Konteksti, johdonmukaisuus ja yhteistyö ovat tärkeitä tietotieteen menestykselle

Kuva mohamed_hassan Pixabayssa

Tekoäly (AI) ja koneoppiminen (ML) eivät ole vuoden 2021 lopussa enää syntymässä olevia aloja, joiden tulevaisuus on epävarma. Tekoälystä ja ML:stä on tullut valtavasti vaikutusalueita laajemmassa datatieteen maailmassa, mikä on tosiasia, että on pysynyt totuumpana kuin koskaan koko tämän vuoden ajan.

Tekoäly, ML ja myöhemmin datatiede ovat kuitenkin jatkaneet laajentumistaan, mutta myös parametrit, jotka voivat tehdä tai rikkoa datatieteiden ryhmien menestyksen, ovat kasvaneet. Mahdollisuudet saada merkittäviä ja syvällisiä oivalluksia tekoälyn ja ML:n aloilta perustuvat datatieteen ryhmiin, jotka ovat suurempia kuin vain yksi datatieteilijä, joka toimii yhdellä kannettavalla tietokoneella. On yksinkertaisesti liian paljon dataa, joka on hankittava, puhdistettava ja valmisteltava analysointia varten – prosessi, joka kuluttaa merkittävän osan datatieteilijän keskimääräisestä työpäivästä – jotta yksi henkilö voi käsitellä sitä yksin. 

Nykyaikaiset datatiedeprojektit pyörivät tärkeän tiedon ympärillä tietojen valmistelusta, aiemmista datatieteen projekteista ja mahdollisista tavoista ottaa käyttöön tietomalleja, jotka on jaettava useiden tietotieteiden kanssa. Siksi on ratkaisevan tärkeää tutkia syitä, miksi datatieteen tiimit vaativat datansa kontekstia, johdonmukaisuutta ja turvallista yhteistyötä datatieteen menestyksen varmistamiseksi. Tarkastellaan nopeasti jokaista näistä vaatimuksista, jotta voimme ymmärtää paremmin, miltä datatieteen menestyminen eteenpäin voi näyttää.

Ensimmäinen osa: Konteksti

 
Tutkimuksemme tulevaisuuden datatieteen menestyksestä alkaa kontekstista: ei iteratiivista mallinrakennusprosessia joka perustuu kokeile-ja epäonnistu kokeiluun voi kestää pitkään ilman institutionaalista tietoa, joka dokumentoidaan, tallennetaan ja annetaan datatieteilijöiden saataville. Ja silti suuri osa institutionaalista tietämystä menetetään säännöllisesti asianmukaisen dokumentaation ja säilytyksen puutteen vuoksi.

Harkitse tätä yleistä skenaariota: nuorempi tai kansalainen datatieteilijä vedetään projektiin parantaakseen taitojaan, mutta pian sen jälkeen hän kamppailee synkroninen ja asynkroninen yhteistyö kontekstin puutteen vuoksi. Nämä ad hoc -tiimin jäsenet tarvitsevat kontekstin tietääkseen enemmän tiedoista, joiden kanssa he ovat vuorovaikutuksessa, ihmisistä, jotka ovat käsitelleet ongelmia aiemmin ja kuinka aiempi työ vaikutti nykyiseen projektimaisemaan.

Tarve dokumentoida projekteja sekä tietomalleja ja niiden työnkulkuja kunnolla voi helposti häiritä datatieteilijöiden ryhmän huomion, puhumattakaan yhdestä yksin toimivasta. Johtajat voivat harkita vaihtoehtoa palkata freelance-kehittäjä panostaa aikaansa institutionaalisen tiedon säilyttämiseen ja levittämiseen parantaakseen nykyaikaisten datatiedeprojektien standardikatselmus- ja palauteistuntoja. Nämä istunnot sekä ohjelmistojärjestelmät, työpöydät ja parhaat käytännöt voivat tehostaa projekteihin liittyvän kontekstin tehokkaampaa taltiointia, mikä parantaa nuorempien ja kansalaistietotieteilijöiden tiedon löydettävyyttä tulevaisuudessa.

Datatieteen menestys vaatii yksinkertaistettu tiedonhallinta ja sitä ympäröivä konteksti. Ilman sitä uudet, nuoremmat ja kansalaistietotutkijat kamppailevat todennäköisesti omaksumisen ja merkityksellisen panoksen kanssa projekteihinsa, mikä puolestaan ​​johtaa siihen, että tiimit luovat projekteja uudelleen sen sijaan, että osallistuisivat aiempaan työhön. 

Osa kaksi: Johdonmukaisuus

 
ML:n ja tekoälyn alat ovat vaikuttaneet perustavanlaatuisiin muutoksiin rahoituspalvelujen, terveys- ja biotieteiden sekä valmistuksen alalla; Nämä teollisuudenalat ovat kuitenkin merkittävien sääntely-ympäristöjen alaisia. Tämä tarkoittaa, että säännellyssä ympäristössä tapahtuvan tekoälyprojektin on oltava toistettavissa selkeällä kirjausketjulla. Toisin sanoen tietotekniikan ja yritysjohtajien, jotka ovat jollain tavalla, muodon tai muodon mukana datatiedeprojektissa, täytyy varmistaa tietojen yhdenmukaisuuden tason kun on kyse heidän datatiedeprojektinsa tuloksista. 

IT- ja yritysjohtajat, jotka voivat odottaa luotettavaa johdonmukaisuutta, voivat myös nauttia enemmän itseluottamuksesta, kun on aika tehdä tekoälyn mahdollistamia strategisia muutoksia. Datatiedeprojekteissa on paljon vaakalaudalla ja niihin kohdistuu paljon investointeja, joten datatieteilijät ansaitsevat infrastruktuurin, jossa he voivat toimia taatulla toistettavuustasolla. alusta loppuun. Tämä täydellinen toistettavuus tarkoittaa johdonmukaisuutta tiedoissa, joita huippujohtajat etsivät voidakseen päättää, onko datatiedeprojekti riittävän merkittävä ja sopusoinnussa heidän liiketoimintatavoitteidensa kanssa.

Näiden huippujohtajien pitäisi puolestaan ​​odottaa, että heidän tiederyhmiensä laajentuessa myös tarvittavat koulutussarjat ja laitteistovaatimukset kasvavat vanhempien projektien tulosten johdonmukaisuuden varmistamiseksi. Siksi prosessit ja järjestelmät, jotka auttavat hallitsemaan ympäristöä, ovat ehdottoman välttämättömiä datatieteen tiimin laajentamiselle. Jos esimerkiksi datatieteilijä käyttää kannettavaa tietokonetta, kun tietosuunnittelija käyttää erilaista versiota kirjastosta, joka toimii pilvi-VM:llä, kyseinen datatieteilijä saattaa nähdä tietomallinsa tuottavan erilaisia ​​tuloksia koneesta toiseen. Lopputulos: johtajien tulee varmistaa, että heidän tietoyhteistyökumppaneilla on johdonmukainen tapa jakaa täsmälleen samat ohjelmistoympäristöt.

Kolmas osa: Yhteistyö

 
Lopuksi tulemme turvallisen yhteistyön tärkeyteen. Samalla kun yritykset jatkavat toimintansa siirtymistä kodin työskentelymalliin, organisaatiot ymmärtävät, että datatieteellinen yhteistyö on paljon vaikeampaa kuin henkilökohtainen yhteistyö. Vaikka jotkin keskeiset datatieteen tehtävät ovat hallittavissa yhden datatieteen avulla (datan valmistelu, tutkimus ja datamallien iterointi), suurin osa yritysjohtajista on erehdyksessä jättänyt yhteistyön sivuun ja estänyt etätyön tuottavuuden.

Mutta miten voidaan helpottaa tehokasta ja etäkoordinointia projektiin osallistujien välillä sekä projektitietojen turvallisuutta? Vastaus löytyy jaettavissa olevista työtiedostoista ja datatiedeprojektiin liittyvistä tiedoista jotka tekevät siitä kannattavamman levittää tietoa etänä. Ja kun projekteihin liittyvän tiedon levittäminen yksinkertaistuu, mitä yksinkertaisempaa tiedon jakaminen on, sitä helpompi on helpottaa tiedon etäyhteistyötä. Datatiedeprojektiin osallistujat voivat hyödyntää pilvipohjaisia ​​työkaluja tutkimuksensa turvallisuuden vahvistamiseksi. mutta liian monet johtajat ovat tehneet sen virheen, etteivät he ole rohkaiseneet yhteistyötä ja vähentäneet tuottavuutta.

Yhteenveto

 
Tietotekniikan alalla viime vuosina tapahtunut valtava edistys on ollut ennennäkemätöntä ja suoraan sanottuna hämmästyttävää. Datatieteen edistyminen on mahdollistanut yritysten maailmanlaajuisesti vastaamisen kysymyksiin, joihin aiemmin oli vain vähän, jos ollenkaan, helposti saatavilla olevia vastauksia ilman tekoälyn ja ML:n mahdollistamia innovaatioita. 

Datatieteen maailman kypsyessä ja kasvaessa on kuitenkin korkean tason johtajien ja heidän valvomiensa datatieteiden tiimien aika siirtyä pois tilapäisemmästä ja reaktiivisemmasta työtavasta. Resurssit, joita datatieteilijät voivat käyttää kontekstin, johdonmukaisuuden ja laajemman yhteistyön luomiseen, kuten ohjelmistotyöpenkit, ovat todennäköisesti tärkeitä datatieteen menestykselle. Loppujen lopuksi projektit vaativat vähemmän työtä datatieteilijöiltä, ​​insinööreiltä, ​​analyytikoilta ja tutkijoilta, jotka pystyvät paremmin nopeuttamaan alan jatkuvaa ja hämmästyttävää menestystä.

 
 
Nahla Davies on ohjelmistokehittäjä ja tekninen kirjoittaja. Ennen kuin hän omistautui kokopäiväisesti tekniseen kirjoittamiseen, hän onnistui muun kiehtovien asioiden ohella toimimaan pääohjelmoijana Inc. 5,000 XNUMX:n kokemuksellisen tuotemerkin organisaatiossa, jonka asiakkaita ovat Samsung, Time Warner, Netflix ja Sony.

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