομένων ξεκινά με το πλαίσιο: καμία διαδικασία επαναληπτικής δημιουργίας μοντέλων που βασίζεται στον πειραματισμό «δοκιμάζω και αποτυγχάνω». μπορεί να διαρκέσει πολύ χωρίς θεσμικές γνώσεις που τεκμηριώνονται, αποθηκεύονται και διατίθενται στους επιστήμονες δεδομένων. Και, ωστόσο, μεγάλο μέρος της θεσμικής γνώσης χάνεται τακτικά λόγω έλλειψης κατάλληλης τεκμηρίωσης και αποθήκευσης.

Σκεφτείτε αυτό το κοινό σενάριο: ένας κατώτερος επιστήμονας δεδομένων ή ένας πολίτης έλκεται σε ένα έργο για να βελτιώσει τις δεξιότητές του, μόνο για να παλέψει αμέσως μετά με σύγχρονη και ασύγχρονη συνεργασία λόγω έλλειψης πλαισίου. Αυτά τα ad-hoc μέλη της ομάδας χρειάζονται το πλαίσιο για να γνωρίζουν περισσότερα σχετικά με τα δεδομένα με τα οποία αλληλεπιδρούν, τους ανθρώπους που έχουν αντιμετωπίσει προβλήματα στο παρελθόν και πώς η προηγούμενη εργασία επηρέασε το τρέχον τοπίο του έργου.

Η ανάγκη για σωστή τεκμηρίωση έργων, καθώς και μοντέλων δεδομένων και των ροών εργασίας τους μπορεί εύκολα να αποσπάσει την προσοχή μιας ομάδας επιστημόνων δεδομένων, πόσο μάλλον μιας που λειτουργεί μόνος. Οι ηγέτες μπορούν να εξετάσουν την επιλογή να προσλάβετε έναν ανεξάρτητο προγραμματιστή να συνεισφέρουν το χρόνο τους στη διατήρηση και τη διάδοση της θεσμικής γνώσης για τη βελτίωση των τυπικών συνεδριών ανασκόπησης και ανατροφοδότησης των σύγχρονων έργων επιστήμης δεδομένων. Αυτές οι συνεδρίες, καθώς και τα συστήματα λογισμικού, οι πάγκοι εργασίας και οι βέλτιστες πρακτικές μπορούν να εξορθολογίσουν την πιο αποτελεσματική αποτύπωση του πλαισίου που σχετίζεται με το έργο που βελτιώνει τη δυνατότητα ανακάλυψης δεδομένων για κατώτερους και πολίτες επιστημόνων δεδομένων στο μέλλον.

Η επιτυχία της επιστήμης δεδομένων απαιτεί το εξορθολογισμένη διαχείριση της γνώσης και το περιβάλλον του. Χωρίς αυτό, οι νέοι, οι νέοι και οι επιστήμονες δεδομένων πολιτών είναι πιθανό να δυσκολευτούν με την ενσωμάτωση και τη σημαντική συνεισφορά στα έργα τους, κάτι που με τη σειρά του οδηγεί σε ομάδες να αναδημιουργούν έργα αντί να συνεισφέρουν σε προηγούμενη εργασία. 

Μέρος δεύτερο: Συνέπεια

 
Τα πεδία του ML και της τεχνητής νοημοσύνης έχουν συμβάλει σε θεμελιώδεις αλλαγές όσον αφορά τις χρηματοοικονομικές υπηρεσίες, τις επιστήμες υγείας και ζωής και την κατασκευή. Αυτές οι βιομηχανίες, ωστόσο, υπόκεινται σε σημαντικά ρυθμιστικά περιβάλλοντα. Αυτό σημαίνει ότι ένα έργο τεχνητής νοημοσύνης που λαμβάνει χώρα σε ρυθμιζόμενο περιβάλλον πρέπει να μπορεί να αναπαραχθεί με σαφή διαδρομή ελέγχου. Με άλλα λόγια, οι ηγέτες πληροφορικής και επιχειρήσεων που εμπλέκονται κατά κάποιο τρόπο, σχήμα ή μορφή με ένα έργο επιστήμης δεδομένων πρέπει να εξασφαλίζουν ένα επίπεδο συνοχής δεδομένων όταν πρόκειται για τα αποτελέσματα του έργου επιστήμης δεδομένων τους. 

Οι ηγέτες πληροφορικής και επιχειρήσεων που μπορούν να περιμένουν ένα αξιόπιστο επίπεδο συνέπειας μπορούν επίσης να απολαμβάνουν περισσότερη εμπιστοσύνη όταν έρθει η ώρα να κάνουν τους τύπους στρατηγικών αλλαγών που διευκολύνει η τεχνητή νοημοσύνη. Διακυβεύονται πολλά όταν πρόκειται για έργα επιστήμης δεδομένων και υπάρχουν πολλές επενδύσεις σε αυτά, επομένως οι επιστήμονες δεδομένων αξίζουν μια υποδομή στην οποία μπορούν να λειτουργούν με εγγυημένο επίπεδο αναπαραγωγιμότητας απο την αρχη μεχρι το τελος. Αυτή η πλήρης αναπαραγωγιμότητα μεταφράζεται στη συνέπεια στα δεδομένα που αναζητούν τα κορυφαία στελέχη προκειμένου να αποφασίσουν εάν ένα έργο επιστήμης δεδομένων είναι επαρκώς σημαντικό και σε ευθυγράμμιση με τους επιχειρηματικούς τους στόχους.

Αυτά τα κορυφαία στελέχη θα πρέπει, με τη σειρά τους, να αναμένουν ότι καθώς οι επιστημονικές τους ομάδες επεκτείνονται, θα επεκτείνονται και τα απαραίτητα σετ εκπαίδευσης και οι απαιτήσεις υλικού για τη διασφάλιση της συνέπειας στα αποτελέσματα από παλαιότερα έργα. Επομένως, οι διαδικασίες και τα συστήματα που βοηθούν στη διαχείριση ενός περιβάλλοντος είναι απόλυτη ανάγκη για την επέκταση μιας ομάδας επιστήμης δεδομένων. Εάν, για παράδειγμα, ένας επιστήμονας δεδομένων χρησιμοποιεί φορητό υπολογιστή ενώ ένας μηχανικός δεδομένων εκτελεί μια διαφορετική έκδοση μιας βιβλιοθήκης που εκτελείται σε ένα cloud VM, αυτός ο επιστήμονας δεδομένων μπορεί να δει το μοντέλο δεδομένων του να παράγει διαφορετικά αποτελέσματα από το ένα μηχάνημα στο άλλο. Η ουσία: τα στελέχη θα πρέπει να διασφαλίζουν ότι οι συνεργάτες δεδομένων τους έχουν έναν συνεπή τρόπο κοινής χρήσης των ίδιων ακριβώς περιβαλλόντων λογισμικού.

Μέρος τρίτο: Συνεργασία

 
Τέλος, φτάνουμε στη σημασία της ασφαλούς συνεργασίας. Καθώς οι επιχειρήσεις συνεχίζουν να μετατοπίζουν τις δραστηριότητές τους σε ένα μοντέλο εργασίας από το σπίτι, οι οργανισμοί συνειδητοποιούν ότι η συνεργασία της επιστήμης δεδομένων είναι πολύ πιο δύσκολη από την προσωπική συνεργασία. Παρόλο που ορισμένα βασικά καθήκοντα της επιστήμης δεδομένων είναι διαχειρίσιμα με τη βοήθεια μιας ενιαίας επιστήμης δεδομένων (προετοιμασία δεδομένων, έρευνα και επανάληψη μοντέλων δεδομένων), η πλειονότητα των στελεχών επιχειρήσεων άφησαν κατά λάθος τη συνεργασία στην άκρη και στη συνέχεια παρεμπόδισαν την εξ αποστάσεως παραγωγικότητα.

Πώς όμως μπορεί κανείς να διευκολύνει τον αποτελεσματικό και απομακρυσμένο συντονισμό μεταξύ των συμμετεχόντων στο έργο καθώς και την ασφάλεια των δεδομένων του έργου; Η απάντηση βρίσκεται σε αρχεία εργασίας με δυνατότητα κοινής χρήσης και δεδομένα που σχετίζονται με ένα έργο επιστήμης δεδομένων που το κάνουν πιο βιώσιμο για τη διάδοση πληροφοριών εξ αποστάσεως. Και καθώς η διάδοση των δεδομένων που σχετίζονται με το έργο γίνεται απλούστερη, όσο πιο απλή γίνεται η κοινή χρήση πληροφοριών, τόσο πιο εύκολη είναι η διευκόλυνση της απομακρυσμένης συνεργασίας δεδομένων. Οι συμμετέχοντες σε ένα έργο επιστήμης δεδομένων μπορούν να αξιοποιήσουν εργαλεία που βασίζονται σε σύννεφο για να ενισχύσουν την ασφάλεια πίσω από την έρευνά τους. αλλά πάρα πολλοί ηγέτες έκαναν το λάθος να μην ενθαρρύνουν τη συνεργασία, μειώνοντας την παραγωγικότητα.

Συμπέρασμα

 
Η απόλυτη πρόοδος που έχει εκτυλιχθεί στον τομέα της επιστήμης δεδομένων τα τελευταία χρόνια ήταν άνευ προηγουμένου και ειλικρινά εκπληκτική. Η πρόοδος της επιστήμης δεδομένων κατέστησε εφικτό για τις εταιρείες σε όλο τον κόσμο να απαντήσουν σε ερωτήματα που προηγουμένως είχαν λίγες, έως καθόλου, άμεσα διαθέσιμες απαντήσεις χωρίς τις καινοτομίες που κατέστησαν δυνατές από την τεχνητή νοημοσύνη και την ML. 

Ωστόσο, καθώς ο κόσμος της επιστήμης δεδομένων συνεχίζει να ωριμάζει και να αναπτύσσεται, είναι καιρός τα κορυφαία στελέχη και οι ομάδες επιστήμης δεδομένων που επιβλέπουν να μεταναστεύσουν μακριά από έναν πιο ad-hoc και αντιδραστικό τρόπο για να ολοκληρώσουν τη δουλειά τους. Οι πόροι που μπορούν να χρησιμοποιήσουν οι επιστήμονες δεδομένων για να δημιουργήσουν πλαίσιο, συνέπεια και μεγαλύτερη συνεργασία, όπως πάγκοι εργασίας λογισμικού, είναι πιθανό να είναι ουσιαστικοί για την επιτυχία της επιστήμης δεδομένων. Τελικά, τα έργα θα απαιτήσουν λιγότερη προσπάθεια από τους επιστήμονες δεδομένων, τους μηχανικούς, τους αναλυτές και τους ερευνητές, οι οποίοι θα είναι καλύτερα σε θέση να επιταχύνουν τη συνεχή και εκπληκτική επιτυχία του τομέα.

 
 
Νάχλα Ντέιβις είναι προγραμματιστής λογισμικού και συγγραφέας τεχνολογίας. Πριν αφιερώσει τη δουλειά της με πλήρες ωράριο στην τεχνική συγγραφή, κατάφερε —μεταξύ άλλων συναρπαστικών πραγμάτων— να υπηρετήσει ως επικεφαλής προγραμματιστής σε έναν οργανισμό εμπειρικών επωνυμιών Inc. 5,000, του οποίου οι πελάτες περιλαμβάνουν τη Samsung, την Time Warner, το Netflix και τη Sony.

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