הקשר, עקביות ושיתוף פעולה חיוניים להצלחת מדעי הנתונים

תמונה על ידי מוחמד_חסן בפיקסביי

תחומי הבינה המלאכותית (AI) ולמידת מכונה (ML) הם, בסוף 2021, כבר לא שדות בהתהוות עם עתיד לא ברור לפניהם. AI ו-ML גדלו והפכו לתחומי השפעה בעלי השפעה רבה על העולם הרחב יותר של מדעי הנתונים, עובדה נשאר נכון יותר מ אי פעם במהלך השנה הזו.

עם זאת, ככל שה-AI, ML, ולאחר מכן, מדעי הנתונים המשיכו להתרחב, כך גם הפרמטרים שיכולים ליצור או לשבור את ההצלחה של צוותי מדעי הנתונים. ההזדמנויות להשיג תובנות משמעותיות ומעמיקות מתחומי הבינה המלאכותית וה-ML מבוססות על צוותי מדעי נתונים גדולים יותר ממדען נתונים אחד בלבד הפועל עם מחשב נייד יחיד. פשוט יש יותר מדי נתונים שצריך להשיג, לנקות ולהכין לניתוח - תהליך שצורך חלק ניכר מיום העבודה הממוצע של מדען נתונים - כדי שכל אדם יוכל להתמודד לבדו. 

פרויקטים מודרניים של מדעי הנתונים סובבים סביב מידע חשוב לגבי הכנת נתונים, פרויקטים קודמים של מדעי הנתונים, ודרכים פוטנציאליות קדימה לפריסת מודלים של נתונים שיש לחלוק עם מספר מדעי נתונים. לכן, חיוני לחקור את הסיבות לכך שצוותי מדעי הנתונים דורשים הקשר, עקביות ושיתוף פעולה מאובטח של הנתונים שלהם כדי להבטיח הצלחה במדעי הנתונים. הבה נבחן במהירות כל אחת מהדרישות הללו כדי שנוכל להבין טוב יותר כיצד יכולה להיראות הצלחה במדעי הנתונים קדימה.

חלק ראשון: הקשר

 
הבחינה שלנו לגבי הצלחה עתידית במדעי הנתונים מתחילה בהקשר: אין תהליך של בניית מודלים איטרטיבית שמסתמכת על ניסוי נסיון וכשל יכול להימשך זמן רב ללא ידע מוסדי שמתועד, מאוחסן וזמין למדעני נתונים. ובכל זאת, ידע מוסדי רב הולך לאיבוד באופן קבוע בגלל היעדר תיעוד ואחסון נאותים.

שקול את התרחיש הנפוץ הזה: מדען נתונים זוטר או אזרח נמשך לפרויקט כדי לשפר את כישוריהם, רק כדי להיאבק זמן קצר לאחר מכן עם שיתוף פעולה סינכרוני וא-סינכרוני בגלל חוסר הקשר. חברי צוות אד-הוק אלה זקוקים להקשר כדי לדעת יותר על הנתונים איתם הם מקיימים אינטראקציה, האנשים שטיפלו בבעיות בעבר, וכיצד העבודה הקודמת השפיעה על נוף הפרויקט הנוכחי.

הצורך בתיעוד נכון של פרויקטים כמו גם מודלים של נתונים וזרימות העבודה שלהם יכול בקלות להסיח את דעתו של צוות של מדעני נתונים, שלא לדבר על אחד שפועל לבדו. מנהיגים עשויים לשקול את האפשרות לעשות זאת לשכור מפתח עצמאי לתרום מזמנם לשימור והפצה של ידע מוסדי כדי לשפר את מפגשי הסקירה והמשוב הסטנדרטיים של פרויקטים מודרניים של מדעי הנתונים. מפגשים אלה, כמו גם מערכות תוכנה, ספסלי עבודה ושיטות עבודה מומלצות יכולים לייעל את הלכידה היעילה יותר של הקשר הקשור לפרויקט, שמשפרת את גילוי הנתונים של מדעני נתונים זוטרים ואזרחים בעתיד.

הצלחה במדעי הנתונים דורשת את ניהול יעיל של ידע וההקשר הסובב אותו. בלעדיו, מדעני נתונים חדשים, זוטרים ואזרחים צפויים להיאבק בהצטרפות ובתרומה המשמעותית לפרויקטים שלהם, אשר בתורה מובילה לצוותים ליצור מחדש פרויקטים במקום לתרום לעבודה קודמת. 

חלק שני: עקביות

 
תחומי ה-ML וה-AI תרמו לשינויים בסיסיים בכל הנוגע לשירותים פיננסיים, מדעי הבריאות ומדעי החיים, וייצור; עם זאת, תעשיות אלו כפופות לסביבות רגולטוריות משמעותיות. המשמעות היא שפרויקט בינה מלאכותית המתרחש בסביבה מוסדרת חייב להיות ניתן לשחזור עם נתיב ביקורת ברור. במילים אחרות, מנהיגי IT ועסקים המעורבים בדרך כלשהי, צורה או צורה כלשהי בפרויקט מדעי נתונים צריכים להבטיח רמה של עקביות נתונים כשזה מגיע לתוצאות של פרויקט מדעי הנתונים שלהם. 

מנהיגי IT ועסקים שיכולים לצפות לרמה אמינה של עקביות יכולים גם ליהנות מביטחון רב יותר כשמגיע הזמן לבצע את סוגי השינויים האסטרטגיים שה-AI מאפשר. יש הרבה על כף המאזניים בכל הנוגע לפרויקטים של מדעי נתונים ויש הרבה השקעה עליהם, כך שלמדעני נתונים מגיעה תשתית שבה הם יכולים לפעול עם רמת שחזור מובטחת מתחילתו ועד סופו. יכולת השחזור המלאה הזו מתורגמת לעקביות בנתונים שמנהלים בכירים מחפשים כדי להחליט אם פרויקט מדעי נתונים משמעותי מספיק ותואם את היעדים העסקיים שלהם.

המנהלים הבכירים הללו צריכים, בתורם, לצפות שככל שצוותי המדע שלהם יתרחבו, כך גם יערכו ההכשרה הדרושים ודרישות החומרה כדי להבטיח עקביות בתוצאות מפרויקטים ישנים יותר. לכן, תהליכים ומערכות המסייעים בניהול סביבה הם הכרח מוחלט להרחבת צוות מדעי הנתונים. אם, למשל, מדען נתונים משתמש במחשב נייד בזמן שמהנדס נתונים מריץ גרסה אחרת של ספרייה הפועלת על VM בענן, אותו מדען נתונים עשוי לראות את מודל הנתונים שלו מייצר תוצאות שונות ממכונה אחת לאחרת. השורה התחתונה: מנהלים צריכים להבטיח שלשותפי הנתונים שלהם יש דרך עקבית לחלוק את אותן סביבות תוכנה בדיוק.

חלק שלישי: שיתוף פעולה

 
לבסוף, הגענו לחשיבות של שיתוף פעולה מאובטח. כאשר עסקים ממשיכים להעביר את הפעילות שלהם למודל של עבודה מהבית, ארגונים מבינים ששיתוף פעולה במדעי הנתונים הוא הרבה יותר קשה משיתוף פעולה אישי. למרות שחלק מחובות הליבה של מדעי הנתונים ניתנות לניהול בעזרת מדע נתונים יחיד (הכנת נתונים, מחקר ואיטרציה של מודל נתונים), רוב המנהלים העסקיים עזבו בטעות את שיתוף הפעולה לצד הדרך ובעקבות כך הפריעו לפרודוקטיביות מרחוק.

אבל איך אפשר להקל על התיאום היעיל והמרוחק בין משתתפי הפרויקט, כמו גם את האבטחה של נתוני הפרויקט? התשובה טמונה בקבצי עבודה ובנתונים הניתנים לשיתוף הנוגעים לפרויקט מדעי נתונים שהופכים את זה ליותר קיימא להפיץ מידע מרחוק. וככל שההפצה של נתונים הקשורים לפרויקט הופכת לפשוטה יותר, ככל שזה נעשה פשוט יותר לשתף מידע, כך קל יותר לאפשר שיתוף פעולה מרחוק בנתונים. המשתתפים בפרויקט מדעי נתונים יכולים למנף כלים מבוססי ענן כדי לחזק את האבטחה מאחורי המחקר שלהם. אבל יותר מדי מנהיגים עשו את הטעות שלא לעודד שיתוף פעולה, להפחית את הפרודוקטיביות.

סיכום

 
ההתקדמות העצומה שהתחוללה בתחום מדעי הנתונים בשנים האחרונות הייתה חסרת תקדים ולמען האמת מדהימה. ההתקדמות של מדעי הנתונים אפשרה לחברות ברחבי העולם להתייחס לשאלות שבעבר היו להן מעט, אם בכלל, תשובות זמינות ללא החידושים שהתאפשרו על ידי AI ו-ML. 

עם זאת, ככל שעולם מדעי הנתונים ממשיך להבשיל ולצמוח, הגיע הזמן שהמנהלים הבכירים וצוותי מדעי הנתונים שהם מפקחים עליהם יסגרו הרחק מדרך אד-הוק ותגובתית יותר לביצוע עבודה. משאבים שבהם מדעני נתונים יכולים להשתמש כדי ליצור הקשר, עקביות ושיתוף פעולה רב יותר כמו שולחן עבודה של תוכנה עשויים להיות חיוניים להצלחת מדעי הנתונים. בסופו של דבר, פרויקטים ידרשו פחות מאמץ ממדעני הנתונים, המהנדסים, האנליסטים והחוקרים, שיוכלו להאיץ טוב יותר את הצלחתו המתמשכת והמדהימה של התחום.

 
 
נחלה דייויס הוא מפתח תוכנה וכותב טכנולוגי. לפני שהקדישה את עבודתה במשרה מלאה לכתיבה טכנית, היא הספיקה - בין שאר הדברים המסקרנים - לשמש כמתכנתת מובילה בארגון מיתוג חוויתי של Inc. 5,000 שעם לקוחותיו נמנים סמסונג, טיים וורנר, נטפליקס וסוני.

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